MACAM DATA

& PENYAJIAN DATA

dalam Konteks Teknologi Pendidikan

Statistik Terapan

Program Magister Teknologi Pendidikan

Σ

x̄

σ

r

%

∫

Peta Konsep Pertemuan Ini

Gambaran besar topik yang akan kita bahas hari ini

DATA dalam

Teknologi Pendidikan

Pengertian

& Pentingnya Data

Macam-Macam

Data

Penyajian Data:

Tabel & Grafik

Ukuran Statistik

(Deskriptif)

Setiap topik dilengkapi contoh nyata dalam konteks penelitian & pengembangan Teknologi Pendidikan.

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

Mengapa Data Penting dalam Teknologi Pendidikan?

Data adalah bahan bakar penelitian dan pengembangan yang sahih

01

Dasar Keputusan Ilmiah

Mengembangkan media/LMS baru harus berdasar bukti empiris, bukan asumsi. Data menunjukkan apa yang benar-benar terjadi di lapangan.

02

Mengukur Efektivitas

Apakah video animasi meningkatkan pemahaman? Apakah gamifikasi mendongkrak motivasi? Hanya data yang bisa menjawab.

03

Identifikasi Masalah

Analisis data penggunaan LMS (login, waktu akses, nilai) mengungkap pola dropout dan kesulitan belajar peserta didik.

04

Validasi Inovasi

Produk EdTech yang telah diuji dan didukung data lebih dipercaya oleh pemangku kepentingan pendidikan dan investor.

Prinsip: "In God we trust; all others must bring data." — W. Edwards Deming

Klasifikasi Data Berdasarkan Sifat

Data Kualitatif vs Data Kuantitatif

DATA KUALITATIF

(Kategorik / Non-Numerik)

Definisi

Data yang menyatakan kategori, label, atau atribut tanpa nilai numerik matematis.

Contoh EdTech

Jenis media belajar (video/teks/audio), metode pembelajaran (PBL/ceramah/simulasi), status kelulusan (lulus/tidak lulus), jawaban survei terbuka.

Analisis Umum

Frekuensi, persentase, modus, tabel silang (crosstab), uji Chi-Square.

DATA KUANTITATIF

Diskrit

Nilai bilangan bulat, tidak bisa antara.

Contoh: jumlah siswa, jumlah klik pada LMS, jumlah modul yang diselesaikan.

Kontinu

Nilai dapat berupa pecahan & desimal.

Contoh: skor tes (78,5), waktu belajar (2,3 jam), nilai rapor (87,4).

Contoh Lain

IPK mahasiswa, durasi menonton video, bandwidth internet sekolah, nilai pre-test/post-test.

Analisis Umum

Mean, median, SD, uji-t, ANOVA, regresi linier, korelasi Pearson.

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

Skala Pengukuran Data

Nominal · Ordinal · Interval · Rasio — beserta contoh dalam EdTech

NOMINAL

Modus, frekuensi, Chi-Square

Kategori tanpa urutan atau jarak bermakna. Hanya membedakan, tidak mengurutkan.

Contoh EdTech:

Jenis media (video, infografis, podcast)

Platform LMS (Moodle, Google Classroom, Edmodo)

Program studi (TP, TI, Pendidikan Matematika)

Jenis kelamin responden

ORDINAL

Median, modus, Spearman, Mann-Whitney

Kategori dengan urutan bermakna, namun jarak antar kategori tidak sama.

Contoh EdTech:

Skala Likert: Sangat Tidak Setuju–Sangat Setuju

Peringkat kepuasan pengguna LMS (1–5)

Level kompetensi digital (Pemula/Menengah/Mahir)

Kategori nilai (A, B+, B, C…)

INTERVAL

Mean, SD, t-test, ANOVA, Pearson

Data numerik dengan jarak antar nilai yang sama, TETAPI tidak ada nol absolut.

Contoh EdTech:

Skor tes pengetahuan (0–100)

Nilai ujian TOEFL / TOEIC

Suhu ruang belajar (°C)

Indeks sikap dari instrumen terstandar

RASIO

Semua uji parametrik, rasio, persentase

Data numerik dengan jarak sama dan ada nol absolut yang bermakna (nol = tidak ada).

Contoh EdTech:

Jumlah akses ke LMS per minggu

Waktu belajar online (menit/jam)

Jumlah video yang ditonton

Anggaran program pelatihan (Rp)

Semakin tinggi skala, semakin kaya informasi yang dapat dianalisis secara statistik.

