Notes Theme: - Kelas E: cayman
- Kelas F: tactile
- Kelas G: architect
- Kelas H: hpstr

Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

1 PENDAHULUAN

1.1 Latar Belakang

Munculnya pandemi COVID - 19 telah melumpuhkan aktivitas semua kalangan masyarakat. UNESCO telah mencatat sebanyak 1.5 miliar siswa terdampak pandemi COVID - 19 di 192 negara diantaranya adalah Indonesia. COVID - 19 yang sudah mewabah di dunia, membuat pemerintah menetapkan peraturan baru untuk mencegah penyebaran yaitu dengan menjaga jarak. Penerapan social distancing merupakan salah satu upaya untuk meminimalisir penyebaran wabah COVID - 19. Pandemi COVID - 19 telah berdampak pada semua bidang seperti ekonomi, politik, dan sistem pendidikan di Indonesia. Berdasarkan Surat Edaran No 4 Tahun 2020 yang berisi tentang implementasi peraturan baru mengenai pendidikan di masa pandemi. Kegiatan pembelajaran baik di sekolah maupun lembaga perguruan tinggi terpaksa dilakukan dari rumah atau disebut dengan School From Home dengan menggunakan sistem pembelajaran online. Pembelajaran online didefinisikan sebagai pembelajaran yang menggunakan koneksi internet dengan kemampuan dan aksesibilitas untuk memunculkan fitur interaksi dalam pembelajaran. Terdapat banyak istilah pembelajaran online seperti e - learning, web - based learning dan lain sebagainya. Selain memberikan materi secara online juga memberikan proses kegiatan belajar secara online. Pembelajaran online menuntut siswa untuk mandiri dan aktif mengolah informasi yang diberikan oleh dosen secara online. Keaktifan siswa selama kegiatan belajar dapat memberi dampak pada hasil belajar siswa.
Mengikuti aturan yang diberikan oleh Kementrian Pendidikan dan Kebudayaan, proses belajar di SMA Negeri 4 Sidoarjo dilakukan secara daring atau online selama pandemi COVID - 19. Dalam penerapan pembelajaran online, guru dan siswa mempunyai peran tersendiri. Guru sebagai pembimbing dan fasilitator dalam kegiatan belajar mengajar, sedangkan siswa sebagai pembelajar mandiri. Kondisi seperti ini sudah dilakukan di SMA Negeri 4 Sidoarjo, bahwa proses pembelajaran selama pandemi menggunakan pembelajaran online. Namun melihat kondisi pandemi yang belum terlihat kapan berakhirnya, mau tidak mau setiap aspek kehidupan akan merubah tatanannya dengan situasi normal yang baru atau biasa yang disebut dengan "new normal". Seperti yang kita ketahui, aturan untuk dibuka kembali kelas tatap muka, proses pembelajaran mulai dilakukan secara hybrid. Pembelajaran hybrid adalah pendekatan pendidikan di mana pelajar memilih antara berpartisipasi secara online atau secara langsung. Berubahnya keadaan memberi dampak pada kualitas pembelajaran dimana sebelumnya siswa dan guru berinteraksi secara langsung sekarang harus berinteraksi dalam ruang virtual. Metode pembelajaran yang dipilih oleh guru juga berpengaruh dalam keberhasilan pembelajaran. Proses pembelajaran akan mencapai keberhasilan apabila siswa memiliki pemahaman penuh terhadap materi yang diberikan selama pembelajaran. Hal itu tentu saja menjadi tantangan dan menimbulkan beberapa permasalahan apabila proses pembelajaran tidak berjalan maksimal. Oleh karena itu pertimbangan pemilihan metode pembelajaran yang tepat sangat mempengaruhi keefektifan dan kualitas pembelajaran digunakan.

1.2 Tinjauan Pustaka

1.2.1 Statistik Deskriptif

Metode analisis data adalah suatu metode yang digunakan untuk mengolah hasil penelitian guna memperoleh suatu kesimpulan. Adapun metode analisis data yang digunakan dalam penelitian ini adalah analisis deskriptif statistik. Analisis deskriptif statistik digunakan untuk mendeskripsikan data dari variabel prestasi dan motivasi siswa sehingga dapat diketahui sebaran datanya. Hasil dari jawaban responden dapat dikategorikan dan disajikan meliputi nilai minimum, nilai maksimum, rata-rata dan standar deviasi. Deskripsi karakteristik responden akan dijabarkan berdasarkan asal sekolah, jenis kelamin dan pekerjaan orang tua dengan analisis deskriptif statistik. Semua data yang dikumpulkan baik angket maupun dokumentasi,dianalisis dengan menggunakan teknik analisis persentase kemudian dideskripsikan dan diambil kesimpulan tentang masing-masing komponen atas dasar kriteria yang telah ditentukan. Besarnya persentase pada kategori mana, menunjukan informasi yang diungkapkan langsung dapat diketahui posisi masing-masing aspek dalam keseluruhan maupun bagian-bagian permasalahan yang diteliti.

