statistik fakhrul final

808972MOHAMAD FAKHRULROZI IBRAHIM

1

LAPORAN 1: 13 OKTOBER 2012

TAJUK : KEY-IN DATA

1. Data yang diperoleh perlu dimasukkan ke dalam SPSS. Masukkan semua maklumat

variable pada variable view.

2. Klik pada butang data view dan masukkan data

1


2

3. Masukkan baris( insert row) untuk memasukkan indeks. Tujuan indeks adalah untuk

memudahkan data disemak dan memasukkan yang tertinggal. Indek hendak

dimasukkan sebelum variable jantina.

4. Langkah-langkah dalam menggunakan program SPSS v19. Langkah 1 : Letakkan kursor pada jantina, kemudian klik kanan pada

tetikus seperti paparan di bawah. Klik pada ‘ insert variable’.

Satu ruangan akan wujud sebelum jantina.

Tukarkan ‘VAR00001’ kepada ‘Indeks’.

Paparan data akan terhasil seperti dibawah.

2


3

5. Setelah selasai memasukkan data, proses semakkan perlu dilakukan agar data yang

diperoleh tidak hilang atau berulang-ulang (adakah key in 2 kali/ 2 digit serentak

masuk). Contohnya data jantina sepatutnya 1 = lelaki dan 2= perempuan, dimasukkan

sebalikknya.

3


4

LAPORAN 2: PENYEDIAAN DATA ( RECODE, COMPUTE DAN

DATA CLEANING)

TAJUK : RECODE

1. Recode dilakukan bagi tujuan:

a) Untuk mengkategorikan pembolehubah yang berterusan. Contohnya mewujudkan

kumpulan-kumpulan seperti kekurangan berat badan, normal, berat badan

berlebihan, gemuk berdasarkan pengukuran BMI (indeks jisim badan) yang

bertindak sebagai pembolehubah berterusan.

b) Untuk menggabungkan beberapa kategori pembolehubah.

c) Untuk membalikkan pengekodan bagi pemboleh ubah tertentu. Contohnya,

membalikkan kod 1 kepada 4, 2 kepada 3 dan seterusnya.

2. Langkah-langkah Penggunaan Program SPSS (Recode into same variables)

a) Klik Transform - Recode into same variables

4


5

b) Insert Nemeric Variables(sikap 7)

i. Klik : Old and new values

c) Insert : Old values (1) dan new values(4)

i) Klik : Add

a. [ulang kaedah “insert” dan “klik” ini sehingga selesai]

b) Klik : Continue

5


6

Klik continue dan ok.

Paparan data akan dihasilkan seperti berikut pada output1.

6


7

LAPORAN 3 :PENYEDIAAN DATA

TAJUK : COMPUTE

1. Tujuan compute adalah untuk mengubah nilai-nilai pembolehubah yang sedia ada atau gabungan pembolehubah untuk menghasilkan satu pemboleh ubah baru.

2. Langkah-langkah Penggunaan Program SPSS

1) Klik : Transform > Compute variables

2) Insert : Target Variables ( sikap )

7


8

3) Masukkan ke semua sikap ( sikap 1 hingga sikap 19) kekotak Numeric Expression.

4) Campurkan kesemua sikap kemudian bahagi dengan 19.

Klik : OK

5. Hasil Output akan dihasilkan seperti paparan dibawah.

8


9

Dalam Variable view akan terpapar variable SIKAP dibahagian bawah data

6. Proses compute dilakukan sehingga selesai mencampurkan kesemua variable dalam

data (13 Tingkah laku, 16 bimbang , 16 tabiat dan persekitaran 8 )

9


10

10


11

11


12

12


13

Output yang terhasil seperti berikut:

13


14

Dalam Variable view akan terpapar variable SIKAP, BIMBANG, TABIAT,

TINGKAH LAKU DAN PERSEKITARAN dibahagian bawah data

14


15

LAPORAN 4 : 3 .11.2012

TAJUK : DATA CLEANING

1. Walaupun kajian telah dirancang dengan cara yang terbaik, namun kesilapan tidak dapat dielakkan. Data cleaning ini merupakan proses saringan bagi mengesan kesilapan (kehilangan data) dan memastikan data memenuhi andaian yang dibuat bagi penganalisaan (data normality).

2. Langkah-langkah Penggunaan Program SPSS

i. Klik : Analyze .> Descriptive Statistics > Explore

ii. Dalam Variable view akan terpapar variable SIKAP dibahagian bawah data

Dalam Variable view akan terpapar variable SIKAP dibahagian bawah data

iii. Insert : Dependent List (Sikap)

Factor List (Jantina)

iv. Klik : Plots

Histogram

Normality plots with test

15


16

Klik : Continue

16


17

Out put terhasil seperti berikut:

17


18

v. Kenalpasti responden-responden berdasarkan “index number” yang ditunjukkan

pada “box plot”.

