slide statistika beni ok.ppt
TRANSCRIPT
Pengolahan informasi statistik mempunyai sejarah sejak peradaban manusia. Pada awal zaman Masehi, bangsa-bangsa mengumpulkan data statistik untuk mendapatkan informasi deskriptif mengenai pajak, perang, hasil pertanian, bahkan pertandingan atletik. Pada masa kini, berkembangnya teori peluang dapat memungkinkan manusia menggunakan data statistik untuk meneropong jauh di luar data yang dikumpulkan melalui generalisasi dan peramalan. PENGUKURAN
EVALUASI
Mengapa perlu Statistika di PBSI?
Salah satu sarana dalam PENELITIAN BSI
Perlu olah data dan interpretasi
JANGAN HANYA BERAKHIR PADA “ANGKA” TAPI BERI
MAKNA PADA SETIAP HASIL PERHITUNGAN
STATISTIK
!
SKRIPSI
MAKUL PENELITIAN BSI
Pengukuran dalam PBSI
Penilaian-evaluasi dalam PBSI
KONSEP DASAR
1. Statistik sebagai ilmu penunjang, disebut
STATISTIKA2. Statistik sebagai data
pengamatan berwujud angka3. Statistik sebagai atribut kuantitatif dari sampel
STATISTIKA :Kegiatan untuk :• mengumpulkan data• menyusun data• menyajikan data • menganalisis data dengan metode tertentu• menginterpretasikan hasil analisis
KEGUNAAN
?
STATISTIKA DESKRIPTIF :Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian atau seluruh data (pengamatan) untuk memberikan informasi tanpa pengambilan kesimpulan
STATISTIKA INFERENSI :Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untukmenganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
Melalui fase
dan fase
1. Konsep Statistika
2. Statistika & Metode Ilmiah
METODE ILMIAH :Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi penerapannya, resiko untuk keliru paling kecil.
LANGKAH-LANGKAH DALAM METODE ILMIAH :1. Merumuskan masalah2. Melakukan studi literatur3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau
hipotesis
4. Mengumpulkan dan mengolah data, menguji hipotesis, atau menjawab pertanyaan
5. Mengambil kesimpulan
PERAN STATISTIKA
INSTRUMEN
SAMPEL
VARIABEL
SIFAT DATA
METODE ANALISIS
3. Data
DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF
DATA KUALITATIF :Data yang dinyatakan dalam bentuk bukan angka.Contoh : jenis pekerjaan, status marital, tingkat kepuasan kerja
DATA KUANTITATIF :Data yang dinyatakan dalam bentuk angkaContoh : lama bekerja, jumlah gaji, usia, hasil ulangan
DATA
JENISDATA
NOMINALORDINAL
INTERVALRASIO
KUALITATIF KUANTITATIF
4. DataDATA NOMINAL :Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.CIRI : posisi data setara tidak bisa dilakukan operasi matematika (+, -, x, :)CONTOH : jenis kelamin, jenis pekerjaanDATA ORDINAL :Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi di antara data tersebut terdapat hubunganCIRI : posisi data tidak setara tidak bisa dilakukan operasi matematika (+, -, x, :)CONTOH : kepuasan kerja, motivasi
DATA INTERVAL :Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui.CIRI : Tidak ada kategorisasi bisa dilakukan operasi matematikaCONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender
DATA RASIO :Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui dan mempunyai titik 0 absolut.CIRI : tidak ada kategorisasi bisa dilakukan operasi matematikaCONTOH : gaji, skor ujian, jumlah buku
5. Pengolahan Data
PROSEDUR PENGOLAHAN DATA :
A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi
• Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang membahas parameter-parameter populasi; jenis data interval atau rasio; distribusi data normal atau mendekati normal.
• Statistik NONPARAMETRIK : inferensi statistik membahas parameter-parameter populasi; jenis data nominal atau ordinal; distribusi data tidak diketahui atau tidak normal
B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi
• Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n sampel atau beberapa variabel tetapi masing-masing variabel dianalisis sendiri-sendiri..
