MAKALAH

“UJI N-GAIN, N-CHANGE, DAN EFFECT SIZE”

Diajukan untuk memenuhi salah satu tugas Mata Kuliah Statistika Terapan yang
diampu oleh

Dosen: Dr. Achmad Samsudin, S.Pd., M.Pd

Disusun oleh:
Wandi (2208151)

PROGRAM STUDI MAGISTER PENDIDIKAN FISIKA

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN INDONESIA
BANDUNG
2022
 KATA PENGANTAR
Puji syukur kehadiran Allah SWT yang telah melimpahkan rahmat dan karunia-
Nya sehingga penyusunan makalah tentang “Uji N-Gain, N-change, dan Effect
size” ini dapat diselesaikan dengan baik walaupun masih terdapat kekurangan di
dalamnya.

Pada kesempatan ini saya mengucapkan banyak terima kasih kepada dosen yang
telah mengajarkan mata kuliah statistika terapan yang telah memberikan
bimbingan kepada saya dalam menyelesaikan tugas ini. Selain itu ucapan
terimakasih kepada semua pihak yang telah membantu saya dalam mengerjakan
tugas ini sampai selesai.

Saya berharap adanya saran dan masukan dari semua pihak, sebagai bahan
perbaikan dan tambahan pengetahuan serta pengalaman bagi saya untuk
pembuatan makalah berikutnya. Semoga makalah ini dapat memberikan manfaat
bagi kita semua.

Bandung, 01 Desember 2022

Penyusun

1
 DAFTAR ISI

KATA PENGANTAR .......................................................................................... 1

DAFTAR ISI ........................................................................................................ 2
BAB I PENDAHULUAN
1.1. Latar Belakang .............................................................................. 3
1.2. Rumusan Masalah ......................................................................... 4
1.3. Tujuan ........................................................................................... 4
BAB II PEMBAHASAN
2.1. Uji N-Gain .................................................................................... 5
2.1.1 Definisi Gain dan Normalized Gain (N-Gain).......................... 5
2.1.2. Jenis-jenis uji N-Gain.............................................................. 6
2.1.3 Syarat uji N-Gain ..................................................................... 9
2.1.4 Kelebihan dan Kekurangan N-Gain ......................................... 9
2.2 Uji Normalized Change..................................................................10
2.3 Uji Effect Size .............................................................................. 11
2.3.1 Definisi Effect Size ................................................................. 11
2.3.2. Jenis Effect Size..................................................................... 13
2.4 Contoh kasus menghitung N-Gain menggunakan SPSS ............. 14
2.5 Contoh kasus menghitung Effect Size menggunakan SPSS ........ 28
BAB III PENUTUP
3.1. Kesimpulan.................................................................................. 32
3.2. Saran .......................................................................................... 32
DAFTAR PUSTAKA ........................................................................................ 33

2
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Dalam perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) saat ini,
ilmu statistika telah mempengaruhi hampir seluruh aspek kehidupan manusia.
Hampir semua kebijakan publik dan keputusan-keputusan yang diambil oleh
pakar ilmu pegetahuan atau para eksekutif (dalam ruang lingkup ilmu mereka)
didasarkan dengan metode statistika serta hasil analisis dan interpretasi data, baik
secara kuantitatif maupun kualitatif. Salah satu kegiatan dalam pembuatan laporan
hasil penelitian yang telah dilakukan agar dapat dipahami dan dianalisis sesuai
dengan tujuan yang diinginkan dinamakan Penyajian data. Penyajian data yang
disajikan harus sederhana dan jelas agar mudah dibaca. Penyajian data juga
dimaksudkan agar para pengamat dapat dengan mudah memahami apa yang kita
sajikan untuk selanjutnya dilakukan penilaian atau perbandingan dan lain-lain.

Ilmu statistik telah memberikan teknik-teknik sederhana dalam

mengklasifikasikan data serta dalam menyajikan data secara lebih mudah.
Statistik telah menyajikan suatu ukuran yang dapat dimengerti secara lebih
mudah. Statistik dapat menyajikan suatu ukuran yang dapat mensifatkan populasi
ataupun menyatakan variasinya, dan memberikan gambaran yang lebih baik
tentang kecenderungan tengah-tengah dari variabel. Statistik dapat menolong
peneliti untuk menyimpulkan apakah suatu perbedaan yang diperoleh benar-benar
berbeda secara signifikan. Apakah kesimpulan yang diambil cukup representatif
untuk memberikan inferensi terhadap populasi tertentu.

