BAB 4

DAPATAN KAJIAN

4.0

Pendahuluan

Bab ini membincangkan dapatan kajian berdasarkan analisis data yang telah
ditetapkan. Data yang diperolehi telah dianalisis dengan menggunakan tiga
perisian, iaitu perisian SPSS Version 15, Quest, GENOVA dan AMOS version
7. Pada bahagian pertama huraian adalah berdasarkan statistik dekriptif yang
akan menyentuh aspek latar belakang responden serta pembelajaran matematik
dalam bahasa Inggeris. Kemudian, perbincangan akan berkisar kepada analisis
item menggunakan perisian Quest. Seterusnya perbincangan akan menyentuh
komponen varian yang berkait dengan dependability skor pencapaian. Akhir
sekali, huraian adalah berdasarkan analisis

SEM (Structural Equation

Modeling).

Secara umumnya huraian dalam bab ini akan menjawab soalan kajian yang
telah ditetapkan seperti berikut:
1. Apakah dependability skor ujian pencapaian mata pelajaran matematik
KBSM Tingkatan 2 mengikut Teori Generalizabiliti?
2. Apakah sumbangan setiap facet terhadap varians ralat mengikut Teori
Generalizabiliti?
3. Sejauhmanakah model cadangan fit data pembolehubah bebas dan
pembolehubah bersandar?
169

4. Adakah model yang dicadangkan fit dengan jantina lelaki dan

perempuan?
5. Adakah model yang dicadangkan fit dengan lokasi sekolah bandar dan
luar bandar?
6. Adakah terdapat kesan faktor peramal dalam model yang dicadangkan
terhadap skor pencapaian secara signifikan?

4.1

Latar belakang Responden

Seramai 500 orang pelajar tingkatan dua telah terlibat dengan kajian ini.
Ringkasan maklumat latar belakang responden ditunjukkan dalam Jadual 4.1
di sebelah. Hasil daripada pentadbiran soal selidik dan ujian yang diduduki,
seramai 225 (45%) responden adalah lelaki dan 275 (55%) perempuan.
Komposisi mengikut kaum pula melibatkan kaum Melayu seramai 385 orang
(77%) diikuti kaum Cina 83 orang (16.6%), India 27 (5.4%) orang dan lainlain (yakni Siam) seramai 5 orang (1%).

Dari segi pola tempat tinggal responden pula, kebanyakan responden berasal
atau tempat tinggal mereka adalah di kampung (N=272, 54.4%). Seramai 135
(27%) orang responden tinggal di bandar dan masing-masing responden dari
pekan kecil dan tanah rancangan seramai 88 orang (17.6%) dan 5 orang (1%)
yang tinggal di kawasan rancangan. Walaupun begitu, bilangan responden
mengikut kategori sekolah luar bandar dan sekolah bandar adalah seimbang,
iaitu masing-masing seramai 250 orang.
170

Jadual 4.1 Profil Pelajar Mengikut Jantina, Kaum, Tempat Tinggal

dan Lokasi Sekolah
Perbezaan Individu
Kekerapan (%)
Jantina
Lelaki
225 (45)
Perempuan
275 (55)
Jumlah
500 (100)
Kaum
Melayu
385 (77)
Cina
83 (16.6)
India
27 (5.4)
Lain-lain
5 (1)
Tempat
Tinggal

Lokasi
Sekolah

Jumlah
Kampung
Pekan kecil
Bandar
Tanah Rancangan
Jumlah
Luar Bandar
Bandar
Jumlah

500 (100)
272 (54.4)
88 (17.6)
135 (27)
5 (1)
500 (100)
250 (50)
250 (50)
500 (100)

Dari segi pencapaian responden dalam mata pelajaran Bahasa Inggeris pada
peringkat UPSR, kebanyakan responden mendapat gred yang baik, iaitu Gred
A (N=90, 18 %) dan Gred B (N=170, 34%). Sementara yang mendapat Gred
D dan Gred E masing-masing seramai 52 (10.4%) dan 38 (7.6%). Maklumat
gred responden ditunjukkan dalam Jadual 4.2 di bawah.

Jadual 4.2 Gred Bahasa Inggeris UPSR

Gred Bahasa Inggeris
Jumlah (%)
Gred A
90 (18.0)
Gred B
170 (34.0)
Gred C
150 (30.0)
Gred D
52 (10.4)
Gred E
38 (7.6)
Jumlah
500 (100)

171

Walaupun gred pencapaian pelajar yang diperolehi oleh responden agak baik,
seperti yang ditunjukkan dalam Jadual 4.2, namun apabila diminta menanda
dalam soal selidik berhubung kemahiran bahasa masing-masing, dapatan
kajian menunjukkan kemahiran bahasa responden perempuan lebih tinggi
daripada responden lelaki (Perempuan: M = 3.16., SD = 0.77; Lelaki: M =
3.03, SD = 0.96). Jadual 4.3 menunjukkan kemahiran bahasa Inggeris
responden.

Jadual 4.3 Kemahiran Bahasa Inggeris Megikut Jantina

Kemahiran BI
Jantina

Lelaki

Perempuan

Lokasi
sekolah

Luar bandar

Bandar

Min
N
Std.Dev.
Min
N
Std.Dev.

3.03
225
0.96
3.16
275
0.77

Min
N
Std.Dev.
Min
N
Std.Dev.

3.06
225
0.92
3.18
275
0.80

Manakala kamahiran mengikut lokasi sekolah pula seperti yang ditunjukkan

dalam Jadual 4.3 di atas, kemahiran bahasa Inggeris responden yang
bersekolah di bandar lebih tinggi daripada responden luar bandar. Skor min

172

dan sisihan piawai bagi kumpulan bandar ialah 3.18 dan 0.80; manakala skor
min dan sisihan piawai bagi pelajar luar bandar ialah 3.06 dan 0.92.

4.2

Sikap Pelajar terhadap mata pelajaran

Dapatan kajian yang dijalankan menunjukkan sikap sebenar responden kajian

ini terhadap bahasa Inggeris dan sikap mereka terhadap mata pelajaran
matematik. Skor min sikap responden terhadap kedua-dua mata pelajaran
berkenaan ditunjukkan dalam Jadual 4.4 di bawah.

Jadual 4.4 Sikap Pelajar Terhadap Mata pelajaran Mengikut Jantina

Sikap BI
Sikap Mat
Jantina
Lelaki

Min
N
Std.Dev.

3.70
225
1.40

4.16
225
1.32

Perempuan

Min
N
Std.Dev.

4.20
275
1.07

4.43
275
1.10

Dapatan kajian menunjukkan bahawa sikap responden perempuan adalah lebih

positif berbanding responden lelaki bagi kedua-dua mata pelajaran berkenaan.
Bagi mata pelajaran bahasa Inggeris

skor min dan sisihan piawai bagi

responden perempuan ialah 4.20 dan 1.07 berbanding responden lelaki 3.70
dan 1.40. Bagi mata pelajaran matematik pula skor min dan sisihan piawai

173

responden perempuan ialah 4.43 dan 1.10. Manakala skor min dan sisihan
piawai bagi responden lelaki ialah 4.16 dan 1.32.

Bagi sikap terhadap mata pelajaran mengikut lokasi sekolah pula Jadual 4.5 di
bawah memaparkan sikap responden terbabit. Skor min bagi sikap responden
sekolah lokasi bandar dan luar bandar adalah sama, iaitu masing-masing 3.97.
Sikap matematik pula menunjukkan sikap responden sekolah bandar lebih
tinggi daripada sekolah luar bandar. Skor min dan sisihan piawai bagi sekolah
lokasi bandar ialah 4.32 dan 1.16. Sementara skor min dan sisihan piawai
bagi sekolah lokasi luar bandar ialah 4.29 dan 1.25.

Jadual 4.5 Sikap Pelajar Terhadap Mata pelajaran Mengikut Lokasi sekolah
Sikap BI
Sikap Mat
Lokasi sekolah

4.3

Luar bandar

Min
N
Std.Dev.

3.97
250
1.27

4.29
250
1.25

Bandar

Min
N
Std.Dev.

3.97
250
1.23

4.32
250
1.16

Pembelajaran Matematik Dalam Bahasa Inggeris

Bagi mengetahui pengendalian pengajaran dan sama ada responden seronok

atau sukar mengikuti pembelajaran matematik dalam bahasa Inggeris, Jadual
4.6 di sebelah menunjukkan keadaan demikian.

174

Jadual 4.6 Pembelajaran Matematik dalam Bahasa Inggeris

Tidak
Bersetuju
Tidak pasti
Bersetuju

Saya seronok belajar

matematik dalam BI.

261 (52.2%)

142 (28%)

97 (19.4%)

Saya sukar
mengikuti
pembelajaran
matematik dalam BI.

132 (26.4%)

166 (33.2%)

202 (40.4%)

Guru matematik
saya mengajar
menggunakan
bahasa Inggeris dan
bahasa Melayu

16 (3.2%)

55 (11.0%)

429 (85.8%)

Responden

menunjukkan kecenderungan untuk Tidak bersetuju bahawa

mereka seronok belajar matematik dalam bahasa Inggeris (N = 261, 52.2%)

berbanding dengan bilangan responden yang Bersetuju (N = 97, 19.4%).
Responden juga mengakui bahawa mereka sukar mengikuti pembelajaran
matematik dalam bahasa Inggeris. Jadual 4.6 dia atas memaparkan 202
(40.4%)

responden

Bersetuju

bahawa

mereka

sukar

mengikuti

pembelajaran berbanding hanya 132 (26.4%) responden berpendapat mereka

tidak sukar dalam mengikuti pembelajaran berkenaan. Seiring dengan dapatan
tersebut, kajian ini juga menunjukkan bahawa pengajaran dan pembelajaran
matematik masih lagi dikendalikan secara tidak sepenuhnya dalam bahasa
Inggeris kerana responden sendiri sukar mengikuti pengajaran dalam bahasa

175

Inggeris. Lebih 80 peratus pelajar bersetuju

bahawa pengajaran masih

disampaikan dalam bahasa Melayu dan bahasa Inggeris.

4.4

Analisis Item Ujian

Kualiti sesuatu item dapat ditentukan berdasar kepada indeks kesukaran dan
indeks diskriminasi. Indek kesukaran merujuk kepada nisbah jawapan calon
yang menjawab dengan betul berbanding dengan keseluruhan bilangan calon
yang menduduki sesuatu ujian berkenaan. Nilai yang ditunjukkan adalah
antara kosong (sifar) hingga satu (0 hingga 1). Jika nilai yang diperolehi ialah
satu bermakna semua calon menjawab dengan tepat atau betul. Ujian yang
baik seharusnya memiliki nilai indeks kesukaran antara

0.3 hingga 0.7

(Kaplan & Saccuzzo, 2001).

