DAFTAR TUGAS 1 SAMPAI 3

Disusun untuk Memenuhi Tugas Mata Kuliah Statistika Terapan Pendidikan

Dosen Pengampu:

Dr. Rosidah, M.Si

Dr. Ahmad Zaki, S.Si, M.Si

Oleh:

Muhammad Syukur (220101502024)

KELAS A13
PROGRAM STUDI PENDIDIKAN MATEMATIKA
JURUSAN MATEMATIKA
UNIVERSITAS NEGERI MAKASSAR
TAHUN 2023-2024
Tugas 1 Resume Materi kelompok 4 sampai 9

KELOMPOK 4
UJI PERBANDINGAN INDEPENDENT SAMPLE T-TEST DAN
NORMALISASI N-GAIN

Independent sample t-test merupakan uji parametrik yang digunakan untuk

mengetahui adakah perbedaan mean antara dua kelompok bebas atau dua kelompok
yang tidak berpasangan dengan maksud bahwa kedua kelompok data berasal subjek
yang berbeda.

Kelebihan :

• Bisa menguji perbedaan pada dua kelompok yang berbeda;

• Digunakan untuk menguji hipotesa komparatif/ pada sampel yang

jumlahnya banyak.

Kekurangan :

• Tidak bisa menguji kelompok yang sama dan pada sampel pada jumlah
sedikit;

• Proses penghitungan manual lebih Panjang.

Asumsi-asumsi :

• Skala data interval / rasio;

• Kelompok data saling bebas atau tidak berpasangan;
• Data per kelompok berdistribusi normal;
• Data per kelompok tidak terdapat outlier;
• Varians antar kelompok sama atau homogen.
 KELOMPOK 5
ANALISIS VARIANSI (ANOVA)

Analisis Variansi (ANOVA) adalah suatu teknik statistik yang digunakan untuk
membandingkan rata-rata dari tiga kelompok atau lebih dalam suatu eksperimen.
Berikut adalah tujuan dan asumsi utama dari ANOVA:

Tujuan ANOVA adalah:

• Tujuan utama dari ANOVA adalah untuk menentukan apakah terdapat

perbedaan yang signifikan di antara rata-rata kelompok-kelompok yang
berbeda. Dengan kata lain, ANOVA digunakan untuk mengevaluasi apakah
setidaknya satu kelompok memiliki rata-rata yang berbeda dari yang lain.
• ANOVA dapat digunakan dalam berbagai konteks, seperti eksperimen
ilmiah, analisis data bisnis, atau dalam riset sosial, untuk menilai dampak
dari beberapa faktor atau perlakuan terhadap variabel respons.

Asumsi-asumsi utama dalam ANOVA adalah:

• Asumsi Normalitas: Data dalam setiap kelompok harus mendekati distribusi

normal. Ini berarti bahwa distribusi data dalam setiap kelompok seharusnya
mirip dengan distribusi normal, meskipun ANOVA adalah cukup kuat untuk
menangani pelanggaran yang relatif kecil terhadap asumsi ini.
• Asumsi Homogenitas Varians: Varians (ragam) dari setiap kelompok harus
relatif homogen, artinya varians antar kelompok seharusnya sekitar sama.
Ini disebut asumsi homoskedastisitas.
• Independensi Data: Data dalam setiap kelompok harus independen, artinya
nilai dalam satu kelompok tidak terkait atau memengaruhi nilai di kelompok
lain.
• Data Interval atau Rasio: ANOVA membutuhkan data yang bersifat interval
atau rasio. Data kategori atau ordinal mungkin memerlukan transformasi
sebelum digunakan dalam ANOVA.
 KELOMPOK 6
ANALISIS KORELASI

Analisis korelasi adalah teknik statistik yang digunakan untuk mengukur hubungan
antara dua atau lebih variabel. Tujuannya adalah untuk memahami apakah ada
hubungan statistik yang signifikan antara variabel-variabel tersebut. Berikut adalah
tujuan dan asumsi utama analisis korelasi:

Tujuan Analisis Korelasi adalah:

• Tujuan utama analisis korelasi adalah untuk mengukur sejauh mana dua atau
lebih variabel terkait atau berkorelasi satu sama lain. Dengan kata lain,
apakah perubahan dalam satu variabel berkaitan dengan perubahan dalam
variabel lain.
• Analisis korelasi dapat membantu dalam mengidentifikasi pola-pola
hubungan antara variabel-variabel tersebut. Ini bisa digunakan untuk
menjelaskan atau memprediksi perilaku variabel terkait.

