1.

ASAS PENYELIDIKAN

Penyelidikan boleh dibahagi kepada dua jenis iaitu a. b. penyelidikan kuantitatif penyelidikan kualitatif

Dalam penyelidikan kuantitatif, terdapat dua bentuk kajian iaitu a. b. kajian deskriptif kajian inferensi

Jadual 1.1: Perbezaan antara kajian deskriptif dengan kajian kuantitatif Kajian Deskriptif 1. Tidak menggunakan sampel kajian 2. Responden terdiri daripada semua subjek dalam populasi 3. Tidak perlu ujian signifikan 4. Menggunakan statistik deskriptif seperti frekuensi, peratusan, min, mod, median, sisihan piawai, varians dan skor Z 5. Keputusan kajian hanya menyatakan ciri-ciri kumpulan subjek di bawah kajian sahaja 6. Keputusan kajian tidak digeneralisasikan kepada kumpulan umum Kajian Inferensi 1. Responden sampel kajian merupakan subjek-subjek yang dipilih daripada populasi 2. Sampel perlu dipilih secara rawak untuk mewakili semua subjek dalam populasi 3. Ujian inferensi ke atas subjek dan keputusan digeneralisasi kepada semua ahli lain dalam populasi tersebut 4. Ujian inferensi yang digunakan termasuk ujian-t, ujian Khi Kuasa Dua (Chi-Square), ujian ANOVA dan 5. Kawalan ralat jenis I dan II (Type I dan Type II error) diperlukan untuk meningkatkan kesahan kajian 6. Keputusan kajian mewakili kkumpulan subjek dalam populasi

Sumber diambil dari Chua (2008, p8)

2

2.

PROSEDUR PENYELIDIKAN:

Penyelidikan merupakan satu disiplin yang sistematik untuk memberi jawapan kepada masalah dan persoalan. Rajah 2 : Prosedur penyelidikan

Sa e o t eRs ac Po e s t gs f h ee r h r c s L I T E R A T U R E
Po l m i c v r r be D o ey s a dDf i i n n eint o D c vr a d i o ey n s Df i i n eint o

Rs ac eer h D sg ei n

a ds o n o n C n l so sa d o cu i n n Rp r e ot

S ml g a pin D t Po e sn aa r c s i g a dA a ss n n ly i Dt aa Gt ei g ah rn
G P 0 3 S tis sinE u a n D 5 5 : ta tic d c tio 2

L I T E R A T U R E

2.1 Tajuk kajian Dalam menentukan tajuk kajian, pengkaji seharusnya menentukan pemboleh ubahpemboleh ubah, populasi serta sampel yang dikaji. 2.1.1 Pemboleh ubah Pemboleh uabah merujuk kepada sebarang objek atau fenomena yang sifatnya boleh berubah. Beberapa ciri yang terdapat pada manusia, persekitaran dan situasi ujikaji boleh berubah-ubah dariada seorang individu kepada individu lain. Persekitaran pula boleh berubah daripada sesuatu persekitaran kepada persekitaran yang lain dan situasi juga boleh berubah daripada suatu situasi kepada situasi yang berbeza. Kesemua fenomena ini adalah pembolehubah. Jantina, berat badan, keupayaan mental, nilai dan kepercayan adalah pembolehubah yang terdapat pada manusia. Berat badan misalnya mempunyai kepelbagaian nilai. 2.1.1.1 Pembolah Ubah Bebas (IV) dan Bersandar (DV) Pembolah ubah yang mempengaruhi atau memberi kesan kepada sesuatu pembolah

3
ubah yang lain dikatakan sebagai pemboleh ubah bebas. Dalam banyak keadaan pemboleh ubah bebas dan sengaja dimanipulasi oleh penyelidik. Dengan cara ini ia dapat memberi kesan atau pengaruh yang berbeza-beza. Sebagai contoh cuba lihat kenyataan berikut: Metod pengajaran pensyarah boleh mempengaruhi prestasi pelajar. Dalam kenyataan di atas metod pengajaran ialah pemboleh ubah bebas. Untuk melihat kesan dan pengaruh pengajaran terhadap prestasi pelajar, berbagai metod pengajaran perlu manipulasi. Sebagai contoh, penyelidik boleh melihat perbezaan antara metod pengajaran cara tradisi dan metod pengajaran baru. Metod pengajaran tradisi kurang menggunakan alat bantu pengajaran seperti penggunaan teknologi terkini ICT. Apabila kedua-dua metod tersebut menghasilkan prestasi pelajar yang berbeza, ini bermakna bahawa prestasi pelajar dipengaruhi oleh perbezaan metod pengajaran yang mereka terima. Pemboleubah prestasi pelajar dalam kenyataan di atas merupakan pembolehubah terikat. Pembolehubah terikat merujuk kepada sebarang pemboleh ubah yang boleh dipengaruhi oleh pemboleh ubah bebas. Secara unggul keadaan inilah yang menjadi minat penyelidik. Namun demikian, sukar untuk mempastikan secara tepat kesan dan pengaruh pemboleh ubah bebas terhadap pemboleh ubah terikat. Sebagai contoh cuba kita lihat satu permasalahan kajian yang berhubung dengan tabiat merokok dan sakit jantung. Tabiat merokok dikatakan sebagai pemboleh ubah terikat. Dalam permasalahan kajian sukar bagi penyelidik untuk mempastikan secara tepat bahawa sakit jantung disebabkan oleh tabiat merokok. Suatu hal yang perlu diingat tidak semua pembolehubah bebas boleh dimanipulasi oleh penyelidik. Dalam contoh permasalah di atas tabiat merokok diukur berdasarkan nanyaknya seseorang itu mengisap rokok. Ia merupakan satu tabiat yang telah wujud dan berlaku kepada subjek yang di kaji dan tidak wajar bagi penyelidik untuk memanipulasi pemberian jumlah batang rokok kepada subjek kajian semata-mata untuk melihat kesannya terhadap penyakit jantung. Dalam banyak keadaan, perbezaan dan kepelbagaian yang wujud dalam pemboleh ubah bebas adalah suatu fenomena yang sememangnya telah wujud dalam masyarakat atau individu yang dikaji. Dalam hal ini penyelidik tidak perlu untuk manipulasi keperbezaan tersebut. Pemboleh ubah bebas yang tidak dimanipulasi oleh penyelidik masih boleh dikatakan mempunyai hubungan dengan pemboleh ubah terikat berdasarkan nature hubungan dan kesan pemboleh ubah tersebut.

