Projek Arsay Sabri Internet

Sabri Awang,uum 2009

UNIVERSITI UTARA MALAYSIA SINTOK, KEDAH

STATISTIK UUM

T.TEST, ANOVA, KORELASI, KHI-SQUARE

NAMA

:

SABRI BIN AWANG

MATRIK

:

800643

KAD PENGENALAN

:

741107-03-5587

KURSUS

:

SARJANA

SAINS

(PENGURUSAN

PENDIDIKAN)

statistik

Sabri Awang,uum 2009

PROJEK 1 INTERPRETASI ONE SAMPLE T-TEST

statistik

Sabri Awang,uum 2009

ONE-SAMPLE T TEST Objektif Kajian adalah bertujuan untuk mengenal pasti remaja lelaki yang tidak terlibat dalam sukan mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan. Soalan kajian Adakah terdapat perbezaan remaja lelaki yang tidak terlibat dalam sukan mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan? Hipotesis kajian Ho :

Tidak terdapat perbezaan yang signifikan antara remaja lelaki yang tidak terlibat dalam sukan mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan.

Ujian dengan Test Value = 50 Langkah :

statistik

Sabri Awang,uum 2009

Output : One-Sample Statistics N kudi

Mean 54.63

30

Std. Deviation 10.327

Std. Error Mean 1.886

One-Sample Test Test Value = 50

t 2.457

kudi

df 29

Sig. (2-tailed) .020

Mean Difference 4.633

95% Confidence Interval of the Difference Lower Upper .78 8.49

APA Style : One-Sample Statistics Std. kudi

N 30

Mean 54.63

Std. Deviation 10.327

Error

Mean 1.886

One-Sample Test

Test Value = 50 95% Confidence Interval Mean kudi

T 2.457

Df 29

Sig. (2-tailed) .020

Difference 4.633

of the Difference Lower .78

Upper 8.49

Keputusan Dapatan Ujian t-satu sampel adalah signifikan , ( t (29) = 2.457, p < .05 ). Oleh itu, kita menolak hipotesis null (Ho) dan menerima hipotesis alternatif (Ha). Ini menunjukkan terdapat perbezaan yang signifikan remaja lelaki yang tidak terlibat dalam sukan

statistik

Sabri Awang,uum 2009 mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan. Kesimpulan Kesimpulannya min sample ialah 54.63 (SD = 10.33), berbeza secara signifikan daripada 50, ( t (29) = 2.46, p = .02 ). Saiz kesan d ialah .45 menunjukkan kesan yang sederhana.

statistik

Sabri Awang,uum 2009

PROJEK 2 INTERPRETASI PAIR SAMPLE T-TEST

statistik

Sabri Awang,uum 2009 PAIRED- SAMPLE T TEST Objektif Kajian adalah bertujuan untuk mengenal pasti sama ada min pekerja-pekerja lebih memberi perhatian terhadap bayaran gaji atau keselamatan kerja. Soalan kajian Adakah terdapat perbezaan min memberi perhatian terhadap bayaran gaji dengan min keselamatan kerja oleh pekerja-pekerja ? Hipotesis kajian Ho :

Tidak terdapat perbezaan yang signifikan di antara min memberi perhatian terhadap bayaran gaji dengan min keselamatan kerja oleh pekerja-pekerja.

Langkah :

statistik

Sabri Awang,uum 2009 Output : Paired Samples Statistics

Pair 1

Mean 5.67 4.50

pay security

N 30 30

Std. Error Mean .273 .335

Std. Deviation 1.493 1.834

Paired Samples Correlations N Pair 1

pay & security

30

Correlation .088

Sig. .643

Paired Samples Test Paired Differences

Pair 1

Mean 1.167

pay - security

Std. Deviation 2.260

Std. Error Mean .413

95% Confidence Interval of the Difference Lower Upper .323 2.011

t 2.827

df 29

Sig. (2-tailed) .008

APA Style : Paired Samples Statistics Std. Pair 1

pay security

Mean 5.67 4.50

N 30 30

Std. Deviation 1.493 1.834

Error

Mean .273 .335

Paired Samples Correlations Pair 1

pay

&

security

N

Correlation

Sig.

30

.088

.643

Paired Samples Test Paired Differences 95% Confidence Interval Std. Pair 1

pay

Error

of the Difference

Sig. (2-

Mean

Std. Deviation

Mean

Lower

Upper

T

df

tailed)

1.167

2.260

.413

.323

2.011

2.827

29

.008

–

securit y

Keputusan statistik

Sabri Awang,uum 2009

Dapatan korelasi ujian t berpasangan adalah tidak signifikan ( r = .09 , p > .05 ). Ini menunjukkan tidak terdapat hubungan antara memberi perhatian terhadap bayaran gaji dengan keselamatan kerja oleh pekerja-pekerja. Dapatan ujian t berpasangan adalah signifikan, ( t ( 29 ) = 2.827 , p < .05 ). Dapatan ini menunjukkan kajian ini berjaya menolak Ho dan dengan itu menerima Ha. Ha: Ujian ini menunjukkan terdapat perbezaan yang signifikan di antara min memberi perhatian terhadap bayaran gaji dengan min keselamatan kerja oleh pekerja-pekerja. Kesimpulan Keputusan menunjukkan bahawa min memberi perhatian terhadap bayaran gaji (M = 5.67, SD = 1.49) secara signifikan adalah lebih tinggi daripada min memberi perhatian terhadap keselamatan kerja (M = 4.50, SD = 1.83).

