Pengenalan Nilai t

Kelas A

Kelompok 4

No Nama NIM Nilai Makalah Nilai Individu

.

1. Dwi Fahraini 231301009

Tambunan

2. Talitha Humaira 231301010

Morgana

3. Ester Evelin 231301011

Marpaung

4. Siti Syifa Nazlia 231301013

5. Mutia Warohma 231301014

Daftar Isi
 Materi

A. Statistik t: Sebuah Alternatif untuk z

B. Uji Hipotesis dengan Statistik t

C. Mengukur Ukuran Efek untuk Statistik t

Dalam Bab 8 buku Gravetter kita mencatat bahwa salah satu kritik terhadap uji
hipotesis adalah bahwa uji tersebut tidak benar-benar mengevaluasi besarnya efek
pengobatan. Sebaliknya, uji hipotesis hanya menentukan apakah hipotesis tersebut benar
atau tidak efek pengobatan lebih besar daripada peluang, di mana “peluang” diukur
dengan kesalahan standar. Secara khusus, efek perlakuan yang sangat kecil mungkin saja
menjadi “signifikan secara statistik”, terutama bila ukuran sampelnya sangat besar. Untuk
memperbaiki masalah ini, disarankan agar hasil uji hipotesis disertai dengan laporan
besaran dampak seperti Cohen d.
Diperkirakan Cohen d
Ketika d Cohen pertama kali diperkenalkan (halaman 271 buku Gravetter), rumusnya
disajikan sebagai
perbedaan berarti μ pengobatan−μ tidak ada pengobatan
d Cohen = =
deviasi standar σ
Cohen mendefinisikan ukuran besaran dampak ini dalam bentuk perbedaan rata-rata
populasi dan simpangan baku populasi. Namun, dalam sebagian besar situasi, nilai
populasinya adalah sama tidak diketahui dan Anda harus mengganti nilai sampel yang
sesuai di tempatnya. Kapan ini dilakukan, banyak peneliti lebih memilih untuk
mengidentifikasi nilai yang dihitung sebagai “perkiraan d” atau beri nama nilainya
dengan nama salah satu ahli statistik yang pertama kali mengganti statistik sampel rumus
Cohen (misalnya, g Glass atau g Hedges). Untuk uji hipotesis menggunakan statistik t,
mean populasi tanpa perlakuan adalah nilai yang ditentukan oleh hipotesis nol. Namun,
mean populasi dengan pengobatan dan deviasi standar keduanya tidak diketahui. Oleh
karena itu, kami menggunakan mean untuk sampel yang diberi perlakuan dan standar
deviasi untuk sampel tersebut setelah perawatan sebagai perkiraan parameter yang tidak
diketahui. Dengan substitusi tersebut, rumus untuk memperkirakan d Cohen menjadi
perbedaan berarti M −μ
perkiraan d = =
deviasi standar sampel s
 Pembilangnya mengukur besarnya dampak pengobatan dengan mencari perbedaan
antara rata-rata sampel yang diberi perlakuan dan rata-rata populasi yang tidak diberi
perlakuan. ( μ dari H 0). Simpangan baku sampel dalam penyebut menstandarkan mean
selisihnya ke dalam satuan standar deviasi. Jadi, perkiraan d sebesar 1,00 menunjukkan
bahwa ukuran efek pengobatan setara dengan satu standar deviasi. Contoh berikut
menunjukkan bagaimana estimasi d digunakan untuk mengukur ukuran efek untuk uji
hipotesis menggunakan pada statistik.
Contoh
Untuk pembelajaran membaca sebelum tidur pada contoh sebelumnya, para peserta
mendapatkan rata-rata M = 46 pada tes kewaspadaan. Jika eReader yang memancarkan
cahaya tidak berpengaruh (seperti yang dinyatakan oleh hipotesis nol), rata-rata populasi
adalah μ = 50. Jadi, hasilnya menunjukkan perbedaan 4 poin antara keduanya rata-rata
dengan membaca sebelum tidur (M = 46) dan rata-rata untuk populasi umum ( μ = 50).
Selain itu, untuk penelitian ini simpangan baku sampel hanyalah akar kuadrat dari sampel
varians, yang ditemukan s2 = 20,25.

