STATISTIK ASAS TAJUK 6

TAJUK 6

STATISTIK ASAS

PENGENALAN
Pengukuran melibatkan pengumpulan data yang banyak daripada ujian/inventori yang digunakan. Statistik dapat membantu kita untuk merumuskan data yang banyak ini kepada bentuk lain yang mudah kita faham, seperti grafik atau angka rumusan. Kita pernah mengira purata (angka rumusan) bagi angka-angka yang banyak untuk mencari nilai tengah angkaangka ini. Kita juga pernah mencari angka terkecil dan angka terbesar dan juga julat antara kedua-dua angka ini, untuk mencari perbezaan terbesar antara angka-angka tersebut. Purata dan julat bagi angka-angka ini adalah maklumat yang boleh membantu kita memahami taburan angka-angka tersebut, iaitu seperti angka terkecil, angka tengah, angka terbesar dan julatnya. Tajuk ini akan membincangkan beberapa kaedah asas statistik (basic statistical methods) yang diperlukan untuk menganalisis skor/data daripada ujian/inventori.

OBJEKTIF
Di akhir tajuk ini, anda seharusnya dapat: 1. menjelaskan pengertian dan penggunaan statistik; 2. menjelaskan dan melukis kekerapan, histogram dan carta pai; 3. melukis poligon dan ogif serta menjelaskan dan mengira persentil. 4. menjelaskan dan mengira ukuran memusat dan serakan serta skor piawai; dan 5. menjelaskan dan mengira pekali korelasi dan regresi linear mudah.

PETA MINDA

110

OUM

TAJUK 6 STATISTIK ASAS

6.1

PENGERTIAN DAN PENGGUNAAN STATISTIK

Statistik mempunyai pelbagai kepentingan dalam pelbagai organisasi. Biasanya sekumpulan pegawai penyelidik akan dilantik untuk menganalisis data yang ada berdasarkan kelayakan dan kepakaran mereka. Sebagai seorang guru, apakah skil dan kemahiran yang anda perlukan untuk mendapatkan statistik yang tepat dan boleh dipercayai? Statistik digunakan dalam pelbagai bidang yang dengan sendirinya memberikan pengertian yang tertentu. Kepada orang ramai, statistik bermaksud “angka” yang direkodkan mengikut kategori tertentu”. Contohnya, statistik kemalangan jalan raya memberikan kita maklumat tentang kemalangan jalan raya, yang pecahkan kepada beberapa kategori, seperti maut, cedera parah, cedera ringan dan sebagainya. Jabatan Kaji Cuaca, misalnya, memberikan statistik hujan/ramalan hujan setiap bulan. Pihak sekolah pula memberikan statistik pencapaian pelajar, misalnya, bilangan pelajar yang mendapat gred tertentu dalam peperiksaan SPM. Kepada mereka yang menjalankan kajian pula, statistik merupakan kaedah yang boleh digunakan untuk menganalisis data kajian. Kepada ahli-ahli statistik, statistik merupakan satu bidang matematik yang dapat menghasilkan teori dan kaedah untuk menganalisis data. Kesimpulannya, statistik bererti satu set teori dan kaedah yang boleh digunakan untuk memahami data. Dalam bidang pendidikan, statistik boleh diguna untuk menyampaikan maklumat dalam pelbagai situasi. Seperti contoh yang diberikan lebih awal, statistik boleh diguna untuk menunjukkan taburan pelajar mengikut pencapaian. Maklumat ini boleh dibentang dengan menggunakan jadual atau grafik seperti histogram/carta pai. Seterusnya, jika seseorang penyelidik ingin melihat hubungan antara dua pembolehubah, contohnya antara lama masa belajar dengan pencapaian, kaedah statistik korelasi boleh gunakan untuk mengira kekuatan hubungan ini. Statistik juga boleh digunakan untuk menguji hipotesis tertentu, misalnya menguji sama ada wujud hubungan antara lama masa belajar dengan pencapaian. Selain menguji hubungan, kaedah statistik boleh digunakan untuk menguji perbezaan antara dua min atau lebih, iaitu dengan menggunakan ujian-t atau ANOVA.