4
2.1.1.1.1 Pemboleh ubah Kualitatif dan Kuantitatif Satu tahap lain di dalam proses analisis data yang perlu difikirkan oleh ahli statistik ialah keadaan dan sifat pemboleh ubah yang terlibat di dalam penyelidikan. Sifat dan keadaan pemboleh ubah akan menentukan jenis dan metod analisis statistik yang akan digunakan. Dua jenis sifat utama pemboleh ubah yang akan menentukan jenis dan metod analisis ialah pemboleh ubah kualitatif fan kuantitatif. Pemboleh ubah kualitatif ialah pemboleh ubah yang mempunyai ciri saling ekslusif dan mempunyai sub kelas. Pemboleh ubah bangsa contohnya mempunyai sub kelas atau sub bangsa seperti Melayu, Cina, India, Nasrani dan lain-lain. Setiap satu sub bangsa adalah eksklusif. Ia hanya boleh berlaku dalam satu sub kumpulan sahaja. Selain bangsa, jantina merupakan pemboleh ubah kualitatif dan ia mempunyai dua sub kelas jantina iaitu lelaki dan perempuan. Individu yang mempunyai ciri-ciri tertentu sebagai lelaki dikelaskan kepada kumpulan lelaki. Sebaliknya individu yang ciri khususnya adalah perempuan dikelaskan sebagai perempuan. Sifat inilah dikatakan paling eksklusif. Pemboleh ubah kuantitatif pula pemboleh ubah yang terkandung di dalamnya nilai angka yang menujukkan sifat yang berhubung dengan objek pemboleh ubah tersebut. Sebagai contoh ialah jumlah hari seseorang pelajar tidak hadir kelas. Nilai angka yang menujukkan jumlah hari tidak hadir misalnya ialah 1, 2, 3 dan seterusnya hingga N hari. Markat yang diperolehi oleh pelajar di dalam sesuatu kursus adalah juga dikenali sebagai pemboleh ubah kuantitatif. Markat prestasi ditunjukkan dengan angka seperti 60, 65, 70, 75 dan seterusnya. Umur kematian manusia juga adalah pemboleh ubah kuantitatif yang mempunyai nilai mungkin iaitu dari 1 hari hinggalah kepada 110 tahun. Pemboleh ubah kualitatif boleh dibahagikan kepada dua iaitu (1) jenis yang bertertib dan (2) jenis yang tidak bertertib. Contoh pemboleh ubah kualitatif yang bertertib ialah kelas sosial. Ia mempunyai sub kelasnya seperti kelas tinggi, menengah dan kelas bawahan. Contoh lain pembolehubah kualitatif yang bertertib ialah seperti jantina, bangsa, taraf perkahwinan, warna dan lain-lainnya. Pemboleh ubah kuantitatif boleh dibahagikan kepada dua jenis iaitu jenis diskrit dan selanjar. Diskrit merujuk kepada konsep angka yang hanya mempunyai satu nilai yang ditentukan. Biasanya ia adalah nilai interger seperti jumlah hari hari tidah hadir kelas, jumlah penduduk, bilangan kenderaan, bilangan anak dalam keluarga. Pembolehubah diskrit sering kali dicirikan sebagai pembolehubah yang menggunakan unit sebagai petunjuk pengukurannya. pembolehubah selajar pula mempunyai pengiraan yang menggunakan apa sahaja nilai dalam skala pengukurannya yang digunakan. Ia

5
mempunyai nilai terendah dan tertinggi. Sifat nilai atau markat ynag digunakan mempunyai ciri-ciri kesinambungan. Beberapa contoh pemboleh ubah selanjar ialah berat badan, umur kematian, kelajuan memandu dan masa. Nilai angka atau markat yang digunakan pada pemboleh ubah selanjar merupakan nilai anggaran yang paling hampir dengan nilai sebenarnya. Seorang pemandu yang didapati bersalah memandu melebihi had laju didakwa telah memandu selaju 120 kilometer sejam. Kelajuan ini merupakan anggaran. Kelajuan sebenar pemandu tersebut mungkin di antara 120.5 atau 121.4 kilometer. Angka bulat yang digunakkan di dalam pembolehubah selanjar adalah hasil dari pembulatan kepada titik perpuluhan yang paling hampir yang ditentukan oleh penyelidik. Setiap nilai di dalam pembolehubah selanjar mempunyai had bawah dan had atas sebenar. Sebagai contoh 48.20 merupa kan nilai sebenar yang menggunakan dua titik perpuluhan. Ia hasil pembulatan nilai had bawah sebenar yang asalnya menggandungi tiga titik perpuluhan iaitu 48.199 atau ia berasal daripada satu nilai had atas sebenar 48.204.

2.1.2 Populasi Populasi merujuk kepada keseluruhan set individu, objek, benda atau fenomena yang mempunyai ciri-ciri kesamaan. Keseluruhan penduduk Malaysia dikatakan sebagai populasi Malaysia. Ia merupakan satu set individu yang tinggal dalam suatu kawasan geografi. Keseluruhan manusia yang tinggal di Wilayah Persekutuan ialah populasi Wilayah Persekutuan dan seluruh pelajar Tahun Satu sekolah rendah adalah populasi pelajar Tahun Satu.

2.1.3 Sampel Sampel ialah sebahagian daripada populasi yang dipilih dengan menggunakan sesuatu metod pemilihan sampel. Sampel yang dikatakan baik ialah apabila ia dipilih secara rawak dan mempunyai ciri-ciri populasi. Sampel ini dikatakan sebagai mewakili populasi di mana ia dipilih.

2.1.4 Pernyataan masalah Pernyataan masalah merupakan isu dan persoalan yang menjadi perhatian sehingga ia menjadi pendorong untuk melakukan kajian ke atasnya. Sesuatu masalah hendaklah

6
masalah yang jitu dan konkrit dan memerlukan jalan penyelesaian (Abdul Sukor, 2007). 2.2 Objektif kajian Objektif kajian menyatakan tujuan penting kajian dilakukan. ”Your purpose should contain the research that yau will address and the key area that you propose to investigate” (Azirah,2006, p10).

2.3 Soalan kajian Masalah kajian dinyatakan dalam bentuk soalan kajian dan andaian dibuat bahawa ia boleh diuji. Dengan itu data boleh dikutip, diukur dan dinilai (Mohd. Najib,2003). Contoh soalan kajian: Adakah terdapat perbezaan pencapaian subjek Matematik pelajar SMK Cempaka dengan penggunaan kalkulator ?

2.4 Hipotesis kajian Hipotesis ialah andaian pengkaji tentang keputusan kajian (Mohd. Najib, 2003). Ia biasanya digunakan dalam kajian kuantitatif untuk menyatakan perhubungan dan perbezaan antara dua variabel. Ia merupakan ramalan tentang suatu perhubungan atau perbezaan dalam penyelidikan inferensi sebelum data dipungut (Chua, 2008). Hipotesis juga memandu penyelidik kepada arah sesuatu penyelidikan agar tidak terkeluar daripada batasan (Abdul Shukor, 2007). Tidak semua bidang kajian memerlukan kenyataan hipotesis, Ia lebih umum dijumpai dalam kajian natural sciences (Azirah, 2006). Hipotesis boleh dinyatakan dalam dua bentuk : Hipotesis nul (Ho) ialah andaian tentang tiada kesan, tiada perbezaan, tiada hubungan, tiada kaitan dan sebagainya. Contoh hipotesis nul: Ho : Tidak terdapat perbezaan pencapaian subjek Matematik pelajar SMK Cempaka dengan penggunaan kalkulator Hipotesis alternatif (HA) ialah andaian terdapat kaitan, kesan, hubungan, perbezaan dan sebagainya. Contoh hipotesis alternatif: HA : Terdapat perbezaan pencapaian subjek Matematik pelajar SMK Cempaka dengan penggunaan kalkulator

7

Dari segi graf pula, perbezaan antara alternatif (HA) directional dan alternatif (HA) non-directional adalah seperti berikut :

Non- directional

directional

directional

2.4.1 Keputusan Hipotesis (Signifikan vs. Tidak Signifikan) Kesignifikanan statistik menentukan sejauh manakah perbezaan atau hubungan pemboleh ubah dalam suatu kajian mungkin berlaku. Keputusan hipotesis boleh dibahagikan kepada dua jenis iaitu Signifikan atau Tidak Signifikan. Penentuannya dilihat daripada nilai p iaitu kebarangkalian. Jika nilai p adalah lebih kecil atau sama dengan .05, maka data dikatakan signifikan. Sebaliknya jika nilai p adalah lebih besar daripada .05, maka data dikatakan tidak Signifikan. Nilai p <.05 bermakna , daripada 100 kali kajian, hanya membenarkan kurang daripada 5 kali ralat. Contoh-contohnya adalah seperti berikut:

nilai p 0.03 0.045 0.051 0.05

Keputusan Hipotesis Signifikan Signifikan Tidak Signifikan Signifikan

Sebab Nilai p lebih kecil daripada .05 Nilai p lebih kecil daripada .05 Nilai p lebih besar daripada .05 Nilai p sama dengan .05

Nilai p juga boleh menjadi < .01 atau < .001. Lazimnya nilai p< .01 atau p< .001 digunakan dalam kajian Sains Tulen.

