Buku Analisis Data PDF

A-PDF Merger DEMO : Purchase from www.A-PDF.
com to remove the watermark
Bimbingan Cepat
ANALISIS DATA
PENYELIDIKAN
Untuk Pendidikan
& Sains Sosial
Mohd Yusri Ibrahim
BANDAR ILMU
Kuantan. 2010
Edisi Pertama / First Edition

Hak Cipta / Copyright Bandar Ilmu
Hak cipta terpelihara. Tiada bahagian daripada buku ini boleh diterbitkan semula dengan apa cara
dan maksud sekalipun tanpa kebenaran bertulis daripada penerbitan Bandar Ilmu.
All right reserved. No part of this book may be reproduced ini any form or any means without
permission in writing from publication of Bandar Ilmu.
Diterbitkan di Malaysia oleh / Published in Malaysia by

Bandar Ilmu
No 25, Lorong Cengal Lempung Baru 2, Taman Balok Jaya 2
26100 Kuantan, Pahang.
Reka bentuk kulit
Haris Yusoh
Perpustakaan Negara Malaysia
Data Pengkatalogan-dalam-Penerbitan
Mohd Yusri Ibrahim.

Bimbingan cepat: analisis data penyelidikan untuk pendidikan & sains sosial
Mohd Yusri Ibrahim.
ISBN 978-967-5930-00-3
1. Statistics. 2. Research-Methodology, I. Judul
001.42
Urusan surat menyurat

abu_aimani@yahoo.com
Dedikasi yang terlalu khusus kepada
Isteri tercinta, Zurita Othman, yang menjadi obor pembakar semangat,

marak menyala sepanjang masa, menerangi suluh kehidupan
Serta
Anak-anak tersayang, Alif Aiman, Afni Irfan, Amni Fatehah & Aakif Rayyan
yang menjadi sumber inspirasi sepanjang masa
Dan
Ayah dan Emak, Ibrahim Saman & Habidah Md Nor

yang telah mencurahkan lautan jasa dan pengorbanan
Juga
Ayah dan Ibu Mertua, Othman Hamad & Rohani Che Hussin
yang sangat mengerti cita-cita menantu ini.
PRAKATA
Saya banyak mengendalikan kursus berkaitan penyelidikan kepada guru-guru khususnya di negeri
Terengganu. Selain kursus, saya juga seringkali menjadi fasilitator dan jurulatih kepada guru-guru
yang terlibat menjalankan penyelidikan di Terengganu. Hasil kajian yang dijalankan oleh guru-guru
ini majoritinya diterbitkan dalam Jurnal Penyelidikan Pendidikan Terengganu yang diterbitkan
saban tahun.
Sepanjang mengendalikan kursus dan menjadi fasilitator, saya dapati kebanyakan guru
masih tidak mempunyai pengetahuan dan kemahiran yang cukup untuk mengendalikan
penyelidikan, khususnya penyelidikan yang berkaitan dengan pendidikan. Antara aspek utama
yang masih belum dikuasai oleh guru-guru adalah berkaitan analisis data. Masalah yang sama juga
dihadapi oleh pelajar-pelajar pra dan pasca siswazah. Saya sering dirujuk oleh pelajar-pelajar
universiti yang mengambil pengajian jarak jauh peringkat sarjana muda dan yang menyambung
pengajian pasca siwazah peringkat sarjana. Kebanyakan mereka menghadapi masalah untuk
membuat analisis data bagi menyiapkan tesis atau projek ilmiah.
Sepanjang penglibatan, saya dapati masih ramai guru dan penyelidik permulaan yang
belum menguasai kemahiran asas untuk menganalisis data, khususnya yang melibatkan item-item
statistik yang mudah. Apabila berhadapan dengan situasi ini, timbul hasrat untuk saya menulis
buku atau manual yang ringkas dan mudah difahami berkaitan dengan analisis data penyelidikan.
Dua aspek utama yang saya akan tekankan ialah menggunakan bahasa mudah yang boleh
difahami oleh semua golongan dan hanya membincangkan analisis data menggunakan item-item
statistik yang mudah dan biasa digunakan. Ini kerana ramai pelajar dan penyelidik yang mula
berjinak dengan penyelidikan sukar memahami sebahagian besar buku penyelidikan yang ada di
pasaran pada hari ini. Ini kerana buku-buku tersebut kebiasaannya menggunakan istilah-istilah
penyelidikan yang tinggi dan sukar dikuasai oleh orang kebanyakan. Buku-buku tersebut juga
memaparkan terlalu banyak item statistik sehingga menyebabkan penyelidik yang baru tidak
mengetahui statistik yang mana mereka perlu pilih untuk digunakan dalam penyelidikan awalan
mereka.
Alhamdulillah, buku ringkas ini berjaya saya hasilkan. Saya harap buku ini akan menjadi
panduan berguna kepada guru-guru dan pelajar yang baru berjinak-jinak dengan dunia
penyelidikan. Buku ini mungkin mempunyai beberapa kelemahan. Saya berharap pembaca dan
golongan akademik sudi untuk memberi pandangan bagi membuat penambahbaikan dalam edisi
yang seterusnya.
Saya juga mengucapkan jutaan terima kasih kepada pihak SPSS Malaysia yang
memberikan kebenaran kepada saya untuk memaparkan screenshot dan aplikasi SPSS dalam Buku
ini. Ditegaskan bahawa SPSS screenshots and applications are used by permission of SPSS Inc.,
an IBM Company.
Salam Hormat,
Mohd Yusri Ibrahim
abu_aimani@yahoo.com
Kemaman, Terengganu
iv
SENARAI KANDUNGAN
Prakata
iv
Senarai Kandungan
1.
Asas Pengukuran
2.
Skala Pengukuran
3.
Membina Template SPSS
11
4.
Pengolahan Data
20
5.
Kebolehpercayaa Item
35
6.
Sukatan Kecenderungan Memusat
43
7.
Sukatan Serakan
65
8.
Korelasi
77
9.
Perbandingan Min (ujian-t)
100
10.
Analisis Varian (ANOVA)
130
11.
Regresi Linear
141
Tutorial
158
Bibliografi
167
Lampiran 1 (Jadual T)
Lampiran 2 (Jadual Khi Kuasa Dua)
Lampiran 3 (Jadual F)
Biodata Penulis
v
Bab 1 : Asas Pengukuran
BAB 1
ASAS PENGUKURAN
Analisis data merupakan satu proses untuk memberi makna kepada data penyelidikan yang telah
dikumpul. Proses ini membantu mencapai objektif sesuatu penyelidikan dijalankan. Penyelidikan
sosial dan penyelidikan pendidikan dijalankan bagi mencapai tujuan tersebut;
a)
b)
c)
d)
Menjawab persoalan-persoalan yang masih belum ada jawapan

Menyelesaikan sesuatu masalah yang timbul
Sebagai asas untuk membuat sesuatu tindakan atau mengubah tindakan sedia ada
Menghasilkan pengetahuan baru secara sistematik
Sebagaimana pengumpulan data perlu menggunakan alat atau instrumen seperti soal
selidik, temubual, pemerhatian, ujian dan lain-lain, analisis data juga menggunakan alat atau
instrumen yang khusus. Bagi kajian kuantitatif, data biasanya dianalisis secara berstatistik dengan
menggunakan program Statistical Package for Social Science (SPSS). Namun bukan semua data
penyelidikan perlu dianalisis menggunakan program SPSS. Data penyelidikan boleh juga dianalisis
menggunakan perisian lain seperti Microsoft Office Excel dan sebagainya. Namun penyelidik lebih
gemar menggunakan SPSS kerana perisian tersebut lebih cekap dan pantas untuk membuat kerja
analisa berstatistik.
Statistik Deskriptif dan Inferensi

Statistik adalah satu cabang dalam matematik gunaan. Ia melibatkan nombor dan manipulasi
nombor. Walaupun statistik merupakan salah satu cabang matematik, namun penyelidik yang
ingin menggunakan statistik sebagai alat untuk membuat analisa data tidak memerlukan
pengetahuan matematik yang sangat mendalam dan terlalu kompleks.
Statistik terbahagi kepada dua iaitu;
i)
ii)
Statistik deskriptif
Statistik inferensi
Statistik deskriptif atau sering juga disebut sebagai statistik pemerihalan merupakan pengukuran
yang dibuat terhadap sampel kajian. Ia hanya melibatkan pelaporan tentang sampel yang diukur
dan bukan membuat sebarang generalisasi kepada kumpulan yang di luar sampel tersebut.
Statistik inferensi pula melibatkan pengukuran terhadap populasi kajian. Statistik infrensi
digunakan untuk membuat generalisasi terhadap kumpulan populasi kajian yang lebih besar.
Pengujian yang melibatkan penolakan atau penerimaan hipotesis juga menggunakan item-item
yang terdapat dalam statistik inferensi.
Untuk memahami statistik deskriptif dan statistik inferensi dengan lebih baik, penyelidik
perlu memahami terlebih dahulu bagaimana data kajian dikumpulkan. Bagi menjimatkan masa
dan kos kewangan, data tidak dikumpul daripada semua populasi. Data hanya dikumpul daripada
sampel yang dipilih daripada sebilangan unit dalam populasi tersebut. Sampel kajian ini ditetapkan
menggunakan teknik tertentu untuk memastikan sampel yang dipilih mewakili semua ciri yang
terdapat dalam populasi yang dikaji.
Statistik deskriptif hanya digunakan untuk mengukur sampel yang dipilih daripada
populasi. Ia hanya melibatkan aktiviti seperti hitungan, pengiraan, pengukuran, penjelasan dan
persembahan data. Statistik deskriptif berfungsi untuk memudah, meringkas dan merumuskan
maklumat asas yang diukur daripada kumpulan sampel kajian. Antara item dalam statistik
deskriptif termasuklah taburan frekuensi seperti peratus, sukatan kecederungan memusat seperti
min, median dan mod, sukatan serakan seperti julat, varians dan sisihan piawai, serta pekali
korelasi seperti phi, contigency dan cramers.
Statistik inferensi pula diasaskan daripada teori-teori berkaitan kebarangkalian. Fungsi
utama statistik inferensi adalah untuk meramal dan dan membuat anggaran sifat populasi
daripada sampel kajian. Antara contoh item dalam statistik inferensi ialah ujian-t, analisis varians
atau ANOVA dan khi kuasa dua.
Dalam penyelidikan, ukuran terhadap sampel dikenali sebagai statistik, manakala ukuran
terhadap populasi dikenali sebagai parameter. Jadual di bawah menunjukkan beberapa contoh
simbol yang digunakan untuk statistik bagi sampel dan parameter bagi populasi.
JADUAL 1.1 : Simbol Statistik dan Parameter
Item
Statistik
Parameter
Min
2
2
Varians
s
Sisihan piawai
s
Pekali korelasi
r
Hipotesis
Hipotesis adalah cadangan jawapan yang sementara kepada sesuatu masalah yang dikaji. Contohcontoh masalah yang boleh dibina hipotesis adalah seperti berikut;
i)
Adakah terdapat perbezaan antara murid lelaki dan murid perempuan dalam
pencapaian matematik?
ii)
Adakah terdapat perbezaan tahap motivasi antara guru yang berkelulusan sarjana,
sarjana muda dan diploma?
Hipotesis perlu dibina oleh penyelidik untuk membuat pengujian bagi menjawab persoalan ini.
Hipotesis terbahagi kepada dua jenis iaitu;
i)
Hipotesis nol
ii)
Hipotesis alternatif
Hipotesis nol dikenali oleh penyelidik sebagai hipotesis baik sangka. Bagi penyelidik yang agak
Islamic, hipotesis nol dikenali sebagai hipotesis husnul dzam. Simbol bagi hipotesis nol ialah Ho.
Hipotesis nol dibina oleh penyelidik dengan harapan untuk menolak hipotesis tersebut. Bagi
contoh masalah yang ditunjukkan di atas, hipotesis nol berikut boleh dibina,
Ho1
: Tidak terdapat perbezaan yang signifikan antara pencapaian murid lelaki dan
pencapaian murid perempuan dalam matematik.
Ho2
: Tidak terdapat perbezaan yang signifikan antara tahap motivasi guru yang
berkelulusan sarjana, sarjana muda dan diploma.
Hipotesis alternatif menerangkan keadaan sekiranya bukti yang ada cukup untuk menolak
hipotesis nol. Hipotesis alternatif adalah alternatif jawapan atau kesimpulan yang akan diambil
sekiranya hipotesis nol ditolak. Simbol bagi hipotesis alternatif ialah Ha. Bagi situasi di sebelah,
hipotesis alternatif seperti berikut boleh dibina,
H a1
: Terdapat perbezaan yang signifikan antara pencapaian murid lelaki dan

pencapaian murid perempuan dalam matematik.
H a2
: Terdapat perbezaan yang signifikan antara tahap motivasi guru yang

berkelulusan sarjana, sarjana muda dan diploma.
Ralat
Dalam pengujian, penyelidik dikehendaki menolak atau menerima hipotesis nol. Keadaan ini
memungkinkan penyelidik membuat keputusan yang silap. Untuk mengurangkan kesilapan ini,
kriteria untuk menolak atau menerima hipotesis perlu ditetapkan.
Kriteria yang ditetapkan ialah aras keertian (level of significance). Aras keertian ialah
kemungkinan untuk penyelidik membuat kesilapan semasa menerima atau menolak hipotesis nol.
Simbol aras keertian ialah . Dalam amalan penyelidikan, dua aras keertian yang seringkali
ditetapkan oleh penyelidik ialah 0.01 dan 0.05. Paras keertian 0.01 atau ditulis =0.01 bermaksud
penyelidik menetapkan kemungkinan berlaku kesilapan menolak hipotesis nul yang benar
sebanyak satu peratus. Paras keertian 0.01 juga bermaksud penyelidik yakin 99 peratus bahawa
keputusan mereka adalah betul.
Paras keertian 0.05 atau ditulis =0.05 pula bermaksud penyelidik menetapkan
kemungkinan berlaku kesilapan menolak hipotesis nol yang benar ialah lima peratus. Ini juga
membawa maksud penyelidik yakin keputusan mereka menolak hipotesis nol yang salah ialah 95
peratus.
Sekiranya penyelidik tersilap menolak hipotesis nol yang betul, penyelidik tersebut
telah melakukan Ralat Jenis I. Sekiranya penyelidik gagal menolak hipotesis nol yang salah,
penyelidik tersebut telah melakukan Ralat Jenis II. Kesan atau akibat daripada Ralat Jenis I adalah
lebih besar berbanding melakukan Ralat Jenis II. Sekiranya penyelidik melakukan Ralat Jenis I
dalam sesuatu penyelidikan yang melibatkan dasar, mungkin boleh menyebabkan suatu
perubahan dasar yang tidak perlu. Ini akan memberi akibat yang sangat negatif terhadap sesuatu
sistem pendidikan atau sistem sosial.
Sebagai contoh, penyelidik menetapkan hipotesis nol satu penyelidikan sebagai;
Ho : Tidak terdapat perbezaan antara kepuasan kerja guru sekolah rendah dan guru
sekolah menengah
Penyelidik telah membuat kesilapan Ralat Jenis I dengan menolak hipotesis nol ini. Apabila
hipotesis nol ditolak, maka hipotesis alternatif yang berbunyi
Ha : Terdapat perbezaan antara kepuasan kerja guru sekolah rendah dan guru
sekolah menengah
Lanjutan daripada kesilapan ini, kerajaan akan membuat perubahan terhadap dasar sedia ada
untuk meningkatkan kepuasan guru sekolah rendah sebagai contoh. Perubahan dasar ini
sebenarnya tidak perlu. Ia hanya kelihatan perlu apabila penyelidik telah melakukan kesilapan
Ralat Jenis I iaitu menolak hipotesis nol yang benar.
Untuk mengurangkan kesilapan ini berlaku, penyelidik perlu menetapkan aras
keertian yang sesuai mengikut kepentingan kajian. Jika kajian yang dijalankan sangat penting,
penyelidik boleh menetapkan paras keertian, =0.01. Ini mewujudkan keadaan di mana
kemungkinan untuk Ralat Jenis 1 berlaku hanyalah 1 peratus sahaja.
Selain penetapan aras keertian yang sesuai, Ralat Jenis I juga boleh dielakkan oleh
penyelidik dengan cara berhati-hati semasa membuat persampelan. Sebahagian sarjana
penyelidikan mengatakan dua keadaan yang boleh mengurangkan Ralat Jenis I berlaku ialah;
i)
Pastikan sampel dipilih secara rawak daripada populasi.
ii)
Sampel berada dalam taburan normal.
Jika kedua-dua situasi ini diberi perhatian, kebarangkalian untuk berlaku Ralat Jenis I adalah
kurang.
Statistik Asas
Analisis data penyelidikan bermaksud penyelidik perlu memahami dengan baik item-item statistik
yang akan digunakan untuk menganalisa data. Setiap item statistik mempunyai fungsi dan
kelebihan sendiri. Penyelidik yang mahir akan memilih item statistik terbaik untuk menganalisis
data, sekaligus menjawab persoalan kajian yang dikemukakan.
Sesetengah penyelidik terlalu ghairah untuk menggunakan item-item statistik yang tinggi
dan canggih bagi menganalisa kajian mereka. Sedangkan persoalan kajian boleh dijawab hanya
dengan menggunakan statistik yang biasa, contohnya peratus dan min. Ada penyelidik yang
berjaya mendapat anugerah daripada penyelidikan mereka walau hanya menggunakan peratus
untuk menganalisis data. Kualiti dapatan kajian tidak bergantung kepada kecanggihan item
statistik yang digunakan, sebaliknya bergantung kepada ketepatan memilih item statistik yang
bersesuaian dengan keperluan penyelidikan tersebut.
Memahami statistik tidak bermaksud penyelidik sekadar tahu menggunakan perisian
SPSS untuk menganalisa data statistik. Memahami statistik bermaksud penyelidik mengetahui
fungsi, prinsip kerja dan syarat-syarat kepenggunaan sesuatu item statistik tersebut. Seorang
penyelidik yang memahami setiap item statistik dengan baik masih lagi boleh menghasilkan
dapatan penyelidikan yang baik walaupun penguasaan SPSS mereka lemah. Mereka masih boleh
meminta bantuan orang lain untuk run data kajian mereka menggunakan SPSS. Sebaliknya
penyelidik yang tidak memahami item statistik dengan baik, tidak akan berjaya menghasilkan
dapatan kajian yang baik walaupun mereka mahir menggunakan perisian SPSS.
Bagi penyelidik permulaan, mereka perlu memahami prinsip kerja beberapa item statistik
mudah yang sering digunakan. Antara item statistik yang sering digunakan seperti peratus dan min
bagi sukatan kecenderungan memusat, julat dan sisihan piawai bagi sukatan serakan, pekali
korelasi bagi mencari hubungan, serta ujian-z, ujian-t dan ANOVA untuk membuat pengujian.
Jadual di bawah meringkaskan maklumat beberapa item statistik yang dimaksudkan serta
maknanya. Saya hanya memilih beberapa item untuk dibincangkan
JADUAL 1.2 : Beberapa Item Statistik Mudah
KATEGORI
Kecenderungan
Memusat
Serakan
Hubungan
Pengujian
Hipotesis
STATISTIK
MAKNA
peratus
Bilangan frekuensi
min
Purata skor
median
Skor penengah
mod
Skor paling tinggi
julat
Beza antara skor maksimun dengan

skor minimun
Sisihan piawai
Berapa jauh skor-skor terserak dari

min skor
Pekali korelasi
(kontigensi,
spearman, kendall,
pearson, variasi)
Menunjukkan sama ada wujud atau

tidak
hubungan
antara
pembolehubah, hubungan langsung
atau songsang, kekuatan hubungan
Khi kuasa dua
Menunjukkan sama ada wujud atau

tidak
hubungan
melibatkan
pengukuran skala nominal
Ujian-z
Ujian-t
Perbandingan satu faktor,

min/satu faktor, dua min
ANOVA
Perbandingan satu faktor, > dua min/

dua faktor, 2 min
satu
Dalam buku kecil ini, saya akan bincangkan dengan cara yang mudah dan ringkas untuk
membolehkan pelajar dan penyelidik memahami dengan cepat cara-cara membuat analisis data
menggunakan item-item statistik yang mudah ini.
Bab 2 : Skala Pengukuran
BAB 2
SKALA PENGUKURAN
Dalam pengendalian penyelidikan, salah satu aspek penting yang perlu diketahui ialah skala
pengukuran. Skala pengukuran bagi sesuatu pembolehubah kajian akan menentukan item statistik
yang akan digunakan untuk membuat analisis data dan bagaimana data tersebut akan dianalisis.
Terdapat empat skala pengukuran yang digunakan dalam penyelidikan iaitu nominal, ordinal, sela
(interval) dan nisbah (ratio). Jadual di bawah menunjukkan deskripsi dan contoh bagi setiap skala
pengukuran yang dimaksudkan.
JADUAL 2.1 : Skala Pengukuran Dalam Penyelidikan

Skala
Deskripsi
Contoh
Nominal
Kelas, kategori, ekslusif
Jantina, bangsa, agama, lokasi, bidang

pengajaran, aliran, jenis sekolah
Ordinal
Pemeringkatan (rank), unit yang tidak

sama
Tingkatan, maklum balas terhadap respon

seperti sangat tidak setuju, tidak setuju,
tidak pasti, setuju dan sangat setuju
Sela
Nilai tidak mutlak, boleh buat operasi

matematik
Markah peperiksaan, maklum

terhadap respon yang diberi skor
balas
Nisbah
Nilai yang mutlak, boleh buat operasi

matematik
Umur, pengalaman
jumlah pendapatan
jarak,
mengajar,
Skala nominal merujuk kepada pembolehubah yang bersifat kategorikal. Selain bersifat kategori,
pembolehubah pada skala nominal bersifat ekslusif iaitu berdiri dengan sendiri dan tidak berkait
dengan pembolehubah lain. Contohnya pembolehubah jantina iaitu lelaki dan perempuan adalah
saling ekslusif dan tiada kaitan. Begitu juga pembolehubah bangsa seperti Melayu, Cina, India,
Iban dan lain-lain. Semua bangsa ini mempunyai ciri-ciri yang tersendiri dan tiada kaitan antara
satu sama lain. Petua paling mudah untuk mengesahkan sesuatu pembolehubah tersebut berada
pada skala nominal ialah pembolehubah tersebut tidak boleh dilakukan operasi matematik.
Contohnya jantina lelaki dan perempuan tidak boleh dioperasikan secara matematik sama ada
tambah, tolak, darab atau bahagi.
Skala ordinal merujuk kepada pembolehubah yang disusun mengikut tahap tertentu
seperti tingkatan satu hingga tingkatan lima yang dikelaskan mengikut umur. Tahap kemahiran
yang disusun seperti lemah, sederhana, baik dan cemerlang juga berada pada tahap skala ordinal.
Selain itu, maklum balas seperti sangat tidak setuju, tidak setuju, tidak pasti, setuju dan sangat
setuju juga merupakan contoh pengukuran yang berada pada skala ordinal. Dengan kata lain,
sesuatu pembolehubah yang dikelaskan mengikut tahap atau ranking yang tertentu adalah berada
pada skala ordinal.
Pembolehubah yang berada pada skala sela merujuk kepada pembolehubah yang
mempunyai nilai dalam bentuk nombor. Namun nilai tersebut tidak mutlak. Sesetengah penulis
buku penyelidikan mengatakan nilai kosong (zero) tidak mutlak. Contohnya markah peperiksaan.
Seseorang murid yang mendapat markah peperiksaan sebanyak 50 peratus tidak bermaksud
secara mutlak bahawa dia menguasai 50 peratus pengajaran guru. Begitu juga murid yang
mendapat kosong atau 100 markah tidak bermaksud secara mutlak bahawa dia tidak menguasai
langsung atau menguasai sepenuhnya pengajaran guru. Maklum balas yang dibuat pemeringkatan
(ranking) pada tahap tertentu pada skala ordinal seperti sangat tidak setuju, tidak setuju, tidak
pasti, setuju dan sangat setuju juga boleh dikategorikan berada pada skala sela jika setiap kategori
tersebut diberi markah atau skor. Contohnya tahap sangat tidak setuju diberi skor 1, tidak setuju
diberi skor 2, tidak pasti diberi skor tiga, setuju diberi skor 4 dan sangat setuju diberi skor 5.
Contoh lain seperti skala tidak pernah diberi skor 1, jarang-jarang diberi skor 2, kerap diberi skor 3
dan sangat kerap diberi skor 4 juga boleh dikategorikan berada pada skala sela.
Skala pengukuran pada tahap nisbah juga merujuk kepada pembolehubah yang
mempunyai nilai dalam bentuk nombor. Nilai nombor pada skala nisbah tersebut adalah mutlak.
Contohnya umur. Seseorang yang berumur 51 tahun adalah mutlak berumur dengan nilai
tersebut. Seseorang yang berumur 0 tahun bermaksud belum dilahirkan. Begitu juga dengan jarak
rumah ke sekolah, pengalaman mengajar dan lain-lain. Semua nilai bagi pembolehubah yang
berada pada skala nisbah adalah mutlak. Kebiasaannya penyelidik sukar membezakan antara
pengukuran pada skala sela dan nisbah. Petuanya ialah dengan mengenal pasti sama ada nilai bagi
pembolehubah tersebut mutlak atau tidak. Jika tidak mutlak ia berada pada tahap sela.
Seandainya nilai tersebut bersifat mutlak maka ia berada pada tahap nisbah.
Perlu diingat bahawa skala yang berada pada tahap yang lebih tinggi adalah merangkumi
ciri-ciri pada skala yang lebih rendah. Contohnya skala pengukuran pada tahap ordinal juga
memiliki ciri-ciri pengukuran pada skala ordinal. Skala pengukuran pada tahap nisbah juga
merangkumi ciri pada tahap sela, ordinal dan nominal. Hanya skala pengukuran pada tahap yang
rendah tidak memiliki ciri skala pengukuran pada tahap yang tinggi.
Kepentingan Memahami Skala Pengukuran

Seringkali pelajar atau golongan pendidik yang baru berjinak dengan bidang penyelidikan
mengabaikan penguasaan dan pemahaman tentang skala pengukuran dalam penyelidikan.
Mereka menyangka kemahiran tersebut tidak penting. Yang penting adalah menganalisis data dan
membuat laporan dapatan kajian.
Silap faham seumpama ini menyebabkan sebilangan pelajar menggunakan item statistik
yang salah untuk menganalisa data kajian mereka. Sepanjang mengendalikan bengkel
penyelidikan, saya pernah berjumpa dengan kes pelajar membuat kiraan min bagi jantina. Dalam
SPSS, pelajar ini mewakilkan jantina lelaki dengan kod 1 manakala perempuan diwakili dengan
kod 2. Apabila pelajar ini membuat analisa menggunakan min, maka nilai min yang diperolehi
ialah 1.67. Dalam gurauan, saya bertanya pelajar ini, apa interpretasi yang awak akan buat? Nilai
1.67 itu bermaksud apa? Pondan, Kunsa, Maknyah atau apa? Saya cuba hendak sedarkan pelajar
ini bahawa pembolehubah jantina yang berada pada skala nominal tidak boleh dilakukan operasi
matematik. Pembolehubah pada skala nominal hanya boleh dikira frekuensi sahaja, khususnya
peratusan.
Saya juga pernah membetulkan laporan penyelidikan sekumpulan guru yang membuat
korelasi Pearson antara jantina dengan pembolehubah motivasi guru. Laporan ini dibuat oleh
guru-guru yang baru melaksanakan penyelidikan di peringkat daerah masing-masing. Kesilapan ini
berlaku apabila mereka tidak menguasai pengetahuan tentang skala pengukuran dengan baik.
Sepatutnya korelasi Pearson hanya boleh dilakukan antara dua pembolehubah yang berada pada
skala sela atau skala yang lebih tinggi iaitu nisbah. Untuk mengenal pasti kaitan antara jantina
dengan tahap motivasi ujian-t, khi kuasa dua atau pekali kontigensi boleh digunakan.
Tujuan utama menguasai pengetahuan tentang skala pengukuran ialah untuk memilih
item statistik yang betul bagi membuat analisis data. Pensyarah saya, Mohd Majid Konting
(semoga Allah merahmati beliau) pernah berkata, computer is a stupid machine. Kalau kita
membuat korelasi menggunakan pekali Pearson antara jantina dengan motivasi pun komputer
akan keluarkan keputusan. Perisian SPSS tidak membekalkan kita dengan sistem yang terlalu
canggih untuk memberitahu kita supaya memilih item statistik yang betul setiap kali ingin
membuat analisis data. Sebab itu penyelidik mesti memahami dengan baik skala pengukuran dan
item statistik yang sesuai bagi setiap skala pengukuran tersebut. Jadual di bawah memaparkan
beberapa item statistik yang biasa digunakan bagi sukatan kecederungan memusat, serakan dan
pekali korelasi yang sesuai bagi setiap skala pengukuran.
JADUAL 2.2 : Kesesuian Item Statistik Mengikut Skala Pengukuran

Skala
Statistik
Nominal
Frekuensi/peratus, pekali kontigensi
Ordinal
Frekuensi/peratus, pekali Spearman, pekali

Kendall/Point Bisserial
Sela
Min, sisihan piawai, pekali Pearson
Nisbah
Min, pekali variasi
Selain untuk menentukan penggunaan item statistik deskriptif, pengetahuan tentang skala
pengukuran juga membolehkan seseorang penyelidik memilih item statistik inferensi yang tepat
untuk membuat generalisasi terhadap populasi yang dikaji. Sebagai contoh seorang penyelidik
yang ingin mengenal pasti adakah terdapat perbezaan antara jantina dengan tahap motivasi, perlu
tahu ujian yang perlu dilakukan. Oleh kerana pembolehubah motivasi berada pada skala sela dan
faktor jantina mempunyai dua min iaitu min lelaki dan perempuan, maka statistik yang perlu
dipilih untuk pengujian ialah perbandingan min atau ujian-t.
Pengetahuan yang sama juga perlu diketahui oleh penyelidik yang contohnya ingin
membuat pengujian untuk melihat adakah terdapat perbezaan antara kelulusan akademik dengan
tahap motivasi. Pembolehubah kelulusan akademik mempunyai tiga kategori iaitu sarjana, sarjana
muda dan diploma. Oleh kerana pembolehubah motivasi berada pada skala sela dan faktor jantina
mempunyai tiga min iaitu min sarjana, min sarjana muda dan min diploma, maka ujian varians
atau ANOVA perlu dilakukan. Pemilihan item ujian ini dapat dilakukan dengan betul apabila
penyelidik atau pelajar memahami dengan baik skala pengukuran bagi setiap pembolehubah yang
dikaji. Saya tegaskan sekali lagi bahawa penyelidik akan berhadapan dengan masalah besar untuk
memilih item statistik sama ada statistik deskriptif atau statistik infrensi sekiranya mereka tidak
memahami skala pengukuran dengan baik.
Sebagai maklumat awal, Jadual di bawah memaparkan beberapa item statistik inferensi
untuk membuat pengujian bagi membuat perbandingan sesuatu pembolehubah mengikut skala
pengukuran masing-masing. Perlu diingat bahawa item statistik yang disenarai di bawah hanyalah
sebahagian kecil daripada item statistik yang diguna pakai dalam penyelidikan. Saya hanya
menyenaraikan beberapa item yang seringkali digunakan dalam penyelidikan pada peringkat dan
skala yang lebih kecil.
JADUAL 2.3 : Kesesuaian Beberapa Item Statistik Inferensi

Mengikut Skala Pengukuran
(Sumber: Nota Kuliah Mohd Majid Konting)
Skala
Perbandingan
Statistik
Nisbah
Satu faktor, satu min
-Ujian-z
(apabila
maklumat
populasi diketahui ATAU bilangan
sampel,n>25
-Ujian-t (apabila maklumat populasi
tidak diketahui ATAU bilangan
sampel, n<25)
Sela
Satu faktor, dua min
-Ujian-t bersandar
-Ujian-t tak bersandar
Satu faktor, > dua min
-Ujian-F, ANOVA satu hala
Dua faktor, 2 atau > min
-Ujian-F, ANOVA dua hala

