spss 'kasih' msc uum'08
TRANSCRIPT
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 Page 1
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 2
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 3
Data ViewVariabel View
Menu Bar dalam editor SPSS
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 4
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.
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 5
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 6
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 7
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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)
Laporan spss ‘okt’08 Page 8
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
- Old Value butang radio value = 2 sementara New value butang radio
value tulis 4 kemudian klik Add.
- Old Value butang radio value = 3 sementara New value butang radio
value tulis 3 kemudian klik Add.
- Old Value butang radio value = 4 sementara New value butang radio
value tulis 2 kemudian klik Add.
- Old Value butang radio value = 5 sementara New value butang radio
value tulis 1 kemudian klik Add.
f) Kemudian klik continue klik OK.
Laporan spss ‘okt’08 Page 9
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 10
Tanda kurungan
Tanda tambah
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
Compute variable bimbang:
a) Laksanakan langkah seperti mengkompute sikap.
Klik transform klik compute. Paparan compute Variable akan muncul
b) Klik tanda kurungan [ ( ) ] klik 2x item 1. klik tanda +
c) Buat begitu untuk item yang setetusnya sehingga la item 16
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,
Laporan spss ‘okt’08 Page 11
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
Cara compute tabiat:
a) Langkah yang sama dengan bimbang dan sikap.
b) Klik tanda kurungan [ ( ) ] klik 2x item 1. klik tanda +
c) Buat begitu untuk item yang setetusnya sehingga la item 1
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.
Laporan spss ‘okt’08 Page 12
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 13
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 14
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 15
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 16
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 17
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 18
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 19
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 20
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 21
Pair Min N S.P
Std.
Error
Meant df P
Sikap
Jambelajar 2.78 57 6.24 0.83 3.36 56 0.001
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 22
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 23
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 24
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 25
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 26
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 27
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
( 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
Laporan spss ‘okt’08 Page 28
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
iii) Klik Tabiat klik tanda > dimasukkan ke Dependent List sementara
dan Masabelajar masukkan ke Factor.
iv) Klik Post Hoc.
v) paparan ini muncul
Laporan spss ‘okt’08 Page 29
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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:
Laporan spss ‘okt’08 Page 30
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
Jadual Anova
Jadual Post Hoc Tests:
Laporan spss ‘okt’08 Page 31
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
Jadual Kehomonen Varieans
Rajah Means Plot
Laporan spss ‘okt’08 Page 32
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 33
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 34
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
v) Klik OK.
Output Ujian korelasi adalah seperti di bawah:
Laporan spss ‘okt’08 Page 35
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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)
Laporan spss ‘okt’08 Page 36
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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
Laporan spss ‘okt’08 Page 37
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 38
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
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.
Laporan spss ‘okt’08 Page 39
MATA PELAJARAN: STATISTIK GUNAAN DAN APLIKASI KOMPUTER Nur Kasihanda’08SMQ 5033
RUJUKAN:
1. Chua Yan Piaw, (2006). Asas Statistik Penyelidikan. McGraw-Hill . Kuala
Lumpur.
2. Nota-Nota Kuliah Dr. Arsaysthamby A/L Veloo (2008).
Laporan spss ‘okt’08 Page 40
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.