SPSS

DR. NURUL FADLY HABIDIN

 ANTARAMUKA SPSS

• Membuka perisian SPSS

• Arahan:

All SPSS for

Start SPSS
Programs Windows
 TRANSFORMASI DATA
• Data yang disimpan melalui SPSS boleh
diubahsuai mengikut keperluan masing-
masing
• Proses transformasi data akan
membolehkan kita menjalankan operasi
analisis data yang lebih kompleks.
• Terdapat pelbagai proses transformasi
yang boleh dilakukan seperti arahan
Compute, Count dan Recode
TRANSFORMASI DATA - COMPUTE
• Compute akan membolehkan kita
menghasilkan variable yang baru melalui
operasi manipulasi beberapa variable
yang sedia ada di dalam fail data SPSS.
• Arahan: Buka perisian SPSS
• Buka data SPSS
• Klik Transform>Compute dan tetingkap
compute variable akan dipaparkan
 Count

• Fungsi count pula membolehkan kita

mengira kekerapan (mod) sesuatu nilai di
dalam variable.
• Arahan: Klik Transform Count dan
tetingkap compute variable akan
dipaparkan
 RECODE
• Ia membolehkan kita mengubahsuai data
di dalam variable supaya ia bersesuaian
dengan analisis yang akan dijalankan.

• 2 arahan recode:
1. Recode into same variable
2. Recode into different variable
 ANALISIS DATA
• SPSS membolehkan pengguna menghasilkan
pelbagai bentuk taburan data menerusi
arahan Frequencies, Descriptives dan
Crosstabs.
• Frequencies digunakan untuk mengira jumlah
respon. Ia juga boleh menghasilkan statistik
diskriptif seperti min, mod, media dan varians.
• Pelbagai bentuk graf juga dapat dihasilkan
melalui arahan ini.
 FREQUENCIES

• Arahan: buka fail SPSS

Descriptive
Analyze Frequencies
Statistics
 DESCRIPTIVE

• Fungsi ini akan membolehkan pelbagai

analisis deskriptif dilakukan serentak bagi
pelbagai variable.
• Arahan buka Fail yang sama seperti latihan
frequencies.

Descriptive
Analyze Descriptive
Statistics
 CROSSTABS

• Arahan buka Fail yang sama seperti latihan

frequencies dan Descriptive
• Klik Analyze > Descriptive Statistics > Crosstabs
 Data SPSS boleh diakses
dilaman sesawang
UUM Press

http://uumpress.uum.edu.my
 Recode
(Bagaimana melakukan recode yang berkenaan?)

Terdapat enam (6) item untuk mengukur rasa tidak puas hati
guru-guru terhadap rakan sekerja, iaitu item Q1, item Q2, item
Q3, item Q4, item Q5, dan item Q6. Setiap item akan disusun
mengikut skala 5-mata seperti di bawah:
1 = Sangat setuju, 2 = Setuju, 3 = Kurang Setuju, 4 = Tidak
Setuju, 5 = Sangat Tidak Setuju

Soalan kajian > Andaikan item Q2, Q4, dan Q6 adalah

berbentuk negatif dan perlu diterbalikkan. Oleh itu, item ini
perlu dikod semula (recode) seperti berikut:
Respons Asal Respons Baru
1 5
2 4
3 3
4 2 12
5 1
 RECODE
1. Klick Transform > Recode into same variables.

13
 RECODE
1. Klick Transform > Recode into same variables.
Masukkan item Q2, Q4, Q6 dalam kotak Numeric
variables.

14
 RECODE
2. Klik Old and New Values.
Taip 5 dalam petak value di bawah Old value dan Taip 1
dalam petak Value di bawah New Value.

15
 RECODE
3. Klik Add Taip 4 dalam petak value di bawah Old Value
dan Taip 2 dalam petak value di bawah New Value.
4. Ulangi langkah sampai (1 -> 5)……..

16
 RECODE
5. Klik Continue > OK
6. Klik Save untuk fail data yang berkenaan

17
 COMPUTE DATA
Bertujuan untuk mendapatkan nilai total
(ataupun nilai min) bagi item Q1 hingga
Q6 untuk mengukur tahap tidak puas hati
responden guru terhadap rakan sekerja
mereka. Biasanya dalam kajian sebenar,
penyelidik menggunakan nilai min (purata)
bagi mengukur tahap tidak puas hati
responden.

18
 COMPUTE DATA
1. Klik Transform > Compute Variables
Taip pada kotak di bawah Target Variables dengan
satu nama pemboleh ubah baharu yang anda
rasa sesuai (contohnya Total_Q).

19
 COMPUTE DATA
1. Klik Transform > Compute Variables
Taip pada kotak di bawah Target Variables dengan
satu nama pemboleh ubah baharu yang anda
rasa sesuai (contohnya Total_Q).
Function group > Statistikal > Sum / Mean

20
 COMPUTE DATA
2. Masukkan item Q1 hingga Q6 supaya menjadi formula
berikut:
SUM(Q1+Q2+Q3+Q4+Q5+Q6)
3. Klik OK

21
22
 DESKRIPTIF
Jantina:
1 =Lelaki, 2 =Perempuan
Bangsa:
1=Melayu, 2=Cina, 3=India, 4=Bumipitera Bukan Melayu,
5= Lain-lain
Pekerjaan:
1=Perkeranian, 2=Pengurusan, 3=Penyelenggaraan,
4=Akademik, 5=Profesional, 6=Kerja sendiri, 7=Perubatan,
8=Pekerja Mahir, 9=Tentera, 10=Menganggur

Apakah peratusan lelaki dan perempuan dalam sampel?

