Tujuan pengujian ini adalah untuk mengetahui apakah metode pembelajaran online berpengaruh terhadap nilai siswa ketika pembelajaran offline. Manfaat dari pengujian ini adalah agar guru / pengajar dapat memilih metode pembelajaran yang lebih efektif.
Data yang digunakan adalah data sample dari sekolah SMK Walijawa yaitu data nilai pengetahuan rata-rata rapot dari seluruh pelajaran pada tahun ajaran 2019/2020 dan 2020/2021 yang mana pada tahun ajaran 2019/2020 menggunakan metode offline atau tatap muka, tahun ajaran 2020/2021 menggunakan metode online atau daring
Link Data: https://drive.google.com/file/d/1R5uMwReZguJLmzSquVMhn7yLEvu9e9of/view
-Menyiapkan data yang akan diujikan dengan mengambil data dari sekolah dengan cara legal -lalu dirata rata masing masing pelajaran kemudian dikumpulkan dalam file excel yang baru -kemudian import data yang telah dirata rata tadi ke dalam Rstudio -lalu mulai pengujian dengan menggunakan pengujian Anova yang mana apakah level signifikan data diatas atau dibawah level signifikan yang telah ditentukan dalam pengujian Anova, jika dibawah level signifikan anova maka hipotesis tersebut tidak dapat diterima, jika diatas level signifikan anova maka hipotesis tersebut diterima
Disini Saya memiliki data hasil nilai siswa saat mengikuti pembelajaran online dan offline. dan saya memiliki varibel online dan offline sebagai sempel, dan saya disini akan menguji nilai rata-rata manakah nilai yang terbesar. dan saya akan memprediksi sistem pembelajaran yang terbesar
library(readxl)## Warning: package 'readxl' was built under R version 4.0.3#Nilai rata rata siswa/siswi data nilai online/offline
data = read_excel("data.xlsx")
data## # A tibble: 12 x 3
## Nama OFFLINE ONLINE
## <chr> <dbl> <dbl>
## 1 AMELIA NUR HAFIVAH 78.6 78.1
## 2 AYU LESTARI 76.9 76.7
## 3 BELA REGINA RAHMAWATI 77.1 77
## 4 GETAR TASYA SETIAWATI 76.6 76.4
## 5 LUTFIYAH FATCHIN 75.1 74.8
## 6 NADIYATUN NUR KHASANAH 77.3 76.9
## 7 NURUL AFIYATUN NISA 76.9 76.6
## 8 PUTRI LESTARI 75.1 75.2
## 9 SELFIYAH 77.7 76.8
## 10 SITI BAROKAH 73.6 73.2
## 11 YONA SILFIANA 76.9 76.9
## 12 YUNI INAS AENI 71.6 71.6#setalah itu kita akan mencoba mengurangi kolom supaya tidak terlalu banyak dan juga menghubungkan baris data nilai offline/online
data = data[,-1]
data## # A tibble: 12 x 2
## OFFLINE ONLINE
## <dbl> <dbl>
## 1 78.6 78.1
## 2 76.9 76.7
## 3 77.1 77
## 4 76.6 76.4
## 5 75.1 74.8
## 6 77.3 76.9
## 7 76.9 76.6
## 8 75.1 75.2
## 9 77.7 76.8
## 10 73.6 73.2
## 11 76.9 76.9
## 12 71.6 71.6#Lalu Gabungkan baris data nilai menjadi vektor. Gunakan fungsi t (matrix transpose)agar nilai sesuai urut menu.
a = c(t(as.matrix(data)))
a## [1] 78.5893 78.0536 76.8571 76.6786 77.0893 77.0000 76.6071 76.3750 75.0893
## [10] 74.8214 77.2679 76.9464 76.8750 76.6250 75.1071 75.1786 77.6607 76.7679
## [19] 73.5714 73.1607 76.8571 76.8571 71.5893 71.5893#Buat variabel baru untuk kategori, data nilai offline/online
f = c("OFFLINE", "ONLINE")
k = 2 #treatment levels
n = 12#data tiap treatment#Buat factor level sesuai anggota variabel r, gunakan fungsi gl.
tm = gl(k, 1, n*k, factor(f))
tm## [1] OFFLINE ONLINE OFFLINE ONLINE OFFLINE ONLINE OFFLINE ONLINE OFFLINE
## [10] ONLINE OFFLINE ONLINE OFFLINE ONLINE OFFLINE ONLINE OFFLINE ONLINE
## [19] OFFLINE ONLINE OFFLINE ONLINE OFFLINE ONLINE
## Levels: OFFLINE ONLINE#Gunakan fungsi aov untuk uji Anova, kemudian print out hasilnya menggunakan fungsi summary.
nilai = aov(a~tm)
summary(nilai)## Df Sum Sq Mean Sq F value Pr(>F)
## tm 1 0.40 0.402 0.111 0.742
## Residuals 22 79.42 3.610kesimpulannya adalah perbandingan data nilai offline dan online yaitu sama tidak ada yang besar dan kecil.