1.2.2 Uji Normalitas

Penggunaan statistik parametris untuk pengujian hipotesis memerlukan prasyarat data variabel berdistribusi normal (Sugiyono,2011:75). Untuk itu sebelum melakukan analisis data, maka kenormalan data harus diuji terlebih dahulu. Uji ini dikenakan pada data variabel motivasi belajar siswa penerima KMS dan siswa reguler. Uji normalitas data dilakukan dengan menggunakan uji satu sampel Kolmogorov-Smirnov (One Sampel Kolmogorov-Smirnov Test). Kriteria pengujian adalah jika nilai sig. (Signifikansi) atau nilai probablitias ??? 0,05 maka distribusi adalah tidak normal, sedangkan jika sig. (Signifikansi) atau nilai probablitas ??? 0,05 maka distribusi adalah normal. (Singgih Santoso, 2004:168)

1.2.3 Uji Homogenitas

1.2.3.1 Uji Homogenitas Varians

Pada penelitian ini, uji homogenitas menggunakan program pengolah data dengan uji Levene (Levene Test). Uji Levene akan muncul bersamaan dengan hasil uji coba beda rata-rata atau uji-t. Kriteria pengujiannya adalah apabila nilai Sig. (Signifikansi) atau nilai probabilitas ??? 0,05 maka data berasal dari populasi-populasi yang mempunyai varians tidak sama, sedangkan jika nilai Sig. (Signifikansi) atau nilai probabilitas ??? 0,05 maka data berasal dari populasi-populasi yang mempunyai varians yang sama. (Singgih Santoso, 2004: 168).

1.2.3.2 Uji Homogenitas Matriks Varian/Kovarian

Dalam pengujian menggunakan MANOVA, disyaratkan bahwa matriks varian/kovarian dari variabel dependen sama. Untuk melihat bahwa variabel dependen sama dilihat dari tabel Box's M dengan nilai signifikansi > 0,05.

1.2.4 Uji Hipotesis

Pengujian hipotesis dilakukan setelah kedua kelas terbukti memiliki sampel yang berdistribusi normal dan memiliki varian yang homogen melalui uji normalitas dan uji homogenitas.

1.2.5 Multivariate Analysis of Variance (MANOVA)

Multivariate analysis of variance atau juga dikenal dengan sebutan MANOVA Dikembangkan sebagai konstruk teoritis oleh S.S. Wilks pada tahun 1932. MANOVA merupakan multivariat perluasan dari konsep dan teknik univariat analysis of varians (ANOVA) yang digunakan untuk menganalisis perbedaan antara rata-rata (mean) kelompok. Perbedaan antara ANOVA dan MANOVA terletak pada jumlah variabel dependennya. ANOVA digunakan untuk mengetahui apakah terdapat perbedaan pengaruh perlakuan terhadap satu variabel dependen, sedangkan MANOVA digunakan untuk mengetahui apakah terdapat perbedaan pengaruh terhadap lebih dari satu variabel dependen (Tabachnick, 1996). MANOVA adalah singkatan dari Multivariate analysis of variance yang merupakan pengembangan dari ANOVA. Tujuan dari MANOVA adalah untuk menguji apakah vektor rataan dua atau lebih grup sampel diambil dari sampel distribusi yang sama. MANOVA biasa digunakan dalam dua kondisi utama. Kondisi pertama adalah saat terdapat beberapa variabel dependen yang berkorelasi, sementara peneliti hanya menginginkan satu kali tes keseluruhan pada kumpulan variabel ini dibandingkan dengan beberapa kali tes individual. Kondisi kedua adalah saat peneliti ingin mengetahui bagaimana variabel independen mempengaruhi pola variabel dependennya (Santoso, 2010). MANOVA adalah generalisasi dari analisis varians untuk situasi di mana ada beberapa variabel idependen dengan mengukur beberapa variabel dependen, seseorang peneliti dapat meningkatkan kemungkinan perubahan yang dihasilkan oleh perlakuan yang berbeda - beda dan interaksi-interaksi yang berbeda - beda namun meningkatan kompleksitas analisis. Keuntungan dari MANOVA melalui serangkaian ANOVA, untuk setiap variabel dependen adalah perlindungan terhadap kesalahan tipe 1, tapi keuntungan ini terlihat hanya ketika uji signifikansi dua sisi jika tes satu sisi yang diinginkan, penggunaan manova dapat mengakibatkan kerugian yang tidak dapat diterima hasilnya (Tabachnick, 1996).