statistik

Sabri Awang,uum 2009

PROJEK 3 INTERPRETASI INDEPENDENT SAMPLE T-TEST

statistik

Sabri Awang,uum 2009 INDEPENDENT SAMPLE T-TEST (JANTINA) Tarikh kuliah: 01/08/2009 Independent Sample T-Test boleh digunakan dalam mentafsir data dengan menggunakan ujian-t, kita perlu pastikan terlebih dahulu tentang data yang kita gunakan dan sample yang hendak dianalisis. . Contoh: Data Arrsey 2009

Kita harus menentukan pencapaian Matematik KBSM bagi sebuah sekolah berdasarkan jantina. OBJEKTIF KAJIAN Kajian ini bertujuan untuk mengenalpasti pencapaian Matematik KBSM berdasarkan jantina. SOALAN KAJIAN Adakah terdapat perbezaan antara pencapaian matematik KBSM dengan jantina? HIPOTESIS KAJIAN Ho

:

Tidak terdapat perbezaan yang signifikan antara pencapaian matematik KBSM dengan jantina.

LANGKAH-LANGKAH MENGDAPATKAN DATA OUTPUT MELALUI

statistik

Sabri Awang,uum 2009 PROGRAM SPSS: Klik

:

Analyze Compare Means Independence Sample T-Test Test Variables Grouping variable Define Group…Group 1….Group2 Continue OK

Langkah diatas ditunjukkan seperti rajah berikut:

Pada kotak yang tertera, masukkan test variable MathKBSM dan grouping variable jantina dan define group 1 dan 1. Kemudian klik continue dan ok

Output yang terhasil adalah seperti dibawah:

statistik

Sabri Awang,uum 2009 Group Statistics

MathKBSM

Jantina Lelaki Perempuan

N 307 362

Mean 18.54 18.30

Std. Deviation 9.225 8.839

Std. Error Mean .526 .465

Independent Samples Test Levene's Test for Equality of Variances

MathKBS M

Equal variances assumed Equal variances not assumed

t-test for Equality of Means

F

Sig.

T

df

Sig. (2tailed)

Mean Differen ce

.437

.509

.350

667

.726

.245

.349

639.41 7

.727

.245

Std. Error Differen ce

95% Confidence Interval of the Difference Lower

Upper

.700

-1.129

1.619

.702

-1.134

1.624

Output yang dihasilkan ini perlu ditukarkan ke APA STYLE seperti di bawah: Group Statistics Jantina MathKBSM

Std. Error Mean

N

Mean

Std. Deviation

Lelaki

307

18.54

9.225

0.526

Perempuan

362

18.3

8.839

0.465

Independent Samples T Test Levene's Test for Equality of Variances

MathKBSM

Equal variances assumed

t-test for Equality of Means

F

Sig.

t

df

Sig. (2tailed)

0.4

0.509

0.35

667

0.726

0.245

0.349

639.42

0.727

0.245

Equal variances not assumed

Mean Difference

Std. Error Difference

95% Confidence Interval of the Difference Lower

Upper

0.7

1.129

1.619

0.702

1.134

1.624

KEPUTUSAN KAJIAN

statistik

Sabri Awang,uum 2009

Ho

:

Tidak terdapat perbezaan yang signifikan antara pencapaian matematik dengan jantina

Ha

:

Terdapat perbezaan yang signifikan pencapaian matematik dengan jantina

Ujian Levene adalah tidak signifikan (p > .05) Keputusan ini menunjukkan varian pelajar lelaki dan perempuan adalah sama (memenuhi kehomogenen varion). Ujian t sample bebas tidak signifikan (t(667) = .035 , p >.05) menunjukkan dapatan kajian gagal menolak hipotesis nol. KESIMPULAN KAJIAN Oleh itu tidak terdapat perbezaan yang signifikan antara pencapaian matematik dengan jantina. Dengan demikian Ho adalah gagal ditolak.

INDEPENDENT SAMPLE T-TEST (LOKASI)

statistik

Sabri Awang,uum 2009 Tarikh kuliah: 08/08/2009 Independent Sample T-Test yang digunakan dalam kajian mestilah menggunakan ujian-t, kita perlu pastikan terlebih dahulu tentang data yang kita gunakan dan sample yang hendak dianalisis. . Contoh: Data Arrsey 2009

Satu contoh yang boleh dibuat ialah kita ingin menentukan pencapaian Matematik KBSM bagi sebuah sekolah berdasarkan lokasi OBJEKTIF KAJIAN Kajian ini bertujuan untuk mengenalpasti pencapaian Matematik KBSM berdasarkan lokasi SOALAN KAJIAN Adakah terdapat perbezaan pencapaian matematik KBSM berdasarkan lokasi? HIPOTESIS KAJIAN: Ho

:

Tidak terdapat perbezaan yang signifikan antara pencapaian matematik KBSM dengan lokasi.

HA

:

Terdapat perbezaan yang signifikan antara pencapaian matematik KBSM dengan lokasi.