Apakah frekuensi bagi setiap kategori etnik?
23
Berapa peratus dalam setiap kategori pekerjaan?
 DESKRIPTIF
1. Klik Analyze > Descriptive Statics > Frequencies

24
 DESKRIPTIF
2. Klik Jantina, Bangsa, dan kategori kerja. Masukkan
dan kotak Variable(s).

25
 DESKRIPTIF
3. Klik Statistics, pilih Frequencies,
4. Di bawah bahagian Central Tendency, klik Mode.
5. Klik Continue > OK

26
DESKRIPTIF (RESULT)

27
DESKRIPTIF (RESULT)

28
 Analisis Tabulasi Silang
(Crosstab)

• Memaparkan taburan secara serentak

antara dua atau lebih pemboleh ubah.
Taburan silang biasanya dibentangkan
sebagai jadual kontingensi dalam format
matriks

29
 Analisis Tabulasi Silang
(Crosstab)
1. Klik Analyze > Descriptive Statistics > Crosstabs.
2. Masukkan Jantina Respondent dalam Kotak Row(s)
dan Bangsa dalam kotak Column(s)
3. Klik OK

30
Jadual Tabulasi Silang di atas membandingkan antara dua pemboleh
ubah iaitu jantina dan bangsa. Responden perempuan berbangsa Melayu
Adalah paling ramai iaitu 46 orang iaitu, 74.2% berbanding keseluruhan
respondent perempuan. Manakala, responden lelaki berbangsa Cina pula
ialah responden lelaki teramai iaitu 22 orang atau 39.3% berbanding
keseluruhan responden lelaki
31
 Analisis Tabulasi Silang
(Crosstab) membina Carta
1. Klik Analyze >Descriptive Statistics > Crosstab…Klik OK
2. Klik Graphs > Legacy Dialogs > Bar, pilih Simple > .
Summaries for groups of cases

32
 Analisis Tabulasi Silang
(Crosstab) membina Carta
3. Klik Define (Dalam kotak Category Axis masukkan
pemboleh ubah Kategori Kerja
4. Klik OK

33
 Analisis Tabulasi Silang
(Crosstab) membina Carta
4. Klik OK

34
 Analisis Tabulasi Silang
(Crosstab) membina Carta
5. Klik dua kali pada graf bar (anda boleh edit graf
berkenaan sama ada dengan menukar warna dan
sebagainya)
6. Klik File > Close (*Untuk copy graf ke msword, klik
kanan tetikus > buka msword > klik paste)

Boleh Cuba untuk Carta Pie pula

35
 PROSEDUR SPSS BAGI UJIAN
KENORMALAN
Contoh di bawah menunjukkan data bagi 88 pelajar yang
baru menamatkan pengajian semester akhir di sebuah
universiti. Semua responden adalah bekas pelajar
sebuah politeknik yang memperoleh diploma masing-
masing. Responden terdiri daripada 45 lelaki (1= lelaki)
dan 43 perempuan (2=perempuan). Kesemua responden
direkodkan purata gred (PMK) bagi diploma dan ijazah
masing-masing.
Arahan: Buka Data Bab 10_Deskriptif 2.
Adakah data ini bertaburan normal?

36
 PROSEDUR SPSS BAGI UJIAN
KENORMALAN
1. Klik Analyze >Descriptive Statistics > Explore
2. Masukkan PMK ijazah dalam kotak Dependent
List
3. Klik pada Plots. Tandakan Faktor level together,
Stem-and-leaf, Histogram, Normality plot with
test.
4. Klik Continue. Dalam kotak display, pastikan Both
diaktifkan
5. Klik Options. Dalam kotak Missing Value, klik
Excluded Cases Pairwise.
6. Klik Continue > OK
37
 PROSEDUR SPSS BAGI UJIAN
KENORMALAN
Nilai kepencongan (skewness) dan kepuncakan (kurtosis)
sepatutnya antara +2 hingga -2 iaitu julat untuk data yang
bertaburan normal. Nilai kepencongan -0.237 dan nilai
kepuncakan 0.071, manakala nilai min dan median adalah
hampir sama menunjukkan data dikatakan bertaburan normal.

38
 PROSEDUR SPSS BAGI UJIAN
KENORMALAN
Bagi Ujian kolmogorov-smirnov dan Ujian Shapiro-Wilk (untuk
sampel yang lebih besar dan melebihi 200) dalam jadual:

• P > 0.05 bermakna data adalah normal.

• P <0.05 bermakna data TIDAK normal

Nilai sig. 0.200 bagi Ujian kolmogorov-smirnov menunjukkan

data bertaburan normal.

39
PROSEDUR SPSS BAGI UJIAN
KENORMALAN
Rajah yang menunjukkan taburan normal

40
 PROSEDUR SPSS BAGI UJIAN
KENORMALAN

Plot stem-and-leaf adalah sama dengan histogram tetapi

ditunjukkan dalam sudut yang berlainan. Batang (stems)
dalam daun (leaf) ialah nilai-nilai lain diambil kira. Misalnya
dalam baris ketiga (1.5777899) menunjukkan nilai-nilai PMK
1.5, 1.7 (ada tiga nilai), 1.8 dan 1.9 (ada dua nilai.)
41
PROSEDUR SPSS BAGI UJIAN
KENORMALAN
Garis lurus hitam terletak di
tengah-tengah kotak menunjukkan
nilai min (mean) bagi PMK ijazah
berdasarkan jantina pelajar.
Kedua-duanya menunjukkan data
bertaburan normal. Nilai
kepencongan (skewness) dan
kepuncakan (kurtosis) sepatutnya
antara +2 hingga -2 iaitu julat untuk
data yang bertaburan normal (rujuk
jadual Descriptive di atas).
Responden ke-30 menunjukkan
outliers dan perlu dikeluarkan
sebelum data digunakan untuk
tujuan analisis.
42
PROSEDUR SPSS BAGI UJIAN
KENORMALAN

Rajah Normal Q-Q plot di

bawah menunjukkan titik-
titik data Itu berada di
sepanjang garis lurus
yang menunjukkan data
bertaburan normal.

43
 Analisis Kebolehpercayaan
Instrumen
• Keupayaan hubungan konsisten antara item
yang mengukur / membentuk satu construct
dalam sesuatu instrumen yang dibina dengan
tepat dan konsisten.

• Contoh nilai Alpha Cronbach yang dapat

mengukur konsistensi antara item yang
membentuk construct.

44
 Analisis Kebolehpercayaan
Instrumen
• Terdapat 10 item bagi Skala Kawalan Emosi
iaitu item 1, item2, item3, item4, item5, item6,
item7, item8, item9, item10. tiap2 item diberi
skala respons antara 0 (sangat tidak setuju)
hingga skala respons 4 (sangat setuju).