Padamkan data untuk responden-responden berkenaan dalam “SPSS Data Editor”.Responden 408 perlu dibersihkan dalam data

18


19

19


20

Ulang proses yg sama untuk celup (data akan bersih)

20


21

Box plot dibawah menunjukkan data telah dibersihkan.

Pembersihan data diteruskan dengan mengulangai langkah-langkah tersebut sehingga ke

semua data dibersihkan dalam box plot.

21


22

Pembersihan data bimbang dan jantina

Pembersihan data telah dilakukan.

22


23

Pembersihan data tabiat dan jantina

Pembersihan data tabiat dan bangsa

23


24

Selepas dibersihkan data.

24


25

LAPORAN LAB 5

TAJUK : UJIAN – T

Pengenalan :

Terdapat dua jenis ujian – t iaitu ujian – t sampel tidak bersandar ( independent samples t –

test ) dan ujian –t sampel berpasangan ( paired samples –t test ) yang terdapat dalam program

SPSS for window.

i. Ujian –t tidak bersandar , digunakan apabila kita hendak membandingkan skor min

bagi dua kumpulan individu yang berbeza.

ii. Ujian – t sampel berpasangan , digunakan apabila kita hendak membandingkan skor

min bagi sekumpulan individu yang sama ke atas dua suasana yang berbeza.

Apakah Ujian – t

Ujian-t ialah satu ujian yang digunakan untuk menguji satu keputuan yang dihipotesiskan

bernilai µ menggunakan taburan t sebagai satu standard untuk dibuat perbandingan. Taburan t

mempunyai bentuk loceng tertangkup dengan satu parameter yang dipanggil sebagai darjah

kebebasan (dk) dalam satu sampel ujian-t, dk = n-1.

Ciri-ciri Ujian – t

a. Menganalisis antara dua kumpulan data selang atau nisbah

b. Skala Data Selanjar yang merupakan skor-skor dan nilai-nilai keseluruhan

c. Data kajian perlu bertaburan normal

d. Subjek-subjek dalam sample harus dipilih daripada populasi secara rawak

Jenis-jenis ujian –t

a. Menganalisis antara dua kumpulan data selang atau nisbah

b. Skala Data Selanjar yang merupakan skor-skor dan nilai-nilai keseluruhan

c. Data kajian perlu bertaburan normal

d. Subjek-subjek dalam sample harus dipilih daripada populasi secara rawak

25


26

LAPORAN LAB : 24.11.2012

Tajuk : Ujian t – satu sampel.

Tujuan : Untuk membandingkan pencapaian pelajar sekolah dengan

pencapaian peringkat negeri

Andaian – andaian : Dua kriteria wajib dipatuhi sebelum meneruskan ujian t

satu sampel. pertama berkaitan metodologi yang perlu

dipertimbangkan semasa peringkat awal perancangan

kajian. Kedua akan diuji dengan SPSS.

Data :

Data normal. Jenis data mestilah dalam bentuk nisbah. Data dipilih secara rawak.

Objektif Kajian : Mengenal pasti perbezaan pencapaian Matematik di peringkat

sekolah berbanding pencapaian Matematik di peringkat daerah .

Soalan kajian : Adakah terdapat perbezaan dalam skor pencapaian matematik

di

peringkat sekolah dengan daerah .

Hipotesis : Ho Tidak terdapat perbezaan pencapaian Matematik di

peringkat sekolah berbanding pencapaian Matematik di

peringkat daerah.

26


27

Langkah – langkah :

Langkah 1 : klik ‘Analyze’ , ‘Compare Means’ dan ‘Means’

27


28

Langkah 2:

Paparan berikut akan muncul.

Klik ‘MathKBSM’ dari ruangan kiri masuk ke ‘Test Variables(s):

Langkah 3 :

Typekan ‘30’ dalam ruangan Test Value dan seterusnya Klik ‘OK’

28


29

OUTPUT :