-Ujian-F,
ANCOVA,
MANOVA,
MANCOVA
Ordinal
Pemeringkatan
-Ujian median
-Ujian tanda (sign test)
-Ujian Friedman
-Ujian Mann Whitney
Nominal
Kekerapan
- Ujian Khi Kuasa Dua
Jadual 2.3 di atas hanya meringkaskan beberapa item statistik yang boleh digunakan bagi setiap
skala pengukuran. Dalam bab seterusnya akan ditunjukkan contoh-contoh penggunaan item-item
tersebut pada pembolehubah yang bersesuaian.
10
Bab 3 : Membina Template SPSS
BAB 3
MEMBINA TEMPLATE SPSS
Salah satu kemahiran asas yang perlu dikuasai oleh penyelidik ialah membina template SPPS. SPSS
adalah ringkasan kepada Statistical Package for Social Science iaitu satu perisian komputer untuk
membuat analisa data, khususnya data penyelidikan.
Penyelidik perlu memahami dengan baik SPSS dan cara menganalisis data bermula
daripada penyediaan proposal kajian lagi. Semasa penyelidik membina objektif dan soalan kajian,
penyelidik seharusnya telah tahu bagaimana data akan dianalisa untuk menjawab soalan kajian
tersebut, seterusnya mencapai objektif kajian. Dalam kajian kuantitatif, pengetahuan tentang
bagaimana data akan dianalisis bermaksud juga mengetahui bagaimana perisian SPSS beroperasi.
Ramai penyelidik yang telah membina proposal, membina soal selidik dan seterusnya
mengumpul data kajian tanpa terlebih dahulu merancang strategi untuk membuat analisa data.
Akibatnya sebahagian besar maklumat yang dikumpul dalam soal selidik tidak boleh dianalisis dan
terbuang begitu sahaja. Lebih malang apabila penyelidik tersebut gagal menjawab soalan kajian
yang dikemukakan, sekaligus gagal mencapai objektif kajian yang digariskan.
Membina template SPSS adalah langkah awal sebelum data kajian dianalisis. Template
perlu dibina supaya data kajian yang dikumpul melalui soal selidik boleh dimasukkan (key in) ke
dalam program SPSS menggunakan kod-kod bernombor. Pengalaman saya mengendalikan
bengkel kajian mendapati masih ramai penyelidik awalan yang belum menguasai kemahiran
membina template kajian. Pernah berlaku sekumpulan penyelidik seramai lima orang terpaksa
menunggu daripada pagi sampai petang tanpa membuat apa-apa kerana tidak ada seorang pun
antara mereka yang mahir membina template untuk diisi data. Atas keperluan ini, saya jelaskan
secara ringkas dalam buku ini beberapa langkah yang perlu diikuti oleh penyelidik untuk membina
template kajian. Untuk memudahkan kefahaman, saya kemukakan di bawah ini contoh
demografik responden bagi satu soal selidik bagi dijadikan contoh langkah-langkah membina
template yang dimaksudkan.
11
SOALSELIDIK PRESTASI UPSR TERENGGANU 20
Arahan: Soal selidik ini bertujuan untuk mengkaji hubungan antara keputusan peperiksaan UPSR 2008 dengan beberapa
faktor dalaman. Semua guru mata pelajaran UPSR tahun 6 diminta melengkapkan soal selidik ini dengan telus dan teliti.
B1
B2
B3
B4
Jantina
Umur
Pengalaman mengajar
Kelulusan akademik
Lelaki
Perempuan
21 30 tahun
31 40 tahun
41 50 tahun
51 tahun ke atas
1-5 tahun
6-10 tahun
11-15 tahun
16-20 tahun
21-25 tahun
26 -30 tahun
31 tahun ke atas
Sijil/diploma
Ijazah sarjana muda
Ijazah sarjana
12
Sebelum membina template, penyelidik perlu buka program SPSS Data Editor terlebih dahulu.
Apabila fail ini dibuka, kita akan didedahkan dengan satu fail berbentuk hamparan data seperti
berikut.
Pada bahagian bawah sebelah kiri, kita akan dapati dua helaian (sheet) iaitu Data View dan
Variable View. Hamparan inilah yang kita akan guna untuk membina template, memasukkan data
dan seterusnya menganalisis data kajian. Di bawah ini saya terangkan beberapa contoh bagaimana
membina template kajian berpandu kepada contoh soal selidik di atas.
Contoh 1
Untuk membina template bagi pembolehubah pertama iaitu jantina, penyelidik perlu mengikuti
langkah-langkah berikut;
i) Buka helaian Variable View. Bahagian atas lajur-lajur (columns) pada helaian ini kita akan
nampak disenaraikan perkataan Name, Type, Width, Decimals, Labels, Values, Missing, Columns,
Allign and Measure.
13
ii) Pada baris (row) pertama di bawah tajuk Name, kita perlu masukan ID untuk pembolehubah
jantina. Penyelidik boleh menulis apa sahaja perkataan untuk mewakili pemboleubah jantina,
asalkan penyelidik tahu bahawa ID tersebut merujuk kepada jantina. Kebiasaannya penyelidik
akan menulis nombor item yang diguna pakai dalam soal selidik bagi membuat perwakilan. Tidak
salah untuk penyelidik menulis terus perkataan jantina pada kotak tersebut. Pada lajur kelima iaitu
lajur Label, penyelidik perlu menulis nama pembolehubah yang ingin dijadikan tajuk dalam jadual
yang akan dihasilkan nanti. Contohnya JANTINA, JANTINA RESPONDEN dan sebagainya. Label ini
perlu ditulis dengan betul dan berhati-hati kerana ia akan dijadikan tajuk bagi jadual dalam output
apabila kita membuat analisis nanti. Jika ejaan tersilap, atau tersalah penggunaan huruf besar dan
kecil, kesalahan itu akan terpapar pada jadual dalam output yang akan kita hasilkan nanti.
14
iii) Kemudian penyelidik perlu klik pada kotak di bawah lajur Values. Kita akan dapati pada sebelah
kanan kotak tersebut ada satu kotak kecil berwarna gelap dengan tiga titik di dalamnya. Tekan klik
sebelah kanan tetikus pada kotak kecil tersebut. Satu hamparan lain akan keluar. Pada kotak
Value dalam hamparan tersebut penyelidik perlu isi kod yang akan mewakilkan jantina lelaki.
Contohnya nombor 1. Pada ruangan Values Label, penyelidik masukkan jantina yang mewakili kod
tersebut. Dalam kes ini masukkan LELAKI. Kemudian tekan butang Add. Proses yang sama juga
dilakukan kepada jantina perempuan. Masukkan dalam kotak Value kod bagi perempuan
contohnya nombor dua. Pada ruangan Value Label tulis perkataan PEREMPUAN. Sekiranya
penyelidik tersilap, butang Change dan Remove boleh digunakan untuk menukar atau membuang
kod yang telah diisi.
iv) Apabila nombor kod dan nama bagi kod tersebut telah siap disi, tekan butang OK pada
bahagian atas sebelah kanan. Untuk decimal point, penyelidik boleh pilih mengikut kesesuaian
data yang akan dimasukkan. Maka selesailah template untuk pembolehubah pertama dalam soal
selidik iaitu pembolehubah Jantina.
15
Contoh 2
Langkah untuk bina template bagi pembolehubah umur ialah;
i) Buka helaian Variable View. Kemudian masukkan ID bagi umur pada baris kedua di bawah lajur
Name, contohnya perkataan UMUR atau Bil item iaitu B2. Pada lajur Label, tuliskan label jadual
yang dikehendaki contohnya UMUR RESPONDEN.
16
ii) Seterusnya klik dalam kotak di bawah lajur Values. Kemudian klik tetikus sebelah kanan dalam
kotak kecil berwarna gelap yang yang mempunyai tiga titik (dot) tersebut. Apabila keluar kotak
hamparan yang baru, masukkan kod 1 pada ruangan Value. Kemudiaan masukkan perkataan 2130 tahun pada ruangan Label Value. Kemudian tekan butang Add. Ulang proses tersebut dengan
memasukkan kod 2 untuk 31-40 tahun, kod 3 untuk 41-50 tahun dan kod 4 untuk 51 tahun ke
atas. Setelah semua kod telah dimasukan, tekan butang OK.
iii) Maka siaplah template untuk pembolehubah umur yang terdapat dalam soal selidik ini.
17
Saya hanya membincangkan beberapa langkah mudah untuk membina template kajian, khususnya
untuk penyelidik baru dan pelajar. Saya tidak bercadang untuk bincangkan tentang Decimals,
Missing, Measure dan yang lain-lain itu. Sekiranya penyelidik boleh menguasai beberapa langkah
mudah yang saya utarakan di atas, penyelidik telah berjaya menyediakan template untuk diisi data
kajian yang dikumpulkan melalui soal selidik.
Memasukkan Data
Secara ringkas saya akan terangkan langkah-langkah untuk memasukkan (key in) data soal selidik.
Untuk memasukkan data, penyelidik perlu membuka helaian (sheet) Data View. Pada bahagian
atas setiap lajur, penyelidik akan nampak pembolehubah-pembolehubah yang telah dimasukkan
dalam Variable View sebelum ini.
Bilangan yang tertulis pada bahagian kiri setiap lajur adalah merujuk kepada bilangan
responden yang akan kita masukkan nanti. Baris pertama adalah untuk responden pertama. Jika
responden pertama lelaki, masukkan kod 1 pada kotak di bawah lajur jantina. Jika umur
responden ini dalam julat 41-50 tahun, masukkan kod 3 dalam kotak di bawah lajur umur. Jika
pengalaman mengajar bagi responden ini ialah 21-25 tahun, masukkan kod 5. Begitulah
seterusnya sehingga habis semua item dalam soal selidik. Proses yang sama diulangi bagi
responden kedua, ketiga dan seterusnya.
Sering berlaku kesilapan semasa memasukkan data. Dua kesilapan yang sering berlaku
ialah kesilapan memasukkan kod dan tertinggal kod. Sangat sering berlaku kod yang sepatutnya
dimasukkan ialah nombor 3, tetapi yang dimasukkan ialah nombor 33. Kesilapan ini biasanya
berlaku akibat tersilap semasa mengetuk keyboard komputer. Sering juga berlaku ruangan atau
kotak ditinggalkan kosong tanpa dimasukkan apa-apa nombor.
Bagi mengatasi masalah ini, proses penyemakan data perlu dilakukan. Banyak buku
menggunakan istilah pembersihan data. Istilah ini digunakan apabila mereka menterjemah istilah
clean the data atau data cleaning yang terdapat dalam buku-buku penyelidikan dalam bahasa
Inggeris. Saya tidak berminat menggunakan perkataan pembersihan data kerana maksudnya
seolah-olah ingin membuang semua data-data tersebut!
Ada pelbagai cara untuk menyemak data. Cara yang paling konvensional ialah dengan
cara memerhati secara rambang keseluruhan data tersebut dalam helaian Data View. Penyelidik
boleh menggerakkan data tersebut dari atas ke bawah dan sebaliknya, serta dari kiri ke kanan dan
sebaliknya, dalam beberapa kali gerakkan. Penyelidik yang biasa memasukkan data kajian akan
cepat perasaan sekiranya berlaku kesalahan atau missing pada data yang dimasukkan.
Biasanya saya menggunakan kaedah analisis olok-olok untuk menyemak data yang
tertinggal. Biasanya saya menggunakan analisis frekuensi iaitu mencari peratus skor. Jika ada data
yang tertinggal, kita akan dapat lihat pada data Mising. Jadual di bawah menunjukkan contoh
analisis output yang mempunyai kod yang salah dan tertinggal memasukkan data.
18
JANTINA
Valid
Missing
Total
Frequency
Lelaki
40
Perempuan
79
3
1
11
1
Total
121
System
1
122
Percent
32,8
64,8
,8
,8
99,2
,8
100,0
Valid Percent
33,1
65,3
,8
,8
100,0
Cumulative
Percent
33,1
98,3
99,2
100,0
Contoh output yang dikeluarkan oleh SPSS di atas menunjukkan ada dua kesilapan
memasukkan data. Sepatutnya kod yang perlu dimasukkan hanya nombor 1 untuk jantina lelaki
dan nombor 2 untuk jantina perempuan. Terdapat dua nombor yang tidak berkenaan iaitu
nombor 3 dan nombor 11 telah tersilap masuk. Output juga menunjukkan satu data telah
tertinggal untuk dimasukkan. Kaedah analisis olok-olok ini lebih mudah untuk digunakan oleh
penyelidik yang mempunyai daya penglihatan dan tumpuan yang kurang cekap untuk menyemak
secara pemerhatian rambang.
Data yang salah atau tertinggal perlu dimasukkan semula. Sebab itulah setiap soal selidik
kajian perlu mempunyai nombor siri. Nombor siri ini perlu ditanda sebelum data dimasukkan.
Sekiranya berlaku kesilapan atau tertinggal, penyelidik perlu membuat pembetulan semula
dengan menyemak semula soal selidik yang terlibat.
Proses ini perlu dilakukan untuk mengelak terdapat terlalu banyak kesilapan data akibat
faktor kecuaian manusia. Sekiranya jumlah responden terlalu ramai sehingga mencecah ribuan,
agak rumit untuk memastikan semua data dimasukkan betul 100 peratus. Kesilapan atau missing
yang kecil seperti ini boleh diselaraskan semula apabila data dianalisa nanti. Namun proses
penyemakan data masih perlu dilakukan.
Semasa membuat semakan data, etika penyelidikan sangat penting dijaga. Saya pernah
melihat seorang kawan yang memasukkan sendiri secara agakan data yang tertinggal apabila
beliau membuat semakan data. Tindakan ini sebenarnya menyalahi etika penyelidikan. Sekiranya
penyelidik melanggar etika seperti ini, dapatan kajian sudah tidak boleh dipercayai dan
mempunyai kecacatan.
19
Bab 4 : Mengolah Data SPSS
BAB 4
MENGOLAH DATA SPSS
Setelah data kajian siap dimasukkan, kemahiran penting yang juga perlu dikuasai oleh penyelidik
ialah mengolah atau mentadbir data. Perisian SPSS memberi ruang yang sangat luas kepada
penyelidik untuk mengolah data supaya bertepatan dengan analisa yang akan dibuat nanti.
Perisian SPSS juga memberi ruang yang luas kepada penyelidik untuk mengolah data supaya lebih
mudah dan lebih cekap untuk ditadbir.
Banyak pengolahan yang boleh dilakukan terhadap data yang telah siap dimasukkan.
Antaranya seperti sort cases, transpose, restructure, categorize variables, rank cases, replace
missing values dan sebagainya. Namun mustahil untuk saya membincangkan semua proses
tersebut dalam buku yang ringkas ini. Saya hanya memilih beberapa proses olahan data yang
sering digunakan dalam penyelidikan awalan untuk dibincangkan. Antara yang akan dibincangkan
dengan ringkas adalah proses menggabung fail, mengkod semula dan compute data. Saya memilih
proses ini untuk dibincangkan berdasarkan pengalaman di lapangan. Secara umumnya kajian di
lapangan memerlukan kemahiran ini. Secara umum juga boleh dikatakan ramai penyelidik awalan
belum menguasai kemahiran asas ini.
Gabung (merge) Fail

Soal selidik untuk kumpulan sampel yang ramai biasanya dimasukkan secara berkumpulan, atau
menggunakan bantuan pembantu penyelidik. Hasilnya beberapa fail data akan dihasilkan. Untuk
analisa, fail ini perlu digabungkan.
Ada penyelidik awalan yang menggabungkan data daripada beberapa fail menggunakan
kaedah copy dan paste. Kaedah ini agak berisiko. Sekiranya berlaku sedikit kesilapan meletak curse
dalam kotak tertentu, seluruh data akan tertukar. Contohnya data bagi pembolehubah jantina
tertukar dengan ruangan pembolehubah jenis sekolah dan sebagainya. Kalaupun proses copy dan
paste ini dilakukan secara berhati-hati, ianya masih tidak sesuai untuk jumlah data yang besar.
Data yang terlalu besar menyebabkan sistem akan delay untuk membuat paste.
Data daripada beberapa fail, hatta ratusan fail sekalipun boleh digabungkan dengan
mudah menggunakan proses merge files. Untuk gabung fail, penyelidik perlu buka satu fail yang
akan dijadikan fail induk. Kedua-dua helaian sama ada Data View atau Variable View boleh
digunakan untuk menggabungkan data. Pada bahagian atas, klik butang Data. Kemudian klik
butang Merge File dan Add Cases.
20
Selepas butang Add Cases di tekan, satu hamparan baru seperti berikut akan keluar.
Selepas hamparan ini keluar, penyelidik perlu memilih sama ada hendak menggabungkan fail yang
telah dibuka atau fail yang berada dalam folder lain. Jika hendak menggabungkan dengan fail yang
21
telah dibuka, hanya perlu klik dua kali pada nama fail dalam kotak An open dataset. Jika fail lain,
klik Browse, dan pilih fail yang hendak digabungkan.
Proses yang sama boleh dilakukan untuk menggabungkan atau menambah
pembolehubah kepada data induk sedia ada. Bezanya pada langkah ketiga iaitu butang Add Cases
ditukar dengan butang Add Variables.
Mengkod Semula (recode) Data

Proses mengkod semula (recode) data biasanya dilakukan kerana beberapa sebab dan tujuan.
Antaranya;
a)
Data pada skala sela atau nisbah yang ditulis secara terbuka ingin dikumpulkan mengikut
kumpulan tertentu. Contohnya dalam soal selidik tidak dikategorikan umur responden.
Responden dikehendaki menulis umur yang sebenar pada ruang kosong, bukan menanda
pada kumpulan umur yang telah digroupkan. Biasanya soal selidik begini dibuat oleh
penyelidik yang arif bahawa skala pengukuran akan menentukan jenis analisis yang boleh
dibuat. Penyelidik yang mahir juga tidak akan merendahkan tahap sesuatu skala
pengukuran. Contohnya umur berada pada skala nisbah. Jika digroupkan mengikut julat
tertentu, pembolehubah itu sudah turun kepada skala ordinal. Jika pada skala nisbah
boleh dilakukan korelasi Pearson. Namun apabila diturunkan pada skala ordinal, korelasi
pearson tidak boleh dilakukan lagi. Namun dalam masa yang sama, analisis mengikut
kumpulan umur masih perlu dilakukan. Contohnya untuk melihat perbezaan tahap
motivasi guru mengikut kumpulan umur tertentu. Untuk tujuan ini, proses recode perlu
dilakukan.
b) Sesetengah penyelidik mempelbagaikan cara penulisan pernyataan dalam item soal

selidik. Ada penyelidik yang mencampur item dalam bentuk ayat positif dan negatif
dalam dalam konstruk yang sama dalam sesuatu soal selidik. Contohnya item pertama
berbunyi saya mengulangkaji pelajaran di rumah. Item kedua berbunyi saya tidak
menyiapkan kerja rumah yang diberi oleh guru. Kedua-dua item itu termasuk dalam
beberapa item untuk mendapat maklumat budaya pembelajaran pelajar di rumah.
Sebelum soal selidik ini dianalisis, khususnya untuk menentukan min keseluruhan budaya
pembelajaran di rumah, penyelidik perlu membuat recode supaya arah pernyataan
adalah sama. Bagi item dalam pernyataan negatif, respon sangat tidak setuju yang
diwakilkan dengan kod 1 perlu ditukar kepada respon sangat setuju yang diwakilkan
dengan kod 4. Begitu juga respon tidak setuju dengan kod 2 ditukar kepada setuju
dengan kod 3. Untuk menukarkan kod-kod ini, proses recode perlu dilakukan.
c)
Penyelidik juga melakukan proses recode untuk membetulkan sebarang kesilapan yang
dilakukan semasa proses memasukkan data. Biasanya kesilapan ini disebabkan kesalahan
kecil pada soal selidik yang tidak disedari. Contohnya bagi item disiplin, respon kerap
sepatutnya diwakilkan dengan kod 3 supaya konsisten dengan skor bagi respon tidak
pernah, jarang-jarang dan sangat kerap. Namun dalam soal selidik respons untuk
22
kerap, ditanda pada kotak bernombor 2. Apabila dimasukkan data, respon kerap
diwakilkan dengan kod nombor 2, yang sepatutnya nombor 3. Untuk membetulkan
kesilapan ini dengan mudah dan menyeluruh, proses recode dilakukan.
d) Ada juga penyelidik membuat recode untuk membuat definisi operasional terhadap tahap
bagi sesuatu pembolehubah. Kebiasaannya recode seperti ini melibatkan nilai min.
Contohnya nilai min antara 1.00 -1.99 didefinisikan sebagai rendah, 2.00 2.99 sebagai
sederhana dan 3.00 -4.00 sebagai tinggi. Bagi membuat definisi ini, proses recode
dilakukan.
Contoh 1: Kod Semula Kepada Kumpulan

Dalam soal selidik, pembolehubah pengalaman mengajar dibiarkan terbuka supaya responden
menulis tempoh sebenar mereka mengajar. Ini membolehkan analisis korelasi antara
pembolehubah pengalaman dengan pembolehubah lain yang berada pada skala sela dan nisbah
dapat dilakukan.
Namun penyelidik juga ingin melihat perbezaan sesuatu pembolehubah contohnya
kepuasan kerja dengan kumpulan pengalaman mengajar tertentu. Dalam kes ini pembolehubah
pengalaman mengajar perlu dikodkan semula kepada beberapa kumpulan. Bagi membuat recode
ini, ikuti langkah-langkah berikut.
i) Buka fail helaian Data View atau Variable View. Ilusi di bawah menunjukkan data asal yang
belum dikodkan semula.
23
ii) klik butang Transform yang terdapat pada bahagian paling atas. Kemudian klik butang Recode
Into Different Variable. Ini untuk membolehkan satu template pembolehubah lain dibina.
Sekiranya kita klik Into Same Variable, data mentah yang asal akan hilang kerana ditukar kepada
data yang telah digroupkan.
iii) Hamparan lain akan keluar. Pilih pembolehubah yang ingin direcode, kemudian klik dua kali
pada pembolehubah tersebut untuk dimasukkan dalam kotak Input Variables-Output Variables.
24
iv) Pada ruangan Name, tulis ID pembolehubah baru yang ingin dibina. Pada ruangan Label, tulis
label yang ingin diletak pada pembolehubah tersebut (sama seperti proses membuat template
sebelum ini).Kemudian tekan butang Old and New Values
25
v) Di bawah bahagian Old Value, Klik pada Range. Masukkan julat yang ingin dikumpulkan.
Contohnya tempoh 1 hingga 10 tahun dimasukkan 1 through 10. Di bawah bahagian New Value,
masukkan kod untuk mewakili kumpulan ini. Contohnya tempoh 1 hingga 10 tahun diwakilkan
dengan nombor 1. Kemudian tekan butang Add. Ulang langkah yang sama untuk kumpulan
pengalaman mengajar yang lain contohnya 11 hingga 20 tahun, 21 hingga 30 tahun dan
sebagainya. Setelah semua kumpulan umur dimasukkan, tekan butang Continue.
26
vi) Hamparan sebelumnya akan keluar. Klik butang Change. Kemudian klik butang OK.
vii) Pembolehubah baru dengan kumpulan umur yang telah digroupkan telah siap dibina
seperti helaian Variables di bawah.
27
viii) Pada helaian Variable View, lakukan proses yang sama seperti membina template dalam bab
sebelum ini untuk melabelkan nilai bagi setiap kod yang diwakilkan.
Contoh 2: Kod Semula Nombor

Kod semula nombor biasanya dilakukan oleh penyelidik yang ingin membetulkan kesilapan.
Contohnya maklum balas sangat kerap yang diwakilkan dengan nombor 5 ingin ditukar kepada
nombor 4.
Kod semula juga boleh dilakukan untuk menggabungkan beberapa respons kepada satu
kumpulan sahaja. Contohnya setuju yang diwakilkan dengan nombor 3 dan sangat setuju yang
diwakili dengan nombor 4 ingin digabungkan. Terpulang kepada penyelidik sama ada ingin tukar
kod nombor 3 kepada nombor 4 atau sebaliknya, atau kedua-dua kod nombor 3 dan 4 tersebut
ingin ditukar kepada kod dengan nombor lain.
Sebagai contoh, kita ingin mengkod semula taraf pendidikan penjaga daripada Diploma yang
diwakili dengan kod 3 kepada Ijazah yang diwakili dengan kod 4 dalam data di bawah. Untuk
proses ini, ikuti langkah-langkah berikut;
i) Pada helaian Data View atau Variable View, klik butang Transform yang terdapat pada bahagian
paling atas. Recode Into Same Variable.
28
ii) Setelah hamparan baru keluar, klik dua kali pada pembolehubah yang ingin dikodkan semula
untuk memasukkan ke dalam kotak Numeric Variable. Kemudian tekan butang Old and New
Values.
iii) Setelah hamparan baru keluar, masukkan nombor kod asal iaitu 3 dalam kotak Old Value dan
masukkan nombor baru iaitu 4 dalam kotak New Value. Tekan butang Add. Tekan butang
Continue
29
iv) Setelah hamparan asal keluar, tekan butang OK. Proses recod telah selesai
30
Compute Data
Compute data perlu dilakukan untuk menggabungkan beberapa item dalam satu konstruk atau
dimensi. Contohnya konstruk kemahiran belajar murid diwakilkan dengan 13 item. Untuk
membuat analisa tentang konstruk kemahiran belajar, semua 13 item ini perlu dicompute kepada
pembolehubah baru iaitu pembolehubah kemahiran belajar. Selepas compute barulah analisa
boleh dilakukan sama ada ingin menentukan min, sisihan piawai dan sebagainya. Langkah-langkah
untuk membuat compute data adalah seperti berikut;
i) Klik butang Transform pada helaian Data View atau Variable View. Klik butang Compute
Variable
ii) Hamparan lain akan keluar. Tulis nama pembolehubah baru dalam kotak Target Variable.Di
bawah Function Groups, pilih Statistical. Dalam ruangan Function and Special Variables, pilih
MEAN (boleh juga pilih SUM atau lain-lain item mengikut kesesuaian). Klik dua kali pada
pembolehubah yang hendak dicompute untuk masukkan dalam kotak Numeric Experession. Perlu
diingat, antara setiap pembolehubah perlu ada tanda koma. Jika tersilap atau tertinggal, proses
seterusnya tidak dapat dilakukan.
31
iii) Setelah semua pembolehubah dipindah dengan betul kekotak Numeric Experession, tekan
butang OK.
32
iv) Data dengan pembolehubah baru yang telah dicompute telah sedia untuk diguna.
33
Saya hanya bincangkan dalam bab ini beberapa kemahiran asas untuk mengolah data soal selidik.
Ini adalah kemahiran asas yang perlu diketahui oleh penyelidik permulaan sebelum menganalisis
data. Penyelidik boleh merujuk manual-manual penyelidikan yang lebih tinggi untuk menguasai
kemahiran olahan data yang lebih kompleks.
34
Bab 5: Kebolehpercayaan Item
BAB 5
KEBOLEHPERCAYAAN ITEM
Kajian rintis atau kebiasaannya disebut pilot study merupakan disiplin penyelidikan yang perlu
diikuti oleh setiap penyelidik. Kajian rintis perlu dilakukan sebelum data kajian yang sebenar
dikumpul. Selain untuk membiasakan penyelidik dengan situasi sebenar pengumpulan data, kajian
rintis perlu dijalankan untuk membuat penambahbaikan terhadap soal selidik yang dibina.
Salah satu ciri soal selidik yang baik ialah boleh dipercayai. Kebolehpercayaan (reliability)
bermaksud kebolehan sesuatu alat ukur atau instrumen kajian menghasilkan keputusan yang tekal
atau konsisten setiap kali pengukuran dibuat. Menurut McMillan dan Schumacher (2006) tahap
kebolehpercayaan sesuatu alat kajian boleh dianggarkan menggunakan lima kaedah iaitu
menentukan kestabilan (stability), menentukan kesamaan (equivalence), menentukan kestabilan
dan kesamaan (stability and equivalance), menentukan ketekalan dalaman (internal consistency)
dan menentukan darjah persetujuan (agreement).
Bagi penyelidik yang baru berjinak dengan penyelidikan, kaedah popular yang sering
digunakan untuk menganggar kebolehpercayaan sesuatu alat ukur ialah dengan cara menentukan
ketekalan dalaman. Dalam perisian SPSS, kaedah ini boleh ditentukan dengan melihat nilai
koofesien Alpha Cronbach (McMillan dan Schumacher, 2006). Jika alat kajian benar-benar boleh
dipercayai, nilai koofisien (r) seharus 1.00 (Gay, 1996). Namun sukar untuk mendapatkan alat
kajian yang boleh dipercayai 100 peratus. Oleh itu, bagi kajian yang mengukur bilangan sampel
kecil atau perbezaan antara subjek kajian adalah kecil, maka penyelidik digalakkan menggunakan
alat kajian dengan koofesien yang besar iaitu nilai r>0.85. Bagi kajian yang akan mengukur jumlah
sampel yang besar atau perbezaan antara subjek kajian besar, maka boleh digunakan alat kajian
dengan koofesien yang agak rendah iaitu nilai r>0.60 (Cates, 1990). Menurut McMillan dan
Schumacher (2006) pula, nilai kooefesien antara 0.7 hingga 0.8 sudah boleh dianggap sebagai
mempunyai kebolehpercayaan yang agak tinggi.
Saya tidak berminat untuk membicangkan teori untuk menentukan kebolehpercayaan ini
dengan panjang lebar. Bagi penyelidik awalan, cukup sekadar mereka mengetahui bagaimana
untuk menentukan nilai Alpha Cronbach dan bagaimana untuk membetulkan item soal selidik
sekiranya nilai alpha yang diperolehi rendah.
Tahap kebolehpercayaan sesuatu soal selidik banyak dipengaruhi oleh kualiti soal selidik
yang dibina. Sekiranya soal selidik tersebut baik dan berkualiti, biasanya pekali kebolehpercayaan
akan meningkat. Begitulah sebaliknya jika soal selidik itu kurang baik, kurang jelas dan kurang
berkualiti, pekali kebolehpercayaan akan berkurang. Antara ciri-ciri soal selidik yang baik seperti;
i)
ii)
iii)
iv)
Mudah difahami
Ayat ringkas dan pendek
Sesuai dengan tahap kumpulan responden
Mudah untuk dijawab tanpa memerlukan responden mengingati maklumat lain yang
berkaitan
Penyelidik yang kurang berpengalaman seringkali berhadapan dengan masalah apabila

membina soal selidik kajian. Masalah ini akan dapat diatasi apabila mereka melaksanakan
beberapa kajian lapangan dan memperolehi pengalaman yang cukup. Biasanya soal selidik kurang
35

berkualiti menyebabkan pekali kebolehpercayaan akan menjadi rendah. Antara ciri-ciri soal selidik
yang kurang baik seperti;
i)
ii)
iii)
iv)
v)
vi)
vii)
Susah difahami
Mempunyai lebih daripada satu maksud (double meaning)
Tanya dua perkara dalam satu item (double barrel)
Ayat terlalu panjang dan kurang jelas
Tidak sesuai dengan tahap kumpulan responden kajian
Bersifat provokasi
Pernyataan dalam bentuk negatif
Kebolehpercayaan sesuatu item soal selidik akan jadi rendah apabila responden kajian tidak
memahami maksud sebenar yang dikehendaki oleh penyelidik. Kebolehpercayaan juga akan jadi
rendah apabila beberapa responden faham secara berlainan terhadap item yang sama. Penyelidik
yang berpengalaman biasanya boleh mengesan daripada awal kelemahan sesuatu item soal
selidik. Penyelidik yang baru dan kurang pengalaman perlu membuat analisis kebolehpercayaan
terlebih dahulu untuk melihat sama ada item mereka boleh dipercayai atau tidak.
Untuk menambah kefahaman, saya kemukakan di bawah ini satu contoh soal selidik.
Kemudian saya tunjukkan cara dengan menggunakan contoh data sedia ada bagaimana proses
menentukan kebolehpercayaan item dilakukan. Soal selidik ini adalah instrumen untuk mengukur
tahap efikasi guru yang dibina oleh Gibson dan Dembo (1984).
Contoh
SOAL SELIDIK EFIKASI GURU
Panduan: Senarai pernyataan di bawah menggambarkan keyakinan dan kebolehan seseorang guru. Anda di minta
menyatakan darjah persetujuan anda dengan membulat salah satu kekunci yang terdapat di hujung pernyataan tersebut.
Kekunci tersebut mewakili:
1
2
3
4
5
NO
E1
E2
E3
=
=
=
=
=
Sangat tidak bersetuju