Asumsi-asumsi utama dalam analisis korelasi adalah:

• Asumsi Linieritas: Analisis korelasi diasumsikan bahwa hubungan antara

variabel-variabel tersebut adalah linier, yang berarti perubahan dalam satu
variabel akan menghasilkan perubahan yang konstan dalam variabel lain.
Analisis ini mungkin tidak cocok jika hubungannya bukan linier.
• Asumsi Kebebasan Data: Data yang digunakan dalam analisis korelasi harus
independen. Ini berarti bahwa nilai dalam satu observasi tidak dipengaruhi
oleh nilai observasi lain. Data yang terkait atau tergantung dapat
menghasilkan hasil yang bias.
• Asumsi Distribusi Normalitas: Data dalam variabel yang akan dianalisis
harus mendekati distribusi normal. Asumsi ini adalah penting dalam
penggunaan beberapa metrik korelasi.
• Asumsi Variabilitas: Variabilitas dalam setiap variabel harus cukup untuk
memungkinkan analisis korelasi yang bermakna. Variabel dengan sedikit
variasi mungkin tidak cocok untuk analisis korelasi.
 KELOMPOK 7
ANALISIS REGRESI LINEAR SEDERHANA

Analisis regresi linear sederhana adalah teknik statistik yang digunakan untuk
memahami dan memodelkan hubungan antara dua variabel, yaitu variabel
independen (penjelas) dan variabel dependen. Analisis regresi linear sederhana
untuk mengetahui pengaruh satu variable bebas terhadap variable terikat/dependen.

Tujuan Analisis Regresi Linear Sederhana:

• Tujuan utama dari analisis regresi linear sederhana adalah untuk

memodelkan hubungan linier antara dua variabel. Dengan kata lain, tujuan
adalah memahami bagaimana variabel independen memengaruhi atau
menjelaskan variasi dalam variabel dependen.
• Analisis regresi linear sederhana digunakan untuk melakukan prediksi atau
estimasi nilai variabel dependen berdasarkan nilai variabel independen. Ini
dapat digunakan untuk membuat prediksi atau menjelaskan hubungan
antara variabel-variabel tersebut.

Asumsi-asumsi utama dalam analisis regresi linear sederhana:

• Asumsi Hubungan Linier: Analisis regresi linear sederhana mengasumsikan

bahwa hubungan antara variabel independen dan variabel dependen adalah
linier, yang berarti bahwa perubahan dalam variabel independen akan
menghasilkan perubahan yang konstan dalam variabel dependen.
• Asumsi Kebebasan Residual (Error): Asumsi ini menyatakan bahwa
kesalahan (residuals) dalam model regresi harus memiliki distribusi normal
dengan mean nol. Hal ini menjamin bahwa tidak ada pola yang tersisa dalam
residual setelah model dibangun.
• Asumsi Variabilitas Konstan (Homoskedastisitas): Asumsi ini
mengasumsikan bahwa variabilitas kesalahan (residuals) harus konstan,
artinya variasi residual sekitar sama di semua tingkat nilai variabel
independen.
 • Asumsi Kebebasan Residual: Data dalam analisis regresi harus independen
satu sama lain. Artinya, nilai dalam satu observasi tidak bergantung pada
nilai observasi lainnya.
• Asumsi Variabel Independen Tidak Terkait (Multikolinearitas): Asumsi ini
menyatakan bahwa variabel independen tidak boleh sangat berkorelasi satu
sama lain, karena multikolinearitas dapat membuat interpretasi model
menjadi sulit.

KELOMPOK 8
ANALISIS REGRESI LINEAR BERGANDA

Analisis regresi linear berganda adalah teknik statistik yang digunakan untuk
memahami hubungan antara satu variabel dependen dan dua atau lebih variabel
independen. Tujuannya adalah untuk memodelkan hubungan linier antara variabel-
variabel ini dan memprediksi atau menjelaskan variasi dalam variabel dependen.
Berikut adalah tujuan dan asumsi utama analisis regresi linear berganda:

Tujuan Analisis Regresi Linear Berganda:

• regresi linear berganda adalah untuk memodelkan hubungan antara variabel

dependen dan dua atau lebih variabel independen. Hal ini membantu dalam
memahami bagaimana variabel independen berkontribusi terhadap variasi
dalam variabel dependen.
• Analisis regresi linear berganda dapat digunakan untuk melakukan prediksi
atau estimasi nilai variabel dependen berdasarkan nilai variabel independen
yang ada. Ini juga digunakan untuk menguji hipotesis tentang pengaruh
variabel independen terhadap variabel dependen.