• Analisis BIVARIAT • Contoh : korelasi motivasi dengan pencapaian akademik• Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel)
untuk n sampel di mana analisis antar variabel dilakukan bersamaan. Contoh : pengaruh motivasi terhadap pencapaian akademik yang dipengaruhi oleh faktor latar belakang pendidikan orang tua, faktor sosial ekonomi, faktor sekolah.
7. Penyajian Data
TABELTabel 1.1 Bidang Pekerjaan berdasarkan Latar Belakang Pendidikan
Count
1 8 6 151 7 8
4 3 5 122 14 11 273 4 6 13
10 30 35 75
administrasipersonaliaproduksimarketingkeuangan
bidangpekerjaan
Jumlah
SMU Akademi Sarjanapendidikan
Jumlah
GRAFIK administrasipersonaliaproduksimarketingkeuangan
bidang pekerjaan
Pies show counts
8. Membuat Tabel
TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris
TABEL
KOLOMKolom pertama : LABEL
Kolom kedua …. n : Frekuensi atau label
BARIS Berisikan data berdasarkan kolom
Asal WilayahPendapat tentang sertifikasi
JumlahSangat
perlu
Perlu Tidak tahu
Tidak perlu
Sangat tdk perlu
Jawa BaratJawa TengahJawa TimurNTTPapuaJumlah
Tabel Tabulasi Silang
9. Membuat Grafik
GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.
Syarat :1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran2. Penetapan skala (skala biasa, skala logaritma, skala lain)3. Ukuran grafik (tidak terlalu besar, tinggi, pendek)
Sum
bu
tega
k
1
2
3
4
1 2 3 4Sumbu datar
0Titikpangkal
Jenis Grafik :
• Grafik Batang (Bar)
• Grafik Garis (line)
• Grafik Lingkaran (Pie)
• Grafik Interaksi (Interactive)
bidang pekerjaan
keuanganmarketingproduksipersonaliaadministrasi
Cou
nt
30
20
10
0
bidang pekerjaan
keuanganmarketingproduksipersonaliaadministrasi
Jum
lah
30
20
10
0
keuangan
marketing
produksi
personalia
administrasi
prestasi kerja
sangat baikbaikcukup baikjeleksangat jelek
Mea
n ga
ji pe
rbul
an
800000
700000
600000
500000
400000
300000
Jenis kelamin
laki-laki
w anita
10. Jenis Grafik
Grafik Batang (Bar) Grafik Garis (line)
Grafik lingkaran (pie) Grafik Interaksi (interactive)
11. Frekuensi
FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi
KELOMPOK FREKUENSI
Kelompok ke-1
f1
Kelompok ke-2
f2
Kelompok ke-3
f3
Kelompok ke-i
fi
Kelompok ke-k
fk
kn = Σ fi i=1
Pendidikan Frekuensi
S1 62S2 19S3 9
90
kn = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk i=1
DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung banyaknya data dalam satu kelompok/klasifikasi
12. Distribusi Frekuensi
Membuat distribusi frekuensi :1. Mencari sebaran (range) yakni selisih antara data paling
besar dengan data paling kecil) + 1 35 – 20 + 1= 162. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log
n 71. Menentukan panjang kelas dengan rumus p = sebaran / banyak kelas 16/7 = 2
KELOMPOK USIA FREKUENSI20 – 21 1122 – 23 1724 – 25 1426 – 27 1228 – 29 730 – 31 1832 - 33 534 - 35 1
USIA FREKUENSI
20 521 622 1323 424 725 726 727 528 329 430 1531 333 535 1
13. Grafik Poligon
KELOMPOK USIA
FREKUENSI NILAI TENGAH
20-21 11 20,5
22-23 17 22,5
24-25 14 24,5
26-27 12 26,5
28-29 7 28,5
30-31 18 30,5
32-33 5 32,5
34-35 1 34,5
14. Grafik Histogram
KELOMPOK USIA
FREKUENSI NILAI NYATA
20-21 11 19,5-21,5
22-23 17 21,5-23,5
24-25 14 23,5-25,5
26-27 12 25,5-27,5
28-29 7 27,5-29,5
30-31 18 29,5-31,5
32-33 5 31,5-33,5
34-35 1 33,5-35,5
BUATLAH GRAFIK HISTOGRAMNYA!
