KEEFEKTIFAN PRAUJIAN NASIONAL MATEMATIKA TAH AKADEMIK 4/5 (Studi Kasus di SMK Negeri dan Swasta di Jakarta Selatan 6) Abdul Hoyyi Staf Pengajar Program Studi Statistika FMIPA DIP Abstract National pre-exam is one way of the evaluation to the student s ability. Through national pre-exam, it would get information how far the student s preparation to have national exam. National preexam is expected to improve student s score on national exam. In addition, national pre-exam is expected can be used to evaluate student s preparation and it can predict national examination score. The improving of student s achievement depends on the way the analysis of change of national examination achievement distribution and description statistics analysis national examination score. The statistics of McNemar s test is used to know student s preparation, because the sample is dependent. Correlation and simple linier regression analysis used for analysis prediction. The increase of national examination score not always the effect of pre-national examination. The pre-national examination can t be used to estimate student s preparation. The probability student that pass the national exam is higher than pre-national exam. It is caused by prenational exam is more difficult than national exam through the same passing limit. The score of national exam prediction is obtained confidence limit wide enough. Therefore, the variant national of examination achievements is quite large. Key words: National Pre-exam, National Exam, Description Analysis, McNemar s Test; Prediction 1. Pendahuluan Setiap akhir tahun akademik pemerintah selalu mengadakan Ujian Nasional () bagi siswa tingkat akhir Sekolah Menengah Pertama (SMP), Sekolah Menengah Atas (SMA) dan Sekolah Menengah Kejuruan (SMK). Siswa dikatakan berhasil pada tingkatan masing-masing sekolah bila siswa tersebut lulus pada. Persentase kelulusan pada SMK di Jakarta Selatan 6 sebesar 71,11%. Persentase ini terendah dibandingkan dengan persentase kelulusan SMK di wilayah lainnya. Berdasarkan keterangan dari Ketua Rayon Jakarta Selatan 6, hanya di SMK Jakarta Selatan 6 saja yang melaksanakan Pra- secara serentak. Sementara SMK di wilayah lainnya mayoritas melaksanakan Pra- secara internal. Berdasarkan informasi perlu untuk diteliti sejauh mana manfaat Pra- ini bagi lingkungan SMK di Jakarta Selatan 6 terhadap peningkatan nilai siswa khususnya bidang studi Matematika. Selain untuk meningkatkan nilai, soal Pra- ini diharapkan efektif artinya mampu menilai kesiapan siswa dan bisa digunakan sebagai gambaran nilai siswa pada. Kesiapan siswa artinya siswa yang lulus Pra- akan berpeluang lulus pada juga, sebaliknya siswa yang tidak lulus akan berpeluang tidak lulus pada. Selain itu soal Pra- ini diharapkan dapat digunakan sebagai prediksi bagi soal, artinya nilai yang didapat siswa pada Pra- tidak jauh berbeda dengan nilai yang didapat pada sebenarnya nanti. Dengan demikian permasalahannya apakah Pra- dapat digunakan untuk menilai kesiapan siswa dalam menghadapi dan juga apakah nilai Pra- yang dicapai siswa dapat digunakan untuk meramalkan atau memprediksi nilai. Adapun tujuan yang hendak dicapai melalui penelitian ini adalah: 1. Mengetahui apakah Pra- dapat meningkatkan nilai siswa.. Mengetahui apakah Pra- dapat digunakan untuk menilai kesiapan siswa dalam menghadapi. 9