• Item 3, 4, 6, 8, 9 berbentuk negatif (reverse-

scaled). Walau bagaimanapun, skala sebenar
bagi item-item ini dalam Bab
11_kebolehpercayaan telah sedia diubahsuai.
45
 Analisis Kebolehpercayaan
Instrumen
Arahan:
1. Klik Analyze > Scale > Reliability Analysis
klik item 1 hingga item 10. Masukkan dalam
kotak items
2. Klik Statitcs.
3. Tandakan pada item, scale if item deleted dan
correlations
4. Klik Continue. Pastikan Alpha telah dipilih dalam
kotak berlabel Model
5. klik OK.
46
 Analisis Kebolehpercayaan
Instrumen
HURAIAN:
1. Jadual Reliability statistic melihat kepada pekali
Cronbach’s Alpha. Jadual atas menunjukkan pekali
Cronbach’s Alpha ialah 0.868 mencadangkan skor
pekali tersebut munasabah untuk dipercayai

47
 Analisis Kebolehpercayaan Instrumen
HURAIAN:
1. Jadual Item statistics menunjukkan deskriptif statistik untuk
individual item, ciri keseluruhan dan hubungan antara
individual item dengan kesemua skala. Min (mean) skor
dalam jadual ini merujuk item yang sama dijawab oleh 50
orang responden. Misalnya, purata min skor ialah dalam
selang 1.98 untuk item 4 dan 5.

48
Analisis Kebolehpercayaan
Instrumen

49
 Analisis Kebolehpercayaan
Instrumen
HURAIAN:
1. Jadual Scale statistics menunjukkan skala
keseluruhan dengan jumlah min skor untuk skala
ialah 21.26 dan sisihan piawai 8.106

50
Analisis Kebolehpercayaan Instrumen
HURAIAN :
1. Kolum pertama menunjukkan min skor keseluruhan skala
ialah 21.26 (rujuk Jadual Scale Statistic), jika item 1
dikeluarkan daripada skala maka skala menjadi 19.36.
2. Kolum kedua Scale Variance if item deleted jumlah varians
skala 65.707 akan menjadi 52.521 jika item 1 dikeluarkan.
3. Keadaan yang sama juga akan berlaku sekiranya item lain
dikeluarkan daripada skala. Begitu juga dengan kolum ketiga,
keempat dan kelima.

51
 Analisis Faktor
1. Analisis faktor ialah satu teknik statistik multivariate
digunakan untuk mengurangkan faktor yang mempengaruhi
sesuatu pemboleh ubah supaya menjadi beberapa set
pemboleh ubah yang lebih kecil.
2. Teknik ini digunakan untuk meneroka set data yang besar
3. Andaian yang perlu dipatuhi sebelum analisis faktor
dilakukan. Antaranya:
a) Saiz sampel – minimum 5 item yang diperlukan bagi mengukur
setiap pemboleh ubah. Saiz sampel melebihi 200 adalah lebih
baik.
b) Kenormalan – analisis faktor kuat berpegang kepada andaian
kenormalan.
c) Kelinearan - analisis faktor berasaskan korelasi. Kelinearan
amat penting dan perlu dipatuhi.
d) Outliers atau data terpencil – item yang ada kes outliers perlu
dikeluarkan terlebih dahulu. 52
 Analisis Faktor
SOALAN:
Set data mengandungi keputusan daripada pengumpulan
data menggunakan soal selidik terhadap 85 orang isteri yang
ditanya tentang sejauh mana mereka menggunakan 10
pendekatan berbeza yang diambil terhadap masalah
pergolakan rumah tangga yang dialami.
Setiap item mengandungi respons skala 4-mata, dengan
1= Tidak pernah mencuba kaedah ini, 2= kadang-kadang
menggunakan kaedah ini, 3= agak kerap menggunakan
kaedah ini, 4= sangat kerap menggunakan kaedah ini. 10
item dalam soal selidik adalah seperti berikut:

Item_a : Saya menbincangkan kekecewaan dan perasaan

saya dengan kawan terdekat
53
 Analisis Faktor
Item_b : Saya cuba mencari cara terbaik untuk menyelesaikan
masalah rumah tangga.
Item_c : Saya meluahkan masalah rumah tangga dan emosi saya
kepada keluarga saya.
Item_d : Saya sentiasa membaca buku-buku berkaitan bagi mencari
kaedah terbaik menyelesiakan masalah.
Item_e : Saya cuba menjadi isteri yang baik dan setia terhadap suami.
Item_f : Saya mendapatkan nasihat pakar untuk menyelesaikan
emosi dan masalah ini.
Item_g : Saya tidak merasa gembira dalam melakukan kerja kerana
masalah ini
Item_h : Saya mengambil tindakan bersemuka dengan suami saya
menyelesaikan masalah ini.
Item_i : Saya patut bersikap jujur terhadap perasaan saya tentang
masalah ini
Item_J : Saya ketepikan aktiviti lain bersama rakan semata-mata 54
kerana masalah ini.
 Analisis Faktor
Langkah:

1. Klik Analyze > Dimension Reduction > Factor.

2. Masukkan semua item dalam kotak Variables.
3. Klik Extraction. Tandakan pada Scree Plot.
Pastikan Correlation matrix dan Eigenvalues
over : 1 telah pun ditandakan.
4. Klik Continue.
5. Klik OK.

55
 Analisis Faktor

Jadual Total Variance Explained menunjukkan nilai-nilai

eigen(eigenvalues) telah menyenaraikan komponen 1-10. Jumlah
amaun varians bagi pemboleh ubah dalam analisis adalah sama
dengan bilangan pemboleh ubah (dalam contoh ini, 10) 56
 Analisis Faktor
• Nilai eigen bagi faktor 2perlu lebih besar daripada atau
sama dengan sifar tetapi tidak boleh melebihi jumlah
varians (dalam contoh ini, 10)

• Peratus varians pemboleh ubah dikira bagi faktor adalah

sama dengan nilai eigen dibahagikan dengan varians
pemboleh ubah dan didarabkan 100.