13. Ukuran Tendensi Sentral a. Mean
RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilanganRATA-RATA HITUNG (RERATA/mean) : jumlah bilangan dibagi banyaknya
X1 + X2 + X3 + … + Xn n
nΣ Xii =1 n
X =
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,maka rata-rata hitung menjadi :
X1 f1 + X2 f2 + X3 f3 + … + Xkfk f1 + f2 + f3 + … + fk
X =kΣ Xifii =1 kΣ fii =1 Cara menghitung :
Bilangan (Xi)
Frekuensi (fi)
Xi fi
70 3 21063 5 31585 2 170
Jumlah 10 695
Maka : X = 695 10 = 69.5
b. Median
MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantumemperjelas kedudukan suatu data.
Contoh : diketahui rata-rata hitung/mean nilai ulangan dari sejumlah siswa adalah 6.55. Pertanyaannya adalah apakah siswa yang memperoleh nilai 7 termasuk istimewa, baik, atau biasa-biasa saja ?
Jika nilai ulangan tersebut adalah : 10 10 8 7 7 6 5 5 5 5 4,maka rata-rata hitung = 6.55, median = 6Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata hitung dan median (kelompok 50% atas)
Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3, maka rata-rata hitung = 6.55, median = 8Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median (kelompok 50% bawah)
Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah)Maka mediannya adalah rerata dari dua bilangan yang ditengahnya.Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5
c. Modus
MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan, yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.
Contoh : nilai ulangan 10 10 8 7 7 6 5 5 5 5 4 Maka : s = 6 ; k = 3 ; p =2 rata-rata hitung/mean = 6.55 ; median = 6 modus = 5 ; kelas modus = 5 - 7
Nilai Frekuensi
10 28 17 26 15 44 1
Jumlah 11
Nilai Frekuensi8 – 10 35 – 7 72 – 4 1
Jumlah 11
Mo X Me+-
Kurva positif apabila rata-rata hitung > modus / medianKurva negatif apabila rata-rata hitung < modus / median
e. Quartile
Quartile: titik/skor/nilai yang membagi seluruh distribusi frekuensi ke dalam empat bagian sama besar, yakni masing-masing 1/4N.
Q2
Q3Q1
1/4N
1/4N
1/4N
1/4N
Qn = l + n/4N – fkb fi
Qn = l + n/4N – fkb X i fi
Untuk data tunggal
Untuk data berkelompok
l = batas bawah nyata dari skor yang mengandung Qn
f. Desile
Desile: titik/skor/nilai yang membagi seluruh distribusi frekuensi ke dalam sepuluh bagian sama besar, yakni masing-masing 1/10N.
D2
1/10N
D3D1 D5D4 D7D6 D8 D9
Dn = l + n/10N – fkb fi
Dn = l + n/10N – fkb X i fi
Untuk data tunggal
Untuk data berkelompok
l = batas bawah nyata dari skor yang mengandung Dn
e. Percentile
Percentile: titik/skor/nilai yang membagi seluruh distribusi frekuensi ke dalam seratus bagian sama besar, yakni masing-masing 1/100N.
P50 P75P1
Pn = l + n/100N – fkb fi
Pn = l + n/100N – fkb X i fi
Untuk data tunggal
Untuk data berkelompok
l = batas bawah nyata dari skor yang mengandung Pn
P25 P100
14. Ukuran Penyebaran
Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil. Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan dengan bilangan terbesar dan terkecil.