Pekali Point-Biserial merujuk kepada hubungan antara skor item dengan skor
ujian. Ia memberikan petunjuk kekuatan sesuatu item berkenaan dalam
membezakan pelajar mengikut kumpulan pencapaian sesuatu ujian. Nilai
indeks Point-Biserial

yang tinggi menunjukkan item tersebut berpotensi

dijawab dengan betul oleh kebanyakan pelajar yang cerdik berbanding dengan
pelajar yang lemah. Ujian yang baik nilai indeks Point-Biserial berada di
antara 0.3 hingga 0.6 (Bond & Fox, 2001).

Jadual 4.7 menunjukkan 15 item yang ditadbir dalam ujian pencapaian

matematik Tingkatan 2. Ujian ini melibatkan 10 item berbentuk objektif dan 5
176

item berbentuk soalan subjektif. Hasil daripada jawapan yang diberikan pelajar
telah dianalisis menggunakan perisian Quest. Dapatan analisis berasaskan
pekali kesukaran dan Point-Biserial.

Item

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Jadual 4.7 Indeks Kesukaran dan Point-Biserial Ujian Asal

Indeks
Point-Biserial
Catatan
Kesukaran
0.85
0.55
0.35
0.44
0.57
0.56
0.59
0.19
0.32
0.57
0.22
1.00
0.42
0.28
0.45

0.16
0.50
0.27
0.48
0.36
0.53
0.39
0.33
0.28
0.36
0.37
0
0.39
0.55
0.35

Perlu dibaiki
Diterima
Perlu dibaiki
Diterima
Diterima
Diterima
Diterima
Diterima
Perlu dibaiki
Diterima
Diterima
Digugurkan
Diterima
Diterima
Diterima

Secara umumnya kebanyakan item dalam ujian asal ini boleh diterima.
Sementara item 12 perlu digugurkan kerana tergolong dalam item yang
dianggar terlalu mudah kerana semua responden dapat menjawab dengan
betul. Terdapat tiga item perlu dibaiki semula iaitu item 1, item 3 dan item 9.
Item yang dianggap paling sukar ialah item 8.

177

Jadual 4.8 Indeks Kesukaran dan Point-Biserial Ujian Ubah suai

Item
Indeks
Point-Biserial
Catatan
Kesukaran
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

0.91
0.62
0.43
0.62
0.81
0.71
0.50
0.34
0.39
0.40
0.37
0.30
0.70
0.40
0.61

-0.07
0.56
0.30
0.58
0.42
0.51
0.48
0.32
0.20
0.35
0.56
0.05
0.45
0.59
0.50

Digugurkan
Diterima
Diterima
Diterima
Diterima
Diterima
Diterima
Diterima
Dibaiki
Diterima
Diterima
Digugurkan
Diterima
Diterima
Diterima

Bagi ujian yang diubah suai pula, Jadual 4.8 menunjukkan item 1 dan item 12
perlu digugurkan. Sementara hanya satu item, iaitu item 9 perlu dibaiki. Itemitem lain boleh diterima kerana berada dalam lingkungan indeks kesukaran
dan Point-Biserial yang boleh diterima.

Jika dibandingkan ujian asal dengan ujian ubah suai, didapati kebanyakkan
nilai indeks kesukaran item dalam ujian yang diubah suai didapati lebih tinggi
daripada item ujian asal. Keadaan ini menunjukkan item yang diubah suai
lebih mudah berbanding item ujian asal. Rajah 4.1 di bawah menunjukkan
perbezaan nilai indeks kesukaran bagi kedua-dua ujian berkenaan.

178

Rajah 4.1 Graf Indeks Kesukaran Ujian Asal dan Ubah Suai

Daripada Rajah 4.1 di atas didapati hanya item 10 dan item 12 yang nilai
indeks kesukarannya yang berada lebih rendah daripada ujian asal. Manakala
item lain, nilai indeks kesukaran adalah menunjukkan lebih baik daripada
ujian asal. Rajah 4.2(a) dan 4.2(b) menunjukkan Keluk Ciri Item (ICC) bagi
soalan ujian asal dan soalan ujian ubah suai.

179

Probability

Ability

Rajah 4.2(a) Keluk ICC Ujian Asal

Rajah 4.2 (a) menunjukkan keluk Ciri Item bagi ujian asal. Setiap keluk
menunjukkan tahap diskriminasi yang sama tetapi aras kesukaran yang
berbeza. Keluk yang paling kiri, iaitu bagi item 7 menunjukkan item yang
paling mudah. Keluk yang terletak di tengah-tengah menunjukkan item yang
lebih sederhana kesukarannya dan keluk yang paling kiri, yang ditunjukkan
oleh item 5 adalah item yang lebih sukar. Berdasarkan rajah ini, didapati item
7 ialah item yang paling mudah kerana kemungkinan pelajar menjawab betul
adalah tinggi berdasarkan hanya memerlukan kebolehan responden calon yang
180

rendah. Berbeza dengan item 5 yang didapati lebih sukar kerana kemungkinan
calon untuk menjawab dengan betul berdasarkan kebolehan pada tahap 4

Probability

sebanyak 0.50.

Ability

Rajah 4.2(b) Keluk ICC Ujian Ubah Suai

Seperti Rajah 4.2 (a) untuk ujian asal, Rajah 4.2(b) turut menunjukkan
keadaan yang sama; dengan item 7 masih dianggap sebagai mudah dan item 5
dianggap sebagai item yang sukar. Perbezaan antara Rajah 4.2(a) dan Rajah
4.2(b) ialah pergerakan keluk telah beralih ke sebelah kiri. Dalam erti kata
yang lain pergerakan dari kanan ke kiri (Rajah 4.2(a)) ke kiri (Rajah 4.2(b)
181

menunjukkan darjah atau tahap kesukaran telah menjadi semakin mudah.

Misalnya, dalam Rajah 4.2(a) bagi item 5 didapati kemungkinan pelajar yang
menjawab dengan betul dengan abiliti pada tahap 4 ialah 0.50. Namun, telah
berubah kepada abiliti 3.6 untuk menjawab dengan betul pada tahap yang
sama. Begitu juga dengan item yang lain. Keadaan ini menunjukkan bahawa
penggunaan item yang diubah suai adalah lebih mudah berbanding item asal.

4.5

Analisis Skor Ujian

Daripada jawapan responden yang diterima, responden cenderung kepada

berpendapat soalan ujian asal lebih sukar berbanding dengan soalan ujian yang
diubah suai struktur ayatnya. Jadual

4.9 memaparkan

pendapat mereka

tentang kedua-dua ujian berkenaan.

Jadual 4.9 Pandangan Tentang Soalan Ujian

Sukar

Sederhana

Mudah

Secara
keseluruhan
soalan ujian ini
(Asal)

182 (36.4%)

273 (54.6%)

45 (9.0%)

Secara
keseluruhan
soalan ujian ini
(Ubah suai)

72 (14.4%)

303 (60.6%)

125 (25.0%)

182

Daripada data yang ditunjukkan dalam jadual di atas, lebih 30% responden
berpendapat soalan ujian asal adalah sukar berbanding hanya 14% sahaja
yang berpendapat soalan ujian yang telah ubah suai adalah sukar. Bagi soalan
ujian asal, responden yang berpendapat sederhana ialah 54.6 % dan 60 %
bagi soalan ubah suai. Sementara responden yang berpendapat soalan ujian
asal adalah mudah ialah 9 % dan bagi soalan ujian yang diubah suai ialah
25%. Keadaan menunjukkan bahawa ujian yang diubah suai adalah lebih
mudah berbanding soalan ujian asal.

Dari segi skor pencapaian responden dalam kedua-dua ujian berkenaan Jadual
4.10 di bawah menunjukan perbezaan skor min kedua-dua ujian berkenaan.

Jadual 4.10 Perbezaan Skor Min Ujian

Ujian Asal
Ujian Ubah suai
N
500
500
Min
5.62
7.45
Mod
6
7
Std.Dev.
2.77
2.46
Minimum
0
0
Maksimum
13
14
Skewness
0.068
-0.678
Kurtosis
-0.013
-0.771

Berdasarkan jadual di atas, skor min bagi ujian asal ialah 5.62 dan skor min
bagi ujian yang diubah suai meningkat kepada 7.45.

ini menunjukkan

wujudnya peningkatan dalam skor min sebanyak 1.83. Skor maksimum yang

183

diperolehi dalam ujian asal ialah 13 manakala bagi ujian ubah suai ialah 14.
Rajah 4.3 (a) dan Rajah 4.3 (b) di sebelah menunjukkan keluk normal dan
taburan skor setiap ujian berkenaan.

80

Frequency

60

40

20

Mean =5.62
Std. Dev. =2.774
N =500
0
-5.00

0.00

5.00

10.00

15.00

Skor ujian soalan asal

Rajah 4.3 (a) Carta Skor Ujian Asal

80

Frequency

60

40

20

Mean =7.45
Std. Dev. =2.795
N =500
0
-5.00

0.00

5.00

10.00

15.00

Skor ujian soalan ubah suai

Rajah 4.3 (b) Carta Skor Ujian Ubah Suai

184

Bagi mengetahui adakah wujud perbezaan yang signifikan di antara kedua-dua

ujian tersebut, Ujian-t dijalankan dan dapatan seperti dalam Jadual 4.11.
Jadual 4.11 Ujian t Soalan Asal dan soalan Ubah suai
Paired Diffrences
Mean

Skor
Ubah
Suai
Skor asal

1.830

Std.
Dev.
1.121

Std.
Error
Mean
0.0511

95%
C.I
1.700

1.960

t
36.52

df
499

Sig.
(2tailed)
0.001

Daripada jadual di atas, bagi sampel kajian ini (n = 500), min skor ujian
soalan ubah suai (M = 7.45, SD = 2.80, n = 500) lebih tinggi daripada min
skor ujian asal (M = 5.62, SD = 2.77, n = 500). Keputusan ujian t
menunjukkan min skor pencapaian ujian asal adalah berbeza secara signifikan
( t (499) = 36.52, p<0.001) dengan perbezaan min sebanyak 1.83. Keadaan ini
juga menunjukkan bahawa ujian ubah suai lebih membantu pelajar dalam
memahami kehendak soalan berbanding ujian asal.

Jika ditinjau secara lebih lanjut antara bentuk soalan objektif dan soalan
subjektif, Jadual 4.12 menunjukkan perbezaan kedua-dua bentuk soalan
tersebut. Daripada ujian t yang dijalankan bagi melihat perbezaan antara
soalan berbentuk objektif dan subjektif bagi kedua-dua ujian berkenaan,
didapati terdapat perbezaan yang signifikan antara soalan objektif dan soalan
subjektif bagi kedua-dua ujian berkenaan. Daripada Jadual 4.12, bagi sampel
185

kajian ini (n = 500), skor soalan objektif ujian asal (M = 4.23, SD = 2.41, n =
500) lebih tinggi daripada skor ujian asal soalan subjektif (M = 1.39, SD =
1.11, n = 500). Keputusan ujian t menunjukkan min skor pencapaian ujian
asal soalan objektif adalah berbeza secara signifikan dengan skor ujian asal
soalan subjektif ( t (499) = 25.06, p<0.001) dengan perbezaan min sebanyak
2.84. Begitu juga dengan soalan objektif ujian ubah suai (M = 5.49, SD =
2.46, n = 500) lebih tinggi dari skor soalan subjektif (M = 1.95, SD = 1.28, n =
500). Ujian t menunjukkan min skor pencapaian adalah berbeza secara
signifikan ( t (499) = 28.86, p<0.001) dengan perbezaan min sebanyak 3.55.

