Professional Documents
Culture Documents
Bab 4
Bab 4
4.0
Pendahuluan
Bab ini membincangkan dapatan kajian berdasarkan analisis data yang telah ditetapkan. Data yang diperolehi telah dianalisis dengan menggunakan tiga perisian, iaitu perisian SPSS Version 15, Quest, GENOVA dan AMOS version 7. Pada bahagian pertama huraian adalah berdasarkan statistik dekriptif yang akan menyentuh aspek latar belakang responden serta pembelajaran matematik dalam bahasa Inggeris. Kemudian, perbincangan akan berkisar kepada analisis item menggunakan perisian Quest. Seterusnya perbincangan akan menyentuh komponen varian yang berkait dengan dependability skor pencapaian. Akhir sekali, huraian adalah berdasarkan analisis Modeling). SEM (Structural Equation
Secara umumnya huraian dalam bab ini akan menjawab soalan kajian yang telah ditetapkan seperti berikut: 1. Apakah dependability skor ujian pencapaian mata pelajaran matematik KBSM Tingkatan 2 mengikut Teori Generalizabiliti? 2. Apakah sumbangan setiap facet terhadap varians ralat mengikut Teori Generalizabiliti? 3. Sejauhmanakah model cadangan fit data pembolehubah bebas dan pembolehubah bersandar?
169
4. Adakah model yang dicadangkan fit dengan jantina lelaki dan perempuan? 5. Adakah model yang dicadangkan fit dengan lokasi sekolah bandar dan luar bandar? 6. Adakah terdapat kesan faktor peramal dalam model yang dicadangkan terhadap skor pencapaian secara signifikan?
4.1
Seramai 500 orang pelajar tingkatan dua telah terlibat dengan kajian ini. Ringkasan maklumat latar belakang responden ditunjukkan dalam Jadual 4.1 di sebelah. Hasil daripada pentadbiran soal selidik dan ujian yang diduduki, seramai 225 (45%) responden adalah lelaki dan 275 (55%) perempuan. Komposisi mengikut kaum pula melibatkan kaum Melayu seramai 385 orang (77%) diikuti kaum Cina 83 orang (16.6%), India 27 (5.4%) orang dan lainlain (yakni Siam) seramai 5 orang (1%).
Dari segi pola tempat tinggal responden pula, kebanyakan responden berasal atau tempat tinggal mereka adalah di kampung (N=272, 54.4%). Seramai 135 (27%) orang responden tinggal di bandar dan masing-masing responden dari pekan kecil dan tanah rancangan seramai 88 orang (17.6%) dan 5 orang (1%) yang tinggal di kawasan rancangan. Walaupun begitu, bilangan responden mengikut kategori sekolah luar bandar dan sekolah bandar adalah seimbang, iaitu masing-masing seramai 250 orang.
170
Jadual 4.1 Profil Pelajar Mengikut Jantina, Kaum, Tempat Tinggal dan Lokasi Sekolah Perbezaan Individu Kekerapan (%) Jantina Lelaki 225 (45) Perempuan 275 (55) Jumlah 500 (100) Kaum Melayu 385 (77) Cina 83 (16.6) India 27 (5.4) Lain-lain 5 (1) Tempat Tinggal Jumlah Kampung Pekan kecil Bandar Tanah Rancangan Jumlah Luar Bandar Bandar Jumlah 500 (100) 272 (54.4) 88 (17.6) 135 (27) 5 (1) 500 (100) 250 (50) 250 (50) 500 (100)
Lokasi Sekolah
Dari segi pencapaian responden dalam mata pelajaran Bahasa Inggeris pada peringkat UPSR, kebanyakan responden mendapat gred yang baik, iaitu Gred A (N=90, 18 %) dan Gred B (N=170, 34%). Sementara yang mendapat Gred D dan Gred E masing-masing seramai 52 (10.4%) dan 38 (7.6%). Maklumat gred responden ditunjukkan dalam Jadual 4.2 di bawah.
Jadual 4.2 Gred Bahasa Inggeris UPSR Gred Bahasa Inggeris Jumlah (%) Gred A 90 (18.0) Gred B 170 (34.0) Gred C 150 (30.0) Gred D 52 (10.4) Gred E 38 (7.6) Jumlah 500 (100)
171
Walaupun gred pencapaian pelajar yang diperolehi oleh responden agak baik, seperti yang ditunjukkan dalam Jadual 4.2, namun apabila diminta menanda dalam soal selidik berhubung kemahiran bahasa masing-masing, dapatan kajian menunjukkan kemahiran bahasa responden perempuan lebih tinggi daripada responden lelaki (Perempuan: M = 3.16., SD = 0.77; Lelaki: M = 3.03, SD = 0.96). Jadual 4.3 menunjukkan kemahiran bahasa Inggeris responden.
Jadual 4.3 Kemahiran Bahasa Inggeris Megikut Jantina Kemahiran BI Jantina Lelaki Min N Std.Dev. Min N Std.Dev. Min N Std.Dev. Min N Std.Dev. 3.03 225 0.96 3.16 275 0.77 3.06 225 0.92 3.18 275 0.80
Perempuan
Lokasi sekolah
Luar bandar
Bandar
Manakala kamahiran mengikut lokasi sekolah pula seperti yang ditunjukkan dalam Jadual 4.3 di atas, kemahiran bahasa Inggeris responden yang bersekolah di bandar lebih tinggi daripada responden luar bandar. Skor min
172
dan sisihan piawai bagi kumpulan bandar ialah 3.18 dan 0.80; manakala skor min dan sisihan piawai bagi pelajar luar bandar ialah 3.06 dan 0.92.
4.2
Dapatan kajian yang dijalankan menunjukkan sikap sebenar responden kajian ini terhadap bahasa Inggeris dan sikap mereka terhadap mata pelajaran matematik. Skor min sikap responden terhadap kedua-dua mata pelajaran berkenaan ditunjukkan dalam Jadual 4.4 di bawah.
Jadual 4.4 Sikap Pelajar Terhadap Mata pelajaran Mengikut Jantina Sikap BI Sikap Mat Jantina Lelaki Min N Std.Dev. Min N Std.Dev. 3.70 225 1.40 4.20 275 1.07 4.16 225 1.32 4.43 275 1.10
Perempuan
Dapatan kajian menunjukkan bahawa sikap responden perempuan adalah lebih positif berbanding responden lelaki bagi kedua-dua mata pelajaran berkenaan. Bagi mata pelajaran bahasa Inggeris skor min dan sisihan piawai bagi
responden perempuan ialah 4.20 dan 1.07 berbanding responden lelaki 3.70 dan 1.40. Bagi mata pelajaran matematik pula skor min dan sisihan piawai
173
responden perempuan ialah 4.43 dan 1.10. Manakala skor min dan sisihan piawai bagi responden lelaki ialah 4.16 dan 1.32.
Bagi sikap terhadap mata pelajaran mengikut lokasi sekolah pula Jadual 4.5 di bawah memaparkan sikap responden terbabit. Skor min bagi sikap responden sekolah lokasi bandar dan luar bandar adalah sama, iaitu masing-masing 3.97. Sikap matematik pula menunjukkan sikap responden sekolah bandar lebih tinggi daripada sekolah luar bandar. Skor min dan sisihan piawai bagi sekolah lokasi bandar ialah 4.32 dan 1.16. Sementara skor min dan sisihan piawai bagi sekolah lokasi luar bandar ialah 4.29 dan 1.25.
Jadual 4.5 Sikap Pelajar Terhadap Mata pelajaran Mengikut Lokasi sekolah Sikap BI Sikap Mat Lokasi sekolah Luar bandar Min N Std.Dev. Min N Std.Dev. 3.97 250 1.27 3.97 250 1.23 4.29 250 1.25 4.32 250 1.16
Bandar
4.3
Bagi mengetahui pengendalian pengajaran dan sama ada responden seronok atau sukar mengikuti pembelajaran matematik dalam bahasa Inggeris, Jadual 4.6 di sebelah menunjukkan keadaan demikian.
174
Jadual 4.6 Pembelajaran Matematik dalam Bahasa Inggeris Tidak Bersetuju Tidak pasti Bersetuju
Saya seronok belajar matematik dalam BI. Saya sukar mengikuti pembelajaran matematik dalam BI. Guru matematik saya mengajar menggunakan bahasa Inggeris dan bahasa Melayu
261 (52.2%)
142 (28%)
97 (19.4%)
132 (26.4%)
166 (33.2%)
202 (40.4%)
16 (3.2%)
55 (11.0%)
429 (85.8%)
Responden
mereka seronok belajar matematik dalam bahasa Inggeris (N = 261, 52.2%) berbanding dengan bilangan responden yang Bersetuju (N = 97, 19.4%). Responden juga mengakui bahawa mereka sukar mengikuti pembelajaran matematik dalam bahasa Inggeris. Jadual 4.6 dia atas memaparkan 202 (40.4%) responden Bersetuju bahawa mereka sukar mengikuti
pembelajaran berbanding hanya 132 (26.4%) responden berpendapat mereka tidak sukar dalam mengikuti pembelajaran berkenaan. Seiring dengan dapatan tersebut, kajian ini juga menunjukkan bahawa pengajaran dan pembelajaran matematik masih lagi dikendalikan secara tidak sepenuhnya dalam bahasa Inggeris kerana responden sendiri sukar mengikuti pengajaran dalam bahasa
175
4.4
Kualiti sesuatu item dapat ditentukan berdasar kepada indeks kesukaran dan indeks diskriminasi. Indek kesukaran merujuk kepada nisbah jawapan calon yang menjawab dengan betul berbanding dengan keseluruhan bilangan calon yang menduduki sesuatu ujian berkenaan. Nilai yang ditunjukkan adalah antara kosong (sifar) hingga satu (0 hingga 1). Jika nilai yang diperolehi ialah satu bermakna semua calon menjawab dengan tepat atau betul. Ujian yang baik seharusnya memiliki nilai indeks kesukaran antara (Kaplan & Saccuzzo, 2001). 0.3 hingga 0.7
Pekali Point-Biserial merujuk kepada hubungan antara skor item dengan skor ujian. Ia memberikan petunjuk kekuatan sesuatu item berkenaan dalam membezakan pelajar mengikut kumpulan pencapaian sesuatu ujian. Nilai indeks Point-Biserial yang tinggi menunjukkan item tersebut berpotensi
dijawab dengan betul oleh kebanyakan pelajar yang cerdik berbanding dengan pelajar yang lemah. Ujian yang baik nilai indeks Point-Biserial berada di antara 0.3 hingga 0.6 (Bond & Fox, 2001).