2.5 Pengukuran dalam penyelidikan 2.5.1 Mengurangkan ralat pengukuran

8
Mengikut Chua (2008), ralat dalam pengukuran boleh dikurangkan melalui cara-cara, berikut: i. ii. iii. iv. v. vi. vii. mendapatkan purata (mean) bagi beberapa pengukuran. Mendapatkan nilai indeks bagi variabel yang diukur Menggunakan prosedur persampelan rawak Menggunakan alat pengukuran yang mempunyai kesahan yang tinggi Mengelakkan penggunaan banyak perkataan/ayat yang mengelirukan Mengelakkan penggunaan banyak pengkaji dalam mengendalikan pengukuran (terutamanya dalam kajian kualitatif) Menyemak data dengan teliti

2.5.2 Skala pengukuran Mengikut Arsaythamby dan Arumugam (2009), terdapat empat jenis skala pengukuran; i. ii. iii. iv. kategori nominal pengukuran ordinal jeda (interval) nisbah

Skala nominal ialah skala yang menggunakan angka untuk mewakili kategori-kategori sesuatu variabel. Contoh ialah jantina, bangsa, parti politik, warna, program pengajian, agama. Bagi jantina, ia biasanya dikodkan dengan menggunakan angka ”1” dan ”2” yang mewakili kategori ”lelaki” dan ”perempuan”. Ia bukan data kontinum, tidak mempunyai magnitud dan tidak mempunyai makna dalam pengiraan Matematik. Skala ordinal ialah skala yang melibatkan data-data kontinum yang disusun secara teratur bermula dengan angka yang kecil mewakili nilai yang kecil dan angka yang lebih besar mewakili nilai yang lebih besar. Skala ordinal yang paling kerap digunakan ialah Skala Likert yang menggunakan angka 1, 2, 3, 4,dan 5 untuk mewakili tahap persetujuan subjek mengenai sesuatu pernyataan Skala jeda (interval) bermaksud kewujudan jeda dengan saiz skala yang sama antara satu unit ke satu unit lain (Arsaythamby & Arumugam, 2009). Pengukuran data nisbah melibatkan data-data kontinum, disusun secara teratur dari angka yang kecil yang mewakili nilai yang kecil hingga angka yang besar mewakili nilai yang besar.

9

3.

STATISTIK DESKRIPTIF

3.1 Asas statistik Statistik digunakan untuk merumus, memperihal dan mengeneralisasikan data yang dikumpul sama ada secara pendekatan kuantitatif atau kualitatif.

3.2 Ukuran kecenderungan memusat Ukuran ini digunakan untuk memperihalkan taburan data deskriptif. Ukuran min, mod dan median adalah ukuran untuk menunjukkan kecenderungan memusat (Arsaythamby & Arumugam, 2009).

4.

TABURAN DATA

4.1 Kepencongan Ukuran kepencongan menunjukkan bentuk-bentuk taburan data dan arah taburan kekerapan itu menghala. Sekiranya kepencongan ke arah positif, ekor graf adalah ke sebelah kanan, manakala sekiranya kepencongan ke arah negatif, ekor graf adalah ke arah kiri. Ini juga bermaksud kepencongan adalah arah taburan kekerapan itu bergerak jauh daripada purata. Pencong negatif menunjukkan kebanyakan data adalah lebih besar daripada min dan skornya tinggi. Pencong positif menunjukkan kebanyakan data adalah lebih kecil daripada min dan skornya rendah. Simetri menunjukkan min, mod dan median adalah sama dan data adalah normal.

5.

ANALISIS DATA DENGAN SPSS

5.1 Ujian-t Sampel Berpasangan Mengikut Arsaythamby dan Arumugam (2009) tujuan menggunakan Ujian-t Sampel Berpasangan ialah untuk menguji perbezaan di antara dua sampel bepasangan. Dua sampel dianggap berkaitan apabila dua kumpulan individu yang sama menyediakan data

10
kepada dua keadaan yang berbeza. Sebelum pengiraan ujian-t dilakukan, pengkaji perlu mempastikan bahawa semua syarat ujian-t dipatuhi. Syarat-syarat tersebut adalah: 1. Skala pengukuran selang atau nisbah – skala data selanjar yang merupakan skorskor dan nilai-nilai yang berskala. 2. Pensampelan rawak – subjek-subjek dalam sampel harus dipilih daripada populasi secara rawak.

3. Normaliti – skor-skor dalam populasi bertaburan normal.

Contoh Satu kumpulan pelajar yang sama diberi ujian pemahaman sebanyak dua kali. Pertama tidak mengguna kalkulator dalam pengajaran dan yang kedua setelah mengguna kalkulator dalam pengajaran. Pengkaji ingin tahu jika ada perbezaan skor yang signifikan di antara sebelum dan selepas mengguna kalkulator dalam pengajaran (pemahaman berbeza mengikut penggunaan kalkulator). Pengkaji menetapkan soalan kajian dan hipotesis kajian. Soalan Kajian Adakah terdapat perbezaan pencapaian subjek Matematik pelajar SMK Cempaka dengan penggunaan kalkulator dalam pengajaran? Hipotesis Kajian Ho : Tidak terdapat perbezaan pencapaian subjek Matematik pelajar SMK Cempaka dengan penggunaan kalkulator dalam pengajaran.

Langkah 1: Menyediakan fail dalam SPSS i. ii. Dalam Variable View, baris pertama, taipkan perkataan ”case”. Kemudian, Dalam Variable View, baris kedua, tetapkan dua pemboleh ubah:

1.

Pre : skor pelajar apabila ujian pemahaman tanpa mengguna kalkulaor dalam pengajaran

2. Post : skor murid apabila ujian pemahaman selepas mengguna kalkulator dalam pengajaran Langkah 2 : Prosedur SPSS (Ujian-t Berpasangan) i. Dalam Data View, arahkan cursor komputer ke menu Analyze, pilih Compare

11
Means, kemudian Paired-Samples T Test ii. Dalam kotak Dialog Paired-Samples T Test, pilih pasangan yang akan dibandingkan dengan klik kedua-duanya sekali. Ia akan dimasukkan ke dalam Paired Variables. Paparan akan keluar perkataan pre-post. Klik OK untuk output ujian-t. Langkah 3 : Output SPSS (Ujian-t Berpasangan) i. Jadual Paired Samples Statistics mengandungi data deskriptif asas iaitu min dan sisihan piawai bagi skor setiap kumpulan: Paired Samples Statistics Me an pre pos t Std. Deviati on 42 42 Std. Error Mean 8.571 8.781 1.322 1.355

N 66.10 85.10

Pai r1

Pre : M = 66.10, SD = 8.57 Post : M = 85.10, SD = 8.781 Data jelas menunjukkan penggunaan kalkulator adalah lebih baik untuk pemahaman, tetapi adakah kesan ini signifikan secara statistik? Ujian-t sampel berpasangan akan menjawab soalan ini. ii. Jadual Paired Samples Tests menunjukkan banyak maklumat, iaitu perbezaan min dua sampel, nilai t, darjah kebebasan (df) dan kesignifikan: Paired Samples Test
Sig. (2tailed)

Mean Pair 1 pre - post

Paired Differences Std. Std. Error 95% Confidence Interval Deviation Mean of the Difference Lower -19.985 Upper -18.015

t

df

-19.000

3.162

.488

-38.938

41

.000

Mean = Beza min antara dua sampel (85.10 – 66.10 = 19.00)

12
iii. Jadual Paired Samples Tests menunjukkan perbezaan antara min pra dan post adalah signifikan secara statistik. Dapatan untuk menulis laporan ialah: t = -38.938 df = 41 Sig (2-tailed) = .000 iv. Penulisan laporan gaya APA

