spss 'kasih' msc uum'08

MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033

0.1 PENGENALAN.

SPSS (pada asalnya, Pakej Statistik untuk Sains Sosial) dalam versi pertama

nya pada 1968 telah di temui oleh Norman Nie dan C HADLAI HULL. Nie

adalah lepasan Ijazah Sains Politik di Stanford University, dan kini menjadi

Profesor Penyelidik di Jabatan Sains Politik di Stanford, menjadi Profesor

Emeritus Sains Politik di University Of Chicago.

SPSS adalah antara kebanyakan program-program digunakan secara meluas

untuk analisis statistik dalam Sains Sosial. Ia adalah digunakan oleh para

pengkaji pasaran, penyelidik-penyelidik kesihatan, syarikat-syarikat tinjauan,

kerajaan, para penyelidik pendidikan, pemasaran pertubuhan-pertubuhan dan

lain-lain.

SPSS boleh membaca dan menulis data daripada teks ASCII leretan (termasuk

leretan berhierarki), pakej-pakej statistik lain, spreadsheet dan pangkalan data.

SPSS boleh membaca dan menulis luar daripada pangkalan data hubungan

melalui ODBC dan SQL. Spss sangat membantu dan memudahkan pengkaji

untuk menganalisa data kualitatif dengan sempurna.

0.2 PENYEDIAAN DATA

2.1 Jenis Data:

Sebelum pengkaji menggunakan statistik untuk menganalisa data pengkaji

harus mengetahui cirri-ciri pembolehubah (variable) kajian.

Empat skala pengukuran:

Laporan spss ‘okt’08


1. Data Norminal : data yang guna 1, 2 untuk mengganti namanya.

Contohnya: 1 (lelaki) 2 (perempuan)

2. Data Ordinal: Data yang di kumpulkan dalam sela tetapi tidak sama.

contohnya: 0 – 10 sela 9

11- 29 sela 19

30 - 59 sela 29

3. Data Selang/ sela: Data yang selanya adalah sama.

Contohnya: 0 - 10 sela 9

11- 20 sela 9

21 - 30 sela 9

Skala likert adalah berjenis data selang.

4. Data Nisbah/ rasio: data mentah

contoh: markah murid : 50 markAh, 80 markah dan sebagainya.

Umur Pak Hasan ialah: 60 tahun.

NORMINAL T TEST/ ANOVA

KATEGORI ORDINAL SKI SQUARE

SELANG

CONTINUOUS RASIO/ NISBAH KORELASI

Ujian - t / ANOVA = mesti dua jenis data kategori + continuos

Ski square(X2) = sama kategori : norminal + ordinal

Korelasi (r) = kedua-duanya mesti data continuous: selang+nisbah



2.2 Penyediaan data:

1. Data yang dikumpulkan daripada responden kajian dalam bentuk angka

perlu dimasukan ke dalam SPSS data editor.

Rajah1: Tetingkap Data View

Rajah 2: Tetingkap variable View.


Data ViewVariabel View

Menu Bar dalam editor SPSS


0.3 PEMBERSIHAN DATA

Kajian dilakukan untuk mengenalpasti adakah terdapat perbezaan

pembelajaran matematik dengan pembolehubah-pembolehubah yang dikaji

sekolah menengah Taman Ria Jaya. Pemboleh ubah yang digunakan ialah:

a- Bangsa

b- Jantina

c- Jam belajar

d- Masa belajar

e- Sikap

f- Bimbang

g- Tabiat

Item-item yang digunapakai bagi pembolehubah di atas adalah ditunjukkan

dalam lampiran laporan ini.

Cara untuk pembersihan data dalam kajian.

1. Cara Buka fail data baru

Rajah 3. Paparan tetingkap data view


2. Lihat colum missing kelik k titik2 … maka paparan missing value akan keluar. klik descret missing valuetaipkan 999 kedalam kotak. klik OK

Tukarkan none menjadi 999 pada colum tersebut.