Dalam penerapannya, banyak metode-metode dalam ilmu statistika yang

bisa digunakan untuk analisa data yang akhirnya dijadikan acuan sebagai penarik
kesimpulan. Masing-masing metode itu berbeda-beda tergantung jenis data dan
hasil analisa apa yang dibutuhkan dalam penelitian. Setiap metode mempunyai
kelebihan dan kekurangnnya masing-masing dan penerapannyapun harus sesuai
dengan jenis data yang digunakan dalam penelitian. Oleh karena itu, setiap
peneliti yang akan menggunakan ilmu statistik harus paham betul dengan istilah-
istilah yang ada didalamnya sehingga bisa mengenal dengan metode apa

3
sebaiknya data itu diolah. Terdapat banyak metode yang digunakan dalam ilmu
staistik diantaranya N-Gain, N-Change, dan Effect size. Ketiga metode itu sangat
penting penggunaanya terutama dalam penelitian bidang Pendidikan. Oleh karena
itu, mengenalnya adalah suatu keharusan sehingga kita bisa familiar dan tidak
salah ketika akan menggunakan metode-metode itu. Selain itu, seiring
perkembangan zaman yang sudah maju, analisa-analisa saat ini sudah lebih mudah
dilakukan karena kita bisa menggunakan software-software yang memudahkan
kita dalam melakukan analisa statistik. Dalam makalah ini akan disajikan juga
penggunaan software statistik yang bernama SPSS yang akan digunakan untuk N-
Gain, N-change, dan Effect size.

1.2. Rumusan Masalah

Adapun rumusan masalahnya adalah sebagai berikut :

1. Apa yang dimaksud dengan N-Gain?

2. Apa yang dimaksud dengan N-Change?
3. Apa yang dimaksud dengan Effect size?
4. Bagaiman cara menguji N-Gain, N-Change, dan Effect size dengan SPSS?

1.3. Tujuan

1. Untuk mengetahui uji N-Gain.

2. Untuk mengetaui uji N-Change.
3. Untuk mengetahui uji Effect size
4. Untuk mengetaui cara melakukan pengujian N-Gain, N-Change, dan
Effect size dengan menggunakan software SPSS.

4
 BAB II

PEMBAHASAN

2.1 Uji N-Gain

2.1.1. Definisi Gain dan Normalized Gain (N-Gain)

Gain (yaitu, perubahan, perbedaan) didefinisikan sebagai perbedaan antara

nilai tes (selisih antara nilai post-test dan pre-test) yang diperoleh untuk setiap
individu atau kelompok melalui instrumen pengukuran yang dimaksudkan untuk
mengukur peningkatan pemahaman, penguasaan konsep, atau keterampilan yang
sama, antara dua atau lebih dalam suatu pengujian. Ada beberapa alasan mengapa
kita harus menggunakan konsep Gain dalam penelitian diantaranya yaitu untuk
mengevaluasi hasil perlakuan, menemukan variabel yang berkorelasi, dan
membandingkan perbedaan perolehan nilai dari setiap individu. Ketika kita
menggunakan Gain sebagai acuan menentukan perbedaan atau selisih antara nilai
pre-test dan post-test maka seringkali dan tidak bisa dipungkiri akan adanya bias
yang dihasilkan. Bias adalah suatu proses penyimpulan setiap tahap penelitian
yang cenderung menghasilkan kesimpulan yang berbeda secara sistematis dari
nilai yang sebenarnya. Karena alasan ini, perlu dilakukan normalisasi dari data
atau nilai yang akan dianalisis. Oleh karena itu, diperkenalkanlah konsep dari
Normalized Gain atau sering disebut dengan Gain yang ternormalisasi dan bisa
disingkat N-Gain.

Normalized Gain secara bahasa menunjukkkan 'peningkatan'. Istilah ini

pertama kalinyanya diperkenalkan oleh seseorang yang berkecimpung dibidang
fisika yaitu R. Hake (1999). Normalized gain diperkenalkan oleh Hake sebagai
sebuah ukuran kasar dari efektivitas pembelajaran fisika dalam meningkatan
pemahaman konsep. Uji Normalitas Gain/N-Gain menurut Hake adalah sebuah uji
yang bisa memberikan gambaran umum peningkatan skor hasil pembelajaran
antara sebelum dan sesudah diterapkannya metode tersebut (Hake, 1999 as cited
in Sundayana, 2016). Berdasarkan definisi Gain dan N-Gain di atas, kita bisa
melihat selisih perbedaan skor kemampuan siswa, baik dalam bentuk peningkatan

5
maupun penurunan, sehingga pengujian ini merupakan metode yang cocok untuk
diterapkan dalam menentukan ada tidaknya perkembangan. Adapun normalized
gain atau N-Gain score dapat kita hitung dengan berpedoman pada rumus di
bawah ini :

 Keterangan: Skor Ideal adalah nilai maksimal (tertinggi) yang dapat

diperoleh.