Media Statistika, Vol., No. 1, Juni 9: 9-38 3. Mengetahui apakah nilai Pra- yang dicapai dapat digunakan untuk meramalkan atau memprediksi nilai.. Tinjauan Pustaka.1. Uji McNemar Sampel Tak Bebas dalam Tabel x Penggunaan sampel yang sama untuk dua perlakuan namun dalam waktu yang berbeda. Kasus sini dikatakan kedua sampelnya tidak bebas (Steel & Torrie, 198). Misalnya dua perlakuan tersebut berkategori sukses atau gagal dan ditabelkan sebagai berikut: Tabel 1. Tabulasi silang x untuk sampel tidak bebas Hipotesisnya adalah: H : P ( S 1) = P ( S ) H 1 : P ( S 1) P ( S ) Keterangan: Keterangan: Perlakuan pertama P ( S 1) : Peluang sukses pada perlakuan pertama. P ( S ) : Peluang sukses pada perlakuan kedua. Tabel. Nilai Harapan Kategori S1 G : Lulus perlakuan pertama dan gagal perlakuan kedua. G1 S : Gagal perlakuan pertama dan lulus perlakuan kedua. Statistik uji yang digunakan: = ( n ( o e) χ = e 1 n1 + n n1 + n1 1 Perlakuan kedua Sukses (S ) Gagal Sukses (S 1 ) n 11 1 Gagal (G 1 ) n 1 Total. 1 ) + ( n 1 n1 + n n1 + n1 1 ) Total n n 1. n n. n n. n.. Frekuensi Kategori Kenyataan Harapan ( bila Ho benar) ( o ) ( e ) S1 G n 1 n 1 + n 1 n + G1 S n 1 1 n 1 n n 1 + n 1 n 1 + 1 3
χ = ( n n 1 n1) 1 + n 1, dengan derajat bebas sama dengan 1. (1) Menurut Agresti & Finlay (1986) persamaan (1) dikenal dengan nama uji McNemar (McNemar s test ). Sedangkan menurut McNemar (1969) bila nilai n 1 + n1 <, maka perlu dilakukan koreksi dengan persamaan: ( n1 n1 1) χ = () n + n 1 1 Kriteria keputusannya adalah bila χ > χ, maka hipotesis nol ditolak. α.. Keterandalan Model Keterandalan dari model Yi = α + βx i + ε i, dengan Y adalah peubah terikat, X adalah peubah bebas, dapat dilihat dari kemampuan model menerangkan keragaman nilai peubah Y. Ukuran ini sering disebut koefisien determinasi. Semakin besar nilai koefisien determinasi berarti model semakin mampu menerangkan keragaman nilai peubah Y. Dalam Draper & Smith (1981) selang kepercayaan ( 1 α )1% bagi nilai individual Y untuk suatu nilai X tertentu dirumuskan : ^ Y ± t ( db 1/ 1 ( X X ), / ) 1 α + + s (3) n ( X i X ) Keterangan: ^ Y = nilai dugaan individu, X = peubah bebas, s = simpangan baku X = nilai individu, X = rata-rata, n = banyaknya data db = derajat bebas, α = taraf nyata.3. Keterandalan Instrumen Penelitian Menurut Kaplan & Saccuzzo (5) bahwa metode untuk menduga koefisien kekonsistenan internal menggunakan metode Kuder-Richardson. Metode ini digunakan karena butir-butir pertanyaan berskor dikotomi, yaitu skor 1 atau (jawaban benar atau salah). Rumus Kuder Richardson 1 (KR _1) : k x( k x) KR_1 = (1 ) (4) k 1 kσ dengan: KR_1 = koefisien keterandalan menurut Kuder-Richardson 1 k = banyaknya butir pertanyaan x = rata-rata hitung skor ujian σ = ragam skor total Instrumen penelitian dikatakan andal bila mempunyai nilai KR_1 lebih besar atau sama dengan.7 (Kinan, 199). Menurut Fraenkel & Wallen (199) untuk keperluan penelitian nilai koefisien keterandalan seharusnya lebih besar atau sama dengan.7. 31
Media Statistika, Vol., No. 1, Juni 9: 9-38 3. Bahan dan Metode 3.1. Sumber Data Penelitian ini memanfaatkan data sekunder dari hasil Pra- 4/5 yang dilaksanakan oleh K3SK Jakarta Selatan 6 dan hasil 4/5 untuk populasi siswa kelas 3 SMEA di Jakarta Selatan 6 bidang studi Matematika. SMEA di Jakarta Selatan 6 sebanyak 41 sekolah ( negeri dan swasta ) dengan jumlah total siswa 4898 siswa. 