Library:
> # install.packages("tseries")
> # install.packages("car")
> # install.packages("dplyr")
> # install.packages("tidyr")
> # install.packages("agricolae")1 PENDAHULUAN
1.1 Latar Belakang
Sekolah merupakan tempat siswa berproses dengan mengemban ilmu untuk menunjang masa depan yang gemilang.Melalui kegiatan belajar dan mengajar di sekolah, siswa secara bersama sama menerima pengajaran dari tenaga pengajar dengan metode ajar yang sama rata. Pada faktanya menurut Ghufron dan Rini(2012), setiap individu manusia berbeda satu sama lain dalam berbagai hal, termasuk pada kecerdasan dan kemampuannya, sehingga akan berpengaruh pada perbedaan gaya belajar masing masing.
Partisipasi siswa dalam kegiatan akademik maupun non akademik yang ada di sekolah tentu akan mempengaruhi pencapaian siswa.Namun, menanggapi perihal perbedaan gaya belajar, peran tenaga pengajar di sekolah turut andil dalam keberhasilan kegiatan belajar mengajar yang efektif untuk mendukung prestasi siswa di sekolah.
Dalam hal ini, maka metode pembelajaran perlu ditinjau lebih lanjut, sebagaimana menurut pendapat Djamaluddin dan Wardana(2019) mengenai metodologi pembelajaran, bahwa metodologi pembelajaran merupakan ilmu tentang cara cara membangun interaksi tersistem antara tenaga pengajar dengan siswa dalam melakukan suatu kegiatan untuk mencapai tujuan pengajaran yakni berhasilnya proses belajar siswa.Dalam bukunya, Djamaluddin dan Wardana juga membagi metode pembelajaran yang telah ada dan diketahui menjadi sembilan metode, yakni Model ADDIE, Model ASSURE, Model Dick dan Carey, Model PPSI, Model AT dan T, Model Degeng, Model Pengembangan Instruksional (MPI), Model Gerlach dan Ely, Model Kemp, Model ISD dan lain sebagainya.Artinya, terdapat berbagai metode belajar yang telah tersedia untuk menyesuaikan gaya belajar siswa.
Adanya keterbatasan bagi tenaga pengajar pada sistem ajar di sekolah, seperti keterbatasan waktu, tempat, biaya dan lain lain, tidak cukup memungkinkan bagi tenaga pengajar untuk dapat menerapkan keseluruhan metode demi menyesuaikan gaya belajar masing masing siswa di sekolah. Pada akhirnya tenaga pengajar harus menentukan metode yang terbaik untuk mengajar keseluruhan siswa secara bersamaan dari berbagai metode yang telah ada ataupun dengan menggubah metode ajar lain yang dirasa lebih efektif.
Pada penelitian ini, akan diujikan tiga jenis metode belajar oleh lima guru pada tiap metode kepada siswa, yaitu metode 1, metode 2, dan metode 3.Kemudian, untuk masing masing guru dengan metode yang telah ditentukan, dicatat waktu yang digunakan dalam hitungan menit. Dari metode ini, akan dilihat pengaruh perbedaan metode belajar pada waktu yang digunakan. Penelitian ini bertujuan untuk melihat keefektifan ketiga metode ajar untuk mencapai keberhasilan proses kegiatan belajar mengajar.
2 TINJAUAN PUSTAKA
2.1 Analisis Ragam
Setiawan, K (2019) mengutip dari Riduwan(2008) mengatakan bahwa analisis ragam atau yang lebih dikenal dengan Anova merupakan salah satu metode analisis statistika untuk membandingkan lebih dari dua rata rata.Anova merupakan perluasan dari uji-t, sehingga tidak terbatas penggunaannya hanya pada 2 populasi saja. Perbandingan oleh anova ini dilakkan dengan cara membandingkan varians(ragam) nya. Varians sendiri merupakan pembagian dari jumlah kuadrat simpangan rata rata (sum of squares) dengan derajat bebasnya(n-1). Sehingga rumus varians sampel, yaitu :
Berdasarkan penggunaanya yaitu untuk mengetahui perbedaan dua atau lebih r rata rata., maka hipotesis yang digunakan adalah :
H0=𝜇1=𝜇2= 𝜇3 H1= Paling tidak ada salah satu tanda sama dengan(=) tidak berlaku
Hipotesis nol menyatakan bahwa dari sampel sampel yang digunakan
memiliki rata rata populasi yang sama, sedangkan hipotesis alternatif
menyatakan bahwa minimal terdapat sepasang rata rata populasi yang tidak
sama, artinya apabila terdapat rata rata populasi yang jauh berbeda
dengan yang lain, maka sampelnya berasal dari beda populasi.