1.3 Data

Data yang digunakan dalam penelitian ini adalah data primer. Data ini merupakan data yang didapatkan berdasarkan kuisioner yang diberikan kepada siswa kelas XII SMK Darul Huda Wonodadi. Data yang diperoleh meliput data nilai mata pelajaran Bahasa Indonesia, Matematika, dan Bahasa Inggris.

2 SOURCE CODE2.1 Library yang Dibutuhkan> library(readxl)
> library(mvnormtest)
> library(MVTests)
2.2 Import Data> Data_MANOVA <- read_excel("D:/STATISTIKA/Data_Komstat.xlsx") 
> head(Data_MANOVA, n=9)
# A tibble: 9 x 4
  Perlakuan `Bahasa Indonesia` `Bahasa Inggris` Matematika
  <chr>                  <dbl>            <dbl>      <dbl>
1 Offline                0.461            0.486      0.482
2 Online                 0.698            0.470      0.486
3 Hybrid                 0.461            0.499      0.478
4 Offline                0.532            0.474      0.486
5 Online                 0.549            0.470      0.453
6 Hybrid                 0.545            0.482      0.474
7 Offline                0.470            0.461      0.360
8 Online                 0.433            0.465      0.486
9 Hybrid                 0.327            0.453      0.474
2.3 Analisis Data2.3.1 Uji Asumsi Kenormalan> mshapiro.test(t(Data_MANOVA[,2:4]))

    Shapiro-Wilk normality test

data:  Z
W = 0.59632, p-value = 8.662e-05
2.3.2 Uji Asumsi Homogenitas Covarians> BoxM(data = Data_MANOVA[,2:4], Data_MANOVA$Perlakuan)
$Chisq
[1] NaN

$df
[1] 12

$p.value
[1] NaN

$Test
[1] "BoxM"

attr(,"class")
[1] "MVTests" "list"   
2.3.3 Analisis MANOVA> Data_Komstat <- Data_MANOVA
> uji_Manova <- manova(cbind(Data_Komstat$`Bahasa Indonesia`,Data_Komstat$`Bahasa Inggris`,Data_Komstat$Matematika)~Data_Komstat$Perlakuan)
> uji_Manova
Call:
   manova(cbind(Data_Komstat$`Bahasa Indonesia`, Data_Komstat$`Bahasa Inggris`, 
    Data_Komstat$Matematika) ~ Data_Komstat$Perlakuan)

Terms:
                Data_Komstat$Perlakuan  Residuals
resp 1                      0.02048867 0.06231815
resp 2                      0.00014504 0.00142296
resp 3                      0.00209952 0.01110672
Deg. of Freedom                      2          6

Residual standard errors: 0.1019135 0.0154 0.04302464
Estimated effects may be unbalanced
2.3.4 Pengujian Penentuan Keputusan> summary.manova(uji_Manova,test ="Pillai")
                       Df  Pillai approx F num Df den Df Pr(>F)
Data_Komstat$Perlakuan  2 0.61536   0.7407      6     10 0.6296
Residuals               6                                      
> summary.manova(uji_Manova,test ="Wilks")
                       Df   Wilks approx F num Df den Df Pr(>F)
Data_Komstat$Perlakuan  2 0.45802   0.6368      6      8 0.7002
Residuals               6                                      
> summary.manova(uji_Manova,test ="Hotelling-Lawley")
                       Df Hotelling-Lawley approx F num Df den Df Pr(>F)
Data_Komstat$Perlakuan  2           1.0231  0.51154      6      6 0.7825
Residuals               6                                               
> summary.manova(uji_Manova,test ="Roy")
                       Df     Roy approx F num Df den Df Pr(>F)
Data_Komstat$Perlakuan  2 0.83007   1.3834      3      5 0.3496
Residuals               6                                      

3 HASIL DAN PEMBAHASAN

3.1 Uji Asumsi Kenormalan

Hipotesis:

\(H_0\) = Data Berdistribusi Normal Multivariat

\(H_1\) = Data tidak Berdistribusi Normal Multivariat

Hasil Analisis

    Shapiro-Wilk normality test

data:  Z
W = 0.59632, p-value = 8.662e-05

Keputusan:

Berdasarkan hasil analisis kenormalan dengan metode shapiro wilk didapatkan nilai p-value < 0,05. Sehingga hal ini dapat diambil keputusan bahwa H0 ditolak.