3.. Metode Analisis Adapun garis besar tahapan analisis data pada pelitian ini adalah sebagai berikut : a. Menganalisis statistik deskriptif nilai siswa tahun akademik 3/4 dan tahun akademik 4/5 b. Mengelompokkan sekolah menjadi 3 golongan yaitu sekolah dengan mutu baik (golongan 1), sekolah dengan mutu sedang (golongan ) dan sekolah dengan mutu rendah (golongan 3). Informasi pemilihan mutu sekolah ini didapat dari Dinas Pendidikan Menengah dan Kejuruan DKI, beberapa kepala sekolah dan guru di Jakarta Selatan 6. c. Mengidentifikasi banyaknya siswa yang lulus dan siswa yang tidak lulus pada Pra- dan untuk : semua sekolah, masing-masing golongan dan masing-masing sekolah dengan membuat tabulasi silang. d. Menganalisis tabulasi silang dengan uji McNemar (McNemar s test) karena kasus ini merupakan sampel tidak bebas dengan hipotesis : H : P(lulus pada Pra-) = P(lulus pada ) H 1 : P(lulus pada Pra-) P(lulus pada ) e. Menentukan batas minimal kelulusan nilai Pra- sehingga peluang siswa lulus Pra- sama dengan peluang siswa lulus untuk semua sekolah dan masingmasing golongan sekolah. f. Membuat plot antara nilai Pra- dan nilai untuk semua golongan sekolah dalam satu grafik. g. Menghitung koefisien korelasi untuk semua sekolah, masing-masing golongan sekolah dan masing-masing sekolah h. Membuat selang kepercayaan prediksi individual nilai i. Menghitung koefisien keterandalan soal Pra- 4. Hasil dan Pembahasan 4.1. Penelusuran Nilai Ujian Nasional Matematika Tahun Akademik 3/4 dan 4/5 Pada analisis ini diasumsikan kemampuan siswa dan tingkat kesulitan soal sama untuk kedua tahun akademik tersebut. Berikut ini histogram nilai Matematika tahun akademik 3/4 dan 4/5. Pada Gambar 1 dan Gambar, distribusi nilai tahun akademik 4/5 bergeser ke kanan dibandingkan tahun akademik 3/4 artinya nilai siswa tahun akademik 4/5 lebih tinggi dibandingkan tahun akademik 3/4. Nilai rata-ratanya juga meningkat dari 4,79 menjadi 6,43. Berikut ini statistik deskriptifnya: 3
siswa 6 Gambar 1. Histogram nilai tahun 4 akademik 3/4 Frequency 18 16 14 1 1 8 Mean = 4.8 N = 4868.. 3. 4. 5. 6. 7. 8. 9..5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 Gambar 1. 3/4 Std. Dev =.89 siswa Frequency 18 16 14 1 1 8 6 Gambar. Histogram nilai tahun 4/5 4 Mean = 6.4 N = 4898.. 3. 4. 5. 6. 7. 8. 9..5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 Gambar. 4/5 Std. Dev = 1.6 Tabel 3. Statistik deskriptif nilai tahun akademik 3/4 dan tahun akademik 4/5 Statistik Tahun Akademik 3/4 4/5 siswa 4868 4898 Mean 4,79 6,43 Median 4,59 6,67 Modus 4,48 7,33 Simpangan baku,89 1,6 Ragam,79,57 Skewness, -,35 Kurtosis 1,43 -,54 Minimum 1,6 1,67 Maximum 8,7 1, Q 1 4,33 5,33 Q 4,59 6,67 Q 3 5,33 7,67 Statistik deskriptif pada tabel 3 nilai minimum siswa terjadi peningkatan dari 1.6 menjadi 1.67. Demikian pula nilai maksimumnya meningkat dari 8.7 menjadi 1.. Nilai koefisien kemenjuluran (skewness) =. berarti pola sebaran menjulur ke kanan dengan nilai rata-rata lebih besar dari median. Persentase kelulusan siswa dapat diperhatikan pada tabel 4 berikut ini : Tabel 4. Persentase kelulusan tahun akademik 3/4 dan 4/5 Tahun akademik 3/4 Tahun akademik 4/5 dengan batas kelulusan = 4,1 dengan batas kelulusan 4,1 4,6 89,93% 89,59% 89,5% 33