Perbedaan rata rata yang dibandingkan dalam uji anova ini didasari oleh dua unsur, yakni keragaman galat dan keragaman pada variabel bebas. Berdasarkan hubungannya dengan keragaman dalam kelompok (MSw) dan keragaman antar kelompok(MSb), F dapat ditulis : \[ F= \frac{\sigma^{2}}{\sigma^{2}} = 1 \]
Keputusan yang diambil pada pengujian analisis ragam ini didasarkan pada statistik uji F dibandingkan dengan Ftabel, serta p-value dibandingkan dengan taraf signifikansi.
2.2 ANOVA Satu Arah
Anova satu arah atau juga dikenal dengan analisis ragam klasifikasi tunggal digunakan untuk uji hipotesis yang membandingkan k sampel secara serempak. Sampel sampel yang digunakan akan memiliki rata rata dan ragam Rata rata pada sampel terbagi menjadi rata rata dalam kelompok dan rata rata gabungan dari rata rata di dalam masing masing kelompok atau biasa disebut rata rata total. Pada Anova satu arah, terdapat perhitungan deviasi yang dibagi tiga berdasarkan bentuknya, yakni jumlah kuadrat total, jumlah kuadrat antara, dan jumlah kuadrat dalam kelompok (Sugiyono, 2007).
2.3 Uji Beda Nyata Terkecil (BNT)
Uji BNT memiliki kegunaan yang sangat berguna dalam melakukan perbandingan terencana antara kelompok-kelompok yang berbeda. Uji ini dapat digunakan untuk membandingkan semua kelompok terhadap kelompok kontrol dalam suatu eksperimen.Misalnya, kita memiliki kelompok kontrol dan beberapa kelompok perlakuan yang ingin kita bandingkan. Contohnya, dalam sebuah penelitian obat, kita mungkin ingin membandingkan efek dari beberapa dosis obat terhadap kelompok kontrol yang menerima plasebo. Dalam hal ini, uji BNT dapat membantu kita menentukan apakah perbedaan rata-rata antara kelompok-kelompok tersebut adalah perbedaan yang signifikan atau hanya hasil dari variabilitas acak.
Namun, sebaiknya tidak menggunakan uji BNT untuk membandingkan semua kombinasi rata-rata, terutama jika terdapat banyak kelompok (lebih dari 6).Analisis semacam itu akan menjadi rumit dan meningkatkan risiko kesalahan statistik. Oleh karena itu, sebaiknya kita hanya membandingkan kelompok-kelompok yang relevan secara teoritis atau berdasarkan pertanyaan penelitian yang kita ajukan.
Menggunakan metode ini akan menghasilkan hasil yang tidak akurat dan kurang informatif. Sebagai gantinya, uji BNT lebih cocok digunakan untuk membandingkan perbedaan antara dua kelompok dengan menggunakan satu nilai BNT sebagai pembanding terhadap selisih dua rata-rata. Dengan demikian, metode ini dapat membantu dalam menganalisis perbedaan antara kelompok-kelompok tertentu secara lebih efektif dan efisien (Malau, S, 2005). Penting untuk diingat bahwa uji BNT memiliki beberapa asumsi yang perlu dipenuhi, seperti asumsi normalitas dan homogenitas varians. Asumsi-asumsi ini harus diperiksa sebelum melakukan analisis statistik agar hasil yang diperoleh dapat diandalkan.
Rumus BNT, yaitu :
2.4 Uji Beda Nyata Jujur
BNJ(α) = q (p,dbG, α/2) . S y dengan S y = √(KTG / r) Nilai q (p,dbG,
α/2) adalah titik kritis studentized range untuk
jumlah perlakuan (p), derajat bebas galat (dbG) dan level nyata (α)
tertentu. Sementara itu S _ y adalah galat baku beda, KTG adalah kuadrat
tengah galat dan r adalah ulangan atau banyaknya pengamatan (Harsojuwono
et.al, 2011).