Rajah 6.1 : Kegunaan statistik

OUM

111

Sebahagian daripada statistik-statistik ini dibincangkan dalam bahagian-bahagian berikut.STATISTIK ASAS TAJUK 6 Seterusnya. seperti mereka bentuk eksperimen.1.1: Markah Ujian 50 Orang Pelajar 2 5 3 8 5 5 6 5 4 7 4 2 6 9 3 1 7 4 6 5 6 8 0 5 6 3 6 7 4 2 7 4 8 7 8 5 2 5 1 4 4 9 3 5 3 7 5 6 10 6 Latihan 6. Jadual kekerapan dan histogram boleh disedia dengan menggunakan data asal atau data yang dikumpulkan ke dalam beberapa kelas. Salah satu kaedah merumuskan data ialah menyediakan jadual taburan data asal dengan menggunakan kekerapan dan peratus. Jadual 6. Markah asal diberikan dalam Jadual 6. Terdapat dua jenis statistik yang digunakan dalam bidang pendidikan. 112 OUM .2 : Statistik yang digunakan dalam pendidikan 6.2 KEKERAPAN. dan juga melukis histogram taburannya. dan statistik inferensi yang digunakan untuk menguji hipotesis. kita gunakan taburan markah ujian mingguan bagi 50 orang pelajar yang markah penuhnya ialah 10. Pengetahuan statistik juga dapat digunakan oleh guru untuk memahami kajian-kajian yang ditulis dalam bentuk empirikal. iaitu statistik deskriptif yang digunakan untuk menjelaskan sesuatu ukuran (seperti min dan sisihan piawai). dan menentukan kaedah analisis data yang sesuai untuk sesuatu reka bentuk. misalnya dalam bentuk jadual atau grafik. kaedah statistik digunakan untuk mengira indeks kebolehpercayaan. Sebagai contoh.1 Susunkan data dalam Jadual 6.1 daripada yang terkecil kepada yang terbesar. indeks kesahan atau indek kesahan ramalan. HISTOGRAM DAN CARTA PAI Selepas data mentah dikumpul ia perlu dirumuskan dalam bentuk yang mudah difaham. penyelidik memerlukan pengetahuan statistik untuk mereka bentuk (design) sesuatu penyelidikan. Dalam bidang pengukuran pula. Rajah 6.

1 Taburan Kekerapan Seterusnya. yang sepatutnya berjumlah 50 (jumlah pelajar).2 Histogram Histogram ialah rajah berbentuk kotak yang dilukis dengan paksi-Y menunjukkan kekerapan dan paksi-X menunjukkan markah yang diperoleh pelajar.2. yang sepatutnya berjumlah 100 (jumlah %). Peratus kekerapan boleh diguna untuk menjelaskan bilangan pelajar yang mendapat markah tertentu. Kekerapan boleh dikira dengan mudah daripada markah yang disusun (lihat jawapan Latihan 6. “tinggi” sesuatu kotak itu menunjukkan kekerapan/bilangan pelajar yang mendapat “markah” tertentu.2.TAJUK 6 STATISTIK ASAS 6. Taburan kekerapan ini juga boleh dibentang dalam bentuk grafik. misalnya bilangan pelajar yang mendapat 5 markah ialah 10.3. dan menjumlahkan lajur “Peratus”. Kekerapan ini dimasukkan dalam jadual (Jadual 6. seramai 10 orang pelajar (20%) telah mendapat 5 markah. kekerapan markah ini (bilangan pelajar yang mendapat markah tertentu) dan peratus pelajar yang mendapat markah tersebut ditunjukkan dalam Jadual 6. Jadual 6. misalnya histogram. kita perlu menjumlahkan lajur “Kekerapan”.1). misalnya. OUM 113 .2). Dalam rajah ini.2 : Taburan Kekerapan Markah Ujian 6.2. Sebagai langkah semakan. Histogram bagi taburan markah ujian mingguan di atas ditunjukkan dalam Rajah 6. selain memberikan kekerapan. Peratusnya dikira dengan membahagikan setiap kekerapan dengan 50 dan didarabkan dengan 100.

4. Biasanya bilangan kelas adalah di antara tujuh (7) hingga 10 kelas. 114 OUM . iaiitu seperti yang ditunjukkan dalam Rajah 6. “jeda kelas” menunjukkan markah-markah yang dimasukkan dalam kelas tersebut.2) terdiri daripada 11 markah.STATISTIK ASAS TAJUK 6 Rajah 6. sementara taburan kekerapan berkelas hanya terdiri daripada lima (5) kelas. Dalam taburan ini. Jadual 6. taburan kekerapan markah asal (Jadual 6. Jadual 6.Seterusnya. “penjimatan” ini menyebabkan maklumat asal yang lebih terperinci tidak dapat ditunjukkan. Justeru. disebabkan ada 11 markah asal (iaitu. iaitu 0. taburan kekerapan berkelas markah ujian mingguan ini juga boleh dibentang dalam bentuk histogram.3 : Histogram taburan kekerapan markah ujian Satu lagi cara memaparkan taburan markah ialah dengan mengumpulkan beberapa markah yang sama julatnya kepada beberapa kelas. pengunaan kekerapan berkelas dapat mengurangkan bilangan markah/skor yang dimasukkan ke dalam jadual kekerapan. Taburan kekerapan berkelas ini adalah sesuai bagi data yang banyak dan mempunyai julat yang besar.3 menunjukkan taburan kekerapan 50 markah ujian yang dikumpulkan kepada lima (5) kelas [kelas pertama (0-2) mengandungi tiga (3) markah. Bagaimanapun.3 : Taburan Kekerapan Berkelas Markah Ujian Dalam contoh ini. 0 hingga 10)]. 1 dan 2.