2. Masukan value Label bagi jantina.

a. Klik … di tepi None pada colum Value.

b. Tertingkap ini akan muncul

c. Masukkan Value: 1 , Value Lavel: Lelaki kemudian

klik Add

ulangi untuk jantina perempuan pula

Value :2 , Value Lavel : Perempuan kemudian klik

Add

d. Kemudian klik OK

3. Untuk Bangsa:

a. Klik …di tepi None kemudian paparan ini akan keluar,

b. Pada Value taip 1, Value Label taip M,klik Add

Value taip 2, Value Label taip C, klik Add

Value taip 2, Value Label taip I, klik Add

Value taip 2, Value Label taip L, klik Add

c. Kemudian klik OK



4. Jam Belajar tidak perlu letak apa-apa value.

5. Masa belajar

a. Klik …di tepi None maka tetingkap di bawah akan muncul

b. Masukkan pada Value: taip 1, Value label taip pagi klik Add

Pada Value: taip 2, Value label taip petang klik Add

Pada Value: taip 3, Value label taip malam klik Add

c. Setelah selesai klik OK

6. Value Bagi Item

a. Klik pada …None row item colum value.

b. Tetingkap ini akan muncul

c. Pada Value 1, Value label tulis STB (sgt tidak benar) Add

Value 2, Value label tulis TB(tidak benar) Add

Value 3, Value label tulis TP(tidak pasti) Add

Value 4, Value label tulis B (benar) Add

Value 5, Value label tulis SB(sgt benar) Add

d. Kemudian klik ok.

e. Pastikan semua row item di nilai kan seperti di atas.



7. Dibahagian colum Measure untuk jenis data yang sesuai.

- Row indek : Measure = scale

- Row jantina : Measure = Norminal

- Row Bangsa : Measure = Norminal

- Row jam belajar : Measure = scale

- Row Masa belajar : Measure = Norminal

- Row Item-item : Measure = scale

8. Setelah itu buang semua titik kecil pada setiap row. Tujuan membuang titik-

titik tersebut untuk menghindarkan terdapat ralat di dalam anialisa kajian

kelak.

Satu titik tersebut bermaksud satu data. SPSS akan membacanya juga.

Oleh itu clear semuanya dengan cara highlight titik-titik tersebut dan tekan

delete.

9. Delete data repondan yang tidak lengkap.

- Data Respondan yang ke 45: dibuang kerana respondan menjawab

dalam Item 13 tabiat menulis hinggga 42 tiada dalam skala likert tabiat.

- Data Respondan yang ke148: di buang kerana datanya berulang.

- Data Respondan yang ke 12, 16, 32, 90, 134, 135, dan 149 di buang

kerana respondan menjawab item tersebut tidak lengkap.

- Daripada 71 jumlah respondan dibuang sebanyak 9 data maka jumlah

yang tinggal ialah 62

- Kemudian taipkan nombor respondan mengikut turutan menaik dari

bilangan 1 hingga 62 respondan.

- Jumlah data sebanyak 62 respondan di gunakan sebagai sampel kajian.



0.4 RECODE

Tujuan recode ialah untuk mencari nagatif statement. Kerana semasa respondan

menjawab soalan ada kemungkinan ketidakikhlasan questuinaire itu ia diragui.

Jadi mungkin sepatutnya jawapan tersebut ialah 5 tetapi ditandakan dengan 1.

Jadi ketika ini perlu dilakukan proses recode untuk membolehkan keseragaman

data tersebut.

Cara recode:

a) Klik transform klik recode klik into same variable

b) Paparan di bawah muncul

c) Kelik item 7 (kerana item 7 terdapat nagatif statement. Sepatutnya di tanda 5

atau 4 tetapi di tanda 1) kelik tanda > (add ke dalam kotak numeric

Variable)



d) Klik Old and New Values.--> paparan di bawah akan muncul

e) Kemudian tuliskan:

- Old Value butang radio value = 1 sementara New value butang radio

value tulis 5 kemudian klik Add.









f) Kemudian klik continue klik OK.



0.5 COMPUTE

Compute bertujuan untuk menjumlahkan semua item yang terdapat di dalam

pembolehubah iaitu sikap, bimbang, dan tabiat.

Kesemua item-item dalam pemboleh ubah ini di lakukan proses compute satu

persatu.

Cara compute:

a) Klik transform klik compute. Paparan di bwah akan muncul

b) Klik tanda kurungan [ ( ) ] klik 2x item 1. klik tanda +

c) Buat begitu untuk item yang setetusnya sehingga la item 19

d) Setelah selesai hingga item 19 taip slash (/ 19) di luar kurungan.

e) Tulis target variable ialah sikap.

f) Kemudian Klik OK

Contoh paparan item sikap yang telah siap di compute


Tanda kurungan

Tanda tambah


Compute variable bimbang:

a) Laksanakan langkah seperti mengkompute sikap.

