PERBANDINGAN VEKTOR MEAN SAMPEL INDEPENDENT, ELLIPSOID

CONFIDENCE DAN POS HOC

Pengujian Hipotesis Rata-Rata Dua Populasi Independen (Univariat)

Hipotesis:
1. 𝐻0 : 𝜇1 = 𝜇2 , 𝐻1 : 𝜇1 ≠ 𝜇2
2. 𝐻0 : 𝜇1 ≤ 𝜇2 , 𝐻1 : 𝜇1 > 𝜇2
3. 𝐻0 : 𝜇1 ≥ 𝜇2 , 𝐻1 : 𝜇1 < 𝜇2

𝑥̅1 − 𝑥̅ 2
𝑡=
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22 1 1
√ (𝑛 + 𝑛 )
(𝑛1 + 𝑛2 − 2) 1 2

Dengan
𝑛1 𝑛1
1 1 2
𝑥̅1 = ∑ 𝑥1𝑗 , 𝑠12 = ∑(𝑥1𝑗 − 𝑥̅1 )
𝑛1 𝑛1 − 1
𝑗=1 𝑗=1
𝑛2 𝑛2
1 1 2
𝑥̅2 = ∑ 𝑥2𝑗 , 𝑠22 = ∑(𝑥2𝑗 − 𝑥̅2 )
𝑛2 𝑛2 − 1
𝑗=1 𝑗=1
Kriteria 𝐻0 ditolak jika:
1. |𝑡|>𝑡𝛼,𝑛 +𝑛 −2
2 1 2

2. 𝑡 > 𝑡𝛼,𝑛1+𝑛2−2
3. 𝑡 < −𝑡𝛼,𝑛1+𝑛2 −2

Struktur data multivariat:

Sampel Urutan Data Mean Matriks Kovarian
𝑛1 𝑛1
1 𝒙11 , 𝒙12 , … , 𝒙1𝑛1 1 1
(𝒙1𝑗 , 𝑗 = 1 … , ̅1 = ∑ 𝒙1𝑗
𝒙 𝑺1 = ̅1 )(𝒙1𝑗 − 𝒙
∑(𝒙1𝑗 − 𝒙 ̅1 )′
𝑛1 𝑛1 − 1
𝑛1 adalah vector 𝑗=1 𝑗=1
berukuran p × 1 )
𝑛2 𝑛2
2 𝒙21 , 𝒙22 , … , 𝒙2𝑛2 1 1
̅2 = ∑ 𝒙2𝑗
𝒙 𝑺2 = ̅2 )(𝒙2𝑗 − 𝒙
∑(𝒙2𝑗 − 𝒙 ̅2 )′
𝑛2 𝑛2 − 1
𝑗=1 𝑗=1

Asumsi memperhatikan struktur data:

1. 𝑿11 , 𝑿12 , … , 𝑿1𝑛1 sampel acak berukuran 𝑛1 berasal dari populasi p-variat
dengan mean 𝝁1 dan matriks kovarians 𝚺1
2. 𝑿21 , 𝑿22 , … , 𝑿2𝑛2 sampel acak berukuran 𝑛2 berasal dari populasi p-variat
dengan mean 𝝁2 dan matriks kovarians 𝚺2
3. 𝑿11 , 𝑿12 , … , 𝑿1𝑛1 independent terhadap 𝑿21 , 𝑿22 , … , 𝑿2𝑛2

1
Untuk ukuran sampel kecil, terdapat tambahan berupa:
1. Kedua populasi berdistribusi normal multivariat
2. 𝚺1 = 𝚺2

Uji Hipotesis Vektor Rata – Rata Dua Populasi Independen

Hipotesis yang akan diuji:

𝜇11 𝜇21 𝜇11 𝜇21
𝜇12 𝜇22 𝜇12 𝜇22
𝐻0 : [ ⋮ ]=[ ⋮ ] dan 𝐻1 : [ ⋮ ] ≠ [ ⋮ ]
𝜇1𝑝 𝜇2𝑝 𝜇1𝑝 𝜇2𝑝

𝐻0 ditolak jika
(𝑛1 +𝑛2 −𝑝−1)
𝐹= (𝑛1 +𝑛2 −2)𝑝
𝑇 2 > 𝐹𝑝,𝑛1+𝑛2−𝑝−1 (𝛼)
𝑛 𝑛
dengan 𝑇 2 = (𝑛 1+𝑛2 ) (𝒙 ̅2 )′(𝑺)−1 (𝒙
̅1 − 𝒙 ̅2 )
̅1 − 𝒙
1 2

Penurunan Uji 𝑇 2 Hotelling

(𝑥̅ 1 −𝑥̅ 2 )2
𝑡 2 = (𝑛 −1)𝑠 2 +(𝑛 −1)𝑠2
1 1 2 2( 1 + 1 )
(𝑛1 +𝑛2 −2) 𝑛1 𝑛2

−1
(𝑛1 −1)𝑠12 +(𝑛2 −1)𝑠22 1 1
= (𝑥̅1 − 𝑥̅2 ) ( (𝑛1 +𝑛2 −2)
(𝑛 + 𝑛 )) (𝑥̅1 − 𝑥̅2 )
1 2

−1
𝑛 𝑛 (𝑛1 −1)𝑠12 +(𝑛2 −1)𝑠22
=(𝑛 1+𝑛2 ) (𝑥̅1 − 𝑥̅2 ) ( (𝑛1 +𝑛2 −2)
) (𝑥̅1 − 𝑥̅ 2 )
1 2

𝑛1 𝑛2 −1
𝑇2 = ( ) (𝒙 ̅2 )′(𝑺𝒈𝒂𝒃 ) (𝒙
̅1 − 𝒙 ̅2 )
̅1 − 𝒙
𝑛1 + 𝑛2
(𝑛1 −1)𝑺1 +(𝑛2 −1)𝑺2
dengan 𝑺𝒈𝒂𝒃 = (𝑛1 +𝑛2 −2)
,

𝑺1 matriks kovarians kelompok 1 dan 𝑺2 matriks kovarians kelompok 2

2
 Interval Kepercayaan dengan 𝑻𝟐 Hotelling

1 1 1 1
𝑥̅1𝑖 − 𝑥̅2𝑖 − 𝑐√𝑠𝑔𝑎𝑏.𝑖𝑖 (𝑛 + 𝑛 ) < 𝜇1𝑖 − 𝜇2𝑖 <𝑥̅1𝑖 − 𝑥̅2𝑖 + 𝑐 √𝑠𝑔𝑎𝑏.𝑖𝑖 (𝑛 + 𝑛 )
1 2 1 2

(𝑛1 +𝑛2 −2)𝑝

dengan 𝑐 2 = (𝑛 𝐹𝑝,𝑛1+𝑛2−𝑝−1 (𝛼)
1 +𝑛2 −𝑝−1)

Interval Kepercayaan dengan t Bonferoni

𝛼 1 1
𝑥̅1𝑖 − 𝑥̅2𝑖 − 𝑡𝑛1 +𝑛2−2 (2𝑝) √𝑠𝑔𝑎𝑏.𝑖𝑖 (𝑛 + 𝑛 ) < 𝜇1𝑖 − 𝜇2𝑖 <𝑥̅1𝑖 − 𝑥̅2𝑖 +
1 2