Jadi, d Cohen untuk contoh ini diperkirakan adalah

M −μ 46−50
d Cohen = = = 0,89
s 4 , 50
Menurut standar yang disarankan oleh Cohen (Tabel 8.2, halaman 273 buku
Gravetter), ini merupakan efek pengobatan yang besar. Ingat, d Cohen selalu dilaporkan
sebagai nilai positif (halaman 272 buku Gravetter).
Untuk membantu Anda memvisualisasikan apa yang diukur dengan d Cohen, kami
telah membuat satu set n = 9 skor dengan rata-rata M = 46 dan deviasi standar s = 4,5
(nilai yang sama seperti pada contoh sebelumnya). Kumpulan skor ditunjukkan pada
Figure 9.5. Perhatikan gambar itu juga mencakup panah yang menempatkan μ = 50.
Ingatlah bahwa μ = 50 adalah nilai yang ditentukan oleh hipotesis nol dan
mengidentifikasi mean yang seharusnya jika pengobatan tidak memberikan efek.
 Jelasnya, sampel kita tidak terpusat pada μ = 50. Sebaliknya, skornya telah dialihkan
ke kiri sehingga mean sampelnya adalah M = 46. Pergeseran ini, dari 50 ke 46, adalah
perbedaan mean 4 poin yang disebabkan oleh efek perlakuan. Perhatikan juga bahwa
perbedaan rata-rata 4 poin hampir sama dengan deviasi standar. Dengan demikian,
besarnya efek pengobatan hampir sama ke satu standar deviasi. Dengan kata lain, d
Cohen = 0,89 adalah deskripsi yang akurat efek pengobatan.
Contoh berikut adalah kesempatan bagi Anda untuk menguji pemahaman Anda
tentang pengujian hipotesis dan ukuran efek dengan statistik t.
Contoh
Sampel berjumlah n = 16 individu dipilih dari populasi dengan rata-rata μ = 40.
Sebuah pengobatan diberikan kepada individu dalam sampel dan, setelah pengobatan,
sampel memiliki mean M = 44 dan varians s2 = 16. Gunakan uji dua sisi dengan ∝ = ,05
sampai menentukan apakah pengaruh perlakuan signifikan dan menghitung d Cohen
untuk mengukurnya besarnya efek pengobatan. Anda harus mendapatkan t = 4,00 dengan
df = 15, yang cukup besar untuk menolak H 0 dengan d Cohen = 1,00.
Mengukur Persentase Varians Dijelaskan, r 2
Metode alternatif untuk mengukur ukuran efek adalah dengan menentukan seberapa
besar variabilitasnya dalam skor dijelaskan oleh efek pengobatan. Konsep di balik
tindakan ini adalah pengobatan menyebabkan skor meningkat (atau menurun), yang
berarti pengobatan tersebut menyebabkan skornya bervariasi. Jika kita dapat mengukur
seberapa besar variabilitas dapat dijelaskan pengobatan, maka akan diperoleh ukuran
besar kecilnya efek pengobatan.
Untuk mendemonstrasikan konsep ini, kami akan menggunakan data dari uji hipotesis
contoh sebelumnya. Ingatlah bahwa hipotesis nol menyatakan bahwa pengobatan
(membaca sebelum tidur dari layar yang memancarkan cahaya) tidak berpengaruh pada
kewaspadaan keesokan paginya. Menurut hipotesis nol, individu yang membaca dari
layar yang memancarkan cahaya sebelum tidur seharusnya melakukan hal tersebut
memiliki tingkat kewaspadaan yang sama dengan masyarakat umum, sehingga harus rata-
rata μ = 50 pada tes standar.
Namun jika melihat data pada Figure 9.5, skornya tidak terpusat pada μ = 50.
Sebaliknya, skor digeser ke kiri sehingga terpusat di sekitar sampel mean, M = 46.
Pergeseran ini adalah efek pengobatan. Untuk mengukur besar kecilnya pengobatan
efeknya kita menghitung deviasi dari mean dan jumlah deviasi kuadrat, SS, dua cara yang
berbeda.