Uji Tukey, juga dikenal sebagai uji Honestly Significant Difference
(HSD), adalah metode yang digunakan untuk melakukan perbandingan
berpasangan antara kelompok-kelompok dengan tingkat kesalahan tipe 1
yang kecil. Metode ini memungkinkan pembuatan selang kepercayaan secara
serentak untuk semua perbandingan berpasangan. Dasar dari metode ini
adalah distribusi rentangan yang mengikuti distribusi t-student. Titik
persentil yang digunakan dalam metode ini tergantung pada alpha, k, dan
derajat kebebasan\(S^{2}\)Uji Tukey
sering juga disebut sebagai uji BNJ. Uji ini sangat sederhana dalam
penggunaannya karena hanya membutuhkan satu nilai tunggal HSD sebagai
pembanding. Jika perbedaan antara dua rata-rata perlakuan lebih besar
daripada nilai HSD, maka kedua perlakuan tersebut dianggap berbeda
secara signifikan. Rata-rata perlakuan diurutkan secara berurutan dari
nilai terendah ke tertinggi, dan setelah menghitung selisih absolut
antara dua rata-rata, jika selisih tersebut lebih besar dari HSD, maka
dianggap bahwa rata-rata tersebut berbeda. Untuk dua rata-rata perlakuan
yang tidak berbeda, artinya selisih absolutnya lebih kecil atau sama
dengan HSD, maka dikatakan bahwa nilai tengah kedua perlakuan tersebut
tidak berbeda.
Prosedur Tukey menggunakan distribusi t-student dan dapat diterapkan pada pembandingan pasangan rata-rata. Prosedur ini hanya memerlukan satu nilai tunggal untuk menentukan apakah semua pasangan rata-rata tersebut berbeda atau tidak, sehingga sangat cepat dan mudah digunakan. Karena hanya melakukan pembandingan pasangan, nilai kritis yang digunakan dalam metode ini lebih kecil daripada nilai kritis metode Scheffe. Semua pasangan rata-rata membentuk suatu keluarga (family) dan tingkat kesalahan (alpha) diterapkan pada seluruh perbandingan pasangan rata-rata dalam keluarga tersebut. Dalam eksperimen yang diulang dengan rata-rata populasi yang sama, 5% dari keluarga tersebut akan menghasilkan satu atau lebih kesimpulan yang salah, sementara dalam 95% kasus lainnya tidak ada perbedaan yang signifikan yang dinyatakan (Fajar, 2002). Rumus BNJ yaitu:
2.5 Asumsi Normalitas
Normalitas adalah salah satu asumsi yang penting dalam analisis ANOVA, yang merupakan bagian dari statistika parametrik. Asumsi ini mengharuskan variabel dependen dalam kelompok-kelompok variabel independen (antara subjek atau dalam subjek) memiliki distribusi normal. Namun, ANOVA memiliki keunikan dalam hal ini karena relatif robust atau tahan terhadap pelanggaran asumsi multivariate normality.
Untuk memeriksa normalitas data, SPSS menyediakan metode pengujian seperti Liliefors (Kolmogorov-Smirnov) dan Shapiro-Wilk. Hipotesis yang digunakan pada pengujian asumsi normalitas ini adalah sebagai berikut:
Hipotesis Nol (H0): Data dalam grup atau antar grup memiliki distribusi normal.
Hipotesis Alternatif (H1): Data dalam grup atau antar grup tidak memiliki distribusi normal.
Dalam pengambilan keputusan, jika nilai signifikansi (p-value) ≤ 0,05 (5%), maka Ha diterima atau H0 ditolak, yang berarti data dalam grup atau antar grup tidak memiliki distribusi normal. Sebaliknya, jika nilai signifikansi (p-value) > 0,05 (5%), maka H0 diterima atau Ha ditolak, yang berarti data dalam grup atau antar grup memiliki distribusi normal.
Jika asumsi normalitas tidak terpenuhi, maka dalam situasi yang serupa dengan ANOVA, dapat digunakan uji inferensial non-parametrik seperti uji Kruskal-Wallis.
2.6 Asumsi Homogenitas
Salah satu asumsi penting dalam analisis ANOVA adalah homogenitas varian, yaitu setiap kategori, kelompok, atau perlakuan dari variabel independen harus memiliki varian yang sama untuk variabel dependen. Jika terdapat lebih dari satu variabel independen, maka varian variabel dependen dalam grup (within) atau antar grup (between) juga harus sama.
SPSS menyediakan Levene test of homogeneity of variance untuk memeriksa apakah grup-grup tersebut memiliki varian yang sama atau berbeda. Dalam pengujian ini, hipotesis yang diajukan adalah sebagai berikut:
Hipotesis Nol (H0): Varian grup bersifat homogen (sama) atau equal variance assumed.