Media Statistika, Vol., No. 1, Juni 9: 9-38 Hasil perhitungan pada Tabel 4, persentase kelulusan siswa tidak terjadi peningkatan bahkan terjadi penurunan walaupun batas kelulusan sama dengan 4,1. 4.. Analisis Khi-kuadrat Menggunakan Statistik Uji McNemar Uji McNemar digunakan karena kedua sampel tidak bebas. Berikut ini tabulasi silang kelulusan siswa untuk semua sekolah yang dianalisis dengan menggunakan uji McNemar : Tabel 5. Tabulasi silang kelulusan siswa untuk semua sekolah Pra- L TL Siswa TL 171 393 1664 siswa 4384 514 4898 Keterangan: L = Lulus TL = Tidak Lulus Pada taraf uji 5% dengan statistik uji McNemar diperoleh nilai χ = 95,7. Nilai ini lebih besar dari χ (3,84), artinya hipotesis nol ditolak, yang menunjukkan bahwa.5:1 L 3113 11 334 secara umum peluang siswa lulus pada Pra- tidak sama dengan peluang siswa lulus pada. Tabulasi silang untuk masing-masing golongan sekolah adalah sebagai berikut: Tabel 6. Tabulasi silang kelulusan siswa untuk masing-masing golongan sekolah SMEA golongan 1 SMEA golongan Pra- L TL Siswa Pra- L TL Siswa L 777 1 778 TL 11 11 L 931 5 936 TL 437 3 44 Siswa χ koreksi = 6.75 788 1 789 Siswa χ = 4.3 1368 8 1376 Pra- SMEA golongan 3 L TL Siswa L 145 115 15 TL 83 39 113 Siswa 8 55 733 χ = 534,4 34
Pada ketiga golongan sekolah memberikan kesimpulan yang sama yaitu secara umum peluang siswa lulus pada Pra- tidak sama dengan peluang siswa lulus. Melihat hasil tersebut, ada dugaan bahwa soal Pra- lebih sulit dibandingkan dengan soal. Berdasarkan Tabel 5 banyak ditemukan siswa yang tidak bisa ditentukan kesiapannya dari hasil Pra-, seperti siswa yang tidak lulus Pra- ternyata pada mereka bisa lulus dengan jumlah yang cukup besar dibandingkan dengan siswa yang lulus pada Pra- ternyata gagal pada. Ada dugaan bahwa soal Pra- lebih sulit dibandingkan dengan soal. Berikut ini Statistik deskriptif (Tabel 7) dan histogram nilai Pra- dan (Gambar 3) untuk semua sekolah : Tabel 7. Statistik deskriptif nilai Pra- dan semua sekolah Statistik Pra- Siswa 4898 4898 Mean 4,96 6,43 Median 4,79 6,67 Modus 3,75 7,33 Simpangan baku 1,18 1,6 Ragam 1,39,57 Skewness,74 -,35 Kurtosis,18 -,54 Minimum,9 1,67 Maksimum 9,58 1, siswa 1 1 8 6 PRA siswa 1 1 8 6 Frequency 4.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 3. 4. 5. 6. 7. 8. 9. PRA Std. Dev = 1. Mean = 5. N = 4898. Frequency 4 Std. Dev = 1.6 Mean = 6.4 N = 4898..5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 3. 4. 5. 6. 7. 8. 9. Gambar 3. Histogram nilai Pra- dan semua sekolah Hasil ini mengisyaratkan bahwa soal Pra- tingkat kesulitan lebih tinggi daripada soal. butir soal yang berbeda dan alokasi waktu yang sama telah disesuaikan dengan diperbolehkan siswa menggunakan alat hitung pada Pra-. Nilai rendah siswa bisa juga disebabkan karena siswa merasa kesulitan menjawab soal Pra- akhirnya memaksa menjawab dengan cara menebak.agar Pra- bisa digunakan untuk mengetahui kesiapan siswa dalam menghadapi maka batas minimal kelulusan Pra- harus diturunkan. Harapannya adalah batas minimal yang diperoleh pada semua sekolah berlaku juga untuk masing-masing golongan sekolah. Berikut ini tabel penurunan batas minimal kelulusan Pra- dengan penurunan nilai,1 tiap tahap: 35
Media Statistika, Vol., No. 1, Juni 9: 9-38 36
Tabel 8. Pengaruh perubahan batas kelulusan nilai Pra- terhadap persentase kelulusan siswa dan nilai khi kuadrat untuk semua sekolah Batas Kelulusan Persentase Persentase Nilai Khikuadrat Kesimpulan Pra- 1 4,6 96,6% 76,38% 95,7 Tolak H 4,16 95,54% 73,35% 589, Tolak H 4,6 95,54% 73,35% 589, Tolak H 3,96 94,48% 69,5% 4,34 Tolak H 3,86 94,48% 69,5% 4,34 Tolak H 3,76 94,48% 69,% 9,83 Tolak H 3,66 93,53% 5,5%,15 Terima H 3,56 93,53% 5,5%,15 Terima H 3,46 91,4% 47,91% 177,3 Tolak H 3,36 9,84% 54,95% 7,19 Tolak H χ.5:1 = 3. 