Jadual 4.12 Ujian -t bagi Soalan Objektif dan Subjektif Asal dan ubah suai
Paired Diffrences
Mean

Std.
Dev.

Std.
Error
Mean

95%
C.I
T

df

Sig.
(2tailed)

Oriobj
Orisubj

2.844

2.538

0.1135

2.621

3.066

25.06

499

0.001

Modiobj

Modisubj

3.546

2.747

0.1229

3.305

3.787

28.86

499

0.001

Modiobj

Oriobj

1.262

1.541

0.0689

1.127

1.397

18.31

499

0.001

Orisubj 0.560 1.301 0.0582 0.446

Modisubj
Oriobj = Skor soalan objektif asal
Orisubj = Skor soalan subjektif asal
Modiobj = Skor soalan objektif ubah suai
Modisubj = Skor soalan subjektif ubah suai

0.674

9.62

499

0.001

186

Di samping perbezaan pencapaian berdasarkan soalan asal dan soalan ubah

suai, perbezaan juga ditunjukkan berdasarkan format soalan. Pencapaian
responden bagi soalan objektif lebih tinggi daripada soalan subjektif. Jadual di
atas memaparkan ujian-t bagi soalan objektif dan soalan subjektif. Bagi soalan
objektif ubah suai, skor min (M =5.50, SD = 2.46, n = 500) lebih tinggi
daripada skor min soalan objektif asal (M = 1.95, SD = 1.28, n = 500). Ujian t
menunjukkan min skor adalah berbeza secara signifikan ( t (499) = 18.31,
p<0.001 dengan perbezaan min sebanyak 1.26.

Apabila korelasi dijalankan bagi kedua-dua ujian berkenaan, dapatan

menunjukkan kedua ujian mempunyai hubungan positif yang kuat ( r = 0.92,
p<0.01) seperti ditunjukkan dalam Jadual 4.13.

Jadual 4.13 Korelasi Antara Ujian Asal dan Ujian Ubah suai
Skor ujian
ubah suai
Skor ujian asal

Pearson
.919(**)
Correlation
Sig. (2-tailed)
.000
N
500
** Correlation is significant at the 0.01 level (2-tailed).

Hubungan kedua ujian berkenaan juga dapat dilihat dengan jelas dalam Rajah
4.4 di sebelah.

187

13.00

Skor ujian soalan ubah suai

14.00

12.00

10.00

9.00

11.00

8.00

7.00
6.00
5.00

3.00

2.00

1.00

0.00

4.00

0.00

2.00
1.00

4.00
3.00

6.00
5.00

8.00
7.00

10.00
9.00

12.00
11.00

13.00

Skor ujian soalan asal

Rajah 4.4 Scatter plot Ujian Asal dan Ujian Ubah suai

Memandangkan dapatan yang dijelaskan oleh responden yang berpendapat

kedua-dua ujian ini masih sukar (lebih 35% berpendapat ujian asal sukar dan
15% berpendapat ujian ubah suai sukar ), responden juga berpendapat mereka
lebih cenderung untuk menjawab soalan matematik dalam bahasa Melayu.
Jadual 4.14 di sebelah menunjukkan kecenderungan responden.

188

Jadual 4.14 Kecenderungan Responden Untuk Memilih Bahasa Pengantar

Soalan Ujian
Bahasa
Bahasa
Melayu
Inggeris
Pilihan bahasa pengantar

372
(74.4%)

128
(25.6%)

Jadual 4.14 di atas menunjukkan kecenderungan responden yang lebih suka

untuk soalan ujian menggunakan bahasa Melayu. Lebih 70% pelajar memilih
untuk menjawab ujian matematik dalam bahasa Melayu berbanding hanya
25.6% yang cenderung kepada soalan dalam bahasa Inggeris.

Apabila ditanya tentang kecenderungan untuk memilih menjawab antara

kedua-dua ujian berkenaan, didapati majoriti responden (91.2%) memilih
untuk menjawab dengan menggunakan soalan yang telah diubah suai. Jadual
4.15 menunjukkan kecenderungan responden untuk memilih bentuk soalan
ujian.

Jadual 4.15 Kecenderungan Responden Untuk Memilih

Bentuk Soalan Ujian
Ujian asal
Ujian Ubah
suai
Pilihan bentuk soalan

44
(8.8%)

456
(91.2%)

189

4.6

Analisis GENOVA

Analisis data berdasarkan Teori Generalizabiliti dilaksanakan menerusi dua

langkah, iaitu kajian generalizabiliti (Kajian -G) dan kajian keputusan (Kajian
-D). Kajian -G mengambil kira anggaran kesan setiap komponen varian yang
secara relatif terhadap skor responden. Sementara kajian -D pula melibatkan
kepelbagaian pengaplikasian

reka bentuk

yang telah ditentukan hasil

manipulasi komponen varian dalam kajian -G (Brennan, 1993; Shavelson &

Webb, 1991).

4.6.1 Kajian -G
Dalam kajian ini, objek pengukuran ialah responden. Reka bentuk kajian -G
adalah p x i dan komponen varian bagi item ujian asal dan item ujian ubah suai
seperti yang dipaparkan dalam jadual 4.16 di bawah bagi ujian asal dan Rajah
4.17 bagi ujian ubah suai.

Facet
(p)
(i)
pi + e

Jadual 4.16 Komponen Varian Ujian Asal

df
Jumlah
Min
Komponen
Kuasa dua Kuasa dua
Varian
499
14
6986

1287.9333
1299.5620
2769.0000

0.53730
19.80337
0.17232

0.02487
0.00351
0.01173

%
Varian
62
9
29

Koeffisien G (p) = 0.676

Jadual 4.16 menunjukkan komponen varian setiap facet yang menyumbang
kepada perbezaan skor pelajar. Komponen varian p (pelajar) menyumbang

190

peratusan yang tertinggi daripada jumlah keseluruhan varian, yakni sebanyak

62%, diikuti dengan kombinasi facet pi + e sebanyak 29%. Manakala item
menyumbang 9% daripada jumlah keseluruhan.

Facet

(p)
(i)
pi + e

Jadual 4.17 Komponen Varian Ujian Ubah Suai

df
Jumlah
Min Kuasa
Komponen
Kuasa dua
dua
Varian
499
14
6986

2192.2000
2289.6220
3793.0000

0.54900
26.52682
0.17598

0.02400
0.00262
0.01149

%
Varian
63
7
30

Koeffisien G (p) = 0.679

Sementara hasil ujian ke atas yang diubah suai, masih menunjukkan bahawa
komponen varian yang disumbangkan oleh p masih lagi tinggi berbanding
facet yang lain. Jadual 4.17 menunjukkan p menyumbang sebanyak 63%
daripada jumlah varian keseluruhan. Perbezaan disebabkan item (i) pula
menyumbang sebanyak 7% serta kombinasi pi + e menyumbang 30%
perbezaan dalam pencapaian.

Daripada kedua-dua ujian ini di dapati varian pelajar adalah tinggi kerana ini
menunjukkan secara sistematik berdasarkan

kebolehan pelajar berkenaan.

Dalam hal ini, skor pelajar menunjukkan variabiliti skor yang memberikan
gambaran bahawa komponen p menyumbang kepada variabiliti skor.
Peratusan yang tinggi bagi komponen p menunjukkan skor yang diperolehi
disumbangkan oleh faktor pelajar sendiri secara sistematik. Misalnya, seperti

191

faktor pembelajaran yang dilalui. Penurunan peratusan sumbangan facet item

daripada 9% kepada 7% menunjukkan penurunan ralat yang disumbangkan
oleh item yang menunjukkan item yang telah ubah suai lebih mudah difahami
oleh responden. Pertambahan varian kombinasi

p,i dan e

menunjukkan

adanya kemungkinan interaksi antara item dengan pelajar, yakni ada

sebilangan item tertentu menjadi lebih mudah kepada pelajar tertentu misalnya
kepada

pelajar bandar. Sesetengah item pula masih tidak memberikan

kelebihan kepada pelajar lain. Keadaan ini juga menunjukkan wujud pengaruh
faktor lain yang tidak dikaji seperti masalah alat tulis yang dihadapi pelajar
dan sebagainya. Lampiran

J dan Lampiran K menunjukkan contoh min

sampel item ujian asal dan ujian ubah suai.

Rajah 4.5 (a) dan Rajah 4.5(b) menunjukkan pecahan komponen varian bagi
kedua-dua ujian tersebut.

Kombinasi
Pelajar, Item
dan ralat lain
29%

Item
9%

Pelajar
62%

192

Rajah 4.5(a) Sumber Varian Ujian Asal

Kombinasi
Pelajar, Item
dan ralat lain
30%

Item
7%

Pelajar
62%

Rajah 4.5(b) Sumber Varian Ujian Ubah suai

Dalam hal ini, kesan komponen varian

terhadap kebolehpercayaan

pengukuran bergantung kepada pertimbangan berikut (Brennan, 1983):

i. nilai generalizabiliti secara umum dan sama ada sumber facet yang
ditunjukkan dalam kajian adalah mencerminkan keadaan sebenar sampel
atau semua populasi.
ii. reka bentuk pengukuran atau bagaimana pengukuran itu dijalankan; dan
iii. keputusan yang ingin dibuat.

4.6.2 Kajian -D
Dalam kajian G, koeffisien G (p) memaparkan tahap perbezaan secara
relatif bagi varian ralat (relative error variance). Dalam kajian D koeffisien

193

phi () menunjukkan darjah perbezaan secara mutlak varian ralat (absolute

error variance). Berdasarkan Jadual 4.18 dan 4.19 di sebelah menunjukkan
perbezaan sumbangan setiap komponen facet dalam menyumbang kepada
ralat pengukuran apabila bilangan item bertambah.

Jadual 4.18 Komponen Varian Kajian D Berdasarkan Pertambahan

Bilangan Item Ujian Asal
Item
Sumber

p 0.02487
i 0.05270
pi + e 0.17598
Koeffisiens
Generalizabiliti
p

0.122
0.101

15

20

30

40

50

0.02487
0.00351
0.01173

0.02487
0.0064
0.00880

0.02487
0.00176
0.00587

0.02487
0.00132
0.00440

0.02487
0.00105
0.00352

0.676
0.630

0.736
0.694

0.807
0.773

0.848
0.819

0.874
0.850

Berdasarkan Jadual 4.18, apabila bilangan item ujian bertambah, didapati nilai
koeffisien (p

dan ) semakin meningkat. Daripada Jadual di atas

memperlihatkan pertambahan nilai koeffisien semakin berkurangan apabila

bilangan item melebihi 40 item. Dengan itu, jumlah item yang dianggap sesuai
ialah sebanyak 30 item. Ini kerana walaupun berlakunya pertambahan item
lebih daripada 40 item, didapati nilai perbezaan adalah kecil sahaja.