Tidak bersetuju
Berkecuali
Bersetuju
Sangat bersetuju
PERNYATAAN
RESPONS
Jika seseorang murid menguasai konsep baru dengan cepat, ia mungkin

disebabkan saya tahu langkah-langkah dalam pengajarannya.
Apabila gred murid saya meningkat maju, lazimnya adalah kerana saya
menggunakan pendekatan pengajaran yang lebih berkesan.
Apabila saya berusaha bersungguh-sungguh, pelajar yang benar-benar

bermasalah pun masih dapat mengikuti pengajaran saya.
36
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
Jika murid-murid tidak dapat mengingati maklumat yang saya berikan

sebelum ini, saya tahu bagaimana untuk meningkatkan daya ingatan
mereka pada sesi pengajaran akan datang.
Apabila seseorang murid berjaya melebihi kebiasaan, lazimnya ia

disebabkan oleh saya berusaha lebih sedikit dari biasa.
Jika seseorang murid di dalam kelas saya mula mengganggu dan membuat
bising, saya yakin boleh menggunakan teknik-teknik untuk meredakan
dengan segera.
Jika murid-murid saya tidak dapat menyelesaikan tugasan, saya

berkebolehan menilai faktornya.
Apabila seseorang murid menghadapi masalah dengan tugasannya,

lazimnya saya boleh mengubah suai tugasan berkenaan supaya sesuai
dengan keupayaan murid tersebut.
Apabila seseorang murid mencapai gred yang lebih baik dari kebiasaan,
lazimnya adalah kerana saya menggunakan kaedah pengajaran yang lebih
baik untuk murid berkenaan.
Kejayaan pengajaran seseorang guru adalah terhad kerana faktor latar

belakang murid berkenaan lebih besar pengaruhnya.
Jika murid-murid tidak berdisiplin di rumah, mereka juga tidak mungkin

menerima sebarang peraturan disiplin di sekolah.
Pengajaran saya di kelas mempunyai pengaruh kecil ke atas murid

berbanding dengan pengaruh persekitaran rumah mereka.
Kemampuan pembelajaran seseorang murid sangat berkaitan dengan latar

belakang keluarganya.
Pengaruh keluarga ke atas pembelajaran murid tidak boleh boleh diatasi

dengan pengajaran yang baik.
Sekiranya ibu bapa tidak mengambil berat ke atas anak-anaknya, saya juga
tidak boleh melakukannya dengan baik.
Walaupun seseorang guru itu mempunyai keupayaan mengajar dengan

baik, ia mungkin tidak terjangkau kerana bilangan murid yang ramai.
37

Untuk mencari pekali Alpha Cronbach bagi item-item ini, langkah-langkah berikut dilakukan;
i) Buka helaian Data View atau Data Variable yang sudah dimasukkan data. Klik butang analyze.
Kemudian klik butang Scale. Seterusnya Klik butang Reliability Analysis
ii) Hamparan baru akan keluar.
38

iii) Klik dua kali pada semua item yang ingin diuji kebolehpercayaan. Automatik item-item itu akan
masuk ke ruangan Items. Item-item yang hedak diuji juga boleh dipindahkan dengan cara
menekan butang anak panah ke kanan. Klik untuk memilih Alpha dalam ruangan Model. Sekiranya
tersilap memasukkan pembolehubah, penyelidik boleh mengeluarkan semula pembolehubah dari
kotak item dengan menekan butang anak panah ke kiri. Klik butang Statistik.
iv) Hamparan lain seperti di bawah akan keluar. Tandakan ruangan Item dan Scale If Item Deleted.
Klik Continue.
39
v) Hamparan baru akan keluar. Kemudian klik OK. Output analisis akan dikeluarkan oleh SPPS.
40

Output yang akan dikeluarkan adalah seperti berikut;
Scale: ALL VARIABLES

Case Processing Summary
N
Cases
Valid
%
122
100.0
.0
122
100.0
Excludeda
Total
a. Listwise deletion based on all variables in the

procedure.
Reliability Statistics
Cronbach's Alpha
N of Items
.836
16
Item Statistics
Mean
Std. Deviation
e1
3.98
.674
122
e2
3.92
.756
122
e3
3.90
.797
122
e4
3.77
.736
122
e5
3.51
.855
122
e6
3.83
.724
122
e7
3.80
.625
122
e8
3.83
.701
122
e9
3.66
.769
122
e10
3.84
.965
122
e11
3.79
1.054
122
e12
3.43
1.142
122
e13
3.89
1.054
122
e14
3.08
1.196
122
e15
3.14
1.174
122
e16
4.05
.978
122
41
Item-Total Statistics
Scale Mean if Item
Deleted
e1
e2
e3
e4
e5
e6
e7
e8
e9
e10
e11
e12
e13
e14
e15
e16
55.42
55.48
55.49
55.62
55.89
55.57
55.59
55.57
55.74
55.56
55.61
55.97
55.51
56.31
56.25
55.34
Scale Variance if
Item Deleted
56.824
55.144
55.277
54.518
54.565
55.554
56.492
56.826
54.906
51.984
50.819
52.214
50.054
52.828
52.373
54.013
Corrected ItemTotal Correlation

.347
.453
.413
.528
.436
.438
.417
.330
.466
.567
.590
.441
.646
.376
.415
.406
Cronbach's Alpha
if Item Deleted
.832
.827
.829
.824
.828
.828
.829
.833
.826
.820
.818
.828
.814
.834
.831
.829
Daripada output ini, didapati pekali Alpha Cronbach keseluruhan soal selidik ini ialah 0.836. Secara
keseluruhan, nilai pekali kebolehpercayaan ini adalah mencukupi walaupun ada penyelidik yang
mengatakan pekali Alpha yang sesuai untuk kajian pada kumpulan sampel yang kecil, nilai alpha
mesti melebihi 0.85.
Untuk menentukan status setiap item, penyelidik perlu memberi perhatian pada lajur
Alpha if Item Deleted. Sekiranya nilai Alpha keseluruhan akan meningkat jika sesuatu item itu
didelete, maka item itu agak bermasalah. Mungkin responden kurang faham, mempunyai dua
makna, tidak jelas dan sebagainya. Sekiranya nilai Alpha akan meningkat sangat tinggi berbanding
sekiranya item itu didelete, maka item soal selidik tersebut perlu dibaiki atau dibuang. Itulah
fungsi analisis kebolehpercayaan dilakukan terhadap data kajian rintis. Sekiranya nilai Alpha
keseluruhan akan menurun jika sesuatu item itu didelete, maka item itu agak baik. Tidak perlu
dibaiki atau dibuang.
Saya hanya tunjukkan dalam buku ini kaedah paling mudah untuk membuat anggaran
kebolehpercayaan sesuatu soal selidik. Saya hanya melihat dari aspek item dan if item deleted.
Banyak aspek lain yang boleh diperhati contohnya korelasi inter item, kovarians inter item dan
sebagainya. Setiap aspek ini mempunyai fungsi masing-masing untuk membuat penambahbaikan
terhadap soal selidik yang dibina. Untuk peringkat pengenalan, cukuplah penyelidik memahami
bagaimana untuk mencari nilai Alpha secara keseluruhan, serta bagaimana untuk memilih itemitem yang perlu dibaiki dan dibuang.
42
Bab 6: Sukatan Kecenderungan Memusat
BAB 6
SUKATAN KECENDERUNGAN MEMUSAT
Data penyelidikan seringkali terlalu banyak. Sebagai contoh, murid tingkatan 4 SMK Felda Neram
berjumlah 120 orang. Markah subjek Fizik bagi setiap murid ini yang dipanggil data tidak
terkumpul (raw data) berjumlah 120 semuanya. Adalah tidak sesuai untuk memaparkan semua
markah ini dalam bentuk data mentah bagi tujuan pelaporan. Bagi tujuan pelaporan, data ini lebih
efektif dipersembahkan dalam bentuk yang lebih ringkas iaitu dalam bentuk data terkumpul
(frequency distribution). Data juga boleh dipersembahkan dengan lebih ringkas dalam bentuk
diagram seperti histogram, poligon dan carta pie.
Sebagai contoh, di bawah ini disenaraikan markah Fizik semua murid tingkatan 4 SMK Felda
Neram.
JADUAL 6.1: Markah Fizik Murid Tingkatan 4
MURID
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
MARKAH
28
48
56
89
97
34
56
76
78
56
76
34
54
67
89
77
86
65
56
78
76
25
65
90
82
37
64
58
56
77
66
39
45
43
48
49
56
52
58
76
MURID
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
MARKAH
65
67
66
69
62
72
71
34
45
53
56
55
59
67
88
78
76
89
34
88
75
92
95
65
34
30
54
67
78
67
67
88
81
25
27
76
67
40
43
45
MURID
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
MARKAH
76
56
66
78
89
43
56
67
65
54
53
34
46
77
76
87
89
82
74
29
30
32
43
45
56
65
67
88
79
90
43
88
76
58
76
68
83
89
46
67
43
Data Terkumpul
Markah yang terdapat dalam jadual di atas dipanggil data mentah atau data tak terkumpul. Data
ini boleh diringkaskan ke dalam bentuk data terkumpul melalui langkah-langkah berikut;
i) Menentukan bilangan kelas/kumpulan
Data tersebut boleh dikumpulkan dalam beberapa kelas atau kumpulan. Untuk
menentukan bilangan kelas bagi data di atas, formula di bawah digunakan.

di mana k = bilangan kelas, n = bilangan data/kes
Bagi kes di atas;
Bilangan kelas, k
= 1 + 3.3 (log 120)

= 7.86
8
ii) Menentukan saiz kelas

Saiz bagi setiap kelas boleh ditentukan dengan menggunakan formula;

!
Dalam kes di atas,

"# $%
&
=9
10
Setelah dua maklumat tersebut diperolehi, markah mentah dalam jadual di atas boleh
diringkaskan ke dalam bentuk data terkumpul seperti dalam jadual berikut.
44
JADUAL 6.2: Data Terkumpul Markah Murid

Markah
25-34
35-44
45-54
55-64
65-74
75-84
85-94
95-104
JUMLAH
Frekuensi
14
8
15
17
24
24
16
2
120
Setelah data terkumpul seperti dalam jadual di atas diperolehi, kita boleh membina jadual taburan
frekuensi dengan mengikut langkah-langkah berikut.
i) Menentukan sempadan kelas
Sempadan bawah bagi setiap kelas boleh dikira dengan membuat penambahan antara nilai
kelas atas bagi kelas sebelum dan nilai kelas bawah bagi kelas tersebut. Hasil tambah tersebut
kemudian dibahagi dua.
Sempadan atas bagi setiap kelas boleh dikira dengan membuat penambahan antara nilai kelas
bawah bagi kelas selepas dan nilai kelas atas bagi kelas tersebut. Hasil tambah tersebut
kemudian dibahagi dua.
ii) Menentukan tanda kelas
Tanda kelas,x boleh ditentukan menggunakan formula
'() *
+,-./ !+ +,-+!+

$
iii) Menentukan Frekuensi Longgokan

Frekuensi longgokan boleh dikira dengan menambah nilai frekuensi bagi kelas tersebut
dengan semua nilai frekuensi kelas-kelas yang sebelumnya.
Setelah maklumat-maklumat berikut diperolehi, jadual taburan frekuensi seperti berikut
boleh disediakan.
45
JADUAL 6.3: Taburan Frekuensi Markah Murid

Markah
Sempadan kelas
Tanda
kelas,x
Frekuensi,f
Frekuensi
Longgokan,F
25-34
35-44
45-54
55-64
65-74
75-84
85-94
95-104
24.5-34.5
34.5-44.5
44.5-54.5
54.5-64.5
64.5-74.5
74.5-84.5
84.5-94.5
94.5-104.5
29.5
39.5
49.5
59.5
69.5
79.5
89.5
99.5
=516
14
8
15
17
24
24
16
2
=120
14
22
37
54
78
102
118
120
MIN
Min adalah purata skor. Sebagai contoh, sebuah kelas mempunyai 28 orang murid. Dalam
peperiksaan pertengahan tahun, setiap pelajar mendapat markah masing-masing bagi subjek Fizik.
Min markah Fizik murid kelas tersebut boleh dikira dengan mencampur semua jumlah markah
setiap murid, kemudian dibahagi dengan bilangan pelajar iaitu 28. Nilai yang dihasil adalah nilai
min.
Dalam penyelidikan, min digunakan untuk menganggar taburan skor responden secara umum.
Min juga sering digunakan untuk membuat anggaran tentang tahap sesuatu perkara dengan
merujuk kepada skor min responden. Sebagai contoh, nilai min 3.4 dianggap berada pada tahap
baik bagi skor yang berada dalam skala 1 hingga 4.
Skor-skor dengan nilai min yang berada dipertengahan skor dianggap berada dalam
taburan normal. Sebagai contoh markah Ujian Fizik adalah antara 0 hingga 100. Jika nilai min
adalah sekitar 50, maka keadaan ini dipanggil taburan normal iaitu min, mod dan median berada
pada titik yang hampir sama. Gambarajah 5.1 di bawah menunjukkan kedudukan min pada skor
dalam taburan normal.
min
RAJAH 6.1: Kedudukan min pada taburan normal
46
Selain taburan normal, skor juga boleh tertabur secara pesongan positif dan pesongan negatif.
Pecongan positif dan negatif merujuk kepada pemberatan skor sama ada mengarah kepada skor
yang rendah atau mengarah pada skor yang tinggi. Bentuk taburan data akan dibincangkan lagi
dalam bab sukatan serakan nanti.
Bagi data tak terkumpul, min ditentukan menggunakan formula berikut;

0(
12

Contohnya markah bagi lima orang murid ialah 87, 46, 98, 25 dan 48. Jujukan nombor ini dipanggil
data tidak terkumpul (raw data).Min bagi lima orang murid ini ditentukan seperti berikut;
0( x

12

&# 34 "& $% 3&
%
45&
Min bagi data terkumpul ditentukan dengan menggunakan formula berikut;
0( x
162
16
Untuk memudahkan pengiraan, kita perlu menyediakan jadual taburan frekuensi terlebih dahulu
sebelum membuat pengiraan. Bagi kes markah Fizik murid tingkatan 4 SMK Felda Neram di atas,
kita boleh ringkaskan data tersebut dalam jadual seperti berikut;
Markah
Sempadan kelas
Tanda
kelas,x
Frekuensi,f
Frekuensi
Longgokan,F
fx
25-34
35-44
45-54
55-64
65-74
75-84
85-94
95-104
24.5-34.5
34.5-44.5
44.5-54.5
54.5-64.5
64.5-74.5
74.5-84.5
84.5-94.5
94.5-104.5
29.5
39.5
49.5
59.5
69.5
79.5
89.5
99.5
516
14
8
15
17
24
24
16
2
120
14
22
37
54
78
102
118
120
413
316
742.55
1011.5
1668
1908
1432
199
7690.05
47
Daripada jadual ini, nilai min bagi data terkumpul boleh ditentukan.
0( x
162
16

#4"55%
$5
435&
Dalam penyelidikan lapangan yang melibatkan jumlah data yang banyak, nilai min dikira
menggunakan perisian SPSS. Bagi mengira min markah fizik menggunakan SPSS, ikuti langkahlangkah berikut;
i)
Buka fail yang telah dimasukkan data pada helaian Data View atau Variable View. Klik
butang Analyze. Klik butang Descriptive Statistic seterusnya klik Descriptives.
ii) Hamparan baru seperti berikut akan keluar. Klik pembolehubah Markah Fizik, tekan
butang untuk masukkan pembolehubah dalam kotak Variables
48
iii) Setelah pembolehubah dipindahkan ke kotak Variables, klik butang Option.
iv) Hamparan baru akan keluar. Tandakan pada kotak Mean. Tekan butang Continue
49
v) Apabila hamparan asal seperti berikut keluar semula, tekan butang OK
50
Jadual output seperti berikut akan dikeluarkan oleh SPSS.

Descriptive Statistics
N
Markah Fizik
Valid N (listwise)
120
120
Mean
62,98
Daripada output yang dihasilkan, nilai min yang diperolehi ialah 62.98. Berlaku sedikit perbezaan
antara nilai min yang dikira secara manual dengan yang dikira melalui SPSS adalah disebabkan
ralat semasa pengiraan secara manual.
Perlu diingatkan sekali lagi, min hanya boleh dikira daripada pembolehubah yang bersifat
parametrik iaitu yang boleh dilakukan operasi matematik. Pembolehubah parametrik adalah
pembolehubah yang berada pada skala sela dan nisbah. Pembolehubah pada skala nominal dan
ordinal tidak boleh dilakukan operasi matematik. Maka nilai min tidak boleh ditentukan daripada
pembolehubah pada skala pengukuran tersebut.
MEDIAN
Median ialah nilai penengah. Bagi data tak terkumpul yang bilangannya ganjil, nilai median ialah
nilai tengah dalam susunan menaik dan atau menurun. Contohnya markah bagi lima orang murid
ialah 87, 46, 98, 25 dan 48. Jika disusun secara menaik, markah tersebut ialah 25, 46, 48, 87 dan
98. Maka markah median ialah 48.
Jika bilangan makah adalah genap, nilai median ditentukan dengan cara menambah dua
nombor yang paling tengah dan membahagi hasil tambah tersebut dengan dua. Contohnya 25, 46,
48, 67, 87 dan 98. Maka markah median
0)(
3& 4#
$
%#$
Bagi data terkumpul, nilai median ditentukan dengan formula berikut;

9 :
7)( 8 $
6;<
51
; di mana
L =
c =
n =
F =
Fmd =
sempadan bawah kelas median

lebar kelas
bilangan kelas
frekuensi longgokan kelas sebelum kelas median
frekuensi kelas median
Dalam kes markah fizik murid tingkatan 4 di atas, pengiraan median juga boleh ditentukan dengan
mengguna pakai jadual taburan frekuensi berikut;

Markah
Sempadan kelas
Tanda
kelas,x
Frekuensi,f
Frekuensi
Longgokan,F
25-34
35-44
45-54
55-64
65-74
75-84
85-94
95-104
24.5-34.5
34.5-44.5
44.5-54.5
54.5-64.5
64.5-74.5
74.5-84.5
84.5-94.5
94.5-104.5
29.5
39.5
49.5
59.5
69.5
79.5
89.5
99.5
516
14
8
15
17
24
24
16
2
120
14
22
37
54
78
102
118
120
Untuk menentukan yang mana kelas median,

0)(
0)(

$
$5
$
45%
Jadi, kelas yang mempunyai nilai median ialah kelas ke 5 iaitu kelas yang mempunyai markah 6574.
Maka,

9 :
7)( 8 $
6;<
52
&
5 %3
$
43%
$3

4$3$

Untuk pengiraan dengan SPSS, nilai median boleh dicari dengan mengikuti langkah-langkah
berikut;
i)
Buka fail yang telah dimasukkan data pada helaian Data View atau Variable View. Klik butang
Analyze. Klik butang Descriptive Statistic seterusnya klik Frequencies.
ii) Hamparan baru akan keluar. Klik pembolehubah Markah Fizik, tekan butang untuk
masukkan pembolehubah dalam kotak Variable(s). Klik butang Statistic
53
iii)
Hamparan baru akan keluar. Tandakan

Continue
pada kotak Median. Tekan butang
54
iv) Setelah hamparan asal seperti berikut keluar, tekan butang OK
Jadual output seperti berikut akan dikeluarkan.

Statistics
Markah Fizik
N
Valid
Missing
Median
120
0
65,50
Nilai median yang dihasilkan ialah 65.5. Nilai ini sedikit berbeza daripada nilai yang dikira secara
manual disebabkan ralat yang berlaku sepanjang proses pengiraan manual tersebut.
55
MOD
Mod ialah nilai yang paling kerap berulang dalam sesuatu jujukan data. Bagi data tak terkumpul,
nilai mod ditentukan dengan mengenal pasti nombor yang paling kerap berulang. Sebagai contoh,
berikut ialah markah BM murid tingkatan 4 Sains dalam peperiksaan akhir.
Senarai markah :
56, 73, 48, 54, 58, 56, 90, 56, 48, 56, 73
Markah yang paling kerap berulang ialah markah 48. Oleh itu markah mod dalam senarai ini ialah
48. Perlu diingatkan, jika berlaku dua atau lebih nombor yang frekuensi atau bilangannya sama,
maka semua nombor tersebut dikira sebagai nombor mod dalam senarai tersebut.
Bagi data terkumpul, mod ditentukan dengan menggunakan formula berikut;
7
) =
S
c =
b1 =
b2 =
>?@
?@A?B
; di mana
sempadan bawah kelas mod (kelas yang mempunyai frekuensi paling

tinggi)
lebar kelas
perbezaan nilai frekuensi kelas mod dengan kelas sebelum kelas mod
perbezaan nilai frekuensi kelas mod dengan frekuensi kelas sebelum
kelas mod
Bagi kes markah fizik murid-murid di atas, markah mod boleh ditentukan dengan membina jadual
seperti berikut;
JADUAL6.6: Taburan Frekuensi Markah Murid

Markah
Sempadan
kelas
25-34
35-44
45-54
55-64
65-74
75-84
85-94
95-104
24.5-34.5
34.5-44.5
44.5-54.5
54.5-64.5
64.5-74.5
74.5-84.5
84.5-94.5
94.5-104.5
Tanda
kelas,
x
29.5
39.5
49.5
59.5
69.5
79.5
89.5
99.5
516
Frekuensi,
f
14
8
15
17
24
24
16
2
120
Frekuensi
Longgoka
n,F
14
22
37
54
78
102
118
120
56
Dalam kes ini, kita dapati ada dua kelas yang mempunyai nilai frekuensi yang paling tinggi iaitu
kumpulan markah 65-74 dan 75-84. Kedua-duanya mempunyai frekuensi 24. Oleh itu senarai
markah ini akan mempunyai dua nilai mod. Di bawah ini ditunjukkan contoh untuk mengira salah
satu daripada nilai mod tersebut.
7
) =
9C
C C$
43%
5#

#
#3%
Pengiraan untuk menentukan mod menggunakan SPSS adalah sama dengan cara menentukan nilai
median. Hanya pada langkah ke V, gantikan tandakan kotak Median dengan tandakan kotak
Mode.
PERATUS
Peratus tidak dianggap sebagai salah satu item statistik dalam sukatan kecenderungan memusat.
Saya memilih untuk membincangkan item peratus dalam bab ini disebabkan peratus digunakan
secara meluas untuk memperihalkan data. Jadi saya rasa lebih baik untuk membincangkan item ini
bersekali dengan item sukatan kecenderungan memusat yang lain.
Maklumat responden yang berada pada skala nominal dan skala ordinal boleh dipaparkan
menggunakan item peratus. Analisis peratus dilakukan apabila melibatkan jumlah data yang besar.
Untuk memudahkan pemahaman, saya mengambil data sebenar dariapada kajian efikasi guru
seperti dalam soal selidik yang dilampirkan sebagai contoh perbinangan. Dalam soal selidik
tersebut, pembolehubah demokrafik yang berada pada skala nominal dan ordinal ialah daerah,
gred sekolah, lokasi sekolah, jantina, kelulusan, bidang pengajaran dan jantina pengetua.
Pembolehubah tempoh berkhidmat tidak boleh dianalisis menggunakan peratus kerana ia berada
pada skala nisbah. Untuk membolehkan pembolehubah tempoh berkhidmat dikira dengan
peratus, data mentah perlu dikodkan semula dalam kumpulan tertentu.
Sebagai contoh, saya tunjukkan cara membuat analisis peratus menggunakan data sedia
ada seperti dalam Bab 5 sebelum ini. Dalam kes ini kita akan menentukan peratusan beberapa
item yang berada pada skala nominal. Langkah-langkah adalah seperti berikut;
i)
Buka fail yang telah dimasukkan data pada helaian Data View atau Variable View, Klik
butang Analyze. Kemudian Klik butang Descriptive Statistic, diikuti butang Frekuencies.
57
ii) Hamparan baru akan keluar. Klik semua pembolehubah yang hendak dianalisa dan
pindahkan ke ruangan variables dengan mengelik butang . Klik butang Statistic.
58
iii)
Hamparan lain akan keluar. Tandakan pada kotak Percentiles. Masukkan nombor 1
dan tekan butang Add. Ulang langkah yang sama untuk nombor-nombor lain yang
kita gunakan sebagai kod untuk mengisi data demografik. Dalam kajian ini nombor 1
hingga 7 terlibat. Klik butang Continue
iv) Hamparan asal seperti berikut akan keluar. Klik butang OK
59
Contoh jadual output yang akan keluar adalah seperti berikut.
Daerah
Valid
Besut
Setiu
Kuala Terengganu
Marang
Dungun
Kemaman
Hulu Terengganu
Total
Frequency
54
38
112
17
54
143
23
441
Percent
12,2
8,6
25,4
3,9
12,2
32,4
5,2
100,0
Valid Percent
12,2
8,6
25,4
3,9
12,2
32,4
5,2
100,0
Cumulative
Percent
12,2
20,9
46,3
50,1
62,4
94,8
100,0
60
Gred Sekolah
Valid
Gred A
Gred B
Total
Frequency
344
97
441
Percent
78,0
22,0
100,0
Valid Percent
78,0
22,0
100,0
Cumulative
Percent
78,0
100,0
Lokasi Sekolah
Valid
Bandar
Luar Bandar
Total
Frequency
176
265
441
Percent
39,9
60,1
100,0
Valid Percent
39,9
60,1
100,0
Cumulative
Percent
39,9
100,0
Jantina Responden
Valid
Lelaki
Perempuan
Total
Frequency
183
258
441
Percent
41,5
58,5
100,0
Valid Percent
41,5
58,5
100,0
Cumulative
Percent
41,5
100,0
Kelulusan Akademik
Valid
Sarjana
Sarjana Muda
Diploma/Sijil
Total
Frequency
34
376
31
441
Percent
7,7
85,3
7,0
100,0
Valid Percent
7,7
85,3
7,0
100,0
Cumulative
Percent
7,7
93,0
100,0
Bidang Pengajaran
Valid
Bahasa
Sains & Matematik
Vokasional & Teknologi
Kemanusiaan
Total
Frequency
101
128
92
120
441
Percent
22,9
29,0
20,9
27,2
100,0
Valid Percent
22,9
29,0
20,9
27,2
100,0
Cumulative
Percent
22,9
51,9
72,8
100,0
61
Jantina Pengetua
Valid
Lelaki
Perempuan
Total
Frequency
236
205
441
Percent
53,5
46,5
100,0
Valid Percent
53,5
46,5
100,0
Cumulative
Percent
53,5
100,0
Setelah output dihasilkan, penyelidik boleh membuat keputusan sama ada hendak melaporkan
maklumat demografik kajian secara sekaligus dalam satu jadual atau melaporkan mengikut
pembolehubah satu persatu. Jika penyelidik ingin membuat pelaporan semua pembolehubah
dalam satu jadual, jadual tersebut perlu dibina semula.
Jika penyelidik hendak melaporkan satu persatu mengikut pembolehubah, penyelidik
boleh membuat proses copy dan paste daripada jadual output SPSS.
Caranya;
i)
Select pada pada jadual output SPPS
ii)
Klik sebelah kanan tetikus dan tekan Copy. Jangan Copy Object, sebab tidak boleh
edit.
iii)
Pastekan pada word. Kemudian edit
Di bawah ini ditunjukkan contoh jadual untuk digunakan dalam pelaporan yang di copy daripada
output dan diedit dalam word. Tidak perlu buat jadual baru.
Daerah
Besut
Setiu
Kuala Terengganu
Marang
Dungun
Kemaman
Hulu Terengganu
Total
Bilangan
54
38
112
17
54
143
23
441
Peratus
12,2
8,6
25,4
3,9
12,2
32,4
5,2
100,0
Format jadual untuk pelaporan terpulang kepada citarasa penyelidik sendiri sama ada
menggunakan format American, British atau format-format lain. Saya lebih suka menggunakan
format seperti yang saya guna dalam jadual di atas.
62
Contoh 2: Menganalisa Item

Jawapan responden terhadap isu kajian juga boleh dianalisis menggunakan peratus Hanya
pastikan bahawa skala yang digunakan adalah skala ordinal atau nominal. Dalam kes ini, maklum
balas responden soal selidik efikasi guru telah dirangkingkan mengikut skala sangat tidak setuju,
tidak setuju, berkecuali, setuju dan sangat setuju berada pada skala ordinal. Maklum balas ini
boleh dinaikkan ke tahap skala sela apabila setiap rank tersebut diberi skor 1 hingga skor 5.
Sebelum diberi skor, ia berada pada skala ordinal dan boleh dianalisa menggunakan peratus.
Langkah untuk membuat analisa adalah sama seperti langkah untuk menganalisis
demografik sebelum ini. Di bawah ini ditunjukkan salah satu contoh output (item pertama) yang
dikeluarkan oleh SPSS apabila selidik efikasi guru dianalisis.
E1
Valid
Sangat Tidak Bersetuju