Asumsi-asumsi utama dalam analisis regresi linear berganda:

• Asumsi Hubungan Linier: Analisis regresi linear berganda mengasumsikan

bahwa hubungan antara variabel independen dan variabel dependen adalah
linier, yang berarti perubahan dalam variabel independen akan
menghasilkan perubahan yang konstan dalam variabel dependen.
 • Asumsi Kebebasan Residual (Error): Asumsi ini menyatakan bahwa
kesalahan (residuals) dalam model regresi harus memiliki distribusi normal
dengan mean nol. Hal ini memastikan bahwa tidak ada pola tersisa dalam
residual setelah model dibangun.
• Asumsi Variabilitas Konstan (Homoskedastisitas): Asumsi ini
mengasumsikan bahwa variabilitas kesalahan (residuals) harus konstan,
artinya variasi residual sekitar sama di semua tingkat nilai variabel
independen.
• Asumsi Kebebasan Residual: Data dalam analisis regresi harus independen
satu sama lain. Ini berarti bahwa nilai dalam satu observasi tidak bergantung
pada nilai observasi lainnya.
• Asumsi Variabel Independen Tidak Terkait (Multikolinearitas): Asumsi ini
menyatakan bahwa variabel independen tidak boleh sangat berkorelasi satu
sama lain, karena multikolinearitas dapat membuat interpretasi model
menjadi sulit.

KELOMPOK 9
ANALISIS JALUR

Analisis jalur merupakan perluasan dari model regresi. Analisis jalur dikembangkan
sebagai metode untuk mempelajari pengaruh (efek) secara langsung dan secara
tidak langsung dari variable bebas terhadap variable tergantung. Analisis ini
merupakan metode untuk menerangkan dan mencari hubungan kausal antar
variable. Analisis jalur adalah sebuah metode untuk mempelajari pengaruh
langsung (direct effect) dan pengaruh tidak langsung (indirect effect) suatu peubah
terhadap peubah lainnya. Dalam Analisis Jalur dikenal istilah variabel eksogen dan
variabel endogen. Variabel eksogen atau variabel yang “memengaruhi” adalah
variabel yang variasinya diasumsikan terjadi bukan karena sebab sebab dalam
model. Sedangkan variabel endogen atau variabel yang “dipengaruhi” adalah
variabel yang variasinya terjelaskan oleh variabel eksogen ataupun variabel
endogen lain dalam model.
Tujuan Analisis Jalur adalah :

• Melihat hubungan antar variable;

• Menerangkan mengapa variabel-variabel berkorelasi dengan

menggunakan suatu model yang berurutan secara temporer;

• Menggambar dan menguji suatu model matematis dengan menggunakan

persamaan yang mendasarinya;

• Mengidentifikasi jalur penyebab suatu variabel tertentu terhadap variabel

lain yang dipengaruhinya;

• Menghitung besarnya pengaruh satu variabel independen exogenous atau

lebih terhadap variabel dependen endogenous lainnya.

Asumsi-Asumsi Analisis Jalur

• Hubungan antarpeubah dalam model bersifat linear, aditif, dan kausal.

• Ada urutan waktu antarpeubah.

• Ada kovariansi atau korelasi diantara peubah peubah.

• Peubah peubah sisaan (residual) dalam model tidak saling berkorelasi, dan
tidak berkorelasi dengan peubah peubah yang mendahuluinya.

• Penyebab penyebab lain dapat dikontrol.

• Variabel analisis jalur terukur dengan skala interval

• Hanya ada hubungan kausal satu arah dalam model dan tidak boleh adanya
hubungan dua arah
Tugas 2 Mencari dan menguji data terkait dengan uji independent
sampel T test!

Contoh soal :

Diketahui nilai rata-rata Ujian Akhir Semester (UAS) mahasiswa jurusan

Matematika UNM dari dua kelas yang berbeda seperti tabel dibawah ini. Apakah
ada perbedaan nilai mean antara kedua kelas tersebut dengan menggunakan taraf
signifikansi 5%?