• Contoh, nilai eigen dengan faktor pertama = 3.076 boleh

dikira menggunakan formula (3.076/10) 100= 30.761

57
Analisis Faktor
•Kriteria lain boleh ditentukan
oleh plot bagi eigenvalue, iaitu
dikenali sebagai scree test.
•Bilangan faktor ditentukan
oleh nilai eigen dalam
bahagian plot yang menurun
tajam sebelum nilai eigen
mula mendaftar.
•Kriteria ini menghasilkan
keputusan yang lebih tepat
berbanding kriteria nilai eigen
lebih besar daripada 1.
•Berasaskan scree plot di
bawah, dapat merumuskan
bahawa hanya dua faktor
harus dikira (rotated)
58
 Analisis Faktor
LANGKAH:

1. Klik Analyze > Dimension Reduction > Factor

2. Klik Extraction. Tandakan pada Scree Plot dan Fixed
Number of factor : 2 (seperti yang kita tetapkan
berdasarkan output scree plot di atas). Pastikan Correlation
matric telah pun ditandakan.
3. Klik Continue.
4. Klik Descriptives. Tandakan pada Initial solution dan
KMO and Bartlett’s test of sphericity.
5. Klik continue.
6. Klik Rotation. Tanda pada Varimax dan Rotated solution.
7. Klik Continue.
8. Klik ok.
59
 Analisis Faktor

•Jadual menunjukkan ujian Bartlett’s of Sphericity

adalah signifikan (P=0.000) dan ujian Kaiser-Meyer-
Olkin bagi kecukupan pensampelan adalah 0.720 iaitu
lebih besar daripada nilai 0.6.

•Ini bermaksud jumlah sampel yang digunakan dalam

kajian ini adalah mencukupi.

60
Analisis Faktor
• Jadual menunjukkan komunaliti
bagi item-item dan didapati nilai
item kebanyakanya adalah tinggi.

•Nilai item terendah ialah item_e,

item_j, tetapi nilai ini menghampiri
0.4

•Bagaimanapun nilai bagi item_d

ialah 0.295 yang jauh lebih rendah
daripada 0.4.

•Oleh itu, item_d patut dikeluarkan

daripada item kerana didapati
bukan cara yang langsung
terhadap masalah ini 61
Analisis Faktor

62
 Analisis Faktor

• Jadual Total Variance Explained melaporkan kadar varians dikira bagi

setiap faktor diputarkan.
• Faktor pertama dan kedua dikira menunjukkan 28.07% dan 21.15%
masing-masing daripada kesemua 10 pemboleh ubah yang dikira.
• Secara total, jika kedua-dua faktor diambil, maka sebanyak 49.1%
daripada varians dapat dijelaskan. 63
ANALISIS RESPONS BERGANDA

Analisis respons berganda dan analisis dikotomi berganda

sering digunakan dalam analisis data tinjauan atau
pengumpulan data kajian menggunakan soal selidik. Soal
selidik yang mengandungi soalan terbuka boleh
menggunakan analisis respons berganda, manakala
soalan berbentuk dikotomi (ya/tidak) boleh menggunakan
analisis dikotomi berganda.

Contoh : Seramai 50 pelajar pernah menghadapi tindakan

disiplin di beberapa buah sekolah telah ditanya
pendapat mereka tentang faktor mereka terlibat
dengan masalah social di sekolah.
64
 ANALISIS RESPONS BERGANDA
Arahan : Buka Data Bab 12_Respon berganda.

1.Klik Analyze > Multiple Respons > Define variable set.

2.Masukkan attl, att2, att3, att4 dalam kotak variable in set.
3.Klik Catergories. Masukkan Range 1 through 10. Dalam
Kotak letak Name; taip nama yang sesuai (e.g.
Masalah_sosial) dan dalam kotak dan Label; taip nama yang
sesuai perihal pemboleh ubah ini (contoh: Masalah social
remaja).
4.Klik Add > Close.
5.Pilih Analyze > Multiple response > Frequencies.
6.Masukkan Masalah Social pelajar ke dalam Table(s) for.
7.Klik OK.
65
ANALISIS RESPONS BERGANDA

66
 ANALISIS RESPONS BERGANDA

• Jadual frekuensi bagi set respons berganda

menunjukkan pengaruh rakan sebaya ialah frekuensi
yang paling kerap dalam kriteria dipilih iaitu 15.5%,
diikuti faktor tidak suka dikawal ibu bapa sebanyak
14.4%.
• Percent of responses merujuk perkadaran bagi respons
diberi berkaitan bilangan.
• Misalnya, 18 pelajar menyatakan persekitaran dalam
sekolah sebagai kriteria dipilih, iaitu 18/181 peratus
daripada jumlah respons keseluruhan.
• Percent of cases merujuk perkadaran bagi respons
diberi berkaitan jumlah kes yang sahih (tidak termasuk
missing cases)
67
ANALISIS DIKOTOMI BERGANDA

Contoh:

Satu sampel rawak telah diambil oleh kaunselor daripada

suami atau isteri yang sedang mengalami Konflik rumah
tangga.

Arahan: Buka Data Bab 12_Dikotomi Berganda.

68
 Analisis Dikotomi Berganda
Arahan: Buka Data Bab 12_Dikotomi Berganda.
1.Klik Analyze > Multiple Responses > Define variable set
2.Masukkan sbb1, sbb2, sbb3, sbb4, sbb5, sbb6, sbb7, sbb8,
sbb9, sbb10, sbb11 dalam kotak Variable in set.
3.Klik pada Dichotomies. Masukkan nilai 1 dalam Counted
value. Dalam kotak Name; taip nama yang sesuai (e.g.
Rumah_tangga) dan dalam kotak dan Label; taip nama yang
sesuai perihal pemboleh ubah ini. (contoh :Konflik rumah
tangga)
4.Klik Add. Pemboleh ubah $Rumah_tangga akan dihantar ke
kotak Multiple Response Sets.
5.Klik Close.
6.Pilih Klik Analyze > Multiple Responses >Freq foruencies
7.Masukkan Konflik Rumah Tangga ke dalam Kotak Table(s)
8.Klik OK. 69
ANALISIS DIKOTOMI BERGANDA

70
 ANALISIS DIKOTOMI BERGANDA
• Jadual case summary di atas menunjukkan seramai 30
responden yang diambil untuk memberi respons
berkaitan Punca Konflik Rumah Tangga.
• Walaubagaimanpun, jumlah keseluruhan respons ialah
81 kerana setiap responden dibenarkan memberi lebih
daripada satu respons seperti yang dialami oleh
responden sendiri.
• Jadual frekuensi bagi set dikotomi berganda
menunjukkan pemboleh ubah suami bengis adalah yang
paling kerap dipilih sebagai faktor konflik rumah tangga
iaitu sebanyak 14.8% daripada jumlah respons, diikuti
oleh faktor suami ada wanita lain dan suami tidak
memberi nafkah (13.6%).
71
 PROSEDUR UJIAN- T

1. UJIAN-T SATU SAMPLE

2. UJIAN-T SAMPEL BERPASANGAN
3. UJIAN-T BAGI SAMPEL BEBAS
 PROSEDUR UJIAN- T SATU
SAMPLE
Objektif:
Membandingkan nilai min bagi suatu pemboleh ubah dengan
nilai tertentu yang boleh ditetapkan

Contoh:
Seorang pengetua sekolah ingin mengetahui nilai min (purata)
markah ujian percubaan bagi subjek matematik. Seramai 30
pelajar diambil sebagai responden. Mengikuti rekod ujian
percubaan yang sama tahun lepas, pelajar kelas ini mendapat
purata markah ialah 50.