Tidak Bersetuju
Berkecuali
Bersetuju
Sangat Bersetuju
Total
Frequency
1
22
67
287
64
441
Percent
,2
5,0
15,2
65,1
14,5
100,0
Valid Percent
,2
5,0
15,2
65,1
14,5
100,0
Cumulative
Percent
,2
5,2
20,4
85,5
100,0
Adalah tidak praktikal untuk melaporkan dapatan semua item satu persatu seperti jadual yang
dihasilkan oleh output SPSS di atas. Untuk membuat pelaporan, penyelidik perlu menggabungkan
semua item dalam satu jadual supaya lebih praktikal dan mudah untuk dibaca. Jadual berikut
menunjukkan contoh bagaimana data-data daripada jadual output di atas boleh diringkaskan
dalam satu jadual untuk dilaporkan dalam dapatan kajian menggunakan statistik peratusan.
BIL
PERNYATAAN
Jika seseorang murid menguasai konsep baru dengan cepat, ia

mungkin disebabkan saya tahu langkah-langkah dalam
pengajarannya.
Apabila gred murid saya meningkat maju, lazimnya adalah

kerana saya menggunakan pendekatan pengajaran yang lebih
berkesan.
Apabila saya berusaha bersungguh-sungguh, pelajar yang

benar-benar bermasalah pun masih dapat mengikuti
pengajaran saya.
Jika murid-murid tidak dapat mengingati maklumat yang saya
berikan sebelum ini, saya tahu bagaimana untuk meningkatkan
daya ingatan mereka pada sesi pengajaran akan datang.
STS
TS
SS
Apabila seseorang murid berjaya melebihi kebiasaan,

lazimnya ia disebabkan oleh saya berusaha lebih sedikit dari
biasa.
63
Jika seseorang murid di dalam kelas saya mula mengganggu

dan membuat bising, saya yakin boleh menggunakan teknikteknik untuk meredakan dengan segera.
Jika murid-murid saya tidak dapat menyelesaikan tugasan,

saya berkebolehan menilai faktornya.
Apabila seseorang murid menghadapi masalah dengan

tugasannya, lazimnya saya boleh mengubah suai tugasan
berkenaan supaya sesuai dengan keupayaan murid tersebut.
Apabila seseorang murid mencapai gred yang lebih baik dari

kebiasaan, lazimnya adalah kerana saya menggunakan kaedah
pengajaran yang lebih baik untuk murid berkenaan.
10
Kejayaan pengajaran seseorang guru adalah terhad kerana

faktor latar belakang murid berkenaan lebih besar
pengaruhnya.
11
Jika murid-murid tidak berdisiplin di rumah, mereka juga

tidak mungkin menerima sebarang peraturan disiplin di
sekolah.
12
Pengajaran saya di kelas mempunyai pengaruh kecil ke atas

murid berbanding dengan pengaruh persekitaran rumah
mereka.
13
Kemampuan pembelajaran seseorang murid sangat berkaitan

dengan latar belakang keluarganya.
14
Pengaruh keluarga ke atas pembelajaran murid tidak boleh

boleh diatasi dengan pengajaran yang baik.
15
Sekiranya ibu bapa tidak mengambil berat ke atas anakanaknya, saya juga tidak boleh melakukannya dengan baik.
16
Walaupun seseorang guru itu mempunyai keupayaan mengajar

dengan baik, ia mungkin tidak terjangkau kerana bilangan
murid yang ramai.
Saya hanya menunjukkan bagaimana dapatan item demi item boleh dipaparkan dalam bentuk
peratus dengan lebih ringkas. Saya tidak menunjukkan dalam jadual di atas nilai-nilai peratusan
bagi setiap kategori maklum balas tersebut. Penyelidik permulaan boleh menjadikan jadual ini
sebagai contoh untuk mereka membuat pelaporan nanti.
64
BAB 7: Sukatan Serakan
BAB 7
SUKATAN SERAKAN
Sukatan serakan digunakan untuk mengukur atau mengagak corak taburan data. Beberapa contoh
item dalam sukatan kecenderungan memusat adalah seperti julat, varians dan sisihan piawai.
Sebagai contoh untuk membincangkan item-item statistik dalam sukatan serakan, markah fizik
murid tingkatan 4 SMK Felda Neram seperti yang dibincangkan dalam bab sukatan kecenderungan
memusat sekali lagi digunakan.
JADUAL 7.1: Markah Fizik Murid Tingkatan 4
MURID
MARKAH
MURID
MARKAH
MURID
MARKAH
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
28
48
56
89
97
34
56
76
78
56
76
34
54
67
89
77
86
65
56
78
76
25
65
90
82
37
64
58
56
77
66
39
45
43
48
49
56
52
58
76
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
65
67
66
69
62
72
71
34
45
53
56
55
59
67
88
78
76
89
34
88
75
92
95
65
34
30
54
67
78
67
67
88
81
25
27
76
67
40
43
45
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
76
56
66
78
89
43
56
67
65
54
53
34
46
77
76
87
89
82
74
29
30
32
43
45
56
65
67
88
79
90
43
88
76
58
76
68
83
89
46
67
65
JULAT
Julat digunapakai untuk mengukur beza antara nilai data yang paling tinggi dan data yang paling
rendah dalam sesuatu jujukan data. Dalam contoh markah di atas, nilai markah yang paling tinggi
ialah 97, manakala markah yang paling rendah ialah 25. Oleh itu;

Untuk pengiraan menggunakan SPSS, julat boleh dicari dengan mengikuti langkah-langkah berikut;
i)
masukkan pembolehubah dalam kotak Variable(s).Klik butang Option.
66
iii) Hamparan baru akan keluar. Tandakan pada kotak Range, Minimum dan
Maximum.Tekan butang Continue.
67
iv) Tekan butang OK
Jadual output yang akan dihasilkan adalah seperti berikut,
N
Range
Markah Fizik
120
Valid N (listwise)
120
72
Minimum
25
Maximum
97
68
VARIANS & SISIHAN PIAWAI

Varians dan sisihan piawai adalah item statistik untuk menggambarkan corak taburan data.
Sekiranya nilai varians dan sisihan piawai kecil, itu bermaksud skor tertabur dekat dengan min
skor. Dalam kes seperti ini, nilai skor adalah hampir dengan nilai min skor. Rajah berikut
menunjukkan contoh taburan yang mempunyai nilai varians dan sisihan piawai yang kecil.
min
RAJAH 7.1: Taburan skor dengan sisihan piwai kecil
Sekiranya nilai varians dan sisihan piawai besar, skor adalah tertabur jauh daripada min skor.
Dalam kes seperti ini, nilai min tidak menggambarkan taburan skor yang sebenar. Sebagai contoh
min markah ujian BI pelajar 4 Sains ialah 55 markah. Daripada jumlah pelajar kelas tersebut
hampir separuh mendapat markah tidak lulus iaitu sekitar 20 markah. Manakala separuh lagi
mendapat gred A dengan markah sekitar 80 markah. Dalam kes ini min markah tidak
menggambarkan taburan markah sebenar pelajar. Gambarajah di bawah menunjukkan corak
taburan skor yang mempunyai nilai varians dan sisihan piawai yang agak besar.
min
RAJAH 7.2: Taburan skor dengan sisihan piwai besar
besarbesar
69
Bagi data terkumpul, varians ditentukan seperti berikut;

! " !# $
%
Untuk membuat pengiraan, contoh markah fizik murid-murid tingkatan 4 SMK Felda Neram di
awal bab tadi boleh diringkaskan seperti berikut;
Marka
h
25-34
35-44
45-54
55-64
65-74
75-84
85-94
95-104
JADUAL 7.2 : Taburan Frekuensi Markah Murid

Sempadan
Tanda Frekue Frekuens
fx
kelas,
i
kelas
nsi,f
Longgoka
x
24.5-34.5
29.5
14
14
413,00
34.5-44.5
39.5
8
22
316,00
44.5-54.5
49.5
15
37
742,50
1011,5
54.5-64.5
59.5
17
54
1668,0
64.5-74.5
69.5
24
78
1908,0
74.5-84.5
79.5
24
102
1432,0
84.5-94.5
89.5
16
118
94.5-104.5
99.5
2
120
199,00
7690,0
516
120
fx
12183,5
12482
36753,75
60184,25
115926
151686
128164
19800,5
537180
Maka varians dan sisihan piawai boleh dikira seperti berikut;

! " !# $
%
&%'( ")(*(# $%(

%%
&*
Sisihan piawai boleh dikira menggunakan formula,
+ , -
.&*
%*&
70
Bagi data tak terkumpul, varians ditentukan menggunakan formula dan contoh pengiraan seperti
berikut,

! "!# $
%
%)'/ "'# $%(

%( %
&/*
Sisihan piawai,
+ , -
.&/*
%'*
Terdapat sedikit perbezaan nilai antara kedua-dua kaedah tersebut disebabkan ralat yang berlaku
sewaktu menukar data mentah kepada data terkumpul yang dilakukan secara manual.
Bagi pengiraan menggunakan SPSS, varians dan sisihan piawai boleh diperolehi dengan mengikuti
langkah-langkah berikut;
i)
71
masukkan pembolehubah dalam kotak Variable(s).Klik butang Option.
iii) Hamparan baru akan keluar. Tandakan pada kotak Std. Deviation dan Variance. Tekan
butang Continue.
72
iv) Tekan butang OK
Jadual output yang akan dihasilkan adalah seperti berikut,
N
Std. Deviation
Markah Fizik
120
Valid N (listwise)
120
18.520
Variance
342.975
Dalam pelaporan penyelidikan, nilai sisihan piawai biasanya dilaporkan secara bersama dengan
nilai min. Ini bertujuan untuk membolehkan pembaca mengetahui corak taburan data serta
membuat justifikasi terhadap nilai min yang dipaparkan. Sebagai contoh, min markah fizik murid
tingkatan 4 ialah 76 dan nilai sisihan piawai 0.95, manakala min markah BM ialah 57 dan nilai
sisihan piawai ialah 0.17.
Daripada maklumat tersebut pembaca dapat mengetahui walaupun min markah fizik ialah
76, namun taburan markah-markah murid yang lain berada jauh daripada nilai min tersebut.
Pembaca juga dapat mengetahui bahawa markah BM murid-murid adalah sekitar 57 markah. Ini
73
kerana nilai sisihan piawai bagi markah BM adalah kecil. Itu bermaksud skor terserak tidak jauh
daripada nilai min.
Dalam contoh soal selidik efikasi guru yang dilampirkan, kita boleh menentukan nilai min
dan sisihan piawai dengan mengikuti langkah-langkah seperti yang ditunjukkan di atas. Pastikan
kotak Mean dan Std. deviaton ditandakan sebelum menekan butang Continue dan OK. Contoh
output yang dihasilkan adalah seperti berikut;
N
Tempoh Mengajar
Valid N (listwise)
441
441
Mean
11,37
Std. Deviation
5,859
Jadual output menunjukkan min tempoh mengajar responden kajian ialah 11.37 tahun manakala
sisihan piawai pula 5.86. Jumlah responden yang menjawab soal selidik ialah seramai 441 orang.
Dalam contoh soal selidik yang dilampirkan juga, terdapat 16 item untuk mewakili pembolehubah
efikasi guru. Untuk menentukan min dan sisihan piawai setiap item, penyelidik boleh terus
membuat analisa seperti langkah untuk menentukan min pembolehubah tempoh mengajar
seperti yang diterang di atas. Namun untuk menentukan min dan sisihan piawai bagi
pembolehubah efikasi secara keseluruhan, data kajian mesti dicompute terlebih dahulu. Sila rujuk
cara membuat compute data dalam sebelum ini.
Jadual di bawah menunjukkan
contoh output yang dihasilkan apabila data
pembolehubah efikasi guru dianalisis menggunakan min dan sisihan piawai bagi data yang telah
dicompute.
N
Efikasi Guru
Valid N (listwise)
441
441
Mean
3,658730
Std. Deviation
,4770622
74
Jadual di bawah pula menunjukkan output yang dihasilkan apabila contoh soal selidik tersebut
dianalisis item demi item menggunakan min dan sisihan piawai.
N
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
Valid N (listwise)
441
441
441
441
441
441
441
441
441
441
441
441
441
441
441
441
441
Mean
3,89
3,91
3,88
3,81
3,50
3,92
3,81
3,88
3,67
3,59
3,61
3,41
3,82
2,94
3,00
3,90
Std. Deviation
,711
,760
,853
,721
,887
,752
,702
,725
,796
1,027
1,056
1,049
,947
1,095
1,148
,998
Bagi tujuan pelaporan, kedua-dua output ini boleh dilaporkan menggunakan peryataan dan juga
jadual baru yang telah dieditkan menggunakan program word. Jadual di bawah menunjukkan
contoh pelaporan bagi setiap item pembolehubah efikasi guru.
BIL
PERNYATAAN
MIN
SP
E1
Jika seseorang murid menguasai konsep baru dengan cepat, ia mungkin

disebabkan saya tahu langkah-langkah dalam pengajarannya.
3.89
0.71
E2
Apabila gred murid saya meningkat maju, lazimnya adalah kerana saya
menggunakan pendekatan pengajaran yang lebih berkesan.
3.91
0.760
E3
Apabila saya berusaha bersungguh-sungguh, pelajar yang benar-benar

bermasalah pun masih dapat mengikuti pengajaran saya.
3.88
0.85
E4
Jika murid-murid tidak dapat mengingati maklumat yang saya berikan

sebelum ini, saya tahu bagaimana untuk meningkatkan daya ingatan
mereka pada sesi pengajaran akan datang.
3.81
0.72
E5
Apabila seseorang murid berjaya melebihi kebiasaan, lazimnya ia

disebabkan oleh saya berusaha lebih sedikit dari biasa.
3.50
0.89
E6
Jika seseorang murid di dalam kelas saya mula mengganggu dan

membuat bising, saya yakin boleh menggunakan teknik-teknik untuk
meredakan dengan segera.
3.92
0.75
E7
Jika murid-murid saya tidak dapat menyelesaikan tugasan, saya

berkebolehan menilai faktornya.
3.81
0.70
E8
Apabila seseorang murid menghadapi masalah dengan tugasannya,

lazimnya saya boleh mengubah suai tugasan berkenaan supaya sesuai
3.88
0.73
75

dengan keupayaan murid tersebut.
E9
Apabila seseorang murid mencapai gred yang lebih baik dari kebiasaan,
lazimnya adalah kerana saya menggunakan kaedah pengajaran yang lebih
baik untuk murid berkenaan.
3.67
0.79
E10
Kejayaan pengajaran seseorang guru adalah terhad kerana faktor latar

belakang murid berkenaan lebih besar pengaruhnya.
3,59
1.03
E11
Jika murid-murid tidak berdisiplin di rumah, mereka juga tidak mungkin

menerima sebarang peraturan disiplin di sekolah.
3.61
1.06
E12
Pengajaran saya di kelas mempunyai pengaruh kecil ke atas murid

berbanding dengan pengaruh persekitaran rumah mereka.
3.41
1.05
E13
Kemampuan pembelajaran seseorang murid sangat berkaitan dengan

latar belakang keluarganya.
3.82
0.95
E14
Pengaruh keluarga ke atas pembelajaran murid tidak boleh boleh diatasi

dengan pengajaran yang baik.
2.94
1.10
E15
Sekiranya ibu bapa tidak mengambil berat ke atas anak-anaknya, saya

juga tidak boleh melakukannya dengan baik.
3.00
1.15
E16
Walaupun seseorang guru itu mempunyai keupayaan mengajar dengan

baik, ia mungkin tidak terjangkau kerana bilangan murid yang ramai.
3.90
0.99
3.69
0.48
KESELURUHAN
76
BAB 8 : Korelasi
BAB 8
KORELASI
Korelasi adalah item statistik yang digunakan untuk menentukan hubungan antara dua
pembolehubah. Contohnya seperti hubungan antara pengalaman kerja dengan komitmen guru,
jumlah pendapatan dengan kepuasan kerja, jumlah masa belajar murid dengan pencapaian
peperiksaan, dan sebagainya.
Terdapat beberapa item statistik untuk mencari korelasi antara dua pembolehubah.
Antara item korelasi yang biasa digunakan seperti Khi Kuasa Dua, Spearman dan Pearson. Untuk
menentukan jenis statistik mana yang perlu digunakan untuk menentukan hubungan antara dua
pembolehubah, kita perlu mengenal pasti pembolehubah mana yang berada pada skala
pengukuran yang lebih rendah. Pembolehubah yang berada pada skala yang lebih rendah akan
menentukan item statistik yang perlu digunakan. Jadual di bawah menunjukkan jenis statistik
hubungan yang perlu diguna berdasarkan pembolehubah pada skala yang lebih rendah.
JADUAL 8.1 : Kesesuaian Item Statistik Hubungan

Skala Pengukuran Paling Rendah
Nominal
Ordinal
Sela
Item Statistik
Khi Kuasa Dua
Spearman
Pearson
Apabila membuat analisa untuk mencari hubungan atau korelasi antara dua pembolehubah, tiga
persoalan berikut yang ingin diketahui oleh penyelidik,
i)
ii)
iii)
Sama ada terdapat hubungan atau tidak

Kekuatan hubungan
Arah hubungan
Nilai pekali korelasi berada dalam julat -1 hingga +1. Sekiranya nilai pekali korelasi, r yang
diperolehi adalah negatif, itu bermaksud dua pembolehubah tersebut mempunyai hubungan
songsang (inversely). Contohnya nilai r bagi hubungan antara pengalaman kerja dengan motivasi
guru ialah -0.65. Ini bermaksud, semakin bertambah pengalaman kerja guru semakin kurang tahap
motivasi.
Nilai pekali korelasi dalam unit positif bermaksud dua pembolehubah yang diuji
mempunyai hubungan terus (directly). Contohnya nilai r bagi hubungan antara jumlah pendapatan
77
BAB 8 : Korelasi
pekerja dengan tahap kepuasan kerja ialah 0.83. Ini bermaksud, semakin meningkat pendapatan
semakin bertambah kepuasan kerja seseorang pekerja.
Tanda positif dan negatif pada pekali korelasi hanya menunjukkan arah perhubungan
antara dua pembolehubah. Ia tidak menggambarkan kekuatan hubungan. Kekuatan hubungan
digambarkan melalui nilai pekali korelasi tersebut. Jadual di bawah menunjukkan nilai pekali
korelasi serta maksud kekuatan hubungan antara pembolehubah yang diuji (Mohd Majid, 2000).
JADUAL8.2 : Kekuatan Hubungan Mengikut Nilai Korelasi

Nilai Indeks Korelasi
Interpretasi Hubungan
0.00 0.20
Sangat Lemah
0.21- 0.40
Lemah
0.41- 0.70
Sederhana
0.71- 0.90
Kuat
0.91-1.00
Sangat kuat
Kebiasaannya penyelidik lebih gemar melakukan korelasi antara dua pembolehubah skala sela
atau nisbah. Kebanyakkan penyelidik juga seringkali menggunakan pekali Pearson sebagai item
statistik untuk menentukan hubungan antara dua pembolehubah. Namun ditegaskan, pekali
Pearson bukanlah satu-satunya item statistik yang boleh digunakan untuk mencari hubungan
antara dua pembolehubah.
KHI KUASA DUA

Khi Kuasa Dua digunakan untuk menentukan sama ada wujud atau tidak hubungan antara dua
pembolehubah di mana salah satu atau kedua-dua pembolehubah tersebut berada pada skala
nominal. Khi Kuasa Dua adalah pengujian yang bersifat bukan parametrik. Khi Kuasa Dua hanya
digunakan untuk menentukan sama ada wujud hubungan atau tidak antara dua pembolehubah.
Khi Kuasa Dua tidak memberi nilai untuk melihat kekuatan hubungan dan juga arah hubungan.
Untuk menentukan kekuatan dan arah hubungan, pekali Phi, Kontigensi dan Cramers boleh dikira
menggunakan nilai Khi Kuasa Dua yang diperolehi.
78
BAB 8 : Korelasi
Contoh 1:
1000 orang pelajar universiti dikaji tentang minat mereka terhadap kerjaya apabila tamat belajar
nanti. Keputusan kajian adalah seperti berikut;
JADUAL 8.3 : Minat terhadap kerjaya dalam kalangan pelajar

Kerjaya
Bilangan pelajar
Kerajaan
187
Swasta
221
Sendiri
193
Perniagaan
204
Pertanian moden
195
Pembolehubah jenis kerjaya berada pada skala nominal. Oleh itu hubungan antara bilangan murid
dengan minat terhadap kerjaya hanya boleh ditentukan menggunakan Khi Kuasa Dua. Untuk
menentukan sama ada terdapat hubungan antara dua pembolehubah ini, ikuti langkah-langkah
berikut;
a)
Bina hipotesis ujian

Ho:
Minat pelajar terhadap kerjaya adalah sama
Ha:
Terdapat perbezaan minat pelajar terhadap kerjaya
b) Kira Khi Kuasa Dua

Nilai Khi Kuasa Dua diperolehi daripada formula,

Nilai O ialah nilai yang kita perhatikan (observed). Nilai E ialah nilai yang kita jangkakan
(expected) berasaskan hipotesis nol yang kita bina. Nilai Jangkaan E diperolehi dengan
cara membahagi jumlah pemerhatian dengan bilangan kumpulan atau kelas. Ini
bermaksud kita cuba membuat hipotesis bahawa tidak ada perbezaan nilai bagi setiap
kelas atau kumpulan. Dalam kes di atas, jumlah pemerhatian ialah 1000 pelajar. Apabila
dibahagi dengan 5 kumpulan, nilainya ialah 200.
79
BAB 8 : Korelasi
Nilai lebih mudah dikira menggunakan contoh jadual seperti di bawah.

JADUAL 8.4 : Pengiraan Khi Kuasa Dua
Diperhatikan, O
Jangkaan, E
(O-E)
(O-E)

187
200
-13
169
221
200
21
441
0.845
2.205
193
200
-7
49
0.245
204
200
16
0.080
195
200
-5
25
0.125
=3.5
Daripada jadual di atas,

c)
Tentukan nilai kritikal

Darjah kebebasan,
dk
k 1, di mana k ialah bilangan kumpulan atau kelas
51
d) Rujuk taburan Khi Kuasa Dua dalam buku sifir

Dari buku sifir, didapati nilai Khi Kuasa Dua bagi dk = 4 pada aras keertiaan 0.05 ialah
9.488
80
BAB 8 : Korelasi
e)
Buat keputusan untuk menolak atau tidak menolak Ho.

Didapati nilai Khi Kuasa Dua yang dikira lebih kecil berbanding Khi Kuasa Dua dalam
jadual buku sifir. Oleh itu Ho tidak boleh ditolak.
Kesimpulan: Minat pelajar terhadap kerjaya adalah sama. Tidak terdapat perbezaan
minat pelajar terhadap kerjaya-kerjaya tertentu.
Contoh 2:
Rekod 100 murid lelaki dan perempuan yang memilih badan beruniform Pengakap dan Kadet
Remaja Sekolah (KRS) dikaji. Data adalah seperti di bawah.
JADUAL 8.5 : Pemilihan Badan Beruniform

BADAN BERUNIFORM
Pengakap
KRS
JUMLAH
JANTINA MURID
JUMLAH
Lelaki
Perempuan
10
6
16
30
54
84
40
60
100
Pembolehubah jantina dan badan beruniform berada pada skala pengukuran nominal. Hubungan
2
antara keduanya hanya boleh ditentukan menggunakan . Untuk menentukan sama ada terdapat
hubungan atau tidak, langkah tersebut diikuti.
a)
Bina hipotesis ujian
Ho:
Pemilihan badan beruniform tiada hubungan dengan jantina
Ha:
Pemilihan
badan
beruniform
bergantung
kepada
jantina
b) Kira Khi Kuasa Dua
Khi Kuasa Dua daripada situasi yang mempunyai 2X2 faktor boleh dikira menggunakan
formula berikut.
81
BAB 8 : Korelasi

| |

Nilai jangkaan, E dikira dengan rumus berikut,

Di mana RT = Jumlah pada baris, CT = Jumlah pada lajur, GT = Jumlah keseluruhan
Menggunakan kedua-dua formula tersebut, nilai Khi Kuasa Dua ditentukan menggunakan
jadual seperti berikut.
JADUAL 8.6 : Pemilihan badan beruniform mengikut jantina

|| ||

Faktor
Diperhatikan, O
Jangkaan, E
O-E
Pengakap,
Lelaki
Pengakap,
10
6.4
3.6
3.1

1.5
30
33.6
-3.6
-4.1
0.5
Perempuan
KRS, Lelaki
9.6
-3.6
-4.1
1.75
KRS,
Perempuan
50.4
3.6
3.1
0.19
= 3.94
Daripada jadual di atas di dapati = 3.94
c)

Darjah kebebasan, dk bagi Khi Kuasa Dua 2X2 faktor ditentukan seperti berikut;
dk = (R-1)(C-1)
82
BAB 8 : Korelasi
di mana R = bilangan baris, C = bilangan lajur

maka, dk = (2-1)(2-1)
=1
Daripada buku sifir, didapati nilai Khi Kuasa Dua bagi dk = 1 pada aras keertiaan 0.05 ialah
3.841
d) Buat keputusan untuk menolak atau tidak menolak Ho.

2
Didapati yang dikira lebih besar berbanding dalam jadual buku sifir. Oleh itu Ho di
tolak.
Kesimpulan: Pemilihan badan beruniform bergantung kepada jantina.
Khi Kuasa Dua adalah pengujian non parametrik yang hanya memberitahu sama ada
terdapat hubungan atau tidak. Khi Kuasa Dua tidak memberi maklumat kekuatan
hubungan. Sekiranya analisis Khi Kuasa Dua menunjukkan wujud hubungan, kekuatan
hubungan tersebut boleh dikira menggunakan pekali Phi, pekali Contigensy dan pekali
Cramers. Pekali-pekali tersebut boleh ditentukan menggunakan formula berikut;
! "

#
$%#&!'(#)* $ "
+ #
$,-.(,/0 $ "
#1
83
BAB 8 : Korelasi
Kekuatan hubungan antara faktor jantina dengan badan beruniform dalam kes di atas
boleh dikira seperti berikut;

23
! "
44
4
4
Dapati pengiraan di atas, didapati pekali phi ialah 0.20. Daripada nilai ini, kita boleh membuat
kesimpulan bahawa terdapat hubungan yang lemah antara faktor jantina dengan pemilihan badan
beruniform.
Khi Kuasa Dua juga boleh diuji menggunakan perisian SPSS. Bagi membuat ujian seperti dalam
contoh di atas, ikuti langkah-langkah berikut.
i)
butang Analyze. Klik butang Descriptive Statistic, kemudian klik Crosstabs.
ii) Hamparan baru akan keluar Klik pada pembolehubah Badan Beruniform, tekan untuk
masukkan ke dalam kotak row(s). Klik pada pembolehubah Jantina, tekan untuk
masukkan ke dalam kotak columns(s). Klik Statistic, hamparan baru akan keluar.
84
BAB 8 : Korelasi
iii) Tandakan pada kota Chi-square. Klik Continue
85
BAB 8 : Korelasi
iv) Klik butang OK.
Contoh output yang dihasilkan adalah seperti jadual di bawah

Badan Uniform * Jantina Crosstabulation
Count
Badan Uniform
Total
Pengakap
KRS
Jantina
Lelaki
Perempuan
10
30
6
54
16
84
Total
40
60
100
86
BAB 8 : Korelasi
Chi-Square Tests
Value
Pearson Chi-Square
Continuity Correction
Likelihood Ratio
Exact Sig.
Exact Sig.
(2-sided)
(2-sided)
(1-sided)
.045
2.979
.084
3.937
.047
4.018
b
df
Asymp. Sig.
Fisher's Exact Test

Linear-by-Linear
.055
3.978
.043
.046
Association
N of Valid Cases
100
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 6.40.
b. Computed only for a 2x2 table
Daripada jadual output di atas, didapati = 4.018 dan nilai nilai Sig = 0.045. Daripada dapatan ini,
kita boleh membuat rumusan bahawa pemilihan badan beruniform bergantung kepada jantina
murid.
Ujian ini juga telah mematuhi salah satu andaian yang perlu diikuti untuk membuat
2
pengujian iaitu setiap sel mestilah mempunyai nilai yang lebih daripada 5. Dalam ujian di atas,
kita diberitahu bahawa 0 cells (0%) have expected count less than 5. The minimum expected co
6.40.
PEKALI SPEARMAN
Pekali Spearman digunakan untuk menentukan hubungan antara dua pembolehubah di mana
skala yang lebih rendah (atau kedua-duanya) berada pada skala ordinal. Sebagai contoh, di bawah
ini disenaraikan maklumat taraf pendidikan penjaga dan markah Fizik yang diperolehi oleh setiap
murid tersebut.
87
BAB 8 : Korelasi
JADUAL 8.7 : Taraf pendidikan penjaga dan markah Fizik murid

PELAJAR
PENDIDIKAN PENJAGA
MARKAH FIZIK
82
60
80
95
55
83
77
66
92
10
67
11
82
12
60
13
80
14
95
15
55
16
83
17
77
18
66
19
92
20
67
21
82
22
60
23
80
24
95
25
55
Di mana , taraf pendidikan penjaga;

1
2
3
4
5
6
=
=
=
=
=
=
Tidak bersekolah
Sekolah Menengah
Sijil
Diploma
Sarjana Muda
Sarjana
88
BAB 8 : Korelasi
Pekali Spearman ditentukan dengan rumus

,
56
##
Untuk memudahkan pengiraan, kita boleh menyediakan jadual taburan pangkat bagi setiap data
nilai dalam pembolehubah seperti dalam Jadual 8.8 yang berikut.
JADUAL 8.8 : Pangkat bagi taraf pendidikan penjaga dan markah Fizik murid
PANGKAT
MARKAH
BEZA
PANGKAT,
B
B2
82
9.0
8.5
72.25
60
21.0
12.0
80
12.0
7.0
95
2.0
25
17.5
55
24.0
-6.5
42.25
3.5
83
6.5
-3
1.5
77
14.5
-13
169
23.0
66
18.5
4.5
20.25
PELAJAR
PENDIDIKAN
PENJAGA
PANGKAT
PENDIDIKAN
MARKAH
FIZIK
17.5
23.0
5
6
7
8
9
12.0
92
4.5
7.5
56.25
10
7.0
67
16.5
-9.5
90.25
11
17.5
82
19.0
8.5
72.25
12
23.0
60
21.0
13
12.0
80
12.0
14
7.0
95
2.0
25
15
17.5
55
24.0
-6.5
42.25
16
3.5
83
6.5
-3
17
1.5
77
14.5
-13
169
18
23.0
66
18.5
4.5
20.25
19
12.0
92
4.5
7.5
56.28
20
7.0
67
16.5
-9.5
90.25
21
17.5
82
9.0
8.5
72.25
22
23.0
60
21.0
23
12.0
80
12.0
24
7.0
95
2.0
25
25
17.5
55
24.0
-6.5
42.25
=1120
89
BAB 8 : Korelasi
Pangkat bagi taraf pendidikan dan markah Fizik diberi mengikut kedudukan paling tinggi. Nilai
paling tinggi mendapat pangkat 1, kedua tertinggi mendapat pangkat 2, dan seterusnya. Jika
terdapat dua nilai yang sama, pangkatnya perlu dibahagi dua. Contohnya ada dua nilai tertinggi
iaitu 95. Maka kedua-dua nilai tersebut mendapat pangkat 1.5. Pangkat 1 dan pangkat 2
ditiadakan. Begitulah seterusnya.
Daripada jadual di atas, kita boleh tentukan pekali Spearman, rs
,
5 4

4
7
Daripada nilai r = 0.57, kita boleh buat rumusan bahawa wujud hubungan yang sederhana kuat
antara dalam arah positif antara taraf pendidikan penjaga dengan pencapaian markah Fizik murid.
Untuk penyelidikan yang sebenar, penyelidik tidak lagi perlu membuat kiraan manual seperti di
atas. Penyelidik boleh terus membuat analisis menggunakan perisian SPSS dengan mengikut
langkah di bawah.
i)
Buka fail yang telah dimasukkan data pada helaian Data View atau Variable View.
Klik butang Analyze. Klik butang Corelate, kemudian klik Bivariate.
90
BAB 8 : Korelasi
ii)
Hamparan baru akan keluar. Klik dua kali pada pembolehubah taraf pendidikan
penjaga dan pembolehubah markah fizik untuk masukkan dalam kotak variables.
iii)
Tandakan Spearman. Tandakan Two-tailed atau One-tailed. Tandakan Flag

Significan Correlation. Klik butang OK.
91
BAB 8 : Korelasi
Jadual output yang akan diperolehi adalah seperti berikut;

Correlations
Spearman's rho
Taraf Pendidikan Penjaga
Markah Fizik
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Taraf
Pendidikan
Penjaga
Markah Fizik
1,000
,559**
,
,004
25
25
,559**
1,000
,004
,
25
25
**. Correlation is significant at the .01 level (2-tailed).
Jadual output yang dihasilkan menunjukkan pekali korelasi Spearman,r antara taraf pendidikan
penjaga dan markah Fizik murid ialah 0.56 (sedikit berbeza dengan nilai r = 0.57 yang dikira secara
manual kerana ralat yang berlaku semasa proses pengiraan). Dengan merujuk jadual kekuatan
92
BAB 8 : Korelasi
hubungan pekali korelasi, maka boleh dirumuskan bahawa terdapat hubungan sederhana kuat
yang signifikan antara taraf pendidikan penjaga dan markah Fizik murid. Untuk menentukan sama
ada hubungan signifikan atau tidak, perhatikan nilai Sig. Jika nilai Sig lebih kecil daripada 0.05,
maka hubungan tersebut signifikan pada paras keertian 0.05. Maksudnya hubungan tersebut
diyakini betul sebanyak 95 peratus. Jika nilai Sig lebih kecil daripada 0.01, maka hubungan
tersebut signifikan pada aras keertian 0.01 iaitu 99 peratus diyakini betul.
Pelbagai cara digunakan oleh penyelidik pendidikan untuk melaporkan jadual korelasi.
Ada penyelidik yang terus melaporkan seperti output yang dikeluarkan oleh SPSS. Ada penyelidik
yang membuat jadual yang lebih ringkas seperti berikut;
JADUAL 8.9 : Korelasi Taraf Pendidikan Penjaga dan