Keputusan Jadual 5.1 menunjukkan ujian-t sampel berpasangan adalah signifikan (t(41)= -38.94, p < .01). Keputusan ini berjaya menolak Ho, dengan itu gagal menolak HA. Ini menunjukkan terdapat perbezaan antara pencapaian Matematik pengajaran tanpa mengguna kalkulator dengan pengajaran mengguna kalkulator. Min (85.10) pencapaian Matematik apabila kalkulator digunakan dalam pengajaran adalah lebih tinggi berbanding min (66.10) pencapaian Matematik tanpa mengguna kalkulator. Kesimpulannya, penggunaan kalkulator dalam pengajaran Matematik berjaya meningkatkan pencapaian pelajar dalam Matematik di SMK Cempaka. Jadual 5.1 : Keputusan ujian-t berpasangan pencapaian Matematik dengan penggunaan kalkulator N Ujian pra-post 42 Min -19.00 SP 3.16 dk 41 t -38.94 p .00**

**p < .01

13
5.1.2 Ujian-t sampel bebas

1.0 Ujian-t Sampel Bebas (Independent Sample t-Test)
Ujian-t sampel bebas digunakan untuk membandingkan min bagi dua kumpulan dalam pemboleh ubah yang dikaji. Sebelum menjalankan ujian-t sampel bebas, kriteria-kriteria berikut perlu dipatuhi:

(a) Pemboleh ubah bersandar mestilah merupakan jenis skala, sama ada dalam
bentuk interval atau nisbah. (b) Setiap responden hanya terlibat dalam kajian sekali sahaja dan tidak boleh mempengaruhi responden lain. (c) Data sampel seharusnya menunjukkan taburan normal. (d) Varians setiap kumpulan dalam pemboleh ubah yang dikaji sepatutnya hampir sama. Untuk membandingkan min, dua kumpulan yang dikaji mesti mempunyai varians yang sama. Varians yang sama menunjukkan bahawa kedua-dua kumpulan yang dibanding mempunyai kekuatan, kehebatan, atau tahap kualiti yang sama. Bagi dua kumpulan yang mempunyai varians yang sama, adalah sukar bagi kita menentukan menang-kalah antara dua kumpulan tersebut. Untuk mengenal pasti kehomogenan varians, ujian Levene digunakan. Sekiranya ujian Levene memberi keputusan yang tidak signifikan (p > .05), ini bermakna varians dua kumpulan yang dikaji adalah sama dan ujian-t sampel bebas boleh dijalankan untuk menentukan perbezaan dua kumpulan tersebut. Sebaliknya, jika ujian Levene menunjukan keputusan yang signifikan (p < .05), maka varians kedua-dua kumpulan yang dikaji adalah berbeza dan ujian-t sampel bebas tidak boleh diteruskan. Contoh: Seorang pengkaji ingin tahu tentang kesan sikap pelajar dalam pembelajaran Matematik berdasarkan jantina di SMK Cempaka. Soalan Kajian Adakah terdapat perbezaan yang signifikan dalam sikap pembelajaran Matematik berdasarkan jantina ?

14
Hipotesis Ho : Tidak terdapat perbezaan yang signifikan antara pelajar lelaki dan perempuan dalam sikap pembelajaran Matematik Langkah 1: Penyediaan fail Data SPSS. Langkah 2: Prosesur SPSS (Homogeniti of Varian dan Ujian-t) i. ii. Dalam menu Analyze, pilih Compare Means, kemudian Independent-Samples T Test. Dalam Independent-Samples T Test, pindahkan DV (sikap pembelajaran) ke dalam Test Variable(s) dan IV (jantina) ke dalam kotak Grouping Variable. Klik Define Groups, masukkan nilai “1” yang mewakili kumpulan lelaki dan nilai “2” yang mewakili perempuan. Klik OK untuk melihat output.

Langkah 3 : Output SPSS (Homogeneiti of Variance dan Ujian-t)
Group Statistics Std. Error Mean .410 .368

SIKAP

Jantina Lelaki Perempuan

N 309 365

Mean 55.29 57.17

Std. Deviation 7.211 7.022

i.

Jadual Group Statistics menunjukkan maklumat deskriptif asas untuk setiap kumpulan: Responden lelaki (n = 309) menunjukkan purata skor ialah 55.29 Responden perempuan (n = 365) menunjukkan purata skor ialah 57.17. Sisihan piawai untuk kumpulan lelaki (SD = 7.21) lebih besar dari kumpulan perempuan (SD = 7.02).

15
Independent Samples Test

Levene's Test for Equality of Variances

t-test for Equality of Means 95% Confidence Interval of the Difference Lower Upper -.800

F SIKAP Equal varianc es assume d Equal varianc es not assume d .089

Sig.

t

df 672

Sig. (2tailed) .001

Mean Differe nce -1.879

Std. Error Differe nce

.765 -3.419

.550 -2.958

-3.412

647.7 75

.001

-1.879

.551 -2.961

-.798

ii.

Jadual Independent Samples Test mempunyai dua ujian: a. Levene’s Test for Equality of Variances b. T-test for Equality of Means

Levene’s Test for Equality of Variances tidak signifikan (F = 0.089, p > .05). Andaian “homogeniti of varian” tidak dimungkiri. iii. Oleh itu, kita boleh terjemah ujian-t untuk melihat sama ada ianya signifikan atau tidak. Maklumat berikut perlu ditulis: t = -3.149, df = 672 p < .05 iv. Penulisan Laporan Mengikut APA Ujian Levene adalah tidak signifikan (p > .05). Ini telah memenuhi andaian kehomogenan varians. Iaitu varians pelajar lelaki adalah sama dengan varians

16
pelajar perempuan. Jadual 5.2 menunjukkan ujian-t sampel bebas adalah signifikan (t(672) = -3.42, p < .05). Keputusan ini berjaya menolak Ho dengan itu menerima HA. Ini menunjukkan terdapat perbezaan sikap pembelajaran Matematik berdasarkan jantina. Min (57.17) sikap pembelajaran Matematik pelajar perempuan adalah lebih tinggi daripada min (55.29) sikap pembelajaran Matematik pelajar lelaki. Kesimpulannya, sikap pembelajaran Matematik dalam kalangan pelajar

perempuan adalah lebih positif berbanding dengan sikap pembelajaran Matematik lelaki di SMK Cempaka. Jadual 5.2: Keputusan Ujian-t jantina terhadap sikap pembelajaran Matematik Jantina Lelaki Perempuan ** p < .01 N 309 365 Min 55.29 57.17 SP 7.211 7.022 dk 672 t -3.42 p .001** .001**

5.1.3 Ujian Anova (Analisis Varians Satu Hala) Ujian ANOVA (Analysis of Variances Test) adalah ujian yang paling banyak digunakan dalam kajian sains tingkah laku (Howell, 1999). Ujian ANOVA biasanya digunakan untuk membezakan skor-skor min bagi sampel-sampel kajian. Ujian-t hanya membenarkan perbandingan dua skor min sahaja, tetapi ujian ANOVA boleh digunakan untuk membanding dua atau lebih skor min. Ujian ANOVA juga membenarkan pengkaji membuat analisis ke atas dua atau lebih pembolehubah bebas secara serentak, untuk melihat sama ada terdapat kesan interaksi antara pemboleh ubah-pemboleh ubah bebas tersebut. Sebagai contoh, ujian ANOVA dua hala digunakan untuk mengenal pasti kesan interaksi antara dua pembolehubah bebas yang mempengaruh pemboleh ubah bersandar.

Ujian ANOVA diguna apabila:

17 1. Pengkaji ingin mengenal pasti perbezaan antara dua atau lebih kumpulan data jeda
atau nisbah. 2. Dua atau lebih rawatan digunakan serentak untuk melihat interaksinya. Ujian ANOVA yang melibatkan satu pembolehubah bebas dinamakan sebagai ujian ANOVA sehala (One-Way ANOVA).

Ujian Anova Sehala Taburan yang dikaitkan dengan ujian ANOVA ialah taburan F. Ia digunakan untuk menguji sama ada terdapat perbezaan antara dua atau lebih daripada dua skor min.