Soalan Kajian:
Adakah min markah ujian percubaan bagi subjek matematik
ialah bersamaan 50?
 PROSEDUR UJIAN- T SATU
SAMPLE
ARAHAN: Buka Data Bab13_ujian t(a)

1. Klik Analyze > Compare Means > One-

samples T test.
2. Klik Ujian Percubaan/data. Masukkan dalam
kotak Test Variable(s).
3. Taip 50 dalam kotak Test Value.
4. Klik butang “ok”.
 PROSEDUR UJIAN- T SATU
SAMPLE

• SPSS mengira min dan sisihan piawai bagi pemboleh

ubah diuji.
• Nilai min ujian percubaan iaitu 54.63 berbanding nilai
yang dihipotesiskan (test value) iaitu 50.
• Perbezaan ini menunjukkan nilai min ujian percubaan
adalah lebih besar daripada nilai min yang diuji.
 PROSEDUR UJIAN- T SATU SAMPLE

• Keputusan ujian ini adalah signifikan, t(29)= 2.416,

p=0.022.
• Oleh sebab nilai p (0.022) lebih kecil daripada aras
keertian 0.05, maka kita menolak H0 bahawa min
populasi bersamaan dengan 50.
• Ini bererti min ujian percubaan tersebut tidak bersamaan
dengan 50 (menerima Hipotesis alternatif).
• Min markah sebenar bagi ujian percubaan ini adalah
bersamaan 54.63. 76
 PROSEDUR UJIAN-T SAMPEL
BERPASANGAN
Objektif:
Membandingkan nilai min antara dua kumpulan pemboleh
ubah yang berkaitan dengan satu dengan lain.

Contoh:
Sekumpulan pelatih seramai 30 orang bagi acara larian pecut
100 meter dipilih dari populasi untuk menentukan sama ada
program latihan insentif selama dua bulan mampu
meningkatkan prestasi larian mereka. Untuk menguji sama
ada larian mereka (dalam ukuran saat) sebelum latihan
intensif itu dimulakan, dan kemudian masa larian dicatatkan
sekali lagi sebaik sahaja tamat latihan intensif selama dua
bulan.
 PROSEDUR UJIAN-T SAMPEL
BERPASANGAN

1. Klik Analyze > Compare Means > Paired-

samples T test.
2. Klik Larian 1 dan Larian 2. Masukkan dalam
kotak Paired Variables.
3. Klik butang Options. Pastikan peratus selang
keyakinan 95% dan dalam bahagian Missing
Values ditanda pada Exclude Cases Analysis by
analysis.
4. Klik butang “Continue”.
5. Klik butang “OK”.
PROSEDUR UJIAN-T SAMPEL
BERPASANGAN
 PROSEDUR UJIAN-T SAMPEL
BERPASANGAN
• Maklumat dalam jadual Paired Samples Test merujuk
perbezaan antara kedua-dua larian.
• Nilai t (29) = 10.978 dan nilai p (0.000)<0.05.
• Keputusan ujian-t bagi sampel berpasangan ini
menunjukkan hipotesis nol bahawa tidak terdapat
perbezaan min masa larian adalah ditolak, sebaliknya
kita menerima hipotesis alternatif bahawa terdapat
perbezaan yang signifikan dari segi min masa antara
larian 1 (sebelum program latihan intensif) dan larian 2
(selepas program latihan intensif).
• Ini menunjukkan program latihan insentif telah berjaya
meningkatkan prestasi (mengurangkan masa larian 100
meter)
80
 PROSEDUR UJIAN-T SAMPEL
BERPASANGAN
• Berdasarkan nilai min dalam jadual paired Samples
statistics.

• Program latihan insentif untuk pelari pect 100 meter

berjaya mengurangkan masa larian (meningkatkan
prestasi) iaitu daripada min larian 13.12 saat (larian 1)
kepada min larian 12.55 saat (larian 2) selepas program
latihan intensif selama dua bulan.

• Secara statistik didapati masa larian semakin lebih cepat

(lebih pantas) iaitu daripada 13.12 ±0.674 saat kepada
12.55 ±0.665 saat (P<0.05)
81
 PROSEDUR UJIAN-T BAGI
SAMPEL BEBAS
Objektif:
Membandingkan nilai min antara dua kumpulan sampel yang
saling tidak bergantung (bebas).
Contoh:
Pengetua sekolah berminat untuk membandingkan
pencapaian dalam ujian percubaan subjek matematik SPM
bagi dua kumpulan pelajar iaitu lelaki dan perempuan.
Seramai 30 pelajar lelaki dan 30 pelajar perempuan diambil
sebagai sampel. Berdasarkan rekod pencapaian pelajar yang
mengambil subjek matematik SPM pada tahun lepas
mendapati pencapaian pelajar perempuan adalah lebih baik
berbanding pelajar lelaki.
Soalan Kajian:
Adakah wujud perbezaan min skor dalam ujian percubaan
subjek matematik SPM antara pelajar lelaki dan perempuan.
 PROSEDUR UJIAN-T BAGI
SAMPEL BEBAS

1. Klik Analyze > Compare Means > Independent-

samples T test.
2. Klik markah. Masukkan dalam kotak Test
Variable(s).
3. Klik Jantina. Masukkan dalam kotak Grouping
Variable.
4. Klik Define Group.
5. Dalam kotak Group 1, taip 1.
6. Dalam kotak Group 2, taip 2.
7. Klik “Continue” .
8. Klik “OK”.
 PROSEDUR UJIAN-T BAGI
SAMPEL BEBAS

• Min (purata) markah ujian percubaan subjek matematik SPM bagi

kumpulan pelajar lelaki ialah 57.6 peratus manakala kumpulan
pelajar perempuan pula ialah 71.3 peratus

• Perbezaan min = - 13.700 diperoleh dengan menolak min markah

Group 1 (pelajar lelaki) dengan min markah Group 2 (pelajar
perempuan) iaitu 57.69-71.30.