LANGKAH-LANGKAH MENGDAPATKAN DATA OUTPUT DENGAN statistik

Sabri Awang,uum 2009 MENGGUNAKAN PROGRAM SSPS: Klik

:

Analyze Compare Means Independence Sample T-Test Test Variables Grouping variable Define Group…Group 1….Group2 Continue OK

Langkah diatas ditunjukkan seperti rajah berikut:

statistik

Sabri Awang,uum 2009

KLIK Continue dan ok. Output yang terhasil adalah seperti di bawah: Group Statistics MathKBSM

Lokasi

N

Mean

Std. Deviation

Std. Error Mean

Bandar

322

19.94

9.686

.540

Luar bandar

347

16.99

8.097

.435

Independent Samples Test

Levene's Test for Equality of Variances

F

MathKBSM

Equal variances assumed Equal variances not assumed

25.473

Sig.

.000

t-test for Equality of Means Sig. (2Mean taile Differ t df d) ence

Std. Error Differen ce

95% Confidence Interval of the Difference Lower

Upper

4.284

667

.000

2.949

.688

1.598

4.301

4.256

627.477

.000

2.949

.693

1.588

4.310

Hasil output yang muncul diskrin seperti di atas perlu ditukarkan ke bentuk statistik

Sabri Awang,uum 2009 APA-STYLE seperti berikut: Group Statistics

MathKBSM

Lokasi Bandar Luar bandar

Std. Error Mean

N

Mean

Std. Deviation

322

19.94

9.686

0.54

347

16.99

8.097

0.435

Independent Samples Test Levene's Test for Equality of Variances

F MathKBSM

Equal variances assumed

25.473

Sig.

0

Equal variances not assumed

t-test for Equality of Means

t

df

Sig. (2tailed)

Mean Difference

Std. Error Difference

95% Confidence Interval of the Difference Lower

Upper

4.284

667

0

2.949

0.688

1.598

4.301

4.256

627.47 7

0

2.949

0.693

1.588

4.31

HIPOTESIS HO

:

Tidak terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi

HA

:

Terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi

KEPUTUSAN KAJIAN Ujian Levene adalah signifikan (p<.05). Ini menunjukkan keputusan kajian tidak memenuhi kehomogenen varian bagi lokasi bandar dan luar bandar Ujian t sample bebas adalah signifikan (t(667) = .05). Oleh itu, berjaya menolak hipotesis nol. Daripada dapatan kajian ini menunjukkan terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi.

statistik

Sabri Awang,uum 2009

Min pencapaian pelajar bandar min bandar19.94 lebih tinggi berbanding min pencapaian pelajar luar bandar 16.99. KESIMPULAN Dapatan kajian ini menunjukkan terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi. Dengan demikian, kajian ini menunjukkan Ho berjaya ditolak dan menerima Ha

statistik

Sabri Awang,uum 2009

PROJEK 4 ANOVA

ANOVA Tarikh kuliah: 15 /8/2009

statistik

Sabri Awang,uum 2009 Tujuan 1.

Menguji adakah dua sampel yang digunakan itu signifikan atau tidak.

2.

Menguji adakah dua sampel tersebut mempunyai varians populasi yang sama atau tidak

Anggapan: 1.

Populasi yang akan diuji berdistribusi normal

2.

Varians dari populasi tersebut adalah sama

3.

Sampel tidak berhubungan satu dengan yang lain

ANOVA SEHALA Data: Terdapat 2 jenis data iaitu * Data kuantitatif dan kualitatif Jika ujian t digunakan untuk pengujian dua sampel, ujian F atau ANOVA digunakan untuk pengujian lebih dari dua sampel. Contoh soalan ‘One way ANOVA Kajian terhadap sesebuah sekolah yang menunjukkan adakah terdapat perbezaan yang signifikan antara pencapaian matematik KBSM mengikut kaum di sekolah tersebut. ANOVA dibuat kerana guru ingin mengkaji pencapaian matematik KBSM bagi 3 sampel kaum, iaitu Melayu, Cina dan India bagi 674 orang pelajar di sekolah tersebut.

statistik

Sabri Awang,uum 2009

Value 1- Melayu 2- Cina 3- India

Rajah di atas terdapat pembolehubah bangsa dan Math KBSM yang di gunakan oleh guru tersebut. Pada ruangan bangsa, di bahagian value di masukkan value 1,2,3 untuk bangsa Melayu, Cina dan India. Data boleh dilihat pada bahagian Data View seperti di bawah:

Data View

Pilih menu analize – compare means – One Way Anova.

statistik

Sabri Awang,uum 2009

Masukkan variable MathKBSM pada dependent list dan bangsa pada faktor seperti rajah di bawah:

statistik

Sabri Awang,uum 2009 Pada kolum ‘options’, pilih ‘deskriptif’ dan ‘homogeneity of variance’. Klik ‘continue.’. Rajah di bawah menunjukkan contoh seperti yang disebutkan tadi.

statistik

Sabri Awang,uum 2009 Pada kolum ‘post-Hoc’ , klik pada bahagian ‘equal variances assumed’ dan

pilih

‘Bonferroni’ dan ‘Tukey’. Gunakan significance level 0.05. Kemudian klik ‘continue’ dan Ok untuk melihat output.