2. 1. 2. Jenis-jenis Uji N-Gain

Dalam melakukan pencarian nilai N-Gain, terdapat banyak versi yang

dilakukan oleh berbagai peneliti yang bahkan berbeda dengan metode yang
ditentukan oleh Hake dengan perbedaan sekitar 10%. Akan tetapi terdapat
beberapa penulisan umum yang biasanya digunakan yaitu dengan menghitung
nilai gain untuk setiap individu dan selanjutnya mencari rata-ratanya. Selain itu,
ada juga yang mencari nilai gain dari rata-rata pre-test dan post-test semua orang.
Berikut adalah persamaan yang biasa digunakan:

1. Gain dari rata-rata (N-Gain of average)

¿ g>¿ ¿ ¿

Dalam persamaan ini, yang dilakukan pertama kali adalah menghitung nilai rata-
rata dari pre-test dan rata-rata post-test skor dari kelas kemudian
mengkonversinya kedalam bentuk Normalized Gain. Adapun kategori hasilnya
ditampilkan dalam tabel berikut:

6
 Tabel 1: Kategori N-Gain of average (R. Hake, 1998)

Berikut adalah contoh perhitungan dari N-Gain of average:

Tabel 2 : Contoh data N-Gain of average

Diperoleh nilai g = 0,402, jika diinterpretasi, maka masuk ke dalam kategori nilai
sedang.

Karakteristik N-gain of averages:

1. Merupakan definisi orisinal dari Hake

2. Digunakan jika skor individu tidak diketahui, tetapi skor rata-rata kelas
diketahui 3. Tidak mengharuskan data cocok. Data yang cocok artinya skor siswa
yang dimasukkan khusus untuk siswa yang mengikuti pre-test dan post-test.
4. Nilai N-Gain masih dapat ditentukan meskipun ada beberapa siswa
mendapatkan skor pretest sama dengan 100.

7
2. Rata-rata dari Gain (Average of Gain)

gave =
⟨ (% S f −% Si )
(100−% S i) ⟩
Dalam persamaan average of gain hal yang dilakukan adalah terlebih dahulu
mencari nilai Normalized Gain untuk masing-masing siswa kemudian baru dicari
rata-ratanya. Kategori hasil dari average gain kelompokan berdasarkan tabel
berikut:

Tabel 3: Kategori average of gain (Marx dan Cummings,2007)

Untuk contoh perhitungan dari Average of gain adalah sebagai berikut:

8
 Tabel 4: Contoh data average of gain

Diperoleh nilai gave 0,399 jika diinterpretasi, maka masuk ke dalam kategori
sedang.

Karakteristik average of N-Gain:

1. Persamaan ini umum digunakan terutama di Indonesia

2. Harus menggunakan data yang cocok
3. Dapat mengetahui N-gain dari setiap siswa

Menurut Hake (1998) dan Bao (2006), perbedaan dari kedua perhitungan tersebut
tidak signifikan untuk kelas besar, tetapi mungkin sedikit berbeda untuk kelas
kecil dan dapat dilihat dari contoh di atas. Data yang digunakan sama, namun nilai
N-Gain berbeda. Dari simulasi perhitungan penulis, kedua nilai ini hampir sama
jika jumlah sampel N ≥ 53.

2.1.3 Syarat Uji N-Gain

Adapun syarat-syarat yang harus dipenuhi ketika peneliti akan

menggunakn uji N-Gain yaitu :

1. Dalam penelitian one group pre-test post-test design, uji N-Gain dapat
digunakan ketika ada perbedaan yang signifikan antara rata-rata nilai pre-test
dengan post-test melalui uji paired simple t test.

2. Sementara pada penelitian menggunakan kelompok eksperimen dan kelompok

kontrol, uji N-Gain dapat digunakan ketika ada perbedaan yang signifikan antara
rata-rata nilai post-test kelompok eksperimen dengan nilai post-test kelompok
kontrol melalui uji independent simple t test (uji t).

2.1.4. Kelebihan dan kekurangan N-gain

Ada keuntungan ketika Normalized Gain digunakan sebagai alat analisis.

Menilik pada alasan yang diusulkan Hake, keuntungan tersebut adalah ukuran ini
sangat berbeda untuk setiap metode pembelajaran yang diterapkan namun
mengizinkan sebuah analisis konsisten untuk populasi siswa yang besar dan
keadaaan awal yang berbeda. Dengan kata lain, analisis ini dapat membandingkan

9
pembelajaran siswa satu dengan pembelajaran lain dari institusi yang berbeda
dengan latar belakang berbeda pula. Sebuah keuntungan yang dapat dikatakan luar
biasa, bagaimana tidak tanpa melihat kondisi awal sebuah perlakuan bisa bisa
dibandingkan.