Markah Fizik
PEMBOLEHUBAH
Markah Fizik
Taraf Pendidikan
r
0.56
Sig. (2-tailed)
0.00**
25
**p<0.01
PEKALI PEARSON
Pekali Pearson digunakan untuk menentukan hubungan antara dua pembolehubah di mana skala
yang lebih rendah (atau kedua-duanya) berada pada skala sela. Sebagai contoh, di bawah ini
disenaraikan maklumat pendapatan penjaga dan markah matematik yang diperolehi oleh setiap
murid tersebut.
93
BAB 8 : Korelasi
JADUAL: Pendapatan penjaga dan markah Matematik murid

PELAJAR
PENDAPATAN PENJAGA (RM)
MARKAH MATEMATIK
2300
45
700
65
5000
76
1200
89
1320
34
3400
56
2650
25
4000
67
1800
45
10
550
91
11
750
73
12
6800
56
13
3200
23
14
1500
65
15
3000
46
16
2300
78
17
800
63
18
5000
81
19
2100
37
20
1200
85
21
1450
77
22
6000
63
23
3200
74
24
650
26
25
650
27
Nilai pekali Pearson boleh dikira secara manual dengan menggunakan formula,
,
8* 9:
;[8
8 ][* * ]
Untuk memudahkan pengiraan, kita boleh sediakan jadual seperti di bawah,
94
BAB 8 : Korelasi
JADUAL 8.9 : Taburan pendapatan penjaga dan markah matematik
Pelajar
Markah, y
45
Pendapatan, x
2300
xy
5290000
2025
103500
700
65
490000
4225
45500
5000
76
25000000
5776
380000
1200
89
1440000
7921
106800
1320
34
1742400
1156
44880
3400
56
11560000
3136
190400
2650
25
7022500
625
66250
4000
67
16000000
4489
268000
1800
45
3240000
2025
81000
10
550
91
302500
8281
50050
11
750
73
562500
5329
54750
12
6800
56
46240000
3136
380800
13
3200
23
10240000
529
73600
14
1500
65
2250000
4225
97500
15
3000
46
9000000
2116
138000
16
2300
78
5290000
6084
179400
17
800
63
640000
3969
50400
18
5000
81
25000000
6561
405000
19
2100
37
4410000
1369
77700
20
1200
85
1440000
7225
102000
21
1450
77
2102500
5929
111650
22
6000
63
36000000
3969
378000
23
3200
74
10240000
5476
236800
24
650
26
422500
676
16900
25
650
27
422500
729
17550
=61520
=1467
=226347400
=96981
=3656430
Daripada jadual, kita boleh membuat pengiraan menggunakan formula yang diberi;
95
BAB 8 : Korelasi
,
8* 9:
;[8 8 ][* * ]

553 4 5 4 357
;[5 37344 5 4 ][252< 357 ]

, 4
4
Daripada nilai pekali Pearson yang diperolehi, kita boleh membuat kesimpulan bahawa tidak
terdapat hubungan (terdapat hubungan yang sangat lemah) antara pendapatan penjaga dengan
markah Matematik murid.
Untuk penyelidikan yang sebenar, boleh terus membuat analisis menggunakan perisian SPSS
dengan mengikut langkah di bawah.
i)
Buka fail yang telah dimasukkan data pada helaian Data View atau Variable View.
Klik butang Analyze.Klik butang Corelate, kemudian klik Bivariate.
96
BAB 8 : Korelasi
ii)
Hamparan baru akan keluar. Klik dua kali pada pembolehubah taraf pendidikan
penjaga dan pembolehubah markah matematik untuk masukkan dalam kotak
Variables. Tandakan Pearson.Tandakan Two-tailed atau One-tailed.Tandakan Flag
Significan Correlation. Klik butang OK.
Jadual output yang akan diperolehi adalah seperti berikut;

Correlations
Pendapatan Penjaga
Markah Matematik
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pendapatan
Penjaga
1
,
25
,051
,807
25
Markah
Matematik
,051
,807
25
1
,
25
97
BAB 8 : Korelasi
Daripada jadual output di atas, kita dapati nilai pekali Pearson, r=0.051 dan nilai Sig = 0.807. Oleh
kerana nilai sig ini lebih besar 0.05, maka kita boleh rumuskan bahawa tidak terdapat hubungan
yang signifikan antara pendapatan penjaga dengan markah matematik murid.
Perbincangan tentang korelasi rasanya tidak begitu lengkap hanya dengan satu contoh di
atas. Perbincangan menggunakan contoh di atas kurang mendalam disebabkan hanya dua
pembolehubah terlibat, serta hasil yang diperolehi hanya menunjukkan tidak signifikan.
Bagi menambah lagi kefahaman, saya tunjukkan di bawah ini satu lagi contoh output
yang dihasilkan daripada kajian untuk mencari hubungan antara motivasi, komitmen, kepuasan
kerja dan efikasi guru. Langkah-langkah untuk menghasilkan output ini sama seperti langkah yang
diterangkan dalam contoh di atas.
Correlations
Efikasi
Efikasi
Motivasi
Komitmen
Kepuasan Kerja
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Motivasi
Komitmen
1
,387**
,271**
,
,000
,001
142
142
142
,387**
1
,237**
,000
,
,005
142
142
142
,271**
,237**
1
,001
,005
,
142
142
142
,303**
,244**
,502**
,000
,003
,000
142
142
142
Kepuasan
Kerja
,303**
,000
142
,244**
,003
142
,502**
,000
142
1
,
142
**. Correlation is significant at the 0.01 level (2-tailed).
Daripada output yang dikelurkan, beberapa rumusan seperti berikut boleh dibuat;
i)
Wujud hubungan yang lemah antara efikasi dan motivasi guru (r=0.39, sig=0.00)
ii) Wujud hubungan yang lemah antara efikasi dan komitmen guru (r=0.27, sig=0.00)
iii) Wujud hubungan yang lemah antara efikasi dan kepuasan kerja guru (r=0.30, sig=0.00)
iv) Wujud hubungan yang lemah antara motivasi dan komitmen guru (r=0.24, sig=0.01)
v) Wujud hubungan yang sederhana kuat
(r=0.50, sig=0.00)
antara komitmen dan kepuasan kerja guru
98
BAB 8 : Korelasi
vi) Wujud hubungan yang lemah antara komitmen dan kepuasan kerja guru (r=0.24,
sig=0.00)
Untuk melapor dalam dapatan, jadual output tersebut boleh diedit seperti berikut;
JADUAL: Hubungan antara pembolehubah-pembolehubah

PEMBOLEHUBAH
Efikasi
Motivasi
Efikasi
r
1
0.39**
Sig. (2-tailed)
0.00
N
142
142
Motivasi
r
0.39**
1
Sig. (2-tailed)
0.00
N
142
142
Komitmen r
0.27**
0.24**
Sig. (2-tailed)
0.00
0.01
N
142
142
Kepuasan
r
0.30**
0.24**
Kerja
Sig. (2-tailed)
0.00
0.00
N
142
142
** Korelasi signifikan pada paras 0.01 (2-tailed).
Komitmen
0.27**
0.00
142
0.24**
0.01
142
1
142
0.50**
0.00
142
Kepuasan Kerja
0.30**
0.00
142
0.24**
0.00
142
0.50**
0.00
142
1
142
Tanda satu bintang (*) adalah merujuk kepada hubungan yang signifikan pada paras keyakinan 95
peratus. Seperti dinyatakan sebelum ini, tahap signifikan ini terhasil apabila nilai Sig sama atau
lebih kecil daripada 0.05.
Tanda dua bintang (**) pula merujuk kepada hubungan yang siginikan pada paras
keyakinan 99 peratus. Tahap signifikan ini terhasil apabila nilai Sig yang diperolehi lebih sama atau
kecil daripada 0.01.
99
Bab 9 : Ujian-T
BAB 9
UJIAN-T
Ujian-t digunakan untuk membandingkan dua nilai min. Perbandingan yang dimaksudkan ialah
untuk menguji sama ada terdapat atau tidak terdapat perbezaan yang signifikan (bermakna)
antara dua nilai min.
Ujian-t digunakan untuk membuat generalisasi terhadap populasi yang dikaji. Walaupun
statistik deskriptif menunjukkan terdapat perbezaan antara dua nilai min, namun ini tidak
bermaksud perbezaan itu signifikan untuk digeneralisasikan kepada populasi. Sebagai contoh, data
kajian deskriptif menunjukkan min komitmen guru perempuan ialah 3.58 manakala manakala min
komitmen guru lelaki ialah 3.24. Walaupun kelihatan min komitmen guru perempuan lebih tinggi
berbanding guru lelaki, tetapi penyelidik tidak boleh mengatakan komitmen guru perempuan lebih
tinggi berbanding guru lelaki dengan sekadar merujuk kepada data deskriptif tersebut. Untuk
mengesahkan sama ada terdapat perbezaan antara komitmen guru lelaki dan perempuan, ujian
perbandingan min atau disebut ujian-t perlu dilakukan. Ujian-t yang akan mengesahkan sama ada
perbezaan tersebut signifikan atau tidak.
Paling asas, ada tiga jenis ujian-t yang perlu dikuasai oleh penyelidik-penyelidik
permulaan. Jenis pertama ialah ujian-t untuk satu sampel, jenis kedua ujian-t untuk sampel bebas
(independent sample) dan jenis ketiga ialah ujian-t untuk sampel berpasangan (paired sampel).
Tiga jenis ujian-t inilah yang sering digunakan khususnya untuk penyelidik awalan dan pelajar
universiti.
UJIAN-T SATU SAMPEL

Ujian-t satu sampel digunakan untuk membandingkan sesuatu min dengan min lain atau min
populasi. Tujuannya adalah untuk menentukan sama ada min tersebut lebih tinggi, sama atau
lebih rendah berbanding min sesuatu kumpulan. Perlu ditegaskan bahawa ujian-t satu sampel
hanya boleh dilakukan apabila min kumpulan atau populasi yang hendak dibandingkan telah ada.
Contoh-contoh situasi yang boleh dibuat ujian-t satu sampel ialah;
i)
Guru SMK Felda Neram ingin membandingkan sama ada gred purata sekolah (GPS) dalam
peperiksaan Sijil Pelajaran Malaysia (SPM) tahun 2009 lebih tinggi atau lebih rendah
berbanding gred negeri Terengganu.
ii) Guru Fizik SMK Felda Neram ingin membuat perbandingan antara Gred Mata Pelajaran
(GMP) peringkat sekolah dengan gred peringkat daerah Kemaman.
100
Bab 9 : Ujian-T
Contoh :
Jadual di bawah menunjukkan markah Matematik murid tingkatan 4 Sains SMK Felda Neram. Guru
Matematik mendakwa pencapaian tersebut lebih tinggi berbanding pencapaian peringkat daerah
jika diukur pada nilai min. Min peringkat daerah, = 54.50.
JADUAL 9.1 : Markah Matematik Murid
PELAJAR
MARKAH MATEMATIK
45
65
76
89
34
56
25
67
45
10
91
11
73
12
56
13
23
14
65
15
46
16
78
17
63
18
81
19
37
20
85
21
77
22
63
23
74
24
26
25
27
Kita boleh menguji sama ada dakwaan guru matematik tersebut betul atau salah dengan mengikut
langkah-langkah berikut.
101
Bab 9 : Ujian-T
i)
Bina hipotesis
Ho :
Ha :
ii)
x
x >
Kira nilai t

Di mana,
x

x = min sampel
=min populasi
n = bil sampel
s = sisihan piawai
Min, x markah murid;

Sisihan piawai,

(Rujuk Bab Sukatan Serakan untuk cara pengiraan sisihan piawai yang lebih terperinci)
102
Bab 9 : Ujian-T
Maka, nilai t
x

iii)

Darjah kebebasan, dk
= n-1
= 24
Daripada jadual buku sifir, pada aras keertian 0.05 apabila dk=24, nilai t=1.711
iv)
Cara buat keputusan

Ho akan ditolak jika nilai t yang dikira
v)
1.711
Kesimpulan
Nilai t yang dikira < 1.711, Ho gagal ditolak. Terima Ho.
Didapati bahawa dakwaan guru matematik bahawa pencapaian matematik murid
sekolah itu lebih baik berbanding pencapaian negeri adalah tidak benar pada paras
keyakinan 95% (t=1.10, p>0.05)
Bagi penggunaan SPSS, pengujian dalam kes di atas boleh dilakukan dengan mengikuti langkahlangkah berikut;
i)
butang Analyze. Klik butang Compare Mean seterusnya klik One-Sample T Test.
103
Bab 9 : Ujian-T
ii) Hamparan baru akan keluar. Klik pembolehubah Markah Matematik, tekan butang anak
panah untuk masukkan pembolehubah dalam kotak Test Variables
iii) Masukkan nilai min populasi, (54.50) dalam kotak Test Value. Klik butang Option.
104
Bab 9 : Ujian-T
iv) Masukkan nombor 95 (nilai paras keyakinan) dalam kotak Confidence Interval. Tekan
butang Continue.
105
Bab 9 : Ujian-T
v) Tekan butang OK
Jadual output seperti berikut akan dihasilkan,

One-Sample Statistics
N
Markah Matematik
25
Mean
58,6800
Std. Deviation
21,30868
Std. Error
Mean
4,26174
One-Sample Test
Test Value = 54.5
t
Markah Matematik
df
,981
24
Sig. (2-tailed)
,336
Mean
Difference
4,1800
95% Confidence
Interval of the
Difference
Lower
Upper
-4,6158
12,9758
Didapati nilai t=0.98 dan sig=0.34. apabila nila sig > 0.05, itu bermaksud tidak terdapat perbezaan
yang signifikan antara min sampel dan min populasi. Oleh itu boleh dibuat kesimpulan bahawa
106
Bab 9 : Ujian-T
tidak terdapat perbezaan yang signifikan antara markah matematik murid SMK Felda Neram
dengan pencapaian peringkat daerah. Dakwaan guru tersebut adalah tidak benar. (Nilai t yang
dikira secara manual, t=1.10 sedikit berbeza dengan nilai t yang dikira oleh komputer, t=0.98
adalah disebabkan ralat dalam pengiraan manual)
Bagi tujuan pelaporan, jadual output SPSS boleh diringkaskan seperti berikut;
JADUAL 9.2 : Perbandingan Markah Matematik Sekolah dengan Daerah
Markah Matematik
p>0.05
N
25
Nilai diuji (daerah) = 54.50

min
sp
dk
t
58.68
21.31
24
0.98
sig
0.34
UJIAN-T SAMPEL BEBAS

Ujian-t sampel bebas digunakan untuk membuat perbandingan bagi satu pembolehubah yang
mempunyai dua min. Contoh situasi yang membolehkan ujian-t sampel bebas digunakan adalah
seperti berikut;
i)
Untuk menguji adakah terdapat perbezaan yang signifikan antara pencapaian dalam ujian
Fizik antara murid lelaki dan murid perempuan.
ii) Untuk menguji adakah terdapat perbezaan yang signifikan antara tahap kepemimpinan
pengetua di sekolah bandar dan luar bandar.
iii) Untuk menguji adakah terdapat perbezaan yang signifikan antara kualiti pengajaran guru
siswazah dan bukan siswazah.
iv) Untuk menguji adakah terdapat perbezaan yang signifikan antara motivasi belajar murid
berbangsa Melayu dan murid berbangsa China.
Indikator utama untuk menentukan sama ada sesuatu ujian tersebut boleh menggunakan ujian-t
sampel bebas ialah;
i)
Mesti ada dua min daripada satu faktor yang hendak diuji. Contohnya min lelaki dan
perempuan bagi faktor jantina, min bandar dan luar bandar bagi faktor lokasi, min
siswazah dan bukan siswazah bagi faktor kelulusan akademik, serta min Melayu dan
China bagi faktor bangsa.
ii) Min yang hendak diuji sekurang-kurangnya berada pada skala sela contohnya markah
peperiksaan, tahap kepemimpinan, tahap motivasi dan tahap kepuasan kerja.
107
Bab 9 : Ujian-T
Contoh:
Jadual di bawah menunjukkan pencapaian BM dan maklumat jantina murid tingkatan 5 SMK Felda
Neram.
JADUAL 9.3 : Markah BM Mengikut Jantina

Pelajar
1
Jantina
L
Markah BM
85
75
45
44
53
43
80
80
80
10
35
11
30
12
25
13
68
14
80
15
50
16
65
17
68
18
72
19
52
20
20
21
85
22
87
23
80
24
35
25
20
Guru BM sekolah tersebut ingin menguji sama ada terdapat perbezaan antara prestasi murid lelaki
dengan prestasi murid perempuan. Kita boleh membantu guru tersebut membuat ujian dengan
mengikut langkah-langkah berikut;
108
Bab 9 : Ujian-T
i)
Bina hipotesis
Ho :
Ha :
ii)
min lelaki = min perempuan

min lelaki min perempuan
Kira nilai t
Nilai t bagi dua sampel bebas di atas boleh dikira menggunakan formula,
Di mana,
x x
x ! " # x #! "
" $

#
xL
xP
= min markah lelaki
xL
xP
nL
nP
=
=
=
=
= min markah perempuan

markah lelaki
markah perempuan
bilangan murid lelaki
bilangan murid perempuan
Sila rujuk bab Sukatan Kecenderungan Memusat Untuk membuat pengiraan min
(data tak terkumpul) bagi murid lelaki dan perempuan.
Setelah nilai-nilai min tersebut diperolehi, jadual tersebut dibina untuk memudahkan
pengiraan
JADUAL 9.4: Markah BM Murid Lelaki dan Perempuan
'
Markah
perempuan,
xP
85
%& x &!
712.36
45
%( x (!
75
278.56
53
1727.23
44
204.78
43
5264.95
80
470.46
80
1336.63
80
470.46
68
1336.63
35
543.36
50
6652.03
Markah
lelaki, xL
'
996.03
109
Bab 9 : Ujian-T
JADUAL 9.4 : Sambungan

Markah
perempuan,
xP
'
'
30
%& x &!
801.46
68
%( x (!
25
1109.56
20
8383.23
80
470.46
85
1336.63
65
44.76
87
2658.43
72
187.42
80
1985.59
52
39.82
20
4167.99
35
543.36
x L=58.31
=5876.77
x P=58.25
=43338.04
Markah
lelaki, xL
7492.63
Daripada jadual di atas, nilai t boleh dikira,

x x
x ! " # x #! "
" $

#

) " "

"

iii)

=
=
=
n1
25 1
24
Daripada jadual buku sifir, pada aras keertian 0.05 apabila dk=24, nilai t = 1.711
110
Bab 9 : Ujian-T
vi)
vii)
Cara buat keputusan

Ho akan ditolak jika nilai t yang dikira
1.711
Kesimpulan
Nilai t yang dikira < 1.711, Ho gagal ditolak. Tidak terdapat perbezaan yang signifikan
antara pencapaian murid lelaki dan murid perempuan dalam BM.
Untuk membuat ujian-t sampel bebas menggunakan SPSS, ikuti langkah-langkah berikut;
i)
butang Analyze. Klik butang Compare Mean seterusnya klik Independent-Sample T Test.
ii) Hamparan baru akan keluar. Klik pembolehubah Markah BM, tekan butang untuk
masukkan pembolehubah dalam kotak Test Variables. Klik pembolehubah Jantina dan
tekan butang untuk masukkan dalam kotak Grouping Variables.
111
Bab 9 : Ujian-T
iii)
Klik butang Define Group.
112
Bab 9 : Ujian-T
iv) Hamparan baru akan keluar. Masukkan nombor 1 dalam kotak Group 1 dan nombor 2
dalam kotak Group 2. Tekan butang Continue.
v) Apabila hamparan asal keluar, tekan butang OK.
113
Bab 9 : Ujian-T
Jadual output yang akan dihasilkan adalah seperti berikut;

Group Statistics
Markah BM
Jantina
Lelaki
Perempuan
Mean
58,31
58,25
13
12
Std. Deviation
22,130
23,565
Std. Error
Mean
6,138
6,803
Independent Samples Test

Levene's Test for
Equality of Variances
F
Markah BM
Equal variances
,000
assumed
Equal variances
not assumed
Sig.
,985
t-test for Equality of Means
t
,006
95% Confidence
Interval of the
Difference
Mean Std. Error
Sig. (2-tailed)
DifferenceDifference Lower Upper
df
23
,995
,06
9,138 -18,846 18,962
,006 22,519
,995
,06
9,162 -18,918 19,034
Daripada jadual di atas, didapati nilai t= 0.006 dan sig = 0.99. Nilai sig ini > 0.05. Maka kita boleh
buat kesimpulan bahawa tidak terdapat perbezaan yang signifikan antara markah BM murid lelaki
dan perempuan.
114
Bab 9 : Ujian-T
Bagi tujuan pelaporan, jadual ujian-t seperti berikut boleh digunakan.
JADUAL 9.4 : Ujian-t faktor jantina markah BM

Jantina
Lelaki
Perempuan
p>0.05
N
13
12
min
58.31
58.25
sp
22.1
23.6
dk
23
t
0.006
sig
0.99
UJIAN-T BERPASANGAN
Ujian-t berpasangan dijalankan untuk membandingkan dua min daripada dua kumpulan terhadap
pembolehubah yang tak bersandar. Contoh situasi yang membolehkan ujian-t berpasangan
dijalankan adalah seperti;
i)
Seorang guru ingin membuat perbandingan pencapaian pelajar dalam ujian pra dan ujian
pos. Ujian pos dijalankan untuk melihat sama ada sesuatu kaedah pengajaran yang baru
diperkenalkan berkesan atau tidak. Contohnya guru ingin mencuba kaedah pengajaran
menggunakan kaedah Jadual Darab Silang. Sebelum kaedah ini diajar, pelajar akan
menduduki ujian pra. Selepas kaedah ini diajar, pelajar akan menduduki ujian pos. Ujian-t
berpasangan dijalankan untuk menguji sama ada terdapat perbezaan prestasi antara
pencapaian dalam ujian pra dan ujian pos. Sekiranya pencapaian dalam ujian pos lebih
tinggi dan signifikan, maka kaedah tersebut boleh dianggap berkesan bagi kumpulan
pelajar tersebut.
ii) Sesetengah penyelidik juga menggunakan ujian-t berpasangan untuk membandingkan

min bagi kumpulan kawalan dan kumpulan rawatan bagi satu penyelidikan
eksperimental. Contohnya seorang guru membahagikan murid dalam kelas kepada dua
kumpulan. Kumpulan pertama diajar Prinsip Archimedes menggunakan kaedah
konvensional manakala kumpulan kedua diajar Prinsip Archimedes menggunakan kaedah
peta minda. Dalam kajian eksperimental, kumpulan pertama disebut kumpulan kawalan
dan kumpulan kedua disebut kumpulan rawatan. Selepas pengajaran, kedua-dua
kumpulan ini diberi ujian yang sama. Ujian-t berpasangan dijalankan untuk menguji sama
ada terdapat perbezaan prestasi yang dicapai oleh dua kumpulan ini.
Contoh:
Seorang guru Fizik menjalankan kajian tindakan untuk meningkatkan kemampuan murid
menjawab soalan berkaitan prinsip Bernoulli. Dalam kajian tersebut, beliau memperkenalkan
kaedah pengajaran baru yang dikenali sebagai Besi Boleh Terbang. Beliau telah mengadakan ujian
pra sebelum pengajaran tersebut dijalankan dan ujian pos selepas sesi pengajaran. Markah bagi
115
Bab 9 : Ujian-T
kedua-dua ujian tersebut ditunjukkan dalam jadual di bawah. Guru tersebut ingin menguji sama
ada kaedah pengajaran tersebut berkesan atau tidak.
JADUAL 9.5 : Markah ujian pra dan ujian pos

PELAJAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
PRA
30
45
65
23
32
21
15
37
43
24
56
65
73
23
28
32
21
43
21
19
POS
50
67
78
76
90
56
67
65
78
82
56
75
56
73
45
56
71
55
67
81
Kita boleh membantu guru fizik tersebut menguji sama ada kaedah baru tersebut berkesan atau
tidak dengan mengikuti langkah-langkah berikut;
i)
Bina hipotesi
Ho
Ha
=
=
pos pra
pos > pra
Di mana pra = min ujian pra, pos = min ujian pos
116
Bab 9 : Ujian-T
ii)
Kira nilai t
x *+ x *,

$
$

Untuk memudahkan pengiraan nilai t, jadual tersebut dibina.
JADUAL 9.6 : Beza markah ujian pra dan ujian pos

PELAJAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
POS
50
67
78
76
90
56
67
65
78
82
56
75
56
73
45
56
71
55
67
81
PRA
30
45
65
23
32
21
15
37
43
24
56
65
73
23
28
32
21
43
21
19
x *+ =
x *,- =35.8
67.2
Beza, B
20
22
13
53
58
35
52
28
35
58
0
10
-17
50
17
24
50
12
46
62
=628
B
400
484
169
2809
3364
1225
2704
784
1225
3364
0
100
289
2500
289
576
2500
144
2116
3844
=28886
117
Bab 9 : Ujian-T
Menggunakan jadual tersebut, nilai t boleh dikira.

x *+ x *,
$

$

.
.
iii)

iv)
=
=
=
n-1
20-1
19
Daripada buku sifir, nilai t=2.861 pada aras keertian 0.05 apabila dk = 19
Membuat keputusan
Oleh kerana nilai t yang dikira lebih besar daripada nilai kritikal,
maka Ho ditolak. Ha diterima.
Kesimpulan: Markah ujian pos lebih tinggi berbanding ujian pra. Oleh itu boleh
dirumuskan kaedan Besi Boleh Terbang yang digunakan oleh guru tersebut untuk
mengajar topik Prinsip Bernoulli adalah lebih berkesan berbanding kaedah
konvensional sebelumnya.
Bagi membuat analisis menggunakan SPSS, ikuti langkah-langkah berikut;

i)
butang Analyze. Klik butang Compare Mean seterusnya klik Paired-Sample T Test.
118
Bab 9 : Ujian-T
ii) Hamparan baru akan keluar. Klik pembolehubah Markah Pra, tekan untuk masukkan
pembolehubah ke dalam Paired Variable 1. Klik Markah Pos, tekan untuk masukkan
pembolehubah ke dalam Paired Variable 2.
119
Bab 9 : Ujian-T
iii) Tekan butang Option
iv)
Hamparan baru akan keluar. Masukkan 95 dalam kotak Confidence Interval. Tekan
butang Continue
120
Bab 9 : Ujian-T
v) Tekan butang OK
Jadual output berikut akan dihasilkan.
Paired Samples Statistics
Pair
1
Markah Pos
Markah Pra
Mean
67,20
35,80
N
20
20
Std. Deviation
12,125
17,243
Std. Error
Mean
2,711
3,856
Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
MeanStd. DeviationMean Lower Upper
t
Pair 1Markah Pos - Markah
31,40Pra 21,965 4,912 21,12 41,68 6,393
df Sig. (2-tailed)
19
,000
121
Bab 9 : Ujian-T
Daripada jadual output di atas kita dapati t=6.393 dan sig=0.00. Oleh kerana nilai sig<0.05, maka
perbezaan min antara dua jenis ujian ini adalah signifikan. Oleh kerana min pos (67.20) lebih tinggi
berbanding min pra (35.80), maka kita boleh simpulkan markah pos adalah lebih tinggi dan
perbezaan tersebut adalah signifikan.
LEVENE TEST
Perbincangan tentang ujian-t tidak dapat lari daripada satu lagi item statistik iaitu Levene Test.
Levene Test adalah item statistik untuk menguji sama ada kedua-dua kumpulan yang diuji tersebut
datang daripada populasi yang sama atau tidak. Perlu ditegaskan bahawa ujian-t hanya boleh
dilakukan jika dua kumpulan yang ingin diuji datang daripada populasi yang sama. Untuk
menentukan sama ada dua sampel berada dalam populasi yang sama atau tidak bergantung
kepada varians. Jika populasi sama, maka varians juga akan sama. Ujian Levene dijalankan untuk
menguji sama ada varians dua kumpulan yang diuji tersebut adalah sama atau tidak. Jika
variansnya sama, maka dua kumpulan tersebut berada dalam populasi yang sama, sekaligus sah
untuk diuji menggunakan ujian-t. Jika variansnya tidak sama, maka dua kumpulan sampel tersebut
tidak berada dalam populasi yang sama, sekaligus ujian-t tidak boleh dilakukan.
Sebagai contoh, rujuk output ujian-t untuk menguji perbezaan markah BM antara murid
lelaki dan murid perempuan yang kita hasilkan sebelum ini .
Levene's Test for
F
Markah BM
Equal variances
,000
assumed
Equal variances
not assumed
Sig.
,985
95% Confidence
Interval of the
Difference
Mean Std. Error
Sig. (2-tailed)DifferenceDifference Lower Upper
df
,006
23
,995
,06
9,138 -18,846
18,962
,006
22,519
,995
,06
9,162 -18,918
19,034
Untuk perbincangan, sila rujuk pembolehubah Levenes Test for Equality Variances dalam jadual
output di atas. Perhatikan nilai F dan nila Sig. Sekiranya nilai sig < 0.05, maka kita boleh rumuskan
bahawa varians bagi dua kumpulan yang dikaji iaitu murid lelaki dan murid perempuan adalah
berbeza. Jika varians berbeza, maka dua kumpulan tersebut berada dalam populasi yang
berlainan. Oleh itu ujian-t tidak boleh dilakukan. Ini kerana ujian-t hanya boleh dijalankan untuk
membanding dua nilai min daripada dua kumpulan dalam populasi yang sama.
122
Bab 9 : Ujian-T
Dalam jadual outpu di atas, kita dapati F=0.00 dan Sig=0.985. nilai sig>0.05. maka kita
boleh buat kesimpulan varians kumpulan ini adalah sama, atau tidak terdapat perbezaan. Apabila
variansnya sama, maka kumpulan murid lelaki dan murid perempuan yang kita uji datang daripada
populasi yang sama. Oleh itu ujian-t sah untuk dilakukan.
Contoh Kajian Melibatkan Ujian-T

Dalam contoh soal selidik kajian efikasi guru yang diberi dalam Lampiran, terdapat empat situasi
yang membolehkan ujian-t dilakukan, iaitu;
i)
Menentukan adakah terdapat perbezaan yang signifikan antara faktor gred sekolah (gred
A dan gred B) dengan tahap efikasi guru.
ii) Menentukan adakah terdapat perbezaan yang signifikan antara faktor lokasi sekolah
(bandar dan luar bandar) dengan tahap efikasi guru.
iii) Menentukan adakah terdapat perbezaan yang signifikan antara faktor jantina (lelaki dan
perempuan) dengan tahap efikasi guru.
iv) Menentukan adakah terdapat perbezaan yang signifikan antara faktor jantina pengetua
(lelaki dan perempuan) dengan tahap efikasi guru.
Semua situasi di atas melibatkan ujian-t sampel bebas (independent sample). Sebagai penegasan,
sekali lagi diingatkan prasyarat untuk membolehkan ujian-t sampel bebas diuji adalah;
iii) Mesti ada dua min daripada satu faktor yang hendak diuji. Contohnya min lelaki dan
perempuan bagi faktor jantina, min bandar dan luar bandar bagi faktor lokasi, min
siswazah dan bukan siswazah bagi faktor kelulusan akademik, serta min Melayu dan
China bagi faktor bangsa.
iv) Min yang hendak diuji sekurang-kurangnya berada pada skala sela contohnya markah
Ada juga penyelidik yang membuat syarat ujian-t hanya boleh dijalankan apabila sampel
dipilih melalui teknik persampelan rawak (random sampling) dan data mempunyai taburan normal
(Bhasah, 2007). Namun perbincangan ini agak detail untuk saya ketengahkan dalam buku ringkas
ini.
Berikut ini dipaparkan contoh output SPSS yang dihasilkan daripaa penyelidikan sebenar
tentang efikasi guru, panduan membuat interpretasi dan cara membuat jadual pelaporan.
123
Bab 9 : Ujian-T
a)
Perbandingan min faktor gred sekolah (gred A dan gred B) dengan tahap efikasi guru.
Group Statistics
Efikasi Guru
Gred Sekolah
Gred A
Gred B
Mean
3,632813
3,750644
344
97
Std. Deviation
,4810033
,4533490
Std. Error
Mean
,0259340
,0460306