𝛼 1 1
𝑡𝑛1 +𝑛2−2 (2𝑝) √𝑠𝑔𝑎𝑏.𝑖𝑖 (𝑛 + 𝑛 )
1 2

Interval Kepercayaan dengan t

𝛼 1 1
𝑥̅1𝑖 − 𝑥̅2𝑖 − 𝑡𝑛1 +𝑛2−2 (2𝑝) √𝑠𝑔𝑎𝑏.𝑖𝑖 (𝑛 + 𝑛 ) < 𝜇1𝑖 − 𝜇2𝑖 <𝑥̅1𝑖 − 𝑥̅2𝑖 +
1 2

𝛼 1 1
𝑡𝑛1 +𝑛2−2 (2𝑝) √𝑠𝑔𝑎𝑏.𝑖𝑖 (𝑛 + 𝑛 )
1 2

Uji Lanjut dengan Uji t

Hipotesis :
1. 𝐻0 : 𝜇1𝑖 = 𝜇2𝑖 , 𝐻1 : 𝜇1𝑖 ≠ 𝜇2𝑖
2. 𝐻0 : 𝜇1𝑖 ≤ 𝜇2𝑖 , 𝐻1 : 𝜇1𝑖 > 𝜇2𝑖
3.𝐻0 : 𝜇1𝑖 ≥ 𝜇2𝑖 , 𝐻1 : 𝜇1𝑖 < 𝜇2𝑖

𝑥̅1𝑖 − 𝑥̅ 2𝑖
Statistik uji : 𝑡 =
1 1
√𝑠𝑖𝑖 ( + )
𝑛1 𝑛2
Dengan
𝑠𝑖𝑖 adalah diagonal ke i dari matriks kovarians 𝑺𝒈𝒂𝒃

Kriteria :𝐻0 ditolak jika

1. |𝑡|>𝑡𝛼,𝑛1+𝑛2−2
2

2. 𝑡 > 𝑡𝛼,𝑛1+𝑛2−2

3. 𝑡 < −𝑡𝛼,𝑛1+𝑛2 −2

Untuk t Bonferroni nilai  dibagi dengan banyak variabel.

3
Daerah konfidensi 100(1 − 𝛼)%
−1
(𝒙 ̅2 − (𝝁1 − 𝝁2 ))′(𝑺𝒈𝒂𝒃 ) (𝒙
̅1 − 𝒙 ̅1 − 𝒙
̅2 −(𝝁1 − 𝝁2 ))
𝑛1 + 𝑛2 (𝑛1 + 𝑛2 − 2)𝑝
≤( ) 𝐹 (𝛼)
𝑛1 𝑛2 (𝑛1 + 𝑛2 − 𝑝 − 1) 𝑝,𝑛1+𝑛2−𝑝−1
Secara geometris ditentukan oleh nilai eigen 𝜆𝑖 dan vektor eigen ternormalisasi
𝒆𝑖 dari matriks kovarians 𝑺𝒈𝒂𝒃 . Pusat ellipsoid adalah 𝒙̅1 − 𝒙
̅2 . Arah sumbu
ditentukan oleh 𝒆𝑖 dan panjang setengah sumbu ellipsoid ditentukan oleh

𝑛1 + 𝑛2 (𝑛1 + 𝑛2 − 2)𝑝
√ 𝜆𝑖 ( ) 𝐹 (𝛼)
𝑛1 𝑛2 (𝑛1 + 𝑛2 − 𝑝 − 1) 𝑝,𝑛1+𝑛2−𝑝−1

𝐻0 ditolak jika 𝟎 terletak di luar elipsoide. Elipsoid hanya bisa digambar untuk
nilai p =2 dan p=3.

UNTUK UKURAN SAMPEL YANG BESAR:

Daerah konfidensi 100(1 − 𝛼)%
−1
1 1
(𝒙 ̅2 − (𝝁1 − 𝝁2 ))′ ( 𝑺1 + 𝑺2 ) (𝒙
̅1 − 𝒙 ̅2 − (𝝁1 − 𝝁2 )) ≤ 𝜒𝑝2 (𝛼)
̅1 − 𝒙
𝑛1 𝑛2
Interval kepercayan dengan 𝑻𝟐 Hotelling

1 1
𝑥̅1𝑖 − 𝑥̅2𝑖 − √𝜒𝑝2 (𝛼)√𝑑𝑖𝑎𝑔𝑖𝑖 (𝑛 𝑺1 + 𝑛 𝑺2 ) < 𝜇1𝑖 − 𝜇2𝑖 <𝑥̅1𝑖 − 𝑥̅2𝑖 +
1 2

1 1
√𝜒𝑝2 (𝛼)√𝑑𝑖𝑎𝑔𝑖𝑖 (𝑛 𝑺1 + 𝑛 𝑺2 )
1 2

UNTUK UKURAN SAMPEL KECIL NAMUN MATRIKS KOVARIAN TIDAK

SAMA
𝐻0 ditolak jika
1 1 −1 𝜈𝑝
(𝒙
̅1 − 𝒙
̅2 − (𝝁1 − 𝝁2 ))′ ( 𝑺 + 𝑺2 ) (𝒙̅1 ̅2 − (𝝁1 − 𝝁2 )) >
−𝒙 𝐹 (𝛼)
𝑛1 1 𝑛2 𝜈−𝑝+1 𝑝,𝜈−𝑝+1

𝑝+𝑝2
Dengan 𝜈 = −1 2 −1
2
1 1 1 1 1 1 1
∑2𝑖=1 {𝑡𝑟[( 𝑺𝑖 ( 𝑺1 + 𝑺2 ) ) ]+(𝑡𝑟( 𝑺𝑖 ( 𝑺1 + 𝑺2 ) )) }
𝑛𝑖 𝑛𝑖 𝑛1 𝑛2 𝑛𝑖 𝑛1 𝑛2

Daerah konfidensi 100(1 − 𝛼)%

−1
1 1
(𝒙 ̅2 − (𝝁1 − 𝝁2 ))′ ( 𝑺1 + 𝑺2 ) (𝒙
̅1 − 𝒙 ̅1 − 𝒙
̅2 − (𝝁1 − 𝝁2 ))
𝑛1 𝑛2
𝜈𝑝
≤ 𝐹 (𝛼)
𝜈 − 𝑝 + 1 𝑝,𝜈−𝑝+1

4
I. HASIL PERHITUNGAN UJI HIPOTESIS VEKTOR RATA – RATA DUA
SAMPEL TIDAK BERPASANGAN

Data hasil penelitian menggunakan 2 kelas eksperimen yaitu kelas eksperimen

1 yang diajarkan dengan menggunakan model pembelajaran Think Pair Share
dan kelas eksperimen 2 dengan model Problem Based Learning. Masing –
masing model pembelajaran akan mengukur kemampuan pemecahan masalah
matematika dan kemampuan komunikasi matematika. Berikut diambil data
untuk masing – masing jumlah populasi sebanyak 10 siswa.