Kesimpulan:

Dengan tingkat kepercayaan 95% dapat dibuktikan bahwa data tidak berdistribusi normal multivariat.

3.2 Uji Asumsi Homogenitas Covarians

Hipotesis:

\(H_0\) = Data Bersifat Homogen

\(H_1\) = Data tidak Bersifat Homogen

Hasil Analisis

$Chisq
[1] 67.45121

$df
[1] 12

$p.value
[1] 9.572592e-10

$Test
[1] "BoxM"

attr(,"class")
[1] "MVTests" "list"

Keputusan:

Berdasarkan hasil analisis homogenitas didapatkan nilai p-value < 0,05. Sehingga hal ini dapat diambil keputusan bahwa H0 ditolak.

Kesimpulan:

Dengan tingkat kepercayaan 95% dapat dibuktikan bahwa data tidak bersifat homogen.

3.3 Pengujian Penentuan Keputusan

                       Df  Pillai approx F num Df den Df Pr(>F)
Data_Komstat$Perlakuan  2 0.91294   1.3997      6     10  0.304
Residuals               6                                      
                       Df   Wilks approx F num Df den Df Pr(>F)
Data_Komstat$Perlakuan  2 0.13259   2.3284      6      8 0.1334
Residuals               6                                      
                       Df Hotelling-Lawley approx F num Df den Df  Pr(>F)  
Data_Komstat$Perlakuan  2           6.1989   3.0995      6      6 0.09722 .
Residuals               6                                                  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
                       Df   Roy approx F num Df den Df  Pr(>F)  
Data_Komstat$Perlakuan  2 6.143   10.238      3      5 0.01417 *
Residuals               6                                       
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Hipotesis

\(H_0=\mu_1=\mu_2=\mu_3\)

\(H_1\)=Setidaknya ada salah satu perlakuan yang berbeda

Kriteria Uji	Nilai P-Value	Keputusan
Pillai	0.304	Terima \(H_0\)
Wilks	0.1334	Terima \(H_0\)
Hotelling-Lawley	0.09722	Terima \(H_0\)
Roy	0.01417	Tolak \(H_0\)

Keputusan

Berdasarkan tabel diatas dapat dilihat Sebagaian besar keputusan menunjukkan nilai p-value > 0,05. Sehingga hal ini menunjukkan untuk mengambil keputusan H0 diterima.

Kesimpulan

Dengan tingkat kepercayaan 95% dapat dibuktikan bahwa tidak terdapat perbedaan pengaruh nyata antara 3 perlakuan (Online, Offline, Hybrid) terhadap jumlah Mata Pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika.

4 DAFTAR PUSTAKA

Amirullah, SE., M.M Wijaya, Tony Budiman, S. 2013. Analisis Multivariat Untuk Penelitian Manajemen. 21-2-2018 Ghozali, Imam. 2016. Aplikasi Multivariate dengan Program IBM SPSS 23. Semarang: Badan Penerbit Universitas Diponegoro. Hair, J. F. et al. 2010. Multivariate Data Analysis: A Global Perspective, 7th Edition. New Jersey: Pearson Prentice Hall. Lestari, K. E., & Yudhanegara, M. R. 2017. Penelitian Pendidikan Matematika. Bandung: PT Refika Aditama. Prasetyo, Tri Adi, chrisna Tri Harjonto. 2020. Pengaruh Mutu Pembelajaran Online dan Tingkat Kepuasan Mahasiswa Terhadap Hasil Belajar Saat Pandemi Covid 19. Jurnal: Universitas Negeri Yogyakarta. Puspitasari, D., Nugroho, S., & Swita, B. 2015. Kajian Multivariate Analysis of Variance (Manova) Pada Rancangan Acak Lengkap (RAL). Jurnal Statistika, 2(5), 5-8. Santoso, Singgih. 2012. Aplikasi SPSS pada Statistik Multivariat. Jakarta: PT Elex Komutindo.