Figure 9.6(a) menunjukkan kumpulan skor asli. Untuk setiap skor, penyimpangan dari
μ = 50 adalah ditampilkan sebagai garis berwarna. Ingatlah bahwa μ = 50 berasal dari
hipotesis nol dan mewakili rata-rata populasi jika pengobatan tidak memberikan efek.
Perhatikan bahwa hampir semua skor berada di sisi kiri μ = 50. Pergeseran ke kiri ini
adalah efek pengobatan. Secara khusus, membaca pada larut malam telah menyebabkan
berkurangnya tingkat kewaspadaan keesokan paginya bahwa skor peserta umumnya lebih
rendah dari 50. Oleh karena itu, pengobatan tersebut telah mendorong hal tersebut
skornya jauh dari μ = 50 (hipotesis nol) dan telah meningkatkan ukuran deviasi.
Selanjutnya, kita akan melihat apa yang terjadi jika efek pengobatan dihilangkan.
Dalam contoh ini, pengobatan memiliki efek 4 poin (rata-rata menurun dari μ = 50
menjadi M = 46). Untuk menghapus efek pengobatan, kami cukup menambahkan 4 poin
untuk setiap skor. Skor yang disesuaikan ditunjukkan pada Figure 9.6(b) dan, sekali lagi,
deviasi dari μ = 50 ditampilkan sebagai garis berwarna. Pertama, perhatikan bahwa skor
yang disesuaikan dipusatkan pada μ = 50, yang menunjukkan bahwa tidak ada
pengobatan memengaruhi. Perhatikan juga bahwa deviasi – garis berwarna – terasa lebih
kecil jika efek pengobatan dihilangkan.
Untuk mengukur seberapa besar variabilitas berkurang ketika efek pengobatan
dihilangkan, kami menghitung jumlah deviasi kuadrat, SS, untuk setiap rangkaian skor.
Kolom sebelah kiri Table 9.2 menunjukkan penghitungan skor asli [Figure 9.6(a)], dan
sisi kanan kolom menunjukkan penghitungan skor yang disesuaikan [Figure 9.6(b)].
Perhatikan bahwa totalnya variabilitas, termasuk efek pengobatan, adalah SS = 306.
Namun, ketika efek pengobatan dihilangkan, variabilitasnya dikurangi menjadi SS = 162,
yang mewakili variabilitas tersebut tidak dijelaskan oleh efek pengobatan. Variabilitas
total dikurangi variabilitas tidak dijelaskan oleh efek pengobatan sama dengan jumlah
variabilitas yang disebabkan oleh pengobatan. Selisih antara kedua nilai ini, 306 – 162 =
144 poin, merupakan jumlah variabilitas yang disebabkan oleh efek perlakuan. Nilai ini
biasanya dilaporkan sebagai sebuah proporsi atau persentase dari total variabilitas:
2 Variabilitas disebabkanoleh efek pengobatan 144
r = = ,47 (atau 47%)
variabilitastotal 306

Dengan demikian, menghilangkan efek pengobatan akan mengurangi variabilitas

sebesar 47%. Nilai ini disebut persentase varians dicatat oleh perlakuan dan diidentifikasi
sebagai r 2.
Daripada menghitung r 2 secara langsung dengan membandingkan dua perhitungan
yang berbeda untuk SS, yaitu nilai dapat dicari dari persamaan tunggal berdasarkan nilai
statistik t:
 Huruf r adalah simbol tradisional yang digunakan untuk korelasi, dan konsep r 2
dibahas lagi ketika kita mempertimbangkan korelasi di Bab 14 buku Gravetter. Selain itu,
dalam konteks statistik t, persentase varians yang kita sebut r 2 sering diidentifikasi
dengan huruf Yunani omega kuadrat (ω 2).
Untuk uji hipotesis pada contoh sebelumnya, diperoleh t = –2,67 dengan df = 8. Ini
nilai-nilai yang dihasilkan