Carta ini boleh dilukis dengan menggunakan perisian komputer tertentu dengan hanya memasukkan kekerapan. Untuk melukis sendiri carta ini. Biasanya bilangan kelas kekerapan bagi set data ini adalah kecil untuk memudahkan kita melukis carta ini.2. kekerapan dan darjah sudut bagi markah ujian mingguan. Jadual 6.TAJUK 6 STATISTIK ASAS Rajah 6. Dalam contoh berikut.3 Carta Pai Carta pai ialah satu grafik yang menggambarkan saiz kekerapan bagi sesuatu set data yang berkadaran dengan luas sektornya.4 : Histogram taburan kekerapan berkelas markah ujian Latihan 6.4 menunjukkan jeda kelas. kekerapan dan darjah sudut carta pai.3) yang mempunyai lima (5) kelas kekerapan digunakan untuk melukis carta pai. kita memerlukan maklumat tentang jeda kelas kekerapan. OUM 115 . taburan kekerapan berkelas markah ujian mingguan (Jadual 6.2 Apakah maklumat yang hilang apabila kita mengira min dengan menggunakan taburan kekerapan berkelas? 6.

Darjah sudut = Kekerapan x 360o (360o ialah jumlah sudut di pusat bagi satu bulatan). kekerapan yang digunakan ialah 7. Luas setiap bahagian carta pai ini menggambarkan kekerapan bagi kelas tertentu. yang setiap satunya dilukis mengikut luas sudut bagi kekerapan tersebut. 116 OUM . Nota: Angka dalam kotak adalah jeda kelas kekerapan Rajah 6.. yang memberikan luas yang terbesar. kekerapan bagi kelas berjeda (5-6) markah ialah 18 (yang terbesar) dan sudut bagi kelas ini ialah 129. iaitu poligon dan ogif. Contohnya. Dalam contoh ini.5 menunjukkan carta pai bagi kekerapan seperti yang diberikan dalam Jadual 6.6o.4.5 : Carta pai markah ujian 6. Jumlah Pelajar = 7 x 360o = 2520o = 50.4 : Taburan Kekerapan Berkelas dan Darjah Sudut Untuk mendapatkan darjah sudut carta pai.4o 50 50 Rajah 6.3 POLIGON DAN OGIF Terdapat dua (2) lagi grafik yang boleh diguna untuk menjelaskan taburan kekerapan. iaitu kekerapan bagi kelas berjeda 0-2. kita perlu mengiranya seperti berikut.STATISTIK ASAS TAJUK 6 Jadual 6.

Jadual 6.6 menunjukkan graf poligon bagi taburan kekerapan markah ujian mingguan. sampel dan ukurannya. Latihan 6.5 menunjukkan kekerapan markah ujian mingguan bersama peratus kekerapan dan peratus kekerapan terkumpulnya. Di sini populasi bermaksud semua subjek/pelajar sasaran dari mana ukuran itu diambil. Data yang kita cerap/peroleh daripada sekumpulan pelajar hanyalah data sampel sahaja. semakin dekat ukuran daripada sampel itu menghampiri ukuran daripada populasi. graf ini hampir menyerupai taburan ukuran populasi sebenar. kita perlu mencari peratus kekerapan terkumpul tersebut. yang dibahagikan kepada banyak kelas. iaitu peratus bagi semua kekerapan. Bilakah taburan ukuran sampel akan meyerupai taburan ukuran populasi? Rajah 6. Bagi data yang besar. iaitu dengan menyambung titik-titik tengah bahagian atas kotak kekerapan dengan garis-garis lurus. OUM 117 . Rajah 6. Ia dilukis berasaskan histrogram dalam Rajah 6. Semakin besar sampel yang kita cerap. iaitu graf garis yang menghubungkan peratus kekerapan terkumpul (cumulative frequency percentage). Peratus kekerapan terkumpul boleh dicari dengan menjumlahkan peratus kekerapan daripada ukuran terrendah hingga tertinggi.3.6 : Poligon taburan kekerapan markah ujian Untuk melukis ogif (ogive).3 Berikan satu contoh populasi.TAJUK 6 STATISTIK ASAS Poligon agak mudah dilukis. Graf ini dapat menunjukkan bentuk taburan kekerapan dengan lebih jelas. Peratus kekerapan terkumpul yang terakhir ialah 100%.

7 menunjukkan ogif peratus kekerapan terkumpul yang dilukis dengan paksi-X menunjukkan markah ujian dan paksi-Y menunjukkan peratus kekerapan terkumpul. 118 OUM .STATISTIK ASAS TAJUK 6 Jadual 6. Persentil di sini bermaksud markah yang mana di bawahnya terdapat markah yang lebih rendah sebanyak peratus tersebut. (a) Mencari markah bagi persentil tertentu.7 : Peratus kekerapan terkumpul markah ujian Graf ogif ini penting untuk kita mencari dua (2) ukuran. iaitu pada sempadan markah 4 dan markah 5. titik 38% ditanda pada sempadan kanan markah 4. iaitu (a) mencari markah/skor bagi persentil (percentile). Peratus ini dilukis pada sempadan sebelah kanan markah. Rajah 6.5 : Peratus Kekerapan Terkumpul Markah Ujian Rajah 6. kita perlu melukis garis pertama (mendatar) mulai pada nilai 72 peratus di paksi-Y hingga ke ogif. bagi markah 4. misalnya. cari markah bagi persentil ke 72 (P72). Contoh mencari markah dan persentil diberikan di bawah. Untuk mencari markah ini. dan (b) mencari persentil bagi markah tertentu. Contohnya.