Subyek I TPS Subyek II PBL

KPM KKM KPM KKM
1 83 75 1 75 67
2 88 78 2 83 72
3 95 78 3 88 78
4 79 83 4 63 72
5 83 89 5 66 61
6 83 89 6 75 78
7 88 78 7 79 61
8 96 83 8 83 67
9 83 65 9 66 67
10 96 89 10 83 78
Rata-Rata 87,4 80,7 Rata-Rata 76,1 70,1

Keterangan:
TPS : Think Pair Share
PBL : Problem Based Learning
KPM : Kemampuan Pemecahan Masalah
KKM : Kemampuan Komunikasi Matematika

5
A. Perhitungan Manual
1. Uji Hipotesis
𝐻0 : 𝜇 = 0 Tidak ada perbedaan rata – rata kemampuan pemecahan
masalah matematika dan kemampuan komunikasi
matematika yang diajar dengan model Think Pair Share
dan Problem Based Learning

𝐻1 : 𝜇 ≠ 0 Ada perbedaan rata – rata kemampuan pemecahan

masalah matematika dan kemampuan komunikasi
matematika yang diajar dengan model Think Pair Share
dan Problem Based Learning.

2. Taraf Signifikansi
𝛼 = 0,05

3. Uji Statistik
𝑛1 𝑛2 −1
𝑇2 = ( ) (𝒙 ̅2 )′(𝑺𝒈𝒂𝒃 ) (𝒙
̅1 − 𝒙 ̅2 )
̅1 − 𝒙
𝑛1 + 𝑛2
(𝑛1 + 𝑛2 − 𝑝 − 1) 2
𝐹= 𝑇
(𝑛1 + 𝑛2 − 2)𝑝

4. Kriteria Keputusan
(𝑛1 +𝑛2 −𝑝−1)
𝐻0 ditolak jika 𝐹 = (𝑛1 +𝑛2 −2)𝑝
𝑇 2 > 𝐹𝑝,𝑛1+𝑛2−𝑝−1 (𝛼)

5. Perhitungan
a. Banyak sampel: n = 10
b. Menentukan Matriks Covarians 𝑆1 dan 𝑆2
Matriks Covarians 𝑆1
TPS
Subyek
(Xi-Xavg) (Yi-
Eksperimen I
KPM KPM Xi - Xavg yi - Yavg Yavg)
1 83 83 -4.4 -4.40000 19.36
2 88 88 0.6 0.60000 0.36
3 95 95 7.6 7.60000 57.76
4 79 79 -8.4 -8.40000 70.56
5 83 83 -4.4 -4.40000 19.36
6 83 83 -4.4 -4.40000 19.36
7 88 88 0.6 0.60000 0.36
8 96 96 8.6 8.60000 73.96
9 83 83 -4.4 -4.40000 19.36
10 96 96 8.6 8.60000 73.96
Mean 87.4 87.4 Jumlah 354.4
n Xavg Yavg n-1 9
Covarians
10 (i,i) 39.37777778

6
 TPS
Subyek
Xi - (Xi-Xavg) (Yj-
Eksperimen I
KPM KKM Xavg yj - Yavg Yavg)
1 83 75 -4.4 -5.70000 25.08
2 88 78 0.6 -2.70000 -1.62
3 95 78 7.6 -2.70000 -20.52
4 79 83 -8.4 2.30000 -19.32
5 83 89 -4.4 8.30000 -36.52
6 83 89 -4.4 8.30000 -36.52
7 88 78 0.6 -2.70000 -1.62
8 96 83 8.6 2.30000 19.78
9 83 65 -4.4 -15.70000 69.08
10 96 89 8.6 8.30000 71.38
Mean 87.4 80.7 Jumlah 69.2
n Xavg Yavg n-1 9
Covarians
10 (i,j) 7.688888889

TPS
Subyek
(Xj-Xavg) (Yi-
Eksperimen I
KKM KPM Xj - Xavg yi - Yavg Yavg)
1 75 83 -5.7 -4.40000 25.08
2 78 88 -2.7 0.60000 -1.62
3 78 95 -2.7 7.60000 -20.52
4 83 79 2.3 -8.40000 -19.32
5 89 83 8.3 -4.40000 -36.52
6 89 83 8.3 -4.40000 -36.52
7 78 88 -2.7 0.60000 -1.62
8 83 96 2.3 8.60000 19.78
9 65 83 -15.7 -4.40000 69.08
10 89 96 8.3 8.60000 71.38
Mean 80.7 87.4 Jumlah 69.2
n Xavg Yavg n-1 9
Covarians
10 (j,i) 7.688888889

7
 TPS
Subyek
Xj - (Xj-Xavg) (Yj-
Eksperimen I
KKM KKM Xavg yj- Yavg Yavg)
1 75 75 -5.7 -5.70000 32.49
2 78 78 -2.7 -2.70000 7.29
3 78 78 -2.7 -2.70000 7.29
4 83 83 2.3 2.30000 5.29
5 89 89 8.3 8.30000 68.89
6 89 89 8.3 8.30000 68.89
7 78 78 -2.7 -2.70000 7.29
8 83 83 2.3 2.30000 5.29
9 65 65 -15.7 -15.70000 246.49
10 89 89 8.3 8.30000 68.89
Mean 80.7 80.7 518.1
n Xavg Yavg n-1 9
Covarians
10 (j,j) 57.56666667

Diperoleh matriks Covarians 𝑆1:

S1
39.37778 7.688889
7.688889 57.56667

• Mencari Matriks Covarians 𝑆2

PBL
Subjek
(Xi-Xavg) (Yi-
Eksperimen II
KPM KPM Xi - Xavg yi - Yavg Yavg)
1 75 75 -1.1 -1.10000 1.21
2 83 83 6.9 6.90000 47.61
3 88 88 11.9 11.90000 141.61
4 63 63 -13.1 -13.10000 171.61
5 66 66 -10.1 -10.10000 102.01
6 75 75 -1.1 -1.10000 1.21
7 79 79 2.9 2.90000 8.41
8 83 83 6.9 6.90000 47.61
9 66 66 -10.1 -10.10000 102.01
10 83 83 6.9 6.90000 47.61
Mean 76.1 76.1 Jumlah 670.9
n Xavg Yavg n-1 9
Covarians
10 (i,i) 74.54444444

8
 PBL
Subjek
Xi - (Xi-Xavg) (Yj-
Eksperimen II
KPM KKM Xavg yj - Yavg Yavg)
1 75 67 -1.1 -3.10000 3.41
2 83 72 6.9 1.90000 13.11
3 88 78 11.9 7.90000 94.01
4 63 72 -13.1 1.90000 -24.89
5 66 61 -10.1 -9.10000 91.91
6 75 78 -1.1 7.90000 -8.69
7 79 61 2.9 -9.10000 -26.39
8 83 67 6.9 -3.10000 -21.39
9 66 67 -10.1 -3.10000 31.31
10 83 78 6.9 7.90000 54.51
Mean 76.1 70.1 Jumlah 206.9
n Xavg Yavg n-1 9
Covarians
10 (i,j) 22.98888889

PBL
Subjek
(Xj-Xavg) (Yi-
Eksperimen II
KKM KPM Xj - Xavg yi - Yavg Yavg)
1 67 75 -3.1 -1.10000 3.41
2 72 83 1.9 6.90000 13.11
3 78 88 7.9 11.90000 94.01
4 72 63 1.9 -13.10000 -24.89
5 61 66 -9.1 -10.10000 91.91
6 78 75 7.9 -1.10000 -8.69
7 61 79 -9.1 2.90000 -26.39
8 67 83 -3.1 6.90000 -21.39
9 67 66 -3.1 -10.10000 31.31
10 78 83 7.9 6.90000 54.51
Mean 70.1 76.1 Jumlah 206.9
n Xavg Yavg n-1 9
Covarians
10 (j,i) 22.98888889

