Perbandingan Proses Pembelajaran di FTI dan FMIPA ITS

Perbandingan Proses Pembelajaran di FTI dan FMIPA ITS Oleh Nama : Eva Wahyu Hariyati NRP : 1308 030 003 Dosen Pembimbing : Dra. Lucia Aridinanti, MT

Karakter FTI dan FMIPA yang berbeda Orientasi tiap jurusan yang berbeda. Misalnya, FTI berorientasi pada penerapan teknologi, sedangkan FMIPA pada Basic Science atau ilmu dasar IPD (Indeks Pengajaran Dosen) dan NRMK (nilai rata-rata mata kuliah ) dari tiap Jurusan berbeda.

Bagaimana proses pembelajaran antar jurusan di FTI berdasarkan IPD? Bagaimana proses pembelajaran antar jurusan di FMIPA berdasarkan IPD? Bagaimana proses pembelajaran di FTI dan FMIPA berdasarkan IPD?

Membandingkan proses pembelajaran antar jurusan berdasarkan IPD di FTI Membandingkan proses pembelajaran antar jurusan berdasarkan IPD di FMIPA Membandingkan proses pembelajaran berdasarkan IPD di FTI dan FMIPA

Penelitian ini diharapkan dapat memberikan informasi pada masing-masing jurusan di FTI dan FMIPA untuk dapat memperbaiki, mempertahankan, dan meningkatkan pelayanan pendidikan proses belajar mengajar khususnya metode pembelajaran dosen.

1. Jurusan yang akan diidentifikasi dari kedua fakultas hanya pada jurusan S1 Reguler yaitu untuk menyamakan program studi atau menghomogenkan data. a.fti yaitu pada Teknik Industri, Teknik Mesin, Teknik Kimia, Teknik Fisika dan Teknik Elektro b.fmipa yaitu pada jurusan Kimia, Statistika, Fisika, Matematika dan Biologi 2. Variabel yang diukur adalah IPD 3. Periode yang diamati pada semester gasal dan genap pada tahun ajaran 2009/2010

ANOVA Source variance of Sum Square of Degrees freedom of Mean square F 0 Treatment SS Treatment a-1 MS treatment F 0 Blocks SS- Blocks b-1 MS Blocks Error SS E (a-1)(b-1) MS E Total SS T N-1 Hipotesis : H 0 : µ 1 = µ 2 = µ 3 H 1 : µ i µ j, minimal ada satu i yang berbeda. Daerah kritis: Jika F hitung > F tabel atau P-value < α maka keputusan Tolak H 0 Statistik Uji : F 0 MS MS Treatment Error

Identik Hipotesis dari pengujian ini sebagai berikut : H 0 : Statistik Uji : 2 2 2 1... k H 1 : minimal terdapat satu F Hitung KudratTotal KuadratTotal 2 i Re gresi 2 Re sidual 2, i=1,2,...,k Apabila nilai F Hitung > F α(k,n-k-1) dimana n adalah jumlah pengamatan dan k adalah jumlah parameter regresi maka tolak H 0. Sehingga diperoleh kesimpulan bahwa residual mempunyai varians yang tidak homogen.

Independen Pengujian statistik untuk asumsi ini dapat dilakukan dengan plot ACF dan uji Durbin Watson dengan hipotesa sebagai berikut : H 0 : Tidak ada korelasi antar residual H 1 : Ada korelasi antar residual Statistik Uji : d Hitung t n 2 ( e t t n 1 e e t 2 t 2 1) Daerah kritis dapat dicari dengan megambil dl sebagai batas bawah dan du sebagai batas atas dengan tingkat signifikansi α/2. Adapun kriteria pengujian Durbin Watson yaitu: Kriteria Pengujian Durbin Watson H 0 Keputusan Daerah Pengujian 1. Tidak terjadi Otokorelasi (+) Tolak H 0 0 < d < dl dl d du 2. Tidak terjadi Otokorelasi (-) Tolak H 0 4-dl < d < 4 3. Tidak terjadi Otokorelasi (+) atau (-) Gagal H 0 tolak 4 du d 4 Du < d < 4-du dl