Tabel Nilai Rata-Rata Uas

Mahasiswa A11 (X1) A12 (X2)

1 52 64

2 68 68

3 65 76

4 83 83

5 80 58

6 59 84

7 60 73

8 78 82

9 81 67

10 74 68

∑ 700 723
Penyelesaian :

Langkah-Langkah Secara Perhitungan Manual

1. Membuat hipotesis penelitian

H0 = tidak ada perbedaan nilai mean antara kedua kelas.

H1 = terdapat perbedaan nilai mean antara kedua kelas.

2. Membuat hipotesis statistic

H0 = 𝜇1 = 𝜇2

H1 = 𝜇1 ≠ 𝜇2

3. Menentukan taraf signifikasi

Taraf sugnifikansi yang digunakan yaitu 5% atau 0.05

4. Kaidah pengujian

Jika Fhitung < Ftabel, maka H0 diterima

Jika Fhitung > Ftabel, maka H1 diterima

5. Menentukan Fhitung dan Ftabel

Tabel Penolong

Mahasiswa A11 (X1) A12 (X2) (X1 – Ẋ1)2 (X2 – Ẋ2)2

1 52 64 324 64

2 68 68 4 16

3 65 76 25 16

4 83 81 169 81

5 80 58 100 196

6 59 84 121 144
 7 60 72 100 0

8 78 82 64 100

9 81 67 121 25

10 74 68 16 16

∑ 700 720 1044 658

n1,2 = 10, Ẋ1 = 70 Ẋ2 = 72 - -

1 Menghitung nilai varians (S2)

∑(𝑋₁−Ẋ₁)² 1044
• S12 = = = 116
𝑛₁−1 9

∑(𝑋₂−Ẋ₂)² 658
• S22 = = = 73.1
𝑛₂−1 9

2 Menghitung nilai hitung

Ẋ₁−Ẋ₂
Thitung =
(𝑛₁−1)𝑆 ₁2 +(𝑛₂−1)𝑆₂² 1 1
√ ( + )
𝑛₁+𝑛₂−2 𝑛₁ 𝑛₂

70−72
Thitung =
(10−1)116+(10−1)73.1 1 1
√ 10+10−2 ( + )
10 10

−2
Thitung = = −0.105
18.91

3 Menentukan nilai Ttabel (two tails)

0.05
Ttabel = = 0.025
2

db = n – 2 = 20 – 2 =18

Sehingga Ttabel(0,025, 18) = 2.101

4 Menarik kesimpulan :

Thitung = −0.105

Ttabel = 2.101
 Thitung < Ttabel maka H0 diterima sehingga tidak ada perbedaan rata-rata nilai
ujian antara kedua kelas tersebut.

Langkah-Langkah Dengan Uji Independent Sampel T Test Dengan SPSS

1 Buka aplikasi SPSS di laptop Anda. Tampilannya seperti gambah dibawah.

2 Tekan “Variable View.” Masukkan kelas dan nilai pada kolom “Name” dan
pada kolom label untuk “kelas” masukkan jenis kelas sementara “nilai”
masukkan nilai ulangan
3 Pada kolom “values” masukkan dua jenis kelas yakni kelas A11 dan A12.
Lalu tekan ok.

4 Tekan “Data View” untuk memasukkan data yang akan diuji independent
sampel t-test. Apabila datanya sudah dimasukkan maka tampilannya seperti
dibawah.
5 Tekan “Analyze”, pilih “Compare Mean” dan “Independent Sampel T
Test”
6 Akan muncul jendela seperti dibawah ini. Pada kolom “Test Variable”
masukkan nilai ulangan sedangkan pada “Grouping Variable” masukkan
kelas.

7 Klik “Define Groups” untuk memastikan pengelompokan data sudah

benar. Lalu tekan “Continue”

8 Klik “options” lalu akan tampil jendela seperti dibawah. Pada “Confidence
Interval Percentage” pastikan bernilai 95% lalu tekan “Exclude Cases
Analysis By Analysis.” Tekan “Continue” dan ok.
9 Maka muncul output seperti dibawah.