Disisi yang lain, berbagai kritik tentunya bermunculan terhadap analisis

Normalized Gain. Karena analisis ini sangat populer di kalangan orang fisika,
beberapa peneliti dalam bidang lain seperti peneliti dibidang sosial tidak
mengenal sama sekali analisis ini. Kritikan yang pertama adalah sulit sekali untuk
tidak menghubungkan keadaan awal siswa terhadap perlakukan yang diberikan.
Beberapa penelitian justru menunjukkan adanya korelasi yang kuat antara keadaan
awal dengan perlakukan. Kedua, analisis ini tidak bertanggung jawab untuk laju
penurunan. Jika mendapatkan skor post-test yang kecil atau sama dengan pre-test,
apa makna effektivitas dalam kasus ini. Apakah ketika Normalized Gain nol,
pembelajaran tidak mempunyai efektivitas sama sekali seolah-olah sama dengan
tidak belajar. Atau ketika nilai analisis ini negatif menunjukan bahwa pada siswa
terjadi penurunan pengetahuan setelah pembelajaran dilakukan. Sebuah alternatif
untuk analisis ini tentunya datang dari analisis keilmuan sosial. Dalam ranah
sosial sering kali memunculkan analisis "effect size" yang menunjukkan seberapa
signifikan sebuah perbedaan terjadi akibat sebuah perlakukan. Analisis ini jauh
lebih awal keberadaannya dibandingkan dengan Normalized Gain yang
dikemukakan oleh Hake tahun 1999.

2.2. Uji Normalized Change

Marx dan Cummings (2007) mengembangkan prosedur baru yang disebut

Normalized Change atau N-Change dengan symbol cave, yang dihitung sama
dengan rumus N-Gain, namun bedanya ada beberapa kejadian dimana data yang
sudah diperoleh dapat di buang (drop). Menurut Marx and Cummings (2007), cave
lebih baik daripada g (g adalah Normalized Change), karena persamaan tersebut
membuat Gain lebih penting daripada losses, dan juga lebih akurat dalam melihat
sebaran data. Pada dasarnya Normalized Change identik dengan Average of Gain.
Normalized Change digunakan jika Anda akan menghilangkan skor siswa yang

10
memiliki skor 0 atau 100 pada pre-test maupun post-test. Selain itu Normalized
Change digunakan jika N-Gain bernilai negatif. Maka persamaan yang digunakan:

untuk katergori nilai c adalah sebagai berikut:

c (-) => Penurunan kemampuan

c (0) => Tidak mempunyai efektifitas atau tidak belajar

c (∞) => Terjadi manipulasi

Kelebihan dan Kekurangan Normalized Change

1)Digunakan untuk mememperbaiki rata-rata dari gain

2)Mengutamakan data cocok (matched)
3)Sulit digunakan pada sampel/populasi yang besar
4)Sulit digunakan pada analisis sosial.
5)Sulit digunakan untuk penelitian lanjutan pada meta analisis

2.3. Uji Effect size

2.3.1 Definisi Effect size

Effect size merupakan ukuran signifikansi praktis hasil penelitian yang

berupa ukuran besarnya korelasi/perbedaan/efek dari suatu variabel pada variabel
lain. Perlu dipahami bahwa effect size bukanlah uji signifikansi dan uji
signifikansi bukanlah effect size. Meskipun effect size dapat diturunkan dari hasil
uji signifikansi dan besarnya effect size mempengaruhi kemungkinan menemukan
hasil yang signifikan, keduanya perlu dibedakan. Ketika hasil uji signifikansi

11
hipotesis nol menyatakan ada suatu perbedaan signifikan secara statistik, hal ini
tidak berarti bahwa perbedaan itu besar, penting atau bermakna dalam membuat
keputusan. Untuk mengetahui suatu perbedaan tidak hanya bermakna secara
statistik tetapi juga penting/berarti, dibutuhkan perhitungan effect size.

Nilai P pada uji signifikansi dapat menginformasikan apakah ada efek atau
tidak, tetapi nilai P tidak akan mengungkapkan besarnya efek tersebut. Effect size
yang akan menginformasikan apakah perbedaan rata-rata antar kelompok besar
atau kecil. Hal ini diperjelas dengan pernyataan Snyder & Lawson (1993), bahwa
effect size memperkirakan besarnya efek ataupun hubungan antara dua atau lebih
variabel. Baik effect size maupun uji signifikansi akan sangat berguna bagi
informasi penelitian. Oleh karena itu, dalam pelaporan dan menafsirkan
penelitian, effect size dan uji signifikansi (nilai P) adalah hasil yang penting untuk
dilaporkan. Dengan kata lain, effect size menjadi pelengkap statistik inferensial
seperti nilai P pada uji signifikansi.
Konsep effect size telah terlihat dalam bahasa sehari-hari. Misalnya, suatu
program penurunan berat badan menyatakan bahwa program tersebut dapat
mengurangi berat badan rata-rata 25 pon. Pada kasus ini, 25 pon adalah indikator
tuntutan effect size. Contoh lainnya adalah suatu program bimbingan belajar yang
menyatakan dapat meningkatkan prestasi sekolah satu peringkat. Peningkatan
peringkat ini adalah tuntutan effect size. Kedua contoh ini merupakan “effect size
mutlak”, perbedaan antara hasil rata-rata dua kelompok tanpa memperhatikan
variabilitas/penyebaran dalam satu kelompok. Oleh karena ketiadaan variabilitas
ini, pendugaan effect size perlu dilakukan.
Seorang peneliti menyatakan bahwa penyembuhan kanker hipertiroid
stadium akhir dengan iodium radioaktif dikenal 30% lebih efektif daripada
metode lainnya. Indikator 30% tersebut merupakan tuntutan effect size. Suatu
lembaga survei menyatakan bahwa 60% penduduk Jakarta lebih memilih
menghabiskan waktu akhir pekannya di mall. Indikator 60% tersebut juga
merupakan tuntutan effect size. Kedua contoh ini merupakan penentuan effect size
dalam hal perbedaan proporsi populasi.
Pendugaan effect size sering dibutuhkan sebelum memulai penelitian,
misalnya untuk menghitung jumlah subjek penelitian yang mungkin diperlukan