Dalam contoh ini P72 = 6. Ini bermakna seseorang pelajar yang mendapat markah 8.TAJUK 6 STATISTIK ASAS Kemudian kita lukis garis kedua (menegak) dari titik pertemuan garis pertama dengan ogif ke paksi-X (lihat Rajah 6. misalnya semua pelajar tahun 5 dalam sesuatu daerah. kita akan dapat melihat bentuk taburan markah/skor populasi bagi ujian mingguan tersebut. cari persentil bagi markah 8. Dalam contoh ini 8.2. Kemudian kita lukis garis kedua (mendatar) dari titik pertemuan garis pertama dengan ogif ke paksi-Y (lihat Rajah 6. OUM 119 . Ini bermakna terdapat terdapat 72% pelajar yang mendapat markah lebih rendah daripada 6. Untuk mencari persentil ini. kita perlu melukis garis pertama (menegak) mulai pada nilai 8.6). Contohnya.5 berpencapaian lebih baik daripada 91% pelajar lain. Markah ini hanyalah merupakan markah sampel 50 orang pelajar daripada populasi tertentu. sila cari P80 dan berapa peratus pelajar yang mendapat markah rendah daripada 5? Rajah 6. Markah yang bertemu dengan garis kedua adalah markah bagi P72.8.6).5 = P91.2. Sekiranya kita dapat mengumpul markah daripada populasi.4 UKURAN MEMUSAT DAN UKURAN SERAKAN Kita telah melihat bentuk taburan kekerapan. Bentuk taburan kekerapan ini boleh digambar dengan menggunakan histogram atau poligon (Rajah 6. Contoh taburan skor populasi ditunjukkan dalam Rajah 6. Peratus yang bertemu dengan garis kedua adalah persentil yang dicari. Latihan 6.8). dengan menggunakan markah ujian mingguan sebagai contoh.5. (b) Mencari persentil bagi markah tertentu.5 di paksi-X hingga ke ogif.8 : Kaedah mencari markah dan persentil 6.4 Dengan menggunakan Rajah 6.6. Dua (2) unsur penting bagi data daripada sampel atau populasi ialah (a) ukuran memusat dan (b) ukuran serakan.

iaitu mod.9 : Taburan data/skor populasi 6.1 Pengiraan Ukuran Memusat Seperti yang dijelaskan. Ukuran serakan taburan termasuklah julat. Ukuran kedua bagi sesuatu set data/skor ialah ukuran serakan. iaitu ukuran yang menggambarkan darjah serakan bagi sesuatu set data/skor. median dan min seperti dalam rajah 6.10 : Pengiraan ukuran memusat 120 OUM . median dan min dengan menggunakan markah ujian mingguan sebagai contoh.9 menunjukkan taburan data/ukuran daripada satu populasi tertentu. Rajah 6. Min bagi data/ skor daripada sesutu populasi ialah µ dan sisihan piawainya ialah σ. Kita akan menentukan/mengira mod. median dan min. terdapat tiga (3) ukuran memusat yang biasa digunakan.10. Rajah 6.STATISTIK ASAS TAJUK 6 Ukuran memusat ialah ukuran yang menggambarkan skor tengah bagi sesuatu set data. varians dan sisihan piawai.4. Ukuran memusat ini termasuklah mod. Rajah 6.

. Bagi markah ujian mingguan. .. 2.. Untuk kita mengira sendiri min.. Bagaimanapun. median bagi set markah ini ialah 5. OUM 121 . (b) Pengiraan Median Median ialah skor tengah sesuatu set data/skor. Dalam contoh markah ujian mingguan (lihat Jadual 6. Sekiranya sesuatu set data mempunyai dua (2) angka tengah.2). bagi data ini..TAJUK 6 STATISTIK ASAS (a) Pengiraan Mod Mod ialah skor yang mempunyai kekerapan paling tinggi. misalnya markah tengah bagi set markah ujian mingguan. mod bagi set markah ini ialah 5..1).06 i=1 n Jadi. iaitu purata dua (2) markah tengah (markah ke-25 = 5 dan markah ke-26 = 5)... daripada jadual markah yang telah disusun (lihat jawapan Latihan 6. Min mudah dikira.1). misalnya markah purata bagi set markah ujian mingguan.. sekiranya bilangan data adalah kecil. media data ini ialah purata kedua-dua data tengah tersebut. +3+6)/50 = 253/50 = 5. Dalam bentuk simbol matematik. i=1 n di mana Σ ialah tanda jumlah xi ialah markah bagi pelajar ke-i (i = 1. iaitu markah yang mempunyai kekerapan paling tinggi (iaitu 10). kita perlu menjumlahkan semua skor/markah dan kemudian dibahagikan dengan bilangan markah/ pelajar. Bagi markah ujian bulanan (lihat Jadual 6. .06. Mod mudah ditentukan sekiranya kita telah menyediakan taburan kekerapan skor/markah asal terlebih dahulu.. kita boleh menggunakan komputer untuk mengira min bagi data yang banyak. tetapi agak susah dikira bagi data yang banyak.. (c) Pengiraan Min Min ialah purata sesuatu set data/skor. min dikira seperti berikut: x = ∑ x i /n . median ialah 5 dan min ialah 5. min boleh dikira seperti berikut: x = ∑ xi /n. (2+5+4+ . Median mudah ditentukan sekiranya kita telah menyusun data daripada yang terrendah hingga tertinggi atau sebaliknya. iaitu mod ialah 5. didapati ukuran memusatnya adalah hampir sama. n) dan n ialah bilangan pelajar.. misalnya markah yang pelajar paling ramai memperolehnya..