10 Menarik kesimpulan
• Pada kolom “Group Statistic” terlihat rata-rata nilai A11 adalah 70
sedangkan A12 adalah 72.
• Pada kolom independent sampels test lihat kolom sig (2-tailed)
Nilai sig. (2-tailed) 0.651 > 0.05 maka H0 diterima sehingga tidak
terdapat perbedaan nilai rata-rata kedua kelas.
Tugas 3 Mencari Dan Menganalisis Data Sesuai Keinginan (Analisis Varians)
Contoh soal:

Sebuah peneliti ingin mengetahui pengaruh kebisingan terhadap nilai yang

diperoleh oleh setiap siswa yang dikelompokkan kedalam jenis kelamin yang
berbeda. Data-datanya seperti dibawah ini:

students Low noise Medium Loud noise

noise
Male students 10 7 4
12 9 5
11 8 6
9 12 5
Female 12 13 6
students 13 15 6
10 12 4
13 12 4

Pertanyaan :

1. Apakah kebisingan berpengaruh pada nilai yang diperoleh siswa?

2. Apakah jenis kelamin berpengaruh pada nilai yang diperoleh siswa?
3. Apakah jenis kelamin mempengaruhi reaksi siswa terhadap kebisingan?

Penyelesaian :

1 Diasumsikan bahwa data dipilih secara acak, berdistribusi normal, dan

variannya.
2 Membuat hipotesis penelitian H0 dan H1
Perlakuan 1 untuk jenis kelamin
▪ H0: tidak ada pengaruh antara jenis kelamin pada nilai yang diperoleh
siswa
▪ H1 : terdapat pengaruh antara jenis kelamin pada nilai yang diperoleh
siswa
 Perlakuan 2 untuk kebisingan
▪ H0: tidak ada pengaruh antara kebisingan pada nilai yang diperoleh
siswa
▪ H1: terdapat pengaruh antara jenis kelamin pada nilai yang diperoleh
siswa
Perlakuan 3 interaksi antara jenis kelamin dan kebisingan
▪ H0: tidak ada pengaruh antara jenis kelamin dengan kebisingan
▪ H1: terdapat pengaruh antara jenis kelamin dengan kebisingan
3 Membuat hipotesis statistik
Perlakuan 1
▪ H0: 𝜇1 = 𝜇2
▪ H1: 𝜇1 ≠ 𝜇2
Perlakuan 2
▪ H0: 𝜇₁ = 𝜇₂
▪ H1: 𝜇₁ ≠ 𝜇2
Perlakuan 3
▪ H0: 𝜇₁ = 𝜇₂
▪ H1: 𝜇₁ ≠ 𝜇2
4 Membuat taraf signifikan
Taraf signifikansi 𝛼 = 5% atau 0.05
5 Kaidah pengujian
Perlakuan 1
▪ Jika Fhitung > Ftabel, maka H0 ditolak
▪ Jika Fhitung < Ftabel, maka H0 diterima
Perlakuan 2
▪ Jika Fhitung > Ftabel, maka H0 ditolak
▪ Jika Fhitung < Ftabel, maka H0 diterima
Perlakuan 3
▪ Jika Fhitung > Ftabel, maka H0 ditolak
▪ Jika Fhitung < Ftabel, maka H0 diterima
6 Menghitung F hitung dan F table
 Table penolong

students Low (X1)2 Medium (X2)2 Loud (X3)2 Row

noise(X1) noise(X2) noise(X3) total
Male 10 100 7 49 4 16 98
students 12 144 9 81 5 25
11 121 8 64 6 36
9 81 12 144 5 25
Female 12 144 13 169 6 36 120
students 13 169 15 225 6 36
10 100 12 144 4 16
13 169 12 144 4 16
Column 90 1028 88 1020 40 206
total

• Jumlah kuadrat Total

(218)(218)
SST = 2254 − = 2254 − 1980 = 274
24

• Jumlah kuadrat Baris

(98)2+(120)2
SSB= − 1980 = 20
12

• Jumlah kuadrat Kolom

(90)2+(88)2+(40)²
SSK = − 1980 = 200
8

• Jumlah kuadrat interaksi Baris Kolom

(42)2+(48)2+(36)2+(52)2+(20)2+(20)²
SSBK = – 1980 – 20 – 200 = 16.33
6

• Jumlah kuadrat Gabungan

SSG = SST – SSB – SSK = 274 – 20 - 200 – 16.33 = 37
• Mencari nilai derajat kebebasan
SSB = baris – 1 = 2 – 1 = 1
SSK = kolom – 1 = 3– 1 = 2
SSBK = (baris – 1) (kolom – 1) = 1 × 2 = 2
SSE = Baris × kolom × (n – 1) = 18
 SST = (N – 1) = 24 – 1 = 23
• Rata-rata kuadrat