Hipotesis Alternatif (Ha): Varian grup bersifat heterogen (berbeda) atau equal variance not assumed.
Dalam pengambilan keputusan, jika nilai signifikansi (p-value) ≤ 0,05 (5%), maka Ha diterima atau H0 ditolak, yang berarti varian grup bersifat heterogen (berbeda) atau equal variance not assumed. Sebaliknya, jika nilai signifikansi (p-value) > 0,05 (5%), maka H0 diterima atau Ha ditolak, yang berarti varian grup bersifat homogen (sama) atau equal variance assumed.
Jika hasil uji Levene signifikan (p ≤ 0,05) atau varian grup bersifat heterogen (berbeda), ANOVA masih dapat digunakan karena ANOVA memiliki ketahanan (robust) terhadap penyimpangan kecil hingga moderat dari asumsi homogenitas varian.
Dengan demikian, dalam analisis ANOVA, penting untuk memeriksa homogenitas varian dan jika ada penyimpangan, perlu dilakukan pertimbangan penggunaan ANOVA dengan asumsi penyimpangan varian yang moderat
3 SOURCE CODE
3.1 Library
> library(dplyr)
> library(tidyr)
> library(agricolae)3.2 Data
Data pada penelitian ini berasal dari sebuah penelitian dilakukan untuk mengetahui apakah ada pengaruh perbedaan metode belajar pada tingkat prestasi siswa. Ada tiga metode belajar yang akan diuji.Diambil 16 sampel masing-masing 5 guru untuk mengerjakan pekerjaannya, lalu dicata waktu yang digunakan (menit).Perlakuan yang diberikan merupakan jenis metode ajar yang diujikan pada siswa, yaitu metode 1, metode 2, dan metode 3.Data yang di dapat berupa waktu yang digunakan oleh setiap guru dengan metode ajar yang sudah ditentukan.
3.2.1 Uji Anova
>
> Data1 <- data.frame(Metode_1 = c(21,27, 29, 23, 25),
+ Metode_2 = c(17,25,20,15,23),
+ Metode_3 = c(31,28,22,30,24))
> Data1
Metode_1 Metode_2 Metode_3
1 21 17 31
2 27 25 28
3 29 20 22
4 23 15 30
5 25 23 24#Mengubah Bentuk Tabel
> Data1 <- Data1 %>% pivot_longer(c(Metode_1, Metode_2, Metode_3))
> names(Data1) <- c("Metode.Kerja", "Waktu")
> Data1$Metode.Kerja <- as.factor(Data1$Metode.Kerja)
> Data1
# A tibble: 15 × 2
Metode.Kerja Waktu
<fct> <dbl>
1 Metode_1 21
2 Metode_2 17
3 Metode_3 31
4 Metode_1 27
5 Metode_2 25
6 Metode_3 28
7 Metode_1 29
8 Metode_2 20
9 Metode_3 22
10 Metode_1 23
11 Metode_2 15
12 Metode_3 30
13 Metode_1 25
14 Metode_2 23
15 Metode_3 24#Eksplorasi Data
>
> library(ggplot2)
> p1 <- ggplot(Data1) +
+ aes(x = Metode.Kerja, y = Waktu, fill = Metode.Kerja) + geom_boxplot() + scale_fill_hue(direction = 1) +
+ theme_minimal() + theme(legend.position = "none") #Derajat Bebas
> N <- nrow(Data1)
> p <- Data1$Metode.Kerja %>% unique() %>% length()
> DBt <- N - 1
> DBp <- p - 1
> DBg <- N - p
>
> DBt; DBp; DBg
[1] 14
[1] 2
[1] 12#Jumlah Kuadrat
> perlakuan.mean <- aggregate(Waktu ~ Metode.Kerja, Data1, mean )[,2]
> n <- aggregate(Waktu ~ Metode.Kerja, Data1, length)[,2]
> grand.mean <- mean(Data1$Waktu)
> JKt <- sum((Data1$Waktu - grand.mean)^2)
> JKp <- sum(n*(perlakuan.mean - grand.mean)^2)
> JKg <- JKt - JKp
>
> JKt; JKp; JKg
[1] 298
[1] 130
[1] 168#Kuadrat Tengah
>
> KTp <- JKp / DBp
> KTg <- JKg / DBg#Statistik UJi
> Fp <- KTp/KTg