9
 PBL
Subjek
Xj - (Xj-Xavg) (Yj-
Eksperimen II
KKM KKM Xavg yj - Yavg Yavg)
1 67 67 -3.1 -3.10000 9.61
2 72 72 1.9 1.90000 3.61
3 78 78 7.9 7.90000 62.41
4 72 72 1.9 1.90000 3.61
5 61 61 -9.1 -9.10000 82.81
6 78 78 7.9 7.90000 62.41
7 61 61 -9.1 -9.10000 82.81
8 67 67 -3.1 -3.10000 9.61
9 67 67 -3.1 -3.10000 9.61
10 78 78 7.9 7.90000 62.41
Mean 70.1 70.1 Jumlah 388.9
n Xavg Yavg n-1 9
Covarians
10 (j,j) 43.21111111

Diperoleh matriks Covarians:

S2
74.54444 22.98889
22.98889 43.21111

c. Mencari matriks 𝑆𝑔𝑎𝑏

(𝑛 − 1)𝑆1 = (10 − 1)𝑆1 = 9𝑆1

39,378 7,689 354,4 69,2

= 9[ ]=[ ]
7,689 57,567 69,2 518,1

(𝑛 − 1)𝑆2 = (10 − 1)𝑆2 = 9𝑆2

74,544 22,989 670,9 206,9

= 9[ ]=[ ]
22,989 43,211 206,9 388,9

(𝑛 − 1)𝑆1 + (𝑛 − 1)𝑆2

354,4 69,2 670,9 206,9

=[ ]+[ ]
69,2 518,1 206,9 388,9

1025,3 276,1
=[ ]
276,1 907

10
 (𝑛 − 1)𝑆1 + (𝑛 − 1)𝑆2
𝑆𝑔𝑎𝑏 =
𝑛1 + 𝑛2 − 2

1 1025,3 276,1
𝑆𝑔𝑎𝑏 = [ ]
10 + 10 − 2 276,1 907

1 1025,3 276,1
𝑆𝑔𝑎𝑏 = [ ]
18 276,1 907

56,961 15,339
𝑆𝑔𝑎𝑏 = [ ]
15,339 50,389

d. Invers Matriks dari matriks 𝑆𝑔𝑎𝑏

56,961 15,339
Matriks 𝑆𝑔𝑎𝑏 = [ ]
15,339 50,389
1 𝑑 −𝑏
𝑆𝑔𝑎𝑏 −1 = [ ]
𝑎𝑑 − 𝑏𝑐 −𝑐 𝑎
1 50,389 −15,339
𝑆𝑔𝑎𝑏 −1 = [ ]
(56,961 × 50,389) − (15,339 × 15,339) −15,339 56,961

1 50,389 −15,339
𝑆𝑔𝑎𝑏 −1 = [ ]
2870,208 − 235,285 −15,339 56,961
1 50,389 −15,339
𝑆𝑔𝑎𝑏 −1 = [ ]
2634,923 −15,339 56,961
0,0191 −0,00582
𝑆𝑔𝑎𝑏 −1 = [ ]
−0,00582 0,02162

e. Menentukan 𝑇 2
(𝒙 ̅2 )′ = [87,4 − 76,1 80,7 − 70,1]
̅1 − 𝒙
(𝒙 ̅2 )′ = [11,3 10,6]
̅1 − 𝒙
𝑛1 𝑛2 −1
𝑇2 = ( ) (𝒙 ̅2 )′(𝑺𝒈𝒂𝒃 ) (𝒙
̅1 − 𝒙 ̅2 )
̅1 − 𝒙
𝑛1 + 𝑛2
10 × 10 0,0191 −0,00582 11,3
𝑇2 = ( ) [11,3 10,6] [ ][ ]
10 + 10 −0,00582 0,02162 10,6
100 0,15439
𝑇2 = ( ) [11,3 10,6] [ ]
20 0,16337

11
 𝑇 2 = 5 × 3,47627
𝑇 2 = 17,38137
f. Mencari 𝐹𝐻𝑖𝑡𝑢𝑛𝑔

𝑛1 = 10, 𝑛2 = 10, 𝑝 = 2 dan 𝑇 2 = 17,38137

(𝑛1 + 𝑛2 − 𝑝 − 1) 2
𝐹= 𝑇
(𝑛1 + 𝑛2 − 2)𝑝

(10 + 10 − 2 − 1)
𝐹= × 17,38137
(10 + 10 − 2)2

17
𝐹= × 17,38137
36

𝐹𝐻𝑖𝑡𝑢𝑛𝑔 = 8,207869

g. Mencari 𝐹𝑇𝑎𝑏𝑒𝑙

𝐹𝑝,𝑛1+𝑛2−𝑝−1 (𝛼) = 𝐹2,10+10−2−1 (0,05)

𝐹2,17 (0,05) = 3,59

h. Mencari Nilai Kritis
(𝑛 +𝑛 −2)𝑝
𝑐 2 = (𝑛 1+𝑛 2−𝑝−1) 𝐹𝑝,𝑛1+𝑛2−𝑝−1 (𝛼)
1 2
2 (10+10−2)2
𝑐 = (10+10−2−1) 𝐹2,10+10−2−1 (0,05)
36
𝑐 2 = 17 𝐹2,17 (0,05)
36
𝑐 2 = 17 (3,59)
𝑐 2 = 2,11765 (3,59)
𝑐 2 = 7,60236

6. Kesimpulan
(𝑛1 +𝑛2 −𝑝−1)
Dari hasil perhitungan, 𝐻0 ditolak jika 𝐹= (𝑛1 +𝑛2 −2)𝑝
𝑇2 >
𝐹𝑝,𝑛1+𝑛2−𝑝−1 (𝛼) . Diperole F hitung = 8,207869 > F tabel = 3,59 dan
didapatkan juga 𝑇 2 = 17,38137 > 𝑐 2 = 7,60236 maka 𝑯𝟎 ditolak.
Dengan demikian terdapat perbedaan rata – rata kemampuan
pemecahan masalah matematika dan kemampuan komunikasi
matematika yang diajar dengan model Think Pair Share dan Problem
Based Learning.

12
B. Perhitungan dengan Microsoft Excel
Langkah – langkah perhitungan menggunakan Microsoft Excel adalah
sebagai berikut.
1. Input data yang akan dihitung.

2. Menghitung rata – rata dari setiap sampel dengan menggunakan rumus

=AVERAGE(kolomsampel).

3. Mencari Matriks Covarians kelompok eksperimen 1 dan 2 dengan

menggunakan formula:
=COVARIANCE.S(kolom_i,kolom_i),
=COVARIANCE.S(kolom_i,kolom_k),
=COVARIANCE.S(kolom_k,kolom_i),
=COVARIANCE.S(kolom_k,kolom_k).

4. Mencari matriks varian dengan membentuk vektor seperti berikut ini.

13
 56,96111 15,33889
Matriks 𝑆𝑔𝑎𝑏 = [ ]
15,33889 50,388889

5. Mencari invers matriks dari 𝑆𝑔𝑎𝑏 dengan menggunakan formula:

=MINVERS(matriks) sebagai berikut:

6. Mencari 𝑇 2 Hotelling sebagai berikut:

7. Mencari nilai kritis sebagai berikut:

8. Menarik kesimpulan

Dari hasil perhitungan menggunakan Microsoft Excel hasil yang

diperoleh sama dengan perhitungan manual, didapat 𝑇 2 = 17,38137 >
𝐶 2 = 7,60235 maka Ho ditolak. Dengan demikian terdapat perbedaan
rata – rata kemampuan pemecahan masalah matematika dan
kemampuan komunikasi matematika yang diajar dengan model Think
Pair Share dan Problem Based Learning.