194

Jadual 4.19 Komponen Varian Kajian D Berdasarkan Pertambahan

Bilangan Item Ujian Ubah Suai

Item
Sumber

p 0.02400
i 0.03926
pi + e 0.17232
Koeffisiens
Generalizabiliti
p

0.124
0.100

15

20

30

40

50

0.02400
0.00262
0.01149

0.02400
0.00196
0.00862

0.02400
0.00131
0.00574

0.02400
0.00098
0.00431

0.02400
0.00079
0.00345

0.679
0.620

0.739
0.685

0.809
0.765

0.850
0.813

0.876
0.845

Sebagaimana Jadual 4.18, apabila berlaku pertambahan item semakin

meningkat nilai koeffisien ujian berkenaan. Daripada Jadual 4.19 didapati nilai
p dan telah meningkat. Kesesuaian item berlaku pada tahap bilangan item
sebanyak 30 item.

Walau bagaimanapun, apabila analisis lebih terperinci yang melibatkan

pemisahan antara soalan objektif dan soalan subjektif bagi kedua-dua ujian
berkenaan, terdapat sedikit perbezaan dari segi kesesuaian bilangan item.
Jadual 4. 20 menunjukkan perbezaan peratusan sumbangan varian mengikut
facet dengan jelas.

195

Jadual 4.20 Komponen Varian Kajian D Berdasarkan Pertambahan

Bilangan Item Objektif Ujian Asal
Item

10

20

30

40

50

p
i
pi + e

0.02088
0.03983
0.18946

0.02088
0.00398
0.01895

0.02088
0.00199
0.00947

0.02088
0.00133
0.00632

0.02088
0.00100
0.00474

0.02088
0.00080
0.00379

Koeffisiens
Generalizabiliti
p

0.10
0.08

0.52
0.48

0.69
0.64

0.77
0.73

0.82
0.78

0.85
0.82

Sumber

Berdasarkan jadual di atas, kesesuaian item dengan rater berlaku pada tahap
bilangan item sebanyak 30 item bagi ujian asal.

Jadual 4.21 Komponen Varian Kajian D Berdasarkan Pertambahan

Bilangan Item Subjektif Ujian Asal
Item

20

30

40

50

p
i
pi + e

0.02194
0.04530
0.14370

0.02194
0.00906
0.02874

0.02194
0.00227
0.00718

0.02194
0.00151
0.00479

0.02194
0.00113
0.00359

0.02194
0.00091
0.00287

Koeffisiens
Generalizabiliti
p

0.13
0.10

0.43
0.37

0.75
0.70

0.82
0.78

0.86
0.82

0.88
0.85

Sumber

196

Sementara bagi item subjektif untuk soalan asal kesesuaian item dengan rater
berlaku pada tahap bilangan item sebanyak 20 item.

Jadual 4.22 Komponen Varian Kajian D Berdasarkan Pertambahan

Bilangan Item objektif Ujian Ubah suai
Item

10

20

30

40

50

p
i
pi + e

0.02665
0.03460
0.18480

0.02665
0.00346
0.01848

0.02665
0.00173
0.00924

0.02665
0.00115
0.00616

0.02665
0.00087
0.00462

0.02665
0.00069
0.00370

Koeffisiens
Generalizabiliti
p

0.13
0.11

0.59
0.54

0.74
0.70

0.81
0.78

0.85
0.82

0.88
0.86

Sumber

Bagi item objektif untuk soalan ubah suai, kesesuaian item dengan rater
berlaku pada tahap bilangan item sebanyak 20 item.

Jadual 4.23 Komponen Varian Kajian D Berdasarkan Pertambahan

Bilangan Item Subjektif Ujian Ubah suai
Item

20

30

40

50

p
i
pi + e

0.03578
0.06986
0.14654

0.03578
0.01397
0.02931

0.03578
0.00349
0.00733

0.03578
0.00233
0.00488

0.03578
0.00175
0.00366

0.03578
0.00140
0.00293

Koeffisiens
Generalizabiliti
p

0.20
0.14

0.55
0.45

0.83
0.77

0.88
0.83

0.91
0.87

0.92
0.89

Sumber

197

Bagi item subjektif untuk soalan asal kesesuaian item dengan rater berlaku
pada tahap bilangan item sebanyak 20 item.

Daripada kajian D yang dijalankan ini jelas menunjukkan bahawa penentuan

bilangan item yang sesuai bagi sesuatu ujian dapat dikenal pasti dengan lebih
tepat dengan berasaskan data yang telah diperolehi. Dalam hal ini terpulang
kepada penggubal atau guru untuk menentukan bilangan item untuk ditadbir
kepada pelajar dalam mengukur pencapaian pelajar dan seterusnya
melaksanakan aktiviti susulan atau lanjutan.

Rajah 4.6 menunjukkan nilai koeffisien G (p) dan koeffisien phi () bagi
pertambahan item.

Nilai Koeffisien

100
80
60

Koeffisien G
Koeffisien Phi

40
20
0
0

15

20

30

40

50

60

Bilangan Item

Rajah 4.6 Nilai Koeffisien Ujian

198

4.7

Analisis Model Persamaan Struktural (SEM)

Bagi menentukan skor pencapaian ujian yang mana lebih tinggi antara soalan
asal dan soalan ubah suai, skor kedua

dua ujian berkenaan di ujian

menggunakan perisian Amos. Hasil ujian seperti dalam Rajah 4.7 di bawah.

5.62, 7.68

7.45, 8.80
7.80
6.44,

6.44, 8.37

Soalan asal

Soalan ubah suai

6.28
7.11

Rajah 4.7 Min dan Varian Ujian Asal dan Ujian Ubah suai

Merujuk Rajah 4.7 di atas, didapati min bagi soalan asal adalah lebih rendah
daripada min ujian yang telah diubah suai (min ujian asal = 5.62, min ujian
ubah suai = 7.45). Begitu juga dengan nilai varian soalan asal (varian soalan
asal = 7.68, varian soalan ubah suai = 7.80).

Berdasarkan ujian Amos yang menunjukkan skor pencapaian ujian ubah suai
lebih tinggi daripada skor ujian asal, berikutnya analisis model model
cadangan skor pencapaian responden dalam ujian matematik dalam kajian ini.
Rajah 4.8 di bawah menunjukkan model cadangan yang akan diuji

199

menggunakan Analisis Model Persamaan Struktural (SEM) dengan perisian

AMOS.

1
e3

r3 1

r1

KBI

Gred BI

1
e2

1
e1

1
Obj
SkorMat

1
e7

BI1
BI6

e6

1
e5

1
Subj

1
AtBI

e13

e14

r2

BI9

1
e4

BI15

AtMat
Mat1

e12

Mat5

e11

Mat11

Mat13

e10

e9

Mat15

e8

Rajah 4.8 Model Penuh Skor Pencapaian Ujian Matematik

200

Berdasarkan rajah di sebelah persamaan struktural boleh dinyatakan seperti

berikut:
Gred BI = 1 Kem.BI + 2 AttBI + r1
KBI = 1 AttBI + r3
Skor Mat = 1Gred BI + 2 Kem.BI + 3 AttBI + 4 AttMat + r2

4.8

Analisis Model Cadangan

Beberapa prosedur telah dijalankan bagi analisis awal terhadap model yang
dicadangkan. Pertama, spesifikasi model telah diteliti bagi mengenal pasti ciriciri pemboleh ubah sebelum proses estimasi dijalankan. Jadual 4.24
menunjukkan penerangan ringkas

tentang pemboleh ubah dalam model

cadangan.

201

Jadual 4.24 Pemboleh ubah-Pemboleh ubah Model Cadangan

Konstruk
Penerangan

Kod

Skor ujian

Skor ujian yang diduduki responden.

Skor Mat

Gred BI

Gred bahasa Inggeris dalam UPSR.

Gred BI

AttMat

1. Matematik bukanlah mata pelajaran yang

menarik.
5. Saya kurang berminat mempelajari matematik.
11. Belajar matematik adalah membosankan.
13. Matematik adalah salah satu daripada mata
pelajaran yang menakutkan saya.
15. Saya tidak mahu mengambil mata pelajaran
matematik melainkan diwajibkan mengambil.

Kemahiran
BI

Memahami bahasa Inggeris.

Bercakap dalam bahasa Inggeris
Membaca dalam bahasa Inggeris.

AttBI

1. Bahasa Inggeris bukanlah mata pelajaran yang

menarik.
6. Saya tidak akan belajar bahasa Inggeris
melainkan diwajibkan mempelajarinya.
9. Saya kurang berminat mempelajari bahasa
Inggeris.
15. Bahasa Inggeris adalah salah satu mata
pelajaran yang menakutkan saya.

Mat1
Mat5
Mat11
Mat13
Mat15

M
C
B
BI1
BI6
BI9
BI15

Dari aspek spesifikasi model ini adalah seperti berikut:

Konstruk Eksogenious Kemahiran Bahasa Inggeris

F = Kem.BI + e3
C = Kem.BI + e2
B = Kem.BI + e1
Konstruk Eksogenious Sikap terhadap bahasa Inggeris

202

BI1 = BI1Att.BI + e7
BI6 = BI6 Att.BI + e6
BI9 = BI9Att.BI + e5
BI15 = BI15Att.BI + e4
Konstruk Endogenious Sikap terhadap matematik
Mat1 = Mat1Att.Mat + e12
Mat5 = Mat5 Att.Mat + e11
Mat11 = Mat11Att.Mat + e10
Mat13 = Mat13Att.Mat + e9
Mat15 = Mat15Att.Mat + e8

Model recursive ini diuji dengan sampel responden seramai 500 orang. Model
ini mengandungi 18 parameter yang jelas untuk dianggarkan dengan 84 darjah
kebebasan (df). Lineariti sampel data telah disemak menerusi taburan plot
bivariat semua pasangan pemboleh ubah yang terlibat dan menunjukkan
normal.
Sebarang data yang outliers telah dikenal pasti dan diketepikan bagi
mengelakkan daripada menjejaskan nilai statistik. Taburan normaliti sampel
data turut dijalankan bagi memenuhi keperluan aplikasi SEM.

203

4.9

Normaliti

Andaian asas dalam SEM dan ujian statistik melibatkan taburan data yang
normal. Dengan itu normaliti multivariat bagi pemboleh ubah yang terdapat
dalam model

ini ditentukan terlebih dahulu. Normaliti multivariat

mengandaikan bahawa semua pemboleh ubah dan kombinasi semua pemboleh

ubah dalam taburan normal. Taburan yang normal analisis multi variat setiap
pemboleh ubah dikira normal apabila nilai skewness dan kurtosis adalah sifar
(Anderson & Gerbing, 1988).