Klasifikasi Data: Sumber & Dimensi Waktu

Penting untuk menentukan desain penelitian yang tepat

A. Berdasarkan Sumber

Data Primer

Dikumpulkan langsung oleh peneliti.

Contoh: Angket usability LMS, wawancara guru, observasi kelas, pre-test/post-test, eye-tracking saat mengakses e-book.

Data Sekunder

Diperoleh dari sumber yang sudah ada.

Contoh: Nilai rapor siswa dari sekolah, log sistem LMS, data BPS tingkat melek digital, laporan UNESCO akses internet.

B. Berdasarkan Dimensi Waktu

Cross-sectional

Data diambil pada satu titik waktu tertentu.

Contoh: Survei kepuasan mahasiswa terhadap LMS pada akhir semester.

Time Series / Longitudinal

Data dikumpulkan dari waktu ke waktu.

Contoh: Rekam jejak nilai ujian selama 4 semester, tren penggunaan aplikasi belajar per bulan.

Panel Data

Gabungan cross-sectional & time series (banyak subjek, banyak waktu).

Contoh: Perkembangan nilai 50 siswa selama 3 tahun dalam program blended learning.

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

Penyajian Data: Tabel

Cara paling dasar & terstruktur untuk mengorganisasi data

Jenis Tabel

Tabel Frekuensi

Merangkum distribusi satu variabel. Cocok untuk data nominal/ordinal.

Tabel Distribusi

Frekuensi Bergolong

Mengelompokkan data kontinu ke dalam kelas-kelas interval.

Tabel Kontingensi

(Crosstab)

Menampilkan hubungan dua variabel kategorikal secara silang.

Tabel Deskriptif

Merangkum ukuran statistik (mean, SD, min, max) per kelompok.

Contoh: Tabel Frekuensi Platform LMS yang Digunakan Mahasiswa S2 TP

Sumber: Survei internal mahasiswa S2 Teknologi Pendidikan, 2024 (n=60, data fiktif ilustratif)

💡 Tips: Tabel harus memiliki judul yang jelas, sumber data, dan satuan ukuran yang ditampilkan.

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

Penyajian Data: Diagram & Grafik (1)

Bar Chart dan Pie Chart — untuk data kategorikal & nominal/ordinal

Bar Chart — Platform LMS

Perbandingan frekuensi antar kategori (data nominal/ordinal)

Pie Chart — Proporsi Platform LMS

Menunjukkan proporsi/komposisi (total harus 100%)

💡 Gunakan Bar Chart untuk membandingkan antar kategori. Gunakan Pie Chart untuk menunjukkan proporsi (hindari >5 kategori). Beri judul dan label yang jelas!

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

Penyajian Data: Diagram & Grafik (2)

Histogram, Line Chart, dan Scatter Plot — untuk data kuantitatif

Histogram

Distribusi data numerik

bergolong (tidak ada celah

antar batang). Cocok untuk

data interval/rasio.

Line Chart

Menunjukkan perubahan/

tren data dari waktu ke

waktu. Untuk data ordinal

berurutan atau time series.

Scatter Plot

Menunjukkan hubungan

(korelasi) antara dua

variabel numerik.

Pola titik = arah korelasi.

Pilih jenis grafik sesuai tujuan: distribusi → histogram, tren → line, hubungan → scatter, perbandingan → bar.

Ukuran Statistik Deskriptif

Meringkas data menjadi angka-angka yang bermakna

Tendensi Sentral

Mean (x̄)

Σx / n

Rata-rata aritmatik. Sensitif terhadap outlier.

EdTech: Rata-rata nilai UAS mahasiswa = 78,4

Median (Me)

Nilai tengah

Titik tengah data terurut. Tahan terhadap outlier.

EdTech: Median waktu belajar = 2,5 jam/hari

Modus (Mo)

Nilai terbanyak

Nilai yang paling sering muncul.

EdTech: Platform LMS terpopuler = Google Classroom

Ukuran Dispersi

Varians (s²)

Σ(xᵢ–x̄)² / (n–1)

Rata-rata kuadrat penyimpangan dari mean.

EdTech: Varians nilai pre-test = 156,25

Standar Deviasi (s)

√Varians

Ukuran seberapa tersebar data dari mean.