14
C. Perhitungan dengan program SPSS
Langkah – langkah yang dapat dilakukan untuk pengujian hipotesis
menggunakan program SPSS adalah sebagai berikut.
1. Buka aplikasi SPSS.
2. Klik Variable View dan atur seperti gambar berikut.

3. Selanjutnya klik Data View dan input data atau copy paste data dari
Ms.Excel.

15
4. Untuk menganalisa data, klik Analyze→General Linear Model
→Multivariate seperti gambar berikut.

5. Pindahkan KPM dan KKM ke kotak Dependent Variables dan MODEL

ke kotak Fixed Factor (s). Kemudian tekan tombol OK.

16
6. Akan muncul hasil analisis oleh program SPSS.

Nilai F Hitung Taraf Signifikan

7. Menarik Kesimpulan.

Dari tabel Multivariate Tests di atas menunjukkan bahwa hasil

analisis diperoleh nilai signifikan 0,003 yang berarti 0,003 < 0,05 (taraf
signifikansi pengujian) atau F hitung > F tabel yaitu 8,208 > 3,59 maka
Ho ditolak (hasil sama seperti perhitungan manual dan menggunakan
Ms.Excel). Dengan demikian terdapat perbedaan rata – rata
kemampuan pemecahan masalah matematika dan kemampuan
komunikasi matematika yang diajar dengan model Think Pair Share
dan Problem Based Learning.

17
D. Perhitungan dengan program R

Adapun langkah – langkah melakukan perhitungan menggunakan program

R adalah sebagai berikut.
1. Buka aplikasi R Studio.
2. Membuat Script baru dengan cara tekan File → New File → R Script.

3. Sebelumnya persiapkan data Ms Excel dan beri nama “datanew”.

4. Input script pada R script.

library(readxl)
datanew <- read_excel("~/datanew.xlsx")
View(datanew)
datanew
TPS=datanew[datanew$MODEL=="TPS",1:2]
PBL=datanew[datanew$MODEL=="PBL", 1:2]
n1=dim(TPS)[1]
n1
n2=dim(PBL)[1]
n2
p=dim(TPS)[2]
p
xbar1=colMeans(TPS)

18
 xbar1
xbar2=colMeans(PBL)
xbar2
S1=var(TPS)
S1
S2=var(PBL)
S2
Sp=((n1-1)*S1+(n2-1)*S2)/(n1+n2-2)
Sp
delta0<-rep(0,p)
T2=((n1*n2)/(n1+n2))*t(xbar1-xbar2-delta0)%*%solve(Sp)%*%(xbar1-
xbar2-delta0)
T2
fhit=((n1+n2-p-1)/((n1+n2-2)*p))*T2
fhit
alpha=.05
ftabel=qf(1-alpha,p,n1+n2-p-1)
ftabel

5. Sebelum menjalankan fungsi Run sebaiknya mengunduh Package yang

dibutuhkan terlebih dahulu seperti “readxl, rlang, lifecycle,pillar”.
6. Lakukan import data dengan cara seperti gambar berikut.

7. Cari data Ms.Excel dengan judul datanew.

19
8. Kemudian jika berhasil impor data dan tampilan sebagai berikut.

9. Setelah itu baru jalankan fungsi Run untuk melakukan perhitungan.

Letakkan kursor di samping datanew dan klik Run. Inilah hasilnya:

20
10. Membuat Kesimpulan
Dari hasil perhitungan menggunakan Program R (hasil yang
diperoleh sama dengan perhitungan manual, Ms.Excel dan SPSS)
didapat 𝑇 2 = 17,38137 dan untuk F hitung > F tabel yaitu 8,207869 >
3,591531 maka Ho ditolak. Dengan demikian terdapat perbedaan rata –
rata kemampuan pemecahan masalah matematika dan kemampuan
komunikasi matematika yang diajar dengan model Think Pair Share dan
Problem Based Learning.

21
II. HASIL PERHITUNGAN MENGGUNAKAN ELLIPSOID CONFIDENCE
A. Perhitungan Manual
1. Mencari Nilai Eigen
11,3
Diketahui 𝑥̅1 − 𝑥̅2 = [ ]
10,6
Diketahui matriks :
56,961 15,339
𝑆𝑔𝑎𝑏 = [ ]
15,339 50,389

56,961 15,339 𝜆 0
𝑆𝑔𝑎𝑏 − 𝜆𝐼 = [ ]−[ ]
15,339 50,389 0 𝜆

56,961 − 𝜆 15,339
𝑆𝑔𝑎𝑏 − 𝜆𝐼 = [ ]
15,339 50,389 − 𝜆

(56,961 − 𝜆)(50,389 − 𝜆) − (15,339 × 15,339) = 0

(2870,208 − 56,961𝜆 − 50,389𝜆 + 𝜆2 ) − 235,285 = 0

𝜆2 − 107,35𝜆 + 2634,923 = 0

−𝑏±√𝑏 2 −4𝑎𝑐
Dengan menggunakan rumus maka akan memperoleh
2𝑎
nilai 𝜆1 dan 𝜆2 sebagai berikut:

−𝑏 ± √𝑏 2 − 4𝑎𝑐
𝜆1 , 𝜆2 =
2𝑎

−(−107,35) ± √(−107,35)2 − 4 × 1 × (2634,923)

𝜆1 , 𝜆2 =
2×1
107,35 ± √11524,0225 − 10539,692
𝜆1 , 𝜆2 =
2
107,35 ± √984,3305
𝜆1 , 𝜆2 =
2

107,35 ± 31,37
𝜆1 , 𝜆2 =
2

107,35 + 31,37
𝜆1 = ≈ 69,36
2

107,35 − 31,37
𝜆2 = ≈ 37,99
2

22
2. Mencari Vektor Eigen
a. Untuk 𝜆1 = 69,36
56,961 − 𝜆 15,339 𝑥1
[ ] [𝑥 ] = 0
15,339 50,389 − 𝜆 2

56,961 − 69,36 15,339 𝑥1

[ ] [𝑥 ] = 0
15,339 50,389 − 69,36 2

−12,399 15,339 𝑥1
[ ][ ] = 0
15,339 −18,971 𝑥2

−12,399𝑥1 + 15,339𝑥2 = 0 … (1)

15,339𝑥1 − 18,971𝑥2 = 0 … (2)

Misalkan 𝑥1 = −15,339 dan 𝑥2 = −12,399

𝑥1 −15,339
𝑒11 = =
√(𝑥1 )2 + (𝑥2 )2 √(−15,339 )2 + (−12,399)2

−15,339 −15,339
𝑒11 = =
√235,285 + 153,735 √389,02

−15,339
𝑒11 = = −0,777
19,724

𝑥2 −12,399
𝑒12 = =
√(𝑥1 )2 + (𝑥2 )2 √(−15,339 )2 + (−12,399)2

−12,399 −12,399
𝑒12 = =
√235,285 + 153,735 √389,02

−12,399
𝑒12 = = −0,628
19,724

23
b. Untuk 𝜆2 = 37,99
56,961 − 𝜆 15,339 𝑥1
[ ] [𝑥 ] = 0
15,339 50,389 − 𝜆 2

56,961 − 37,99 15,339 𝑥1

[ ] [𝑥 ] = 0
15,339 50,389 − 37,99 2
18,971 15,339 𝑥1
[ ][ ] = 0
15,339 12,399 𝑥2