Sebelum analisis normaliti menggunakan perisian Amos, hasil ujian normaliti

menggunakan perisian SPSS didapati semua item yang dikaji memenuhi
taburan normal. Seterusnya, normaliti bagi setiap pemboleh ubah berkenaan
dianalisis menggunakan perisian Amos bagi menentukan nilai skewness dan
kurtosis bagi setiap pemboleh ubah terlibat.

Jadual 4.25 di bawah

memaparkan ringkasan nilai skewness dan kurtosis serta multivariat.

204

Jadual 4.25 Normaliti Pemboleh ubah

Pemboleh ubah skewness
c.r.
kurtosis
BI
0.143
1.306
-0.490
Skor Obj
0.106
0.966
-0.763
Skor Subj
0.373
3.409
-0.644
BI1
-0.956
-8.723
0.025
BI6
-1.157
-10.565
0.049
BI9
-0.860
-7.854
-0.787
BI15
-0.945
-8.629
-0.362
Mat1
-1.707
-15.585
1.449
Mat5
-1.388
-12.674
0.397
Mat11
-1.508
-13.770
1.100
Mat13
-1.236
-11.286
0.087
Mat15
-1.624
-14.826
1.236
FahamBI
-0.087
-0.799
1.000
CakapBI
-0.079
-0.725
0.533
BacaBI
0.048
0.438
0.081
Multivariate
41.022

c.r.
-2.235
-3.482
-2.938
0.114
0.226
-3.592
-1.651
6.611
1.813
5.022
0.396
5.640
4.563
2.431
0.369
20.309

Pada peringkat univariat, nilai normal bagi skewness dan kurtosis seharusnya
antara +2 hingga 2 (Anderson & Gerbing, 1988). Jadual 4.25 memaparkan
kebanyakan

pemboleh ubah berada dalam lingkungan taburan normal.

Kebanyakan pemboleh ubah adalah pencong negatif melainkan pemboleh

ubah kemahiran bahasa Inggeris, gred bahasa Inggeris dan skor ujian.

Sementara nilai kurtosis kebanyakan item adalah mempunyai nilai positif.

Analisis multinormaliti terhadap data menggunakan anggaran normal
koeffisien Mardia`s (1974) yang terdapat dalam perisian AMOS turut
dilaksanakan. Statistik Mardia adalah berdasarkan fungsi skewness dan
kurtosis pemboleh ubah dalam kajian ini.
205

Jadual 4.25 juga menunjukkan nilai kurtosis bagi multivariat, iaitu 41.022
merupakan nilai koeffisien Mardia. Nilai ini perlu dibandingkan dengan nilai
kritikal (c.r), iaitu 20.309 Jika nilai nilai koeffisien Mardia rendah daripada
nilai kritikal (c.r) maka data dikategorikan sebagai multivariat yang normal.
Dalam hal ini, nilai koeffisien Mardia, 41.022 adalah lebih besar daripada
nilai kritikal (c.r), 20.309. Dalam hal ini taburan data bagi sampel ini adalah
tidak normal. Setelah memastikan normaliti data, model cadangan kajian ini
dinilai bagi menentukan kesepadanan model (model fit).

4.10

Analisis model fit Model Cadangan

Analisis taburan normaliti jelas menunjukkan bahawa sampel data ini adalah
berada dalam taburan tidak normal bagi peringkat multivariat. Keadaan ini
memungkinkan statistik khai kuasa dua untuk keseluruhan fit model akan
bertambah dan standard error yang digunakan untuk menguji signifikan
daripada anggaran setiap parameter akan menurun (Anderson & Gebing,
1988). Bagi menangani masalah ini, perisian Amos untuk menyenaraikan
beberapa langkah yang boleh diambil (ACITS, 2000):
i.

menggunakankan Bootsrapping bagi menentukan kaedah anggaran

yang sesuai digunakan;

ii.

melakukan trianggulasi lebih daripada satu kaedah bagi memilih

kaedah yang terbaik;

206

iii.

menilai fit model keseluruhan dengan menggunakan pembetulan

nilai p Bollen-Stine; dan

iv.

menggunakan

Bootstrapping

untuk

menghasilkan

anggaran

parameter yang terbaik, standard error daripada anggaran teknik

parameter dan ujian yang signifikan bagi setiap parameter.

4.10.1 Bootsrapping
Bootsrapping dijalankan bagi menguji data multivariat yang tidak normal.
Teknik ini

diperkenalkan oleh Elfron (1979, 1982) dan seterusnya

dikembangkan oleh Kotz dan Johnson (1992). Teknik ini adalah prosedur
persampelan semula sampel asal sebagai populasi. Kepelbagaian sub sampel
dengan ujkuran sampel yang sama dengan sampel asal kemudian diambil
secara rawak; dengan pengganti dari populasi. Unsur utama dari bootsrap
ialah penyelidik mencipta kepelbagaian sampel dari data sampel yang asal.

Hasil ujian dengan menggunakan Bootsrapping adalah seperti dalam jadual di

bawah.
Jadual 4.26 Goodness of Fit Model Cadangan

df
p
GFI
TLI
ML

190.326

84

0.000

0.953

0.945

RMSEA
0.050

Jadual di atas menunjukan nilai = 190.326. Walaupun nilai p menunjukkan

nilai < 0.05, namun indeks GFI menunjukkan model berkenaan adalah fit
207

yakni melebihi 0.90 (Byrne, 2001). Sementara nilai TLI juga berada melebihi
nilai 0.90. Nilai RMSEA menunjukkan berada di bawah cut-off

RMSEA

(<0.08). Keadaan ini menunjukkan bahawa model cadangan ini dapat diterima
sebagai fit.

4.10.2 Bollen-Stine Bootsrapping

Bagi mengesahkan penerimaan model dengan data sampel, analisis BollenStine Bootsrapping telah dijalankan sebanyak 500 kali

bagi taburan data

multivariat yang tidak normal. Hasil daripada analisis Bollen-Stine

Bootsrapping terdiri daripada tiga bahagian. Antaranya mengandungi
maklumat diagnostik. Hasilnya tidak ada sampel yang dibuang disebabkan
tidak boleh mendapatkan penyelesaian ataupun disebabkan matrik kovarian
yang tunggal.

Jadual 4.27 menunjukkan maklumat hasil menggunakan analisis Bollen-Stine

Bootsrapping. Nilai p yang masih di bawah cut-off 0.05 yang menunjukkan
diskripansi signifikan antara model dengan data. Nilai p di bawah 0.005 di
sebabkan sampel yang besar memberikan kesan kepada nilai (Byrne, 2001).

Jadual 4.27 Bollen-Stine Bootsrapping Model Cadangan

df
p
Min
S.E
ML

190.326

84

0.002

93.615

0.749

208

4.10.2 Parameter Model Cadangan

Anggaran parameter terhadap skor pencapaian ujian Matematik Tingkatan 2
bagi model kajian ini ditunjukkan seperti dalam Jadual 4.28.

Jadual 4.28 Parameter Model Cadangan

Jalur
AttBI  Kem. BI
Kem.BI  BI
AttBI  BI
AttBI SkorMat
AttMat  SkorMat
Kem.BI  SkorMat
BI  SkotMat
Kem.BI  Baca
Kem.BI  Cakap
Kem.BI  Faham
AttMat  Mat1
AttMat  Mat5
AttMat  Mat11
AttMat  Mat13
AttMat  Mat15
AttBI  BI1
AttBI  BI6
AttBI  BI9
AttBI  BI15
SkorMat  Subj
SkorMat  Obj
Nota: = standardized regression weight

Maximum Likelihood
Beta

0.443
0.450
-0.057
0.262
0.629
0.388
0.094
0.738
0.813
0.833
0.779
0.768
0.797
0.643
0.664
0.764
0.652
0.706
0.584
0.222
0.285

0.609*
0.833*
-0.144
0.449
1.000
0.483*
0.064
1.000
1.090*
1.144*
1.178*
1.255*
1.133*
1.046*
1.000
1.293*
1.097*
1.351*
1.000
0.359*
1.000

S.E

0.086
0.103
0.066
0.308
0.218
0.092
0.066
0.069
0.081
0.087
0.077
0.084
0.113
0.104
0.122
0.094

* p < 0.05

Jadual 4.28 di atas menunjukkan ringkasan parameter bagi model cadangan

yang telah diuji. Nilai boleh dibandingkan secara langsung dalam model ini

209

kerana ia adalah standardized regression weight. Jadual di atas menunjukkan

hubungan antara item-item dengan dengan pemboleh ubah yang dikaji. Nilai
loading yang ditunjukkan menunjukkan berada pada paras yang signifikan
melebihi nilai 0.60 yang menunjukkan bahawa item berkenaan dapat
mencerminkan pemboleh ubah yang dikaji. Manakala dari aspek keboleh
percayaan konstruk dan dan ekstraks varian bagi kedua-dua konstruk sikap
terhadap bahasa Inggeris dan sikap terhadap matematik ditunjukkan seperti
formula di bawah.
i. Kebolehpercayaan Konstruk
Keboleh percayaan =
(Jumlah standard loading)
.
konstruks
(Jumlah standard loading) + Jumlah ralat pengukuran
Ralat pengukuran = 1 (standard loading)
Keboleh percayaan konstruk =
(2.843)
= 0.80
sikap bahasa Inggeris
(2.843) + 1.969

= 0.89
Keboleh percayaan konstruk =
(3.916)
sikap matematik
(3.916) + 1.927
ii. Variance Extracted
Variance
Extracted

=
Jumlah kuasa dua standard loading
Jumlah kuasa dua standard loading + jumlah ralat pengukuran

Sikap
=
2.031
= 0.94
bahasa Inggeris 2.031 + 1.969

Sikap
Matematik

3.073
= 0.61
3.073 + 1.927

210

Berdasarkan nilai kebolehpercayaan di atas, kedua-dua konstruk sikap

terhadap bahasa Inggeris dan sikap terhadap matematik ialah masing-masing
0.80 dan 0.89 berada di atas paras yang dicadangkan 0.70 (Byrne, 2001).
Sementara Variance Extracted bagi konstruks bahasa Inggeris dan matematik
ialah 0.94 dan 0.61 yang melebihi indeks yang dicadangkan (0.50).

Jadual 4.28 juga menunjukkan terdapat beberapa faktor peramal yang

signifikan terhadap pencapaian ujian matematik Tingkatan 2. Faktor peramal
yang mempengaruhi skor pencapaian ujian secara signifikan ialah AttMat ( =
0.629) dan Kem.BI ( = 0.388). Aspek lain seperti kesan yang signifikan
Kem.BI

terhadap BI

(=0.450), pengaruh AttBI terhadap Kem.BI ( =

0.443). Sementara dari segi korelasi antara AttBI dan AttMat mempunyai
hubungan korelasi yang signifikan (r = 0.422) bagi kedua-dua ujian asal dan
ubah suai.