statistik

Sabri Awang,uum 2009 Hasil output yang didapati adalah seperti ditunjukkan di bawah:

Oneway

Min pelajar Cina adalah paling tinggi Descriptives MathKBSM 95% Confidence Interval for Mean N Melayu Cina India Total

353 174 142 669

Mean

Std. Deviation

16.51 23.95 16.33 18.41

Std. Error

7.585 10.267 7.777 9.012

Lower Bound

.404 .778 .653 .348

Upper Bound

15.72 22.42 15.04 17.72

17.30 25.49 17.62 19.09

Minimum

Maximum 4 7 5 4

Test of Homogeneity of Variances

Ujian Levene adalah signifikan (F(2.666),=51.25,p<.05)

MathKBSM Levene Statistic

df1

29.886

df2 2

Sig. 666

.000

ANOVA MathKBSM Sum of Squares

df

Mean Square

Between Groups Within Groups

7236.305

2

3618.153

47015.291

666

70.594

Total

54251.596

668

F 51.253

Sig. .000

Ujian ANOVA sehala adalah signifikan(p<.05)

Post Hoc Tests

statistik

40 40 38 40

Sabri Awang,uum 2009 Multiple Comparisons MathKBSM Tukey HSD (I) Bangsa Melayu Cina India

(J) Bangsa

Mean Difference (I-J)

95% Confidence Interval Std. Error

Sig.

Lower Bound

Upper Bound

Cina

-7.444

*

.778

.000

-9.27

-5.62

India

.179

.835

.975

-1.78

2.14

Melayu

7.444

*

.778

.000

5.62

9.27

India

7.623*

.950

.000

5.39

9.85

-.179

.835

.975

-2.14

1.78

*

.950

.000

-9.85

-5.39

Melayu Cina

-7.623

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

Homogeneous Subsets MathKBSM Subset for alpha = 0.05 Bangsa Tukey HSDa

N

1

2

India

142

16.33

Melayu

353

16.51

Cina

174

Sig.

23.95 .976

1.000

Means for groups in homogeneous subsets are displayed. a. Uses Harmonic Mean Sample Size = 192.034.

MathKBSM 95% Confidence Interval for Mean N Melayu Cina India Total

Mean

Std. Deviation

Std. Error

Lower Bound

Upper Bound

Minimum

Maximum

353

16.51

7.585

0.404

15.72

17.3

4

40

174

23.95

10.267

0.778

22.42

25.49

7

40

142

16.33

7.777

0.653

15.04

17.62

5

38

669

18.41

9.012

0.348

17.72

19.09

4

40

statistik

Sabri Awang,uum 2009 Descriptives Test of Homogeneity of Variances MathKBSM Levene Statistic

df1

df2

Sig.

29.886

2

666

0

ANOVA MathKBSM Sum of Squares Between Groups Within Groups Total

Mean Square

df

F

7236.30 5

2

3618.15 3

47015.2 9

666

70.594

54251.6

668

Sig.

51.253

0

Multiple Comparisons MathKBSM Tukey HSD

(I) Bangsa Melayu

(J) Bangsa Cina India

Cina

Melayu India

95% Confidence Interval

Mean Difference (IJ)

Std. Error

Sig.

Lower Bound

Upper Bound

-7.444*

0.778

0

-9.27

-5.62

0.179

0.835

0.975

-1.78

2.14

*

0.778

0

5.62

9.27

7.444

*

7.623

0.95

0

5.39

9.85

-0.179

0.835

0.975

-2.14

1.78

-7.623 0.95 *. The mean difference is significant at the 0.05 level.

0

-9.85

-5.39

India

Melayu Cina

*

statistik

Sabri Awang,uum 2009

Homogeneous Subsets MathKBSM Subset for alpha = 0.05 Tukey

Bangsa India

HSDa

Melayu Cina

N

1

142.000

16.330

353.000

16.510

174.000

2

23.950

Sig.

0.976 1.000 Means for groups in homogeneous subsets are displayed. a. Uses Harmonic Mean Sample Size = 192.034.

ANALISA DATA Apakah ada kesamaan varians pada data ketiga bangsa tersebut. Pengujian terhadap kesamaan varian dilakukan melalui ujian F atau signifikansi. Ujian F adalah untuk melihat kepada min pencapaian matematik antara ketiga-tiga bangsa tersebut. Hipotesis Ho

: Tidak terdapat perbezaan yang signifikan antara varian dengan bangsa Melayu, Cina dan India.

Ha

: Terdapat perbezaan yang signifikan antara varian dengan bangsa Melayu, Cina dan India.

Jika Sig < .05, maka Ho Ditolak Jika Sig > .05, maka Ho Diterima

Keputusan Ujian Statistik Levene bagi menguji kehomegenan varian adalah signifikan di mana

statistik

Sabri Awang,uum 2009 p < .05, maka Ho ditolak dan HA diterima.Ini menunjukkan bahawa ketiga bangsa Melayu ,Cina dan India tidak mempunyai varian yang sama. (Untuk kajian yang baik, sepatutnya sampel yang diuji perlu memenuhi kehomogenan varian). Setelah diketahui variannya tidak sama , Seterusnya kita menguji apakah pencapaian Math KBSM adalah berbeza mengikut bangsa. Hipotesis Ho:

Tidak terdapat perbezaan yang signifikan antara pencapaian MathKBSM dengan bangsa Melayu, Cina dan India.