T-Test

[DataSet1] C:\Users\user\Desktop\statistik\computeakmal.sav

One-Sample Statistics

N Mean Std. Deviation Std. Error Mean

MathKBSM 665 18.40 8.998 .349

One-Sample Test

Test Value = 30

T df Sig. (2-tailed) Mean Difference

95% Confidence Interval of the

Difference

Lower Upper

MathKBSM -33.231 664 .000 -11.595 -12.28 -10.91

JADUAL : TEST VALUE : 3

One-Sample Test

Test Value = 30

T Df Sig. (2-tailed) Mean Difference


Difference

Lower Upper

MathKBSM -33.231 664 .000 -11.595 -12.28 -10.91

Signifikan t ( df 664 ) = 18.40 , p<0.05 ( df: degree of freedom ) Berjaya menolak hipotesis null dan menerima hipotesis alternatif Terdapat perbezaan pencapaian matematik antara sekolah dengan peringkat negeri Min populasi peringkat daerah adalah lebih tinggi berbanding min sampel peringkat

sekolah

29


30

TEST VALUE : 18

Objektif Kajian : Mengenal pasti perbezaan pencapaian Matematik di peringkat

sekolah berbanding pencapaian Matematik di peringkat daerah .

Soalan kajian : Adakah terdapat perbezaan dalam skor pencapaian matematik

di

peringkat sekolah dengan daerah .

Hipotesis : Ho Tidak terdapat perbezaan pencapaian Matematik di

peringkat sekolah berbanding pencapaian Matematik di

peringkat daerah.

Langkah – Langkah :

Ulangi Langkah 1 hingga 3. Tukar test value kepada 18

Klik ‘OK’

30


31

OUTPUT ;

Ujian –t satu sample adalah tidak signifikan ( t (664 ) = 1.159 , p > .05 ). Keputusan ini gagal

menolak H°. Ini menunjukkan tidak terdapat perbezaan antara min sekolah dengan min JPN.

DAPATAN KAJIAN :

Signifikan t ( df 664 ) = -1.159 , p>0.05

( degree of freedom )

Gagal menolak hipotesis null dan menerima hipotesis alternatif. Tiada perbezaan pencapaian matematik antara sekolah dengan peringkat daerah

31


32

JADUAL :

TEST VALUE 18

One-Sample Statistics

N Mean Std. Deviation Std. Error Mean

MathKBSM 665 18.40 8.998 .349

One-Sample Test

Test Value = 18

T Df Sig. (2-tailed) Mean Difference


Difference

Lower Upper

MathKBSM 1.159 664 .247 .405 -.28 1.09

32


33

UJIAN –t BERPASANGAN

Tajuk : pair sample ‘ t - test’ atau dependent ‘t- test’

Tujuan : Untuk menguji perbezaan signifikan di antara dua sampel

berpasangan. Dua sampel dianggap berkaitan apabila dua

kumpulan individu yang sama menyediakan data kepada dua

keadaan yang berbeza ( contoh : sebelum dan selepas rawatan ).

Contoh : Di klinik data pesakit diambil sebelum rawatan, selepas rawatan

data dikumpul sekali lagi untuk mengesan keberkesanan

rawatan tersebut.

Data : - Data jenis ratio.

Nota : - Ada 2 kumpulan ( Kumpulan kawalan dan kumpulan

Rawatan)

- Jenis kajian : eksperimental

- Kumpulan kawalan adalah kumpulan yang tidak menerima apa - apa treatment ( tidak diajar menggunakan kalkulator ).

- Kumpulan rawatan ialah kumpulan yang diberi pengajaran menggunakan kalkulator.

- Kedua – dua kumpulan mesti mempunyai kebolehan yang sama.

Objektif Kajian :Mengenal pasti perbezaan skor pencapaian Matematik bagi pelajar –

pelajar yang menggunakan kalkulator berbanding pelajar – pelajar

yang tidak menggunakan kalkulator

33


34

Soalan kajian : Adakah terdapat perbezaan dalam skor pencapaian Matematik

bagi pelajar – pelajar yang menggunakan kalkulator berbanding

pelajar – pelajar yang tidak menggunakan kalkulator.

Hipotesis : Ho Tidak terdapat perbezaan dalam skor pencapaian

Matematik bagi pelajar – pelajar yang menggunakan

kalkulator berbanding pelajar – pelajar yang tidak

menggunakan kalkulator.

Nota : Data mesti berpasangan. Responden yang sama diuji dua kali

iaitu

sebelum dan selepas rawatan. Kumpulan rawatan diberi

kalkulator

Kumpulan kawalan diajar secara biasa. Responden diuji 2

kali. Ujian pra dan pos diberi kepada dua kumpulan.

34


35

Langkah – langkah

Langkah 1 : Buka file ‘Lab 1 ‘

Klik ‘analyze’, Klik ‘compare means’ dan Klik ‘paired sample t test’

Paparan berikut muncul :

35


36

Klik ‘pre’ masukkan dalam ‘Paired Variables ( Variable 1 ) dan klik ‘post’ masukkan dalam

‘Paired Variables ( Variable 2 ).