18,971𝑥1 + 15,339𝑥2 = 0 … (1)

15,339𝑥1 + 12,399𝑥2 = 0 … (2)

Misalkan 𝑥1 = 15,339 dan 𝑥2 = −18,971

𝑥1 15,339
𝑒21 = =
√(𝑥1 )2 + (𝑥2 )2 √(15,339)2 + (−18,971)2

15,339 15,339
𝑒21 = =
√235,285 + 359,899 √595,184

15,339
𝑒21 = = 0,628
24,396

𝑥2 −18,971
𝑒22 = =
√(𝑥1 )2 + (𝑥2 )2 √(15,339)2 + (−18,971)2

−18,971 −18,971
𝑒22 = =
√235,285 + 359,899 √595,184

−18,971
𝑒22 = = −0,777
24,396

−0,777 0,628
Diperoleh vector eigen: [ ]
−0,628 −0,777

24
3. Menentukan Panjang setengah Sumbu Ellipsoid
• Panjang 𝑒1

(𝑛 − 1)𝑝
𝑒1 = √𝜆1 𝐹
𝑛(𝑛 − 𝑝) (𝑝,𝑛−𝑝)(𝛼)

(10 − 1)2
𝑒1 = √69,36 𝐹
10(10 − 2) (2,10−2)(0,05)

18
𝑒1 = √69,36 × × 3,806
80

𝑒1 = √69,36 × 0,85635

𝑒1 = √59,396
𝑒1 = 7,7
• Panjang 𝑒2

(𝑛 − 1)𝑝
𝑒2 = √𝜆2 𝐹
𝑛(𝑛 − 𝑝) (𝑝,𝑛−𝑝)(𝛼)

(10 − 1)2
𝑒2 = √37,99 𝐹
10(10 − 2) (2,10−2)(0,05)

18
𝑒2 = √37,99 × × 3,806
80

𝑒2 = √37,99 × 0,85635

𝑒2 = √32,533
𝑒2 = 5,7

25
B. Perhitungan dengan Program R
Adapun Langkah – Langkah dalam menentukan nilai eigen
menggunakan program R dengan script berikut:
#Nilai Eigen
ev <- eigen(Sp);ev
TP=xbar1-xbar2
TP
#Memanggil data awal
data<-read.delim("clipboard");data
library(car)
data
dataEllipse(data$KPM,data$KKM,levels = c(0.5,0.95))
Lalu, klik Run dan akan muncul hasilnya adalah sebagai berikut:

26
 Didapatkan nilai eigen 𝜆1 = 69,36194 dan 𝜆2 = 37,98806 dan vector
eigen:
−0,77765065 0,6286968
[ ]
−0,6286968 −0,77765065
dimana nilai eigen dan vector eigen sama seperti perhitungan manual.
Selain itu, diperoleh juga Titik Pusat (TP) Elips di (11.3, 10.6) dengan
gambar ellips sebagai berikut:

(11.3,10,6)

Kesimpulan

Berdasarkan gambar tersebut dapat disimpulkan bahwa Ho ditolak karena

𝜇1 − 𝜇2 = 0 berada di luar ellips. Dengan demikian terdapat perbedaan rata
– rata kemampuan pemecahan masalah matematika dan kemampuan
komunikasi matematika yang diajarkan dengan menggunakan model Think
Pair Share dan Problem Based Learning.

27
III. UJI INTERVAL KEPERCAYAAN
A. INTERVAL KEPERCAYAAN HOTELLING
Perhitungan Manual
1. Kemampuan Pemecahan Masalah

1 1 1 1
̅̅̅
(𝑥1𝑖 − 𝑥̅2𝑖 ) − 𝑐√𝑠𝑔𝑎𝑏.𝑖𝑖 ( + ) < 𝜇1𝑖 − 𝜇2𝑖 < ̅̅̅
(𝑥1𝑖 − 𝑥̅2𝑖 ) + 𝑐 √𝑠𝑔𝑎𝑏.𝑖𝑖 ( + )
𝑛1 𝑛2 𝑛1 𝑛2

1 1 1 1
11,3 − 2,76√56,961 ( + ) < 𝜇1𝑖 − 𝜇2𝑖 < 11,3 + 2,76 √56,961 ( + )
10 10 10 10

1 1
11,3 − 2,76√56,961 ( ) < 𝜇1𝑖 − 𝜇2𝑖 < 11,3 + 2,76√56,961 ( )
5 5

11,3 − 2,76√11,392 < 𝜇1𝑖 − 𝜇2𝑖 < 11,3 + 2,76 √11,392

11,3 − 2,76 × 3,375 < 𝜇1𝑖 − 𝜇2𝑖 < 11,3 + 2,76 × 3,375
11,3 − 9,315 < 𝜇1𝑖 − 𝜇2𝑖 < 11,3 + 9,315
1,985 < 𝜇1𝑖 − 𝜇2𝑖 < 20,615

Dari hasil yang diperoleh pada interval kepercayaan dengan T 2 Hotelling

maka Ho ditolak karena 𝜇1 − 𝜇2 = 0 berada di luar interval. Dengan
demikian terdapat perbedaan rata – rata kemampuan pemecahan
masalah matematika menggunakan model TPS dan PBL.

2. Kemampuan Komunikasi Matematika

̅̅̅1𝑗 − 𝑥̅2𝑗 ) − 𝑐√𝑠𝑔𝑎𝑏.𝑗𝑗 ( 1 + 1 ) < 𝜇1𝑗 − 𝜇2𝑗 <(𝑥

(𝑥 ̅̅̅1𝑖 − 𝑥̅2𝑖 ) + 𝑐 √𝑠𝑔𝑎𝑏.𝑗𝑗 ( 1 + 1 )
𝑛1 𝑛 2 𝑛 𝑛
1 2

1 1 1 1
10,6 − 2,76√50,389 ( + ) < 𝜇1𝑗 − 𝜇2𝑗 < 10,6 + 2,76 √50,389 ( + )
10 10 10 10

1 1
10,6 − 2,76√50,389 ( ) < 𝜇1𝑗 − 𝜇2𝑗 < 10,6 + 2,76√50,389 ( )
5 5

10,6 − 2,76√10,0778 < 𝜇1𝑗 − 𝜇2𝑗 < 10,6 + 2,76 √10,0778

10,6 − 2,76 × 3,175 < 𝜇1𝑗 − 𝜇2𝑗 < 10,6 + 2,76 × 3,175

10,6 − 8,763 < 𝜇1𝑗 − 𝜇2𝑗 < 10,6 + 8,763

1,837 < 𝜇1𝑗 − 𝜇2𝑗 < 19,363

28
 Dari hasil yang diperoleh pada interval kepercayaan dengan T 2 Hotelling
maka Ho ditolak karena 𝜇1𝑗 − 𝜇2𝑗 = 0 berada di luar interval. Dengan
demikian terdapat perbedaan rata – rata kemampuan komunikasi
matematika menggunakan model TPS dan PBL.