Jadual 4.29 Squared Multiple Correlation Pemboleh Ubah Endogeneous

Pemboleh ubah Terikat
R

Kem.BI
BI
Skor Mat

0.197
0.183
0.989

211

Jadual 4.29 menunjukkan Squared Multiple Correlation atau R

bagi

pemboleh ubah endogeneous dengan nilai pecahan varian bagi faktor meramal
terhadap pemboleh ubah terikat. Faktor peramal yang menyumbang Kem.BI
ialah 20%, sebanyak 18% varian dalam menerangkan BI. 99% varian dapat
menerangkan skor pencapaian ujian matematik.

4.11

Penentu Ukuran (Calibration) dan Pengesahan (Validation) Model

Cadangan

Bagi memastikan model cadangan ini dapat menepati data kajian, model
berkenaan dianalisis semula menggunakan data lain untuk penentuan ukuran
(calibration)

dan pengesahan (validation) model berkenaan. Analisis ini

dijalankan bagi memastikan sama ada model berkenaan stabil dan konsisten
dan diterima seperti yang dicadangkan oleh Tabachnick & Fidell (1993).
Menurut Boomsma (2000) replikasi atau pengesahan silang (cross validation)
harus dijalankan terhadap data alternatif atau sebagai bootsrapping bagi
memastikan keputusan yang diperolehi adalah tekal.

4.11.1 Penentu ukuran Model Cadangan (Model Calibration)

Bagi memastikan keputusan yang diperolehi tekal, model cadangan yang telah
diterima pada peringkat analisis awal telah diuji kepada 250 orang sampel
kumpulan pertama yang dipilih secara rawak daripada sampel sebenar. Hasil
daripada ujian terhadap model tersebut seperti ditunjukkan dalam Jadual 4.30
di bawah.

212

Jadual 4.30 Penentu ukuran (Calibration) Goodness of Fit Model Cadangan

Maksimum Likelihood (ML)
Bollen-Stine Bootsrap

df

GFI

TLI

RMSEA

Min

S.E

165.75

84

0.000

0.919

0.921

0.063

95.071

0.817

0.004

Jadual di atas menunjukan nilai = 165.75. Walaupun nilai p menunjukkan

nilai < 0.05, namun indeks GFI dan TLI menunjukkan model berkenaan
adalah fit yakni melebihi 0.90 (Byrne, 2001). Nilai RMSEA menunjukkan
berada di bawah cut-off RMSEA (<0.08). Keadaan ini menunjukkan bahawa
analisis bagi menentukan ukuran terhadap model cadangan ini dapat diterima
sebagai fit data.

Jadual 4.31 Parameter Penentu Ukuran Model Cadangan

Jalur
AttBI  Kem. BI
Kem.BI  BI
AttBI  BI
AttBI SkorMat
AttMat  SkorMat
Kem.BI  SkorMat
BI  SkotMat
Kem.BI  Baca
Kem.BI  Cakap
Kem.BI  Faham
AttMat  Mat1
AttMat  Mat5
AttMat  Mat11
AttMat  Mat13
AttMat  Mat15
AttBI  BI1
AttBI  BI6
AttBI  BI9

Maximum Likelihood
Beta

S.E

0.447
0.513
-0.089
0.199
0.725
0.319
0.094
0.766
0.801
0.805
0.749
0.824
0.793
0.648
0.675
0.761
0.701
0.704

0.646*
0.866*
-0.216
0.250
0.866*
0.279
0.048
1.000
1.040*
1.057*
1.134*
1.367*
1.147*
1.026*
1.000
1.220*
1.132*
1.292*

0.123
0.134
0.184
0.345
0.341
0.247
0.113
0.088
0.089
0.111
0.124
0.107
0.114
0.139
0.135
0.154
213

AttBI  BI15
SkorMat  Subj
SkorMat  Obj
Nota: = standardized regression weight

0.624
0.256
0.218

1.000
0.558*
1.000

0.220
-

* p < 0.05

Jadual 4.31 di atas menunjukkan parameter bagi penentu ukuran model

cadangan. Didapati parameter pemboleh ubah yang signifikan dalam meramal
pencapaian matematik hanyalah sikap terhadap matematik ( = 0.725).
Sementara aspek lain yang signifikan ialah Kem.BI terhadap BI ( = 0.866)
dan pengaruh AttBI terhadap Kem.BI ( = 0.646).

Jadual 4.32 Squared Multiple Correlation Penentu Ukuran Pemboleh Ubah

Endogeneous Model Cadangan
Pemboleh ubah Terikat
R

Kem.BI
BI
Skor Mat

0.200
0.230
0.981

Dari segi pemboleh ubah yang dapat meramal skor ujian pencapaian
matematik pula, jadual 4.29 menunjukkan 98% varian dapat menjelaskan skor
matematik dan masing-masing 20% dan 23% bagi kemahiran bahasa Inggeris
dan gred bahasa Inggeris. Keadaan ini menunjukkan perbezaan yang ketara
antara analisis awal model cadangan dengan analisis bagi menentukan ukuran
fit ini.

214

4.11.2 Pengesahan Model Cadangan (Model Validation)

Model cadangan yang telah dianalisis bagi menentukan ukuran berkenaan
diterima melalui analisis selanjutnya bagi memastikan model berkenaan benarbenar sah (valid). Pengesahan model cadangan ini menggunakan 250
responden daripada kumpulan 2 yang dipilih secara rawak daripada sampel
sebenar. Hasil analisis bagi menentukan kesahan model itu diterima
ditunjukkan dalam jadual di bawah.

Jadual 4.33 Pengesahan (Validation) Goodness of Fit Model Cadangan

Maksimum Likelihood (ML)
Bollen-Stine Bootsrap

df

GFI

TLI

RMSEA

Min

S.E

110.13

84

0.029

0.948

0.972

0.035

94.839

0.824

0.208

Jadual di atas menunjukan nilai = 110.13. Nilai p masih menunjukkan

berada pada nilai < 0.05, namun indeks GFI dan TLI menunjukkan model
berkenaan

adalah fit yakni melebihi 0.90 (Byrne, 2001). Nilai RMSEA

menunjukkan berada di bawah cut-off

RMSEA (<0.08). Keadaan ini

menunjukkan bahawa model cadangan ini dapat diterima sebagai fit.

Jadual 4.33 juga menunjukkan maklumat hasil menggunakan analisis BollenStine Bootsrapping. Nilai p berada di atas cut-off 0.05 yang menunjukkan
bahawa model fit dengan data (Byrne, 2001).

215

Jadual 4.34 Parameter Pengesahan Model Cadangan

Jalur
AttBI  Kem. BI
Kem.BI  BI
AttBI  BI
AttBI SkorMat
AttMat  SkorMat
Kem.BI  SkorMat
BI  SkorMat
Kem.BI  Baca
Kem.BI  Cakap
Kem.BI  Faham
AttMat  Mat1
AttMat  Mat5
AttMat  Mat11
AttMat  Mat13
AttMat  Mat15
AttBI  BI1
AttBI  BI6
AttBI  BI9
AttBI  BI15
SkorMat  Subj
SkorMat  Obj

Maximum Likelihood
Beta

S.E

0.432
0.384
-0.017
0.312
0.523
0.463
0.093
0.706
0.824
0.866
0.807
0.715
0.798
0.637
0.659
0.758
0.613
0.706
0.552
0.189
0.359

0.555*
0.787*
-0.045
0.696
1.058*
0.804*
0.079
1.000
1.153*
1.255*
1.209*
1.140*
1.106*
1.057*
1.000
1.342*
1.069*
1.396*
1.000
0.235*
1.000

0.116
0.161
0.205
0.497
0.391
0.357
0.138
0.101
0.108
0.116
0.120
0.107
0.122
0.178
0.157
0.190
0.091
-

Nota: = standardized regression weight

* p < 0.05

Jadual 4.34 di atas menunjukkan parameter bagi pengesahan model cadangan.

Didapati parameter pemboleh ubah yang signifikan dalam meramal
pencapaian matematik ialah sikap terhadap matematik ( = 0.523)

dan

kemahiran bahasa Inggeris ( = 0.463). Aspek lain yang signifikan ialah

Kem.BI terhadap BI ( = 0.432) dan pengaruh AttBI terhadap Kem.BI ( =
0.384). Sementara sikap terhadap bahasa Inggeris tidak signifikan terhadap
skor pencapaian matematik. Hubungan antara sikap terhadap matematik dan
bahasa Inggeris didapati juga signifikan ( = 0.421).

216

Jadual 4.35 Squared Multiple Correlation Pengesahan Pemboleh Ubah

Endogeneous Model Cadangan
Pemboleh ubah Terikat
R

Kem.BI
BI
Skor Mat

0.186
0.142
0.994

Jadual 4.35 menunjukkan nilai Regresi atau R daripada pemboleh ubah

endogenious yang menghasilkan nilai mewakili nisbah varian dalam pemboleh
ubah bersandar yang dapat dijelaskan oleh pemboleh ubah bebas. Peramalpermal skor pencapaian matematik (Skor Mat) mampu menganggar sehingga
99.4%

aspek yang mempengaruhi skor ujian matematik dan peramal

kemahiran bahasa Inggeris dan gred bahasa Inggeris masing-masing sebanyak

18.6% dan 14.2%.

4.12

Ujian Hipotesis

Setelah model keseluruhan telah diuji bagi menentukan model fit dengan data
utama, model ini diuji secara serentak bagi memastikan sama ada model ini fit
data berdasarkan kumpulan sampel lokasi sekolah luar bandar dan sekolah
bandar. Sampel pelajar terdiri daripada masing-masing 250 orang responden
dari sekolah luar bandar dan sekolah bandar. Analisis serentak dijalankan bagi
menguji kumpulan pelajar mengikut jantina. Analisis secara serentak bagi
kedua-dua kumpulan telah dijalankan dengan menggunakan perisian Amos

217

yang mampu untuk menentukan model fit dengan data daripada pelbagai
kumpulan dalam satu masa. Kelebihan menggunakan analisis SEM bagi
tujuan analisis dua sampel data secara serentak ialah dapat:
1. menghasilkan parameter yang lebih tepat berbanding dengan analisis
secara terpisah untuk setiap kumpulan, dan
2. mengasilkan ujian yang lebih signifikan seandainya terdapat perbezaan
antara kumpulan pelajar luar bandar dan pelajar bandar.
(Arbuckel & Wothke, 1999)

Analisis yang dijalankan ini terbahagi kepada dua model, iaitu Model A dan
Model B. Analisis Model A dibuat secara serentak secara menyeluruh bagi
memeriksa sama ada model yang telah dicadangkan boleh fit dengan keduadua kumpulan luar bandar dan bandar serta lelaki dan perempuan. Analisis
Model B dilakukan dengan tujuan untuk memastikan kewujudan perbezaan
perbezaan yang signifikan bagi setiap parameter. Analisis dijalankan dengan
memasukkan atau menyamakan (constraint) setiap parameter dalam satu
kumpulan kepada kumpulan yang lain.