> pVal <- pf(Fp, DBp, DBg, lower.tail = F)#Tabel Anova dan Interpretasi
>
> data.frame(
+ SK = c("Perlakuan", "Galat", "Total"),
+ DB = c(DBp, DBg, DBt),
+ JK = c(JKp, JKg, JKt),
+ KT = c(KTp, KTg, NA),
+ Fhit = c(Fp, NA, NA),
+ p.Val = c(pVal, NA, NA)
+ )
SK DB JK KT Fhit p.Val
1 Perlakuan 2 130 65 4.642857 0.03210392
2 Galat 12 168 14 NA NA
3 Total 14 298 NA NA NA#Anova dengan fungsi aov
> model1<-aov(Waktu~Metode.Kerja, data=Data1)
> summary(model1)
Df Sum Sq Mean Sq F value Pr(>F)
Metode.Kerja 2 130 65 4.643 0.0321 *
Residuals 12 168 14
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 13.2.2 Uji Lanjut
#BNT
> bnt<-LSD.test(model1,"Metode.Kerja", alpha=0.05)
> bnt
$statistics
MSerror Df Mean CV t.value LSD
14 12 24 15.59024 2.178813 5.156012
$parameters
test p.ajusted name.t ntr alpha
Fisher-LSD none Metode.Kerja 3 0.05
$means
Waktu std r LCL UCL Min Max Q25 Q50 Q75
Metode_1 25 3.162278 5 21.35415 28.64585 21 29 23 25 27
Metode_2 20 4.123106 5 16.35415 23.64585 15 25 17 20 23
Metode_3 27 3.872983 5 23.35415 30.64585 22 31 24 28 30
$comparison
NULL
$groups
Waktu groups
Metode_3 27 a
Metode_1 25 ab
Metode_2 20 b
attr(,"class")
[1] "group"
>
> bnt$groups
Waktu groups
Metode_3 27 a
Metode_1 25 ab
Metode_2 20 b
> bnt$means
Waktu std r LCL UCL Min Max Q25 Q50 Q75
Metode_1 25 3.162278 5 21.35415 28.64585 21 29 23 25 27
Metode_2 20 4.123106 5 16.35415 23.64585 15 25 17 20 23
Metode_3 27 3.872983 5 23.35415 30.64585 22 31 24 28 30#BNJ
> TukeyHSD(model1,conf.level=0.95)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = Waktu ~ Metode.Kerja, data = Data1)
$Metode.Kerja
diff lwr upr p adj
Metode_2-Metode_1 -5 -11.3133177 1.313318 0.1287982
Metode_3-Metode_1 2 -4.3133177 8.313318 0.6833024
Metode_3-Metode_2 7 0.6866823 13.313318 0.02988173.2.3 Uji Asumsi
#Asumsi Normalitas Galat
>
> model=lm(Waktu~Metode.Kerja, data=Data1)
>
> jarque.bera.test(model1$residuals)
Error in jarque.bera.test(model1$residuals): could not find function "jarque.bera.test"
>
> shapiro.test(model1$residuals)
Shapiro-Wilk normality test
data: model1$residuals
W = 0.92353, p-value = 0.218#Uji Kehomogenan Ragam
> library(car)
> leveneTest(Waktu ~ Metode.Kerja,data=Data1)
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
group 2 0.2167 0.8083
12 #Asumsi Homogenitas
> n <- 1000
> x1 <- matrix(rnorm(n), ncol = 2)
> x2 <- matrix(rnorm(n, mean = 3, sd = 1.5), ncol = 2)
> x <- rbind(x1, x2)3.3 Plot
> #Plot Eksplor Data
> p1
> #Plot ujiBNT
> plot(bnt)
4 HASIL DAN PEMBAHASAN
4.1 Analisis Ragam
H0 : \(\mu_1=\mu_2=\mu_3\)
H1 : Paling tidak ada satu tanda sama dengan (=) tidak berlaku taraf signifikansi(\(\alpha\)) = 0.05
Dasar keputusan :
Statistik Uji
-Fhitung > Ftabel , maka tolak H0
-Fhitung < Ftabel , maka terima H0
P value
-\(P ~value~ < \alpha , maka\ tolak\ H0\)
-\(P ~value~ > \alpha , maka terima H0\)
Keputusan :
P value < \(\alpha\)
(0.03210392) < ( 0.05), maka Tolak H0
Kesimpulan : Dengan taraf nyata 5%, dapat dinyatakan bahwa ketiga metode ajar memiliki perbedaan rata rata pada waktu yang digunakan.