Klik transform klik compute. Paparan compute Variable akan muncul



d) Setelah selesai hingga item 16 taip s (/ 16) di luar kurungan.

e) Tulis target variable ialah bimbang.

f) Kemudian Klik OK

Contoh paparan item bimbang yang telah siap di compute,



Cara compute tabiat:

a) Langkah yang sama dengan bimbang dan sikap.



d) Setelah selesai hingga item 16 taip s (/ 16) di luar kurungan.

e) Tulis target variable ialah tabiat

f) Kemudian Klik OK

Contoh paparan item tabiat yang telah di compute.



0.6 BOXPLOT

Boxplot digunakan untuk mengenalpasti data yang masih yang bermasalah.

Khususnya untuk membersihkan data.

Cata untuk membina Boxplot.

a) Klik Analyze klik Descriptive Statistics klik explore

Paparan ini muncul

b) Klik sikap tanda > bersebelahan dengan kotak Dependent list (sikap

akan masuk kedalam kotak tersebut)

c) Klik jantina dan bangsa masukkan ke dalam kotak Factor List.

d) Kemudian klik statistic. Paparan ini akan muncul

kemudin tandakan pada kotak outlier klik continue.



e) Pada paparan Explore Klik plot. Paparan ini akan muncul.

f) Tandakan butang radio factor level together dan kotak stem- and- leaf

serta kotak histogram

g) Tandakan kotak normality butang radio none.

h) Klik continue klik OK

i) Maka paparan blog seperti di bawah.



Dapatan hasil menunjukkan bahawa terdapat perbezaan pencapaian matematik

di antara lelaki dan perempuan, dimana pencapaian pelajar perempuan adalah

lebih baik daripada pelajar lelaki iaitu 3.75 manakala lelaki hanya 3.63, lihat pada

penunjuk Boxplot di atas.

Contoh boxplot bagi sikap, jantina dan bangsa

Dapatan hasil menunjukkan bahawa terdapat perbezaan sikap belajar

matematik dengan bangsa pelajar melayu ialah min 3.7 china 4.1 sementara

india 3.9, dimana lihat pada penunjuk Boxplot di atas.



0.7 CONTOH UJIAN STATISTIK:

UJIAN – t

Terdapat empat jenis ujian – t yang di gunakan dalam statistic perbezaan

iaitu

7.1 Ujian –t untuk satu sampel, ujian (one semple T Test)

7.2 Ujian–t untuk pengukuran berulang,

7.3 Ujian – t untuk sampel padanan (paired semple T Test) dan

7.4 Ujian –t sampel bebas (indenpents T Test)

Tujuan menggunakan ujian –t ialah membuat perbandingan di antara 2 min

(Variable). Dan jika lebih daripada 2 min maka mesti menggunakan ANOVA.

7.1 UJIAN – t SATU SAMPEL

Tujuan kajian ini adalah utnuk mengenalpasti perbezaan dalam satu

sampel.

Cara membuat Satu sample Ujian-t.

i) Klik Analisa klik Compare mean klik One Sample T-test

ii) Paparan ini akan muncul



iii) Klik Jam belajar klik tanda > untuk masukkan ke dalam Test

Variabel.

iv) Masukkan Test value ialaj 8 (untuk jumlah jam belajar bagi daerah)

v) Klik OK.

Dapatannya seperti berikut.



Jadual 1.1

Keputusan Ujian-t Jam Belajar Nilai 8 bagi Mata Pelajaran Matematik. -

PEMBOLEH

UBAH N Mean

Sisihan

Piawai t p

JAM

BELAJAR 57 6.65 6.21 -1. 64 .11

P > 0.05

Cara interpratasi:

Jadual 1.1 merupakan satu sampel ujian t dijalankan untuk T- Value = 8

jam belajar bagi daerah Kuala Muda Yan. Dapatan kajian menunjukkan

tidak signifikan. (p > .05). Menerima Hipotesis Nul dan menolak

Hipotesis Alternatif. Iaitu tidak ada perbezaan purata jam belajar sampel

dengan purata jam belajar daerah.



Ujian t one Sampel test value

Jadual 2.Keputusan Ujian-t nilai 9 untuk Jam Belajar Mata Pelajaran Matematik.