Jadual 4.7 menunjukkan 15 item yang ditadbir dalam ujian pencapaian matematik Tingkatan 2. Ujian ini melibatkan 10 item berbentuk objektif dan 5
176
item berbentuk soalan subjektif. Hasil daripada jawapan yang diberikan pelajar telah dianalisis menggunakan perisian Quest. Dapatan analisis berasaskan pekali kesukaran dan Point-Biserial.
Item
Jadual 4.7 Indeks Kesukaran dan Point-Biserial Ujian Asal Indeks Point-Biserial Catatan Kesukaran 0.85 0.55 0.35 0.44 0.57 0.56 0.59 0.19 0.32 0.57 0.22 1.00 0.42 0.28 0.45 0.16 0.50 0.27 0.48 0.36 0.53 0.39 0.33 0.28 0.36 0.37 0 0.39 0.55 0.35 Perlu dibaiki Diterima Perlu dibaiki Diterima Diterima Diterima Diterima Diterima Perlu dibaiki Diterima Diterima Digugurkan Diterima Diterima Diterima
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Secara umumnya kebanyakan item dalam ujian asal ini boleh diterima. Sementara item 12 perlu digugurkan kerana tergolong dalam item yang dianggar terlalu mudah kerana semua responden dapat menjawab dengan betul. Terdapat tiga item perlu dibaiki semula iaitu item 1, item 3 dan item 9. Item yang dianggap paling sukar ialah item 8.
177
Jadual 4.8 Indeks Kesukaran dan Point-Biserial Ujian Ubah suai Item Indeks Point-Biserial Catatan Kesukaran 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0.91 0.62 0.43 0.62 0.81 0.71 0.50 0.34 0.39 0.40 0.37 0.30 0.70 0.40 0.61 -0.07 0.56 0.30 0.58 0.42 0.51 0.48 0.32 0.20 0.35 0.56 0.05 0.45 0.59 0.50 Digugurkan Diterima Diterima Diterima Diterima Diterima Diterima Diterima Dibaiki Diterima Diterima Digugurkan Diterima Diterima Diterima
Bagi ujian yang diubah suai pula, Jadual 4.8 menunjukkan item 1 dan item 12 perlu digugurkan. Sementara hanya satu item, iaitu item 9 perlu dibaiki. Itemitem lain boleh diterima kerana berada dalam lingkungan indeks kesukaran dan Point-Biserial yang boleh diterima.
Jika dibandingkan ujian asal dengan ujian ubah suai, didapati kebanyakkan nilai indeks kesukaran item dalam ujian yang diubah suai didapati lebih tinggi daripada item ujian asal. Keadaan ini menunjukkan item yang diubah suai lebih mudah berbanding item ujian asal. Rajah 4.1 di bawah menunjukkan perbezaan nilai indeks kesukaran bagi kedua-dua ujian berkenaan.
178
Rajah 4.1 Graf Indeks Kesukaran Ujian Asal dan Ubah Suai
Daripada Rajah 4.1 di atas didapati hanya item 10 dan item 12 yang nilai indeks kesukarannya yang berada lebih rendah daripada ujian asal. Manakala item lain, nilai indeks kesukaran adalah menunjukkan lebih baik daripada ujian asal. Rajah 4.2(a) dan 4.2(b) menunjukkan Keluk Ciri Item (ICC) bagi soalan ujian asal dan soalan ujian ubah suai.
179
Probability
Ability
Rajah 4.2 (a) menunjukkan keluk Ciri Item bagi ujian asal. Setiap keluk menunjukkan tahap diskriminasi yang sama tetapi aras kesukaran yang berbeza. Keluk yang paling kiri, iaitu bagi item 7 menunjukkan item yang paling mudah. Keluk yang terletak di tengah-tengah menunjukkan item yang lebih sederhana kesukarannya dan keluk yang paling kiri, yang ditunjukkan oleh item 5 adalah item yang lebih sukar. Berdasarkan rajah ini, didapati item 7 ialah item yang paling mudah kerana kemungkinan pelajar menjawab betul adalah tinggi berdasarkan hanya memerlukan kebolehan responden calon yang
180
rendah. Berbeza dengan item 5 yang didapati lebih sukar kerana kemungkinan calon untuk menjawab dengan betul berdasarkan kebolehan pada tahap 4 sebanyak 0.50.
Probability
Ability
Seperti Rajah 4.2 (a) untuk ujian asal, Rajah 4.2(b) turut menunjukkan keadaan yang sama; dengan item 7 masih dianggap sebagai mudah dan item 5 dianggap sebagai item yang sukar. Perbezaan antara Rajah 4.2(a) dan Rajah 4.2(b) ialah pergerakan keluk telah beralih ke sebelah kiri. Dalam erti kata yang lain pergerakan dari kanan ke kiri (Rajah 4.2(a)) ke kiri (Rajah 4.2(b)
181
menunjukkan darjah atau tahap kesukaran telah menjadi semakin mudah. Misalnya, dalam Rajah 4.2(a) bagi item 5 didapati kemungkinan pelajar yang menjawab dengan betul dengan abiliti pada tahap 4 ialah 0.50. Namun, telah berubah kepada abiliti 3.6 untuk menjawab dengan betul pada tahap yang sama. Begitu juga dengan item yang lain. Keadaan ini menunjukkan bahawa penggunaan item yang diubah suai adalah lebih mudah berbanding item asal.
4.5
Daripada jawapan responden yang diterima, responden cenderung kepada berpendapat soalan ujian asal lebih sukar berbanding dengan soalan ujian yang diubah suai struktur ayatnya. Jadual tentang kedua-dua ujian berkenaan. 4.9 memaparkan pendapat mereka
Jadual 4.9 Pandangan Tentang Soalan Ujian Sukar Secara keseluruhan soalan ujian ini (Asal) Secara keseluruhan soalan ujian ini (Ubah suai) 182 (36.4%) Sederhana 273 (54.6%) Mudah 45 (9.0%)
72 (14.4%)
303 (60.6%)
125 (25.0%)
182
Daripada data yang ditunjukkan dalam jadual di atas, lebih 30% responden berpendapat soalan ujian asal adalah sukar berbanding hanya 14% sahaja yang berpendapat soalan ujian yang telah ubah suai adalah sukar. Bagi soalan ujian asal, responden yang berpendapat sederhana ialah 54.6 % dan 60 % bagi soalan ubah suai. Sementara responden yang berpendapat soalan ujian asal adalah mudah ialah 9 % dan bagi soalan ujian yang diubah suai ialah 25%. Keadaan menunjukkan bahawa ujian yang diubah suai adalah lebih mudah berbanding soalan ujian asal.
Dari segi skor pencapaian responden dalam kedua-dua ujian berkenaan Jadual 4.10 di bawah menunjukan perbezaan skor min kedua-dua ujian berkenaan.
Jadual 4.10 Perbezaan Skor Min Ujian Ujian Asal Ujian Ubah suai N 500 500 Min 5.62 7.45 Mod 6 7 Std.Dev. 2.77 2.46 Minimum 0 0 Maksimum 13 14 Skewness 0.068 -0.678 Kurtosis -0.013 -0.771
Berdasarkan jadual di atas, skor min bagi ujian asal ialah 5.62 dan skor min bagi ujian yang diubah suai meningkat kepada 7.45. ini menunjukkan
wujudnya peningkatan dalam skor min sebanyak 1.83. Skor maksimum yang
183
diperolehi dalam ujian asal ialah 13 manakala bagi ujian ubah suai ialah 14. Rajah 4.3 (a) dan Rajah 4.3 (b) di sebelah menunjukkan keluk normal dan taburan skor setiap ujian berkenaan.