• Nilai t negatif menunjukkan min markah bagi kumpulan pelajar lelaki

(group 1) adalah lebih rendah berbanding kumpulan pelajar
perempuan (Group 2)
PROSEDUR UJIAN-T BAGI SAMPEL BEBAS

• Test Levene for equality variance menjelaskan keperluan sama ada

memenuhi andaian iaitu dua kumpulan mempunyai varian lebih kurang
sama pada pemboleh ubah bersandar (markah).
• Jika ujian Levene adalah signifikan (nilai “sig” kurang daripada 0.05)
bererti dua varians adalah berbeza secara signifikan.
• Jika tidak signifikan (nilai “sig.”> 0.5), bererti dua varians adalah
kumpulan yang beas.
• Dalam contoh ini, nilai sig. 0.329> 0.05 menunjukkan varians kedua-dua
kumpulan adalah sama.
 PROSEDUR UJIAN-T BAGI SAMPEL
BEBAS

• Bahagian t-test for equality of mean dirujuk pada baris atas

(Equal variances assumed) dapati nilai t= -5.231 dengan
darjah kebebasan (df) ialah 58.

• Oleh sebab nilai sig. (2 tailed) bersamaan 0.000 iaitu lebih

kecil daripada 0.05, maka hipotesis nol (min bagi dua
kumpulan adalah tidak berbeza secara signifikan) perlu
ditolak. 86
 ANALISIS VARIANS
(ANOVA)

1. ANALISIS VARIANS SEHALA

2. ANALISIS KOVARIANS (ANCOVA)
SEHALA
PROCEDURE ANALISIS VARIANS
SEHALA
Objektif:
Membandingkan min antara tiga atau lebih kumpulan yang
dikaji untuk menentukan perbezaan min yang signifikan
antara satu dengan lain.

Contoh 1:
Seorang doktor ingin mengetahui sama ada salah satu
daripada tiga jenis ubat yang digunakan untuk melegakan
kesakitan itu adalah lebih baik (skor kesakitan yang lebih
rendah) berbanding ubat yang lain. Oleh itu, tanpa
kumpulan kawalan beliau melakukan ujian ANOVA sehala
dengan menggunakan nilai 1 untuk jenis ubat 1, 2 untuk
jenis ubat 2, 3 untuk jenis ubat 3. Tahap kesakitan akan
diberi skor 0 hingga 100 (skor lebih kecil mewakili
kesakitan lebih rendah)
PROCEDURE ANALISIS VARIANS
SEHALA
Contoh 2:
Seorang pengurus mencadangkan meningkatkan kecekapan para
pekerjanya menggunakan komputer dalam urusan kerja dengan
menghantar mereka mengikuti kursus kemahiran komputer. Kursus
tersebut diadakan di tiga tempat berlainan dan setiap tempat
menggunakan kaedah pengajaran yang berbeza. Syarikat telah
menghantar 20 orang pekerja. Apabila pekerja tersebut selesai
mengikuti kursus tersebut, syarikat telah memberikan tugasan untuk
mereka selesaikan menggunakan kemahiran komputer yang dipelajari.
Pengurus membandingkan kemahiran pekerja berdasarkan tiga
kaedah kursus untuk melihat perbezaan min masa yang diambil untuk
menyelesaikan masalah tersebut Pengurus melakukan analisis
ANOVA sehala dengan menggunakan nilai 1 untuk pekerja yang
mengikuti khusus 1, nilai 2 untuk pekerja mengikuti khusus 2 dan nilai 3
untuk pekerja mengikuti khusus 3. Masa (dalam minit) dicatatkan
apabila setiap pekerja berjaya menyelesaikan masalah yang diberi.
Arahan:
Buka Bab 14_Data ANOVA Sehala.
 PROCEDURE ANALISIS VARIANS
SEHALA
1. Klik Analyze > Compare Means > One-Way Anova.
2. Klik Masa dan masukkan dalam kotak Dependent
List. Klik Kaedah dan masukkan dalam kotak Factor.
3. Klik pada butang “Option..”. Tanda pada
“Descriptive”, “Homogeneity of Variance” dan
“Welch”.
4. Klik butang “Continue”.
5. Klik butang “Post Hoc..”. Tanda pada kotak “Tukey”
dan “Games Howell”.
6. Klik “Continue” .
7. Klik “OK”.
PROCEDURE ANALISIS VARIANS
SEHALA
PROCEDURE ANALISIS VARIANS
SEHALA
PROCEDURE ANALISIS VARIANS
SEHALA
 PROCEDURE ANALISIS VARIANS
SEHALA

• Ujian bagi kehomogenan varian dalam jadual test of homogeneity

of Variances menunjukkan nilai signifikan (sig.) bagi hasil ujian
Levene (0.408) lebih besar daripada 0.05

• Statistik Levene menunjukkan nilai 0.408 telah memenuhi andaian

kehomogenan varians.

• Jika mendapati kehomogenen varians adalah berbeza (nilai sig. <

0.05), maka perlu rujuk kepada ujian Robust tests of equality of
Means.
PROCEDURE ANALISIS VARIANS SEHALA

• Jika berlaku pelanggaran andaian kehomogenan varians, kita

boleh menentukan sama ada terdapat perbezaan yang
signifikan antara kumpulan dikaji dengan menggunakan ujian
welch.

• Dalam ujian ini, jika nilai signifikan kurang daripada 0.05

bermaksud terdapat perbezaan varians (varians tidak
homogen) antara kumpulan.

• Disebabkan ujian Levene telah memenuhi syarat

kehomogenan varians, maka ujian welch perlu diabaikan
PROCEDURE ANALISIS VARIANS SEHALA

• Jadual Anova menunjukkan nilai signifikasi 0.000 adalah

lebih rendah daripada 0.05.
• Keputusan ujian ini menunjukkan hipotesis nul (tidak wujud
perbezaan min masa antara ketiga-tiga kaedah) perlu
ditolak.
• Keputusan ujian menunjukkan wujud perbezaan min masa
yang diambil untuk menyelesaikan masalah yang diberi
sekurang-kurangnya antara dua kaedah yang berlainan.
PROCEDURE ANALISIS VARIANS SEHALA
• Jadual tersebut menunjukkan
perbandingan antara pelbagai
kumpulan yang berbeza antara satu
sama dengan lain.