DAPATAN KAJIAN DAN JADUAL :

T-Test

[DataSet1] C:\Users\user\Desktop\statistik\lab1.sav

Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1 Pretest 66.10 42 8.571 1.322

posttest 85.10 42 8.781 1.355

36


37

Paired Samples Correlations

N Correlation Sig.

Pair 1 pretest & posttest 42 .934 .000

Semakin besar nilai korelasi, semakin kukuh hipotesis yang dibuat

Paired Samples Test

Paired Differences

t df

Sig. (2-

tailed)Mean

Std.

Deviation

Std. Error

Mean

95% Confidence Interval of the Difference

Lower Upper

Pair

1

pretest –

posttest

-

19.000

3.162 .488 -19.985 -18.015 -

38.938

41 .000

i. Ujian t berpasangan adalah signifikan ( t( 41 ) = -.38.94 , p<0.5 )

Degree of freedom

ii. Berjaya menolak hipotesis null dan menerima hipotesis alternatif

a. Ini menunjukkan terdapat kesan penggunaan kalkulator dalam meningkatkan

pencapaian matematik.

b. Kesimpulannya pencapaian matematik telah meningkat dari 66.10 % kepada

85.10 % hasil daripada penggunaan kalkulator di dalam pembelajaran

matematik.

37


38

LAPORAN LAB :1/12/12

TAJUK : ANOVA SATU HALA

1. Analisis varians satu hala membadingkan min sekurang-kurangnya dua kumpulan

tetapi dalam kebanyakan kes tiga atau lebih min digunakan untuk membuat

perbandingan.

2. Contoh persoalan kajian untuk Analisis Varians ialah :

(i) Adakah terdapat perbezaan antara pencapaian Matematik berdasarkan waktu

belajar?

3. Andaian-andaian ANOVA sehala antara kumpulan .

(i) Kenormalan data: data mesti normal-skor setiap kumpulan mempunyai taburan

normal

(ii) Sampel dipilih secara rawak (rawak mudah, rawak kluster/ rawak sistematik,

rawak serata atau multi stages)

(iii) Jenis data : DV- contineus ( interval/ratio)dan IV- kategori (nominal/ordinal)

(iv) Kehomogenan varians: Data mempunyai varian yang sama

4. Hipotesis Kajian :

Ho : Min Pencapaian Matematik berdasarkan waktu belajar adalah sama

HA : Sekurang-kurang terdapat satu min waktu belajar Matematik adalah berbeza.

38


39

5. Langkah-langkah analisis varian satu hala adalah seperti berikut:

Langkah 1 : Klik Analyze > Compare mean > One-way ANOVA.

Langkah 2 : Kotak One-way ANOVA – Dalam One-Way Anova, gerakan DV (Math KBSM)

ke dalam Dependent List, dan IV (waktu belajar ) dalam kotak factor kemudian klik OK

39


40

Langkah 3: Klik pada Pos Hoc Comparisons > klik pada Turkey > klik continue

Pos Hoc Comparison digunakan untuk mengesan perbezaan varians antara

kombinasi kumpulan.

Ujian Turkey sesuai apabila kumpulan yang dibandingkan adalah saiz sama

dan memiliki varians yang serupa.

40


41

Langkah 4 : Klik Options > pilih Descriptive dan Homogenety of variance test.

Descriptive akan menyediakan ringkasan statistik asas untuk tahap IV.

Homogeneity of variance test menyediakan ujian Levene untuk varians

yang sama ( ujian wajib untuk menentukan andaian kesamaan varians

dipatuhi)

41


42

6. OUTPUT SPSS

a. Jadual Descriptive mengandungi maklumat descriptif asas skor dalam tiga keadaan

( pagi, Petang, malam)

Descriptives

MathKBSM

N Mean

Std.

Deviation

Std.

Error

95% Confidence

Interval for Mean

Minimum Maximum

Lower

Bound

Upper

Bound

Pagi 153 16.73 8.835 .714 15.32 18.14 4 40

Petang 130 20.43 9.061 .795 18.86 22.00 6 40

Malam 380 18.41 8.942 .459 17.51 19.31 5 40

Total 663 18.42 9.008 .350 17.73 19.10 4 40

Responden belajar pada waktu pagi mendapat mean 16.73. Responden belajar pada

waktu petang mendapat mean 20.43 lebih tinggi berbanding yang lain, manakala

Responden belajar pada waktu malam mendapat mean 18.41.