80
60
Frequency
40
20
Mean =5.62 Std. Dev. =2.774 N =500 0 -5.00 0.00 5.00 10.00 15.00
80
60
Frequency
40
20
Mean =7.45 Std. Dev. =2.795 N =500 0 -5.00 0.00 5.00 10.00 15.00
184
Bagi mengetahui adakah wujud perbezaan yang signifikan di antara kedua-dua ujian tersebut, Ujian-t dijalankan dan dapatan seperti dalam Jadual 4.11. Jadual 4.11 Ujian t Soalan Asal dan soalan Ubah suai Paired Diffrences Mean Std. Dev. 1.121 Std. Error Mean 0.0511 95% C.I 1.700 1.960 t 36.52 df 499 Sig. (2tailed) 0.001
1.830
Daripada jadual di atas, bagi sampel kajian ini (n = 500), min skor ujian soalan ubah suai (M = 7.45, SD = 2.80, n = 500) lebih tinggi daripada min skor ujian asal (M = 5.62, SD = 2.77, n = 500). Keputusan ujian t menunjukkan min skor pencapaian ujian asal adalah berbeza secara signifikan ( t (499) = 36.52, p<0.001) dengan perbezaan min sebanyak 1.83. Keadaan ini juga menunjukkan bahawa ujian ubah suai lebih membantu pelajar dalam memahami kehendak soalan berbanding ujian asal.
Jika ditinjau secara lebih lanjut antara bentuk soalan objektif dan soalan subjektif, Jadual 4.12 menunjukkan perbezaan kedua-dua bentuk soalan tersebut. Daripada ujian t yang dijalankan bagi melihat perbezaan antara soalan berbentuk objektif dan subjektif bagi kedua-dua ujian berkenaan, didapati terdapat perbezaan yang signifikan antara soalan objektif dan soalan subjektif bagi kedua-dua ujian berkenaan. Daripada Jadual 4.12, bagi sampel
185
kajian ini (n = 500), skor soalan objektif ujian asal (M = 4.23, SD = 2.41, n = 500) lebih tinggi daripada skor ujian asal soalan subjektif (M = 1.39, SD = 1.11, n = 500). Keputusan ujian t menunjukkan min skor pencapaian ujian asal soalan objektif adalah berbeza secara signifikan dengan skor ujian asal soalan subjektif ( t (499) = 25.06, p<0.001) dengan perbezaan min sebanyak 2.84. Begitu juga dengan soalan objektif ujian ubah suai (M = 5.49, SD = 2.46, n = 500) lebih tinggi dari skor soalan subjektif (M = 1.95, SD = 1.28, n = 500). Ujian t menunjukkan min skor pencapaian adalah berbeza secara signifikan ( t (499) = 28.86, p<0.001) dengan perbezaan min sebanyak 3.55.
Jadual 4.12 Ujian -t bagi Soalan Objektif dan Subjektif Asal dan ubah suai Paired Diffrences Mean Std. Dev. Std. Error Mean 0.1135 95% C.I T 2.621 3.066 25.06 df 499 Sig. (2tailed) 0.001
2.844
2.538
3.546
2.747
0.1229
3.305
3.787
28.86
499
0.001
1.262
1.541
0.0689
1.127
1.397
18.31
499
0.001
Orisubj 0.560 1.301 0.0582 0.446 Modisubj Oriobj = Skor soalan objektif asal Orisubj = Skor soalan subjektif asal Modiobj = Skor soalan objektif ubah suai Modisubj = Skor soalan subjektif ubah suai
0.674
9.62
499
0.001
186
Di samping perbezaan pencapaian berdasarkan soalan asal dan soalan ubah suai, perbezaan juga ditunjukkan berdasarkan format soalan. Pencapaian responden bagi soalan objektif lebih tinggi daripada soalan subjektif. Jadual di atas memaparkan ujian-t bagi soalan objektif dan soalan subjektif. Bagi soalan objektif ubah suai, skor min (M =5.50, SD = 2.46, n = 500) lebih tinggi daripada skor min soalan objektif asal (M = 1.95, SD = 1.28, n = 500). Ujian t menunjukkan min skor adalah berbeza secara signifikan ( t (499) = 18.31, p<0.001 dengan perbezaan min sebanyak 1.26.
Apabila korelasi dijalankan bagi kedua-dua ujian berkenaan, dapatan menunjukkan kedua ujian mempunyai hubungan positif yang kuat ( r = 0.92, p<0.01) seperti ditunjukkan dalam Jadual 4.13.
Jadual 4.13 Korelasi Antara Ujian Asal dan Ujian Ubah suai Skor ujian ubah suai Pearson .919(**) Correlation Sig. (2-tailed) .000 N 500 ** Correlation is significant at the 0.01 level (2-tailed). Skor ujian asal
Hubungan kedua ujian berkenaan juga dapat dilihat dengan jelas dalam Rajah 4.4 di sebelah.
187
14.00 13.00
12.00 11.00 10.00 9.00 8.00 7.00 6.00 5.00 4.00 3.00 2.00 1.00 0.00 0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00
Rajah 4.4 Scatter plot Ujian Asal dan Ujian Ubah suai
Memandangkan dapatan yang dijelaskan oleh responden yang berpendapat kedua-dua ujian ini masih sukar (lebih 35% berpendapat ujian asal sukar dan 15% berpendapat ujian ubah suai sukar ), responden juga berpendapat mereka lebih cenderung untuk menjawab soalan matematik dalam bahasa Melayu. Jadual 4.14 di sebelah menunjukkan kecenderungan responden.
188
Jadual 4.14 Kecenderungan Responden Untuk Memilih Bahasa Pengantar Soalan Ujian Bahasa Bahasa Melayu Inggeris Pilihan bahasa pengantar 372 (74.4%) 128 (25.6%)
Jadual 4.14 di atas menunjukkan kecenderungan responden yang lebih suka untuk soalan ujian menggunakan bahasa Melayu. Lebih 70% pelajar memilih untuk menjawab ujian matematik dalam bahasa Melayu berbanding hanya 25.6% yang cenderung kepada soalan dalam bahasa Inggeris.
Apabila ditanya tentang kecenderungan untuk memilih menjawab antara kedua-dua ujian berkenaan, didapati majoriti responden (91.2%) memilih untuk menjawab dengan menggunakan soalan yang telah diubah suai. Jadual 4.15 menunjukkan kecenderungan responden untuk memilih bentuk soalan ujian.
Jadual 4.15 Kecenderungan Responden Untuk Memilih Bentuk Soalan Ujian Ujian asal Ujian Ubah suai Pilihan bentuk soalan 44 (8.8%) 456 (91.2%)
189
4.6
Analisis GENOVA
Analisis data berdasarkan Teori Generalizabiliti dilaksanakan menerusi dua langkah, iaitu kajian generalizabiliti (Kajian -G) dan kajian keputusan (Kajian -D). Kajian -G mengambil kira anggaran kesan setiap komponen varian yang secara relatif terhadap skor responden. Sementara kajian -D pula melibatkan kepelbagaian pengaplikasian reka bentuk yang telah ditentukan hasil
manipulasi komponen varian dalam kajian -G (Brennan, 1993; Shavelson & Webb, 1991).
4.6.1 Kajian -G Dalam kajian ini, objek pengukuran ialah responden. Reka bentuk kajian -G adalah p x i dan komponen varian bagi item ujian asal dan item ujian ubah suai seperti yang dipaparkan dalam jadual 4.16 di bawah bagi ujian asal dan Rajah 4.17 bagi ujian ubah suai.
Facet
(p) (i) pi + e
Jadual 4.16 Komponen Varian Ujian Asal df Jumlah Min Komponen Kuasa dua Kuasa dua Varian 499 14 6986 1287.9333 1299.5620 2769.0000 0.53730 19.80337 0.17232 0.02487 0.00351 0.01173
% Varian 62 9 29
Koeffisien G (p) = 0.676 Jadual 4.16 menunjukkan komponen varian setiap facet yang menyumbang kepada perbezaan skor pelajar. Komponen varian p (pelajar) menyumbang
190
peratusan yang tertinggi daripada jumlah keseluruhan varian, yakni sebanyak 62%, diikuti dengan kombinasi facet pi + e sebanyak 29%. Manakala item menyumbang 9% daripada jumlah keseluruhan.
Jadual 4.17 Komponen Varian Ujian Ubah Suai df Jumlah Min Kuasa Komponen Kuasa dua dua Varian 499 14 6986 2192.2000 2289.6220 3793.0000 0.54900 26.52682 0.17598 0.02400 0.00262 0.01149
% Varian 63 7 30
Sementara hasil ujian ke atas yang diubah suai, masih menunjukkan bahawa komponen varian yang disumbangkan oleh p masih lagi tinggi berbanding facet yang lain. Jadual 4.17 menunjukkan p menyumbang sebanyak 63% daripada jumlah varian keseluruhan. Perbezaan disebabkan item (i) pula menyumbang sebanyak 7% serta kombinasi pi + e menyumbang 30% perbezaan dalam pencapaian.
Daripada kedua-dua ujian ini di dapati varian pelajar adalah tinggi kerana ini menunjukkan secara sistematik berdasarkan kebolehan pelajar berkenaan.
Dalam hal ini, skor pelajar menunjukkan variabiliti skor yang memberikan gambaran bahawa komponen p menyumbang kepada variabiliti skor. Peratusan yang tinggi bagi komponen p menunjukkan skor yang diperolehi disumbangkan oleh faktor pelajar sendiri secara sistematik. Misalnya, seperti
191
faktor pembelajaran yang dilalui. Penurunan peratusan sumbangan facet item daripada 9% kepada 7% menunjukkan penurunan ralat yang disumbangkan oleh item yang menunjukkan item yang telah ubah suai lebih mudah difahami oleh responden. Pertambahan varian kombinasi p,i dan e menunjukkan
adanya kemungkinan interaksi antara item dengan pelajar, yakni ada sebilangan item tertentu menjadi lebih mudah kepada pelajar tertentu misalnya kepada pelajar bandar. Sesetengah item pula masih tidak memberikan
kelebihan kepada pelajar lain. Keadaan ini juga menunjukkan wujud pengaruh faktor lain yang tidak dikaji seperti masalah alat tulis yang dihadapi pelajar dan sebagainya. Lampiran J dan Lampiran K menunjukkan contoh min
Rajah 4.5 (a) dan Rajah 4.5(b) menunjukkan pecahan komponen varian bagi kedua-dua ujian tersebut.