• Ujian Turkey umumnya menjadi ujian

pilihan untuk menjalankan ujian post-
hoc bagi Anova sehala.

• Berdasarkan jadual terdapat

perbezaan yang signifikan dari segi
masa untuk menyelesaikan masalah
antara ketiga-tiga kumpulan.
Kumpulan yang mengambil kursus
komputer menggunakan kaedah 1,
kaedah 2 dan kaedah 3 adalah
berbeza secara signifikan (nilai sig.
<0.05).
PROCEDURE ANALISIS VARIANS SEHALA

• Pekerja masalah yang diberi

lebih cepat sebanayak 63 minit
(-6.3000) dari segi min masa
berbanding pekerja yang
mengikuti kursus Komputer
kaedah 2 .

• Sebaliknya, pekerja yang

mengikuti kursus komputer
kaedah 1 lebih lambat
sebanyak 4.6 minit (4.60000)
berbanding min masa yang
diambil oleh pekerja kursus
komputer kaedah 3 untuk
menyelesaikan masalah diberi.
 PROCEDURE ANALISIS
KOVARIANS (ANCOVA) SEHALA
Contoh:
Seorang pengurus jualan ingin mengenal pasti sama ada lelaki atau
perempuan lebih berjaya menjadi seorang jurujual. Pengurus telah
merekodkan nilai jualan seramai 30 jurujual selama 12 bulan.
Pengurus sedar bahawa pengalaman kerja sebagai jurujual juga
menjadi penyumbang kepada kejayaan seorang jurujual berkenaan.
Oleh itu, pemboleh ubah bersandar bebas ialah jantina jurujual (1=
Lelaki; 2= Perempuan) dan kovariat ialah pengalaman kerja sebau
seorang jurujual.

Soalan Kajian:
1. Perbezaan min: Adakah wujud perbezaan jumlah jualan antara
jurujual lelaki dengan jurujual wanita?
2. Hubungan antara pemboleh ubah: adakah wujud hubungan antara
jumlah jualan antara jurujual lelaki dan wanita berdasarkan
pengalaman kerja sebagai jurujual?
Arahan:
Buka Bab 14_Data ANCOVA Sehala.
 PROCEDURE ANALISIS
KOVARIANS (ANCOVA) SEHALA

1. Klik Analyze > General Linear Model >

Univariate.
2. Klik Jualan dan masukkan dalam kotak
Dependent Variable. Klik Jantina dan
masukkan dalam kotak Fixed Factor (pemboleh
ubah bebas).
3. Klik Pengalaman dan masukkan dalam kotak
Covariate(s).
4. Klik “OK”.
 PROCEDURE ANALISIS
KOVARIANS (ANCOVA) SEHALA
 PROCEDURE ANALISIS KOVARIANS
(ANCOVA) SEHALA

• Jadual test of between-subject effects

menunjukkan jantina tidak memberi kesan yang
besar (p=0.878>0.05), tetapi wujud hubungan
yang signifikan antara jumlah jualan dengan
pengalaman kerja sebagai jurujual
(p=0.000<0.05).

• Oleh itu, kita boleh katakan bahawa apabila kita

mengawal pemboleh ubah pengalaman , maka
pemboleh ubah jantina tidak mempengaruhi
jumlah jualan. 102
 PROCEDURE ANALISIS KOVARIANS
(ANCOVA) SEHALA

• Jadi, pengurus dapat membuat kesimpulan

bahawa kejayaan seseorang jurujual berkaitan
rapat dengan pengalaman kerja lepas sebagai
jurujual.

• Ujian post-Hoc ANOVA tidak perlu dilakukan

kerana tidak wujud perbezaan yang signifikan
dari segi jumlah jualan berdasarkan jantina
jurujual.

103
ANALISIS KORELASI DAN
REGRESI

1. ANALISIS KORELASI
2. ANALISIS REGRESI BERGANDA
(CHEK)
PROSEDUR ANALISIS KORELASI

Arahan:
Buka Bab 15_Data Korelasi 1.

Seorang penyelidik ingin mengkaji sama ada minat

pelajar menonton TV mempunyai hubungan yang
kuat dengan pencapaian pelajar dalam ujian.
Sampel seramai 50 pelajar yang telah mengambil
satu ujian bulanan di sebuah sekolah telah diambil
dengan merekodkan jumlah jam pelajar berkenaan
menonton TV seminggu dan markah yang diperoleh
dalam ujian berkenaan.
PROSEDUR ANALISIS KORELASI

1. Klik Analyze > Correlate > Bivariate.

2. Klik Markah Ujian dan Jam Menonton TV.
Masukkan dalam kotak Variables. Pastikan
Pearson dipilih daripada kotak Correlation
Coefficients dan Two-tailed dipilih daripada kotak
Test of Significance.
3. Klik pada kotak Flag significant correlations.
4. Klik Options.
5. Klik Means and Standard Deviation dalam kotak
Statistics.
6. Klik “Continue”.
7. Klik “ OK ”.
PROSEDUR ANALISIS KORELASI
 PROSEDUR ANALISIS KORELASI
• Jadual menunjukkan nilai pekali korelasi ialah -0.936.
• Negatif menunjukkan hubungan songsang antara
jumlah jam penonton TV dengan markah ujian.
• Semakin meningkat jumlah jam menonton TV maka
markah ujian semakin berkurangan.
• Nilai -0.939 sangat menghampiri nilai – 1.00 (korelasi
negatif sempurna) menunjukkan korelasi antara jumlah
jam menonton TV dengan markah ujian adalah
hubungan negatif yang sangat kuat.
• Simbol asterisk (**) menunjukkan signifikan pada aras
keertian 0.01 (iaitu 99% selang keyakinan)
 PROSEDUR ANALISIS REGRESI
BERGANDA
Arahan:
Buka Bab 15_Regresi.