H1:

Terdapat perbezaan yang signifikan antara pencapaian MathKBSM dengan bangsa Melayu, Cina dan India.

Keputusan Jika Sig < .05, maka Ho Ditolak Jika Sig > .05, maka Ho Diterima Ujiian Anova Sehala menunjukkan signifikan (p < .05) . Dapatan kajian ini berjaya menolak Ho ,dan dengan itu menerima HA. Ini menunjukkan terdapat perbezaan pencapaian MathKBSM mengikut bangsa Melayu, Cina dan India. Kesimpulan: Min pencapaian matematik KBSM Cina(min Cina = 23.95) adalah lebih tinggi berbanding Melayu dan India .(min Melayu = 16.51 , min India = 16.33).

Kesimpulan

statistik

Sabri Awang,uum 2009 Ujian Levene menunjukkan kesignifikan . F(2,666) = 51.25,p < .05).

Hal ini

menunjukkan andaian kehomogenan varian tidak dipenuhi/ tidak terdapat varians yang sama antara bangsa. Ujian ANOVA satu hala adalah signifikan antara pencapaian Matematik antara bangsa Melayu, Cina dan India. Dapatan kajian ini berjaya menolak Ho dan dengan itu menerima H a. Ini menunjukkan sekurang-kurangnya satu min pencapaian matematik berbeza dengan bangsa. Ujian Posthoc menunjukkan (Tukeys) min pencapaian yang berbeza antara pelajar Cina dengan Melayu (p < .05) dan pelajar Cina dengan India (p < .05). Manakala tidak terdapat perbezaan antara pelajar Melayu dan India. (p < .05) Min pencapaian matematik pelajar Cina (min Cina = 23.95) adalah lebih tinggi berbanding min Melayu (min Melayu = 16.51) dan India (min India = 16.33)

statistik

Sabri Awang,uum 2009

PROJEK 5 INTERPRETASI KORELASI

KORELASI Tarikh kuliah: 15 /8/2009

statistik

Sabri Awang,uum 2009 Korelasi merupakan pencarian untuk menentukan pertalian atau perhubungan antara satu variable dengan variable yang lain. Terdapat dua jenis pemboleh ubah atau variable iaitu Independent variable -

dikenali sebagai regressor variable(variable peramal)

Dependent variable

dikenali sebagai criterion variable(variable respon)

-

Konsep dependence tidak membawa maksud hubungan sebab dan penyebab variable. Contohnya: Nilai dalam keluarga mana paling kuat. Saya dan suami, saya dan ibu, saya dan bapa,atau saya dan anak. Korelasi boleh melihat samada hubungan mana mempunyai nilai paling tinggi bermaksud paling kuat tanpa melihat nilai hubungan positif atau negatif Hubungan mana paling kuat A.

0.7

B.

-0.2

C.

0.5

D.

-0.8

Jawapannya adalah D (melihat nilai 8 paling tinggi tanpa hiraukan positif dan negatif) Huraian

berikutnya adalah berdasarkan Data Assay 2009(yang telah diberikan oleh

Dr.Arssay).

MAKSUD UJIAN SIGNIFIKAN UNTUK KORELASI

statistik

Sabri Awang,uum 2009 Perhubungan yang signifikan menerangkan tentang kesahihan perhubungan antara dua variable. Hubungan yang signifikan dijelaskan dengan nilai signifikan p < .05 atau p <.01 bergantung kepada nilai kritikal yang ditetapkan. Hubungan signifikan membawa makna satu hubungan yang kuat di mana perhubungan itu bukan disebabkan oleh peluang ,tetapi benar-benar hubungan yang wujud antara dua variable. Contoh:

Daripada Data Arsay

OBJEKTIF KAJIAN Kajian ini dijalankan untuk menentukan perbezaan yang signifikan antara sikap pelajar dengan pencapaian pelajar dalam matematik KBSM. PERSOALAN KAJIAN Adakah terdapat perbezaan yang signifikan antara sikap dengan pencapaian pelajar dalam matematik KBSM. HIPOTESIS KAJIAN Ho

:

Tidak terdapat perbezaan yang signifikan antara sikap pelajar terhadap pencapaian pelajar dalam matematik KBSM.

Ha

:

Terdapat perbezaan yang signifikan sikap pelajar terhadap pencapaian pelajar dalam matematik KBSM.