Item 9%
Pelajar 62%
192
Item 7%
Pelajar 62%
terhadap kebolehpercayaan
pengukuran bergantung kepada pertimbangan berikut (Brennan, 1983): i. nilai generalizabiliti secara umum dan sama ada sumber facet yang ditunjukkan dalam kajian adalah mencerminkan keadaan sebenar sampel atau semua populasi. ii. reka bentuk pengukuran atau bagaimana pengukuran itu dijalankan; dan iii. keputusan yang ingin dibuat.
4.6.2 Kajian -D Dalam kajian G, koeffisien G (p) memaparkan tahap perbezaan secara relatif bagi varian ralat (relative error variance). Dalam kajian D koeffisien
193
phi () menunjukkan darjah perbezaan secara mutlak varian ralat (absolute error variance). Berdasarkan Jadual 4.18 dan 4.19 di sebelah menunjukkan perbezaan sumbangan setiap komponen facet dalam menyumbang kepada ralat pengukuran apabila bilangan item bertambah.
Jadual 4.18 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Ujian Asal Item Sumber 1 15 20 30 40 50
0.122 0.101
0.676 0.630
0.736 0.694
0.807 0.773
0.848 0.819
0.874 0.850
Berdasarkan Jadual 4.18, apabila bilangan item ujian bertambah, didapati nilai koeffisien (p
dan ) semakin meningkat. Daripada Jadual di atas
memperlihatkan pertambahan nilai koeffisien semakin berkurangan apabila bilangan item melebihi 40 item. Dengan itu, jumlah item yang dianggap sesuai ialah sebanyak 30 item. Ini kerana walaupun berlakunya pertambahan item lebih daripada 40 item, didapati nilai perbezaan adalah kecil sahaja.
194
Jadual 4.19 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Ujian Ubah Suai
Item Sumber
15
20
30
40
50
0.124 0.100
0.679 0.620
0.739 0.685
0.809 0.765
0.850 0.813
0.876 0.845
Sebagaimana Jadual 4.18, apabila berlaku pertambahan item semakin meningkat nilai koeffisien ujian berkenaan. Daripada Jadual 4.19 didapati nilai p dan telah meningkat. Kesesuaian item berlaku pada tahap bilangan item sebanyak 30 item.
Walau bagaimanapun, apabila analisis lebih terperinci yang melibatkan pemisahan antara soalan objektif dan soalan subjektif bagi kedua-dua ujian berkenaan, terdapat sedikit perbezaan dari segi kesesuaian bilangan item. Jadual 4. 20 menunjukkan perbezaan peratusan sumbangan varian mengikut facet dengan jelas.
195
Jadual 4.20 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Objektif Ujian Asal Item Sumber
p i pi + e
10
20
30
40
50
Koeffisiens Generalizabiliti p
0.10 0.08
0.52 0.48
0.69 0.64
0.77 0.73
0.82 0.78
0.85 0.82
Berdasarkan jadual di atas, kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 30 item bagi ujian asal.
Jadual 4.21 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Subjektif Ujian Asal Item Sumber
p i pi + e
20
30
40
50
Koeffisiens Generalizabiliti p
0.13 0.10
0.43 0.37
0.75 0.70
0.82 0.78
0.86 0.82
0.88 0.85
196
Sementara bagi item subjektif untuk soalan asal kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 20 item.
Jadual 4.22 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item objektif Ujian Ubah suai Item Sumber
p i pi + e
10
20
30
40
50
Koeffisiens Generalizabiliti p
0.13 0.11
0.59 0.54
0.74 0.70
0.81 0.78
0.85 0.82
0.88 0.86
Bagi item objektif untuk soalan ubah suai, kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 20 item.
Jadual 4.23 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Subjektif Ujian Ubah suai Item Sumber
p i pi + e
20
30
40
50
Koeffisiens Generalizabiliti p
0.20 0.14
0.55 0.45
0.83 0.77
0.88 0.83
0.91 0.87
0.92 0.89
197
Bagi item subjektif untuk soalan asal kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 20 item.
Daripada kajian D yang dijalankan ini jelas menunjukkan bahawa penentuan bilangan item yang sesuai bagi sesuatu ujian dapat dikenal pasti dengan lebih tepat dengan berasaskan data yang telah diperolehi. Dalam hal ini terpulang kepada penggubal atau guru untuk menentukan bilangan item untuk ditadbir kepada pelajar dalam mengukur pencapaian pelajar dan seterusnya melaksanakan aktiviti susulan atau lanjutan.
Rajah 4.6 menunjukkan nilai koeffisien G (p) dan koeffisien phi () bagi pertambahan item.
198
4.7
Bagi menentukan skor pencapaian ujian yang mana lebih tinggi antara soalan asal dan soalan ubah suai, skor kedua dua ujian berkenaan di ujian
menggunakan perisian Amos. Hasil ujian seperti dalam Rajah 4.7 di bawah.
6.44, 8.37
5.62, 7.68
Soalan asal
6.28 7.11
Rajah 4.7 Min dan Varian Ujian Asal dan Ujian Ubah suai
Merujuk Rajah 4.7 di atas, didapati min bagi soalan asal adalah lebih rendah daripada min ujian yang telah diubah suai (min ujian asal = 5.62, min ujian ubah suai = 7.45). Begitu juga dengan nilai varian soalan asal (varian soalan asal = 7.68, varian soalan ubah suai = 7.80).
Berdasarkan ujian Amos yang menunjukkan skor pencapaian ujian ubah suai lebih tinggi daripada skor ujian asal, berikutnya analisis model model cadangan skor pencapaian responden dalam ujian matematik dalam kajian ini. Rajah 4.8 di bawah menunjukkan model cadangan yang akan diuji
199
1
e3 F
r3 1 KBI
r1
1
e2 C
Gred BI
1
e1 B
1
Obj
e13
1
e7 BI1 BI6 AtBI
SkorMat
1 1
Subj e14
1
e6
1
e5 BI9 BI15
r2
1
e4
e10
e9
e8
200
Berdasarkan rajah di sebelah persamaan struktural boleh dinyatakan seperti berikut: Gred BI = 1 Kem.BI + 2 AttBI + r1 KBI = 1 AttBI + r3 Skor Mat = 1Gred BI + 2 Kem.BI + 3 AttBI + 4 AttMat + r2
4.8
Beberapa prosedur telah dijalankan bagi analisis awal terhadap model yang dicadangkan. Pertama, spesifikasi model telah diteliti bagi mengenal pasti ciriciri pemboleh ubah sebelum proses estimasi dijalankan. Jadual 4.24 menunjukkan penerangan ringkas cadangan. tentang pemboleh ubah dalam model
201
Jadual 4.24 Pemboleh ubah-Pemboleh ubah Model Cadangan Konstruk Penerangan Skor ujian Gred BI AttMat Skor ujian yang diduduki responden. Gred bahasa Inggeris dalam UPSR. 1. Matematik bukanlah mata pelajaran yang menarik. 5. Saya kurang berminat mempelajari matematik. 11. Belajar matematik adalah membosankan. 13. Matematik adalah salah satu daripada mata pelajaran yang menakutkan saya. 15. Saya tidak mahu mengambil mata pelajaran matematik melainkan diwajibkan mengambil. Memahami bahasa Inggeris. Bercakap dalam bahasa Inggeris Membaca dalam bahasa Inggeris. 1. Bahasa Inggeris bukanlah mata pelajaran yang menarik. 6. Saya tidak akan belajar bahasa Inggeris melainkan diwajibkan mempelajarinya. 9. Saya kurang berminat mempelajari bahasa Inggeris. 15. Bahasa Inggeris adalah salah satu mata pelajaran yang menakutkan saya.
Kemahiran BI
AttBI
Konstruk Eksogenious Kemahiran Bahasa Inggeris F = Kem.BI + e3 C = Kem.BI + e2 B = Kem.BI + e1 Konstruk Eksogenious Sikap terhadap bahasa Inggeris
202
BI1 = BI1Att.BI + e7 BI6 = BI6 Att.BI + e6 BI9 = BI9Att.BI + e5 BI15 = BI15Att.BI + e4 Konstruk Endogenious Sikap terhadap matematik Mat1 = Mat1Att.Mat + e12 Mat5 = Mat5 Att.Mat + e11 Mat11 = Mat11Att.Mat + e10 Mat13 = Mat13Att.Mat + e9 Mat15 = Mat15Att.Mat + e8
Model recursive ini diuji dengan sampel responden seramai 500 orang. Model ini mengandungi 18 parameter yang jelas untuk dianggarkan dengan 84 darjah kebebasan (df). Lineariti sampel data telah disemak menerusi taburan plot bivariat semua pasangan pemboleh ubah yang terlibat dan menunjukkan normal. Sebarang data yang outliers telah dikenal pasti dan diketepikan bagi mengelakkan daripada menjejaskan nilai statistik. Taburan normaliti sampel data turut dijalankan bagi memenuhi keperluan aplikasi SEM.