Syarat-Syarat Ujian Anova Penggunaan ujian ANOVA tertakhluk kepada beberapa syarat di bawah.

a. Pemboleh ubah bersandar diukur dalam skala jeda atau nisbah. b. Pemboleh ubah bebas mempunyai dua atau lebih daripada dua aras. c. Skor-skor pemboleh ubah bersandar bertaburan secara normal dalam semua
kumpulan dalam pemboleh ubah bebas yang digunakan untuk perbandingan, dan kumpulan-kumpulan tersebut mempunyai nilai varian yang hampir sama.

d. Pada keadaan biasa, saiz sampel 30 subjek adalah cukup besar untuk mendapat
keputusan yang normal. e. Normaliti taburan – populasi kajian dan min-min sampel kajian yang bertaburan normal. Unsur utama dalam ujian ANOVA ialah varian. Prosedur pengiraan pada asasnya ialah memperoleh dua anggaran perbezaan varian populasi dari data kajian, dan kemudian membandingkan kedua-dua anggaran tersebut. Anggaran perbezaan varian tersebut ialah:

a. Varian antara kumpulan (between-groups varience) - satu campuran pengukuran
kesan pembolehubah bebas dan ralat varian.

b. Varian dalam kumpulan (within groups variance) - ralat varian dalam kumpulan
tersebut.

18
Nilai nisbah-F (F-ratio) ialah nisbah varian antara kumpulan dan varian dalam kumpulan. Nilai nisbah-F yang signifikan menunjuk bahawa min-min populasi menggunakan statistik perbandingan pelbagai seperti ujian Post-Hoc Comparision untuk mengesan pasangan skor mana yang mengakibatkan perbezaan signifikan tersebut. Ujian Anova Sehala Untuk Perbezaan Antara Kumpulan Ujian ANOVA dijalankan berdasarkan prosedur di bawah. 1. Menyatakan hipotesis null. 2. Menentukan aras signifikan. 3. Menentukan normaliti semua taburan sampel. 4. Menentukan sama ada menolak atau tidak menolak.

Hipotesis Ujian ANOVA Bagi ujian ANOVA, hipotesis-hipotesis berikut ditetapkan: Ho : Semua min adalah sama. HA: Sekurang-kurangnya satu min adalah berbeza. Contoh: H0: Tidak terdapat perbezaan yang signifikan antara pencapaian Matematik pelajar bangsa Melayu, Cina dan India. HA: Terdapat perbezaan yang signifikan dalam pencapaian Matematik bagi sekurangkurangnya satu bangsa. Bagaimanapun, kesignifikanan hipotesis ini tidak memberi gambaran yang jelas tentang kumpulan yang minnya berbeza daripada kumpulan lain. Oleh itu, ujian Post Hoc (Tukey) digunakan untuk mencari kumpulan yang minnya berbeza itu. Ujian Post Hoc Ujian Post Hoc digunakan untuk menentukan perbezaan min dalam kumpulan (within group). Ujian Pos Hoc (Tukey) membolehkan kita membandingkan setiap pasangan kategori untuk melihat sama ada perbezaan mereka adalah signifikan (Hinton, 1994). Contohnya, bagi perbezaan dalam kumpulan bangsa, kita dapat menentukan perbezaan antara bangsa Melayu dengan Cina, Cina dengan India, atau Melayu dengan India.

19

Contoh Soalan Kajian Adakah terdapat perbezaan yang signifikan antara pencapaian Matematik KBSM berdasarkan waktu belajar? Hipotesis Kajian Ho : Tidak terdapat perbezaan yang signifikan antara pencapaian Matematik KBSM berdasarkan waktu belajar. Langkah 1: Penyediaan Fail Data SPSS Langkah 2: Prosedur SPSS (Varians yang Homogen dalam ANOVA) i. Arahkan cursor ke menu Analyze, pilih Compare Means kemudian klik One-Way ANOVA ii. Dalam One Way ANOVA, gerakkan DV (skor Matematik) ke dalam Dependent List, dan IV (waktu belajar) dalam kotak Factor. iii. Klik ke Options, pilih Descriptive, Homogeneity of variance test dan Means plot. Kemudian klik Continue. iv. v. Dalam One Way ANOVA, pilih Post Hoc, Dalam One Way ANOVA : Post Hoc Multiple Comparisons, pilih Turkey dan Continue.

20

Langkah 3: Output SPSS (Varian yang Homogen dan ANOVA) Descriptives MathKBSM
Std. Deviation Std. Error 95% Confidence Interval for Mean Lower Bound 15.32 18.81 17.51 17.72 17.73 14.18 Upper Bound 18.14 21.94 19.30 19.09 19.09 22.64 2.006 Minimu m Maximu m BetweenComponen t Variance

N

Mean

Pagi Petang Malam Total Mod el Fixed Effects Random Effects

153 131 385 669

16.73 20.37 18.41 18.41

8.835 9.050 8.957 9.012 8.947

.714 .791 .456 .348 .346 .983

4 6 5 4

40 40 40 40

i.

Jadual Descriptive mengandungi maklumat deskriptif asas tentang skor dalam tiga keadaan (pagi, petang dan malam)

Test of Homogeneity of Variances MathKBSM
Levene Statistic 2.030

df1 2

df2 666

Sig. .132

ii.

Jadual Test of Homogeneity of Variances menunjukkan ujian Levene tidak signifikan (p > .05). Dengan itu, andaian varian yang homogen tidak dimungkiri.

ANOVA MathKBSM Sum of Squares Between Groups Within Groups 936.122 53315.4 df 2 666 Mean Square 468.061 80.053 F 5.847 Sig. .003

21
74 54251.5 96

Total

668

iii.

Jadual ANOVA mengandungi output utama untuk ujian ANOVA. Jadual melaporkan kedua-dua varian Between Groups dan varian Within Groups. F adalah ujian penting untuk ANOVA. Kajian dalam kes ini dengan p < .05 menunjukkan kita boleh buat kesimpulan bahawa terdapat perbezaan statistik yang signifikan antara skor sekurang-kurangnya antara dua kumpulan.

Post Hoc Tests Multiple Comparisons Dependent Variable: MathKBSM Tukey HSD
Mean Difference (IJ) -3.642(*) -1.673 3.642(*) 1.969 1.673 -1.969 95% Confidence Interval Std. Error 1.065 .855 1.065 .905 .855 .905 Sig. .002 .124 .002 .076 .124 .076 Lower Bound -6.14 -3.68 1.14 -.16 -.34 -4.09 Upper Bound -1.14 .34 6.14 4.09 3.68 .16

(I) BilaMath Pagi Petang Malam

(J) BilaMath Petang Malam Pagi Malam Pagi Petang

* The mean difference is significant at the .05 level.

iv.

Post Hoc Tests dijalankan apabila penyelidik tidak mempunyai hipotesis yagn spesifik tentang kumpulan mana yang berbeza dengan kumpulan mana. Jadual Multiple Comparisons menunujukkan output ujian yang pengkaji mahukan.

v.

Penulisan Laporan Mengikut APA Jadual 5.3 menunjukkan ujian Levene tidak signifikan (p > .05). Keputusan ini telah memenuhi andaian kehomogenan varian terhadap waktu belajar. Ujian ANOVA menunjukkan bahawa perbezaan pencapaian ujian Matematik KBSM adalah signifikan secara statistik (F (2, 666) = 5.85, p < .05) berdasarkan waktu

22
belajar. Oleh itu, bias waktu belajar wujud terhadap pencapaian Matematik KBSM. Keputusan ini berjaya menolok Ho dengan itu menerima HA, iaitu sekurang-kurangnya min satu masa belajar adalah berbeza dengan masa lain dalam pencapaian Matematik KBSM. Ujian Post Hoc (Tukey) mendapati bias waktu belajar adalah signifikan antara waktu pagi dengan waktu petang (p < .05) dalam pencapaian Matematik KBSM, manakala bias tidak wujud antara waktu pagi dengan waktu malam, dan waktu petang dengan waktu malam. Kesimpulannya hasil analisis ANOVA menunjukkan bahawa pencapaian Matematik KBSM bias kepada waktu belajar.