Residual Berdistribusi Normal Hipotesa dari pengujian ini adalah sebagai berikut: H 0 : F(x) = F 0 (x) untuk semua nilai x H 1 : F(x) F 0 (x) paing sedikit untuk satu nilai x Statistik uji : D Sup S n n ( x ) F 0 ( x ) dimana : S n merupakan suatu fungsi peluang kumulatif data sampel F 0 (x) merupakan suatu fungsi distribusi kumulatif normal Dn merupakan supremum semua x dari nilai mutlak beda S n (x) dan F 0 (x) Apabila nilai D > D tabel Kolmogorof Smirnov, maka tolak H 0. Sehingga dapat diputuskan bahwa residual berdistribusi normal.

Sumber Data : Hasil nilai rata-rata Indeks Pengajaran Dosen (IPD) yang sudah tersertifikasi dan Indeks Pengajaran Dosen (IPD) Guru Besar (Profesor) jurusan di FTI dan FMIPA ITS selama semester Ganjil 2009-2010 dan semester Ganjil 2010-2011.

Variabel Penelitian Variabel penelitian yang digunakan dalam penelitian ini adalah data nilai Indeks Pengajaran Dosen (IPD) yang sudah tersertifikasi dan Indeks Pengajaran Dosen (IPD Guru Besar (Profesor). Data yang diperoleh dari hasil pengamatan di P3AI ITS.

Dalam mencapai tujuan penelitian yang diinginkan, diperlukan langkah analisis yang tepat. Adapun langkah-langkah analisis yang digunakan adalah : 1.Membandingkan IPD di FTI dan FMIPA dengan metode Two Way ANOVA 2.Melakukan pengujian IIDN terhadap residual

Analisis Data dan Pembahasan Tabel 4.1 Statistika Deskriptif IPD Nilai IPD Fakultas FMIPA FTI Jurusan Semester Semester Gasal Genap Biologi 3.25 3.29 Fisika 2.8 3.3 Kimia 2.86 2.94 Matematika 2.91 3.16 Statistika 2.98 3.23 Teknik Elektro 2.89 3.18 Teknik Fisika 3 3.25 Teknik Industri 3.2 3.44 Teknik Kimia 2.98 3.39 Teknik Mesin 3.06 3.29 Rata Rata Fakultas 3.072 3.168 Rata-rata Semester 2.993 3.247

Perbandingan IPD di FMIPA dan FTI Semester Gasal Tahun Ajaran 2009/2010 Tabel 4.2 Two Way ANOVA untuk IPD Semester Gasal dan Genap Sumber Keragaman Db JK RJK F hitung P_value Semester (1) 1 0.32258 0.32258 16.84 0.001 Fakultas (2) 1 0.04608 0.04608 2.41 0.14 Interaksi 1 0.0045 0.0045 0.23 0.634 Error 16 0.30644 0.019152 Total 19 0.6796

Pengujian Efek Semester Jika µ i rata-rata IPD pada semester ke-i, maka untuk mengetahui telah terjadi pergeseran proses pada semester gasal dan genap pada tahun ajaran 2009/2010 dilakukan pengujian hipotesis sebagai berikut: H 0 : µ 1 = µ 2 H 1 : µ 1 µ 2 Statistik uji: F RJK 1 0.32258 hitung = 16,84 RJK E 0,019152 Pengujian Efek Fakultas Pengujian jika β j menyatakan efek perbedaan fakultas terhadap IPD, maka dengan menggunakan hipotesis: H 0 : β 1 = β 2 = 0 H 1 : β 1 β 2 Statistik uji: F hitung = MS 2 MS E 0.04608 0.019152 2,41

Jika µ i β j menyatakan efek interaksi antara semester dan fakultas terhadap nilai IPD, maka dengan menggunakan hipotesis: H 0 : (µβ) ij = 0 H 1 : paling tidak ada satu (µβ) ij 0 Statistik uji : F hitung = RJK 12 RJK E 0.0045 0.019152 0,23