PEMBOLE

H

UBAH

N Mean

Sisihan

Piawai t p

JAM

BELAJAR 57 6.65 6.21 -2.86 0.01

P < .05

Kajian ini bertujuan untuk mengenalpasti perbezaan min sampel dengan T Value

= 9 purata bagi daerah. Dapatan kajian menunjukkan signifikan ( p < .05 ). Ini

bermakna pengkaji berjaya menolak Hipotesis Nul dan menerima Hipotesis



Alternatif iaitu terdapat perbezaan purata jam belajar sampel dengan purata jam

belajar daerah.

7.2. UJIAN – t SAMPEL PADANAN (MATCHED SEMPLE t- TEST)

Ujian-t bagi sampel padanan adalah sama dengan Ujian – t

untukpengukuran berulangan yang bezanya hanyalah kaedah kajian yang

tidak sama. Dalam ujian- t jenis ini sampel padanan, sampel kedua yang

dipilih mempunyai ciri-cirinya serupa dengan sampel yang pertama. Ia

merupakan ulangan bagi sampel yang pertama. Data yang sama dipungut

adalah sama dengan kaedah sampel pengukuran berulangan.

7.3 UJIAN – t SAMPEL BERULANGAN (PAIRED SEMPLE t-TEST)

Cara untuk membuat Ujian t berpasangan adalah seperti berikut:

i) Klick Analyze klik Compare mean klik Paired Sample T-test

ii) Paparan di bawah akan muncul

iii) Klik jam belajar kemudian 2x kepada sikap



iv) Kemudian klik OK.

Out put ujian-t sampel berulangan seperti di bawah:

Jam belajar dengan sikap

Jadual 3.

Keputusan Ujian-t bagi Kedua-dua Kumpulan iaitu Sikap dan Jambelajar


Pair Min N S.P

Std.

Error

Meant df P

Sikap

Jambelajar 2.78 57 6.24 0.83 3.36 56 0.001


P < .05

Ujian t Paired sampel ini adalah bertujuan untuk membandingkan di antara dua

sampel. Ujian ini semua untuk kajian yang berkaitan dengan ujikaji. (experimen).

Iaitu sebelum rawatan dan selepas rawatan.

Keputusan statistik Ujian – t Paired Semple ini di antara ujian pra dan ujian post

mempunyai hubungan di antara data satu sama lain menunjukkan signifikan

( t = 3.36, df = 56, p < .05 ). Ini bermakna pengkaji berjaya menolak Hipotesis

Nul dan menerima Hipotesis Alternatif iaitu terdapat perbezaan di antara ujian

pra dan ujian post pembelajaran matematik. Purata pencapaian Matematik

selepas ujian post adalah lebih tinggi berbanding dengan purata ujian pra.

Kesimpulannya pencapaian pelajar setelah menjalankan ujian post adalah lebih

tinggi di SMK Taman Ria jaya.

UJIAN- t UNTUK PAIRED SAMPEL BIMBANG DAN JAM BELAJAR.

Jadual 4.

Keputusan Ujian-t bagi Kedua-dua Kumpulan iaitu Bimbang dan Jambelajar

Paired sampel Min N S.P Std.

Error



Mean t df P

Bimbang

Jambelajar 3.6 57 6.2 0.82 4.37 56 0.00

P < .05

Jadual 4., Keputusan statistik Ujian – t Paired Sampel antara Bimbang dan

Jambelajar menunjukkan signifikan ( t = 4.37, df = 56, p < .00 ). Pengkaji

berjaya menolak Hipotesis Nul dan menerima Hipotesis Alternatif. iaitu terdapat

perbezaan di antara bimbang dan jam belajar pelajar sebelum dan selepas

rawatan. Purata jam belajar selepas rawatan ialah min 3.6 adalah lebih tinggi

daripada purata sebelum rawatan.

Kesimpulannya kebimbangan pelajar dalam Matematik adalah lebih tinggi di

SMK Taman Ria Jaya.

UJIAN- t UNTUK PAIRED SAMPEL JAM BELAJAR DAN TABIAT

Jadual 5.

Keputusan Ujian-t bagi Kedua-dua Kumpulan iaitu Jambelajar dan Tabiat



Pair Min N S.P

Std.

Error

Meant df P

Tabiat

Jambelajar 2.06 58 6.26 0.82 3.72 57 0.00

P < .05

Jadual 5, Menunjukkan keputusan statistik Ujian – t paired sampel antara

Tabiat dan jambelajar adalah signifikan ( p < .05 ). ( t = 3.72, df = 57, p < .05 ).