Jadual 5.3: Keputusan Ujian ANOVA pencapaian Matematik KBSM terhadap

waktu belajar
Pagi Petang Malam * P < .05 N 153 131 385 Min 16.73 20.37 18.41 SD 8.835 9.050 8.957 df1 2 df2 666 F 5.847 p .003*

5.1.4 Korelasi Analisis korelasi digunakan untuk mencari hubungan antara dua pemboleh ubah, di mana kedua-dua pemboleh ubah mestilah jenis skala. Analisis korelasi antara pemboleh ubah mesti dijalankan secara berpasangan. Pemboleh ubah-pemboleh ubah yang terlibat juga mesti adalah linear. Contohnya, mencari hubungan antara sikap pelajar dan pencapaian Matematik mereka di sekolah. Dalam contoh ini, sikap pelajar dan pencapaian Matematik merupakan pemboleh ubah jenis skala yang mempunyai kelinearan.

23

Kita boleh menentukan bilangan hubungan yang perlu dicari berdasarkan bilangan pemboleh ubah yang kita ada. Contohnya, kita ingin mengkaji hubungan antara tiga pemboleh ubah, iaitu A, B, dan C. Tiga pemboleh ubah menandakan tiga jenis hubungan yang perlu kita kaji, ini termasuk perhubungan antara A-B, B-C, dan A-C. Terdapat beberapa jenis korelasi, antaranya korelasi Pearson da korelasi Spearman. Koefisien Korelasi (Correlation Coefficient) Koefisien korelasi merupakan satu angka di antara -1 dan 1 yang menggambarkan kekuatan hubungan antara dua pemboleh ubah. Koefisien korelasi bagi dua pemboleh ubah X dan Y ditulis sebagai: rXY. Koefisien korelasi boleh diitafsir dari aspek arah hubungan dan kekuatan hubungan pemboleh ubah. Semakin hampir suatu koefisien korelasi dengan -1 atau 1, semakin kuat hubungan antara dua pemboleh ubah yang dikaji. Manakala koefisien korelasi yang hampir dengan 0 menandakan bahawa hubungan antara dua pemboleh ubah adalah lemah. Tanda positif dan negatif menandakan arah hubungan sama ada berkadar terus (proportional) atau berkadar songsang. Pertimbangkan koefisien- koefisien yang berikut: Koefisien Korelasi r = .21 r = .89 r=0 r = -.21 r = -.89

Arah Hubungan X meningkat, Y Y

Kekuatan Hubungan Hubungan Lemah Hubungan Kuat Tidak ada hubungan

Catatan Tanda Jauh dari 1 Tanda positif; positif;

meningkat. X meningkat, meningkat.

Hampir dengan 1 Tanda Jauh dari -1 Tanda negatif; negatif;

Tidak ada hubungan X meningkat, Y Y

menurun X meningkat, menurun

Hubungan Lemah Hubungan Kuat

Hampir dengan -1

Contoh : Kajian yang berkaitan dengan korelasi Korelasi Bivariate digunakan untuk mengukur perkaitan linear antara dua pemboleh ubah berterusan. Soalan Kajian

24 1. Adakah terdapat hubungan antara sikap pembelajaran dan pencapaian
Matematik KBSM pelajar SMK Cempaka?

2. Adakah terdapat hubungan antara tabiat dan pencapaian Matematik KBSM
pelajar SMK Cempaka?

3. Adakah terdapat hubungan antara kebimbangan dan pencapaian Matematik
KBSM pelajar SMK Cempaka?

4. Adakah terdapat hubungan antara sikap pembelajaran dan tabiat pelajar
SMK Cempaka?

5. Adakah terdapat hubungan antara sikap pembelajaran dan kebimbangan
pelajar SMK Cempaka?

6. Adakah terdapat hubungan antara tabiat dan kebimbangan pelajar SMK
Cempaka?

Hipotesis kajian : Ho1: Tidak terdapat hubungan yang signifikan antara sikap pembelajaran dan pencapaian Matematik KBSM pelajar SMK Cempaka. Ho2: Tidak terdapat hubungan yang signifikan antara tabiat dan pencapaian Matematik KBSM pelajar SMK Cempaka. Ho3: Tidak terdapat hubungan yang signifikan antara kebimbangan dan pencapaian Matematik KBSM pelajar SMK Cempaka. Ho4: Tidak terdapat hubungan yang signifikan antara sikap pembelajaran dan tabiat pelajar SMK Cempaka. Ho5: Tidak terdapat hubungan yang signifikan antara sikap pembelajaran dan kebimbangan pelajar SMK Cempaka. Ho6: Tidak terdapat hubungan yang signifikan antara tabiat dan kebimbangan pelajar SMK Cempaka.

25
Langkah 1: Penyediaan Fail Data SPSS Langkah 2: Prosedur SPSS (Korelasi) i. ii. Arahkan cursor ke menu Analyze, pilih Correlate kemudian klik Bivariate Dalam Bivariate Correlation, gerakkan pemboleh ubah korelasi (pencapaian Matematik KBSM, sikap, bimbang, tabiat) ke dalam Variables iii. Klik OK untuk menjana analisis

Langkah 3: Output SPSS
Correlations MathKBSM MathKBSM Pearson Correlation Sig. (2-tailed) N SIKAP Pearson Correlation Sig. (2-tailed) N BIMBANG Pearson Correlation Sig. (2-tailed) N TABIAT Pearson Correlation Sig. (2-tailed) N 1 . 669 .360(**) .000 669 -.357(**) .000 668 .251(**) .000 SIKAP .360(**) .000 669 1 . 674 -.320(**) .000 673 .718(**) .000 673 BIMBANG -.357(**) .000 668 -.320(**) .000 673 1 . 673 -.323(**) .000 672 TABIAT .251(**) .000 668 .718(**) .000 673 -.323(**) .000 672 1 . 673

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

i.

Pearson Correlation boleh jadi nilai + atau -. Nilai kosong menunjukkan tiada hubungan antara dua pemboleh ubah.

ii.

Penulisan Laporan Mengikut APA

H01: Tidak terdapat hubungan antara sikap pembelajaran dengan pencapaian Matematik pelajar SMK Cempaka Sikap pembelajaran Matematik mempunyai hubungan positif yang signifikan (r = .36, p < .01) secara statistik dengan pencapaian Matematik KBSM pelajar SMK Cempaka.

26
Keputusan ini berjaya menolak Ho dengan itu menerima HA. Hal ini menunjukkan pelajar yang mempunyai sikap pembelajaran Matematik yang tinggi mempunyai pencapaian Matematik yang tinggi manakala pelajar yang mempunyai sikap pembelajaran Matematik yang rendah mempunyai pencapaian Matemaik yang rendah. Sikap pembelajaran Matematik menunjukkan hubungan yang rendah iaitu 0.36 terhadap pencapaian akademik. Sikap pembelajaran menunjukkan nilai r2 = 0.13. Ini menunjukkan sikap pembelajaran menyumbang sebanyak 13% varians berhubungan dengan varians pencapaian Matematik KBSM SMK Cempaka.

H02: Tidak terdapat hubungan yang signifikan antara tabiat dan pencapaian Matematik KBSM pelajar SMK Cempaka Tabiat mempunyai hubungan positif yang signifikan (r = .25, p < .01) secara statistik dengan pencapaian Matematik KBSM pelajar SMK Cempaka. Keputusan ini berjaya menolak Ho dengan itu menerima HA. Hal ini menunjukkan pelajar yang mempunyai tabiat yang tinggi mempunyai pencapaian Matematik yang tinggi manakala pelajar yang mempunyai tabiat yang rendah mempunyai pencapaian Matemaik yang rendah. Tabiat pelajar menunjukkan hubungan yang lemah iaitu 0.25 terhadap pencapaian akademik. Sikap pembelajaran menunjukkan nilai r2 = 0.06. Ini menunjukkan tabiat menyumbang sebanyak 6% varians berhubungan dengan varians pencapaian Matematik KBSM SMK Cempaka

H03:

Tidak terdapat hubungan yang signifikan antara kebimbangan dan pencapaian Matematik KBSM pelajar SMK Cempaka

Kebimbangan mempunyai hubungan negatif yang signifikan (r = - .36, p < .01) secara statistik dengan pencapaian Matematik KBSM pelajar SMK Cempaka. Keputusan ini berjaya menolak Ho dengan itu menerima HA. Hal ini menunjukkan pelajar yang mempunyai kebimbangan yang tinggi mempunyai pencapaian Matematik yang rendah manakala pelajar yang mempunyai kebimbangan yang rendah mempunyai pencapaian Matematik yang tinggi. Kebimbangan menunjukkan hubungan yang rendah iaitu - 0.36 terhadap pencapaian akademik. Kebimbangan menunjukkan nilai r2 = 0.13. Ini menunjukkan kebimbangan menyumbang sebanyak 13% varians berhubungan dengan varians pencapaian Matematik KBSM SMK Cempaka.