12
agar menghindari kesalahan tipe II. Dengan kata lain, peneliti harus menentukan
apakah jumlah subjek penelitian akan cukup untuk memastikan bahwa
penelitiannya memiliki kekuatan yang dapat diterima dalam mendukung hipotesis
nol. Artinya, jika ada perbedaan yang ditemukan antara kelompok, maka ini
merupakan temuan yang benar.
2.3.2 Jenis Effect size
Effect size dihitung untuk menggambarkan data dalam sampel dan
berpotensi menduga parameter populasi yang sesuai. Jika parameter itu adalah
perbedaan rata-rata dua populasi, maka effect size ditentukan oleh seberapa besar
perbedaan rata-rata itu. Contohnya, effect size digunakan untuk mengetahui besar
kecilnya perbedaan rata-rata konsumsi bensin yang dikeluarkan oleh mesin jenis
A dan jenis B. Contoh lainnya, effect size digunakan untuk mengetahui besar
kecilnya perbedaan rata-rata kandungan senyawa ortho-fosfor pada lokasi 1 dan
lokasi 2.

Jika parameternya adalah perbedaan proporsi dua populasi maka effect

size ditentukan oleh seberapa besar perbedaan proporsi itu. Contohnya, effect size
digunakan untuk mengetahui besar kecilnya perbedaan proporsi pemilih kota dan
daerah sekitarnya yang menyetujui dibangunnya pabrik kimia. Contoh lainnya
adalah untuk mengetahui besar kecilnya perbedaan proporsi kejadian kanker
payudara di kota dan desa.

Jika parameternya adalah koefisien korelasi maka effect size ditentukan

oleh seberapa besar perbedaan itu. Contohnya, effect size digunakan untuk
mengetahui besar kecilnya korelasi/hubungan antara berat dan ukuran dada bayi
saat lahir. Jadi, apabila peneliti ingin menjelaskan tentang besarnya perbedaan
rata-rata, proporsi ataupun koefisien korelasi maka istilah yang tepat adalah effect
size dan bukan lagi tingkat signifikansi.

Menurut Ferguson (2009), effect size dapat dibagi menjadi empat kategori umum:

a. Indeks kelompok yang berbeda. Perkiraan ini biasanya mencatat besarnya

perbedaan antara dua atau lebih kelompok. Effect size yang umum digunakan
adalah Cohen’s 𝑑, Hedges’s 𝑔, Glass’s Δ.

13
b. Indeks kekuatan hubungan. Perkiraan ini biasanya memeriksa besarnya variansi
antara dua atau lebih variabel. Effect size yang umum digunakan adalah Pearson 𝑟,
𝑅, 𝑟 parsial, Spearman’s 𝜌, koefisien regresi yang distandarkan (β), 𝑟2, Kendall’s
tau, Eta-kuadrat (𝜂2).

c. Perkiraan yang dikoreksi. Effect size yang umum digunakan adalah adjusted 𝑅2,
Hay’s 𝜔2, 𝜀2.

d. Perkiraan risiko. Pengukuran ini membandingkan risiko relatif untuk hasil

tertentu antara dua atau lebih kelompok. Pengukuran ini lebih banyak digunakan
pada hasil penelitian medis. Effect size yang umum digunakan adalah relative risk
(RR) dan odds ratio (OR).
Dalam pembahasan ini, penulis berfokus pada tipe effect size yang pertama yaitu
Indeks Kelompok yang berbeda yaitu Cohen’s 𝑑, Hedges’s 𝑔, Glass’s Δ.