Contoh Daripada Data Dr.Arssay 2009 Melalui Program SPSS,

statistik

Sabri Awang,uum 2009

Kemudian klikkan berikut: Analyze Correlate Bivariate Variable…..MathKBSM, Sikap, Bimbang, Tabiat, Persekitaran ,Tingkahlaku Correlation Coefficient….pearson Test of significance…..Two-tailed OK Langkah-langkah tersebut boleh dilihat pada rajah di bawah:

Setelah klik OK, maka hasil output seperti di bawah akan terhasil:

Correlations

statistik

Sabri Awang,uum 2009 Correlations MathKBSM SIKAP MathKBSM

Pearson Correlation

1

Sig. (2-tailed) SIKAP

.360**

-.357**

.251**

.284**

-.347**

.000

.000

.000

.000

.000

N

669

669

668

668

667

669

Pearson Correlation

.360**

1

-.320**

.718**

.689**

-.411**

.000

.000

.000

.000

Sig. (2-tailed) .000 BIMBANG

TABIAT

TINGKAHLAKU

BIMBANG TABIAT TINGKAHLAKU PERSEKITARAN

N

669

674

673

673

672

674

Pearson Correlation

-.357**

-.320**

1

-.323**

-.274**

.516**

.000

.000

.000

Sig. (2-tailed) .000

.000

N

668

673

673

672

671

673

Pearson Correlation

.251**

.718**

-.323**

1

.765**

-.323**

Sig. (2-tailed) .000

.000

.000

.000

.000

N

668

673

672

673

671

673

Pearson Correlation

.284**

.689**

-.274**

.765**

1

-.312**

Sig. (2-tailed) .000

.000

.000

.000

N

667

672

671

671

672

672

-.347**

-.411**

.516**

-.323**

-.312**

1

Sig. (2-tailed) .000

.000

.000

.000

.000

N

674

673

673

672

PERSEKITARAN Pearson Correlation

669

.000

674

**. Correlation is significant at the p<0.05 level (2-tailed).

Tukarkan dapatan output ke bentuk APA-Style seperti di bawah:

statistik

Sabri Awang,uum 2009 Correlations

Pearson Correlation

MathKBSM

MathKBSM

SIKAP

BIMBANG

TABIAT

TINGKAHLAKU

1.00

0.36

-0.36

0.25

0.28

0.00

0.00

0.00

0.00

Sig. (2-tailed)

SIKAP

BIMBANG

TABIAT

TINGKAHLAKU

PERSEKITARAN

N Pearson Correlation

669.00

669.00

668.00

668.00

667.00

0.36

1.00

-0.32

0.72

0.69

Sig. (2-tailed)

0.00

0.00

0.00

0.00

N Pearson Correlation

669.00

674.00

673.00

673.00

672.00

-0.36

-0.32

1.00

-0.32

-0.27

Sig. (2-tailed)

0.00

0.00

0.00

0.00

N Pearson Correlation

668.00

673.00

673.00

672.00

671.00

0.25

0.72

-0.32

1.00

0.76

Sig. (2-tailed)

0.00

0.00

0.00

N Pearson Correlation

668.00

673.00

672.00

673.00

671.00

0.28

0.69

-0.27

0.76

1.00

Sig. (2-tailed)

0.00

0.00

0.00

0.00

N Pearson Correlation

667.00

672.00

671.00

671.00

672.00

-0.35

-0.41

0.52

-0.32

-0.31

Sig. (2-tailed)

0.00

0.00

0.00

0.00

0.00

N

669.00

674.00

673.00

673.00

672.00

0.00

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

INTERPRETASI DAPATAN Ho1

:

Tidak terdapat perbezaan yang signifikan antara sikap dengan pencapaian matematik KBSM.

Ho2

:

Tidak terdapat perbezaan yang signifikan antara bimbang dengan pencapaian matematik KBSM.

Ho3

:

Tidak terdapat perbezaan yang signifikan antara tabiat dengan pencapaian matematik KBSM.

Ho4

:

Tidak terdapat perbezaan yang signifikan antara tingkahlaku dengan pencapaian matematik KBSM.

Ho5

:

Tidak terdapat perbezaan antara persekitaran dengan pencapaian matematik KBSM.

Ha1

:

Terdapat perbezaan yang signifikan antara sikap dengan pencapaian

statistik

Sabri Awang,uum 2009 matematik KBSM. Ha2

:

Terdapat perbezaan yang signifikan antara bimbang dengan pencapaian matematik KBSM.

Ha3

:

Terdapat perbezaan yang signifikan antara tabiat dengan pencapaian matematik KBSM.

Ha4

:

Terdapat perbezaan yang signifikan antara tingkahlaku dengan pencapaian matematik KBSM.

Ha5

:

Terdapat perbezaan yang signifikan antara persekitaran dengan pencapaian matematik KBSM.

Sikap

pembelajaran

matematik,

kebimbangan

pembelajaran

matematik,

tabiat

pembelajaran matematik, tingkahlaku pembelajaran matematik dan persekitaran pembelajaran matematik mempunyai hubungan dengan pembelajaran matematik KBSM. Tetapi sikap, tabiat dan tingkahlaku mempunyai hubungan positif(+ve) yang signifikan (r = .36, p < .01). ANALISIS DATA Sikap Ujian korelasi adalah signifikan(r = .36, p < .01) secara positif.