42


43

b. Jadual Test of Homogeneity of Variances menunjukkan ujian Levene tidak

signifikan pada a= -05 (F=2.008,sig=-135) Dengan itu, kesimpulannya bahawa

andaian varian yang homogen dipatuhi

Test of Homogeneity of Variances

MathKBSM

Levene

Statistic df1 df2 Sig.

2.008 2 660 .135

c. Jadual ANOVA mengandungi output utama untuk ujian ANOVA. Jadual

melaporkan kedua-dua varians Between Groups serakan data yang berkaitan IV

dan peluang faktor, dan varian within Groups Serakan data berkaitan peluang

faktor sahaja.

ANOVA

MathKBSM

Sum of

Squares df Mean Square F Sig.

Between

Groups

961.604 2 480.802 6.014 .003

Within Groups 52761.666 660 79.942

Total 53723.270 662

d. Post Hoc Tests

Ujian Multiple Compararisons menunjukkan output ujian untuk Turkey HSD

( Honesty Significant Diffrence) yang kita mahukan

Setiap baris membandingkan satu pasang min.

43


44

Multiple Comparisons

MathKBSM

Tukey HSD

(I) BilaMath (J) BilaMath

Mean Difference

(I-J) Std. Error Sig.

95% Confidence Interval

Lower Bound Upper Bound

Pagi Petang -3.699* 1.067 .002 -6.20 -1.19

Malam -1.676 .856 .124 -3.69 .34

Petang Pagi 3.699* 1.067 .002 1.19 6.20

Malam 2.023 .908 .067 -.11 4.16

Malam Pagi 1.676 .856 .124 -.34 3.69

Petang -2.023 .908 .067 -4.16 .11

*. The mean difference is significant at the 0.05 level.

e. Homogeneous Subsets

Jadual Homogeneous Subsets menyediakan maklumat dalam

jadual Multiple Compararisons.

MathKBSM

Tukey HSDa,b

BilaMath N

Subset for alpha = 0.05

1 2

Pagi 153 16.73

Malam 380 18.41 18.41

Petang 130 20.43

Sig. .181 .084

44


45

f. Plot Min.

Plot min menunjukkan pelajar yang belajar pada waktu petang mempunyai min

lebih tinggi berbanding pada waktu pagi dan malam.

INTERPRETASI

1. Ujian Levene tidak signifikan ( p>.05). Keputusan ini telah memenuhi andaian

kehomogenan varians antara waktu belajar dengan pencapaian Matematik.

2. Ujian ANOVA signfikan ( F2.661=6.02, P<.05) antara waktu belajar dengan

pencapaian Matematik.

3. Keputusan ini berjaya menolak Ho dan menerima HA .

4. Terdapat sekurang-kurangnya satu min waktu belajar adalah berbeza dengan min

waktu belajar yang lain.

5. Ujian Post Hoc mendapati pelajar yang belajar pada waktu pagi dan petang

menunjukkan perbezaan dalam pencapaian Matematik (P<.05)

6. Manakala pelajar yang belajar pada waktu pagi dan malam (p> .05) dan belajar

petang waktu dan malam (p>.05) tidak menunjukkan perbezaan dalam pencapaian

Matematik.

7. Bagi pencapaian Matematik min ( 20.43) belajar waktu petang lebih tinggi daripada

min (16.73) belajar pada waktu pagi.

45


46

LAPORAN LAB 6 : 1.12.12

TAJUK : INDEPENDENT T-TEST

1. Ujian-T Sampel Bebas digunakan untuk membandingkan min bagi dua kumpulan dalam

pemboleh ubah yang dikaji.

2. Varian bagi kedua-dua kumpulan mestilah sama.

3. Ujian Levene digunakan bagi mengenal pasti kehomegenan varians.

4. Sekirannya Ujian Levene memberi keputusan yang tidak signifikan ( p>.05) bermaksud

varians dua kumpulan yang dikaji adalah sama dan ujian –t sampel bebas boleh digunakan

untuk menunjukkan perbezaan dua kumpulan.

5. Jika Ujian Levene menunujukkan tidak signikan (p>.05), Keputusan baris pertama ujian-

t diinterpretasi.

6. Jika Ujian Levene menunjukkan keputusan yang signifikan (p<.05), keputusan pada baris

kedua digunakan untuk menginterprestasiujian-t sampel bebas.

7. Kriteria berikut perlu diperlukan dipatuhi sebelum Ujian-T Sampel Bebas :

i. Skala pngukuran : DV mestilah data jenis jeda atau nisbah

ii. Kebebasan : Setiap responden hanya terlibat sekali sahaja dalam kajian dan tidak

boleh mempengaruhi responden lain.

iii. Kenormalan : Skor setiap kumpulan yang diukur mencapai kenrmalan data.

iv. Kehomogenan : varians setiap set data patut hampir sama

46


47

Langkah-langkah menggunakan SPSS:

Langkah 1 : Klik “Analyze”, pilih Compare Mean dan klik Independent Sample T-Test.