Pengkaji berjaya menolak hipotesis nul dan menerima Hipotesis Alternatif iaitu

terdapat perbezaan di antara tabiat pembelajaran Matematik dengan jam belajar

matematik pelajar. Dapatan kajian menunjukkan Oleh itu keputusan ujian

menunjukkan Tabiat mempengaruhi jambelajar mata pelajaran Matematik.

Perbezaan nilai min bagi kedua-dua kumpulan (dalam jadual Paired Sample

Statistik) adalah besar dan dengan ini pengkaji berjaya menolak hipotesis nul.

Oleh yang demikian tidak terdapat banyak nilai ralat data piawai yang wujud

dalam kajian ini.

7. 3 UJIAN – t SAMPEL BEBAS

Contoh Ujian – t sempel bebas:

Cara untuk melaksanakan Ujian T Simple bebas adalah seperti berikut:

i) Klick Analyze klik Compere minklik Independent Sample T-

Test kemudian paparan di bwah muncul.



ii) Masukkan “Jam belajar” dalam ruang “Test variable” dan “Jantina

dalam “Grouping variable”

iii) Klik Define Group: tulis Group 1 : 1, dan Group 2: 2

iv) Klik Ok

v) Outputnya adalah seperti rajah di bawah.

UJIAN –t SEMPEL BEBAS JAM BELAJAR DAN JANTINA



Jadual 6. Keputusan Ujian-t Sampel Bebas Bagi Jam Belajar dengan Jantina

Pelajar

Sampel bebas

Min

beza N S.P t df P

Jam belajar

Jantina 1.05 57 1.6 .644 54.9 .523

P > .05

Berdasarkan Ujian-t Sampel Bebas (Jadual 6), ujian Levene di dapati tidak

signifiken ( p > .05). Keputusan ujian ini telah memenuhi andaian kehomogenan

varians antara jantina, lelaki dan perempuan dalam jam belajar Matematik.

Jadual 6 menunjukkan jam belajar pelajar lelaki adalah lebih berbanding dengan

perempuan. Dapatan ujian-t menunjukkan jam belajar adalah tidak signifikan

secara statistic ( t = .644 , df = 54.9, p > .05 ). Ini menunjukkan jumlah jam

belajar di antara pelajar lelaki dan perempuan adalah tidak berbeza.dengan ini

dapat katakan jam belajar tidak dipengaruhi oleh jantina.

UJIAN –t SEMPEL BEBAS SIKAP DENGAN JANTINA

Jadual 7. Keputusan Ujian-t Sampel Bebas Bagi Sikap dengan Jantina

Pelajar

Sampel bebas Min N S.P



beza t df P

Sikap

Jantina -.12 61 .13 -.87 59.96 .39

P > .05

Berdasarkan Ujian-t Sampel Bebas (Jadual 7), ujian Levene di dapati tidak

signifiken ( p > .05). Keputusan ujian ini telah memenuhi andaian kehomogenan

varians antara sikap terhadap pelajaran Matematik dengan jantina, lelaki dan

perempuan pelajar. Jadual 7 menunjukkan sikap pelajar perempuan lebih tinggi

berbanding sikap pelajar lelaki. Dapatan ujian - t menunjukkan sikap pelajar

adalah tidak signifikan secara statistic ( t = -.87 , df = 59.96, p > .05 ). Ini

menunjukkan sikap terhadap matematik tidak mempengaruhi oleh jantina lelaki

dan perempuan pelajar.

UJIAN –t SEMPEL BEBAS TABIAT DAN JANTINA

Jadual 8: Keputusan Ujian-t Sampel Bebas Bagi Tabiat dengan Jantina

Pelajar

Sampel bebas

Min

beza N t df P

Tabiat

Jantina -1.94 62 -1.24 59.72 .23

P < .05

Berdasarkan Ujian-t Sampel Bebas (Jadual 8), ujian Levene di dapati signifikan



( p < .05). Keputusan ujian ini telah memenuhi andaian kehomogenan varians

antara jantina, lelaki dan perempuan dalam sikap belajar Matematik. Jadual 8

menunjukkan sikap pelajar perempuan adalah lebih berbanding dengan pelajar

lelaki. Dapatan ujian – t menunjukkan sikap adalah tidak signifikan secara

statistic ( t = -.87 , df = 59.72, p < .05 ) Ini menunjukkan idak terdapat perbezaan

antara tabiat pelajar lelaki dengan tabiat pelajar perempun dalam pembelajaran

matematik. Maka Hipotesis nul (Ho) diterima dan menolak Hipotesis Alternatif

(HA).