203
4.9
Normaliti
Andaian asas dalam SEM dan ujian statistik melibatkan taburan data yang normal. Dengan itu normaliti multivariat bagi pemboleh ubah yang terdapat dalam model ini ditentukan terlebih dahulu. Normaliti multivariat
mengandaikan bahawa semua pemboleh ubah dan kombinasi semua pemboleh ubah dalam taburan normal. Taburan yang normal analisis multi variat setiap pemboleh ubah dikira normal apabila nilai skewness dan kurtosis adalah sifar (Anderson & Gerbing, 1988).
Sebelum analisis normaliti menggunakan perisian Amos, hasil ujian normaliti menggunakan perisian SPSS didapati semua item yang dikaji memenuhi taburan normal. Seterusnya, normaliti bagi setiap pemboleh ubah berkenaan dianalisis menggunakan perisian Amos bagi menentukan nilai skewness dan kurtosis bagi setiap pemboleh ubah terlibat. Jadual 4.25 di bawah
204
Jadual 4.25 Normaliti Pemboleh ubah Pemboleh ubah skewness c.r. kurtosis BI 0.143 1.306 -0.490 Skor Obj 0.106 0.966 -0.763 Skor Subj 0.373 3.409 -0.644 BI1 -0.956 -8.723 0.025 BI6 -1.157 -10.565 0.049 BI9 -0.860 -7.854 -0.787 BI15 -0.945 -8.629 -0.362 Mat1 -1.707 -15.585 1.449 Mat5 -1.388 -12.674 0.397 Mat11 -1.508 -13.770 1.100 Mat13 -1.236 -11.286 0.087 Mat15 -1.624 -14.826 1.236 FahamBI -0.087 -0.799 1.000 CakapBI -0.079 -0.725 0.533 BacaBI 0.048 0.438 0.081 Multivariate 41.022
c.r. -2.235 -3.482 -2.938 0.114 0.226 -3.592 -1.651 6.611 1.813 5.022 0.396 5.640 4.563 2.431 0.369 20.309
Pada peringkat univariat, nilai normal bagi skewness dan kurtosis seharusnya antara +2 hingga 2 (Anderson & Gerbing, 1988). Jadual 4.25 memaparkan kebanyakan pemboleh ubah berada dalam lingkungan taburan normal.
Kebanyakan pemboleh ubah adalah pencong negatif melainkan pemboleh ubah kemahiran bahasa Inggeris, gred bahasa Inggeris dan skor ujian.
Sementara nilai kurtosis kebanyakan item adalah mempunyai nilai positif. Analisis multinormaliti terhadap data menggunakan anggaran normal koeffisien Mardia`s (1974) yang terdapat dalam perisian AMOS turut dilaksanakan. Statistik Mardia adalah berdasarkan fungsi skewness dan kurtosis pemboleh ubah dalam kajian ini.
205
Jadual 4.25 juga menunjukkan nilai kurtosis bagi multivariat, iaitu 41.022 merupakan nilai koeffisien Mardia. Nilai ini perlu dibandingkan dengan nilai kritikal (c.r), iaitu 20.309 Jika nilai nilai koeffisien Mardia rendah daripada nilai kritikal (c.r) maka data dikategorikan sebagai multivariat yang normal. Dalam hal ini, nilai koeffisien Mardia, 41.022 adalah lebih besar daripada nilai kritikal (c.r), 20.309. Dalam hal ini taburan data bagi sampel ini adalah tidak normal. Setelah memastikan normaliti data, model cadangan kajian ini dinilai bagi menentukan kesepadanan model (model fit).
4.10
Analisis taburan normaliti jelas menunjukkan bahawa sampel data ini adalah berada dalam taburan tidak normal bagi peringkat multivariat. Keadaan ini memungkinkan statistik khai kuasa dua untuk keseluruhan fit model akan bertambah dan standard error yang digunakan untuk menguji signifikan daripada anggaran setiap parameter akan menurun (Anderson & Gebing, 1988). Bagi menangani masalah ini, perisian Amos untuk menyenaraikan beberapa langkah yang boleh diambil (ACITS, 2000): i. menggunakankan Bootsrapping bagi menentukan kaedah anggaran yang sesuai digunakan; ii. melakukan trianggulasi lebih daripada satu kaedah bagi memilih kaedah yang terbaik;
206
iii.
menilai fit model keseluruhan dengan menggunakan pembetulan nilai p Bollen-Stine; dan
iv.
menggunakan
Bootstrapping
untuk
menghasilkan
anggaran
parameter yang terbaik, standard error daripada anggaran teknik parameter dan ujian yang signifikan bagi setiap parameter.
4.10.1 Bootsrapping Bootsrapping dijalankan bagi menguji data multivariat yang tidak normal. Teknik ini diperkenalkan oleh Elfron (1979, 1982) dan seterusnya
dikembangkan oleh Kotz dan Johnson (1992). Teknik ini adalah prosedur persampelan semula sampel asal sebagai populasi. Kepelbagaian sub sampel dengan ujkuran sampel yang sama dengan sampel asal kemudian diambil secara rawak; dengan pengganti dari populasi. Unsur utama dari bootsrap ialah penyelidik mencipta kepelbagaian sampel dari data sampel yang asal.
Hasil ujian dengan menggunakan Bootsrapping adalah seperti dalam jadual di bawah. Jadual 4.26 Goodness of Fit Model Cadangan df p GFI TLI ML 190.326 84 0.000 0.953 0.945 RMSEA 0.050
Jadual di atas menunjukan nilai = 190.326. Walaupun nilai p menunjukkan nilai < 0.05, namun indeks GFI menunjukkan model berkenaan adalah fit
207
yakni melebihi 0.90 (Byrne, 2001). Sementara nilai TLI juga berada melebihi nilai 0.90. Nilai RMSEA menunjukkan berada di bawah cut-off RMSEA
(<0.08). Keadaan ini menunjukkan bahawa model cadangan ini dapat diterima sebagai fit.
4.10.2 Bollen-Stine Bootsrapping Bagi mengesahkan penerimaan model dengan data sampel, analisis BollenStine Bootsrapping telah dijalankan sebanyak 500 kali bagi taburan data
multivariat yang tidak normal. Hasil daripada analisis Bollen-Stine Bootsrapping terdiri daripada tiga bahagian. Antaranya mengandungi maklumat diagnostik. Hasilnya tidak ada sampel yang dibuang disebabkan tidak boleh mendapatkan penyelesaian ataupun disebabkan matrik kovarian yang tunggal.
Jadual 4.27 menunjukkan maklumat hasil menggunakan analisis Bollen-Stine Bootsrapping. Nilai p yang masih di bawah cut-off 0.05 yang menunjukkan diskripansi signifikan antara model dengan data. Nilai p di bawah 0.005 di sebabkan sampel yang besar memberikan kesan kepada nilai (Byrne, 2001).
Jadual 4.27 Bollen-Stine Bootsrapping Model Cadangan df p Min S.E ML 190.326 84 0.002 93.615 0.749
208
4.10.2 Parameter Model Cadangan Anggaran parameter terhadap skor pencapaian ujian Matematik Tingkatan 2 bagi model kajian ini ditunjukkan seperti dalam Jadual 4.28.
Jalur
AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkotMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj
Nota: = standardized regression weight
0.443 0.450 -0.057 0.262 0.629 0.388 0.094 0.738 0.813 0.833 0.779 0.768 0.797 0.643 0.664 0.764 0.652 0.706 0.584 0.222 0.285
0.609* 0.833* -0.144 0.449 1.000 0.483* 0.064 1.000 1.090* 1.144* 1.178* 1.255* 1.133* 1.046* 1.000 1.293* 1.097* 1.351* 1.000 0.359* 1.000
* p < 0.05
0.086 0.103 0.066 0.308 0.218 0.092 0.066 0.069 0.081 0.087 0.077 0.084 0.113 0.104 0.122 0.094
Jadual 4.28 di atas menunjukkan ringkasan parameter bagi model cadangan yang telah diuji. Nilai boleh dibandingkan secara langsung dalam model ini
209
kerana ia adalah standardized regression weight. Jadual di atas menunjukkan hubungan antara item-item dengan dengan pemboleh ubah yang dikaji. Nilai loading yang ditunjukkan menunjukkan berada pada paras yang signifikan melebihi nilai 0.60 yang menunjukkan bahawa item berkenaan dapat mencerminkan pemboleh ubah yang dikaji. Manakala dari aspek keboleh percayaan konstruk dan dan ekstraks varian bagi kedua-dua konstruk sikap terhadap bahasa Inggeris dan sikap terhadap matematik ditunjukkan seperti formula di bawah. i. Kebolehpercayaan Konstruk Keboleh percayaan = (Jumlah standard loading) . konstruks (Jumlah standard loading) + Jumlah ralat pengukuran Ralat pengukuran = 1 (standard loading) Keboleh percayaan konstruk = (2.843) = 0.80 sikap bahasa Inggeris (2.843) + 1.969
= 0.89 Keboleh percayaan konstruk = (3.916) sikap matematik (3.916) + 1.927 ii. Variance Extracted Variance Extracted = Jumlah kuasa dua standard loading Jumlah kuasa dua standard loading + jumlah ralat pengukuran
Sikap Matematik
210
Berdasarkan nilai kebolehpercayaan di atas, kedua-dua konstruk sikap terhadap bahasa Inggeris dan sikap terhadap matematik ialah masing-masing 0.80 dan 0.89 berada di atas paras yang dicadangkan 0.70 (Byrne, 2001). Sementara Variance Extracted bagi konstruks bahasa Inggeris dan matematik ialah 0.94 dan 0.61 yang melebihi indeks yang dicadangkan (0.50).