Ini menunjukkan

terdapat hubungan positif pencapaian matematik dengan sikap pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai sikap pembelajaran yang tinggi mempunyai pencapaian matematik yang tinggi, manakala

pelajar yang mempunyai sikap

pembelajaran matematik yang rendah mempunyai pencapaian matematik yang rendah. Hubungan sikap pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 12% sahaja. (Kaedah pengiraan korelasi : r = .36, r2 = .129 dan dinyatakan sebagai 12%) Tabiat

statistik

Sabri Awang,uum 2009 Ujian korelasi adalah signifikan(r = .25, p < .01) secara positif. Ini menunjukkan terdapat hubungan positif pencapaian matematik dengan tabiat pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai tabiat pembelajaran yang tinggi mempunyai pencapaian matematik yang tinggi, manakala

pelajar yang mempunyai tabiat

pembelajaran matematik yang rendah mempunyai pencapaian matematik yang rendah. Hubungan tabiat pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 6% sahaja. (Kaedah pengiraan korelasi : r = .25, r2 = .062 dan dinyatakan sebagai 6%) Bimbang Ujian korelasi adalah signifikan (r = -.35,p < .01) secara negatif. Ini menunjukkan terdapat hubungan negatif pencapaian matematik dengan kebimbangan pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai kebimbangan pembelajaran yang tinggi mempunyai pencapaian matematik yang rendah, manakala pelajar yang mempunyai kebimbangan pembelajaran matematik yang rendah mempunyai pencapaian matematik yang tinggi. Hubungan kebimbangan pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 12% sahaja. (Kaedah pengiraan korelasi: r = -0.35, r2 = 0.122 dan dinyatakan sebagai 12%) Tingkahlaku Ujian korelasi adalah signifikan (r = .28, p <.01) secara positif. Ini menunjukkan terdapat hubungan positif pencapaian matematik dengan tingkahlaku pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai tingkahlaku pembelajaran yang tinggi mempunyai pencapaian matematik yang tinggi, manakala

pelajar yang mempunyai

statistik

Sabri Awang,uum 2009 tingkahlaku pembelajaran matematik yang rendah mempunyai pencapaian matematik yang rendah. Hubungan tingkahlaku pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 7% sahaja. (Kaedah pengiraan korelasi: r = 0.28, r2= 0.078 dan dinyatakan sebagai 7%) Persekitaran Ujian korelasi adalah signifikan (r = -0.34, p < .01) secara negatif. Ini menunjukkan terdapat hubungan negatif pencapaian matematik dengan persekitaran pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai persekitaran pembelajaran yang tinggi mempunyai pencapaian matematik yang rendah, manakala pelajar yang mempunyai persekitaran pembelajaran matematik yang rendah mempunyai pencapaian matematik yang tinggi. Hubungan persekitaran pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 12% sahaja. (Kaedah pengiraan korelasi r = 0.34, r2 = 0.11 dan dinyatakan sebagai 12%)

statistik

Sabri Awang,uum 2009

PROJEK 6 INTERPRETASI CHI SQUARE TEST

CHI SQUARE TEST Tarikh kuliah: 05/09/2009

statistik

Sabri Awang,uum 2009

χ

2

Pengenalan

Anggaran terhadap min dan perkadaran memerlukan taburan normal dan t, tetapi anggaran terhadap varians memerlukan taburan lain yang disebut taburan khi-kuasa dua, χ 2. Ujian khi kuasa dua digunakan untuk menentukan samada terdapat hubungan yang signifikan antara dua pembolehubah dalam sesuatu populasi yang diuji. Sesuai untuk menganalisa data nominal atau data kuantitatif. Khi kuasa dua TIDAK menerangkan kekuatan hubungan.

Ciri-ciri Ujian Khi kuasa dua a. Khi kuasa dua adalah ujian non-parametrik. Ia membandingkan taburan sampel yang diperhatikan dan taburan yang sepatutnya. b. Ho diterima jika nilai sebenar=nilai dijangka c. Ho ditolak jika nilai sebenar ≠ nilai dijangka χ

2

d. Nilai χ

2

tidak boleh negatif kerana semua nilai digandakan.

e. Nilai χ

2

adalah sifar jika nilai sebenar=nilai dijangka.

f. Lebih besar perbezaan nilaI sebenar(fo) dengan nilai dijangka (fe)maka lebih besar nilai χ

2

Goodness-of-Fit Test (Ujian Kebagusan Ketepatan) Jika ujian yang dilihat hampir menyamai kekerapan yang dijangka, maka nilai χ

2

adalah kecil ,seandainya ujian yang didapati menunjukkan perbezaan yang besar maka nilai χ

2

adalah besar. Ini menunjukkan ketepatan kebagusan adalah LEMAH.

statistik

Sabri Awang,uum 2009 Kebagusan yang tepat bermaksud kita menerima Ho dan kebagusan yang lemah adalah kita menolak Ho Nilai khi yang semakin kecil menunjukan ia tidak signifikan. Jika nilai khi lebih besar maka keputusan adalah lebih signifikan. Oleh itu, perkaitan akan berlaku antara keduadua variables yang diuji. CONTOH Objektif

:

Persoalan kajian:

Mengenalpasti keseragaman taburan responden mengikut bangsa. Adakah terdapat ketidakseragaman taburan antara pelbagai bangsa dalam kajian?

Hipotesis Kajian: Ho:

Terdapat keseragaman yang signfikan antara taburan responden dengan bangsa

Ha:

Terdapat ketidakseragaman yang signifikan antara taburan responden dengan bangsa yang dikaji.