84 Keterangan: - Persentase 1 adalah persentase siswa yang lulus dari yang lulus Pra- - Persentase adalah persentase siswa yang lulus dari yang tidak lulus Pra- Misal pada batas kelulusan Pra- 4,6: 3113 Persentase 1 = x 1% = 96,6 %, 334 171 Persentase = x1% = 76,38% 1664 4.3. Analisis prediksi untuk data hasil Pra- dan Nilai korelasi untuk semua data sama dengan,53 dengan nilai koefisien determinasi sama dengan 8,5%, artinya hanya 8.5% keragaman dari nilai yang mampu dijelaskan oleh nilai Pra-. Persamaan linier untuk data pada semua SMEA ^ adalah =,83 +,73Pr a. Prediksi nilai berdasarkan nilai Pra- dapat diperhatikan pada Tabel 9 berikut: Tabel 9. Prediksi nilai berdasarkan nilai Pra- Pra- Prediksi Peluang lulus Selang kepercayaan 95% ( 4,6),5 4,64 (1,98; 7,3),61,75 4,8 (,16; 7,49),66 3, 5,1 (,35; 7,67),71 3,5 5,19 (,53; 7,85),75 3,5 5,37 (,71; 8,3),79 3,75 5,55 (,89; 8,1),83 4, 5,73 (3,7; 8,39),86 4,5 6,9 (3,43; 8,75),91 5, 6,46 (3,8; 9,1),95 5,5 6,8 (4,16; 9,48),97 6, 7,18 (4,5; 9,84),98 6,5 7,55 (4,88; 1,1),99 7, 7,91 (5,5; 1,57),99 37
Media Statistika, Vol., No. 1, Juni 9: 9-38 8, 8,63 (5,97; 11,3),99 Nilai-nilai prediksi ini semuanya berada diatas 4,6 (batas minimal kelulusan ) dengan selang kepercayaan 95% cukup lebar. Dengan lebarnya selang kepercayaan maka makin besar variasi nilai prediksi. Misalnya siswa dengan nilai Pra- =,5 dengan selang kepercayaan 95% adalah (1,98; 7,15), artinya siswa dengan nilai Pra- =,5 maka variasi nilai prediksi siswa terletak antara 1.98 sampai dengan 7,15. Bila dihitung peluang lulus pada siswa dengan nilai Pra- =,5 peluang lulus pada sama dengan,61. Siswa dengan nilai Pra- lebih besar atau sama dengan 6, memiliki batas bawah selang prediksi melebihi batas minimal kelulusan yaitu 4,6 dengan peluang lulus diatas,97. 4.4. Analisis Keterandalan Soal Pra- Analisis ini bertujuan untuk mengetahui andal atau tidak soal Pra-, karena banyak ditemukan siswa yang tidak lulus Pra- pada lulus dan sebaliknya. Seolaholah soal Pra- tidak bisa mengukur kemampuan siswa sebenarnya. Pada analisis keterandalan ini hanya dilakukan pada soal Pra-. Hal ini dikarenakan penulis kesulitan mendapatkan data karena merupakan data rahasia negara. Data yang dimaksud yaitu data berskala biner jawaban tiap siswa untuk masing-masing butir soal yang diperlukan dalam analisis keterandalan. Oleh karena itu pada analisis ini diasumsikan bahwa soal sudah andal Nilai koefisien keterandalan (KR_1) soal Pra- untuk semua sekolah sama dengan,6. Nilai ini lebih kecil dari.7 sehingga menurut Kinan (199) dan Fraenkel & Wallen (199) soal Pra- ini tidak andal. Namun kriteria tersebut diasumsikan bahwa pengawasan ketat dan penilaian yang jujur. Seandal-andalnya soal Pra- bila dalam pelaksanaannya dengan pengawasan tidak ketat dan penilaian yang tidak jujur akan berakibat soal Pra- tidak andal. Jadi keterandalan tidak hanya ditentukan oleh butir soal saja melainkan satu rangkaian dengan pelaksanaan Pra- diantaranya pengawasan dan penilaian Pra-. Data nilai keterandalan untuk ujian-ujian di Indonesia hingga saat ini belum ditemukan berapa rata-rata kriteria yang andal untuk ujian-ujian di Indonesia. Bila seandainya nilai koefisien keterandalan sama dengan,5 sudah dikatakan cukup andal untuk ujian di Indonesia, maka perlu diuji apakah nilai KR_1 =,6 sudah andal dengan hipotesa: H : ρ =,5 H1 : ρ >,5 Pada taraf uji 5% diperoleh z hitung = 1,7 yang lebih besar dari z tabel = 1,645 sehingga hipotesis nol ditolak, artinya nilai KR_1 untuk soal Pra- lebih besar dari,5 