Pertemuan 11
Uji Perbedaan Dua Rata-Rata
Sub-CPMK 6: Statistika Parametrik. Memahami perbedaan mendasar pengujian hipotesis pada dua jenis sampel.
Pre-test (Subjek yang Sama)
S1
S2
S3
S4
S5
S1
S2
S3
S4
S5
Satu kelompok subjek diukur dua kali (Misal: Nilai Sebelum vs Sesudah Perlakuan).
Kelompok A (Eksperimen)
A1
A2
A3
A4
A5
Kelompok B (Kontrol)
B1
B2
B3
B4
B5
Dua kelompok subjek yang berbeda diukur secara terpisah (Misal: Kelas A vs Kelas B).
Sampel Berhubungan
Apakah media pembelajaran meningkatkan nilai?
Dosen mengukur nilai 6 mahasiswa sebelum dan sesudah menggunakan media web.
| Mhs | Sebelum | Sesudah | Selisih |
|---|---|---|---|
| A | 60 | 70 | +10 |
| B | 65 | 68 | +3 |
| C | 70 | 78 | +8 |
| D | 55 | 60 | +5 |
| E | 75 | 80 | +5 |
| F | 65 | 74 | +9 |
| Rata-rata | 65,00 | 71,67 | +6,67 |
Pertanyaan Pembuka:
- Apakah rata-rata nilai setelah pembelajaran lebih tinggi?
- Apakah kenaikan tersebut cukup kuat secara statistik?
- Mengapa data sebelum & sesudah harus dipasangkan?
Penekanan: Rata-rata meningkat 6,67 poin. Namun peningkatan deskriptif saja belum membuktikan beda signifikan secara statistik. Dibutuhkan Uji T Berpasangan.
Sampel Tidak Berhubungan
Apakah nilai Kelas A berbeda dari Kelas B?
Dosen membandingkan dua kelas berbeda. Mahasiswa A tidak dipasangkan dengan mahasiswa B.
| Kelompok | Jml Mahasiswa | Rata-rata |
|---|---|---|
| Kelas A | 10 | 78 |
| Kelas B | 10 | 72 |
Pertanyaan Pembuka:
- Apakah rata-rata kelas A berbeda dari kelas B?
- Mengapa mahasiswa di kelas A tidak perlu dipasangkan dengan B?
- Apakah selisih 6 poin otomatis berarti signifikan?
Visualisasi Sebaran: Perhatikan titik sebaran di samping. Meskipun rata-ratanya beda (Garis Tebal), lihat bagaimana nilai individu saling tumpang tindih (overlap). Uji hipotesis independen diperlukan!
A. Uji Dua Rata-Rata Berhubungan (Paired-Samples T-Test)
Pengertian: Digunakan ketika dua pengukuran saling berhubungan (Misal: Nilai mahasiswa yang sama, Sebelum dan Sesudah perlakuan media pembelajaran).
📊 1. Input Data Kasus
| Mhs | Sebelum | Sesudah | Selisih (d) |
|---|
🧮 2. Proses Analisis Statistik
t =
= ?
d̄
sd / √n
Rata-rata Selisih (d̄)-
Simpangan Baku (sd)-
Banyak Sampel (n)6
Derajat Bebas (df = n-1)5
T-Hitung-
Kesimpulan Kontekstual
Klik tombol Hitung & Simulasikan untuk melihat interpretasi hasil dan signifikansi.
📈 3. Visualisasi Perubahan Nilai
● Naik | ● Turun | ● Tetap
Cara Membaca Hasil Analisis Data
Langkah demi langkah menginterpretasikan hasil Uji Paired-Samples T-Test.
Lembar Hasil Output Uji
1. STATISTIK DESKRIPTIF (Rata-rata)
Rata-rata (Mean) Sebelum
65.00
Rata-rata (Mean) Sesudah
71.67
Selisih Rata-rata (Mean Diff)
+6.67
2. HASIL UJI T (Signifikansi)
Nilai t-hitung (t-value)
5.980
Nilai t-tabel (df=5, α=0.05)
2.571
Nilai p-value (Sig. 2-tailed)
0.0019
3. STATUS KEPUTUSAN HIPOTESIS
H₀ DITOLAK (Signifikan)
Klik urutan di bawah ini untuk panduan membaca:
B. Uji Dua Rata-Rata Tidak Berhubungan (Independent T-Test)
Bandingkan rata-rata dari dua kelompok berbeda (Misal: Kelas A vs Kelas B).
💡 Rekomendasi Modern: Gunakan Welch's Test jika Anda tidak yakin variansi (sebaran data) kedua kelompok sama persis.
Kelompok A (Biru) 78
Kelompok B (Ungu) 72
Coba ubah Sebaran (Variasi). Semakin tumpang tindih kurvanya, semakin kecil nilai t.