A : 100 90 80 70 60 50 40 30 20 10B : 100 100 100 100 100 10 10 10 10 10C : 100 100 100 90 80 30 20 10 10 10
Contoh :X = 55r = 100 – 10 = 90
UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :1. RENTANG (Range)2. DEVIASI RATA-RATA (Average Deviation)3. VARIANS (Variance)4. DEVIASI STANDAR (Standard Deviation)
Rata-rata
17. Deviasi rata-rata Deviasi Rata-rata : penyebaran Berdasarkan harga mutlak simpanganbilangan-bilangan terhadap rata-ratanya.
Nilai X
X - X |X – X|
100 45 4590 35 3580 25 2570 15 1560 5 550 -5 540 -15 1530 -25 2520 -35 3510 -45 45
Jumlah
0 250
Nilai X
X - X |X – X|
100 45 45100 45 45100 45 4590 35 3580 25 2530 -25 2520 -35 3510 -45 4510 -45 4510 -45 45
Jumlah
0 390
Kelompok A Kelompok B
DR = 250 = 25 10
DR = 390 = 39 10
Makin besar simpangan,makin besar nilai deviasi rata-rata
DR = n Σi=1
|Xi – X| n
Rata-rata
Rata-rata
18. Varians & Deviasi Standar
Varians : penyebaran berdasarkan jumlah kuadrat simpangan bilangan-bilangan terhadap rata-ratanya ; melihat ketidaksamaan sekelompok data
s2 = n Σi=1
(Xi – X)2
n-1
Deviasi Standar : penyebaranberdasarkan akar dari varians ;menunjukkan keragaman kelompok data
s =√ n Σi=1
(Xi – X)2
n-1
Nilai X
X -X (X–X)2
100 45 202590 35 122580 25 62570 15 22560 5 2550 -5 2540 -15 22530 -25 62520 -35 122510 -45 2025
Jumlah
8250
Nilai X
X -X (X –X)2
100 45 2025100 45 2025100 45 202590 35 122580 25 62530 -25 62520 -35 122510 -45 202510 -45 202510 -45 2025
Jumlah
15850
Kelompok A Kelompok B
s = √8250 9 =
30.28s = √15850
9 = 41.97
Kesimpulan :Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28 Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97 Maka data kelompok B lebih tersebar daripada kelompok A
19. Normalitas, Hipotesis, Pengujian
Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang melalui nilai rata-rata
+s +2s +3s -s +2s+3s68%95%99%
• Lakukan uji normalitas• Rasio Skewness & Kurtosis berada –2 sampai +2 Rasio =
• Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik (Wilcoxon, Mann-White, Tau Kendall)
Skewness = kemiringan
Kurtosis = keruncingan
nilaiStandard error
20. Normalitas, Hipotesis, Pengujian
HIPOTESIS TERARAH TIDAK TERARAHHipotesis Penelitian
Siswa yang belajar bahasa lebih serius daripada siswa yang belajar IPS
Ada perbedaan keseriusan siswa antara yang belajar bahasa dengan yang belajar IPS
Hipotesis Nol
(Yang diuji)
Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada yang belajar IPSHo : b < iHa : b > i
Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS
Ho : b = iHa : b ≠ I
Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ; berbentuk hipotesis penelitian dan hipotesis statistik (H0) ; hipotesis bisa terarah, bisa juga tidak terarah ; akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni hipotesis yang akan diterima seandainya Ho ditolak
Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak bila Ho tidak terarah, maka pengujian signifikansi dua pihak
21. Normalitas, Hipotesis, Pengujian
Pengujian signifikansi satu arah (hipotesis terarah):Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripadayang belajar IPS Ho : b < iJika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan
Daerah penerimaan hipotesis Daerah penolakan hipotesis
5%
Pengujian signifikansi dua arah (hipotesis tidak terarah):Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS Ho : b = iJika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
Daerah penerimaan hipotesisDaerah penolakan hipotesis
Daerah penolakan hipotesis
2.5% 2.5%
22. Uji t
Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atauapakah rata-rata dua populasi sama/berbeda secara signifikan.