4.2 Uji Beda Nyata Terkecil
Berdasarkan output yang dihasilkan, pada bagian groups dapat dilihat dari masing masing metode yaitu metode 1, metode 2, dan metode 3, bahwa ketiganya termasuk kedalam group yang berbeda. Artinya, ketiga metode ajar yang diujikan pada siswa memiliki perbedaan rata rata waktu yang digunakan, atau untuk setiap metode berbeda nyata.
4.3 Uji Beda Nyata Jujur
\(H0 : \mu_1=\mu_1'\)
\(H1 : \mu_1!=\mu_1'\)
taraf signifikansi : (\(\alpha\)) = 0.05
Dasar keputusan :
P value
-P value <\(\alpha\) , maka tolak H0
-P value > \(\alpha\) , maka terima H0
Keputusan :
Metode 2 & Metode 1 : P value > \(\alpha\) , maka terima H0
Metode 3 & Metode 1 : P value > \(\alpha\), maka terima H0
Metode 3 & Metode 2 : P value < \(\alpha\) , maka tolak H0
Kesimpulan : Dengan taraf nyata 5% dapat disimpulkan bahwa : - Metode 2 dan metode 1 tidak berbeda nyata - Metode 3 dan metode 1 tidak berbeda nyata - Metode 3 dan metode 2 berbeda nyata
4.4 Asumsi Normalitas
a. Uji Jarque Bera
H0 : Residual data menyebar normal
H1 : Residual data tidak menyebar normal
Dasar Keputusan
pvalue
P value < ⍺, maka tolak H0
P value > ⍺, maka terima H0
Keputusan :
P value > ⍺
(0.5317)>0.05, maka terima H0
Kesimpulan :
Dengan taraf nyata 5% dapat disimpulkan bahwa residual data menyebar
normal
b. Uji Shapiro Wilk
H0 : Residual data menyebar normal
H1 : Residual data tidak menyebar normal
Dasar Keputusan
pvalue
P value < ⍺, maka tolak H0
P value > ⍺, maka terima H0
Keputusan :
P value > ⍺
(0.218)>0.05, maka terima H0
Kesimpulan :
Dengan taraf nyata 5% dapat disimpulkan bahwa residual data menyebar
normal
4.5 Asumsi Homogenitas
Uji Levene
H0 : Data bersifat homogen
H1 : Data tidak bersifat homogen
Dasar Keputusan
pvalue
P value < ⍺, maka tolak H0
P value > ⍺, maka terima H0
Keputusan :
P value > ⍺
(0.8083)>0.05, maka terima H0
Kesimpulan : Dengan taraf nyata 5% dapat disimpulkan bahwa data memenuhi asumsi homogenitas
5 KESIMPULAN
Penelitian mengenai perbedaan metode ajar tenaga pengajar terhadap siswa bertujuan untuk mengetahui keefektifan metode yang diteliti melalui waktu yang digunakan tenaga pengajar dalam melaksanakan tugasnya mengajar dengan metode yang telah ditentukan. Hal ini bertujuan agar tenaga pengajar mampu menghadapi perbedaan pribadi masing masing siswa sehingga dapat menyesuaikan metode belajar yang dibutuhkan siswa dengan pendekatan penentuan metode ajar yang paling efektif dan cenderung meningkatkan prestasi siswa Berdasarkan hasil yang telah didapatkan, ketiga metode memiliki perbedaan nyata (berbeda rata rata) pada waktu yang digunakannya, dimana metode ajar 3 memiliki rataan waktu tertinggi dan metode ajar ke 2 memiliki rataan waktu terendah.
6 DAFTAR PUSTAKA
Riduwan.2008.Dasar-dasar Statistika.Bandung:Alfabeta
Sugiyono, 2007. Statistika untuk penelitian. Bandung: Alfabeta.
Harsojuwono, B,A., Arnata, I, W., & Puspawati, G,A. (2011). RANCANGAN PERCOBAAN Teori, Aplikasi SPSS Dan Excel.Lintas Kata.
Djamaluddin, A., & Wardana.(2019). Belajar Dan Pembelajaran. Kaaffah Learning Center.
Malau, S.(2005).Perancangan Percobaan.Medan: Universitas HKBP Nommensen.
Ghufron,M,N.,Risnawita,R.(2012).Gaya Belajar Kajian Teoritik. Yogyakarta : Pustaka Pelajar.
Fajar,I.(2002). Probabilitas Kesalahan Dan Kuat Efisiensi Uji Perbandingan Berganda Pada Analisis Varian Satu Arah. Surabaya: Universitas Airlangga.