Levene's Test for
F
Efikasi GuruEqual variances
,560
assumed
Equal variances
not assumed
Sig.
,455
t
-2,157
df
95% Confidence
Interval of the
Difference
Mean Std. Error
439
,032 -,117832 ,0546177-,2251765-,0104872
-2,230 162,049
,027 -,117832 ,0528336-,2221629-,0135008
Bagi ujian yang pertama ini, kita dapati nilai Sig bagi ujian Levene ialah 0.445. Nilai ini
lebih besar daripada 0.05. Ini bermaksud varian bagi kedua-dua kumpulan ini adalah sama. Jika
varian sama, maka dua kumpulan min ini iaitu sekolah gred A dan sekolah gred B berada dalam
populasi yang sama. Oleh itu ujian-t boleh dilakukan.
Didapati min efikasi bagi guru-guru di sekolah gred A ialah 3.63 manakala min efikasi
guru-guru di sekolah gred B ialah 3.75. Nilai Sig yang diperolehi ialah 0.032, iaitu lebih kecil
daripada nilai 0.05. Maka kita boleh buat kesimpulan bahawa terdapat perbezaan yang signifikan
antara tahap efikasi guru sekolah gred A dan guru sekolah gred B. Guru sekolah gred B mempunyai
tahap efikasi yang lebih tinggi berbanding guru sekolah gred A.
Untuk membuat pelaporan dalam dapatan kajian, jadual output ini diringkaskan seperti
berikut;
JADUAL 9.7 : Ujian-t faktor jantina dengan efikasi
Gred
Gred A
Gred B
*p<0.05
N
344
97
min
3.63
3.75
sp
0.48
0.45
dk
439
t
-2.16
sig
0.03*
*sp adalah sisihan piawai (standard deviation) dan dk adalah darjah kebebasan (degre of freedom)
124
Bab 9 : Ujian-T
b)
guru.
Perbandingan min faktor lokasi sekolah (bandar dan luar bandar) dengan tahap efikasi
Group Statistics
Efikasi Guru
Lokasi Sekolah
Bandar
Luar Bandar
N
176
265
Mean
3,665128
3,654481
Std. Deviation
,4804306
,4756754
Std. Error
Mean
,0362138
,0292205

Levene's Test for
F
Efikasi GuruEqual variances
assumed
Equal variances
not assumed
,068
Sig.
,794
t
,229
df
Mean
Std. Error
Sig. (2-tailed) Difference Difference
95% Confidence
Interval of the
Difference
Lower
Upper
439
,819
,010647 ,0464390-,0806237 ,1019172
,229 372,412
,819
,010647 ,0465326-,0808528 ,1021462
Bagi ujian yang kedua ini, kita dapati nilai Sig bagi ujian Levene ialah 0.794. Nilai ini lebih
besar daripada 0.05. Ini bermaksud varian bagi kedua-dua kumpulan bandar dan luar bandar
adalah sama. Jika varian sama, maka dua kumpulan min ini berada dalam populasi yang sama.
Oleh itu ujian-t boleh dilakukan.
Apabila diuji menggunakan ujian-t, didapati nilai Sig yang diperolehi ialah 0.819. Nilai ini
lebih besar berbanding nilai 0.05. Jika nilai Sig lebih besar daripada 0.05, itu bermaksud nilai min
antara dua kumpulan yang diuji adalah sama atau tidak terdapat perbezaan. Oleh itu kita boleh
buat rumusa bahawa tidak terdapat perbezaan efikasi antara guru-guru di sekolah bandar dan luar
bandar. Dalam pelaporan, jadual seperti di bawah digunakan.
JADUAL 9.8 : Ujian-t faktor lokasi dengan efikasi

Lokasi
Bandar
Luar Bandar
p>0.05
N
176
265
min
3.67
3.65
sp
0.48
0.48
dk
439
t
0.23
sig
0.82
125
Bab 9 : Ujian-T
c)
Perbandingan min faktor jantina guru (lelaki dan perempuan) dengan tahap efikasi
Group Statistics
Efikasi Guru
Jantina Responden
Lelaki
Perempuan
Mean
3,659495
3,658188
183
258
Std. Deviation
,4678278
,4844094
Std. Error
Mean
,0345828
,0301580

Levene's Test for
F
Efikasi Guru
Equal variances
,537
assumed
Equal variances
not assumed
Sig.
,464
df
,028
95% Confidence
Interval of the
Difference
Mean Std. Error
439
,977 ,001307 ,0461586-,0894128,0920259
,028 400,175
,977 ,001307 ,0458855-,0889002,0915133
Nilai Sig bagi ujian Levene untuk pengujian yang ketiga ini ialah 0.46. Oleh itu boleh
dirumuskan bahawa kedua-dua kumpulan jantina lelaki dan perempuan yang akan dibandingkan
berada dalam populasi yang sama. Oleh itu ujian-t boleh dijalankan.
Ujian-t yang dijalankan menunjukkan nilai Sig ialah 0.977. Nilai ini lebih besar berbanding
nilai 0.05. Oleh itu boleh dirumuskan bahawa tidak terdapat perbezaan yang signifikan antara min
efikasi guru lelaki dan min efikasi guru perempuan. Jadual dalam pelaporan adalah seperti di
bawah
JADUAL 9.9 : Ujian-t faktor jantina dengan efikasi
Jantina
Lelaki
Perempuan
p>0.05
d)
N
183
258
min
3.66
3.66
sp
0.47
0.48
dk
439
t
0.03
sig
0.98
Perbandingan min faktor jantina pengetua (lelaki dan perempuan) dengan tahap efikasi
Group Statistics
Efikasi Guru
Jantina Pengetua
Lelaki
Perempuan
N
236
205
Mean
3,656250
3,661585
Std. Deviation
,4511547
,5063505
Std. Error
Mean
,0293677
,0353651
126
Bab 9 : Ujian-T

Levene's Test for
F
Efikasi Guru
Equal variances
1,517
assumed
Equal variances
not assumed
Sig.
,219
95% Confidence
Interval of the
Mean Std. Error Difference
df Sig. (2-tailed)
Difference
Difference Lower Upper
t
-,117
439
,907 -,005335,0455983
-,0949535,0842827
-,116412,203
,908 -,005335,0459690
-,0956982,0850275
Contoh dapatan untuk perbandingan efikasi guru mengikut faktor jantina pengetua juga
adalah sama. Cara membuat interpretasi dan membuat jadual pelaporan adalah sama seperti kes
(b) dan (c) di atas.
Semua contoh yang ditunjukkan di atas adalah melibatkan ujian-t bagi sampel bebas
(independent sample). Selain ujian-t sampel bebas, perbandingan min melalui ujian-t sampel
berpasangan (paired sample) juga boleh dilakukan. Ujian-t berpasangan dijalankan untuk
membandingkan dua min daripada dua kumpulan terhadap pembolehubah yang tak bersandar.
Dalam kajian efikasi guru tersebut, kita boleh membuat perbandingan antara min efikasi kendiri
dan min efikasi mengajar. Jadul output di bawah menunjukkan perbandingan antara dua min
tersebut.
Paired Samples Statistics
Pair
1
Efikasi Kendiri
Efikasi Mengajar
Mean
3,806752
3,468416
N
441
441
Std. Deviation
,5534559
,7242389
Std. Error
Mean
,0263550
,0344876
Paired Samples Test

Paired Differences
Mean
Pair
1
Efikasi Kendiri Efikasi Mengajar
,338336
Std. Deviation
Std. Error
Mean
95% Confidence
Interval of the
Difference
Lower
Upper
,8413233
,0400630
,259598
,417075
t
8,445
df
Sig. (2-tailed)
440
,000
127
Bab 9 : Ujian-T
Jadual output yang dihasilkan menunjukkan min bagi pembolehubah efikasi kendiri ialah
3.81, manakala min bagi pembolehubah efikasi mengajar ialah 3.47. Nilai t yang diperolehi ialah
8.445 dan nilai Sig pula 0.00. Nilai ini lebih kecil daripada 0.01, oleh itu terdapat perbezaan yang
signifikan antara kedua-dua min yang diuji pada paras keyakinan 99 peratus. Maka boleh dibuat
kesimpulan bahawa efikasi kendiri mengajar adalah lebih tinggi berbanding efikasi mengajar.
Jadual untuk pelaporan adalah seperti berikut;
JADUAL 9.10 : Perbandingan Min Efikasi Mengajar dan Efikasi Kendiri
Pembolehubah
Efikasi Kendiri
Efikasi mengajar
**p<0.01
N
441
441
min
3.81
3.47
sp
0.55
0.72
dk
440
t
8.445
sig
0.00**
Kajian yang dijadikan contoh perbincangan ini hanya melibatkan kajian untuk mengukur
tahap efikasi guru-guru di negeri Terengganu. Instrumen yang digunakan ialah Teaching Eficacy
Scale (TES) yang dibina oleh Gibson dan Dembo (1984). Sekiranya kajian menggunakan instrumen
yang sama pernah dilakukakan diperingkat kebangsaan, kita boleh membuat ujian untuk
membandingkan min efikasi guru-guru Terengganu dengan min efikasi guru-guru peringkat
kebangsaan. Perbandingan ini kita kenali sebagai ujian-t satu sample (one sample t test). Ujian-t
satu sampel digunakan untuk membanding sesuatu kumpulan min dengan min lain atau min
populasi yang diketahui nilainya. Dalam kes ini katakan kita tahu min efikasi guru-guru peringkat
kebangsaan ialah 3.37.
Untuk membuat ujian-t satu sampel, ikuti langkah-langkah seperti yang diterang sebelum ini.
Jadual di bawah menunjukkan contoh output yang dihasilkan.
N
Efikasi Guru
Mean
3,658730
441
Std. Deviation
,4770622
Std. Error
Mean
,0227172
One-Sample Test
Test Value = 3.37
Efikasi Guru
t
12,710
df
440
Sig. (2-tailed)
,000
Mean
Difference
,288730
95% Confidence
Interval of the
Difference
Lower
Upper
,244082
,333378
128
Bab 9 : Ujian-T
Jadual output yang dihasilkan menunjukkan min guru-guru Terengganu ialah 3.67 manakala min
efikasi guru-guru peringkat kebangsaan yang diuji ialah 3.37. perbezaan min ialah 0.29. Nilai Sig
yang diperolehi ialah 0.00 iaitu lebih kecil berbanding 0.01. Ujian menunjukkan terdapat
perbezaan yang signifikan antara min efikasi guru Terengganu berbanding min efikasi guru
Kebangsaan pada paras keyakinan 99 peratus. Maka dapat dirumuskan bahawa tahap efikasi guruguru Terengganu lebih tinggi berbanding tahap efikasi guru-guru peringkat kebangsaan (ini hanya
ilustrasi sahaja).
Jadual untuk pelaporan boleh dibina seperti di bawah;
JADUAL 9.11 : Perbandingan Min Efikasi Terengganu dan Kebangsaan

Nilai Diuji (Efikasi Guru Kebangsaan) = 3.37
Efikasi Guru
**P<0.01
N
441
min
3.66
sp
0.48
dk
440
t
Sig. (2-tailed)
12,710
,000**
129
Bab 10: ANOVA
BAB 10
ANOVA
Dalam satu bengkel penyelidikan, sekumpulan guru sedang sibuk menganalisis data kajian.
Kumpulan guru ini adalah pasukan petugas penyelidikan pendidikan peringkat daerah. Di bawah
program penyelidikan Jabatan pelajaran Terengganu, setiap daerah akan membentuk satu
pasukan petugas penyelidikan yang terdiri daripada lima orang guru sekolah dan dua orang
pegawai Pejabat Pelajaran Daerah. Setiap tahun mereka akan mengendalikan sekurang-kurangnya
satu penyelidikan konvensional untuk diterbitkan dalam Jurnal Penyelidikan Pendidikan
Terengganu. Saya adalah salah seorang editor jurnal tersebut.
Riuh rendah kumpulan guru ini berbincang tentang data yang sedang dianalisis. Keadaan
jadi riuh apabila mereka berbincang hendak guna statistik yang mana, kenapa, macam mana nak
analisis guna SPSS, macam mana nak baca dan lain-lain. Macam-macam pengalaman dikumpulkan
sepanjang lima tahun mengendalikan pasukan-pasukan penyelidikan ini. Sebahagiannya menjadi
nostalgia yang sangat bermakna dalam kehidupan.
Salah satu topik hangat yang sedang dibincangkan oleh kumpulan ini ialah tentang
ANOVA. Mereka sedang berbalah kenapa nak guna ANOVA, bagaimana nak guna, nak baca
macam mana dan sebagainya.
Sambil berjalan-jalan, saya menghampiri kumpulan ini. Dengan selamba, bersahaja dan
tidak bermaksud apa-apa saya bertanya mereka, ANOVA tu apa? Mereka semua tercengangcengang dan tidak dapat menjawab soalan saya. Salah seorang membuat lawak sambil berkata,
kereta kut (merujuk kepada kenderaan MPV Toyota Inova).
Saya ceritakan pengalaman ini sebagai penegasan bahawa ramai pelajar dan penyelidik
permulaan yang masih tidak tahu maksud ANOVA. Kebanyakan mereka menyebut ANOVA kerana
mendengar orang menyebut. Kebanyakan mereka menggunakan ANOVA untuk analisis data
kerana orang sebelumnya telah guna. Ramai juga guru dan pelajar yang membaca kajian-kajian
yang lepas. Apabila mereka jumpa kajian yang menggunakan ANOVA untuk analisis data, dalam
masa yang sama kajian tersebut hampir sama dengan kajian yang sedang mereka kendalikan,
mereka turut guna ANOVA untuk analisis data kajian mereka. Padahal mereka tidak tahu pun
maksud ANOVA, apatah lagi fungsi penggunaannya.
ANOVA adalah analisis varians (analysis of variance). ANOVA dijalankan untuk menguji
dan membandingkan sama ada terdapat perbezaan yang signifikan bagi satu faktor yang
mempunyai lebih dua min. Contoh-contoh situasi yang boleh diuji menggunakan ujian ANOVA
seperti;
i)
Untuk menguji adakah terdapat perbezaan yang signifikan antara tahap motivasi guru
mengikut faktor bidang pengajaran iaitu bahasa, sains & matematik, kemanusian dan
votek.
ii) Untuk melihat adakah terdapat perbezaan yang signifikan antara pencapaian peperiksaan
mengikut faktor bangsa iaitu Melayu, China dan India.
iii) Untuk melihat adakah terdapat perbezaan yang signifikan antara tahap kepemimpinan
pengetua mengikut kumpulan umur tertentu. Kumpulan umur tersebut mestilah ada tiga
atau lebih kategori.
130
Bab 10: ANOVA

Syarat-syarat untuk membolehkan pengujian menggunakan ANOVA dilakukan adalah seperti
berikut;
i)
Mesti ada tiga atau lebih min daripada satu faktor yang hendak diuji. Contohnya min
bahasa, min sains & matematik, min kemanusian dan min votek bagi faktor bidang
pengajaran. Contoh lain seperti min Melayu, min China dan min India bagi faktor bangsa.
ii) Min yang hendak diuji sekurang-kurangnya berada pada skala sela contohnya markah
iii) Taburan data adalah normal.
iv) Data mempunyai varians yang sama. Ini untuk mengesahkan bahawa semua kumpulan
yang dibandingkan berasal daripada populasi yang sama.
Jika pengujian menggunakan ujian-t tidak dapat lari daripada Levene Test, Ujian ANOVA juga perlu
dibuat ujian Levene untuk mengesahkan sama ada kumpulan-kumpulan yang dibandingkan
tersebut berada dalam populasi yang sama atau tidak. Selain Ujian Levene, pengujian
menggunakan ANOVA juga perlu disusuli dengan Post Hoc Test.
Ujian ANOVA hanya memberi maklumat sama ada terdapat perbezaan yang signifikan
atau tidak terdapat perbezaan yang signifikan antara kumpulan min yang dibandingkan. Sekiranya
terdapat perbezaan, ANOVA tidak memaklumkan min kumpulan yang mana lebih tinggi dan min
kumpulan mana yang lebih rendah. Untuk menentukan min kumpulan mana lebih tinggi dan
rendah ujian Post Hoc perlu dijalan. Item statistik yang biasa digunakan untuk membuat ujian Post
Hoc ialah Tukey HSD.
Walaupun dikatakan ujian Post Hoc perlu dijalankan selepas ujian ANOVA dilakukan,
namun dua proses tersebut boleh dijalankan serentak menggunakan perisian SPSS. Penyelidik
hanya perlu klik sahaja pada ujian Post Hoc sebelum membuat analisis menggunakan ANOVA. Jika
pengujian menggunakan ANOVA menunjukkan terdapat perbezaan yang signifikan, maka hasil
ujian Post Hoc akan digunakan. Jika ujian ANOVA tidak menunjukkan perbezaan yang signifikan,
abaikan sahaja ujian Post Hoc. Begitu juga dengan ujian Levene. Walaupun dikatakan perlu
dijalankan sebelum membuat pengujian menggunakan ujian ANOVA, namun kedua-duanya boleh
dilakukan serentak.
Konsep Hala Dalam ANOVA

Sebagaimana yang dibincangkan sebelum ini, ANOVA dijalankan untuk menguji perbandingan satu
faktor yang mempunyai lebih daripada dua min. Namun analisis varians mempunyai konsep hala.
Di bawah ini diterangkan dengan ringkas ANOVA sehala, ANOVA dua hala dan ANOVA tiga hala.
a)
ANOVA Sehala
ANOVA sehala merujuk kepada perbandingan min yang dilakukan terhadap satu faktor yang
mempunyai lebih dua min. Contohnya penyelidik ingin membuat perbandingan markah
peperiksaan murid dengan faktor bangsa yang mempunyai tiga min iaitu Melayu, Cina dan India.
Faktor bangsa ini dipanggil pembolehubah bebas. Bagi analisis varians yang hanya
membandingkan min untuk satu pembolehubah bebas dipanggil ANOVA sehala.
131
Bab 10: ANOVA

b)
ANOVA Dua Hala
ANOVA dua hala merujuk kepada perbandingan min yang dilakukan terhadap dua pembolehubah
bebas. Contohnya penyelidik ingin membuat perbandingan markah peperiksaan murid dengan
faktor bangsa yang mempunyai tiga min iaitu Melayu, Cina dan India. Dalam masa yang sama,
penyelidik juga berminat untuk membandingkan min jantina iaitu lelaki dan perempuan bagi
setiap bangsa tersebut. Dalam kes ini kita ada dua pembolehubah bebas iaitu bangsa dan jantina.
Ujian varians yang melibatkan dua pembolehubah bebas dikenali sebagai ANOVA dua hala.
Sebilangan ahli akademik menamakan kajian ini sebagai kajian dua faktorial atau kadang-kadang
ditulis kajian dengan rekabentuk faktorial 2X3 (2 merujuk kepada pembolehubah jantina yang
mempunyai dua min iaitu lelaki dan perempuan, 3 merujuk kepada pembolehubah bangsa yang
mempunyai tiga min iaitu Melayu, Cina dan India)
c)
ANOVA Tiga Hala
ANOVA tiga hala ialah ujian varians yang melibatkan tiga pembolehubah bebas. Dalam kes di atas,
kita tambah lagi satu pembolehubah bebas iaitu tempat tinggal yang mempunyai dua min iaitu
bandar dan luar bandar. Kajian ini juga dipanggil kajian dua faktorial atau disebut rekabentuk
faktorila 2X2X3.
Contoh:
Jadual berikut menunjukkan gred kumulatif (CGPA) murid tingkatan 4 dalam peperiksaan akhir
tahun. Turut disertakan maklumat bangsa dan taraf pendidikan penjaga setiap murid.
JADUAL 10.1 : Gred Purata Murid Mengikut Bangsa dan

Pendidikan penjaga
Murid
Bangsa
Pendidikan Penjaga
CGPA
3,2
3,8
3,7
2,1
3,4
1,8
3,6
3,9
3,6
10
2,5
11
12
2,4
13
3,2
14
1,9
15
2,1
16
17
1,2
132
Bab 10: ANOVA

Murid
Bangsa
Pendidikan Penjaga
CGPA
18
1,8
19
20
1,9
21
3,8
22
3,7
23
24
3,8
25
3,6
26
1,3
27
3,7
28
3,4
29
1,8
30
1,2
Bangsa
Pendidikan Penjaga
:
:
1-Melayu, 2-Cina, 3-India

1-Sekolah, 2-Sijil, 3-Diploma, 4-Ijazah
Daripada data yang ada, kita boleh membuat ujian ANOVA sehala untuk membuat perbandingan
antara gred purata yang diperolehi oleh murid dengan faktor bangsa dan jantina. Proses
pengiraan ANOVA secara manual adalah rumit dan panjang. Saya tidak berminat untuk
menunjukkan cara pengiraan tersebut dalam buku kecil ini. Saya hanya akan menunjukkan cara
untuk membuat ANOVA menggunakan SPSS sahaja.
a)
Perbandingan CGPA mengikut faktor bangsa
Kita boleh membuat ujian ANOVA untuk membandingkan gred purata murid dengan faktor
bangsa dengan mengikut langkah-langkah berikut;
i)
butang Analyze. Klik butang Compare Mean seterusnya klik One-Way ANOVA.
133
Bab 10: ANOVA
ii) Hamparan baru akan keluar. Klik pembolehubah CGPA, tekan butang untuk masukkan
pembolehubah dalam kotak Dependent List.Klik pembolehubah Bangsa dan tekan butang
untuk masukkan dalam kotak Factor.
134
Bab 10: ANOVA

iii) Klik butang Post Hoc
iv) Tandakan pada kotak Tukey. Masukkan nilai 0.01 atau 0.05 dalam kotak Significance
Level . Tekan butang Continue
135
Bab 10: ANOVA

v) Tekan butang OK
Jadual output yang akan dihasilkan adalah seperti berikut;
ANOVA
Gred Purata
Sum of Squares
Between Groups
df
Mean Square
1.955
.977
Within Groups
25.020
27
.927
Total
26.975
29
F
1.055
Sig.
.362
136
Bab 10: ANOVA

Multiple Comparisons
Gred Purata
Tukey HSD
(I) Bangsa
(J) Bangsa
95% Confidence Interval
Mean
Difference (I-J) Std. Error
Melayu
Sig.
Lower Bound
Upper Bound
Cina
.3800
.4305
.656
-.687
1.447
India
-.2400
.4305
.844
-1.307
.827
Melayu
-.3800
.4305
.656
-1.447
.687
India
-.6200
.4305
.335
-1.687
.447
Melayu
.2400
.4305
.844
-.827
1.307
Cina
.6200
.4305
.335
-.447
1.687
dimension3
Cina
dimension2
dimension3
India
dimension3
Didapati nilai F=1.055 dan nilai Sig=0.362. Oleh kerana nilai Sig > 0.05, maka kita boleh buat
rumusan bahawa tidak terdapat perbezaan yang signifikan antara gred purata (CGPA) murid
dengan faktor bangsa. Maksudnya tidak terdapat perbezaan prestasi antara murid berbangsa
Melayu, Cina dan India. Oleh kerana nilai F menunjukkan tiada perbezaan, maka kita boleh
abaikan jadual Post Hoc yang kedua itu. Jadual Post Hoc hanya diperhatikan apabila terdapat
perbezaan antara kumpulan min yang dibandingkan.
b)
Perbandingan CGPA mengikut faktor taraf pendidikan penjaga.
Taraf pendidikan penjaga mempunyai empat min iaitu sekolah menengah, sijil, diploma dan ijazah.
Jumlah min yang hendak dibandingkan melebihi dua. Oleh itu ANOVA boleh dijalankan.
Langkah untuk membuat ujian ANOVA dalam kes ini adalah sama dengan yang sebelumnya.
Bezanya hanya ganti pembolehubah bangsa dengan taraf pendidikan penjaga pada langkah ke v.
Output yang akan dihasilkan adalah seperti berikut;
ANOVA
Gred Purata
Sum of Squares
Between Groups
Within Groups
Total
df
Mean Square
25.094
8.365
1.880
26
.072
26.975
29
F
115.664
Sig.
.000
137
Bab 10: ANOVA

Dependent Variable: Gred Purata
Tukey HSD
Mean
Difference
(I) Pendidikan Penjaga(J) Pendidikan Penjaga (I-J)
Std. Error
Sekolah
Sijil
-,400*
,1437
Diploma
-1,786*
,1437
Ijazah
-2,154*
,1355
Sijil
Sekolah
,400*
,1437
Diploma
-1,386*
,1437
Ijazah
-1,754*
,1355
Diploma
Sekolah
1,786*
,1437
Sijil
1,386*
,1437
Ijazah
-,368
,1355
Ijazah
Sekolah
2,154*
,1355
Sijil
1,754*
,1355
Diploma
,368
,1355

Sig.
Lower Bound Upper Bound
,046
-,794
-,006
,000
-2,180
-1,391
,000
-2,526
-1,782
,046
,006
,794
,000
-1,780
-,991
,000
-2,126
-1,382
,000
1,391
2,180
,000
,991
1,780
,053
-,740
,004
,000
1,782
2,526
,000
1,382
2,126
,053
-,004
,740
*. The mean difference is significant at the .05 level.
Jadual output yang dihasilkan menunjukkan F=115.664 dan nila Sig=0.00. Oleh kerana nilai Sig <
0.05, maka kita boleh membuat rumusan bahawa terdapat perbezaan yang signifikan CGPA murid
mengikut faktor taraf pendidikan penjaga.
Untuk menentukan taraf pendidikan penjaga yang mana lebih tinggi dan rendah, jadual Tukey
diperhatikan. Dua aspek yang perlu diperhatikan ialah beza min (mean difference, I-J) dan nilai Sig.
Apabila nilai mean differnce positif dan nilai Sig < 0.05, kita boleh rumuskan min yang mewakili I
(yang berada paling kiri) lebih tinggi berbanding min yang mewakili J. Dalam kes di atas kita dapati
terdapat CGPA murid yang penjaganya lulusan sijil lebih tinggi berbanding murid yang penjaganya
lepasan sekolah (beza min=0.4, sig=0.46), diploma lebih tinggi berbanding sijil (beza min=1.386,
sig=0.00). Selain dua perbandingan tersebut, ujian Tukey itu juga menunjukkan terdapat
perbezaan antara CGPA murid daripada penjaga yang lebih tinggi taraf akademiknya dengan
murid yang penjaganya mempunyai taraf akademik yang lebih rendah. Hanya Ijazah dan diploma
yang tidak menunjukkan perbezaan yang signifikan.
Dalam contoh soal selidik efikasi guru yang diberi dalam lampiran, analisis ANOVA boleh
dilakukan untuk melihat sama ada terdapat atau tidak terdapat perbezaan antara tahap efikasi
guru dengan faktor bidang pengajaran. Situasi ini membolehkan ANOVA dilakukan kerana syarat
untuk membolehkan ANOVA telah dipenuhi. Dalam kes ini faktor bidang pengajaran mempunyai
empat min iaitu bidang bahasa, bidang kemanusiaan, bidang votek dan bidang sains & matematik.
ANOVA boleh dilakukan apabila mempunyai satu faktor dan lebih daripada dua min.
Selain itu, pembolehubah efikasi guru yang hendak diuji juga berada pada skala sela,
sekaligus mencukupkan syarat kedua untuk membolehkan analisis ANOVA dijalankan. Langkah
untuk membuat analisa ANOVA menggunakan SPSS adalah sama seperti yang ditunjukkan
sebelumya. Berikut adalah contoh output ANOVA yang dihasilkan daripada penyelidikan sebenar
tentang efikasi guru.
138
Bab 10: ANOVA

ANOVA
Efikasi Guru
Sum of
Squares
Between Groups 1,853
Within Groups
98,286
Total
100,139
df
3
437
440
Mean Square
,618
,225
F
2,746
Sig.
,043
Dependent Variable: Efikasi Guru
Tukey HSD
(I) Bidang Pengajaran

Bahasa
Sains & Matematik
Kemanusiaan
(J) Bidang Pengajaran

Sains & Matematik
Kemanusiaan
Bahasa
Kemanusiaan
Bahasa
Sains & Matematik
Kemanusiaan
Bahasa
Sains & Matematik
Mean
Difference
(I-J)
-,061383
,101384
-,065713
,061383
,162767
-,004329
-,101384
-,162767
-,167097
,065713
,004329
,167097
Std. Error
,0631186
,0683486
,0640398
,0631186
,0648213
,0602609
,0683486
,0648213
,0657187
,0640398
,0602609
,0657187
Sig.
,765
,448
,734
,765
,060
1,000
,448
,060
,055
,734
1,000
,055

-,224163
,101396
-,074883
,277651
-,230868
,099442
-,101396
,224163
-,004403
,329938
-,159739
,151080
-,277651
,074883
-,329938
,004403
-,336582
,002388
-,099442
,230868
-,151080
,159739
-,002388
,336582
Jadual ANOVA yang pertama di atas menunjukkan terdapat perbezaan yang signifikan antara
tahap efikasi guru dengan faktor bidang pengajaran. Maksudnya tahap efikasi guru adalah
berbeza mengikut bidang pengajaran yang berlainan. Untuk menentukan sama ada terdapat
perbezaan atau tidak, kita perlu melihat nilai Sig. Jika nilai Sig sama atau lebih kecil 0.05, maka
terdapat perbezaan yang signifikan. Jika nilai Sig lebih kecil 0.05, perbezaan tersebut berada
paras keertian 0.05 atau paras keyakinan 95 peratus. Jika nilai Sig lebih kecil 0.01, perbezaan
tersebut berada pada paras keertian 0.01 atau paras keyakinan 99 peratus. Jika nilai Sig lebih
besar 0.05, maka boleh disimpulkan tidak wujud perbezaan.
Seperti yang telah dibincang sebelum ini, ujian ANOVA hanya sekadar memberi maklumat
sama ada wujud atau tidak wujud perbezaan antara min faktor yang diuji. Jika analisis
menunjukkan wujud perbezaan, ANOVA masih tidak menunjukkan min mana yang lebih tinggi
dan min mana yang lebih rendah. Untuk menentukan min mana yang lebih tinggi, kita mesti
merujuk kepada jadual Post Hoc yang kedua itu.
Jadual Post Hoc di atas menunjukkan bahawa tahap efikasi guru-guru di bawah bidang
kemanusiaan lebih tinggi berbanding tahap efikasi guru-guru bidang vokasional dan teknologi.
Untuk membuat rumusan ini, penyelidik perlu memberi perhatian terhadap dua perkara
utama iaitu Mean Difference (I-J) dan nilai Sig. Nilai Mean Difference (I-J) akan memberitahu
kita min mana yang lebih tinggi. Manakala nilai Sig akan memberitahu kita sama ada
139
Bab 10: ANOVA

perbezaan tersebut signifikan atau tidak. Dalam kes ini, nilai Sig bagi perbezaan min efikasi
guru bidang kemanusiaan dan guru votek ialah 0.055 yang boleh dibundar kepada 0.05. Oleh
kerana nilai Sig ini sama atau lebih kecil 0.05, maka kita boleh simpulkan terdapat perbezaan
yang signifikan pada paras keyakinan 95 peratus.
Walaupun kita boleh membuat kesimpulan bahawa terdapat perbezaan yang signifikan
antara tahap efikasi guru mengikut bidang pengajaran, namun dalam kes di atas kita terdedah
untuk melakukan ralat jenis 1. Keadaan ini berlaku kerana bilangan sampel bagi setiap bidang
pengajaran adalah tidak sama. Sekiranya situasi ini berlaku, ujian Post Hoc yang kita lakukan
semasa membuat analisa ANOVA akan mengeluarkan jadual yang menunjukkan keadaan ini.
Dalam kes ini, bilangan sampel bagi guru-guru bidang kemanusiaan adalah 120 orang
manakala guru dalam bidang vokasional dan teknologi hanya seramai 92 orang. Dalam
perbincangan yang lebih tinggi, situasi ini memerlukan kita mengambil kira satu istilah yang
dipanggil Harmonic Mean Sampel Size.
Bagi tujuan pelaporan, jadual ANOVA boleh dipersembahkan seperti berikut;
JADUAL 10.2: Contoh Pelaporan ANOVA