3,4 3,3 3,2 3,1 3 2,9 2,8 2,7 FMIPA FTI Gambar 4.1 Plot Interaksi Antara Semester dan Fakultas Terhadap IPD Berdasarkan hasil analisis varians yang dilakukan berdasarkan data IPD, telah diketahui bahwa interaksi antara semester dan fakultas tidak berpengaruh terhadap nilai IPD. Untuk lebih jelasnya dapat dilihat pada Gambar 4.1

Uji Asumsi Identik Pengujian Asumsi Pemeriksaan asumsi varians identik dilakukan dengan tujuan untuk mengetahui penyebaran residualnya identik (homogen). Pemeriksaan asumsi ini dapat dilakukan dengan uji Glejser dengan hipotesis sebagai berikut: H 0 : Varians residual data identik H 1 : Varians residual data tidak identik Taraf Signifikan : α = 0.05 Statistik Uji : F Hitung KudratTotal KuadratTotal Re gresi Re sidual Daerah Penolakan: Tolak H 0 jika F Hitung < F (α, k, n-k-1)

Uji Glejser Tabel 4.3 Analysis of Variance antar Jurusan Semester Gasal Sumber Keragaman Db JK RJK F hitung P_value Regresi 1 0.04230 0.04230 3.29 0.071 Error 298 3.83621 0.01287 Total 299 3.87851 Berdasarkan hasil tabel 4.3 menunjukkan bahwa nilai P-value (0.071) lebih besar dari α (0.05), maka keputusannya gagal tolak H 0 sehingga disimpulkan bahwa residual telah memenuhi asumsi identik.

Tabel 4.4 Analysis of Variance antar Jurusan Semester Genap Sumber Keragaman Db JK RJK F hitung P_value Regresi 1 0.019400 0.019400 2.66 0.104 Error 298 2.170716 0.007284 Total 299 2.190116 Berdasarkan hasil tabel 4.4 menunjukkan bahwa nilai P-value (0.104) lebih besar dari α (0.05), maka keputusannya gagal tolak H 0 sehingga disimpulkan bahwa residual telah memenuhi asumsi identik.

Sumber Tabel 4.5 Analysis of Variance antar Jurusan Semester Gasal/Genap Keragaman Db JK RJK F hitung P_value Regresi 1 0.00007 0.00007 0.01 0.934 Error 598 6.52505 0.01091 Total 599 6.52513 Berdasarkan hasil tabel 4.5 menunjukkan bahwa nilai P-value (0.934) lebih besar dari α (0.05), maka keputusannya gagal tolak H 0 sehingga disimpulkan bahwa residual telah memenuhi asumsi identik.

Asumsi Independensi Untuk Menguji asumsi independen dengan menggunakan plot ACF dari residualnya. Adapun hipotesis pada uji Independensi adalah sebagai berikut: H 0 : tidak ada autokorelasi pada residual H 1 : ada autokorelasi pada residual Autocorrelation Function for RESI (with 5% significance limits for the autocorrelations) Autocorrelation 1.0 0.8 0.6 0.4 0.2 0.0-0.2-0.4-0.6-0.8-1.0 1 2 3 Lag 4 5 Gambar 4.2 Plot ACF Residual

Uji Durbin-Watson 1. Semester Gasal d hit = 0,218514 d L = 1,59 d U = 1,63 4 - d U = 4 1,63 = 2,37 2. Semester Genap d hit = 0,308668 d L = 1,59 d U = 1,63 4 d U = 4 1,63 = 2,37 3. Semester Gasal/Genap d hit = 0,256197 d L = 1,59 d U = 1,63 4 - d U = 4-1,63 = 2,37

Asumsi Kenormalan Residual Pemeriksaan residual berdistribusi normal dilakukan untuk melihat apakah residual memenuhi asumsi berdistribusi normal. Dalam pemeriksaan suatu kenormalan residual data dapat dilakukan dengan menggunakan uji Kolmogorov-Smirnov dengan pengujian hipotesis sebagai berikut: H 0 : Residual data berdistribusi normal H 1 : Residual data tidak berdistribusi normal Taraf signifikansi: α = 0,05 Statistik uji: D = sup ( x ) F ( x) 0 F n Daerah Penolakan: Tolak H 0 jika D > D α atau P_value < α Gambar 4.3 Uji Kenormalan Residual Data IPD Probability Plot of RESI Normal Percent 99 95 90 80 70 60 50 40 30 20 Mean -8.88178E-17 StDev 0.1270 N 20 KS 0.113 P-Value >0.150 10 5 1-0.3-0.2-0.1 0.0 RESI 0.1 0.2 0.3