Julat mudah ditentukan sekiranya sekiranya kita telah menyusun data daripada yang terrendah hingga tertinggi atau sebaliknya. Rajah 6. Bagi markah ujian mingguan.4. julat bagi set markah ini ialah 10 [iaitu 10 (markah tertinggi) – 0 (markah terrendah]. varians dan sisihan piawai ini dengan menggunakan markah ujian mingguan sebagai contoh. daripada jadual markah yang telah disusun (lihat jawapan Latihan 6.2 Pengiraan Ukuran Serakan Seperti yang dijelaskan.11 : Pengiraan ukuran serakan (a) Pengiraan Julat Julat ialah perbezaan skor yang terrtinggi dengan terrendah.1). 122 OUM . terdapat tiga (3) ukuran serakan yang biasa digunakan. misalnya perbezaan markah tertinggi dengan markah terrendah pelajar.5 Cari mod. iaitu julat. varians dan sisihan piawai.STATISTIK ASAS TAJUK 6 Latihan 6. median dan min bagi markah ujian berikut: 8 4 9 6 5 4 7 1 5 10 6. Kita akan menentukan/mengira julat.

sisihan piawai lebih mudah kita fahami.TAJUK 6 STATISTIK ASAS (b) Pengiraan Varians dan Sisihan Piawai Varians (variance) ialah ukuran serakan yang mengambil kira semua data yang ada.4/9 = 4. Selain itu. iaitu dengan OUM 123 . varians/sisihan piawai bagi ukuran ini ialah sifar. berbanding dengan varians. berbeza daripada julat yang bergantung kepada dua (2) ukuran sahaja.04 i=1 n Sisihan piawai (standard deviation) adalah juga ukuran serakan dan ia amatlah berkait dengan varians. Rumus untuk mengira varians ialah: Varians (s2) ∑ [( x − x) i i=1 n 2 ]/(n -1). 6: Jumlah Kuasa-dua Perbezaan Markah daripada Min Pengiraan sisihan piawai bagi contoh varians di atas ialah s =√s2 = √(4. Sekiranya semua ukuran mempunyai nilai yang sama (semua pelajar mendapat markah yang sama). Varians agak sukar dikira sebab ia melibatkan jumlah kuasa-dua (sum of squares) bagi semua ukuran. disebabkan bagi data yang banyak. iaitu yang terrendah dan terrtinggi. iaitu kita perlu menjumlahkan kuasa-dua perbezaan setiap ukuran daripada min keseluruhan ukuran. iaitu sisihan piawai adalah punca-ganda-dua varians: Sisihan piawai (s) = √s2 Jadual 6. Varians/ sisihan piawai boleh diguna untuk menunjukkan berapa besar perbezaan antara ukuran. ia mempunyai hubungan langsung dengan ukuran. iaitu tiada langsung serakan.04) = 2.4/(10-1) = 36. Min bagi 10 markah ini dan kuasadua perbezaan markah daripada min ditunjukkan dalam Jadual 6.6. Varians bagi data ini boleh dikira seperti berikut: s2 = ∑ [( xi − x )2 ]/(n -1) = 36. kita hanya menggunakan 10 markah pertama daripada 50 markah ujian mingguan.di mana x ialah min keseluruhan data. Untuk memudahkan pengiraan varians dalam contoh ini.01.

4+6. Latihan 6. Dengan demikian. Persentil bagi markahmarkah daripada 55 hingga 145 ditunjukkan di bawahnya.63.Min = 6-4. Rajah ini juga menunjukkan taburan skor adalah di antara skor tertinggi 145 (min + 3 x sisihan piawai) dan skor terrendah 55 (min – 3 x sisihan piawai).01)=4. ó=1). Sisihan Piawai 2.43.6 boleh dikira seperti berikut: Skor-z = Skor Mentah .03=10.03=-1.4 = 1. iaitu skor yang mempunyai min dan sisihan piawai yang tertentu.01 2. yang boleh dikira dengan menggunakan rumus di bawah: Skor-z = Skor Mentah .Min Sisihan Piawai Skor-z ini mempunyai min sifar dan sisihan piawai 1 (µ=0. (c) Anggaran julat=Ukuran tertinggi–ukuran terrendah=6 x sisihan piawai = 6x2. 6.01=12.STATISTIK ASAS TAJUK 6 anggaran ukuran tertinggi. (b) Anggaran ukuran terrendah=min–(3 x sisihan piawai) =4. Kaedah ini menghasilkan skor piawai.4-6. kita akan menghadapi masalah apabila kita ingin membuat interpretasi/menilai markah/skor tersebut.79. Kebanyakan markah peperiksaan menggunakan skor piawai yang mempunyai min 100 dan sisihan piawai 15 dan bagi ujian pencapaian.4+(3x2.12 menunjukkan taburan skor piawai yang mempunyai min 100 dan sisihan piawai 15.5 SKOR PIAWAI Biasanya markah ujian/peperiksaan atau ukuran daripada inventori diberi tidak berasaskan kepada markah/skor penuh yang sama. Sebagai contoh.000 orang calon ialah 50 dengan varians 16. menggunakan skor piawai yang mempunyai min 10 dan sisihan piawai 3.01 Rajah 6. 124 OUM . Satu kaedah telah digunakan untuk menyeragamkan markah/skor supaya markah/skor ini mempunyai min dan sisihan piawai yang sama.6_ = 0. terendah dan julat seperti berikut: (a) Anggaran ukuran tertinggi=min+(3 x sisihan piawai)=4. skor-z bagi markah 6 dalam Jadual 6. Skor piawai yang asas ialah skor-z (z-score). Anggarkan markah terrendah dan tertinggi serta julat markah bagi calon-calon ini.4-(3x2.01)=4.6 Min markah peperiksaan yang diambil oleh 1.06.