Cohen’s d

Jenis effect size yang paling banyak digunakan adalah effect size d atau yang
sering disebut dengan Cohen’s d. Cohen’s d adalah ukuran dari effect size yang
mendeskripsikan standar perbedaan rata-rata dari suatu efek. Adapun rumus
Cohens’ d adalah sebagai berikut :

 Jika ukuran sampelnya sama :

' M 1−M 2
Cohen s d=
SD Pooled
dimana

√
2 2
SD 1 + SD 2
SD Pooled =
2
 Jika ukuran sampelnya berbeda (Cohens’ d ds):
' M 1−M 2
Cohen s d ds=
SD Pooled
dimana

√
SD Pooled =
(n1 −1) SD 21 +(n2−1) SD 22
n1+ n2−2
 Jika ukuran sampelnya < 50:

14
 Cohen s ' d=
M 1−M 2
SD Pooled
x( n−3
n−2.25
x
n−2
n ) √
Cohen (1998) dan Lakens (2013) menggunakan subskrip untuk membedakan tipe-
tipe atau jenis-jenis dari Cohen’s d. Contohnya tipe Cohen’s ds dimana tanda s
menunjukan bahwa sampelnya adalah diantara dua grup yang independent. Dalam
menggunakan Cohen’s ds, peneliti direkomendasikan untuk menggunakan koreksi
Bessel untuk mengurangi bisa pada estimasi varians populasi seperti halnya bias
estimasi standar deviasi populasi. Dalam koreksi Bessel digunakan n-1 yang
merupakan koreksi untuk perbedaan antara sampel dan populasi. Kriteria
pengkategorian nilai Cohens’d effect size (J Cohen, 1988) adalah sebagai berikut :

Menurut Cohen’s, kriteria effect size yang semakin besar berarti perbedaanya
dapat dilihat dengan kasat mata.
Koreksi Hedges
Karena Cohen’s ds didasarkan pada rata-rata sampel, hal ini menimbulkan bias
pada populasi effect size khususnya ketika menggunakan ukuran jumlah sampel
yang kecil seperti dibawah 20 (Hedges and Olkin, 1985). Hal ini menyebabkan
Cohen’s ds sering disebut effect size tak terkoreksi. Untuk alasan itu,
diperkenalkan Koreksi Hedges. Adapun persamaannya adalah :

(
gs =d s 1−
3
4 ( n 1+ n2 )−9 )
Glass’s Δ
Glass’s Δ awalnya dikembangkan untuk konteks riset eksperimental tapi
kemudian berlanjut digeneralisasi untuk studi non-eksperimental dan
menggunakan standar deviasi grup kontrol sebagai standarisasi. Persamaan yang
digunakan adalah sebagai berikut :

15
 M 1−M 2
∆ s=
SD control
2.4. Contoh Kasus Menghitung N-Gain Score di SPSS pada Penelitian

Sebagain contoh kita menggunakan uji N-gain skor untuk mengetahui

efektivitas penggunaan metode cooperative learning terhadap hasil belajar dalam
mata pelajaran Fisika materi Dinamika Rotasi pada siswa kelas 11 SMA-IT
Nurhidayah Surakarta Tahun Pelajaran 2019. Adapun data nilai pre-test dan post-
test pada kelas eksperimen dan kelas kontrol, dapat kita lihat pada tabel berikut
ini.

 Keterangan: Jumlah sampel untuk kelas eksperimen sebanyak 11 orang

siswa, sementara kelas kontrol sebanyak 8 orang siswa. Kelas eksperimen
menggunakan metode cooperative learning, sedangkan kelas kontrol
menggunakan metode konvensional learning. Skor Ideal bernilai 100.

a) Sebelum kita membuka program SPSS, maka terlebih dahulu kita perlu
membuat pengelompokan data untuk kelas eksperimen dan kelas kontrol. Hal ini
bertujuan untuk mempermudah proses input data di SPSS nantinya. Adapun
pengelompokan data untuk kelas eksperimen dan kelas kontrol dapat kita lihat
pada gambar tabel di bawah ini.

16
- Keterangan: data kelas eksperimen kategori kelompok 1, sementara data kelas
kontrol kategori kelompok 2.

b) Selanjutnya, buka program SPSS lalu klik Variable View. Untuk mengisi
properti variabel penelitian dilakukan dengan mengikuti petunjuk gambar di
bawah ini.

c) Catatan: untuk mengisi kolom "Values" pada variabel Kelompok dilakukan

dengan cara mengklik kolom Values pada variabel tersebut, maka akan muncul
dialog “Value Labels”. Selanjutnya, pada kotak Value ketikkan 1 dan kotak Label
ketikan Eksperimen, lalu klik Add. Tampak di layar.

17
 Kemudian isi kembali kotak Value dengan angka 2 dan isi Label dengan
Kontrol, lalu klik Add dan Ok. Tampak di layar.

d) Jika proses mengisi properti variabel ini sudah dilakukan secara benar,
maka hasilnya akan terlihat sebagaimana gambar berikut.

e) Langkah berikutnya, klik Data View, lalu masukkan angka kategorisasi

kelas ke kolom variabel “Kelompok”, nilai pretest ke kolom variabel “Pre”
dan nilai post-test ke kolom variabel “Post”. Pengisian dimulai dari data kelas
eksperimen kemudian di ikuti (dibawahnya) data kelas kontrol. Tampak di
layar.