Sumber
Antara
kumpulan
Dalam
Kumpulan
Jumlah
*p < 650.05
Jumlah Kuasa
Dua
1,853
Min Kuasa Dua
dk
Sig.
0.62
2,746
*0.04
98,286
0.22
437
100,139
440
140
Bab 11: Regresi Linear
BAB 11
REGRESI LINEAR
Analisis regresi dijalankan untuk melihat kesan atau pengaruh sesuatu pembolehubah tak
bersandar (independent variable) terhadap pembolehubah bersandar (dependent
variable). Terdapat dua jenis regresi iaitu regresi linear mudah dan regresi linear
berganda. Regresi linear mudah merujuk kepada kajian untuk melihat kesan satu
pembolehubah tak bersandar kepada pembolehubah bersandar yang lain contohnya
untuk meneliti kesan taraf akademik penjaga terhadap gred purata yang dicapai oleh
murid sekolah. Regresi linera berganda pula ialah kajian untuk melihat beberapa kesan
pembolehubah tak bersandar terhadap sesuatu pembolehubah bersandar, contohnya
ingin melihat kesan taraf akademik penjaga dan jumlah masa belajar terhadap
pencapaian gred purata murid.
Kajian regresi juga disebut sebagai kajian peramal. Penyelidik menggunakan
analisis regresi untuk meramal sesuatu pembolehubah bersandar menggunakan sesuatu
nilai pada pembolehubah tak bersandar. Sebagai contoh, penyelidik boleh meramal gred
purata yang akan diperolehi oleh seseorang murid apabila taraf pendidikan penjaga dan
jumlah masa belajar seseorang murid tersebut diketahui. Ramalan ini boleh dibuat
setelah analisis regresi menunjukkan taraf akademik penjaga dan jumlah masa belajar
mempunyai pertalian dan sumbangan kepada pencapaian gred purata murid.
Regresi Linear Mudah
Jadual di bawah menunjukkan markah matematik bagi 15 murid serta jumlah masa
mereka membuat latih tubi setiap hari.
JADUAL 11.1 : Markah Matematik mengikut Jumlah Masa Latihan
Murid
masa latihan (jam), x
Markah Matematik,y
1.0
30
1.2
35
2.5
60
2.0
55
3.0
75
3.5
80
2.5
65
1.5
40
4.0
90
10
3.5
85
11
4.0
91
12
1.0
23
13
1.5
34
14
5.0
98
15
0.5
17
141
Dalam kes ini, jumlah masa membuat latih tubi bertindak sebagai pembolehubah tak
bersandar manakala markah matematik pembolehubah bersandar. Kita boleh
menentukan pengaruh jumlah masa latihan terhadap pencapaian matematik jika
memenuhi syarat-syarat berikut;
i)
ii)
iii)
Mesti ada hubungan antara masa latihan dan markah matematik (logik dan
emperikal)
Pembolehubah tak bersandar, x datang dahulu sebelum pembolehubah
bersandar, y.
Tidak ada pembolehubah luaran yang mempengaruhi sama ada x, atau y,
atau hubungan antara x dan y.
Kita boleh menentukan anggaran markah matematik dengan menggunakan formula

berikut;
Y
Di mana,
y x
dan

Untuk membina persamaan ramalan tersebut, kita boleh menyediakan jadual seperti di
bawah;
JADUAL 11.2 : Markah Matematik dan Masa Latihan Murid
Murid
Latihan, x
Markah,
x2
xy
30
30
1,2
35
1,44
42
2,5
60
6,25
150
55
110
75
225
3,5
80
12,25
280
2,5
65
6,25
162,5
1,5
40
2,25
60
90
16
360
10
3,5
85
12,25
297,5
11
91
16
364
142

x2
xy
23
23
34
2,25
51
98
25
490
17
0,25
8,5
=878
115,19
2653,5
Latihan, x
Markah,
12
13
1,5
14
15
0,5
=36,7
Murid
x =2,45
=58,53
Daripada jadual tersebut, kita boleh kira nilai b,

Dan nilai a,

y x

Akhirnya kita boleh membuat persamaan anggaran untuk markah matematik , Y

berasaskan jumlah masa membuat latih tubi, x;

Y
Y
Katakan seorang murid lain membuat latih tubi selama 4.2 jam sehari. Maka markah
matematik yang bakal diperolehi ialah,
Y
143
Di mana x = 4.2, maka
Y
Y
Katakan seorang murid lain pula hanya membuat latih tubi

matematik yang akan diperolehi oleh beliau,
0.2 jam sehari, maka markah
Y

Daripada persamaan anggaran yang telah dibina, kita boleh membuat ramalan sumbangan
pembolehubah tak bersandar terhadap pembolehubah bersandar. Dalam kes ini kita boleh
membuat ramalan peratusan sumbangan jumlah masa membuat latih tubi terhadap markah
matematik murid. Ramalan ini dibuat dengan menggunakan formula,
!"#$ %&! ' (
)(*+*,*-./+0
)(*+*+./1(12
Y y

(
y

Untuk menyelesaikan persamaan persamaan pekali penentuan tersebut, jadual taburan
variasi seperti berikut disediakan.
JADUAL 11.3: Taburan Variasi Dijelaskan dan Variasi Seluruh
Anggaran Markah,
(y- y )2
Murid
Latihan, x
Markah, y
30
29,68
813,96
1,2
35
33,66
553,66
2,5
60
59,53
2,16
55
49,58
12,46
75
69,48
271,26
( Y - y )2
832,32
618,52
1,00
80,10
119,90
144
JADUAL 11.3: Sambungan

Anggaran Markah,
(y-
)2
Murid
Latihan, x
Markah, y
3,5
80
79,43
460,96
2,5
65
59,53
41,86
1,5
40
39,63
343,36
90
89,38
990,36
10
3,5
85
79,43
700,66
11
91
89,38
1054,30
12
23
29,68
1262,38
13
1,5
34
39,63
601,72
14
98
109,28
1557,88
15
0,5
17
19,73
1724,74
=36,7
=878
=10391,73
( Y -
)2
436,81
1,00
357,21
951,72
436,81
951,72
832,32
357,21
2575,56
1505,44
=10057,65
Daripada jadual di atas, kita boleh tentukan pekali penentuan,

'
(
'

3
Daripada pengiraan pekali penentuan ini, kita boleh membuat kesimpulan bahawa 96.78% variasi
pada markah matematik murid disumbangkan oleh jumlah masa murid membuat latih tubi.
Dalam penyelidikan lapangan, kita boleh membuat pengiraan regresi linear mudah ini dengan
mengikuti langkah-langkah berikut;
i)
Buka fail yang telah dimasukkan data pada helaian Data View atau Variable
View. Klik butang Analyze. Klik Regression seterusnya klik Linear.
145
ii) Hamparan baru akan keluar. Klik pembolehubah Markah Matematik, tekan
butang untuk masukkan pembolehubah dalam kotak Dependent. Klik
pembolehubah Jumlah Masa Latihan dan tekan butang untuk masukkan dalam
kotak Independent(s)
146
iii) Klik butang OK
Jadual output berikut akan dikeluarkan.

Variables Entered/Removedb
Model
1
Variables
Entered
Jumlah
Masa a
Latihan
Variables
Removed
Method
,
Enter
a. All requested variables entered.

b. Dependent Variable: Markah Matematik
Seperti yang dibincangkan sebelum ini, regresi adalah satu model untuk penyelidik membuat
ramalan atau jangkaan terhadap sesuatu pembolehubah bersandar dengan menggunakan
pembolehubah tak bersandar. Jadual output yang pertama ini memberitahu mahawa
pembolehubah tak bersandar ialah jumlah masa latihan dan pembolehubah bersandar ialah
markah matematik murid.
147

Model Summary
Model
R
1
.984
Adjusted R
Square
R Square
a
.968
Std. Error of the

Estimate
.965
5.094
a. Predictors: (Constant), Jumlah Masa Latihan
Bagi regresi, penganggar terbaik adalah melalui kuasa dua terkecil (least square). Kuasa dua
terkecil ialah kuasa dua perbezaan antara skor individu dengan purata min, seperti yang telah kita
kira dalam kaedah manual sebelum ini. Jadual output kedua ini memaparkan ringkasan model
regresi seperti yang telah kita bina secara manual sebelum ini. Dua nilai yang perlu diberi
perhatian dalam model ini ialah R dan R Square. R ialah korelasi antara pembolehubah tak
bersandar dengan pembolehubah bersandar, manakala R Square menerangkan sumbangan
pembolehubah tak bersandar terhadap variasi yang wujud dalam pembolehubah bersandar.
Daripada nilai R Square di atas, kita dapat tahu bahawa 96.8% perubahan dalam variasi
pembolehubah bersandar iaitu markah matematik disumbangkan oleh pembolehubah tak
bersandar iaitu jumlah masa membuat latihan.
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
10054,404
337,330
10391,733
df
1
13
14
Mean Square
10054,404
25,948
F
387,476
Sig.
,000a
a. Predictors: (Constant), Jumlah Masa Latihan

b. Dependent Variable: Markah Matematik
Jadual output yang ketiga ialah ANOVA yang cuba menjelaskan perkaitan dalam model regresi
yang kita bina. Jika nilai Sig < 0.05, maka kita boleh rumuskan bahawa terdapat perkaitan antara
pembolehubah tak bersandar dan pembolehubah bersandar dalam model regresi yang kita bina.
Dalam kes ini, kita dapati F=387.476 dan Sig=0.00. Maka kita boleh rumuskan bahawa wujud
perkaitan dalam kedua-dua pembolehubah tersebut.
148
Regresi Linear Pelbagai

Regresi linear pelbagai ialah suatu model regresi untuk meramalkan pembolehubah bersandar
yang disumbangkan oleh beberapa pembolehubah tak bersandar. Sebagai contoh, kita tambahkan
satu lagi pembolehubah tak bersandar iaitu taraf akademik penjaga dalam kepada contoh yang
kita bincang sebelum ini. Ilusinya adalah seperti dalam jadual di bawah.
JADUAL 11.4 : Markah Matematik mengikut Jumlah Masa

Latihan dan Akademik Penjaga
Murid
Akademik Penjaga,x1
Masa latihan (jam), x2
1.0
30
1.2
35
2.5
60
2.0
55
Markah Matematik,y
3.0
75
3.5
80
2.5
65
1.5
40
4.0
90
10
3.5
85
11
4.0
91
12
1.0
23
13
1.5
34
14
5.0
98
15
0.5
17
Akademik penjaga: 1-sekolah, 2-sijil, 3-diploma, 4-ijazah

Sekarang kita telah mempunyai dua pembolehubah tak bersandar yang boleh meramal
pencapaian murid dalam markah matematik. Persamaan ramalan bagi model pelbagai ini adalah
seperti berikut;
Di mana,
b1
Y b1 x1 b2 x2
x2
67
x1
x1 89:7
x1 x2 97
x2 89
64
x2
6:7
x1 x2 9
149
Dan,
b2
x1
67
x1
x2 89:7
x1 x2 97
x1 89
64
x2
6:7
x1 x2 9
y b1 x1 b2 x2
Serta,
Bagi lebih mudah pengiraan, jadual taburan variasi berikut di bina,
JADUAL 11.5: Taburan Variasi Markah, Akademik Penjaga & Masa

Belajar
x12
x22
x1y
x2y
x1x2
1,00
1,00
30
30
1225
4,00
1,44
70
42
2,4
60
3600
9,00
6,25
180
150
7,5
x1
x2
30
1,2
35
2,5
y2
900
55
3025
9,00
4,00
165
110
75
5625
9,00
9,00
225
225
3,5
80
6400
16,00
12,25
320
280
14
2,5
65
4225
9,00
6,25
195
162,5
7,5
1,5
40
1600
16,00
2,25
160
60
90
8100
16,00
16,00
360
360
16
3,5
85
7225
16,00
12,25
340
297,5
14
91
8281
16,00
16,00
364
364
16
23
529
1,00
1,00
23
23
1,5
34
1156
1,00
2,25
34
51
1,5
98
9604
16,00
25,00
392
490
20
0,5
17
1,00
0,25
17
8,5
0,5
=42
=36,70
=878
=140,00
=115,19
=2875
=2653,50
=122,40
289
=61784
x1 = 2,8 x2 = 2.45 y = 58.53
150
Daripada jadual tersebut,
b1
;
x2 < =
x1 > =
x1 x2 > =
x2 >

;
x1 < ;
x2 < =
x1 x2 >

Dan,
b2
;
x1 < =
x2 > =
x1 x2 > =
x1 >

;
x1 < ;
x2 < =
x1 x2 >

Serta,
y b1 x1 b2 x2

Maka persamaan anggaran regresi untuk markah matematik ialah,
Y b1 x1 b2 x2
Y x1 x2
151
Katakan seorang murid membuat latih tubi selama 2.3 jam sehari. Ayahnya pula berkelulusan sijil.
Daripada maklumat ini, kita boleh membuat anggaran markah matematik yang akan diperolehi
oleh beliau seperti berikut;
Y x1 x2

Bagi pengiraan dengan SPSS, kita tambah satu lagi pembolehubah peramal kepada data sedia ada
iaitu tahap motivasi murid. Untuk membuat analisis regresi pelbagai, ikuti langkah-langkah
berikut;
i)
Buka fail Data View atau Variable View. Tekan butang Analyse, kemudian tekan
butang Regression, seterusnya butang Linear.
ii)
Hamparan baru akan keluar. Pindahkan pembolehubah Markah matematik ke kotak

Dependent. Pindahkan semua pembolehubah tahap motivasi, jumlah masa latihan
dan taraf akademik penjaga ke kotak Independent.
152
iii)
Pada ruangan Method, pilih Stepwise. Kemudian tekan butang Statistic
153
iii)
Hamparan baru akan keluar. Tandakan kotak Estimates dan Model Fit. Tandakan
juga Causeway Diagnostic, Outlier outside dan masukkan nomboor 3 pada Standard
Deviation. Tekan butang Continue. Bila hamparan asal keluar, tekan OK.
Output yang akan keluar adalah seperti berikut;

Variables Entered/Removed
Model
Variables
Variables
Entered
Removed
Tahap Motivasi
Method
. Stepwise (Criteria: Probability-of-F-to-enter
<= .050, Probability-of-F-to-remove >= .100).
Jumlah Masa
Latihan
. Stepwise (Criteria: Probability-of-F-to-enter

<= .050, Probability-of-F-to-remove >= .100).
a. Dependent Variable: Markah Matematik
154
Daripada jadual output pertama di atas, kita dapati dua daripada tiga pembolehubah peramal iaitu
jumlah masa latihan dan tahap motivasi dimasukkan ke dalam model regresi.
c
Model Summary
Model
R
1
2
Adjusted R
Std. Error of the
Square
Estimate
R Square
.984
.968
.966
5.0467
.994
.987
.985
3.3402
a. Predictors: (Constant), Tahap Motivasi

b. Predictors: (Constant), Tahap Motivasi, Jumlah Masa Latihan
c. Dependent Variable: Markah Matematik
Daripada jadual output kedua di atas, kita dapati tahap motivasi mempengaruhi pencapaian
markah matematik sebanyak 96.8 peratus. Gabungan antara motivasi dan jumlah masa latihan
meningkatkan 1.9 (98.7 96.8) peratus lagi sumbangan kepada pencapaian markah matematik.
Maksudnya gabungan antara tahap motivasi dan jumlah masa latihan mempengaruhi 98.7 peratus
pencapaian matematik murid.
ANOVA
Model
1
Sum of Squares
Regression
Mean Square
10060.630
10060.630
331.103
13
25.469
Total
10391.733
14
Regression
10257.848
5128.924
133.885
12
11.157
10391.733
14
Residual
df
Residual
Total
Sig.
395.007
.000
459.700
.000
a. Predictors: (Constant), Tahap Motivasi

b. Predictors: (Constant), Tahap Motivasi, Jumlah Masa Latihan
155
Jadual ANOVA yang dihasilkan pula menunjukkan bahawa terdapat hubungan yang signifikan
antara kedua-dua pembolehubah peramal dengan pencapaian markah matematik murid. Angka
yang perlu diperhatikan ialah nilai Sig. Nilai Sig di bawah 0.05 menunjukkan terdapat hubungan
yang signifikan.
Coefficients
Model
Unstandardized
Standardized
Coefficients
Coefficients
B
1
(Constant)
Std. Error
Beta
.897
3.179
18.395
.926
(Constant)
4.281
2.253
Tahap Motivasi
9.452
2.213
10.069
2.395
Tahap Motivasi
2
Jumlah Masa
Sig.
.282
.782
19.875
.000
1.900
.082
.506
4.270
.001
.498
4.204
.001
.984
Latihan
a. Dependent Variable: Markah Matematik
Jadual Cooficient pula menunjukkan nilai pekali regresi bagi kedua-dua pembolehubah peramal
yang mempengaruhi markah matematik murid. Dalam jadual tersebut, nilai Beta adalah mewakili
pekali regresi bagi kedua-dua pembolehubah peramal tersebut.
Excluded Variables
Model
Collinearity
Beta In
1
Jumlah Masa Latihan

Taraf Akademik
Sig.
Partial
Statistics
Correlation
Tolerance
.498
4.204
.001
.772
.077
.152
1.879
.085
.477
.312
.113
2.181
.052
.549
.303
Penjaga
2
Taraf Akademik
Penjaga
a. Predictors in the Model: (Constant), Tahap Motivasi

b. Predictors in the Model: (Constant), Tahap Motivasi, Jumlah Masa Latihan
156
Jadual Exluded Variables pula menunjukkan pembolehubah taraf akademik penjaga tidak
mempunyai pengaruh terhadap pencapaian markah matematik murid. Oleh sebab ia tidak
mempengaruhi, maka pembolehubah ini disingkirkan daripada model peramal regresi pelbagai ini.
Daripada output-output tersebut, pengkaji boleh melaporkan seperti berikut;
Dapatan kajian menunjukkan tahap motivasi (F=395.01, p<0.05) menyumbang sebanyak 96.6
peratus kepada pencapaian matematik murid. Ini menunjukkan bahawa motivasi (=0.98, p<0.05)
merupakan petunjuk atau peramal utama pencapaian matematik murid. Kombinasi tahap
motivasi dan jumlah masa latihan (=0.50, p<0.05) menambah 1.9 peratus lagi pengaruh terhadap
pencapaian matematik murid. Dapatan kajian juga menunjukkan bahawa taraf akademik penjaga
tidak menyumbang kepada pencapaian markah matematik.
157
Tutorial
Jadual di bawah memaparkan maklumat murid tingkatan 4 Sekolah Bandar Neram beserta markah peperiksaan akhir tahun bagi mata
pelajaran BM, BI, Fizik dan Matematik.
JADUAL: Maklumat Peribadi dan Markah Peperiksaan Murid
NAMA
JANTINA
BANGSA
PEKERJAAN
PENJAGA
PENDAPATAN
PENJAGA (DALAM
RM)
PURATA MASA
BELAJAR DI RUMAH
(DALAM JAM)
BM
BI
FIZIK
MATEMATIK
ALI
1500
91
55
80
85
ABU
2000
67
65
70
75
ASIAH
700
2.5
78
45
50
45
AH CHONG
3450
90
58
45
44
ARUMUGAM
SW
5000
56
76
55
53
AISHAH
SW
2000
76
66
45
43
AI LING
1200
45
56
70
80
BAKAR
4500
35
44
70
80
BAHAR
4000
44
65
85
80
BENG HOCK
SW
3000
76
67
40
35
B. SUBRA
SW
1250
39
77
39
30
BAIHAKI
800
77
78
28
25
BIDAH
650
84
74
68
68
C. HONG
1300
57
56
70
80
CIK ANI
SW
7000
3.5
29
66
55
50
DAVID
5000
78
76
68
65
DEWI
5500
77
80
70
68
DALI
2200
87
36
70
72
ENG HONG
1800
56
44
50
52
ELIANA
1700
57
54
22
20
FARIDAH
1200
67
77
90
85
158
Tutorial
FATIMAH
890
45
67
86
87
FEE LING
900
88
65
85
80
JAYASAMY
SW
1000
78
34
34
35
JULIANA
SW
4500
83
44
18
20
JAMILAH
5000
1.5
70
23
28
25
J. MANY
1700
1.5
67
51
30
35
J. FERNANDES
1100
79
56
95
90
HARY
4000
79
44
50
55
HALIMAH
SW
5500
56
65
55
50
HOCK
2000
65
55
89
80
INTAN
1600
2.5
67
43
45
40
KAMAL
SW
1300
2.5
56
25
46
45
KUMALASARI
2300
34
52
56
55
KAMARIAH
2100
54
43
54
51
KUE MENG
SW
2200
22
77
78
80
LINDA
1450
56
56
15
20
LINGGAM
2400
45
54
87
88
LING
7500
97
34
78
76
MARY
2100
55
88
31
25
MAZLAN
SW
2200
1.5
67
78
33
28
MEI LING
3200
78
67
88
90
MANIAM
3250
88
56
90
87
MURAGAMY
SW
4300
84
44
33
30
MAZIAH
1250
58
93
32
33
Petunjuk: L=lelaki, P=perempuan, M=melayu, c=Cina, I=india, K=kerajaan, S=sendiri, SW=swasta
159
Jawab soalan-soalan berikut;
Tugasan
Tutorial
a) Bina template SPSS untuk semua pembolehubah yang terdapat dalam data di atas.
b) Isikan semua maklumat dalam jadual di atas ke dalam template SPSS tersebut
menggunakan kod yang sesuai.
c) Kodkan semula pembolehubah pendapatan penjaga kepada kumpulan-kumpulan
<RM1000, RM1001-RM2000, RM2001-RM3000, RM3001-RM4000, RM4001-RM5000 dan
>RM5001
d) Computekan markah BM, BI, Fizik dan Matematik kepada markah keseluruhan dalam
bentuk min.
e)
i)
ii)
iii)
iv)
v)
vi)
vii)
viii)
ix)
x)
Paparkan maklumat jantina, bangsa, pekerjaan penjaga dan pendapatan penjaga

yang telah dikodkan dalam bentuk peratus.
Berapakah purata pendapatan penjaga semua murid?
Berapakah min markah BM, BI, Fizik dan Matematik semua murid?
Adakah terdapat perbezaan yang signifikan antara markah BM, BI, Fizik dan
Matematik dengan faktor jantina murid?
Adakah terdapat perbezaan yang signifikan antara markah BM, BI, Fizik,
Matematik dan markah keseluruhan dengan faktor bangsa murid?
Adakah terdapat perbezaan yang signifikan antara markah markah keseluruhan
dengan faktor pekerjaan penjaga murid?
Adakah terdapat hubungan yang signifikan antara pendapatan penjaga dengan
prestasi keseluruhan murid?
Adakah terdapat hubunganyang signifikan antara purata masa belajar di rumah
dengan markah BM, BI, Fizik dan Matematik?
Guru Fizik mendakwa pencapaian murid sekolah ini dalam subjek Fizik lebih baik
berbanding pencapaian peringkat daerah. Purata markah murid peringkat
daerah ialah 56. Buat ujian untuk menerima atau menolak dakwaan guru ini.
Guru Matematik mendakwa pencapaian murid sekolah ini dalam subjek
Matematik lebih baik berbanding pencapaian peringkat negeri. Purata markah
murid peringkat daerah ialah 47. Buat ujian untuk menerima atau menolak
dakwaan guru ini.
160
i)
Valid
Valid
JAWAPAN TUTORIAL
Frequency
24
21
45
Jantina
Percent Valid Percent

53,3
53,3
46,7
46,7
100,0
100,0
Bangsa
Frequency
6
16
8
5
6
4
45
Cumulative
Percent
53,3
100,0
Cumulative
Percent
48,9
71,1
100,0
Cumulative
Percent
13,3
48,9
66,7
77,8
91,1
100,0
Cumulative
Percent
40,0
73,3
100,0
Percent Valid Percent

13,3
13,3
35,6
35,6
17,8
17,8
11,1
11,1
13,3
13,3
8,9
8,9
100,0
100,0
Pendapatan Penjaga
Frequency Percent Valid Percent

18
40,0
40,0
15
33,3
33,3
12
26,7
26,7
45
100,0
100,0
Pekerjaan Penjaga
Frequency Percent Valid Percent

22
48,9
48,9
10
22,2
22,2
13
28,9
28,9
45
100,0
100,0
Valid Kerajaan
Sendiri
Swasta
Total
Melayu
Cina
India
Total
Lelaki
Perempuan
Total
Tutorial
Paparkan maklumat jantina, bangsa, pekerjaan penjaga dan pendapatan penjaga

yang telah dikodkan dalam bentuk peratus.
Valid
<RM1000
RM1001-RM2000
RM2001-RM3000
RM3001-RM4000
RM4001-RM5000
>RM5001
Total
161
ii)
iii)
iv)
Berapakah purata pendapatan penjaga semua murid?
N
45
45
Mean
2655,33
Pendapatan Penjaga
Valid N (listwise)
Mean
65,27
58,42
57,24
56,44
N
45
45
45
45
45
Std. Deviation
1740,110
Std. Deviation
18,265
16,278
22,773
23,376
Berapakah min markah BM, BI, Fizik dan Matematik semua murid?
Markah BM
Markah BI
Markah Fizik
Markah Matematik
Valid N (listwise)
Jantina
Lelaki
Perempuan
Lelaki
Perempuan
Lelaki
Perempuan
Lelaki
Perempuan
Mean
65,96
64,48
57,13
59,90
59,79
54,33
59,54
52,90
Group Statistics
N
24
21
24
21
24
21
24
21
Std. Deviation
18,920
17,918
15,264
17,626
21,921
23,909
22,813
24,062
Tutorial
Std. Error
Mean
3,862
3,910
3,116
3,846
4,475
5,217
4,657
5,251
Adakah terdapat perbezaan yang signifikan antara markah BM, BI, Fizik, Matematik
dan markah keseluruhan dengan faktor jantina murid?
Markah BM
Markah BI
Markah Fizik
Markah Matematik
162
Tutorial
,270
43
42,710
,578
,574
,789
,789
5,46
-2,78
-2,78
1,48
1,48
6,873
6,833
4,950
4,902
5,496
5,516
-7,465
-8,423
-8,321
-12,785
-12,665
-9,603
-9,642
20,805
20,739
19,340
19,238
7,225
7,106
12,568
12,607
95% Confidence
Interval of the
Difference
Lower
Upper
-,567
39,914
,429
5,46
6,993
-7,531
Mean
Std. Error
Sig. (2-tailed)Difference Difference
-,562
43
,432
6,64
7,018
43
,799
40,968
,348
6,64
df
,794
43
,350
,269
,949
41,506
,911
,958
,470
,856
Sig.
Levene's Test for

,033
,532
,003
,013
,946
Jawapan: Tidak terdapat perbezaan yang signifikan antara faktor jantina dengan
markah BM, BI, Fizik dan Matematik.
Markah BM
Equal variances
assumed
Equal variances
not assumed
Markah BI
Equal variances
assumed
Equal variances
not assumed
Markah Fizik
Equal variances
assumed
Equal variances
not assumed
Markah Matematik
Equal variances
assumed
Equal variances
not assumed
v)
ANOVA
Sum of
Squares
100,204
14578,596
14678,800
89,910
11569,068
11658,978
2050,949
20767,362
22818,311
2380,224
21662,887
24043,111
683,737
6725,549
7409,286
df
2
42
44
2
42
44
2
42
44
2
42
44
2
42
44
341,869
160,132
1190,112
515,783
1025,474
494,461
44,955
275,454
Mean Square
50,102
347,109
2,135
2,307
2,074
,163
F
,144
,131
,112
,138
,850
Sig.
,866
Adakah terdapat perbezaan yang signifikan antara markah BM, BI, Fizik, Matematik
dan markah keseluruhan dengan faktor bangsa murid?
Markah BM
Between Groups
Within Groups
Total
Markah BI
Between Groups
Within Groups
Total
Markah Fizik
Between Groups
Within Groups
Total
Markah Matematik
Between Groups
Within Groups
Total
Markah Keseluruhan Between Groups
Within Groups
Total
Jawapan: Tidak terdapat perbezaan yang signifikan antara faktor bangsa dengan
markah BM, BI, Fizik, Matematik dan markah keseluruhan.
163
vi)
Mean Square
567,488
149,388
ANOVA
df
2
42
44
Std. Error
4,27301
4,55504
4,27301
4,73374
4,55504
4,73374
Mean
Difference
(I-J)
-3,8722
8,9653
3,8722
12,8375*
-8,9653
-12,8375*
Sig.
,639
,133
,639
,026
,133
,026
Sig.
,030
Tutorial

-14,2535
6,5090
-2,1012
20,0317
-6,5090
14,2535
1,3369
24,3381
-20,0317
2,1012
-24,3381
-1,3369
F
3,799
Adakah terdapat perbezaan yang signifikan antara markah markah keseluruhan

dengan faktor pekerjaan penjaga murid?
Sum of
Squares
1134,976
6274,310
7409,286
Markah Keseluruhan
Between Groups
Within Groups
Total
(J) Pekerjaan Penjaga

Sendiri
Swasta
Kerajaan
Swasta
Kerajaan
Sendiri
Dependent Variable: Markah Keseluruhan

Tukey HSD
(I) Pekerjaan Penjaga

Kerajaan
Sendiri
Swasta
*. The mean difference is significant at the .05 level.
Jawapan: Wujud perbezaan yang signifikan antara markah keseluruhan murid dengan faktor
pekerjaan penjaga. Markah keseluruhan murid yang penjaganya kerja sendiri lebih tinggi
berbanding murid yang penjaganya kerja swasta.
vii)
Adakah terdapat hubungan yang signifikan antara pendapatan penjaga dengan

markah keseluruhan murid?
Correlations
Pendapatan
Markah
Penjaga
Keseluruhan
1
-,010
,
,949
45
45
-,010
1
,949
,
45
45
Pendapatan PenjagaPearson Correlation