Perhitungan Ms.Excel

Hasil perhitungan menggunakan Ms.Excel sama dengan perhitungan

manual (pembulatan) dan begitu juga kesimpulan yang diperoleh juga
sama.

B. INTERVAL KEPERCAYAAN BONFERONI

Perhitungan Manual

1. Kemampuan Pemecahan Masalah Matematika

𝛼 1 1 𝛼 1 1
𝑥̅1𝑖 − 𝑥̅2𝑖 − 𝑡𝑛1 +𝑛2 −2 ( ) √𝑠𝑔𝑎𝑏.𝑖𝑖 ( + ) < 𝜇1𝑖 − 𝜇2𝑖 <𝑥̅1𝑖 − 𝑥̅2𝑖 + 𝑡𝑛1 +𝑛2−2 ( ) √𝑠𝑔𝑎𝑏.𝑖𝑖 ( + )
2𝑝 𝑛1 𝑛2 2𝑝 𝑛1 𝑛2

0,05 1 1 0,05 1 1
(11,3) − 𝑡10+10−2 ( ) √56,961 ( + ) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + 𝑡10+10−2 ( ) √56,961 ( + )
2×2 10 10 2×2 10 10

1 1
(11,3) − (2,1)√56,961 ( ) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + (2,1)√56,961 ( )
5 5

(11,3) − (2,1)√11,3922 < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + (2,1)√11,3922

(11,3) − (2,1)(3,375) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + (2,1)(3,375)

(11,3) − (7,0875) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + (7,0875)

4,2125 < 𝜇1𝑖 − 𝜇2𝑖 < 18,3875

Dari hasil yang diperoleh pada interval kepercayaan dengan 𝑇 2

Bonferoni maka Ho ditolak karena 𝜇1𝑖 − 𝜇2𝑖 = 0 berada diluar
interval kepercayaan tersebut. Hal ini dapat disimpulkan terdapat
perbedaan rata-rata kemampuan pemecahan masalah
matematika siswa yang diajar dengan model pembelajaran think
pair share dan problem based learning.

29
 2. Kemampuan Komunikasi Matematis
𝛼 1 1 𝛼 1 1
𝑥̅1𝑗 − 𝑥̅2𝑗 − 𝑡𝑛1 +𝑛2−2 ( ) √𝑠𝑔𝑎𝑏.𝑗𝑗 ( + ) < 𝜇1𝑗 − 𝜇2𝑗 <𝑥̅1𝑖 − 𝑥̅2𝑖 + 𝑡𝑛1 +𝑛2−2 ( ) √𝑠𝑔𝑎𝑏.𝑗𝑗 ( + )
2𝑝 𝑛1 𝑛2 2𝑝 𝑛1 𝑛2

0,05 1 1 0,05 1 1
(10.6) − 𝑡10+10−2 ( ) √50,389 ( + ) < 𝜇1𝑗 − 𝜇2𝑗 <(10.6) + 𝑡10+10−2 ( ) √50,389 ( + )
2×2 10 10 2×2 10 10

1 1
(10.6) − (2,1)√50,389 ( ) < 𝜇1𝑗 − 𝜇2𝑗 <(10.6) + (2,1)√50,389 ( )
5 5

(10.6) − (2,1)√10,0778 < 𝜇1𝑗 − 𝜇2𝑗 <(10.6) + (2,1)√10,0778

(10.6) − (2,1)(3,175) < 𝜇1𝑗 − 𝜇2𝑗 <(10.6) + (2,1)(3,175)
(10.6) − (7,0875) < 𝜇1𝑗 − 𝜇2𝑗 <(10.6) + (7,0875)
3,5125 < 𝜇1𝑗 − 𝜇2𝑗 < 17,6875

Dari hasil yang diperoleh pada interval kepercayaan dengan 𝑇 2

Bonferoni maka Ho ditolak karena 𝜇1𝑗 − 𝜇2𝑗 = 0 berada di luar
interval kepercayaan tersebut. Hal ini dapat disimpulkan terdapat
perbedaan rata-rata kemampuan komunikasi matematis siswa
yang diajar dengan model pembelajaran koorperatif tipe think pair
share dan problem based learning.

Perhitungan Ms.Excel

Hasil perhitungan menggunakan Ms.Excel sama dengan

perhitungan manual (pembulatan) dan begitu juga kesimpulan
yang diperoleh juga sama.

C. INTERVAL KEPERCAYAAN DENGAN t

Perhitungan Manual
1. Kemampuan Pemecahan Masalah Matematika

𝛼 1 1 𝛼 1 1
𝑥̅1𝑖 − 𝑥̅2𝑖 − 𝑡𝑛1 +𝑛2 −2 ( ) √𝑠𝑔𝑎𝑏.𝑖𝑖 ( + ) < 𝜇1𝑖 − 𝜇2𝑖 <𝑥̅1𝑖 − 𝑥̅2𝑖 + 𝑡𝑛1+𝑛2 −2 ( ) √𝑠𝑔𝑎𝑏.𝑖𝑖 ( + )
𝑝 𝑛1 𝑛2 2𝑝 𝑛1 𝑛2

0,05 1 1 0,05 1 1
(11,3) − 𝑡10+10−2 ( ) √56.961 ( + ) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + 𝑡10+10−2 ( ) √56.961 ( + )
2 10 10 2 10 10

1 1
(11,3) − 𝑡18 (0,05)√56.961 ( ) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + 𝑡18 (0,05)√56.961 ( )
5 5

(11,3) − (2,1)√11,392 < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + (2,1)√11,392

(11,3) − (2,1)(3,38) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + (2,1)(3,38)

30
 (11,3) − (7,098) < 𝜇1𝑖 − 𝜇2𝑖 <(11,3) + (7,098)

4,202 < 𝜇1𝑖 − 𝜇2𝑖 < 18,398

Dari hasil yang diperoleh pada interval kepercayaan dengan 𝑇 2

maka Ho ditolak karena 𝜇1𝑖 − 𝜇2𝑖 = 0 berada diluar interval
kepercayaan tersebut. Hal ini dapat disimpulkan terdapat
perbedaan rata-rata kemampuan pemecahan masalah
matematika siswa yang diajar dengan model pembelajaran
koorperatif tipe think pair share dan problem based learning.
2. Kemampuan Komunikasi Matematis
𝛼 1 1 𝛼 1 1
𝑥̅1𝑗 − 𝑥̅2𝑗 − 𝑡𝑛1+𝑛2−2 ( ) √𝑠𝑔𝑎𝑏.𝑗𝑗 ( + ) < 𝜇1𝑗 − 𝜇2𝑗 <𝑥̅1𝑖 − 𝑥̅2𝑖 + 𝑡𝑛1+𝑛2−2 ( ) √𝑠𝑔𝑎𝑏.𝑗𝑗 ( + )
𝑝 𝑛1 𝑛2 2𝑝 𝑛1 𝑛2

0,05 1 1 0,05 1 1
(10,6) − 𝑡10+10−2 ( ) √50,389 ( + ) < 𝜇1𝑗 − 𝜇2𝑗 <(10,6) + 𝑡10+10−2 ( ) √50,389 ( + )
2 10 10 2 10 10

1 1
(10,6) − 𝑡18 (0,05)√50,389 ( ) < 𝜇1𝑗 − 𝜇2𝑗 <(10,6) + 𝑡18 (0,05)√50,389 ( )
5 5
(10,6) − (2,1)√10,0778 < 𝜇1𝑗 − 𝜇2𝑗 <(10,6) + (2,1)√10,0778
(10,6) − (2,1)(3,175) < 𝜇1𝑗 − 𝜇2𝑗 <(10,6) + (2,1)(3,175)
(10,6) − (6,6675) < 𝜇1𝑗 − 𝜇2𝑗 <(10,6) + (6,6675)
3,9325 < 𝜇1𝑗 − 𝜇2𝑗 < 17,2675

Dari hasil yang diperoleh pada interval kepercayaan dengan 𝑇 2

maka Ho ditolak karena 𝜇1𝑗 − 𝜇2𝑗 = 0 berada diluar interval
kepercayaan tersebut. Hal ini dapat disimpulkan terdapat
perbedaan rata-rata kemampuan komunikasi matematis siswa
yang diajar dengan model pembelajaran koorperatif tipe think pair
share dan problem based learning.