18
f) Selanjutnya kita akan menghitung selisih nilai pre-test dan pada kelas
eksperimen dan kelas kontrol. Caranya dari menu SPSS klik Transform lalu
klik Compute Variable…

19
g) Maka muncul kotak dialog dengan nama “Compute Variable” selanjutnya
pada kotak Target Variable ketikan “Post_Kurang_Pre” pada kotak Numeric
Expression ketikkan “Post-Pre” lalu klik Ok. Penulisan tanpa tanda petik (“).
Tampak di layar.

h) Maka pada tampilan Data View akan muncul variabel baru dengan nama
Post_Kurang_Pre

20
i) Langkah berikutnya klik kembali menu Transform – Compute Variable…
Selanjutnya hapus tulisan yang ada pada kotak Target Variable lalu ketikan
“Seratus_Kurang_Pre” setelah itu hapus tulisan yang ada di kotak Numeric
Expression lalu ketikan “100-Pre” kemudian klik Ok. Penulisan tanpa tanda
petik (“). Tampak di layar.

21
j) Maka pada tampilan Data View akan muncul variabel baru dengan nama
Seratus_Kurang_Pre

22
k) Klik menu Transform – Compute Variable… Hapus tulisan yang ada pada
kotak Target Variable lalu ketikan “NGain_Score” selanjutnya hapus tulisan
yang ada di kotak Numeric Expression lalu ketikan “Post_Kurang_Pre
/Seratus_Kurang_Pre” kemudian klik Ok. Penulisan tanpa tanda petik (“).
Tampak di layer.

l) Maka pada tampilan Data View akan muncul variabel baru dengan nama N
Gain Score.

23
  Catatan: nilai di atas adalah N-Gain_Score yang dapat langsung kita
maknai (interpretasikan) sesuai dengan ketentuan pada pembagian
kategori perolehan nilai N-Gain skor. Namun pada kesempatan ini
saya ingin menghitung N-gain score dalam bentuk persen (%).

m). Caranya klik menu Transform – Compute Variable… Hapus tulisan yang ada
pada kotak Target Variable lalu ketikan “NGain_Persen” selanjutnya hapus
tulisan yang ada di kotak Numeric Expression lalu ketikan “NGain_Score*100”
kemudian klik Ok. Penulisan tanpa tanda petik (“). Tampak di layar.

24
n) Maka pada tampilan Data View akan muncul variabel baru dengan nama
NGain_Persen sebagai berikut.

 Catatan: nilai yang ada pada variabel NGain_Persen di atas merupakan

nilai N-gain score dalam bentuk persen (%) untuk masing-masing
responden pada kelas eksperimen dan kelas kontrol.

25
o) Berikutnya kita akan menghitung rata-rata nilai N-gain score dalam bentuk
persen (%) tersebut. Caranya klik Analyze – Descriptive Statistics – Explore…

p) Muncul kotak dialog “Explore”, selanjutnya masukkan variabel NGain_Persen

ke kolom Dependent List, kemudian masukkan variabel Kelas [Kelompok] ke
kolom Factor List

q). Langkah terakhir klik Ok. Maka akan muncul output SPSS dengan judul
“Explore”. Dalam hal ini kita cukup memperhatikan tabel output “Descriptive”.
Tampak dilayar.

26
r). Interpretasi N-Gain Score Kelas Eksperimen dan Kontrol dengan SPSS

Mengacu dari nilai N-gain dalam bentuk persen (%) dan tabel output Descriptive
di atas maka kita dapat membuat sebuah tabel hasil perhitungan uji N-gain score
sebagai berikut.

Berdasarkan hasil perhitungan uji N-gain score di atas, menunjukkan bahwa nilai
ratarata N-gain score untuk kelas eksperimen (metode cooperative learning)
adalah sebesar 43,5950 atau 43,6% termasuk dalam kategori kurang efektif.

27
Dengan nilai N-gain score minimal 20% dan maksimal 71,43%. Sementara untuk
rata-rata N-gain score untuk kelas kontrol (metode konvensional learning) adalah
sebesar 26,5645 atau 26,6% termasuk dalam kategori tidak efektif. Dengan nilai
N-gain score minimal 6,25% dan maksimal 47,73%. Dengan demikian, maka
dapat disimpulkan bahwa penggunaan metode cooperative learning kurang efektif
untuk meningkatkan hasil belajar dalam mata pelajaran Fisika materi Dinamika
rotasi pada siswa kelas 11 SMA-IT Nurhidayah Surakarta Tahun Pelajaran 2019.