4.12.1 Analisis Menyeluruh Model Fit Mengikut Kumpulan Pelajar

Lokasi Luar Bandar Dan Bandar Model A
Analisis secara serentak bagi kedua-dua kumpulan responden luar bandar
(N=250) dan bandar (N=250) ini bertujuan memastikan sama ada model yang

218

diubah suai adalah secocok dengan kedua-dua kumpulan. Jadual

4.36

menunjukkan dapatan daripada analisis yang dijalankan oleh AMOS.

Jadual 4.36 Goodness of Fit Analisis Serentak Model A Mengikut Lokasi

Maksimum Likelihood (ML)
Bollen-Stine Bootsrap

df

GFI

TLI

RMSEA

Min

S.E

351.92

168

0.000

0.916

0.911

0.047

188.97

1.190

0.002

Berdasarkan Jadual 4.36 nilai statistik likelihood ratio chi-square, =351.92,

df=168, p=0.000 menunjukkan bahawa model ini adalah signifikan. Namun
begitu nilai GFI dan TLI menunjukkan berada di atas daripada >0.90 dan nilai
RMSEA ialah 0.047 masih berada dibawah cut-off (0.08) yang dibenarkan
menunjukkan masih fit (Byrne, 2001). Oleh sebab model ini fit dengan data
kedua-dua kumpulan. Dengan itu menunjukkan bahawa data adalah daripada
populasi yang sama. Oleh itu hipotesis yang menyatakan bahawa tidak
terdapat perbezaan antara kumpulan sampel pelajar sekolah luar bandar dan
bandar adalah diterima sebagai benar. Dengan itu model berkenaan boleh
menerangkan fenomena yang berlaku dalam ujian pencapaian matematik
tingkatan 2 sama ada bagi sekolah luar bandar atau sekolah di bandar.

4.12.2 Parameter Model A Mengikut Lokasi Sekolah

Jadual 4.37 memaparkan anggaran parameter bagi responden sekolah luar
bandar dan bandar. Parameter AttMat  SkorMat

( = 0.561) adalah

219

mempunyai nilai yang tinggi berbanding parameter antara pemboleh ubah

yang lain bagi lokasi sekolah luar bandar. Manakala yang paling rendah ialah
parameter AttBI  BI ( = -0.089) dan ia tidak signifikan.

Jadual 4.37 Parameter Model A Mengikut Lokasi Sekolah

Jalur
Luar Bandar
AttBI  Kem. BI
Kem.BI  BI
AttBI  BI
AttBI SkorMat
AttMat  SkorMat
Kem.BI  SkorMat
BI  SkotMat
Kem.BI  Baca
Kem.BI  Cakap
Kem.BI  Faham
AttMat  Mat1
AttMat  Mat5
AttMat  Mat11
AttMat  Mat13
AttMat  Mat15
AttBI  BI1
AttBI  BI6
AttBI  BI9
AttBI  BI15
SkorMat  Subj
SkorMat  Obj

Maximum Likelihood
Beta

0.315
0.406
-0.089
0.452
0.561
0.233
0.037
0.757
0.854
0.816
0.812
0.772
0.796
0.638
0.766
0.778
0.676
0.680
0.572
0.354
0.460

0.492*
0.708*
-0.242
1.203*
1.090*
0.397
0.037
1.000
1.132*
1.098*
0.995*
1.055*
0.924*
0.854*
1.000
1.474*
1.211*
1.336*
1.000
0.382*
1.000

0.128
0.127
0.195
0.451
0.299
0.223
0.109
0.091
0.090
0.077
0.086
0.073
0.086
0.181
0.159
0.175
0.084
-

Bandar
AttBI  Kem. BI
Kem.BI  BI
AttBI  BI
AttBI SkorMat
AttMat  SkorMat
Kem.BI  SkorMat
BI  SkotMat
Kem.BI  Baca
Kem.BI  Cakap

0.601
0.524
-0.058
-0.380
0.335
0.818
0.393
0.713
0.760

0.695*
1.020*
-0.130
-0.428
0.504
0.796
0.196
1.000
1.041*

0.111
0.182
0.201
0.518
0.495
0.500
0.173
0.098

S.E

220

Kem.BI  Faham
AttMat  Mat1
AttMat  Mat5
AttMat  Mat11
AttMat  Mat13
AttMat  Mat15
AttBI  BI1
AttBI  BI6
AttBI  BI9
AttBI  BI15
SkorMat  Subj
SkorMat  Obj

0.851
0.749
0.763
0.800
0.652
0.526
0.754
0.602
0.747
0.606
0.120
0.186

Nota: = standardized regression weight

1.208*
1.556*
1.650*
1.548*
1.434*
1.000
1.089*
0.931*
1.371*
1.000
0.276
1.000

0.107
0.202
0.212
0.196
0.200
0.129
0.127
0.163
0.186

* p < 0.05

Berdasarkan Jadual 4.37, didapati kesan AttBI  Kem. BI dan Kem.BI  BI

adalah signifikan bagi kedua-dua lokasi sekolah. Nilai kedua- dua parameter
berkenaan bagi sekolah bandar adalah lebih tinggi daripada lokasi sekolah luar
bandar. Sementara AttBI  Skor Mat dan AttMat  SkorMat adalah
signifikan bagi sekolah luar bandar sebaliknya tidak signifikan bagi sekolah
bandar. Korelasi antara pemboleh ubah AttMat AttBI bagi kedua-dua
kumpulan adalah signifikan (Luar Bandar = 0.587 dan Bandar = 0.233).

Jadual 4.38 Squared Multiple Correlation Pemboleh Ubah Endogeneous

Model A
Pemboleh ubah
R
R
Terikat
Luar Bandar
Bandar
Kem.BI
BI
Skor Mat

0.100
0.150
0.995

0.361
0.242
0.978

221

Jadual 4.38 di atas menunjukkan peramal Kem.BI dapat dijelaskan sebanyak

10% bagi sekolah luar bandar berbanding hanya 36% bagi sekolah bandar.
Bagi kumpulan sekolah luar bandar, peramal bagi skor ujian menyumbang
sebanyak 99.5% dan 97.8% bagi sekolah bandar.

4.12.3 Anggaran Parameter Pelajar Lokasi Luar Bandar Dan Bandar

Mengguna Model B
Anggaran parameter yang berbeza bagi kedua-dua kumpulan sekolah luar
bandar dan bandar seperti yang ditunjukkan dalam Jadual 4.36 diuji semula
dalam model B dengan menyamakan (constraint) parameter kedua-dua data
berkenaan bagi mengetahui sama ada perbezaan berkenaan adalah signifikan
atau masih berada dalam lingkungan kesilapan persampelan (error sampling).
Analisis dijalankan dengan menggantikan setiap parameter dalam kumpulan
pelajar luar bandar dengan parameter pelajar. Dalam erti kata lain, setiap nilai
dalam kumpulan luar bandar digantikan dengan parameter bandar. Jadual
4.38 menunjukkan dapatan daripada analisis yang dijalankan oleh AMOS.

Jadual 4.39 Goodness of Fit Analisis Serentak Model B Mengikut Lokasi

Maksimum Likelihood (ML)
Bollen-Stine Bootsrap

df

GFI

TLI

RMSEA

Min

S.E

400.98

178

0.000

0.905

89.8

0.050

197.84

1.201

0.002

222

Berdasarkan Jadual 4.38 nilai statistik likelihood ratio chi-square, =351.92,

df=168, p=0.000 menunjukkan bahawa model ini adalah signifikan. Namun
begitu nilai GFI berada di atas daripada >0.90 dan nilai RMSEA ialah 0.047
masih berada dibawah cut-off (0.08) yang dibenarkan menunjukkan masih fit
(Byrne, 2001). Ini menunjukkan bahawa nilai parameter bagi kedua-dua
kumpulan adalah fit. Keadaan ini memberikan gambaran bahawa perbezaan
bagi kedua kumpulan berkenaan adalah tidak signifikan.

Jadual 4.40 Perbezaan Parameter Pelajar Luar Bandar dan Bandar

Kem.BI  BI
AttBI  Kem.BI
AttBI  BI
AttBI  SkorMat
Kem.BI  SkorMat
AttMat  SkorMat
BI  SkorMat
AttBI AttMat

df
GFI
CFI
TLI
RMSEA

Luar Bandar
()

Bandar
()

0.474*
0.413*
-0.044
0.350*
0.320*
0.614*
0.088
0.420*

0.436*
0.541*
-0.053
0.360*
0.251*
0.632*
0.075
0.420*

400.981
178
0.905
0.913
0.898
0.050

Berdasarkan jadual di atas, menunjukkan bahawa perbezaan hanyalah pada

tinggi atau rendahnya nilai kedua lokasi berkenaan. Hanya nilai parameter
Kem.BI  BI sekolah luar bandar yang lebih tinggi daripada sekolah bandar.

223

Sebaliknya parameter yang signifikan lain menunjukkan nilai bagi pelajar

bandar lebih tinggi. Kajian juga mendapati nilai AttBI  BI adalah negatif
bagi kedua-dua lokasi sekolah berkenaan dan tidak signifikan. Nilai GFI, CFI
dan TLI yang berada pada paras >0.90 serta nilai RMSEA = 0.05 berada
kurang daripada nilai 0.08 menunjukkan model ini ini fit bagi kedua kumpulan
responden. Dengan itu menunjukkan bahawa tidak terdapat perbezaan yang
signifikan bagi kedua-dua kumpulan pelajar. Pemboleh ubah yang signifikan
bagi pelajar luar bandar didapati signifikan dengan pelajar bandar.
Jadual 4.41 Squared Multiple Correlation Pemboleh Ubah Endogeneous
Model B
Pemboleh ubah
R
R
Terikat
Luar Bandar
Bandar
Kem.BI
BI
Skor Mat

0.171
0.209
0.992

0.293
0.168
0.992

Apabila parameter disamakan, peramal skor ujian matematik (SkorMat)

mampu menganggar sehingga 99% bagi sekolah luar bandar dan bandar.
Sementara Kem.BI pula ialah 17% bagi luar bandar dan 29% bandar serta
masing-masing 21% dan 17% bagi sekolah luar bandar dan bandar dapat
menjelaskan gred bahasa Inggeris (BI).

224

4.12.4 Analisis Menyeluruh Model Fit Jantina Lelaki Dan Perempuan

Model A
Analisis serentak ini bertujuan untuk memastikan sama ada model cadangan
adalah fit mengikut kumpulan jantina. Memandangkan jantina adalah
pemboleh ubah diskret, ia adalah sesuai bagi SEM untuk membandingkan
kumpulan pelajar lelaki (N = 225) dan kumpulan pelajar perempuan (N =
275).