Perhatikan bahwa ini adalah nilai yang sama yang kami peroleh dengan penghitungan
persentase langsung variabilitas diperhitungkan oleh pengobatan.
Menafsirkan r 2
Selain mengembangkan ukuran efek Cohen d, Cohen (1988) juga mengusulkan
kriteria untuk mengevaluasi besarnya efek pengobatan yang diukur oleh r 2 . Kriteria
sebenarnya disarankan untuk mengevaluasi ukuran korelasi r, tetapi adalah mudah
diperluas untuk diterapkan ke r 2. Standar Cohen untuk menafsirkan r 2 ditunjukkan pada
Table 9.3.
Berdasarkan standar ini, data yang kami buat untuk contoh sebelumnya menunjukkan
sebuah ukuran efek yang sangat besar dengan r 2 = 0,47.
Sebagai catatan terakhir, kami harus mengingatkan Anda bahwa, meskipun ukuran
sampel memengaruhi hipotesis pengujian, faktor ini memiliki pengaruh yang kecil atau
tidak sama sekali terhadap ukuran besaran efek. Secara khusus, perkiraan d Cohen tidak
dipengaruhi sama sekali oleh ukuran sampel, dan ukuran r 2 hanya sedikit terpengaruh
oleh perubahan ukuran sampel. Varians sampel, di sisi lain, memengaruhi uji hipotesis
dan ukuran besaran efek. Secara khusus, varians yang tinggi mengurangi kemungkinan
menolak hipotesis nol dan mengurangi ukuran efek.

Interval Keyakinan untuk Memperkirakan μ

 Teknik alternatif untuk menggambarkan besarnya dampak pengobatan adalah dengan
menghitung perkiraan rata-rata populasi setelah pengobatan. Misalnya jika mean sebelum
pengobatan adalah diketahui μ = 80 dan rata-rata setelah pengobatan diperkirakan μ = 86,
maka kita dapat menyimpulkan bahwa besarnya efek pengobatan adalah sekitar 6 poin.
Memperkirakan rata-rata populasi yang tidak diketahui melibatkan pembuatan interval
kepercayaan. Interval kepercayaan didasarkan pada pengamatan bahwa rata-rata sampel
cenderung memberikan sebuah perkiraan rata-rata populasi yang cukup akurat. Fakta
bahwa mean sampel cenderung mendekati mean populasi berarti mean populasi harus
mendekati rata-rata sampel. Jadi, jika kita memperoleh rata-rata sampel sebesar M = 86,
kita cukup yakin bahwa mean populasi adalah sekitar 86. Jadi, interval kepercayaan
terdiri dari suatu interval nilai-nilai di sekitar rata-rata sampel, dan kita cukup yakin
bahwa ada yang tidak diketahui rata-rata populasi terletak di suatu tempat dalam interval
tersebut.
Interval kepercayaan adalah interval, atau rentang nilai yang berpusat di sekitar sampel
statistik. Logika di balik interval kepercayaan adalah bahwa statistik sampel, seperti
sebuah mean sampel, harus relatif dekat dengan parameter populasi yang bersangkutan.
Oleh karena itu, kami dapat dengan yakin memperkirakan bahwa nilai parameternya
seharusnya terletak pada interval dekat dengan statistik.
Membangun Interval Keyakinan
Pembangunan selang kepercayaan dimulai dengan pengamatan pada setiap sampel
mean memiliki nilai t yang sesuai yang ditentukan oleh persamaan

Meskipun nilai M dan s M tersedia dari data sampel, kami tidak mengetahuinya nilai
untuk t atau untuk μ. Namun, kita dapat memperkirakan nilai t-nya. Misalnya, jika sampel
memiliki skor n = 9, maka statistik t memiliki df = 8, dan distribusi semua kemungkinan
nilai t dapat digambarkan seperti terlihat pada Figure 9.7. Perhatikan bahwa nilai t
menumpuk t = 0, sehingga kita dapat memperkirakan bahwa nilai t untuk sampel kita
harus bernilai sekitar 0. Selanjutnya, tabel distribusi t mencantumkan berbagai nilai t
berbeda yang sesuai proporsi tertentu dari distribusi t. Dengan df = 8, misalnya, 95% dari
nilai t terletak antara t = +2,306 dan t = –2,306. Untuk mendapatkan nilai-nilai ini, lihat
saja naik proporsi dua sisi sebesar 0,05 (5%) untuk df = 8. Karena 95% dari semua
kemungkinan t berada di antara +2,306, kami yakin 95% bahwa rata-rata sampel kami
sesuai dengan nilai t dalam interval ini. Demikian pula, kita dapat yakin 80% bahwa mean
untuk sampel n = 9 skor sesuai dengan nilai t antara +1,397. Perhatikan itu kita dapat
memperkirakan nilai t dengan tingkat kepercayaan tertentu. Untuk membangun sebuah
interval kepercayaan untuk μ, kita masukkan nilai perkiraan t ke dalam persamaan t, dan
kemudian kita dapat menghitung nilai μ.
Sebelum kita mendemonstrasikan proses membangun interval kepercayaan untuk
suatu hal yang tidak diketahui rata-rata populasi, kami menyederhanakan penghitungan
dengan mengelompokkan kembali suku-suku dalam persamaan t. Karena tujuannya
adalah menghitung nilai μ, kita menggunakan aljabar sederhana untuk menyelesaikan
persamaan tersebut membentuk. Hasilnya adalah μ = M – t( s M ). Namun, kami
memperkirakan bahwa nilai t berada dalam interval sekitar 0, dengan satu ujung pada +t
dan ujung lainnya pada –t. +t dapat dimasukkan ke dalam persamaan yang akan
dihasilkan