EdTech: SD nilai post-test = 12,5 poin

Rentang (R)

Max – Min

Selisih nilai tertinggi dan terendah.

EdTech: Rentang skor literasi digital = 45 poin

Ukuran Posisi

Persentil (Pₖ)

P₂₅, P₅₀, P₇₅

Nilai yang membagi data menjadi 100 bagian sama.

EdTech: P₇₅ = 85: 75% mahasiswa nilai ≤ 85

Kuartil (Q)

Q₁, Q₂, Q₃

Membagi data menjadi 4 bagian sama besar.

EdTech: Q₃ = 83: batas atas 75% data nilai

IQR

Q₃ – Q₁

Rentang antar kuartil, ukuran dispersi robust.

EdTech: IQR = 18 → data cukup bervariasi

Selalu laporkan Mean DAN SD secara bersama-sama untuk gambaran distribusi data yang lebih lengkap.

Contoh Terintegrasi: Analisis Data Penelitian EdTech

Menggabungkan tabel, grafik, dan ukuran statistik dalam satu laporan

Studi Kasus: Efektivitas Video Animasi terhadap Hasil Belajar (n=40 mahasiswa)

Tabel Statistik Deskriptif

Grafik Perbandingan Pre-Test vs Post-Test per Kelompok Nilai

Temuan: Mean meningkat dari 62,5 → 79,8 (gain = 17,3 poin). N-gain = 0,46 (kategori SEDANG). SD menurun → distribusi lebih homogen setelah perlakuan.

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

Panduan Memilih Teknik Penyajian Data

Decision guide: dari jenis data ke cara penyajian yang tepat

⚠ Ingat: Tidak ada grafik yang salah, tetapi ada grafik yang kurang tepat. Pemilihan grafik yang tepat membuat data lebih mudah dipahami dan tidak menyesatkan pembaca.

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

RINGKASAN & TUGAS

Ringkasan Materi Hari Ini

1

Data dapat diklasifikasikan berdasarkan sifat (kualitatif vs kuantitatif), skala (nominal/ordinal/interval/rasio), sumber, dan dimensi waktu.

2

Pemilihan skala pengukuran menentukan jenis analisis statistik yang dapat dilakukan.

3

Tabel digunakan untuk merangkum data secara terstruktur; pilih jenis tabel sesuai variabel.

4

Grafik dipilih berdasarkan jenis data & tujuan: bar/pie (kategorik), histogram/boxplot (numerik), scatter (hubungan dua variabel).

5

Ukuran statistik deskriptif (mean, median, SD, IQR) memberikan gambaran ringkas distribusi data.

Tugas Mandiri

1

Identifikasi Data

Temukan 10 variabel dalam penelitian EdTech pilihan Anda. Tentukan jenis dan skala pengukurannya.

2

Buat Tabel Frekuensi

Kumpulkan data dari 20 responden (skala Likert). Sajikan dalam tabel frekuensi & persentase.

3

Buat Grafik

Dari data tugas no. 2, buat bar chart dan pie chart menggunakan Excel atau SPSS.

4

Hitung Statistik Deskriptif

Hitung mean, median, modus, SD, dan rentang dari data nilai pre-test yang disediakan dosen.

Dikumpulkan pada pertemuan berikutnya. Format: dokumen Word atau PDF.

Install Software SPSS dan AMOS

Link Download SPSS:

https://drive.google.com/drive/folders/1cm6hUYyv08jcnc0irAeba56-589cSzVC?usp=sharing

​

Link Download AMOS:

https://drive.google.com/drive/folders/1OFna5S8_axV0WGhb-yeiGTosXshH4jkh?usp=sharing

​

💡 Gunakan Bar Chart untuk membandingkan antar kategori. Gunakan Pie Chart untuk menunjukkan proporsi (hindari >5 kategori). Beri judul dan label yang jelas!

Matrikulasi Statistik Terapan | Program Magister Teknologi Pendidikan

​

​

​

​

​

Petunjuk:

- Install app

- Copy and replace lservrc file to install directory

- Run app

​

​

​

​

​

Petunjuk:

1. Put the "lservrc" license file into the installed folder or

use the following license code

2. using the License Authorization Wizard:

HRF2MF6D5AXDKY5XWQAJJKLNZEU4Q7DUQCNGD2NO7W9S8QOWBVFIJQ43M929GD3HKI7Q7HYAYP54RIX2H86RNERGDT

​