Jadual 4.42 menunjukkan keputusan hasil anggaran menggunakan Maximum

Likelihood. Statistik Maximum Likelihood menunjukkan model fit dengan
data bagi kedua-dua kumpulan lelaki dan perempuan. Nilai = 340.77, df
168, p = 0.000. Nilai RMSEA kedua-dua jantina bagi kedua-dua ujian adalah
kurang daripada 0.08 yang menunjukkan model adalah fit. Begitu juga nilai
TLI dan GFI yang melebihi daripada 0.90 yang menentukan kriteria model ini
adalah fit (Byrne, 2001).
Jadual 4.42 Goodness of Fit Analisis Serentak Model A Mengikut Jantina
Maksimum Likelihood (ML)
Bollen-Stine Bootsrap

df

GFI

TLI

RMSEA

Min

S.E

340.77

168

0.000

0.919

0.912

0.045

187.48

1.189

0.002

Analisis Bollen-Stine Bootsrap pula menunjukkan nilai min = 187.48,

standard error = 1.189 dan p < 0.05. Nilai -p yang masih kecil disebabkan
yang sensitif dengan bilangan sampel yang besar (Byrne, 2001).

225

Keadaan ini jelas menunjukkan bahawa model berkenaan adalah fit dengan
data kumpulan lelaki dan perempuan. Ini menunjukkan responden adalah
daripada kumpulan populasi yang sama. Peramal yang dapat meramal
pencapaian pelajar lelaki dapat meramal juga pencapaian pelajar perempuan
dalam ujian matematik.

4.12.5 Parameter Model Cadangan Bagi Jantina

Jadual 4.43 memaparkan anggaran parameter bagi responden

lelaki dan

perempuan. Bagi kumpulan lelaki, faktor peramal Att.BI (=0.549) dan

AttMat (=0.465) adalah signifikan dalam meramal pencapaian matematik
Tingkatan 2. Sementara bagi pelajar perempuan pula faktor peramal Kem.BI
(=0.696) dan AttMat (=0.687) adalah signifikan dengan skor matematik.
Begitu juga bagi kumpulan pelajar perempuan. Bagaimanapun nilai bagi
pelajar perempuan lebih tinggi daripada pelajar lelaki

Jadual 4.43 Parameter Model Cadangan Mengikut Jantina

Jalur
Lelaki
AttBI  Kem. BI
Kem.BI  BI
AttBI  BI
AttBI SkorMat
AttMat  SkorMat
Kem.BI  SkorMat
BI  SkorMat

Maximum Likelihood
Beta

S.E

0.447
0.551
-0.045
0.549
0.465
0.094
0.226

0.567*
0.940*
-0.098
0.977*
0.792*
0.131
0.186

0.109
0.137
0.163
0.417
0.339
0.305
0.148

226

Kem.BI  Baca
Kem.BI  Cakap
Kem.BI  Faham
AttMat  Mat1
AttMat  Mat5
AttMat  Mat11
AttMat  Mat13
AttMat  Mat15
AttBI  BI1
AttBI  BI6
AttBI  BI9
AttBI  BI15
SkorMat  Subj
SkorMat  Obj

0.752
0.842
0.856
0.836
0.743
0.855
0.675
0.674
0.750
0.713
0.704
0.674
0.253
0.354

1.000
1.173*
1.217*
1.189*
1.130*
1.161*
0.985*
1.000
1.174*
1.117*
1.210*
1.000
0.349*
1.000

0.097
0.099
0.110
0.115
0.106
0.109
0.130
0.128
0.140
0.114
-

Perempuan
AttBI  Kem. BI
Kem.BI  BI
AttBI  BI
AttBI SkorMat
AttMat  SkorMat
Kem.BI  SkorMat
BI  SkotMat
Kem.BI  Baca
Kem.BI  Cakap
Kem.BI  Faham
AttMat  Mat1
AttMat  Mat5
AttMat  Mat11
AttMat  Mat13
AttMat  Mat15
AttBI  BI1
AttBI  BI6
AttBI  BI9
AttBI  BI15
SkorMat  Subj
SkorMat  Obj

0.415
0.363
0.086
-0.019
0.687
0.696
-0.133
0.719
0.765
0.810
0.710
0.806
0.715
0.632
0.663
0.769
0.566
0.689
0.513
0.183
0.265

0.640*
0.676*
0.247
-0.038
1.208*
0.881*
-0.091
1.000
0.982*
1.072*
1.143*
1.420*
1.064*
1.175*
1.000
1.352*
0.958*
1.434*
1.000
0.304*
1.000

0.142
0.140
0.201
0.503
0.426
0.347
0.141

Nota: = standardized regression weight

0.091
0.097
0.115
0.130
0.106
0.126
0.181
0.144
0.198
0.131

* p < 0.05

Parameter pemboleh ubah AttBI  Kem. BI dan Kem.BI  BI menunjukkan

kesan yang signifikan bagi kedua-dua kumpulan pelajar. Korelasi antara

227

pemboleh ubah AttMat

AttBI

bagi kedua-dua kumpulan juga adalah

signifikan (Lelaki = 0.501 dan Perempuan = 0.268).

Jadual 4.44 Squared Multiple Correlation Pemboleh Ubah Endogeneous

Pemboleh ubah
Terikat
R
Lelaki
Kem.BI
0.200
BI
0.283
0.993
Skor Ujian
Perempuan
Kem.BI
BI
Skor Ujian

0.181
0.164
0.988

Nota: = Standardized regression weight

Jadual 4.44 di atas menunjukkan varian faktor yang meramal Kem.BI

sebanyak 20% bagi pelajar lelaki dan hanya 16.4% bagi pelajar perempuan.
Bagi kumpulan pelajar lelaki faktor peramal (Kem.BI, BI, AttBI dan AttMat)
menyumbang 99.3% dalam skor ujian adalah lebih tinggi daripada pelajar
perempuan (98.8%). Sementara bagi faktor peramal Kem.BI dan AttBI
menyumbang masing-masing 28.3% dalam Gred BI bagi kumpulan pelajar
lelaki berbanding 16.4% bagi pelajar perempuan.

228

4.12.6 Anggaran Parameter Jantina Lelaki Dan Perempuan Mengguna

Model B
Seperti analisis Model B bagi pelajar bandar dan luar bandar, analisis Model B
bagi pelajar lelaki dan perempuan menjalani proses analisis yang sama. Setiap
parameter model bagi pelajar lelaki disamakan (constraint) dengan data
pelajar perempuan.

Jadual 4.45 menunjukkan keputusan hasil anggaran menggunakan Maximum

Likelihood. Statistik Maximum Likelihood menunjukkan model fit dengan
data bagi kedua-dua kumpulan lelaki dan perempuan. Nilai = 361.89, df
178, p = 0.000. Nilai RMSEA kedua-dua jantina bagi kedua-dua ujian adalah
kurang daripada 0.08 yang menujukkan model adalah fit. Begitu juga nilai TLI
dan GFI yang melebihi daripada 0.90 yang menentukan kriteria model ini
adalah fit (Byrne, 2001).
Jadual 4.45 Goodness of Fit Analisis Serentak Model B Mengikut Jantina
Maksimum Likelihood (ML)
Bollen-Stine Bootsrap

df

GFI

TLI

RMSEA

Min

S.E

361.89

178

0.000

0.915

0.912

0.046

199.81

1.295

0.002

Analisis Bollen-Stine Bootsrap pula menunjukkan nilai min = 199.81,

standard error = 1.295 dan p < 0.05.

229

Jadual 4.46 Perbezaan Parameter Mengikut Jantina

Lelaki
Perempuan
()
()
Kem.BI  BI
AttBI  Kem.BI
AttBI  BI
AttBI  SkorMat
Kem.BI  SkorMat
AttMat  SkorMat
BI  SkorMat
AttBI AttMat

df
GFI
CFI
TLI
RMSEA

0.402*
0.481*
0.020
0.326
0.416*
0.591*
0.028
0.400

0.464*
0.436*
0.021
0.334
0.369*
0.605*
0.027
0.400
361.891
178
0.915
0.925
0.912
0.046

Jadual 4.46 menunjukkan sesetengah nilai parameter bagi lelaki lebih tinggi
daripada pelajar perempuan begitu juga sebaliknya. Pemboleh ubah yang
signifikan dengan pelajar lelaki didapati signifikan juga dengan pelajar
perempuan.

Sementara nilai

indeks GFI, CFI dan TLI yang berada pada paras lebih

daripada > 0.90 dan nilai RMSEA = 0.046 (dibawah paras 0.08) menunjukkan
bahawa model fit dengan kedua-dua jantina. Keadaan ini menunjukkan
bahawa perbezaan nilai bagi kedua-dua kumpulan pelajar adalah tidak
signifikan.

230

Jadual 4.47 Squared Multiple Correlation Pemboleh Ubah Endogeneous

Pemboleh ubah
Terikat
R
Lelaki
0.161
Kem.BI
0.239
BI
0.992
Skor Ujian
Perempuan
Kem.BI
BI
Skor Ujian

0.214
0.199
0.982

Nota: = Standardized regression weight

Jadual 4.47 di atas menunjukkan varian faktor yang meramal Kem.BI

sebanyak 16% bagi pelajar lelaki dan hanya 21% bagi pelajar perempuan.
Bagi kumpulan pelajar lelaki faktor peramal (Kem.BI, BI, AttBI dan AttMat)
menyumbang 99.2% dalam skor ujian matematik adalah lebih tinggi daripada
pelajar perempuan (98.2%). Sementara bagi faktor peramal Kem.BI dan AttBI
menyumbang masing-masing 24% dalam Gred BI bagi kumpulan pelajar
lelaki berbanding 20% bagi pelajar perempuan.

4.13

Kesimpulan

Secara keseluruhannya Bab 4 ini telah memaparkan dapatan analisis kajian

terhadap skor pencapaian matematik Tingkatan 2. Umumnya, skor pencapaian
bagi soalan yang telah diubah suai adalah lebih tinggi daripada skor ujian
soalan asal. Keadaan ini memberikan petunjuk bahawa soalan ubah suai dapat
membantu dalam meningkatkan skor pencapaian pelajar.

231

Analisis GENOVA menunjukkan bahawa penambahan bilangan item soalan

dan penambahan bilangan item dalam dalam soalan ujian dapat meningkatkan
lagi nilai koeffisien G dan koeffisien Phi skor ujian berkenaan. Malah
pengubahsuaian item juga dapat mengurangkan sumbangan varian item dan
meningkatkan peratusan varian pelajar selaras dengan Teori Generalizabiliti

Sementara analisis SEM pula menunjukkan model fit dengan data kajian sama
ada bagi kumpulan pelajar luar bandar atau bandar mahupun pelajar lelaki
dan perempuan serta menjelaskan bahawa sikap terhadap matematik dan sikap
terhadap bahasa Inggeris memberikan kesan yang signifikan terhadap skor
pencapaian matematik Tingkatan 2 bagi pelajar luar bandar serta pelajar lelaki
dan perempuan.

232