Kaedah Mencari dan Menganalisis data menggunakan Program SSPS

Contoh output

statistik

Sabri Awang,uum 2009

Daripada ujian Khi kuasa dua Non parametric SPSS (Pearson), χ

2

= .200,

df(2) = .905., p > .05 Kesimpulan: Oleh yang demikian, p > .05 menunjukkan kajian ini tidak dapat menolak hipotesis null iaitu terdapat keseragaman yang signifikan antara taburan responden dengan populasi bangsa yang dikaji Interpretasi Data Tiada terdapat perkadaran statistik yang signifikan berkaitan pelbagai bangsa dalam populasi kajian. Taburan kumpulan adalah seragam.

statistik

Sabri Awang,uum 2009 UJIAN KHI KUASA DUA BAGI MENGUJI KERBERGANTUNGAN ANTARA DUA PEMBOLEHUBAH (VARIABLES)

Objektif kajian Mengenalpasti perkadaran antara jantina dalam peperiksaan UPSR Mengenalpasti perkadaran antara jantina dalam peperiksaan PMR Persoalan kajian Adakah terdapat perkadaran antara jantina dalam peperiksaan UPSR ? Adakah terdapat perkadaran antara jantina dalam peperiksaan PMR?

Hipotesis Kajian (UPSR) Ho1: tiada terdapat perkadaran antara jantina dalam pencapaian UPSR Ha1:

terdapat perkadaran antara jantina dalam pencapaian UPSR

Hipotesis Kajian (PMR) Ho2: tiada terdapat perkadaran antara jantina dalam pencapaian PMR Ha2:

terdapat perkadaran antara jantina dalam pencapaian PMR

Dengan menggunakan SPSS,

Langkah 1: Klik Analyze, pilih Descriptive Statistics, crosstabs

statistik

Sabri Awang,uum 2009

Langkah 2: Klik row, pilih variable yang ingin diuji, Jantina kemudian klik column dan pilih variable yang ingin diuji iaitu UPSR, PMR

Langkah 3: Klik tab statistics, tanda Chi-square klik continue

statistik

Sabri Awang,uum 2009

Langkah 4: Klik tab cell display, pada Counts, tanda observed dan expected klik continue

Contoh Ouput: UPSR JANTINA APA Style Cases Valid N

Missing Percent

Jantina * UPSR

673

Jantina * PMR

674

N

99.9%

Total Percent

1

.1%

100 %

N 674

0

Percent 100%

.0%

674

100%

Jadual b: Membandingkan perkadaran dua kumpulan jantina berbanding dengan keputusan UPSR dan PMR

Crosstab A Jantina

Lelaki Perempuan

D

E

Count

107

79

77

37

Expected Count

93.2

96.0

80.3

32.6

96

130

98

34

109.8

113.0

94.7

38.4

Count Expected Count

Total

UPSR C

B

Count Expected Count

9

Totall 309

6.9 6

309.0

8.1

364.0

364

203

209

175

71

15

673

203.0

209.0

175.0

71.0

15.0

673.0

statistik

Sabri Awang,uum 2009

Chi-Square Tests

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

Value a 11.872 11.925 .021

df

4 4

Asymp. Sig. (2-sided) .018 .018

1

.884

673

a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 6.89.

Jadual b1: Crosstab dan Ujian Khi Kuasadua perbandingan perkadaran antara jantina dalam pencapaian peperiksaan UPSR Daripada ujian Khi kuasa dua SPSS (Pearson), χ

2

=11.872,

df(4)=.018. p <.05, Kesimpulan Kajian ini menunjukkan bahawa ia telah berjaya menolak hipotesis null dan menerima hipotesis alternatif iaitu terdapat perkadaran antara jantina dalam pencapaian UPSR Interpretasi Data Terdapat perkadaran statistic yang signifikan berkaitan jantina antara pelajar lelaki dimana pelajar lelaki mendapat kadar lebih tinggi pencapaian peperiksaan UPSR berbanding dengan pelajar perempuan. .

statistik

Sabri Awang,uum 2009 PMR JANTINA Crosstab

Jantina Lelaki

Total

Count Expected Count Perempuan Count Expected Count Count Expected Count

A

B

70 61.4 64 72.6 134 134.0

51 54.6 68 64.4 119 119.0

PMR C

D

90 91.7 110 108.3 200 200.0

E

81 86.6 108 102.4 189 189.0

17 14.7 15 17.3 32 32.0

Total 309 309.0 365 365.0 674 674.0

Chi-Square Tests

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

Value a 4.055 4.046 .903

df

4 4

Asymp. Sig. (2-sided) .399 .400

1

.342

674

a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 14.67.

Jadual b2: Crosstab dan Ujian Khi Kuasadua perbandingan perkadaran antara jantina dalam pencapaian peperiksaan PMR Daripada ujian Khi kuasa dua SPSS (Pearson), χ

2

=4.055,

df(4)=.399. p > .05 Kesimpulan: Berdasarkan singnifikan p > .05, menunjukkan bahawa kajian ini tidak dapat menolak hipotesis null , maka tidak terdapat perkadaran antara jantina dalam pencapaian PMR

statistik

Sabri Awang,uum 2009 Interpretasi Data Dengan demikian, tidak terdapat perkadaran statistik yang signifikan berkaitan jantina antara pelajar lelaki dengan pelajar perempuan dalam pencapaian peperiksaan PMR.

statistik