6_ = 0. Ini bermakna markah mentah 5 seperti dalam Jadual 6.87. 6.01 SP = ó z + µ = (3)(0.87.6 kepada skor piawai (µ=10. Sisihan Piawai 2.4. Sebagai contoh. Hubungan linear di sini bermaksud graf hubungannya adalah berbentuk garis lurus. dan menjadi 10. Contohnya.87 + 10 = 10. OUM 125 .TAJUK 6 STATISTIK ASAS Rajah 6. apabila diubah kepada skor piawai z (µ=0. Sebaliknya.Min = 5-4.12 : Taburan skor piawai dan persentil Secara amnya.29.4 = 0.6 (µ=4. apabila diubah kepada skor piawai (µ=10. maka analisis korelasi linear ini tidak boleh digunakan. kita ingin menukar markah mentah 5 daripada Jadual 6. σ=2. Skor-z = Skor Mentah .29. σ=1). skor piawai lain dengan pelbagai min (µ) dan sisihan piawai (σ) boleh dikira menggunakan skor-z seperti rumus berikut: Skor piawai (SP) = σ z + µ. kita perlu mengira terlebih dahulu skor-z bagi markah mentah pelajar tersebut. jika hubungan ini tidak linear (mungkin kuadratik/logarisma dsb). jika kita ingin menukar skor mentah seorang pelajar dalam satu ujian pencapaian kepada skor piawai dengan min 10 dan sisihan piawai 3.29) + 10 = 0.6 KORELASI LINEAR Analisis korelasi linear (linear correlation analysis) adalah satu kaedah statistik untuk menilai kekuatan hubungan linear antara dua (2) pemboleh ubah. σ=3).01 2.01) menjadi 0. Apa yang tekal ialah ketiga-tiga skor ini melebihi setiap min bagi skor masing-masing. σ=3).

bergantung pada sesuatu bidang ilmu.80 0. eloklah kita melihat graf hubungan antara dua (2) pemboleh ubah ini dengan melukis skatergram (scattergram). Jadual 6. analisis korelasi linear akan memberikan pekali korelasi antara dua (2) pemboleh ubah.21– 0. Bagaimanapun.60 0.85 ialah +0. Bagi pekali korelasi yang negatif. skor pemboleh ubah kedua akan menurun. Pekali ini mempunyai nilai antara -1 hingga +1. kita boleh andaikan hubungan antara markah Ujian 1 dan Ujian 2 adalah linear. Data daripada Jadual 6.3 atau +0. dalam bidang sains sosial. pekali korelasi -0. Jadual 6.40 0.61– 0.7: Kekuatan Hubungan Mengikut Nilai Mutlak Pekali Korelasi Nilai Mutlak < 0. Secara am. iaitu apabila skor pemboleh ubah pertama meningkat. Sebagai contoh. 126 OUM . hubungan antara pemboleh ubah adalah secara songsang.81– 1. Skatergram bagi markah Ujian 1 dan Ujian 2 ditunjukkah dalam Rajah 6.85). dan sebaliknya (seperti lama menonton TV dengan pencapaian).41– 0. skor pemboleh ubah kedua juga turut meningkat. kita akan melihat hubungan antara markah uji-ujisemula.13 Daripada rajah ini.STATISTIK ASAS TAJUK 6 Jadi. interpretasi terhadap pekali korelasi adalah agak subjektif.3 dianggapkan sudah agak tinggi. Pekali korelasi yang positif menunjukkan hubungan secara langsung. iaitu sebagai markah Ujian 1. iaitu apabila skor pemboleh ubah pertama meningkat. Seterusnya.7 menunjukkan kekuatan hubungan antara pemboleh ubah berdasarkan nilai mutlak pekali korelasi antaranya.6 akan digunakan semula. nilai mutlak bagi -0. Sebagai panduan. memandangkan terdapat banyak faktor yang mempengaruhi sesuatu pemboleh ubah.20 0. dari segi kekuatan hubungan. sementara markah Ujian 2 (uji semula) ditambah pada Jadual 6.8. sebelum kita meneruskan penganalisisan data. dan sebaliknya (seperti lama belajar dengan pencapaian). yang boleh digunakan untuk mencari indeks kebolehpercayaan ujian.00 Kekuatan Hubungan Amat lemah Lemah Sederhana kuat Kuat Sangat kuat Sebagai contoh pengiraan pekali korelasi. kita perlu melihat nilai mutlak bagi sesuatu nilai pekali korelasi itu (misalnya.