Ini adalah persamaan dasar untuk interval kepercayaan. Perhatikan bahwa persamaan
tersebut menghasilkan interval di sekitar mean sampel. Salah satu ujung interval terletak
di M + t( s M ) dan ujung lainnya berada pada M – t( s M ). Proses menggunakan persamaan
ini untuk membangun kepercayaan interval ditunjukkan dalam contoh berikut.
Contoh
Contoh sebelumnya menguraikan suatu penelitian yang membaca dari layar yang
memancarkan cahaya tepat sebelumnya waktu tidur mengakibatkan kewaspadaan yang
lebih rendah keesokan paginya. Secara khusus, sampel n = 9 peserta yang membaca dari
eReader setidaknya 15 menit satu jam sebelum tidur memiliki skor rata-rata M = 46
keesokan paginya pada tes kewaspadaan yang mana rata-rata populasi umum adalah μ =
50. Data menghasilkan kesalahan standar perkiraan sebesar s M = 1,50. Kami akan
menggunakan sampel ini untuk membuat interval kepercayaan guna memperkirakan
mean skor kewaspadaan untuk populasi individu yang membaca dari layar yang
memancarkan cahaya di waktu tidur. Artinya, kita akan membuat interval nilai yang
kemungkinan berisi mean populasi yang tidak diketahui.
Sekali lagi, rumus estimasinya adalah

Pada persamaan tersebut diperoleh nilai M = 46 dan s M = 1,50 dari data sampel. Itu
langkah selanjutnya adalah memilih tingkat kepercayaan yang akan menentukan nilai t
pada persamaan tersebut. Tingkat kepercayaan yang paling umum digunakan mungkin
95%, tetapi nilai 90% dan 99% juga telah digunakan. Untuk contoh ini kita akan
menggunakan tingkat kepercayaan 95% yang artinya bahwa kita akan membangun
interval kepercayaan sehingga kita yakin 95% bahwa rata-rata populasi benar-benar
terdapat dalam interval tersebut. Karena kami menggunakan tingkat kepercayaan 95%,
interval yang dihasilkan disebut interval kepercayaan 95% untuk μ.
Untuk mendapatkan nilai t pada persamaan tersebut, kita cukup memperkirakan
statistik t untuk persamaan tersebut sampel terletak di suatu tempat di tengah-tengah 95%
distribusi t. Dengan df = n – 1 = 8, 95% tengah distribusi dibatasi oleh nilai t sebesar
+2,306 dan –2,306 (lihat Figure 9.7). Dengan menggunakan data sampel dan perkiraan
kisaran nilai t, kami memperolehnya