MSB = 𝑆𝑆𝐵 = 20 = 20
𝐵−1 1

MSK = 𝑆𝑆𝐾 = 200 = 100

𝐾−1 2

MSG = 𝑆𝑆𝐺 = 37 = 2.06

𝑏𝑎𝑟𝑖𝑠 ×𝑘𝑜𝑙𝑜𝑚 × (𝑛−1) 18

MSBK = 𝑆𝑆𝐵𝐾 = 16.33 = 8.165

(𝐵−1)(𝐾−1) 2

• Menghitung nilai F hitung

F hitung Baris = 𝑀𝑆𝐵 = 20 = 9.81

𝑀𝑆𝐺 2.06

F hitung Kolom = 𝑀𝑆𝐾 = 100 = 48.73

𝑀𝑆𝐺 2.06

F hitung BK = 𝑀𝑆𝐵𝐾 = 8.165 = 3.97

𝑀𝑆𝐺 2.06

• Menghitung nilai F table

F tabel Baris = F(2,18) = 3.55
F tabel Kolom = F(1,18) = 4.41
F tabel BK = F(2,18) = 3.55
Table hasil statistik

Service of Sum Degree of Mean Fhitung

variation square freedom square

Gender 20 1 20 9.81

Noise 200 2 100 48.73

Interaksi 16.33 2 8.165 3.97

Error 37 18 2.06
 Total 59.25 23

7. Kesimpulan :
Perlakuan 1 for gender
F hitung = 9.81
Ftabel = 3.55
F hitung > F table maka H0 ditolak sehingga jenis kelamin berpengaruh
signifikan terhadap nilai yang diperoleh
Perlakuan 2 for noise
F hitung = 48.73
F tabel = 4.41
F hitung > F table maka H0 ditolak sehingga kebisingan berpengaruh
signifikan tehadap niliai yang diperoleh
Perlakuan 3 for interaction between noise and gender
F hitung = 3.97 > Ftabel = 3.55 maka H0 ditolak sehingga jenis kelamin
yang berbeda berperilaku berbeda terhadap kebisingan.
Langkah-Langkah Analisis ANOVA Dengan SPSS

1. Buka aplikasi SPSS dilaptop anda

2. Setelah terbuka, tekan “Variable View” dan masukkan nama variabel pada
kolom “name” seperti : jenis kelamin dan kebisingan. Pada kolom “label”
masukkan : jenis kelamin pada baris “jenis kelamin” dan tangka kebisingan
pada baris “kebisingan” seperti gambar dibawah ini.
3. Pada baris jenis kelamin, tekan “Value” untuk memasukkan jenis kelamin
yaitu laki-laki dan Perempuan. Untuk membedakannya, berikan angka
untuk kedua jenis kelamin seperti gambar dibawah. Lalu tekan Ok.

4. Begitu pula dengan baris kebisingan, tekan kolom “Value” dan masukkan
tingkat kebisingan seperti rendah, sedang, dan tinggi seperti tampilan
dibawah ini. Lalu tekan Ok.
5. Setelah itu, tekan “View Data” untuk memasukkan data-data yang akan
dianalisis secara Anova.

6. Setelah memasukkan data, tekan “Analyze”. Akan tampil opsi, lalu tekan
“General Linear Model” lalu “Univariate”
7. Pada kolom “Dependent Variable” masukkan Hasil nilai, sedangkan pada
kolom “Fixer Factor” masukkan dua faktor yang diketahui yakni: jenis
kelamin dan tingkat kebisingan. Lalu tekan “Save”.
8. Pada menu “Residual” centang “Standardized” lalu tekan “Continue” dan
tekan Ok.
9. Maka output dari analisis Anova seperti dibawah. Untuk menarik
kesimpulan maka kita bisa lihat hasil signifikansi pada “Tests of Between-
Subjects Effects” pada baris metode, matkul dan Metode*Matkul karena
terdapat dua faktor.
10. Kesimpulan :
Perlakuan 1 untuk jenis kelamin
Nilai sif < 0.05 maka H0 ditolak sehingga jenis kelamin berpengaruh
signifikan terhadap nilai yang diperoleh.
Perlakuan 2 untuk kebisingan
Nilai sig < 0.05 maka H0 ditolak sehingga kebisingan berpengaruh
signifikan tehadap niliai yang diperoleh.
Perlakuan 3 for interaction between noise and gender
Nilai sig > 0.05 maka H0 diterima tidak terdapat pengaruh antara jenis
kelamin dan kebisingan.