Langkah 2: Masukkan MAthKBSM kedalam kotak Test Variable(s). Kemudian Masukkan

jantina ke dalam kotak Grouping Variable. Seterusnya klik pada Define Groups.

47


48

Langkah 3 : Dalam Define groups, masukkan nilai yang mewakili kumpulan

“1” Lelaki dan “2” untuk perempuan. Klik Continue

48


49

Langkah 4 : Klik OK untuk melihat OutPut

A) OutPut SPSS untuk Pencapaian Matematik berdasarkan Jantina;1. Group Statistics.

Jadual Group Statistic memaparkan maklumat asas untuk setiap kumpulan

Group Statistics

Jantina N Mean Std. Deviation Std. Error Mean

MathKBSM Lelaki 304 18.52 9.187 .527

Perempuan 359 18.33 8.866 .468

Responden lelaki (N=304) menunjukkan secara purata skor pencapaian ialah 18.52,

manakala responden perempuan (N=359) mencapai skor min sebanyak 18.33 . Sisihan piawai

(df) untuk lelaki lebih besar daripada kumpulan perempuan.

2. Jadual Indenpendent Sample Test Jadaual ini mengandungi 2 Ujian:

i. Levene’s Test For Equality of Variancesii. T-Test for Equality Means

Independent Samples Test

Levene's Test

for Equality of

Variances t-test for Equality of Means

F Sig. t df

Sig. (2-

tailed)

Mean

Difference

Std. Error

Difference

95% Confidence

Interval of the

Difference

Lower Upper

MathKBSM Equal variances

assumed

.220 .639 .268 661 .789 .188 .703 -1.191 1.568

Equal variances

not assumed

.267 635.079 .789 .188 .705 -1.196 1.572

Kalau signifikan pilih atas , kalau tidak signifikan pilih yg bawah untuk interprate data.

49


50

INTERPRETASI

1. Ujian Levene adalah tidak signifikan (p>-05)2. Keputusan ini memenuhi andaian kehomogenan varian antara pelajar lelaki dan

perempuan dalam pencapaian Math KBSM.3. Ujian-t sample bebas tidak signifikan ( t(df661=t-3.49, p>-05) secara statistik.4. Keputusan ini gagal menolak Ho. Ini menunjukkan tidak terdapat perbezaan

pencapaian Matematik berdasarkan jantina.

B. OUTPUT SPSS untuk Sikap Pembelajaran Matematik Berdasarkan Jantina

1) Groups Statistics

Group Statistics


SIKAP Lelaki 306 2.9087 .37993 .02172

Perempuan 362 3.0151 .36342 .01910


Levene's Test

for Equality of


F Sig. t df

Sig. (2-

tailed)

Mean

Difference

Std. Error

Difference

95% Confidence

Interval of the

Difference

Lower Upper

SIKAP Equal variances

assumed

.314 .576 -3.694 666 .000 -.10645 .02882 -.16303 -.04987

Equal variances

not assumed

-3.680 637.200 .000 -.10645 .02892 -.16325 -.04965

INTERPRETASI

i. Ujian Levene adalah tidak signifikan (P>.05).

ii. Keputusan ini telah memenuhi andaian kehomogenan varians antara pelajar lelaki dan

pelajar perempuan dalam sikap pembelajaran Matematik.

iii. Ujian –t Sampel Bebas adalah signifikan ( t(666)=-3.69, p<.05) secara statistik.

iv. Keputusan ini berjaya menolak Ho dan menerima HA.

v. Keputusan ini menunujkkan terdapat perbezaan sikap pembelajaran matematik

berdasarkan jantina.

vi. Min Sikap (3.05) pelajar perempuan lebih tinggi berbanding min Sikap (2.90) pelajar

Lelaki dalam pembelajaran Matematik.

50


51

LAMPIRAN Output untuk Tabiat & Jantina.

Group Statistics


TABIAT Lelaki 306 2.7443 .41262 .02359

Perempuan 362 2.8767 .37741 .01984


Levene's Test

for Equality of


F Sig. t df

Sig. (2-

tailed)

Mean

Difference

Std. Error

Difference

95% Confidence

Interval of the

Difference

Lower Upper

TABIAT Equal variances

assumed

.950 .330 -4.330 666 .000 -.13245 .03059 -.19251 -.07238

Equal variances

not assumed

-4.297 624.888 .000 -.13245 .03082 -.19297 -.07192

51


52

LAPORAN SPSS : 8 NOV 2012

TAJUK : KOLERASI

1. Model Kolerasi Pearson digunakan untuk menilai kekuatan adan arah perkaitan antara

dua pemboleh ubah. Ia dianggap sebagai statistik parameter.