Jadual 4.28 juga menunjukkan terdapat beberapa faktor peramal yang signifikan terhadap pencapaian ujian matematik Tingkatan 2. Faktor peramal yang mempengaruhi skor pencapaian ujian secara signifikan ialah AttMat ( = 0.629) dan Kem.BI ( = 0.388). Aspek lain seperti kesan yang signifikan Kem.BI terhadap BI (=0.450), pengaruh AttBI terhadap Kem.BI ( =
0.443). Sementara dari segi korelasi antara AttBI dan AttMat mempunyai hubungan korelasi yang signifikan (r = 0.422) bagi kedua-dua ujian asal dan ubah suai.
Jadual 4.29 Squared Multiple Correlation Pemboleh Ubah Endogeneous Pemboleh ubah Terikat R
211
bagi
pemboleh ubah endogeneous dengan nilai pecahan varian bagi faktor meramal terhadap pemboleh ubah terikat. Faktor peramal yang menyumbang Kem.BI ialah 20%, sebanyak 18% varian dalam menerangkan BI. 99% varian dapat menerangkan skor pencapaian ujian matematik.
4.11
Bagi memastikan model cadangan ini dapat menepati data kajian, model berkenaan dianalisis semula menggunakan data lain untuk penentuan ukuran (calibration) dan pengesahan (validation) model berkenaan. Analisis ini
dijalankan bagi memastikan sama ada model berkenaan stabil dan konsisten dan diterima seperti yang dicadangkan oleh Tabachnick & Fidell (1993). Menurut Boomsma (2000) replikasi atau pengesahan silang (cross validation) harus dijalankan terhadap data alternatif atau sebagai bootsrapping bagi memastikan keputusan yang diperolehi adalah tekal.
4.11.1 Penentu ukuran Model Cadangan (Model Calibration) Bagi memastikan keputusan yang diperolehi tekal, model cadangan yang telah diterima pada peringkat analisis awal telah diuji kepada 250 orang sampel kumpulan pertama yang dipilih secara rawak daripada sampel sebenar. Hasil daripada ujian terhadap model tersebut seperti ditunjukkan dalam Jadual 4.30 di bawah.
212
Jadual 4.30 Penentu ukuran (Calibration) Goodness of Fit Model Cadangan Maksimum Likelihood (ML) Bollen-Stine Bootsrap 165.75 df 84 p 0.000 GFI 0.919 TLI 0.921 RMSEA 0.063 Min 95.071 S.E 0.817 p 0.004
Jadual di atas menunjukan nilai = 165.75. Walaupun nilai p menunjukkan nilai < 0.05, namun indeks GFI dan TLI menunjukkan model berkenaan adalah fit yakni melebihi 0.90 (Byrne, 2001). Nilai RMSEA menunjukkan berada di bawah cut-off RMSEA (<0.08). Keadaan ini menunjukkan bahawa analisis bagi menentukan ukuran terhadap model cadangan ini dapat diterima sebagai fit data.
Jadual 4.31 Parameter Penentu Ukuran Model Cadangan Maximum Likelihood Beta 0.646* 0.866* -0.216 0.250 0.866* 0.279 0.048 1.000 1.040* 1.057* 1.134* 1.367* 1.147* 1.026* 1.000 1.220* 1.132* 1.292* S.E 0.123 0.134 0.184 0.345 0.341 0.247 0.113 0.088 0.089 0.111 0.124 0.107 0.114 0.139 0.135 0.154
213
Jalur AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkotMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9
0.447 0.513 -0.089 0.199 0.725 0.319 0.094 0.766 0.801 0.805 0.749 0.824 0.793 0.648 0.675 0.761 0.701 0.704
0.220 -
Jadual 4.31 di atas menunjukkan parameter bagi penentu ukuran model cadangan. Didapati parameter pemboleh ubah yang signifikan dalam meramal pencapaian matematik hanyalah sikap terhadap matematik ( = 0.725). Sementara aspek lain yang signifikan ialah Kem.BI terhadap BI ( = 0.866) dan pengaruh AttBI terhadap Kem.BI ( = 0.646).
Jadual 4.32 Squared Multiple Correlation Penentu Ukuran Pemboleh Ubah Endogeneous Model Cadangan Pemboleh ubah Terikat R
Dari segi pemboleh ubah yang dapat meramal skor ujian pencapaian matematik pula, jadual 4.29 menunjukkan 98% varian dapat menjelaskan skor matematik dan masing-masing 20% dan 23% bagi kemahiran bahasa Inggeris dan gred bahasa Inggeris. Keadaan ini menunjukkan perbezaan yang ketara antara analisis awal model cadangan dengan analisis bagi menentukan ukuran fit ini.
214
4.11.2 Pengesahan Model Cadangan (Model Validation) Model cadangan yang telah dianalisis bagi menentukan ukuran berkenaan diterima melalui analisis selanjutnya bagi memastikan model berkenaan benarbenar sah (valid). Pengesahan model cadangan ini menggunakan 250 responden daripada kumpulan 2 yang dipilih secara rawak daripada sampel sebenar. Hasil analisis bagi menentukan kesahan model itu diterima ditunjukkan dalam jadual di bawah.
Jadual 4.33 Pengesahan (Validation) Goodness of Fit Model Cadangan Maksimum Likelihood (ML) Bollen-Stine Bootsrap 110.13 df 84 p 0.029 GFI 0.948 TLI 0.972 RMSEA 0.035 Min 94.839 S.E 0.824 p 0.208
Jadual di atas menunjukan nilai = 110.13. Nilai p masih menunjukkan berada pada nilai < 0.05, namun indeks GFI dan TLI menunjukkan model berkenaan adalah fit yakni melebihi 0.90 (Byrne, 2001). Nilai RMSEA RMSEA (<0.08). Keadaan ini
Jadual 4.33 juga menunjukkan maklumat hasil menggunakan analisis BollenStine Bootsrapping. Nilai p berada di atas cut-off 0.05 yang menunjukkan bahawa model fit dengan data (Byrne, 2001).
215
Jadual 4.34 Parameter Pengesahan Model Cadangan Maximum Likelihood Beta 0.555* 0.787* -0.045 0.696 1.058* 0.804* 0.079 1.000 1.153* 1.255* 1.209* 1.140* 1.106* 1.057* 1.000 1.342* 1.069* 1.396* 1.000 0.235* 1.000
* p < 0.05
Jalur AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkorMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj
Nota: = standardized regression weight
S.E 0.116 0.161 0.205 0.497 0.391 0.357 0.138 0.101 0.108 0.116 0.120 0.107 0.122 0.178 0.157 0.190 0.091 -
0.432 0.384 -0.017 0.312 0.523 0.463 0.093 0.706 0.824 0.866 0.807 0.715 0.798 0.637 0.659 0.758 0.613 0.706 0.552 0.189 0.359
Jadual 4.34 di atas menunjukkan parameter bagi pengesahan model cadangan. Didapati parameter pemboleh ubah yang signifikan dalam meramal pencapaian matematik ialah sikap terhadap matematik ( = 0.523) dan
kemahiran bahasa Inggeris ( = 0.463). Aspek lain yang signifikan ialah Kem.BI terhadap BI ( = 0.432) dan pengaruh AttBI terhadap Kem.BI ( = 0.384). Sementara sikap terhadap bahasa Inggeris tidak signifikan terhadap skor pencapaian matematik. Hubungan antara sikap terhadap matematik dan bahasa Inggeris didapati juga signifikan ( = 0.421).
216
Jadual 4.35 Squared Multiple Correlation Pengesahan Pemboleh Ubah Endogeneous Model Cadangan Pemboleh ubah Terikat R
Jadual 4.35 menunjukkan nilai Regresi atau R daripada pemboleh ubah endogenious yang menghasilkan nilai mewakili nisbah varian dalam pemboleh ubah bersandar yang dapat dijelaskan oleh pemboleh ubah bebas. Peramalpermal skor pencapaian matematik (Skor Mat) mampu menganggar sehingga 99.4% aspek yang mempengaruhi skor ujian matematik dan peramal
kemahiran bahasa Inggeris dan gred bahasa Inggeris masing-masing sebanyak 18.6% dan 14.2%.
4.12
Ujian Hipotesis
Setelah model keseluruhan telah diuji bagi menentukan model fit dengan data utama, model ini diuji secara serentak bagi memastikan sama ada model ini fit data berdasarkan kumpulan sampel lokasi sekolah luar bandar dan sekolah bandar. Sampel pelajar terdiri daripada masing-masing 250 orang responden dari sekolah luar bandar dan sekolah bandar. Analisis serentak dijalankan bagi menguji kumpulan pelajar mengikut jantina. Analisis secara serentak bagi kedua-dua kumpulan telah dijalankan dengan menggunakan perisian Amos
217
yang mampu untuk menentukan model fit dengan data daripada pelbagai kumpulan dalam satu masa. Kelebihan menggunakan analisis SEM bagi tujuan analisis dua sampel data secara serentak ialah dapat: 1. menghasilkan parameter yang lebih tepat berbanding dengan analisis secara terpisah untuk setiap kumpulan, dan 2. mengasilkan ujian yang lebih signifikan seandainya terdapat perbezaan antara kumpulan pelajar luar bandar dan pelajar bandar. (Arbuckel & Wothke, 1999)
Analisis yang dijalankan ini terbahagi kepada dua model, iaitu Model A dan Model B. Analisis Model A dibuat secara serentak secara menyeluruh bagi memeriksa sama ada model yang telah dicadangkan boleh fit dengan keduadua kumpulan luar bandar dan bandar serta lelaki dan perempuan. Analisis Model B dilakukan dengan tujuan untuk memastikan kewujudan perbezaan perbezaan yang signifikan bagi setiap parameter. Analisis dijalankan dengan memasukkan atau menyamakan (constraint) setiap parameter dalam satu kumpulan kepada kumpulan yang lain.
