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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
6
Klik continue dan ok.
Paparan data akan dihasilkan seperti berikut pada output1.
6
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
10
10
808972MOHAMAD FAKHRULROZI IBRAHIM
11
11
808972MOHAMAD FAKHRULROZI IBRAHIM
12
12
808972MOHAMAD FAKHRULROZI IBRAHIM
13
Output yang terhasil seperti berikut:
13
808972MOHAMAD FAKHRULROZI IBRAHIM
14
Dalam Variable view akan terpapar variable SIKAP, BIMBANG, TABIAT,
TINGKAH LAKU DAN PERSEKITARAN dibahagian bawah data
14
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
16
Klik : Continue
16
808972MOHAMAD FAKHRULROZI IBRAHIM
17
Out put terhasil seperti berikut:
17
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
19
19
808972MOHAMAD FAKHRULROZI IBRAHIM
20
Ulang proses yg sama untuk celup (data akan bersih)
20
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
22
Pembersihan data bimbang dan jantina
Pembersihan data telah dilakukan.
22
808972MOHAMAD FAKHRULROZI IBRAHIM
23
Pembersihan data tabiat dan jantina
Pembersihan data tabiat dan bangsa
23
808972MOHAMAD FAKHRULROZI IBRAHIM
24
Selepas dibersihkan data.
24
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
27
Langkah – langkah :
Langkah 1 : klik ‘Analyze’ , ‘Compare Means’ dan ‘Means’
27
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
95% Confidence Interval of the
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
95% Confidence Interval of the
Difference
Lower Upper
MathKBSM 1.159 664 .247 .405 -.28 1.09
32
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
35
Langkah – langkah
Langkah 1 : Buka file ‘Lab 1 ‘
Klik ‘analyze’, Klik ‘compare means’ dan Klik ‘paired sample t test’
Paparan berikut muncul :
35
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
48
Langkah 3 : Dalam Define groups, masukkan nilai yang mewakili kumpulan
“1” Lelaki dan “2” untuk perempuan. Klik Continue
48
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
Jantina N Mean Std. Deviation Std. Error Mean
SIKAP Lelaki 306 2.9087 .37993 .02172
Perempuan 362 3.0151 .36342 .01910
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
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
808972MOHAMAD FAKHRULROZI IBRAHIM
51
LAMPIRAN Output untuk Tabiat & Jantina.
Group Statistics
Jantina N Mean Std. Deviation Std. Error Mean
TABIAT Lelaki 306 2.7443 .41262 .02359
Perempuan 362 2.8767 .37741 .01984
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
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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).
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
808972MOHAMAD FAKHRULROZI IBRAHIM
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
Top Related