2. Kolerasi Pearson digunakan untuk mengukur perkaitan linear antara dua pemboleh

ubah selanjar ( Continous Variables)

3. Pekali kolarasi mengandungi dua bahagian:i. Tanda Positif dan Negatif ( tanda positif selalunya tidak ditunjukkan)

ii. Nilai nombor dari 0.00 hingga 1.00.4. Andaian Ujian Kolerasi:

i. Bebas : Setiap ii. Skala : Sela dan Nisbah ( Continueos )

iii. Kenormalan : Setiap pemboleh ubah bertaburan normaliv. Linear : Hubungan antara dua pemboleh ubah mestilah linearv. Homoscedastisiti : Ralat varian diandaikan sama sepanjang poin hubungan

linear.

LANGKAH –LANGKAH SPSS

Langkah 1: Klik Analize dan pilih Correlate kemudian klik Bivariate.

52


53

Langkah 2 : Masukkan SIKAP, BIMBANG, TABIAT dan MATHKBSM. Ke dalam kotak

Variables.

Tanda pada Pearson dan two-tailed correlation

Klik pada Option Tandakan pada kotak Mean and standard deviations ,dalam kotak Bivariate

Correlation: Option Kemudian Klik Continue

Klik OK

53


54

OUTPUT SPSS

1. Jadual Descriptive Statistics

Descriptive Statistics

Mean Std. Deviation N

SIKAP 2.9664 .37458 668

BIMBANG 2.6154 .45600 668

TABIAT 2.8161 .39913 668

MathKBSM 18.42 9.008 663

54

Correlations

SIKAP BIMBANG TABIAT MathKBSM

SIKAP Pearson Correlation 1 -.311** .715** .366**

Sig. (2-tailed) .000 .000 .000

N 668 668 668 663

BIMBANG Pearson Correlation -.311** 1 -.313** -.363**

Sig. (2-tailed) .000 .000 .000

N 668 668 668 663

TABIAT Pearson Correlation .715** -.313** 1 .254**

Sig. (2-tailed) .000 .000 .000

N 668 668 668 663

MathKBSM Pearson Correlation .366** -.363** .254** 1

Sig. (2-tailed) .000 .000 .000

N 663 663 663 663

**. Correlation is significant at the 0.01 level (2-tailed).

Correlations

SIKAP BIMBANG TABIAT MathKBSM

SIKAP Pearson Correlation 1 -.311** .715** .366**

BIMBANG Pearson Correlation 1 -.313** -.363**

TABIAT Pearson Correlation 1 .254**

MathKBSM Pearson Correlation 1

**. Correlation is significant at the 0.01 level (2-tailed).


55

INTERPRETASI

1) Sikap pembelajaran Matematik dengan pencapaian Matematik.i. Ujian Kolerasi Pearson mempunyai hubungan positif yang signifikan ( r= .37 ,

p <.01) antara sikap pembelajaran dan pencapaian matematikii. Hipotesis null berjaya menolak dan menerima HA

iii. Hubungan positif menunjukkan sikap pembelajaran matematik yang tinggi mempunyai pencapaian matematik yang tinggi .

iv. Hubungan antara sikap dgn pencapaian matematik adalah rendah ( r= .37 )v. Sikap pembelajaran matematik menunjukkan nilai r²=0.14. Ini menunjukkan

sikap matematik menyumbang sebanyak 14% varian berhubung dengan varian pencapaian matematik.

2) Kebimbangan dengan Pencapaian Matematiki. Ujian Kolerasi Pearson mempunyai hubungan negatif yang signifikan ( r= - 36), ,

p<.01) antara kebimbingan dan pencapaian matematikii. Hipotesis null berjaya menolak dan menerima HA

iii. Hubungan negatif menunjukkan kebimbangan matematik yang tinggi mempunyai pencapaian matematik yang rendah .

iv. Hubungan antara bimbang dgn pencapaian matematik adalah rendah (r = -36 )

v. Kebimbangan pembelajaran matematik menunjukkan nilai r²=0.13. Ini menunjukkan bimbang matematik menyumbang sebanyak 13% varian berhubung dengan varian pencapaian matematik.