0.8 ANOVA

Anova bertujuan untuk membuat perbandingan di antara 2 min atau lebih min.

Sementara Ujian POST HOC ialah untuk melihat kumpulan manakah

yang signifikan iaitu perbezaan di antara dua kumpulan yang sama

kekuatannya.

Cara untuk membuat Ujian ANOVA ialah seperti berikut:

i) Klick Analyze Klik Compare mean klik One way ANOVA

ii) Paparan di bawah muncul



iii) Klik Tabiat klik tanda > dimasukkan ke Dependent List sementara

dan Masabelajar masukkan ke Factor.

iv) Klik Post Hoc.

v) paparan ini muncul



vi) Pada ruang Equal Variante Assument tandakan pada kotak tukey.

vii) Klik Continue. Paparan ini akan muncul

Vii) Lihat statistic tandakan pada kotak Discriptif dan Homogeneity of

Varience test dan Means plot”

viii) Klik Continue

ix) Klik OK

Paparan Outnya adalah seperti di bawah:



Jadual Anova

Jadual Post Hoc Tests:



Jadual Kehomonen Varieans

Rajah Means Plot



Jadual 9: Keputusan Ujian-t Sampel Bebas Bagi Tabiat dengan Jantina

Pelajar

Sampel bebas

Min

beza N t df P

Sikap

Jantina -1.90 62 -.87 59.72 .23

p < .05

Ujian statistic Levene menunjukkan tidak significant ( p > .05 ). Keputusan ini

memenuhi andaian kehomogenan varians antara tabiat pembelajaran pelajar

lelaki dan pelajar perempuan dalam pelajaran matematik .

Keputusan ujian ANOVA (F) menunjukkan terdapat perbezaan yang signifikan

(F (2,59) = 0.95, P < .05 ) antara tabiat belajar pelajar lelaki dengan tabiat belajar

tabiat perempuan dalam pelajaran matematik.

Namun demikian ujian Post Hoc (Tukey HSD) mendapati belajar waktu pagi

adalah signifikan dengan belajar pada waktu petang. Manakala belajar pada

waktu pagi adalah tidak signifikan dengan belajar pada waktu malam begitu juga

belajar pada waktu petang tidak signifikan dengan belajar pada waktu malam.



0.9 KORELASI

Tujuannya ialah untuk mengenalpasti hubungan antara min.

Caranya seperti berikut:

i) Klick Analyze klik Correlate klik Bavariat paparan ini muncul

ii) Masukkan Sikap, Bimbang, Tabiat dan Jam belajar

iii) Kemudian Klik Option. Paparan di bwah akan muncul

iv) Ruangna statistik tandakan kotak Mean Standard Deviation

kemudian klik continue.



v) Klik OK.

Output Ujian korelasi adalah seperti di bawah:



Selepas itu 2x delete bahagian sig (2 tailed) dan N

Sehinggalah tinggal jadual korelasi seperi di tunjukkan di bawah ini.

Jadual 10: Ujian korelasi Jambelajar dengan pembelajaran Matematik

Jadual Korelasi

SIKAP BIMBANG TABIAT JambelajarSIKAP Pearson

Correlation 1 -.557(**) .784(**) -.027

BIMBANG Pearson Correlation -.557(**) 1 -.480(**) .071

TABIAT Pearson Correlation .784(**) -.480(**) 1 -.137

Jambelajar Pearson Correlation -.027 .071 -.137 1

** P < .01 (2 tailed)



Tujuan kajian ini ialah untuk mengenalpasti hubungan sikap pembelajaran

dengan tabiat pembelajaran Matematik. Dapatan adalah signifikan ( p < 0.01)

secara statistik. Pengkaji berjaya menolak Hipotesis Nul dan menerima Hipotesis

Alternatif. Hubungan sikap pembelajaran matematik dengan tabiat adalah positi.