Perbandingan IPD Antar Jurusan di FMIPA dan FTI Perbandingan IPD Antar Jurusan pada Semester Gasal Tabel 4.6 Analysis of Variance antar Jurusan Semester Gasal Sumber Keragaman Db JK RJK F hitung Treatment (Jurusan) 9 9.2987 1.0332 57.42 Error 290 5.2179 0.018 Total 299 14.5166 Pengujian jika τ i menyatakan efek perbedaan jurusan terhadap IPD pada semester gasal, maka dengan menggunakan hipotesis: H 0 : τ 1 = τ 2 = τ 3 = = τ 10 = 0 H 1 : paling tidak ada satu τ i 0 Statistik uji: F hitung = RJK RJK treatment Error 1,0332 0,018 57,42

Untuk mengetahui jurusan mana yang berbeda, maka dapat diketahui dari hasil uji perbandingan berganda dengan menggunakan metode Tukey s. Uji perbandingan berganda Tukey s menunjukkan selisih setiap pasang rata-rata perlakuan. Adapun pengujian hipotesisnya adalah sebagai berikut: H 0 : µ i = µ j H 1 : µ i µ j Statistik uji : Y i Y j Daerah Penolakan : Tolak H 0 jika Dengan T α = q ( a, f ) MSE n Y i Y j > T α T α = 4,39 0,018 10 0,186

Perbandingan IPD Antar Jurusan pada Semester Genap Tabel 4.8 Analysis of Variance antar Jurusan Semester Genap Sumber Keragaman Db JK RJK F hitung Treatment (Jurusan) 9 9.2987 1.0332 57.42 Error 290 5.2179 0.018 Total 299 14.5166 Pengujian jika τ i menyatakan efek perbedaan jurusan terhadap IPD pada semester genap, maka dengan menggunakan hipotesis: H 0 : τ 1 = τ 2 = τ 3 = = τ 10 = 0 H 1 : paling tidak ada satu τ i 0 Statistik uji: F hitung = RJK RJK treatment Error 1,0332 0,018 57,42

Untuk mengetahui jurusan mana yang berbeda, maka dapat diketahui dari hasil uji perbandingan berganda dengan menggunakan metode Tukey s. Uji perbandingan berganda Tukey s menunjukkan selisih setiap pasang rata-rata perlakuan. Adapun pengujian hipotesisnya adalah sebagai berikut: H 0 : µ i = µ j H 1 : µ i µ j Statistik uji : Y i Y j Daerah Penolakan : Tolak H 0 jika Dengan T α = q ( a, f ) MSE n Y i Y j > T α T α = 4,39 0,018 10 0,186

KESIMPULAN DAN SARAN Kesimpulan Kesimpulan yang didapatkan berdasarkan analisis yang telah dilakukan adalah: 1. Proses pembelajaran dosen di FTI tidak berbeda dengan proses pembelajaran dosen di FMIPA, meskipun IPD FTI (3.30) lebih tinggi daripada IPD FMIPA (3.01), tetapi secara statistik pada tingkat signifikansi 5% tidak ada perbedaan yang signifikan antara FMIPA dan FTI dari tahun ke tahun meningkat secara signifikan. 2. Hasil análisis kemampuan proses berdasarkan IPD pada semester Gasal dan Genap tahun ajaran 2009-2010 di FTI dan FMIPA tidak kapabel. Saran Saran yang timbul dari hasil kesimpulan penelitian ini adalah mencari atau menelusuri penyebab terjadinya kemampuan proses yang tidak baik, perlu dilakukan perbandingan IPD antar jurusan semester Gasal dan Genap sehingga diperoleh akar permasalahannya.