36 1.6 0.4 1.4 1.6 1.76 0.6 -0.6 -0.6 3.24 8.6 0.8.4 _ _ (xi-x)(yi-y) 8.16 11.96 1.96 6.TAJUK 6 STATISTIK ASAS Rajah 6.84 0.4 ∑=0 _ (yi-y)2 12.6 ∑=0 _ (xi-x)2 5.13 : Skatergram markah ujian 1 dan ujian 2 Analisis seterusnya ialah mengira pekali korelasi linear antara markah Ujian 1 dan Ujian 2 dengan menggunakan kaedah analisis korelasi Pearson.36 0.6 1.6 OUM 127 .8 : Analisis Korelasi Linear bagi Markah Uji-Uji-Semula Ujian 1 (xi) 2 5 4 1 6 3 7 5 4 7 Min = 4.56 ∑=38.4 2. Rumus untuk mengira pekali ini ialah seperti berikut dan angka-angka yang perlu dikira telah dimasukkan ke dalam Jadual 6.56 1.56 2.16 6.64 -0.64 0.4 -0.4 -3.16 6.84 2.6 -0.96 0.36 -0.96 0.16 8.96 0.4 _ (yi-y) -3.76 ∑=36.84 ∑=33. Jadual 6.36 0.4 2.36 0.24 0.4 -0.4 -2.4 Ujian 2 (yi) 1 4 5 2 6 4 6 6 4 8 Min = 4.36 11.6 _ (xi-x) -2.6 -1.4 0.76 .76 1.84 3.

26 = 2.9.7 REGRESI LINEAR MUDAH Sebagai kesinambungan kepada korelasi linear. kita akan meneroka sedikit tentang regresi linear mudah. Persamaan ini boleh digunakan untuk tujuan meramal nilai pemboleh ubah ke-2.x)(y . Bagi dua pemboleh ubah yang mempunyai hubungan.90 6. Justeru.01 (telah dikira melalui Jadual 6. dalam pengukuran dan penilaian.6]/[37.y) ]/(n-1) = 2 i i=1 i i i=1 n (38. sementara sx dan sy ialah masing-masing sisihan piawai markah Ujian 1 dan Ujian 2.y)]/(n -1)(s i i i=1 n x )(sy )] . kaedah regresi boleh diguna untuk menentukan kesahan ramalan. apabila diberi nilai pemboleh ubah pertama. di mana x dan y ialah masing-masing min markah Ujian 1 dan Ujian 2. Ringkasannya. regresi linear mudah ialah satu model regresi yang menghubungkan satu pemboleh ubah bersandar (dependent variable) dengan satu pemboleh ubah peramal (predictor variable) secara linear.01)(2.y)]/[(n -1)(s x = [33.6]/[(9)(2. Seperti yang kita ketahui.06 (c) Pekali korelasi (rxy) = ∑ [(x .x)(y . Pekali korelasi yang diperoleh ialah 0. yang menunjukkan hubungan kuat antara markah Ujian 1 dan Ujian 2. Tiga (3) pengiraan berikut perlu dibuat untuk mencari pekali korelasi.26] = 0. perkataan “linear” dalam frasa “regresi linear mudah” bermaksud hubungan antara dua pemboleh ubah itu adalah linear.6) (b) Sisihan piawai (sy) = n ∑ [(y . yang juga menjadi indeks kebolehpercayaan bagi ujian tersebut. sementara perkataan “mudah” bermaksud hanya terdapat satu pemboleh ubah peramal dalam persamaan ini. analisis regresi ini akan menghasilkan persamaan yang menghubungkan pemboleh-pemboleh ubah tersebut.STATISTIK ASAS TAJUK 6 Pekali korelasi linear Pearson ∑ [(x . (a) Sisihan piawai (sx) = 2. 128 OUM .06)] = [33. kita boleh memutuskan bahawa ujian ini mempunyai kebolehpercayaan yang tinggi. Seterusnya.4/9) = )(sy )] . 4.