Sig. (2-tailed)
N
Markah KeseluruhanPearson Correlation
Sig. (2-tailed)
N
Jawapan: Tidak terdapat hubungan yang signifikan antara pendapatan penjaga dengan
markah keseluruhan murid.
164
viii)
Tutorial
Adakah terdapat hubunganyang signifikan antara purata masa belajar di rumah
dengan markah BM, BI, Fizik dan Matematik?
Correlations
Jumlah Masa
Markah
Belajar Di
Rumah
Markah BM Markah BI Markah Fizik Matematik
1
-,004
,018
,954**
,946**
,
,978
,906
,000
,000
45
45
45
45
45
-,004
1
-,194
,004
-,016
,978
,
,201
,978
,916
45
45
45
45
45
,018
-,194
1
,100
,051
,906
,201
,
,515
,737
45
45
45
45
45
,954**
,004
,100
1
,980**
,000
,978
,515
,
,000
45
45
45
45
45
,946**
-,016
,051
,980**
1
,000
,916
,737
,000
,
45
45
45
45
45
Jumlah Masa
Pearson Correlation
Belajar Di Rumah Sig. (2-tailed)
N
Markah BM
Pearson Correlation
Sig. (2-tailed)
N
Markah BI
Pearson Correlation
Sig. (2-tailed)
N
Markah Fizik
Pearson Correlation
Sig. (2-tailed)
N
Markah MatematikPearson Correlation
Sig. (2-tailed)
N
**. Correlation is significant at the 0.01 level (2-tailed).
Jawapan: Terdapat hubungan signifikan yang kuat antara jumlah masa belajar di
rumah dengan markah Fizik dan Matematik. Tidak terdapat hubungan antara jumlah
masa belajar di rumah dengan markah BM dan BI.
ix)
Mean
57,24
Std. Deviation
22,773
44
Mean
Sig. (2-tailed) Difference
,716
1,24
Test Value = 56
One-Sample Test
45
df
95% Confidence
Interval of the
Difference
Lower
Upper
-5,60
8,09
Std. Error
Mean
3,395
Guru Fizik mendakwa pencapaian murid sekolah ini dalam subjek Fizik lebih baik
berbanding pencapaian peringkat daerah. Purata markah murid peringkat daerah
ialah 56. Buat ujian untuk menerima atau menolak dakwaan guru ini.
t
,367
Markah Fizik
Markah Fizik
165
45
Mean
56,44
Test Value = 47
Mean
Sig. (2-tailed) Difference
,010
9,44
Tutorial
95% Confidence
Interval of the
Difference
Lower
Upper
2,42
16,47
Std. Deviation
23,376
44
One-Sample Test
df
Std. Error
Mean
3,485
Jawapan: Dakwaan guru Fizik tersebut tidak benar. Walaupun min markah sekolah itu lebih
tinggi berbanding markah daerah iaitu berbeza 1.24, namun perbezaan tersebut hanya untuk
pengukuran statistik bagi sampel. Apabila diuji dengan pengukuran parameter bagi populasi,
didapati perbezaan tersebut tidak signifikan.
x)
Guru Matematik mendakwa pencapaian murid sekolah ini dalam subjek Matematik
lebih baik berbanding pencapaian peringkat negeri. Purata markah murid peringkat
daerah ialah 47. Buat ujian untuk menerima atau menolak dakwaan guru ini.
Markah Matematik
t
Markah Matematik 2,710
Jawapan: Dakwaan guru tersebut benar. Pencapaian Matematik murid sekolah itu lebih tinggi
berbanding pencapaian peringkat negeri (t=2.71, sig=0.01).
166
BIBLIOGRAFI
Alias Baba. 1998. Model Linear dalam Penyelidikan Sains Sosial. Bangi: UKM
Cates, W.M. 1990. Panduan Amali Untuk Penyelidikan Pendidikan (Terjemahan). KL: DBP.
Cohen, J. dan Manion, P. 1983. Applied Multiple Regression Correlation Analysis for Behavioral
nd
Sciences (2 ed.). New Jersey: Lawrence Erlbaum Assciates.
Gay, L.R. 1996. Educational Research: Competencies for Analysis and Aplication. New Jersey:
Prentice-Hall.
Gibson, S. and Dembo, M.H. 1984. Teacher Efficacy: A Construct Validation. Journal of Educational
Psychology. 76:569-582
Krejcie, R.V and Morgan, D.W. 1970. Determining Sampel Size for Research Activities. Educational
and Psychological Measurement, 30(3):607-610.
McMillan, J.H dan Schumacher, S. 2006. Research in Education. Boston: Pearson Education.
Mohd Majid Konting. 2000. Kaedah Penyelidikan Pendidikan. KL: DBP
Tuckman, B.W. 1999. Conducting Educational Research. Orlando, Harcourt Brace College
Publishers.
167
LAMPIRAN 1: JADUAL TABURAN t

df\p
0.40
0.25
0.10
0.05
0.025
0.01
0.005
0.0005
0.324920
1.000000
3.077684
6.313752
12.70620
31.82052
63.65674
636.6192
0.288675
0.816497
1.885618
2.919986
4.30265
6.96456
9.92484
31.5991
0.276671
0.764892
1.637744
2.353363
3.18245
4.54070
5.84091
12.9240
0.270722
0.740697
1.533206
2.131847
2.77645
3.74695
4.60409
8.6103
0.267181
0.726687
1.475884
2.015048
2.57058
3.36493
4.03214
6.8688
0.264835
0.717558
1.439756
1.943180
2.44691
3.14267
3.70743
5.9588
0.263167
0.711142
1.414924
1.894579
2.36462
2.99795
3.49948
5.4079
0.261921
0.706387
1.396815
1.859548
2.30600
2.89646
3.35539
5.0413
0.260955
0.702722
1.383029
1.833113
2.26216
2.82144
3.24984
4.7809
10
0.260185
0.699812
1.372184
1.812461
2.22814
2.76377
3.16927
4.5869
11
0.259556
0.697445
1.363430
1.795885
2.20099
2.71808
3.10581
4.4370
12
0.259033
0.695483
1.356217
1.782288
2.17881
2.68100
3.05454
4.3178
13
0.258591
0.693829
1.350171
1.770933
2.16037
2.65031
3.01228
4.2208
14
0.258213
0.692417
1.345030
1.761310
2.14479
2.62449
2.97684
4.1405
15
0.257885
0.691197
1.340606
1.753050
2.13145
2.60248
2.94671
4.0728
16
0.257599
0.690132
1.336757
1.745884
2.11991
2.58349
2.92078
4.0150
17
0.257347
0.689195
1.333379
1.739607
2.10982
2.56693
2.89823
3.9651
18
0.257123
0.688364
1.330391
1.734064
2.10092
2.55238
2.87844
3.9216
19
0.256923
0.687621
1.327728
1.729133
2.09302
2.53948
2.86093
3.8834
20
0.256743
0.686954
1.325341
1.724718
2.08596
2.52798
2.84534
3.8495
21
0.256580
0.686352
1.323188
1.720743
2.07961
2.51765
2.83136
3.8193
22
0.256432
0.685805
1.321237
1.717144
2.07387
2.50832
2.81876
3.7921
23
0.256297
0.685306
1.319460
1.713872
2.06866
2.49987
2.80734
3.7676
24
0.256173
0.684850
1.317836
1.710882
2.06390
2.49216
2.79694
3.7454
25
0.256060
0.684430
1.316345
1.708141
2.05954
2.48511
2.78744
3.7251
26
0.255955
0.684043
1.314972
1.705618
2.05553
2.47863
2.77871
3.7066
27
0.255858
0.683685
1.313703
1.703288
2.05183
2.47266
2.77068
3.6896
28
0.255768
0.683353
1.312527
1.701131
2.04841
2.46714
2.76326
3.6739
29
0.255684
0.683044
1.311434
1.699127
2.04523
2.46202
2.75639
3.6594
30
0.255605
0.682756
1.310415
1.697261
2.04227
2.45726
2.75000
3.6460
inf
0.253347
0.674490
1.281552
1.644854
1.95996
2.32635
2.57583
3.2905
168
LAMPIRAN 2: JADUAL TABURAN 2
df\area
.995
.990
.975
.950
.900
.750
.500
.250
.100
.050
.025
.010
.005
0.00004
0.00016
0.00098
0.00393
0.01579
0.10153
0.45494
1.32330
2.70554
3.84146
5.02389
6.63490
7.87944
0.01003
0.02010
0.05064
0.10259
0.21072
0.57536
1.38629
2.77259
4.60517
5.99146
7.37776
9.21034
10.59663
0.07172
0.11483
0.21580
0.35185
0.58437
1.21253
2.36597
4.10834
6.25139
7.81473
.34840
11.34487 12.83816
0.20699
0.29711
0.48442
0.71072
1.06362
1.92256
3.35669
5.38527
7.77944
9.48773
11.14329 13.27670 14.86026
0.41174
0.55430
0.83121
1.14548
1.61031
2.67460
4.35146
6.62568
9.23636
11.07050 12.83250 15.08627 16.74960
0.67573
0.87209
1.23734
1.63538
2.20413
3.45460
5.34812
7.84080
10.64464 12.59159 14.44938 16.81189 18.54758
0.98926
1.23904
1.68987
2.16735
2.83311
4.25485
6.34581
9.03715
12.01704 14.06714 16.01276 18.47531 20.27774
1.34441
1.64650
2.17973
2.73264
3.48954
5.07064
7.34412
10.21885 13.36157 15.50731 17.53455 20.09024 21.95495
1.73493
2.08790
2.70039
3.32511
4.16816
5.89883
8.34283
11.38875 14.68366 16.91898 19.02277 21.66599 23.58935
10
2.15586
2.55821
3.24697
3.94030
4.86518
6.73720
9.34182
12.54886 15.98718 18.30704 20.48318 23.20925 25.18818
11
2.60322
3.05348
3.81575
4.57481
5.57778
7.58414
10.34100 13.70069 17.27501 19.67514 21.92005 24.72497 26.75685
12
3.07382
3.57057
4.40379
5.22603
6.30380
8.43842
11.34032 14.84540 18.54935 21.02607 23.33666 26.21697 28.29952
13
3.56503
4.10692
5.00875
5.89186
7.04150
9.29907
12.33976 15.98391 19.81193 22.36203 24.73560 27.68825 29.81947
14
4.07467
4.66043
5.62873
6.57063
7.78953
10.16531 13.33927 17.11693 21.06414 23.68479 26.11895 29.14124 31.31935
15
4.60092
5.22935
6.26214
7.26094
8.54676
11.03654 14.33886 18.24509 22.30713 24.99579 27.48839 30.57791 32.80132
16
5.14221
5.81221
6.90766
7.96165
9.31224
11.91222 15.33850 19.36886 23.54183 26.29623 28.84535 31.99993 34.26719
17
5.69722
6.40776
7.56419
8.67176
10.08519 12.79193 16.33818 20.48868 24.76904 27.58711 30.19101 33.40866 35.71847
18
6.26480
7.01491
8.23075
9.39046
10.86494 13.67529 17.33790 21.60489 25.98942 28.86930 31.52638 34.80531 37.15645
19
6.84397
7.63273
8.90652
10.11701 11.65091 14.56200 18.33765 22.71781 27.20357 30.14353 32.85233 36.19087 38.58226
20
7.43384
8.26040
9.59078
10.85081 12.44261 15.45177 19.33743 23.82769 28.41198 31.41043 34.16961 37.56623 39.99685
21
8.03365
8.89720
10.28290 11.59131 13.23960 16.34438 20.33723 24.93478 29.61509 32.67057 35.47888 38.93217 41.40106
22
8.64272
9.54249
10.98232 12.33801 14.04149 17.23962 21.33704 26.03927 30.81328 33.92444 36.78071 40.28936 42.79565
23
9.26042
10.19572 11.68855 13.09051 14.84796 18.13730 22.33688 27.14134 32.00690 35.17246 38.07563 41.63840 44.18128
24
9.88623
10.85636 12.40115 13.84843 15.65868 19.03725 23.33673 28.24115 33.19624 36.41503 39.36408 42.97982 45.55851
25
10.51965 11.52398 13.11972 14.61141 16.47341 19.93934 24.33659 29.33885 34.38159 37.65248 40.64647 44.31410 46.92789
26
11.16024 12.19815 13.84390 15.37916 17.29188 20.84343 25.33646 30.43457 35.56317 38.88514 41.92317 45.64168 48.28988
27
11.80759 12.87850 14.57338 16.15140 18.11390 21.74940 26.33634 31.52841 36.74122 40.11327 43.19451 46.96294 49.64492
28
12.46134 13.56471 15.30786 16.92788 18.93924 22.65716 27.33623 32.62049 37.91592 41.33714 44.46079 48.27824 50.99338
29
13.12115 14.25645 16.04707 17.70837 19.76774 23.56659 28.33613 33.71091 39.08747 42.55697 45.72229 49.58788 52.33562
30
13.78672 14.95346 16.79077 18.49266 20.59923 24.47761 29.33603 34.79974 40.25602 43.77297 46.97924 50.89218 53.67196
169
LAMPIRAN 3: JADUAL TABURAN F
F Table for alpha=.05

df2/df
1
10
12
15
20
24
30
40
60
120
INF
161.447 199.500 215.707 224.583 230.161 233.986 236.768 238.882 240.543 241.881 243.906 245.949 248.013 249.051 250.095 251.143 252.195 253.252 254.314
0
3
2
9
0
4
7
3
7
0
9
1
8
1
2
7
9
4
6
18.5128 19.0000 19.1643 19.2468 19.2964 19.3295 19.3532 19.3710 19.3848 19.3959 19.4125 19.4291 19.4458 19.4541 19.4624 19.4707 19.4791 19.4874 19.4957
10.1280
9.5521
9.2766
9.1172
9.0135
8.9406
8.8867
8.8452
8.8123
8.7855
8.7446
8.7029
8.6602
8.6385
8.6166
8.5944
8.5720
8.5494
8.5264
7.7086
6.9443
6.5914
6.3882
6.2561
6.1631
6.0942
6.0410
5.9988
5.9644
5.9117
5.8578
5.8025
5.7744
5.7459
5.7170
5.6877
5.6581
5.6281
6.6079
5.7861
5.4095
5.1922
5.0503
4.9503
4.8759
4.8183
4.7725
4.7351
4.6777
4.6188
4.5581
4.5272
4.4957
4.4638
4.4314
4.3985
4.3650
5.9874
5.1433
4.7571
4.5337
4.3874
4.2839
4.2067
4.1468
4.0990
4.0600
3.9999
3.9381
3.8742
3.8415
3.8082
3.7743
3.7398
3.7047
3.6689
5.5914
4.7374
4.3468
4.1203
3.9715
3.8660
3.7870
3.7257
3.6767
3.6365
3.5747
3.5107
3.4445
3.4105
3.3758
3.3404
3.3043
3.2674
3.2298
5.3177
4.4590
4.0662
3.8379
3.6875
3.5806
3.5005
3.4381
3.3881
3.3472
3.2839
3.2184
3.1503
3.1152
3.0794
3.0428
3.0053
2.9669
2.9276
5.1174
4.2565
3.8625
3.6331
3.4817
3.3738
3.2927
3.2296
3.1789
3.1373
3.0729
3.0061
2.9365
2.9005
2.8637
2.8259
2.7872
2.7475
2.7067
10
4.9646
4.1028
3.7083
3.4780
3.3258
3.2172
3.1355
3.0717
3.0204
2.9782
2.9130
2.8450
2.7740
2.7372
2.6996
2.6609
2.6211
2.5801
2.5379
11
4.8443
3.9823
3.5874
3.3567
3.2039
3.0946
3.0123
2.9480
2.8962
2.8536
2.7876
2.7186
2.6464
2.6090
2.5705
2.5309
2.4901
2.4480
2.4045
12
4.7472
3.8853
3.4903
3.2592
3.1059
2.9961
2.9134
2.8486
2.7964
2.7534
2.6866
2.6169
2.5436
2.5055
2.4663
2.4259
2.3842
2.3410
2.2962
13
4.6672
3.8056
3.4105
3.1791
3.0254
2.9153
2.8321
2.7669
2.7144
2.6710
2.6037
2.5331
2.4589
2.4202
2.3803
2.3392
2.2966
2.2524
2.2064
14
4.6001
3.7389
3.3439
3.1122
2.9582
2.8477
2.7642
2.6987
2.6458
2.6022
2.5342
2.4630
2.3879
2.3487
2.3082
2.2664
2.2229
2.1778
2.1307
15
4.5431
3.6823
3.2874
3.0556
2.9013
2.7905
2.7066
2.6408
2.5876
2.5437
2.4753
2.4034
2.3275
2.2878
2.2468
2.2043
2.1601
2.1141
2.0658
16
4.4940
3.6337
3.2389
3.0069
2.8524
2.7413
2.6572
2.5911
2.5377
2.4935
2.4247
2.3522
2.2756
2.2354
2.1938
2.1507
2.1058
2.0589
2.0096
17
4.4513
3.5915
3.1968
2.9647
2.8100
2.6987
2.6143
2.5480
2.4943
2.4499
2.3807
2.3077
2.2304
2.1898
2.1477
2.1040
2.0584
2.0107
1.9604
18
4.4139
3.5546
3.1599
2.9277
2.7729
2.6613
2.5767
2.5102
2.4563
2.4117
2.3421
2.2686
2.1906
2.1497
2.1071
2.0629
2.0166
1.9681
1.9168
19
4.3807
3.5219
3.1274
2.8951
2.7401
2.6283
2.5435
2.4768
2.4227
2.3779
2.3080
2.2341
2.1555
2.1141
2.0712
2.0264
1.9795
1.9302
1.8780
170
20
4.3512
3.4928
3.0984
2.8661
2.7109
2.5990
2.5140
2.4471
2.3928
2.3479
2.2776
2.2033
2.1242
2.0825
2.0391
1.9938
1.9464
1.8963
1.8432
21
4.3248
3.4668
3.0725
2.8401
2.6848
2.5727
2.4876
2.4205
2.3660
2.3210
2.2504
2.1757
2.0960
2.0540
2.0102
1.9645
1.9165
1.8657
1.8117
22
4.3009
3.4434
3.0491
2.8167
2.6613
2.5491
2.4638
2.3965
2.3419
2.2967
2.2258
2.1508
2.0707
2.0283
1.9842
1.9380
1.8894
1.8380
1.7831
23
4.2793
3.4221
3.0280
2.7955
2.6400
2.5277
2.4422
2.3748
2.3201
2.2747
2.2036
2.1282
2.0476
2.0050
1.9605
1.9139
1.8648
1.8128
1.7570
24
4.2597
3.4028
3.0088
2.7763
2.6207
2.5082
2.4226
2.3551
2.3002
2.2547
2.1834
2.1077
2.0267
1.9838
1.9390
1.8920
1.8424
1.7896
1.7330
25
4.2417
3.3852
2.9912
2.7587
2.6030
2.4904
2.4047
2.3371
2.2821
2.2365
2.1649
2.0889
2.0075
1.9643
1.9192
1.8718
1.8217
1.7684
1.7110
26
4.2252
3.3690
2.9752
2.7426
2.5868
2.4741
2.3883
2.3205
2.2655
2.2197
2.1479
2.0716
1.9898
1.9464
1.9010
1.8533
1.8027
1.7488
1.6906
27
4.2100
3.3541
2.9604
2.7278
2.5719
2.4591
2.3732
2.3053
2.2501
2.2043
2.1323
2.0558
1.9736
1.9299
1.8842
1.8361
1.7851
1.7306
1.6717
28
4.1960
3.3404
2.9467
2.7141
2.5581
2.4453
2.3593
2.2913
2.2360
2.1900
2.1179
2.0411
1.9586
1.9147
1.8687
1.8203
1.7689
1.7138
1.6541
29
4.1830
3.3277
2.9340
2.7014
2.5454
2.4324
2.3463
2.2783
2.2229
2.1768
2.1045
2.0275
1.9446
1.9005
1.8543
1.8055
1.7537
1.6981
1.6376
30
4.1709
3.3158
2.9223
2.6896
2.5336
2.4205
2.3343
2.2662
2.2107
2.1646
2.0921
2.0148
1.9317
1.8874
1.8409
1.7918
1.7396
1.6835
1.6223
40
4.0847
3.2317
2.8387
2.6060
2.4495
2.3359
2.2490
2.1802
2.1240
2.0772
2.0035
1.9245
1.8389
1.7929
1.7444
1.6928
1.6373
1.5766
1.5089
60
4.0012
3.1504
2.7581
2.5252
2.3683
2.2541
2.1665
2.0970
2.0401
1.9926
1.9174
1.8364
1.7480
1.7001
1.6491
1.5943
1.5343
1.4673
1.3893
120
3.9201
3.0718
2.6802
2.4472
2.2899
2.1750
2.0868
2.0164
1.9588
1.9105
1.8337
1.7505
1.6587
1.6084
1.5543
1.4952
1.4290
1.3519
1.2539
inf
3.8415
2.9957
2.6049
2.3719
2.2141
2.0986
2.0096
1.9384
1.8799
1.8307
1.7522
1.6664
1.5705
1.5173
1.4591
1.3940
1.3180
1.2214
1.0000
171
F Table for alpha=.01
df2/df
1
1
10
12
15
20
24
30
40
60
120
INF
4052.18 4999.50 5403.35 5624.58 5763.65 5858.98 5928.35 5981.07 6022.47 6055.84 6106.32 6157.28 6208.73 6234.63 6260.64 6286.78 6313.03 6339.39 6365.86
0
2
3
0
6
6
0
3
7
1
5
0
1
9
2
0
1
4
1
98.503
99.000
99.166
99.249
99.299
99.333
99.356
99.374
99.388
99.399
99.416
99.433
99.449
99.458
99.466
99.474
99.482
99.491
99.499
34.116
30.817
29.457
28.710
28.237
27.911
27.672
27.489
27.345
27.229
27.052
26.872
26.690
26.598
26.505
26.411
26.316
26.221
26.125
21.198
18.000
16.694
15.977
15.522
15.207
14.976
14.799
14.659
14.546
14.374
14.198
14.020
13.929
13.838
13.745
13.652
13.558
13.463
16.258
13.274
12.060
11.392
10.967
10.672
10.456
10.289
10.158
10.051
9.888
9.722
9.553
9.466
9.379
9.291
9.202
9.112
9.020
13.745
10.925
9.780
9.148
8.746
8.466
8.260
8.102
7.976
7.874
7.718
7.559
7.396
7.313
7.229
7.143
7.057
6.969
6.880
12.246
9.547
8.451
7.847
7.460
7.191
6.993
6.840
6.719
6.620
6.469
6.314
6.155
6.074
5.992
5.908
5.824
5.737
5.650
11.259
8.649
7.591
7.006
6.632
6.371
6.178
6.029
5.911
5.814
5.667
5.515
5.359
5.279
5.198
5.116
5.032
4.946
4.859
10.561
8.022
6.992
6.422
6.057
5.802
5.613
5.467
5.351
5.257
5.111
4.962
4.808
4.729
4.649
4.567
4.483
4.398
4.311
10
10.044
7.559
6.552
5.994
5.636
5.386
5.200
5.057
4.942
4.849
4.706
4.558
4.405
4.327
4.247
4.165
4.082
3.996
3.909
11
9.646
7.206
6.217
5.668
5.316
5.069
4.886
4.744
4.632
4.539
4.397
4.251
4.099
4.021
3.941
3.860
3.776
3.690
3.602
12
9.330
6.927
5.953
5.412
5.064
4.821
4.640
4.499
4.388
4.296
4.155
4.010
3.858
3.780
3.701
3.619
3.535
3.449
3.361
13
9.074
6.701
5.739
5.205
4.862
4.620
4.441
4.302
4.191
4.100
3.960
3.815
3.665
3.587
3.507
3.425
3.341
3.255
3.165
14
8.862
6.515
5.564
5.035
4.695
4.456
4.278
4.140
4.030
3.939
3.800
3.656
3.505
3.427
3.348
3.266
3.181
3.094
3.004
15
8.683
6.359
5.417
4.893
4.556
4.318
4.142
4.004
3.895
3.805
3.666
3.522
3.372
3.294
3.214
3.132
3.047
2.959
2.868
16
8.531
6.226
5.292
4.773
4.437
4.202
4.026
3.890
3.780
3.691
3.553
3.409
3.259
3.181
3.101
3.018
2.933
2.845
2.753
17
8.400
6.112
5.185
4.669
4.336
4.102
3.927
3.791
3.682
3.593
3.455
3.312
3.162
3.084
3.003
2.920
2.835
2.746
2.653
172
18
8.285
6.013
5.092
4.579
4.248
4.015
3.841
3.705
3.597
3.508
3.371
3.227
3.077
2.999
2.919
2.835
2.749
2.660
2.566
19
8.185
5.926
5.010
4.500
4.171
3.939
3.765
3.631
3.523
3.434
3.297
3.153
3.003
2.925
2.844
2.761
2.674
2.584
2.489
20
8.096
5.849
4.938
4.431
4.103
3.871
3.699
3.564
3.457
3.368
3.231
3.088
2.938
2.859
2.778
2.695
2.608
2.517
2.421
21
8.017
5.780
4.874
4.369
4.042
3.812
3.640
3.506
3.398
3.310
3.173
3.030
2.880
2.801
2.720
2.636
2.548
2.457
2.360
22
7.945
5.719
4.817
4.313
3.988
3.758
3.587
3.453
3.346
3.258
3.121
2.978
2.827
2.749
2.667
2.583
2.495
2.403
2.305
23
7.881
5.664
4.765
4.264
3.939
3.710
3.539
3.406
3.299
3.211
3.074
2.931
2.781
2.702
2.620
2.535
2.447
2.354
2.256
24
7.823
5.614
4.718
4.218
3.895
3.667
3.496
3.363
3.256
3.168
3.032
2.889
2.738
2.659
2.577
2.492
2.403
2.310
2.211
25
7.770
5.568
4.675
4.177
3.855
3.627
3.457
3.324
3.217
3.129
2.993
2.850
2.699
2.620
2.538
2.453
2.364
2.270
2.169
26
7.721
5.526
4.637
4.140
3.818
3.591
3.421
3.288
3.182
3.094
2.958
2.815
2.664
2.585
2.503
2.417
2.327
2.233
2.131
27
7.677
5.488
4.601
4.106
3.785
3.558
3.388
3.256
3.149
3.062
2.926
2.783
2.632
2.552
2.470
2.384
2.294
2.198
2.097
28
7.636
5.453
4.568
4.074
3.754
3.528
3.358
3.226
3.120
3.032
2.896
2.753
2.602
2.522
2.440
2.354
2.263
2.167
2.064
29
7.598
5.420
4.538
4.045
3.725
3.499
3.330
3.198
3.092
3.005
2.868
2.726
2.574
2.495
2.412
2.325
2.234
2.138
2.034
30
7.562
5.390
4.510
4.018
3.699
3.473
3.304
3.173
3.067
2.979
2.843
2.700
2.549
2.469
2.386
2.299
2.208
2.111
2.006
40
7.314
5.179
4.313
3.828
3.514
3.291
3.124
2.993
2.888
2.801
2.665
2.522
2.369
2.288
2.203
2.114
2.019
1.917
1.805
60
7.077
4.977
4.126
3.649
3.339
3.119
2.953
2.823
2.718
2.632
2.496
2.352
2.198
2.115
2.028
1.936
1.836
1.726
1.601
120
6.851
4.787
3.949
3.480
3.174
2.956
2.792
2.663
2.559
2.472
2.336
2.192
2.035
1.950
1.860
1.763
1.656
1.533
1.381
inf
6.635
4.605
3.782
3.319
3.017
2.802
2.639
2.511
2.407
2.321
2.185
2.039
1.878
1.791
1.696 1.592
1.473
1.325
1.000
173
BIODATA
Mohd Yusri Ibrahim dilahirkan di Kampung Bukit Tanah, Besut Terengganu. Mendapat pendidikan
rendah di Sekolah Kebangsaan Tembila, Besut. Melanjutkan pendidikan peringkat menengah di
Sekolah Menengah Agama Maarif, Besut dan Sekolah Menengah Agama Atas Sultan Zainal Abidin,
Kuala Terengganu.
Memperolehi Diploma Pendidikan dalam Pengajian Fizik dan Matematik Tambahan
daripada Institut Pendidikan Guru Kuala Terengganu. Mendapat Ijazah Sarjana Muda Kepujian
dalam Bidang Geofizik dari Universiti Sains Malaysia, Pulau Pinang. Kemudian melanjutkan
pengajian peringkat sarjana dan mendapat Master Sains daripada Universiti Putra Malaysia dalam
bidang Pentadbiran Pendidikan.
Banyak melibatkan diri dalam kegiatan penyelidikan khususnya di peringkat Kementerian
Pelajaran Malaysia dan Jabatan Pelajaran Negeri. Antara penglibatan beliau dalam aktiviti
penyelidikan ialah sebagai jurulatih utama kajian tindakan Kementerian Pelajaran Malaysia, Editor
Jurnal Penyelidikan Pendidikan Jabatan Pelajaran Negeri Terengganu, jurulatih utama kajian
konvensional dan kajian tindakan Jabatan Pelajaran Negeri Terengganu dan Ahli Pasukan Petugas
Penyelidikan Pendidikan Jabatan Pelajaran Negeri Terengganu.
Sekarang beliau bertugas sebagai Penolong Kanan Kokurikulum di Sekolah Menengah
Kebangsaan Felda Neram, Kemaman Terengganu. Subjek utama pengajaran di sekolah ialah Fizik
SPM. Pada masa sama beliau juga sedang melanjutkan pengajian peringkat Doktor Falsafah dalam
bidang kepemimpinan pendidikan. Selain bekerja dan melanjutkan pengajian peringkat Ph.d,
beliau banyak menjalankan penyelidikan, menulis untuk jurnal penyelidikan, menulis untuk
majalah pendidikan dan membentang hasil penyelidikan dalam seminar-seminar pendidikan.
Sehingga kini beliau telah mengumpul banyak koleksi penulisan ilmiah sama ada yang diterbitkan
dalam jurnal mahupun yang diterbitkan dalam majalah-majalah pendidikan.
172

Buku Analisis Data PDF

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Buku Analisis Data PDF

Uploaded by

Copyright:

Available Formats

A-PDF Merger DEMO : Purchase from www.A-PDF.

com to remove the watermark

Mohd Yusri Ibrahim

Edisi Pertama / First Edition

Diterbitkan di Malaysia oleh / Published in Malaysia by

Mohd Yusri Ibrahim.

Urusan surat menyurat

Dedikasi yang terlalu khusus kepada

Isteri tercinta, Zurita Othman, yang menjadi obor pembakar semangat,

Ayah dan Emak, Ibrahim Saman & Habidah Md Nor

Membina Template SPSS

Sukatan Kecenderungan Memusat

Perbandingan Min (ujian-t)

Analisis Varian (ANOVA)

Bab 1 : Asas Pengukuran

Menjawab persoalan-persoalan yang masih belum ada jawapan

Statistik Deskriptif dan Inferensi

Bab 1 : Asas Pengukuran

Bab 1 : Asas Pengukuran

: Terdapat perbezaan yang signifikan antara pencapaian murid lelaki dan

: Terdapat perbezaan yang signifikan antara tahap motivasi guru yang

Bab 1 : Asas Pengukuran

Pastikan sampel dipilih secara rawak daripada populasi.

Sampel berada dalam taburan normal.

Bab 1 : Asas Pengukuran

Skor paling tinggi

Beza antara skor maksimun dengan

Berapa jauh skor-skor terserak dari

Menunjukkan sama ada wujud atau

Khi kuasa dua

Menunjukkan sama ada wujud atau

Perbandingan satu faktor,

Perbandingan satu faktor, > dua min/

Bab 2 : Skala Pengukuran

JADUAL 2.1 : Skala Pengukuran Dalam Penyelidikan

Kelas, kategori, ekslusif

Jantina, bangsa, agama, lokasi, bidang

Pemeringkatan (rank), unit yang tidak

Tingkatan, maklum balas terhadap respon

Nilai tidak mutlak, boleh buat operasi

Markah peperiksaan, maklum

Nilai yang mutlak, boleh buat operasi

Bab 2 : Skala Pengukuran

Kepentingan Memahami Skala Pengukuran

Bab 2 : Skala Pengukuran

JADUAL 2.2 : Kesesuian Item Statistik Mengikut Skala Pengukuran

Frekuensi/peratus, pekali kontigensi

Frekuensi/peratus, pekali Spearman, pekali

Min, sisihan piawai, pekali Pearson

Min, pekali variasi

Bab 2 : Skala Pengukuran

Bab 2 : Skala Pengukuran

JADUAL 2.3 : Kesesuaian Beberapa Item Statistik Inferensi

Satu faktor, satu min

Satu faktor, dua min

Satu faktor, > dua min

-Ujian-F, ANOVA satu hala

Dua faktor, 2 atau > min

-Ujian-F, ANOVA dua hala

- Ujian Khi Kuasa Dua

Bab 3 : Membina Template SPSS

Bab 3 : Membina Template SPSS

SOALSELIDIK PRESTASI UPSR TERENGGANU 20

Ijazah sarjana muda

+,-./ !+ +,-+!+