3) Tabiat pembelajaran dengan pencapaian Matematiki. Ujian Kolerasi Pearson menunjukkan tabiat mempunyai hubungan positif yang

signifikan ( r= .25) = , p<.01) antara Tabiat pembelajaran dan pencapaian matematik

ii. Hipotesis null berjaya menolak dan menerima HAiii. Hubungan positif menunjukkan Tabiat pembelajran matematik yang tinggi

mempunyai pencapaian matematik yang tinggi . iv. Hubungan antara Tabiat dgn pencapaian matematik adalah rendah ( r=.37 )v. Tabiat pembelajaran matematik menunjukkan nilai r²=0.06. Ini menunjukkan

sikap matematik menyumbang sebanyak 6% varian berhubung dengan varian pencapaian matematik

55


56

4) Hubungan antara Sikap pembelajaran dengan Tabiat Pembelajaran Matematik i) Ujian Kolerasi menunjukkan antara sikap dengan tabiat pembelajaran

matematik mempunyai hubungan yang signifikan ( r=.72, p < .01) dengan kebimbangan

ii) Hubungan positif ini menunjukkan sikap yang tinggi mempunyai tabiat pembelajaran matematik yang tinggi. Sebaliknya, sikap yang rendah mempunyai tabiat pembelajaran matematik yang rendah.

iii) Hubungan antara sikap dengan tabiat pembelajaran matematik adalah tinggi ( r= .76)

5) Hubungan antara Sikap dengan Kebimbangan Pembelajaran Matematiki) Ujian Kolerasi menunjukkan Sikap mempunyai hubungan yang signifikan ( r

= - .31, p < .01) dengan kebimbangan.ii) Hubungan negatif ini menunjukkan sikap yang tinggi mempunyai

kebimbangan pembelajaran Matematik yang rendah , manakala sikap yang rendah mempunyai kebimbangan yang tinggi dalam pembelajaran matematik.

iii) Hubungan antara sikap dan kebimbangan pembelajaran Matematik adalah rendah ( r = -.31)

vi. Kebimbangan pembelajaran matematik menunjukkan nilai r²=0.13. Ini menunjukkan bimbang matematik menyumbang sebanyak 13% varian berhubung dengan varian pencapaian matematik.

6) Tabiat pembelajaran dengan pencapaian Matematikvi. Ujian Kolerasi Pearson menunjukkan tabiat mempunyai hubungan positif yang

signifikan ( r= .25) = , p<.01) antara Tabiat pembelajaran dan pencapaian matematik

vii. Hipotesis null berjaya menolak dan menerima HAviii. Hubungan positif menunjukkan Tabiat pembelajran matematik yang tinggi

mempunyai pencapaian matematik yang tinggi . ix. Hubungan antara Tabiat dgn pencapaian matematik adalah rendah ( r=.37 )x. Tabiat pembelajaran matematik menunjukkan nilai r²=0.06. Ini menunjukkan

sikap matematik menyumbang sebanyak 6% varian berhubung dengan varian pencapaian matematik

56


57

7) Hubungan antara Sikap pembelajaran dengan Tabiat Pembelajaran Matematik iv) Ujian Kolerasi menunjukkan antara sikap dengan tabiat pembelajaran

matematik mempunyai hubungan yang signifikan ( r=.72, p < .01) dengan kebimbangan

v) Hubungan positif ini menunjukkan sikap yang tinggi mempunyai tabiat pembelajaran matematik yang tinggi. Sebaliknya, sikap yang rendah mempunyai tabiat pembelajaran matematik yang rendah.

vi) Hubungan antara sikap dengan tabiat pembelajaran matematik adalah tinggi ( r= .76)

8) Hubungan antara Sikap dengan Kebimbangan Pembelajaran Matematikiv) Ujian Kolerasi menunjukkan Sikap mempunyai hubungan yang signifikan ( r

= - .31, p < .01) dengan kebimbangan.v) Hubunga negatif ini menunjukkan sikap yang tinggi mempunyai

kebimbangan pembelajaran Matematik yang rendah , manakala sikap yang rendah mempunyai kebimbangan yang tinggi dalam pembelajaran matematik.

vi) Hubungan antara sikap dan kebimbangan pembelajaran Matematik adalah rendah ( r = -.31)

9) Hubungan antara kebimbangan dengan tabiat pembelajaran Matematik.i) Ujian Kolerasi menunjukkan kebimbangan mempunyai hubungan yang

signifikan ( r= -.31, p< -01).ii) Hubungan yang negatif ini menunjukkan kebimbangan yang tinggi

mempunyai tabiat pembelajaran yang rendah, manakala sikap yang rendah mempunyai tabiat pembelajaran yang tinggi.

iii) Hubungan antara kebimbangan dan tabiat pembelajaran adalah rendah ( r=.32)

57

statistik fakhrul final

Documents