✔ Welch's T-Test (Variansi Berbeda)
t =
X̄₁ - X̄₂
√(s₁²/n₁ + s₂²/n₂)
Selisih (X̄₁ - X̄₂) 6.00
Standar Error (SE) 1.73
Derajat Bebas (df) 48.2
t = 3.47
Pooled T-Test (Asumsi Variansi Sama)
t =
X̄₁ - X̄₂
Sp √(1/n₁ + 1/n₂)
Standar Error (SE) 1.73
Derajat Bebas (df) 58
t = 3.47
Cara Membaca Output Independent T-Test
Strategi 4 Langkah membaca hasil perbandingan dua kelompok berbeda (Kasus B).
Lembar Output Statistik
1. GROUP STATISTICS
| Kelompok | N | Mean | Std. Deviation |
|---|---|---|---|
| Kelas A | 10 | 78.00 | 5.00 |
| Kelas B | 10 | 72.00 | 8.00 |
2. INDEPENDENT SAMPLES TEST
Levene's Test for Equality of Variances
Menentukan baris mana yang harus dibaca.
Menentukan baris mana yang harus dibaca.
F 5.120
Sig. 0.035
Sig. 0.035
| Asumsi Variansi | t | df | Sig. (2-tailed) |
|---|---|---|---|
| Equal variances assumed | 2.105 | 18 | 0.051 |
| Equal variances not assumed (Welch's Test) |
2.449 | 14.3 | 0.029 |
H₀ DITOLAK (Ada Perbedaan Signifikan)
Klik urutan di bawah ini untuk panduan:
Peta Jalan Statistika Parametrik
Kapan Harus Menggunakan Uji Lain?
Uji-T sangat kuat, tetapi memiliki keterbatasan. Kenali berbagai alat analisis statistik lainnya yang akan berguna untuk riset Anda di masa depan.
T-Test
Maksimal 2 Kelompok
Metode yang baru saja Anda pelajari. Sangat efektif, namun secara matematis hanya mampu membandingkan maksimal dua rata-rata secara bersamaan.
"Membandingkan hasil belajar siswa antara Kelas Eksperimen (Web) dan Kelas Kontrol."
ANOVA
3 Kelompok atau Lebih
Analysis of Variance. Digunakan ketika riset Anda semakin berkembang dan harus membandingkan lebih dari dua kelompok metode/kelas sekaligus tanpa meningkatkan risiko error.
"Menganalisis perbedaan hasil belajar pada tiga kelas: Pengguna VR 360, Web Interaktif, dan Modul Cetak."
MANOVA
Multi Variabel Terikat
Multivariate ANOVA. Alat uji kompleks yang tidak hanya mampu menangani banyak kelompok, tetapi juga mampu mengukur lebih dari satu hasil/dampak (Variabel Y) secara simultan.
"Mengukur pengaruh media AI terhadap Hasil Belajar sekaligus Literasi Ekologi siswa secara bersamaan."
Ekosistem Analisis Statistik Lanjutan
Selain Uji-T dan ANOVA, dunia statistika memiliki berbagai instrumen spesifik untuk menjawab tantangan desain riset pendidikan yang lebih kompleks. Arahkan kursor pada kartu untuk melihat contoh penerapannya.
ANCOVA / MANCOVA
Gunakan ini jika Anda ingin mengontrol variabel pengganggu (Kovariat) agar hasil perbandingan kelas eksperimen lebih murni dan akurat.
Contoh Kasus Riset
Membandingkan hasil belajar siswa antara media Web vs Konvensional, sambil mengontrol nilai awal (Pre-test) atau IQ siswa sebagai variabel kovariat agar tidak bias.
Repeated Measures
Versi upgrade dari Paired T-Test. Gunakan jika satu kelompok subjek diukur secara berulang lebih dari dua kali.
Contoh Kasus Riset
Menganalisis perkembangan pemahaman konsep sains mahasiswa PGSD pada bulan pertama, kedua, dan ketiga setelah diterapkan blended learning.
Uji Non-Parametrik
Jalur penyelamat (Mann-Whitney, Kruskal-Wallis) jika data Anda jumlahnya sangat kecil atau tidak berdistribusi normal (Asumsi Parametrik gugur).
Contoh Kasus Riset
Melakukan eksperimen media pembelajaran pada sekolah di pelosok dengan jumlah sampel hanya 12 siswa, sehingga data tidak membentuk kurva lonceng normal.
PLS-SEM
Pemodelan Persamaan Struktural. Level paling mutakhir untuk memetakan hubungan kausal yang rumit antar variabel laten (tidak terlihat langsung).
Contoh Kasus Riset
Memodelkan struktur kompleks bagaimana Virtual Reality berbasis AI-Generated 360° secara serentak membentuk minat, motivasi, dan Literasi Ekologi siswa.