Iaitu Hubungan Positif ini menunjukkan jika sikap pembelajaran tinggi maka

tabiat pembelajaran matematik juga tinggi dan sebaliknya jika sikap

pembelajaran matematik rendah maka tabiat pembelajaran matematik juga

rendah. Hubungan ini secara terus adalah sederhana (r = 0.72). Sumbangan

sikap dan tabiat pembelajaran Matematik ialah sebanyak r2 = (0.72 x 0.72 ) x

100 = 51.84 % . Sikap pembelajaran Matematik menyumbang sebanyak 51.48 %

terhadap tabiat Pembelajaran Matematik.

Kesimpulannya sikap pembelajaran matematik di SMK Taman Ria Jaya

mempunyai hubungan yang sederhana dengan tabiat pembelajaran matematik.

Tujuan kajian ini ialah untuk mengenalpasti hubungan sikap

pembelajaran dengan kebimbangan dalam pembelajaran Matematik. Dapatan

adalah signifikan ( p < 0.01) secara statistik. Pengkaji berjaya menolak Hipotesis

Nul dan menerima Hipotesis Alternatif. Hubungan sikap pembelajaran matematik

dengan bimbang adalah nagatif Iaitu Hubungan Nagetif ini menunjukkan jika

sikap pembelajaran tinggi maka kebimbangan pembelajaran matematik adalah

rendah dan sebaliknya jika sikap pembelajaran matematik rendah maka

kebimbangan pembelajaran matematik adalah tinggi. Hubungan ini adalah



secara songsang dan lemah (r = -.56). Sumbangan sikap dan kebimbangan

pembelajaran Matematik ialah sebanyak r2 = (-.56 x -.56 ) x 100 = 31.36 % .

Sikap pembelajaran Matematik menyumbang sebanyak 31.36 % terhadap

kebimbangan Pembelajaran Matematik. Kesimpulannya sikap pembelajaran

matematik di SMK Taman Ria Jaya mempunyai hubungan yang lemah dengan

kebimbangan pembelajaran matematik.

Tujuan kajian ini ialah untuk mengenalpasti hubungan bimbang

pembelajaran dengan tabiat dalam pembelajaran Matematik. Dapatan adalah

signifikan ( p < 0.01) secara statistik. Pengkaji berjaya menolak Hipotesis Nul

dan menerima Hipotesis Alternatif. Hubungan bimbang pembelajaran matematik

dengan tabiat adalah nagetif Iaitu Hubungan Nagetif ini menunjukkan jika

kebimbangan dalam pembelajaran tinggi maka sikap pembelajaran matematik

adalah rendah dan sebaliknya jika kebimbangan pembelajaran matematik

rendah maka tabiat dalam pembelajaran matematik adalah tinggi. Hubungan ini

secara songsang adalah lemah (r = -.48). Sumbangan kebimbangan dan tabiat

pembelajaran Matematik ialah sebanyak r2 = (-.48 x -.48 ) x 100 = 23.04 % .

Oleh itu kebimbangan pembelajaran Matematik menyumbang sebanyak 23.04 %

terhadap tabiat pembelajaran Matematik.

Kesimpulannya kebimbangan pembelajaran matematik di SMK Taman Ria Jaya

mempunyai hubungan yang lemah dengan tabiat pembelajaran Matematik.



Dapatan kajian ini juga menunjukkan tidak signifikan (p > 0.01) iaitu tidak

terdapat hubungan di antara sikap, bimbang dan tabiat dengan jam belajar

Matematik pelajar.

10.0 KESIMPULAN

Melalui SPSS ini analisisdata kualitatif dapat di jalankan dengan lengkap dan

sistematik. Namun demikian pengkaji perlu membuat ulasan, dan interprestasi

dan kesimpulan yang menyeluruh mengenai data-data tersebut. Bagi statistic

inferensi, sampel kajian dipilih secara rawak daripada populasi kajian. Maka

semasa melaporkan hasil analisa data, saiz sampel perlu disertakan.



RUJUKAN:

1. Chua Yan Piaw, (2006). Asas Statistik Penyelidikan. McGraw-Hill . Kuala

Lumpur.

2. Nota-Nota Kuliah Dr. Arsaysthamby A/L Veloo (2008).


Tiada siapa yang paling pandai dan paling bodoh di dunia ini kerana setiap yang

pandai itu boleh menjadi bodoh dan setiap yang bodoh itu boleh menjadi pandai

Kebenaran itu pabila dijemur di bawah cahaya mentari, ia tidak akan lekang-

lekang. Biarpun ditinggalkan dalam hujan lebat, ia tidak akan busuk.

spss 'kasih' msc uum'08

Documents