4.12.1 Analisis Menyeluruh Model Fit Mengikut Kumpulan Pelajar Lokasi Luar Bandar Dan Bandar Model A Analisis secara serentak bagi kedua-dua kumpulan responden luar bandar (N=250) dan bandar (N=250) ini bertujuan memastikan sama ada model yang
218
diubah suai adalah secocok dengan kedua-dua kumpulan. Jadual menunjukkan dapatan daripada analisis yang dijalankan oleh AMOS.
4.36
Jadual 4.36 Goodness of Fit Analisis Serentak Model A Mengikut Lokasi Maksimum Likelihood (ML) Bollen-Stine Bootsrap 351.92 df 168 p 0.000 GFI 0.916 TLI 0.911 RMSEA 0.047 Min 188.97 S.E 1.190 p 0.002
Berdasarkan Jadual 4.36 nilai statistik likelihood ratio chi-square, =351.92, df=168, p=0.000 menunjukkan bahawa model ini adalah signifikan. Namun begitu nilai GFI dan TLI menunjukkan berada di atas daripada >0.90 dan nilai RMSEA ialah 0.047 masih berada dibawah cut-off (0.08) yang dibenarkan menunjukkan masih fit (Byrne, 2001). Oleh sebab model ini fit dengan data kedua-dua kumpulan. Dengan itu menunjukkan bahawa data adalah daripada populasi yang sama. Oleh itu hipotesis yang menyatakan bahawa tidak terdapat perbezaan antara kumpulan sampel pelajar sekolah luar bandar dan bandar adalah diterima sebagai benar. Dengan itu model berkenaan boleh menerangkan fenomena yang berlaku dalam ujian pencapaian matematik tingkatan 2 sama ada bagi sekolah luar bandar atau sekolah di bandar.
4.12.2 Parameter Model A Mengikut Lokasi Sekolah Jadual 4.37 memaparkan anggaran parameter bagi responden sekolah luar bandar dan bandar. Parameter AttMat SkorMat ( = 0.561) adalah
219
mempunyai nilai yang tinggi berbanding parameter antara pemboleh ubah yang lain bagi lokasi sekolah luar bandar. Manakala yang paling rendah ialah parameter AttBI BI ( = -0.089) dan ia tidak signifikan.
Jadual 4.37 Parameter Model A Mengikut Lokasi Sekolah Maximum Likelihood Beta 0.492* 0.708* -0.242 1.203* 1.090* 0.397 0.037 1.000 1.132* 1.098* 0.995* 1.055* 0.924* 0.854* 1.000 1.474* 1.211* 1.336* 1.000 0.382* 1.000 S.E 0.128 0.127 0.195 0.451 0.299 0.223 0.109 0.091 0.090 0.077 0.086 0.073 0.086 0.181 0.159 0.175 0.084 -
Jalur Luar Bandar AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkotMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj Bandar AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkotMat Kem.BI Baca Kem.BI Cakap
0.315 0.406 -0.089 0.452 0.561 0.233 0.037 0.757 0.854 0.816 0.812 0.772 0.796 0.638 0.766 0.778 0.676 0.680 0.572 0.354 0.460
220
Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj
Nota: = standardized regression weight
0.851 0.749 0.763 0.800 0.652 0.526 0.754 0.602 0.747 0.606 0.120 0.186
1.208* 1.556* 1.650* 1.548* 1.434* 1.000 1.089* 0.931* 1.371* 1.000 0.276 1.000
* p < 0.05
BI
adalah signifikan bagi kedua-dua lokasi sekolah. Nilai kedua- dua parameter berkenaan bagi sekolah bandar adalah lebih tinggi daripada lokasi sekolah luar bandar. Sementara AttBI Skor Mat dan AttMat SkorMat adalah
signifikan bagi sekolah luar bandar sebaliknya tidak signifikan bagi sekolah bandar. Korelasi antara pemboleh ubah AttMat AttBI bagi kedua-dua kumpulan adalah signifikan (Luar Bandar = 0.587 dan Bandar = 0.233).
Jadual 4.38 Squared Multiple Correlation Pemboleh Ubah Endogeneous Model A Pemboleh ubah R R Terikat Luar Bandar Bandar Kem.BI BI Skor Mat 0.100 0.150 0.995 0.361 0.242 0.978
221
Jadual 4.38 di atas menunjukkan peramal Kem.BI dapat dijelaskan sebanyak 10% bagi sekolah luar bandar berbanding hanya 36% bagi sekolah bandar. Bagi kumpulan sekolah luar bandar, peramal bagi skor ujian menyumbang sebanyak 99.5% dan 97.8% bagi sekolah bandar.
4.12.3 Anggaran Parameter Pelajar Lokasi Luar Bandar Dan Bandar Mengguna Model B Anggaran parameter yang berbeza bagi kedua-dua kumpulan sekolah luar bandar dan bandar seperti yang ditunjukkan dalam Jadual 4.36 diuji semula dalam model B dengan menyamakan (constraint) parameter kedua-dua data berkenaan bagi mengetahui sama ada perbezaan berkenaan adalah signifikan atau masih berada dalam lingkungan kesilapan persampelan (error sampling). Analisis dijalankan dengan menggantikan setiap parameter dalam kumpulan pelajar luar bandar dengan parameter pelajar. Dalam erti kata lain, setiap nilai dalam kumpulan luar bandar digantikan dengan parameter bandar. Jadual 4.38 menunjukkan dapatan daripada analisis yang dijalankan oleh AMOS.
Jadual 4.39 Goodness of Fit Analisis Serentak Model B Mengikut Lokasi Maksimum Likelihood (ML) Bollen-Stine Bootsrap 400.98 df 178 p 0.000 GFI 0.905 TLI 89.8 RMSEA 0.050 Min 197.84 S.E 1.201 p 0.002
222
Berdasarkan Jadual 4.38 nilai statistik likelihood ratio chi-square, =351.92, df=168, p=0.000 menunjukkan bahawa model ini adalah signifikan. Namun begitu nilai GFI berada di atas daripada >0.90 dan nilai RMSEA ialah 0.047 masih berada dibawah cut-off (0.08) yang dibenarkan menunjukkan masih fit (Byrne, 2001). Ini menunjukkan bahawa nilai parameter bagi kedua-dua kumpulan adalah fit. Keadaan ini memberikan gambaran bahawa perbezaan bagi kedua kumpulan berkenaan adalah tidak signifikan.
Jadual 4.40 Perbezaan Parameter Pelajar Luar Bandar dan Bandar Luar Bandar () Kem.BI BI AttBI Kem.BI AttBI BI AttBI SkorMat Kem.BI SkorMat AttMat SkorMat BI SkorMat AttBI AttMat 0.474* 0.413* -0.044 0.350* 0.320* 0.614* 0.088 0.420* Bandar () 0.436* 0.541* -0.053 0.360* 0.251* 0.632* 0.075 0.420*
Berdasarkan jadual di atas, menunjukkan bahawa perbezaan hanyalah pada tinggi atau rendahnya nilai kedua lokasi berkenaan. Hanya nilai parameter Kem.BI BI sekolah luar bandar yang lebih tinggi daripada sekolah bandar.
223
Sebaliknya parameter yang signifikan lain menunjukkan nilai bagi pelajar bandar lebih tinggi. Kajian juga mendapati nilai AttBI BI adalah negatif
bagi kedua-dua lokasi sekolah berkenaan dan tidak signifikan. Nilai GFI, CFI dan TLI yang berada pada paras >0.90 serta nilai RMSEA = 0.05 berada kurang daripada nilai 0.08 menunjukkan model ini ini fit bagi kedua kumpulan responden. Dengan itu menunjukkan bahawa tidak terdapat perbezaan yang signifikan bagi kedua-dua kumpulan pelajar. Pemboleh ubah yang signifikan bagi pelajar luar bandar didapati signifikan dengan pelajar bandar. Jadual 4.41 Squared Multiple Correlation Pemboleh Ubah Endogeneous Model B Pemboleh ubah R R Terikat Luar Bandar Bandar Kem.BI BI Skor Mat 0.171 0.209 0.992 0.293 0.168 0.992
Apabila parameter disamakan, peramal skor ujian matematik (SkorMat) mampu menganggar sehingga 99% bagi sekolah luar bandar dan bandar. Sementara Kem.BI pula ialah 17% bagi luar bandar dan 29% bandar serta masing-masing 21% dan 17% bagi sekolah luar bandar dan bandar dapat menjelaskan gred bahasa Inggeris (BI).
224
4.12.4 Analisis Menyeluruh Model Fit Jantina Lelaki Dan Perempuan Model A Analisis serentak ini bertujuan untuk memastikan sama ada model cadangan adalah fit mengikut kumpulan jantina. Memandangkan jantina adalah pemboleh ubah diskret, ia adalah sesuai bagi SEM untuk membandingkan kumpulan pelajar lelaki (N = 225) dan kumpulan pelajar perempuan (N = 275).