Perhitungan Ms.Excel

Hasil perhitungan menggunakan Ms.Excel sama dengan

perhitungan manual (pembulatan) dan begitu juga kesimpulan
yang diperoleh juga sama.

31
IV. UJI POS HOC
A. Perhitungan Manual
Kemampuan Pemecahan Masalah Matematika
1. Hipotesis
𝐻0 : 𝜇1𝑖 ≤ 𝜇2𝑖
𝐻1 : 𝜇1𝑖 > 𝜇2𝑖
2. Taraf Signifikansi : ∝= 0.05
3. Uji Statistik
̅̅̅̅̅−𝑥
𝑥1𝑖 ̅̅̅̅̅
2𝑖
𝑡= 1 1
√𝑆𝑔𝑎𝑏𝑖𝑖 (𝑛 +𝑛 )
1 2

4. Kriteria Uji t
Kriteria : 𝐻0 ditolak jika 𝑡 > 𝑡∝,𝑛1+𝑛2−2
Dengan 𝑡∝,𝑛1+𝑛2−2 = 𝑡0.05;18
𝑡0.05;18 = 1.734
5. Perhitungan
̅̅̅̅̅−𝑥
𝑥1𝑖 ̅̅̅̅̅
2𝑖
𝑡= 1 1
√𝑆𝑖𝑖 (𝑛 +𝑛 )
1 2

87,4−76,1
𝑡= 1 1
√56,961( + )
10 10

11,3
𝑡= 1
√56,961( )
5

11,3
𝑡 = 3,375

𝑡 = 3,348

6. Kesimpulan

Karena diperoleh 𝑡 > 𝑡∝,𝑛1+𝑛2−2 yaitu 3,348 > 1,734 maka 𝐻0 ditolak.

Sehingga diperoleh kesimpulan bahwa kemampuan pemecahan masalah

matematika model pembelajaran kooperatif tipe think pair share lebih baik

daripada model pembelajaran problem based learning .

32
Kemampuan Komunikasi Matematis Siswa

1. Hipotesis
𝐻0 : 𝜇1𝑗 ≤ 𝜇2𝑗
𝐻1 : 𝜇1𝑗 > 𝜇2𝑗
2. Taraf Signifikansi : ∝= 0.05
3. Uji Statistik
̅̅̅̅̅−𝑥
𝑥1𝑗 ̅̅̅̅̅
2𝑗
𝑡= 1 1
√𝑆𝑗𝑗 (𝑛 +𝑛 )
1 2

4. Kriteria Uji t
Kriteria : 𝐻0 ditolak jika 𝑡 > 𝑡∝,𝑛1+𝑛2−2
Dengan 𝑡∝,𝑛1+𝑛2−2 = 𝑡0.05;18
𝑡0.05;18 = 1,734
5. Perhitungan
̅̅̅̅̅−𝑥
𝑥1𝑗 ̅̅̅̅̅
2𝑗
𝑡= 1 1
√𝑆𝑔𝑎𝑏𝑗𝑗 (𝑛 +𝑛 )
1 2

80,7−70,1
𝑡= 1 1
√50,389( + )
10 10

10,6
𝑡= 1
10,0778
√50,389( )
5

10,6
𝑡 = 3,1747

𝑡 = 3,3388
6. Kesimpulan
Karena diperoleh 𝑡 > 𝑡∝,𝑛1+𝑛2−2 yaitu 3,3388 > 1,734 maka 𝐻0 ditolak.

Sehingga diperoleh kesimpulan bahwa kemampuan komunikasi matematika

model pembelajaran kooperatif tipe think pair share lebih baik daripada

model pembelajaran problem based learning.

33
B. Perhitungan SPSS

1. Input data pada SPSS

2. Klik Analyze →Compare Means →Independent-Sample Test

34
3. Masukkan variable yang sudah dibuat Nilai pada Test Variable (s) lalu

MODEL pada Grouping Variable.

4. Kemudian klik Define Groups dan isikan 1 pada Group 1 dan 2 pada Group

2→ Continue →OK.

35
5. Kesimpulan

Untuk hasil kemampuan pemecahan masalah matematika siswa,

berdasarkan tabel Independent Samples Test di atas diperoleh Sig (2-

tailed) 0,04 < 0,05 maka Ho ditolak. Artinya, ada perbedaan nilai

kemampuan pemecahan masalah matematika siswa yang diajarkan dengan

model pembelajaran tipe Think Pair Share dan Problem Based Learning.

Untuk hasil kemampuan komunikasi matematika siswa, berdasarkan tabel

Independent Samples Test di atas diperoleh Sig (2-tailed) 0,04 < 0,05 maka

Ho ditolak. Artinya, ada perbedaan nilai kemampuan komunikasi

matematika siswa yang diajarkan dengan model pembelajaran tipe Think

Pair Share dan Problem Based Learning.

36
Dari hasil perhitungan di atas dapat disimpulkan bahwa terdapat perbedaan

antara rata – rata kemampuan pemecahan masalah matematika dan

kemampuan komunikasi matematika siswa yang diajarkan dengan model

pembelajaran tipe Think Pair Share dan Problem Based Learning.

KESIMPULAN

Dari serangkaian pengujian hipotesis di atas dapat ditarik suatu

kesimpulan umum bahwa terdapat perbedaan rata – rata kemampuan

pemecahan masalah matematika dan kemampuan komunikasi matematika

siswa yang diajarkan menggunakan model Think Pair Share dan Problem

Based Learning. Adapun kemampuan pemecahan masalah matematika dan

kemampuan komunikasi matematika pada model pembelajaran Think Pair

Share tidak lebih baik dari model pembelajaran Problem Based Learning.

Kasus ini bertujuan untuk menghitung vektor rata – rata dua populasi

yang tidak berpasangan atau independen, perbandingan vektor rata – rata,

dan mencari interval kepercayaan. Dalam melakukan pengujian hipotesis

selain kita menggunakan perhitungan manual, kita juga menggunakan

perhitungan berbantuan aplikasi/program seperti Ms.Excel, SPSS dan R.

Terutama untuk menyajikan grafik ellipsoid menggunakan program R.

DAFTAR PUSTAKA

Johnson, R.A & Wichern, D.W. 2007. Applied Multivariate Statistical

Analysis. New York: Pearson.

37