Di salah satu ujung interval, kita memperoleh μ = 46 + 3,459 = 49,459, dan di ujung
lainnya kita memperoleh μ = 46 – 3,459 = 42,541. Kesimpulan kami adalah rata-rata skor
kewaspadaan keesokan paginya untuk populasi individu yang membaca dari eReader
sebelum tidur adalah antara μ = 42,541 dan μ = 49,459, dan kami yakin 95% bahwa
populasi sebenarnya mean terletak dalam interval ini. Keyakinan tersebut berasal dari
kenyataan bahwa penghitungan hanya didasarkan pada satu asumsi. Secara khusus, kami
berasumsi bahwa statistik t adalah terletak antara +2,306 dan –2,306, dan kami yakin 95%
bahwa asumsi ini benar karena 95% dari semua nilai t yang mungkin terletak pada
interval ini. Terakhir, perhatikan bahwa interval kepercayaan dibangun di sekitar mean
sampel. Hasilnya, sampel mean, M = 46, terletak tepat di tengah interval.
Faktor-faktor yang Memengaruhi Lebar Interval Keyakinan
Dua karakteristik interval kepercayaan harus diperhatikan. Pertama, perhatikan apa
yang terjadi pada lebar interval ketika Anda mengubah tingkat kepercayaan (persen
kepercayaan diri). Untuk lebih yakin dengan perkiraan Anda, Anda harus menambah
 lebarnya intervalnya. Sebaliknya, untuk mendapatkan interval yang lebih kecil dan tepat,
Anda harus melepaskan rasa percaya diri. Dalam rumus estimasi persentase kepercayaan
memengaruhi nilai t. Sebuah semakin besar tingkat kepercayaan (persentasenya),
menghasilkan nilai t yang semakin besar dan interval yang semakin lebar. Hubungan
tersebut dapat dilihat pada Figure 9.7. Pada gambar tersebut, kami mengidentifikasi 95%
kelompok menengah distribusi t untuk mencari selang kepercayaan 95%. Seharusnya
sudah jelas hal itu jika kita ingin meningkatkan tingkat kepercayaan hingga 99%, kita
perlu meningkatkannya rentang nilai t dan dengan demikian meningkatkan lebar interval.
Jadi, ada trade-off antara presisi (lebar interval) dan keyakinan yang dimiliki interval
tersebut berisi rata-rata populasi. Jika Anda menetapkan kepercayaan diri Anda tinggi,
katakanlah 99%, maka μ termasuk dalam interval, maka interval tersebut akan
mempunyai lebar yang besar.
Kedua, perhatikan apa yang terjadi pada lebar interval jika Anda mengubah ukuran
sampel. Kali ini aturan dasarnya adalah sebagai berikut: semakin besar sampel (n),
semakin kecil intervalnya. Ini hubungan ini mudah jika Anda mempertimbangkan ukuran
sampel sebagai ukuran jumlah informasi. Sampel yang lebih besar memberi Anda lebih
banyak informasi tentang populasi dan memungkinkan Anda untuk membuat perkiraan
yang lebih tepat (interval yang lebih sempit). Ukuran sampel mengontrol besarnya
kesalahan standar dalam rumus estimasi. Ketika ukuran sampel bertambah, kesalahan
standar berkurang, dan intervalnya semakin kecil. Perhatikan bahwa seorang peneliti
mempunyai kemampuan untuk mengontrol lebar interval kepercayaan dengan
menyesuaikan ukuran sampel atau levelnya percaya diri. Misalnya, jika seorang peneliti
merasa bahwa suatu interval terlalu lebar (menghasilkan suatu estimasi mean yang tidak
tepat), intervalnya dapat dipersempit dengan menambah sampel ukuran atau menurunkan
tingkat kepercayaan. Anda juga harus memperhatikan bahwa karena interval kepercayaan
dipengaruhi oleh ukuran sampel, interval tersebut tidak memberikan ukuran absolut yang
tidak memenuhi syarat ukuran efek dan bukan merupakan pengganti yang memadai untuk
d Cohen atau r 2. Meskipun demikian, mereka bisa saja demikian digunakan dalam
laporan penelitian untuk memberikan gambaran besarnya efek pengobatan.
D. Hipotesis Arah dan Tes Satu Sisi

E. Konsep Estimasi Parameter

F. Distribusi Statistik

G. Estimasi tentang Satu Mean

H. Estimasi tentang Perbedaan Dua Mean

I. Estimasi Satu Proporsi

Estimasi proporsi pada populasi dimaksudkan untuk mengetahui kemungkinan rentang
proporsi terjadinya suatu gejala pada populasi berdasarkan data sampel yang diambil
secara random. Misalnya, dalam proses “quick count” pada pemilu untuk menentukan
kandidat yang menjadi pemenang adalah dengan menggunakan konsep estimasi proporsi
dan hasilnya sering ditampilkan dalam bentuk persentase.
Rumus yang digunakan dalam melakukan estimasi proporsi yaitu:
Sampel > 30

Pp = Ps + Z α / 2 ×
√ P s (1−P s)
n
Sampel < 30

Pp = Ps + t α / 2 ×
√ P s (1−P s)
n
Keterangan:
Ps : proporsi subjek pada sampel terkait variabel/karakteristik tertentu.

Kesimpulan

Soal Latihan dan Jawaban

Daftar Pustaka

Tabel Kontribusi