2.5. Contoh perhitungan Effect Size dengan SPSS

Pak budi ingin menentukan apakah model pembelajaran PjBL dan PBL efektif
dalam meningkatkan prestasi siswa Kelas X dalam mata pelajaran Fisika Materi
Medan Magnet disalah satu SMA di Kota Bandung. Adapun datanya sebagai
berikut :

28
Untuk menjawab pertanyaan ini, berikut akan dilakukan uji effect size dengan
menggunakan SPSS dan Microsoft Excel. Dalam hal ini langkah-langkah yang
dilakukan hanya hasilnya saja mengingat Teknik input data dalam SPSS sudah
dipelajari sebelumnya. Berikut hasil dari langkah-langkah yang telah dilakukan :

1. Uji Normalitas

Dari hasil uji normalitas yang sudah dilakukan terlihat bahwa Kelas_PjBL dan
Kelas_Kontrol memilki nilai signifikansi yang kurang dari 0.05 yang berarti data
tidak terdistribusi normal. Akibat dari itu, hal selanjutnya adalah menggunakan uji
non-parametrik Kruskal-Walis.

2. Uji Non-Parametrik Kruskal-Walis

29
Dari hasil yang didapat terlihat bahwa nilai Asymp. Sig adalah 0.000 dan lebih
kecil dari 0.05 yang berarti terdapat perbedaan yang signifikan antara masing-
masing data. Untuk melihat hubungan perbedaan antara masing-masing kelompok
perlakuan terhadap kelompok lainnya, maka digunakan Pairwise Comparison
dengan hasil sebagai berikut :

Dari hasil diatas, dapat dilihat bahwa antara perlakuan satu dengan perlakuan
lainnya masing-masing mempunyai hubungan yang signifikan. Untuk melihat
seberapa besar efeknya, maka digunakan perhitungan effect size Cohen’s d dengan
persamaan berikut :

Dari hasil perhitungan menggunakn Miscrosoft Excell didapat hasil sebagai

berikut :

30
Dapat dilihat bahwa antara Kelas PjBL dan Kelas Kontrol memiliki nilai efek
sebesar 1.09 dengan kategori Large (Besar). Adapun antara Kelas PBL dan Kelas
Kontrol memiliki besar efek sekitar 0.6 yang berarti moderate. Hal ini
membuktikan bahwa ada pengaruh yang signifikan dalam perlakuan model PjBL
dan PBL. Hal yang menarik adalah bahwa PjBL lebih baik dibandingkan dengan
PBL dengan besar efek sekitar 0,4 (meskipun termasuk kategori small)

31
 BAB III
PENUTUP

3.1. Kesimpulan

Normalized Gain yang ditemukan oleh Hake bertujuan untuk mengetahui

efektivitas penggunaan suatu metode atau perlakuan (treatment) tertentu dalam
penelitian one group pretest posttest design (eksperimen design atau pre-
experimental design) maupun penelitian yang menggunakan kelompok kontrol
(quasi eksperiment atau two eksperiment). Peneliti lain mengembangkan prosedur
baru yang disebut Normalized Change atau N-Change dengan simbol c, yang
dihitung sama dengan rumus N-Gain, namun beda nya ada beberapa kejadian
dimana data yang sudah diperoleh dapat di buang (drop). Adapaun metode effect
size digunakan untuk mengetahui besar keefektifan dari model pembelajaran,
langkah untuk mengukur seberapa besar skala keefektifan metode/model
pembelajaran yang telah kita uji dan diterapkan kepada siswa, dan menunjukkan
perbedaan terstandar antara skor dari kelompok kontrol dan eksperimen.

3.2. Saran

Dalam penulisan makalah ini kami menyadari bahwa masih banyak

kekeliruan dan kesalahan dalam hal penulisan dan penyusunannya. Oleh karena
itu, kami mengaharap saran dan masukan untuk perbaikan selanjutnya. Semoga
makalah ini bermanfaat bagi pembaca dan dapat menambah pustka keilmuan
untuk semua pembacanya.

32
 DAFTAR PUSTAKA

Bao, L. (2006). Theoretical comparisons of average normalized gain calculations.

American Journal of Physics, 74(10), 917-922.
Ferguson, C. J. (2009). An Effect Size Primer: A Guide for Clinicians and
Researchers. Professional Psychology, 40(5): 532-538.
Marx, J. D., & Cummings, K. (2007). Normalized change. American Journal of
Physics, 75(1), 87-91.
Hake, R. R. (1998). Interactive-engagement versus traditional methods: A six-
thousand-student survey of mechanics test data for introductory physics
courses. American journal of Physics, 66(1), 64-74.
Snyder, P. dan Lawson, S. (1993). Evaluating results using corrected and
uncorrected effect size estimates. Journal of Experimental Education, 61:
334-349.
Sundayana, Rostina. 2015. Statistika Penelitian Pendidikan. Bandung: Alfabeta.

33