atau dengan kata lain soal Pra- tersebut andal. Berdasarkan tabulasi silang kelulusan (tabel 4) banyak ditemukan siswa tidak lulus Pra- tetapi lulus. Sebaliknya banyak pula ditemukan siswa lulus Pra- tetapi lulus. sehingga seolah-olah instrumen penelitian,dalam hal ini soal Pra-, tidak andal, dengan kata lain Pra- tidak dapat memberikan hasil pengukuran yang dapat diandalkan. Dengan demikian hasil tes menjadi tidak memberikan gambaran sesungguhnya dari kemampuan siswa di sekolah. Beberapa faktor kemungkinan penyebabnya adalah sistem ujian, tingkat kesulitan soal dan faktor keseriusan siswa. Dalam Ekaria (4) ada beberapa faktor yang berperan sehingga hasil ujian tidak memberikan gambaran sesungguhnya kemampuan siswa yaitu : kualitas soal, pengawasan ujian, kesungguhan siswa dalam mengerjakan ujian dan penilaian yang jujur. 38
5. Kesimpulan Nilai meningkat tetapi tidak diikuti dengan peningkatan persentase kelulusan. Peningkatan nilai bisa disebabkan karena kemampuan siswa dan tingkat kesulitan soal yang berbeda dan belum tentu karena Pra-. Kesiapan siswa tidak bisa dilihat dari berhasil atau gagalnya siswa pada Pra-. Secara umum peluang siswa lulus Pra- tidak sama dengan peluang siswa lulus pada. Siswa lebih besar berpeluang lulus pada daripada Pra-. Hal ini dikarenakan tingkat kesulitan soal Pra- lebih tinggi dibandingkan soal dengan batas minimal kelulusan yang sama. Nilai Pra- tidak bisa digunakan sebagai prediksi bagi nilai. Hal ini didukung dengan hanya 8,5% keragaman dari nilai yang mampu dijelaskan oleh nilai Pra-. Selain itu prediksi nilai berdasarkan nilai Pra- memiliki selang kepercayaan nilai cukup lebar sehingga menyebabkan besarnya variasi prediksi nilai. DAFTAR PUSTAKA 1. Agresti, A. and Finlay, B., Statistical Methods for the Social Sciences, Third Edition, Macmillan Publishing, Inc., 1986.. Ary, D., Jacops, L.C. and Razavieh, A., Introduction to Research in Education, Sixth Edition, Wadsworth Group, 5. 3. Departemen Pendidikan Nasional: Pendidikan Menengah dan Kejuruan, Laporan Hasil Ujian Nasional SMK 4/5, Jakarta, 5. 4. Draper, N.R. and Smith, H., Applied Regression Analysis, Second Edition, John Wiley & Sons, Inc., 1981. 5. Ekaria, Analisis Butir Tes Pilihan Ganda dengan Pendekatan Model Item Response Theory (IRT) Tiga Parameter [Tesis], Bogor: Program Pascasarjana, Institut Pertanian Bogor, 4. 6. Eko, Ujian Akhir Nasional (UAN) Mengapa Perlu, Indocamp, Bekasi, 5. 7. Fraenkel, J.R. and Wallen, N.E., How to Design and Evaluate Research in Education, Mc.Graw-Hill Publishing Company, 199. 8. Kaplan, R.M. and Saccuzzo, D.P., Psychological Testing (Principles, Applications, and Issues), Sixth Edition, Wadsworth, A Division Thomson Learning, Inc., 5. 9. Kinan, S., Beberapa Uji Keterandalan Kuesioner [Skripsi], Bogor: FMIPA, Institut Pertanian Bogor, 199. 1. Mattjik, A.A. dan Sumertajaya, I.M., Perancangan Percobaan dengan Aplikasi SAS dan MINITAB, Bogor: IPB PRESS,. 11. McNemar, Q., Psychological Statistics, Fourth Edition, John Wiley & Sons, Inc., 1969. 1. Steel, R.G.D. and Torrie, J.H., Principles and Procedures of Statistics (A Biometrical Approach), Second Edition. McGraw-Hill, Inc., 198. 13. Sunardi, Keefektifan Program Pengayaan Nonsegregratif pada Prestasi Belajar Siswa Unggul di SMU, Jurnal Ilmu Pendidikan, : :15-133. 14. Walpole, R.E. and Myers, R.H., Probability and Statistics for Engineers and Scientists, Fourth Edition, Macmillan Publishing, Inc., 1989. 39