Jadual 4.42 menunjukkan keputusan hasil anggaran menggunakan Maximum Likelihood. Statistik Maximum Likelihood menunjukkan model fit dengan data bagi kedua-dua kumpulan lelaki dan perempuan. Nilai = 340.77, df 168, p = 0.000. Nilai RMSEA kedua-dua jantina bagi kedua-dua ujian adalah kurang daripada 0.08 yang menunjukkan model adalah fit. Begitu juga nilai TLI dan GFI yang melebihi daripada 0.90 yang menentukan kriteria model ini adalah fit (Byrne, 2001). Jadual 4.42 Goodness of Fit Analisis Serentak Model A Mengikut Jantina Maksimum Likelihood (ML) Bollen-Stine Bootsrap 340.77 df 168 p 0.000 GFI 0.919 TLI 0.912 RMSEA 0.045 Min 187.48 S.E 1.189 p 0.002
Analisis Bollen-Stine Bootsrap pula menunjukkan nilai min = 187.48, standard error = 1.189 dan p < 0.05. Nilai -p yang masih kecil disebabkan yang sensitif dengan bilangan sampel yang besar (Byrne, 2001).
225
Keadaan ini jelas menunjukkan bahawa model berkenaan adalah fit dengan data kumpulan lelaki dan perempuan. Ini menunjukkan responden adalah daripada kumpulan populasi yang sama. Peramal yang dapat meramal pencapaian pelajar lelaki dapat meramal juga pencapaian pelajar perempuan dalam ujian matematik.
4.12.5 Parameter Model Cadangan Bagi Jantina Jadual 4.43 memaparkan anggaran parameter bagi responden lelaki dan
perempuan. Bagi kumpulan lelaki, faktor peramal Att.BI (=0.549) dan AttMat (=0.465) adalah signifikan dalam meramal pencapaian matematik Tingkatan 2. Sementara bagi pelajar perempuan pula faktor peramal Kem.BI (=0.696) dan AttMat (=0.687) adalah signifikan dengan skor matematik. Begitu juga bagi kumpulan pelajar perempuan. Bagaimanapun nilai bagi pelajar perempuan lebih tinggi daripada pelajar lelaki
Jadual 4.43 Parameter Model Cadangan Mengikut Jantina Maximum Likelihood Beta 0.567* 0.940* -0.098 0.977* 0.792* 0.131 0.186 S.E 0.109 0.137 0.163 0.417 0.339 0.305 0.148
Jalur Lelaki AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkorMat
226
Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj Perempuan AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkotMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj
Nota: = standardized regression weight
0.752 0.842 0.856 0.836 0.743 0.855 0.675 0.674 0.750 0.713 0.704 0.674 0.253 0.354
1.000 1.173* 1.217* 1.189* 1.130* 1.161* 0.985* 1.000 1.174* 1.117* 1.210* 1.000 0.349* 1.000
0.097 0.099 0.110 0.115 0.106 0.109 0.130 0.128 0.140 0.114 -
0.415 0.363 0.086 -0.019 0.687 0.696 -0.133 0.719 0.765 0.810 0.710 0.806 0.715 0.632 0.663 0.769 0.566 0.689 0.513 0.183 0.265
0.640* 0.676* 0.247 -0.038 1.208* 0.881* -0.091 1.000 0.982* 1.072* 1.143* 1.420* 1.064* 1.175* 1.000 1.352* 0.958* 1.434* 1.000 0.304* 1.000
* p < 0.05
0.142 0.140 0.201 0.503 0.426 0.347 0.141 0.091 0.097 0.115 0.130 0.106 0.126 0.181 0.144 0.198 0.131
BI menunjukkan
227
AttBI
Jadual 4.44 Squared Multiple Correlation Pemboleh Ubah Endogeneous Pemboleh ubah Terikat R Lelaki Kem.BI 0.200 BI 0.283 0.993 Skor Ujian Perempuan Kem.BI BI Skor Ujian
Jadual 4.44 di atas menunjukkan varian faktor yang meramal Kem.BI sebanyak 20% bagi pelajar lelaki dan hanya 16.4% bagi pelajar perempuan. Bagi kumpulan pelajar lelaki faktor peramal (Kem.BI, BI, AttBI dan AttMat) menyumbang 99.3% dalam skor ujian adalah lebih tinggi daripada pelajar perempuan (98.8%). Sementara bagi faktor peramal Kem.BI dan AttBI menyumbang masing-masing 28.3% dalam Gred BI bagi kumpulan pelajar lelaki berbanding 16.4% bagi pelajar perempuan.
228
4.12.6 Anggaran Parameter Jantina Lelaki Dan Perempuan Mengguna Model B Seperti analisis Model B bagi pelajar bandar dan luar bandar, analisis Model B bagi pelajar lelaki dan perempuan menjalani proses analisis yang sama. Setiap parameter model bagi pelajar lelaki disamakan (constraint) dengan data pelajar perempuan.
Jadual 4.45 menunjukkan keputusan hasil anggaran menggunakan Maximum Likelihood. Statistik Maximum Likelihood menunjukkan model fit dengan data bagi kedua-dua kumpulan lelaki dan perempuan. Nilai = 361.89, df 178, p = 0.000. Nilai RMSEA kedua-dua jantina bagi kedua-dua ujian adalah kurang daripada 0.08 yang menujukkan model adalah fit. Begitu juga nilai TLI dan GFI yang melebihi daripada 0.90 yang menentukan kriteria model ini adalah fit (Byrne, 2001). Jadual 4.45 Goodness of Fit Analisis Serentak Model B Mengikut Jantina Maksimum Likelihood (ML) Bollen-Stine Bootsrap 361.89 df 178 p 0.000 GFI 0.915 TLI 0.912 RMSEA 0.046 Min 199.81 S.E 1.295 p 0.002
Analisis Bollen-Stine Bootsrap pula menunjukkan nilai min = 199.81, standard error = 1.295 dan p < 0.05.
229
Jadual 4.46 Perbezaan Parameter Mengikut Jantina Lelaki Perempuan ( ) ( ) Kem.BI BI AttBI Kem.BI AttBI BI AttBI SkorMat Kem.BI SkorMat AttMat SkorMat BI SkorMat AttBI AttMat df GFI CFI TLI RMSEA 0.402* 0.481* 0.020 0.326 0.416* 0.591* 0.028 0.400 361.891 178 0.915 0.925 0.912 0.046 0.464* 0.436* 0.021 0.334 0.369* 0.605* 0.027 0.400
Jadual 4.46 menunjukkan sesetengah nilai parameter bagi lelaki lebih tinggi daripada pelajar perempuan begitu juga sebaliknya. Pemboleh ubah yang signifikan dengan pelajar lelaki didapati signifikan juga dengan pelajar perempuan.
Sementara nilai
indeks GFI, CFI dan TLI yang berada pada paras lebih
daripada > 0.90 dan nilai RMSEA = 0.046 (dibawah paras 0.08) menunjukkan bahawa model fit dengan kedua-dua jantina. Keadaan ini menunjukkan bahawa perbezaan nilai bagi kedua-dua kumpulan pelajar adalah tidak signifikan.
230
Jadual 4.47 Squared Multiple Correlation Pemboleh Ubah Endogeneous Pemboleh ubah Terikat R Lelaki 0.161 Kem.BI 0.239 BI 0.992 Skor Ujian Perempuan Kem.BI BI Skor Ujian
Jadual 4.47 di atas menunjukkan varian faktor yang meramal Kem.BI sebanyak 16% bagi pelajar lelaki dan hanya 21% bagi pelajar perempuan. Bagi kumpulan pelajar lelaki faktor peramal (Kem.BI, BI, AttBI dan AttMat) menyumbang 99.2% dalam skor ujian matematik adalah lebih tinggi daripada pelajar perempuan (98.2%). Sementara bagi faktor peramal Kem.BI dan AttBI menyumbang masing-masing 24% dalam Gred BI bagi kumpulan pelajar lelaki berbanding 20% bagi pelajar perempuan.
4.13
Kesimpulan
Secara keseluruhannya Bab 4 ini telah memaparkan dapatan analisis kajian terhadap skor pencapaian matematik Tingkatan 2. Umumnya, skor pencapaian bagi soalan yang telah diubah suai adalah lebih tinggi daripada skor ujian soalan asal. Keadaan ini memberikan petunjuk bahawa soalan ubah suai dapat membantu dalam meningkatkan skor pencapaian pelajar.
231
Analisis GENOVA menunjukkan bahawa penambahan bilangan item soalan dan penambahan bilangan item dalam dalam soalan ujian dapat meningkatkan lagi nilai koeffisien G dan koeffisien Phi skor ujian berkenaan. Malah pengubahsuaian item juga dapat mengurangkan sumbangan varian item dan meningkatkan peratusan varian pelajar selaras dengan Teori Generalizabiliti
Sementara analisis SEM pula menunjukkan model fit dengan data kajian sama ada bagi kumpulan pelajar luar bandar atau bandar mahupun pelajar lelaki dan perempuan serta menjelaskan bahawa sikap terhadap matematik dan sikap terhadap bahasa Inggeris memberikan kesan yang signifikan terhadap skor pencapaian matematik Tingkatan 2 bagi pelajar luar bandar serta pelajar lelaki dan perempuan.
232