27

H04: Tidak terdapat hubungan yang signifikan antara sikap pembelajaran dan tabiat pelajar SMK Cempaka Sikap pembelajaran mempunyai hubungan positif yang signifikan (r = .72, p < .01) secara statistik dengan tabiat pelajar SMK Cempaka. Keputusan ini berjaya menolak Ho dengan itu menerima HA. Hal ini menunjukkan pelajar yang mempunyai sikap pembelajaran yang tinggi mempunyai tabiat yang tinggi manakala pelajar yang mempunyai sikap pembelajaran yang rendah mempunyaitabiat yang rendah. Sikap pembelajaran Matematik menunjukkan hubungan yang tinggi iaitu 0.72 terhadap tabiat pelajar. Sikap pembelajaran menunjukkan nilai r2 = 0.52. Ini menunjukkan sikap pembelajaran menyumbang sebanyak 52% varians berhubungan dengan varians tabiat pelajar SMK Cempaka.

H05: Tidak terdapat hubungan yang signifikan antara sikap pembelajaran dan kebimbangan pelajar SMK Cempaka Sikap pembelajaran mempunyai hubungan negatif yang signifikan (r = - .32, p < .01) secara statistik dengan kebimbangan pelajar SMK Cempaka. Keputusan ini berjaya menolak Ho dengan itu menerima HA. Hal ini menunjukkan pelajar yang mempunyai sikap pembelajaran yang tinggi mempunyai kebimbangan yang rendah manakala pelajar yang mempunyai sikap pembelajaran yang rendah mempunyai kebimbangan yang tinggi. Sikap pembelajaran Matematik menunjukkan hubungan yang lemah iaitu -0.32 terhadap kebimbangan pelajar. Sikap pembelajaran menunjukkan nilai r2 = 0.10. Ini menunjukkan sikap pembelajaran menyumbang sebanyak 10% varians berhubungan dengan varians kebimbangan pelajar SMK Cempaka

H06: Tidak terdapat hubungan yang signifikan antara tabiat dan kebimbangan pelajar SMK Cempaka Tabiat mempunyai hubungan negatif yang signifikan (r = - .32, p < .01) secara statistik dengan kebimbangan pelajar SMK Cempaka. Keputusan ini berjaya menolak Ho dengan itu menerima HA. Hal ini menunjukkan pelajar yang mempunyai tabiat yang tinggi mempunyai kebimbangan yang rendah manakala pelajar yang mempunyai tabiat yang rendah mempunyai kebimbangan yang tinggi. Tabiat menunjukkan hubungan yang

28
rendah iaitu -0.32 terhadap kebimbangan pelajar. Sikap pembelajaran menunjukkan nilai r2 = 0.10. Ini menunjukkan tabiat menyumbang sebanyak 10% varians berhubungan dengan varians kebimbangan pelajar SMK Cempaka. Kesimpulannya terdapat hubungan yang signifikan antara sikap, kebimbangan dan pencapaian Matematik pelajar SMK Cempaka

Jadual 5.4: Nilai-nilai Korelasi Pearson di antara pemboleh ubah Sikap 0.36** Kebimbangan -0.36** -0.32** Tabiat 0.25 ** 0.72** -0.32**

Pencapaian Sikap Kebimbangan **p < .01 (ujian dua ekor)

5.1.5 Ujian Khi Kuasa dua (χ2) Ujian Khi Kuasa dua digunakan untuk mencari perkadaran (association) antara dua pemboleh ubah jenis kategori, terutamanya pemboleh ubah nominal. Ujian ini merupakan pengukuran bukan parametrik. Bagi ujian khi kuasa dua, dua jenis skor terlibat iaitu (a) skor yang diperhatikan atau skor sebenar (observed score); dan (b) skor yang dijangkakan (expected score). Ujian khi kuasa dua bertujuan untuk membandingkan taburan suatu sampel (observed score); dengan taburan suatu populasi yang diketahui (expected score). Semakin jauh perbezaan antara observed score dan expected score, semakin signifikan perkadaran antara dua pemboleh ubah. Sebaliknya, jika perbezaan antara observed score dan expected score adalah kecil, maka perkadaran antara dua pemboleh ubah adalah tidak signifikan.

Penentuan Darjah Kebebasan

29
Darjah kebebasan adalah penting untuk menentukan sama ada keputusan khi kuasa dua adalah signifikan. Darjah kebebasan (df) boleh ditentukan dengan menggunakan formula Matematik: df = (R-1) (C-1) R = Row / Baris C = Column / Lajur Pertimbangkan contoh di mana perkadaran antaradua pemboleh ubah kategori, iaitu jantina dan waktu belajar Matematik pelajar SMK Kudat ingin ditentukan. Jadual seperti berikut boleh dibina: Waktu Belajar Pagi Lelaki Jantina Perempuan Jadual ini mempunyai 2 baris dan 3 lajur, maka darjah kebebasannya ialah 2. df = (R-1) (C-1) = (2 -1) (3-1) = (1) (2) =2 Contoh: Kes A Soalan Kajian Adakah terdapat perkadaran yang signifikan antara jantina dan waktu belajar Matematik pelajar Sekolah Rendah Kebangsaan Cempaka? Hipotesis Kajian Ho1: Tidak terdapat perkadaran yang signifikan antara jantina dan waktu belajar Matematik pelajar Sekolah Rendah Kebangsaan Cempaka. Langkah 1: Penyediaan Fail Data SPSS Langkah 2: Prosedur SPSS i. Arahkan cursor ke menu Analyze, pilih Descriptive Statistics kemudian ke Crosstabs.

Petang

Malam

30
ii. Dalam Crosstabs, gerakkan pemboleh ubah jantina ke dalam Row(s) dan gerakkan waktu belajar Matematik ke dalam Column(s). iii. iv. v. Pilih Statistics. Dalam Crosstabs : Statistics, tandakan Chi-square. Klik Continue. Kemudian klik Cells, pilih Observed Counts dan Expected Counts. Klik Continue. vi. Klik OK untuk menjana analisis

Langkah 3: Output SPSS Case Processing Summary
Cases Valid N Jantina * BilaMath 674 Percent 100.0% N 0 Missing Percent .0% N 674 Total Percent 100.0%

Jantina * BilaMath Crosstabulation
Count BilaMath Pagi Jantina Lelaki Perempua n 96 59 155 Petang 41 92 133 Malam 172 214 386 Total 309 365 674

Total

i.

Penulisan Laporan Mengikut APA

Ujian khi kuasa dua adalah signifikan (χ2(2) = 27.18, p < .01). Keputusan ini berjaya menolak Ho1 dengan itu menerima HA1. Kajian menunjukkan terdapat perkadaran antara jantina dengan waktu belajar Matematik pelajar SRK Cempaka. Kesimpulannya terdapat perkadaran yang signifikan antara jantina dengan waktu belajar Matematik pelajar Sekolah Rendah Kebangsaan Cempaka.