Seorang pengurus sebuah syarikat jualan langsung

ingin mengkaji hubungan antara jumlah produk yang
dijual dalam seminggu (Y) dengan jumlah jam
bekerja setiap jurujual (X1) dan harga yang
ditetapkan (X2) bagi beberapa kawasan berlainan.
Seramai 51 orang jurujual telah dipilih sebagai
responden kajian.
 PROSEDUR ANALISIS REGRESI
BERGANDA
1. Klik Analyze > Regression > Linear.
2. Klik Produk. Masukkan dalam kotak Dependent Box.
3. Klik Masa kerja dan Harga. Masukkan dalam kotak Independent.
4. Klik Statistics.
5. Klik pada Estimates dan Model Fit di bawah kotak.
6. Klik pada Casewise dignostics di bawah kotak Residuals. Pastikan
Outliers outside dipilih dengan nilai sisihan piawaian 3 yang telah
ditetapkan.
 PROSEDUR ANALISIS REGRESI
BERGANDA
7. Klik “Continue”.
8. Klik “Plots”.
9. Klik *ZRESID. Masukkan item ini dalam kotak Y:
10. Klik *ZPRED. Masukkan item ini dalam kotak X:
11. Dalam kotak Standardized Residual Plots, Pilih Normal
probability plot.

111
 PROSEDUR ANALISIS REGRESI
BERGANDA
12. Klik “Continue”.
13. Klik “Save”.
14. Dalam kotak Distance, pilih Mahalanobis dan Cook’s.
15. Dalam kotak Residuals, pilih Standardized dan Studentized.

112
 PROSEDUR ANALISIS REGRESI
BERGANDA
16. Klik “Continue”.
17. Klik Option. Tandakan pada Excluded cases pairwise
18. Klik “Continue”.
19. Klik OK

113
 PROSEDUR ANALISIS REGRESI
BERGANDA
7. Klik “Continue”.
8. Klik “Plots”.
9. Klik *ZRESID. Masukkan item ini dalam kotak Y:
10. Klik *ZPRED. Masukkan item ini dalam kotak X:
11. Dalam kotak Standardized Residual Plots, Pilih Normal
probability plot.
12. Klik “Continue”.
13. Klik “Save”.
14. Dalam kotak Distance, pilih Mahalanobis.
15. Klik “Continue”.
16. Klik “OK”.

114
 PROSEDUR ANALISIS REGRESI
BERGANDA

• Nilai Durbin-Watson ialah 1.987 sangat menghampiri

nilai 2.
• Ini menunjukkan tiada masalah autokorelasi.

115
PROSEDUR ANALISIS REGRESI
BERGANDA
• Nilai Variance Inflation
Factor (VIF) ialah 1.798
iaitu antara nilai 1 dan
10 yang menunjukkan
tiada masalah
multikorlineariti.
• Nilai Tolerance pula
melebihi 0.1

116
PROSEDUR ANALISIS REGRESI
BERGANDA

• Nilai maksimum Mahanalobis’

Distance dalam jadual di atas
bersamaan 1.961 iaitu kurang
daripada 10.597.

• Menunjukkan data bertaburan

normal (multivariate normality).

• Kenormalan data juga boleh

dirujuk secara visual dengan
melihat bentuk rajah histogram
di bawah.
117
PROSEDUR ANALISIS REGRESI
BERGANDA
• Rajah Normal P-P of Regression
Standardized Residual bagi
pemboleh ubah bersandar
menunjukkan secara relatifnya
data bertaburan normal.
• Disebabkan tidak ada univariate
outliers ditemui, plot casewise
tidak diperllukan.
• Jika outlier wujud, plot untuk kes
ini adalah dikenal pasti dengan
sisihan piawai melebihi 3.
• Nilai jarak (distance value)
Mahalanobis menunjukkan
bahawa tidak wujud multivariate
outliers antara pemboleh ubah
bebas. 118
 PROSEDUR ANALISIS REGRESI
BERGANDA

• Rajah Scatterplot di atas menunjukkan tidak ada pattern dalam

taburan data. Ini menyokong andaian bahawa data adalah
bertaburan normal. 119
PROSEDUR ANALISIS REGRESI
BERGANDA
• Analisis ini menggunakan
kaedah Enter iaitu semua
pemboleh ubah sama ada
signifikan atau tak signifikan
akan dimasukkan dalam satu
model.

• Anda boleh menggunakan

kaedah stepwise iaitu beberapa
model dicadangkan dalam
analisis regresi berganda ini
dan anda perlu memilih model
yang paling sesuai.

120
PROSEDUR ANALISIS REGRESI
BERGANDA
• Jadual correlation menunjukkan
korelasi antara pemboleh ubah-
pemboleh ubah dikaji.

• Korelasi antara pemboleh ubah

bersandar iaitu produk terjual
(Produk) dan pemboleh ubah
bebas iaitu masa kerja
menunjukkan hubungan positif
yang sangat kuat (rxy = 0.80),
manakala hubungan pemboleh
ubah bersandar iaitu produk
terjual dengan pemboleh ubah
bebas harga pula menunjukkan
hubungan negatif yang kuat (rxy = -
0.776)
121
 PROSEDUR ANALISIS REGRESI
BERGANDA

• Kedua-dua pemboleh ubah bebas (harga dan masa kerja) dapat

menjelaskan 74.7% variasi dalam pemboleh ubah bersandar iaitu
produk (produk terjual).
 PROSEDUR ANALISIS REGRESI
BERGANDA

• Jadual correlation menunjukkan korelasi antara pemboleh ubah-

pemboleh ubah dikaji.

• Korelasi antara pemboleh ubah bersandar iaitu produk terjual

(Produk) dan pemboleh ubah bebas iaitu masakerja menunjukkan
hubungan positif yang sangat kuat (rxy = 0.80), manakala hubungan
pemboleh ubah bersandar iaitu produk terjual dengan pemboleh ubah
bebas harga pula menunjukkan hubungan negatif yang kuat (rxy = -
0.776)
 PROSEDUR ANALISIS REGRESI
BERGANDA

• Analisis regresi berganda dalam jadual di atas menunjukkan kedua-

dua pemboleh ubah bebas mempunyai pengaruh yang signifikan
terhadap pemboleh ubah bersandar.

• Pemboleh ubah bekas masa kerja (jumlah jam bekerja) menunjukkan

pengaruh yang positif terhadap pemboleh ubah bersandar iaitu
produk (jumlah produk terjual).

• Sebaliknya, pemboleh ubah bebas iaitu harga pula menunjukkan

pengaruh yang negatif terhadap pemboleh ubah bersandar (produk).
124
TERIMA KASIH

125