6) – (0. histogram dan carta pai.91X + 0. Bahagian seterusnya menjelaskan tentang penggunaan angka dan grafik untuk menggambarkan taburan data.60 = 6. kita boleh gunakan model persamaan regresi berikut: Y = bX + a.37 + 0.90)(2. Nilai a dan b boleh dikira dengan menggunakan rumus berikut: b = r(sy/sx) = (0. persamaan yang menghubungkan markah Ujian 2 (Y) dengan markah Ujian 1 (X) ialah: Y = 0.60 Jika kita ingin meramal markah pelajar dalam Ujian 2. Akhirnya. konsep serta pengiraan pekali korelasi dan regresi turut diperkenalkan.TAJUK 6 STATISTIK ASAS Sebagai contoh pengiraan pekali regresi.00 = 0.91X + 0. Oleh itu.01) = (0. iaitu: Y = 0.60 = 6.60 Y = bX + a = 0.6 – 4. OUM 129 .91)(4.06/2. iaitu penggunaan kekerapan. dan a ialah angkatap persamaan ini. median.60 Y = 0. Sebagaimana juga analisis korelasi. kita gantikan X dengan 7 dalam persamaan di atas. b ialah pekali regresi. kita akan gunakan markah Ujian 1 dan Ujian 2 yang diberikan dalam Jadual 6. varians. X ialah pemboleh ubah pertama (peramal). min. di mana Y ialah pemboleh ubah ke-2 (yang diramal). sisihan piawai dan skor piawai. sekiranya pelajar ini mendapat 7 markah dalam Ujian 1. Ogif pula digunakan untuk mencari persentil sesuatu skor dan sebaliknya. bagi mengira pekali regresi. kita mengandaikan markah Ujian 1 sebagai permal kepada markah Ujian 2.91 a = y – b x = (4. analisis asas diguna untuk menentukan ukuran memusat dan serakan serta skor piawai. RUMUSAN Tajuk ini telah menjelaskan beberapa kaedah asas statistik yang boleh digunakan dalam bidang pengukuran dan penilaian.90)(1.4) = 4. Di sini. Penjelasan awal dibuat tentang pengertian dan penggunaan statistik dalam pendidikan.8. kita perlu melukis skatergram sebelum melakukan analisis regresi. Poligon dilukis bersama histogram untuk menunjukkan taburan data menggunakan graf garis.02) = 0.91X + 0. Seterusnya. Dua lagi grafik yang penting untuk menjelaskan taburan data dijelaskan juga. Ukuran ini termasuk mod.60. julat.97 (markah Ujian 2 sebenar ialah 6 dan 8). Seterusnya. iaitu poligon dan ogif.60 = (0. termasuk dalam bidang pengukuran dan penilaian.91)(7) + 0.91X + 0.

ialah ukuran yang menggambarkan skor tengah bagi sesuatu set data. ialah satu set teori dan kaedah yang boleh digunakan untuk memahami data. median dan min. Jelaskan hubungan dan kekuatan hubungan ini. (2) Bagaimanakah anda mengira buka sudut carta pai di pusat bulatan? (3) Pekali korelasi antara dua pemboleh ubah ialah -0.STATISTIK ASAS TAJUK 6 GLOSARI Carta Pai Histogram ialah satu grafik yang menggambarkan saiz kekerapan bagi sesuatu set data yang berkadaran dengan luas sektornya. ialah markah yang mana di bawahnya terdapat markah yang lebih rendah sebanyak peratus tersebut. Korelasi Linear Persentil Regresi Linear Mudah Skor Piawai Statistik Ukuran Memusat Ukuran Serakan UJIAN 1 (1) Jelaskan pengertian statistik. varians dan sisihan piawai. ialah hubungan antara dua pemboleh ubah yang grafnya berbentuk garis lurus. ialah rajah berbentuk kotak yang dilukis dengan paksi-Y menunjukkan kekerapan dan paksi-X menunjukkan skor atau kelas skor. UJIAN 2 Markah ujian bagi 10 orang pelajar adalah seperti berikut: 5 7 3 5 6 2 8 5 3 6 (a) Cari mod. iaitu seperti julat. ialah ukuran yang menggambarkan darjah serakan bagi sesuatu set data. iaitu seperti mod. ialah satu model regresi yang menghubungkan satu pemboleh ubah bersandar dengan satu pemboleh ubah peramal secara linear. ialah skor yang mempunyai min dan sisihan piawai yang tertentu. median dan min bagi markah-markah ini. 130 OUM .85.

J. varians dan sisihan piawainya. W. Assessment and Teaching Statistics.J.). Measurement and evaluation in education and psychology (4th ed. (2004). W. Mehrens. OUM 131 .TAJUK 6 STATISTIK ASAS (b) Cari julat. Pp. Volume 1. Edition 4. 61-66. (c) Tukarkan markah 7 kepada skor-z. Chicago: Holt. A. Nitko.A. Hanna.A. (4th ed. Disseminations Of The International Statistical Applications Institute.J. (1992). 1995.S. Assessment for Effective Teaching: Using ContextAdaptive Planning. Educational Assessment of Students. S. Inc.: PearsonMerill Prentice Hall.. Upper Saddle River. (1991). Ujian Nasional: Penilaian atau Evaluasi? Garfield. JSE. G. Van Dalen. (1997). Wichita: Acg Press. (2004). N.) McGraw-Hill.J. Boston:Pearson-Allan & Allyn and Bacon. D. Rinehart and Winston. & Lehmann.P. Understanding Educational Research. & Dettmer. Sarle. (1979). P. RUJUKAN Buana: Pengajar Jurusan Sejarah Universitas Negeri Makassar. I.

Sign up to vote on this title
UsefulNot useful