31
Jadual:5.5 Keputusan Ujian Khi Kuasa Dua antara Jantina dan Waktu Belajar

Jantina Skor Sebenar Skor Jangkaan Perempuan Skor Sebenar Skor Jangkaan 2 χ =27.18, p < .01 Lelaki Pagi 95 70.6 59 83.4

Waktu Belajar Petang 42 61.4 92 72.6

Malam 172 177.0 214 209.0

Contoh: Kes B Soalan Kajian Adakah terdapat perkadaran yang signifikan antara gred UPSR dan waktu belajar Matematik pelajar Sekolah Rendah Kebangsaan Cempaka? Hipotesis Kajian Ho1: Tidak terdapat perkadaran yang signifikan antara gred UPSR dan waktu belajar Matematik pelajar Sekolah Rendah Kebangsaan Cempaka.

Langkah 1: Penyediaan Fail Data SPSS Langkah 2: Prosedur SPSS i. Arahkan cursor ke menu Analyze, pilih Descriptive Statistics kemudian ke Crosstabs. ii. Dalam Crosstabs, gerakkan pemboleh ubah gred UPSR ke dalam Row(s) dan gerakkan waktu belajar Matematik ke dalam Column(s). iii. iv. Pilih Statistics. Dalam Crosstabs : Statistics, tandakan Chi-square. Klik Continue.

32
v. Kemudian klik Cells, pilih Observed Counts dan Expected Counts. Klik Continue. vi. Klik OK untuk menjana analisis

Langkah 3: Output SPSS
UPSR * BilaMath Crosstabulation

BilaMath Pagi UPSR A Count Expected Count Count Expected Count Count Expected Count Count Expected Count Count Expected Count Count Expected Count 40 46.2 41 47.5 41 39.8 24 16.1 7 3.4 153 153.0 Petang 38 40.4 54 41.6 32 34.8 7 14.1 3 3.0 134 134.0 Malam 125 116.4 114 119.9 102 100.4 40 40.7 5 8.6 386 386.0 Total 203 203.0 209 209.0 175 175.0 71 71.0 15 15.0 673 673.0

B

C

D

E

Total

i.

Penulisan Laporan Mengikut APA

Jadual 5.6 menunjukkan ujian khi kuasa dua adalah signifikan (χ2(8) = 19.49, p < .01). Keputusan ini berjaya menolak Ho1 dengan itu menerima HA1. Kajian menunjukkan terdapat perkadaran antara gred UPSR dengan waktu belajar Matematik pelajar SRK Cempaka. Kesimpulan terdapat perkadaran yang signifikan antara gred UPSR dengan waktu belajar Matematik pelajar Sekolah Rendah Kebangsaan Cempaka.

Jadual 5.6 : Keputusan Ujian Khi Kuasa Dua antara Gred UPSR dan Waktu Belajar Gred UPSR Waktu Belajar

33
Pagi 40 46.2 41 47.5 41 39.8 24 16.1 7 3.4 Petang 38 40.4 54 41.6 32 34.8 7 14.1 3 3.0 Malam 125 116.4 114 119.9 102 100.4 40 40.7 5 8.6

A

Skor Sebenar Skor Jangkaan B Skor Sebenar Skor Jangkaan C Skor Sebenar Skor Jangkaan D Skor Sebenar Skor Jangkaan E Skor Sebenar Skor Jangkaan χ2=19.49, p < .01

5.1.6 Ujian-t (t-Test) Ujian-t merupakan ujian inferential yang digunakan untuk membandingkan dua atau lebih daripada dua kumpulan data selang atau nisbah. Syarat-syarat ujian-t termasuk: 1. Skala pengukuran selang atau nisbah – skala data selanjar yang merupakan skorskor dan nilai-nilai yang jarak antara satu sama lain sama jauh. 2. Pensampelan rawak – subjek-subjek dalam sampel harus dipilih daripada populasi secara rawak 3. Normaliti – data dalam populasi perlulah bertaburan normal. Ujian-t digunakan untuk menentukan sama ada satu set atau set-set skor adalah berasal dari populasi yang sama. Terdapat empat jenis ujian-t iaitu:

1. Ujian-t untuk satu sampel (One-Sample t-Test) 2. Ujian-t untuk pengukuran berulangan (Paired-Samples t-Test) 3. Ujian-t untuk sampel bebas (Independent-Samples t-Test) 4. Ujian-t untuk sampel padanan (Matched-Sample t-Test)
Ujian-t digunakan dalam kes-kes berikut: 1. Saiz sampel mengandungi 10 subjek dan ke atas. 2. Pembolehubah bersandar diukur dalam skala selang atau nisbah. 3. Taburan populasi dari mana sampel dipilih secara rawak.

34
4. Kajian-kajian dilakukan untuk menentukan sama ada terdapat perbezaan yang signifikan secara statistik di antara dua kumpulan data. Ujian-t Satu Sampel (One-Sample t-Test) Ujian-t Satu Sampel (One-Sample t-Test) digunakan untuk membandingkan skor min sampel dengan skor min populasi. Ujian ini digunakan apabila data yang dipungut memenuhi semua kriteria ujian-t, iaitu data selang atau nisbah, dan taburan adalah normal (taburan normal biasanya berlaku apabila saiz sampel sama atau lebih besar daripada 50). Dengan kata lain, pengkaji telah memperoleh satu set data daripada sampel tertentu dan ingin mengenal pasti sama ada min bagi kumpulan sampel tersebut adallah sama dengan min bagi populasi dari mana sampel tersebut diperoleh. Ujian-t satu sampel terdiri daripada 2 kategori iaitu Ujian-t satu sampel bersandar dan Ujian-t satu sampel tidak bersandar. Ujian-t satu sampel bersandar menggunakan jenis skala norminal dan skala ordinal. Manakan ujian-t tidak bersandar menggunakan skala sela (ratio) dan skala nisbah (interval).

Kes A (Test Value = 82) Soalan Kajian Adakah perbezaan yang signifikan antara pencapaian Sains SMK Cempaka dengan pencapaian JPN Sabah? Hipotesis H01: Tidak ada perbezaan yang signifikan antara pencapaian Sains SMK Cempaka dengan pencapaian JPN Sabah. Interpretasi Dapatan kajian ini adalah signifikan (t(24) = - 6.22, p < .01). Keputusan ini berjaya menolak Ho1, dengan itu gagal menolak HA1. Ini menunjukkan terdapat perbezaan pencapaian Sains antara SMK Cempaka dan pencapaian Jabatan Pelajaran Negeri Sabah. Min (82) pencapaian Sains JPN Sabah adalah lebih tinggi berbanding min (74.92) pencapaian Sains SMK Cempaka Kesimpulannya, min pencapaian Sains JPN Sabah adalah lebih tinggi berbanding min pencapaian Sains SMK Cempaka.

35

Jadual 5.7 : Keputusan ujian-t pencapaian Sains SMK Cempaka

N Skor Ujian (SMKK) Ujian Skor (JPN Sabah) ** p < .01 Data 25

Min 74.92 82.00

sp 5.693

dk 24

T -6.22

P 0.00**

One-Sample Statistics Std. Error Mean 1.139

N SkorUjian 25

Mean 74.92

Std. Deviation 5.693

One-Sample Test Test Value = 82 95% Confidence Interval of the Difference SkorUjian t -6.218 df 24 Sig. (2-tailed) .000 Mean Difference -7.080 Lower -9.43 Upper -4.73

Rujukan Abdull, S. S. (2007). Kaedah penyelidikan pendidikan. Sintok: Penerbitan Universiti Utara Malaysia. Azirah, H. (2006). How to write a thesis: The thesis writing journey from start to finish. Kula Lumpur: University of Malaya Press.

36

Chua, Y. P. (2006). Kadeah penyelidikan. Kuala Lumpur: Mc Graw Hill. Mohd. Najib, A. G. (2003). Reka bentuk tinjauan soal selidik pendidikan. Skudai: Penerbit Universiti Teknologi Malaysia. Veloo, A., & Raman, A. (2000). Panduan menganalisis dan menginterpretasi data. Sintok: Penerbit Universiti Utara Malaysia.