1. Uji t satu sampelMenguji apakah satu sampel sama/berbeda dengan rata-rata populasinya• hitung rata-rata dan std. dev (s) • df = n – 1• tingkat signifikansi ( = 0.025 atau 0.05)• pengujian apakah menggunakan 1 ekor atau 2 ekor• diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak
t =( - )
s / √nα
Contoh :Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun memang berbeda dibandingkan dengan guru lainnya. Ho : p1 = p2Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55Berdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987 Kesimpulan : t hitung > t tabel sehingga Ho ditolak guru yang bekerja selama 8 tahun secara signifikan berbeda dengan guru lainnya
α
2. Uji t dua sampel bebasMenguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda
α
23. Uji t
t = (X – Y)Sx-y
Di mana Sx-y =
(Σx2 + Σy2) (1/nx + 1/ny)√ (nx + ny –
2)
Contoh :Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum sertifikasi) antara guru yang lulusan S1 dengan yang lulusan S3Ho : Pb = PkDiperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994Kesimpulan : t hitung > t tabel sehingga Ho ditolak Rata-rata penghasilan guru yang S1 berbeda secara signifikan dengan penghasilan guru yang S3
24. Uji t
3. Uji t dua sampel berpasanganMenguji apakah rata-rata dua sampel yang berpasangan sama/berbeda
t = DsD
Di mana D = rata-rata selisih skor pasangan
sD = Σ d2
N(N-1)Σ d2 = N
ΣD2 – (ΣD)2
Contoh :Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi. Setelah selesai pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan adanya perbedaan rata-rata tes pertama dengan kedua.Ho : Nd = NcDiperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904Berdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960Kesimpulan : t hitung > t tabel sehingga Ho ditolak Terdapat perbedaan yang signifikan antara hasil tes pertama dengan hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif meningkatkan hasil belajar siswanya
α
√
25. Uji Keterkaitan
Korelasi : hubungan keterkaitan antara dua atau lebih variabel. Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1
NOL tidak ada atau tidak menentunya hubungan dua variabelcontoh : pandai matematika dan jago olah raga ; pandai matematika dan tidak bisa olah raga ; tidak pandai matematika dan tidak bisa olah raga korelasi nol antara matematika dengan olah raga
POSITIFmakin besar nilai variabel 1menyebabkan makin besarpula nilai variabel 2Contoh : makin banyak waktubelajar, makin tinggi skor Ulangan korelasi positif antara waktu belajar dengan nilai ulangan
NEGATIFmakin besar nilai variabel 1 menyebabkan makin kecil nilai variabel 2contoh : makin banyak waktu bermain, makin kecil skor Ulangan korelasi negatif antara waktu bermain dengan nilai ulangan
1. KORELASI PEARSON/PRODUCT MOMENT : apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana arah hubungan dan berapa besar hubungan tersebut. Digunakan jika data variabel kontinyu dan kuantitatif
26. Uji Keterkaitan
r=NΣXY – (ΣX) (ΣY)
NΣX2 – (ΣX)2 x NΣY2 – (ΣY)2
Contoh :10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPSSiswa : A B C D E F G H I JWaktu (X) : 2 2 1 3 4 3 4 1 1 2Tes (Y) : 6 6 4 8 8 7 9 5 4 6Apakah ada korelasi antara waktu belajar dengan hasil tes ?
ΣXY = jumlah perkalian X dan YΣX2 = jumlah kuadrat XΣY2 = jumlah kuadrat YN = banyak pasangan nilai
Di mana :
Siswa X X2 Y Y2 XYAB
ΣX ΣX2 ΣY ΣY2 ΣXY
√ √
2. KORELASI SPEARMAN (rho) dan Kendall (tau) :Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi non parametrik
27. Uji Keterkaitan
rp =
1 - 6Σd2
N(N2 – 1)N = banyak pasangand = selisih peringkat
Di mana :
Contoh :10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)Siswa : A B C D E F G H I JPerilaku : 2 4 1 3 4 2 3 1 3 2Kerajinan : 3 2 1 4 4 3 2 1 2 3Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?
Siswa A B C DPerilakuKerajina
ndd2 Σd2