Ujian-t dua sampel tidak bersandar

(2-sample independent t-test)

1
 SITUASI MENGAPLIKASI
UJIAN-T TIDAK BERSANDAR

• Ujian statistik yang paling meluas digunakan dalam

kajian perbandingan.

• Digunakan untuk membanding perbezaan min di

antara dua kumpulan tidak bersandar/berkaitan.
– Contoh: Kumpulan kajian yang dibina secara pembahagian
responden kepada dua kumpulan berbeza secara rawak
(Intervensi A vs Intervensi B ).
– Kumpulan juga boleh dibina melalui ciri-ciri perbezaan
sedia ada (causal comparative); sbg cth jantina.
 ANDAIAN STATISTIK
Jika reka bentuk kajian bersesuaian, ujian-t dua
sampel tidak bersandar boleh diaplikasi apabila:
• Ciri-ciri data mematuhi sifat taburan normal.
(data conformity to normal distribution)
• Skor atau pemerhatian yang bebas.
(independence of scores)
• Varians yang mempamer sifat homogen.
(homogeneity of variance)
3
 MENGUJI ANDAIAN-ANDAIAN

• Data mematuhi sifat taburan normal

• Nilai min dan nilai median berada
dalam julat yang kecil.

• Saiz sampel yang besar (bermaksud,

andaian ini boleh utk tidak dipatuhi).

• Ujian taburan normal.

Tesis pascasiswazah amat digalakkan melapor ujian
yang dijalankan bagi menentukan data mematuhi
taburan normal.
MENGUJI ANDAIAN-ANDAIAN (samb.)

Dua jenis ujian yang dicadangkan:

• Ujian Kolmogorov-Smirnov; kaedah utama
bagi menguji sifat taburan normal &
keseragaman set data yang dianalisis.

• Ujian Shapiro-Wilk; ujian yang lebih baik

untuk kes n < 50.
LANGKAH-LANGKAH UJIAN via SPSS
LANGKAH-LANGKAH UJIAN via SPSS (samb.)

LANGKAH 1: Pilih Analyze > Descriptive Statistics > Explore

LANGKAH-LANGKAH UJIAN via SPSS (samb.)

Jadual berikut akan tertera:

LANGKAH 2: Pilih ‘Data’ dan masukkan ke Dependent List

LANGKAH-LANGKAH UJIAN via SPSS (samb.)

Akan muncul jadual berikut…

Klik [Plots] dan seterusnya klik butang OK

LANGKAH-LANGKAH UJIAN via SPSS (samb.)

Akan muncul jadual berikut…

Pastikan check [None] pada Boxplots; dan

Check [Normality Plots with tests]
 LANGKAH-LANGKAH UJIAN via SPSS (samb.)

LANGKAH 3: Keputusan
 LANGKAH-LANGKAH UJIAN via SPSS (samb.)

LANGKAH 3: Keputusan

Tidak signifikan = taburan normal

 MENGUJI ANDAIAN-ANDAIAN (samb.)

• Skor atau pemerhatian yang bebas.

• Kaedah pensampelan rawak.
• Perlaksanaan protokol kajian yang konsisten ke
atas semua peserta kajian.
 MENGUJI ANDAIAN-ANDAIAN (samb.)

• Varians yang bersifat homogen

[andaian yang MESTI dipatuhi]
• Ujian Levene (Levene’s Test of Homogeneity) yang
menghasilkan keputusan TIDAK SIGNIFIKAN.

• Ujian Hartley Fmax yg menghasilkan keputusan < 3

(perbezaan nilai sisihan piawai tertinggi dengan nilai
sisihan piawai terendah).
INFO: Terdpt ujian-ujian lain spt. Ujian Brown-Forsythe, Ujian Dunnet,
Ujian Bartlett…
 BEBERAPA KONSEP DALAM UJIAN t
DUA SAMPEL TIDAK BERSANDAR

TABURAN PERBEZAAN DI ANTARA MIN:

[Distribution of Differences between means]
• H0: μ1 = μ2
• H1 : μ1 = μ2
• Variance Sum Law: The variance of the sum or
difference of two independent variables is equal
to the sum of their variances… di mana:

15
BEBERAPA KONSEP DALAM UJIAN t
DUA SAMPEL TIDAK BERSANDAR

Rumus:

16
BEBERAPA KONSEP DALAM UJIAN t
DUA SAMPEL TIDAK BERSANDAR

Statistik t:

17
 BEBERAPA KONSEP DALAM UJIAN t
DUA SAMPEL TIDAK BERSANDAR

DARJAH KEBEBASAN
Degrees of freedom (df)

Penentuan darjah kebebasan untuk ujian-t:

• df = (n1 – 1) + (n2 – 1)

18
 CONTOH APLIKASI

Dua kumpulan dgn 2 jenis set sarapan

yang berbeza:
Set Nasi Lemak [700kcal]
Set Roti Bakar Kopitiam [700kcal]
• Peserta kajian diagihkan secara rawak
kepada kumpulan masing-masing untuk
satu minggu.
• Berat badan sebelum dan selepas
intervensi set sarapan direkodkan.
• Pemboleh ubah bersandar ialah kadar
peningkatan berat badan.
 CONTOH APLIKASI samb.

Pengujian hipotesis:
• Set sarapan yang manakah menyebabkan
peningkatan berat badan yang lebih?

Maka, hipotesis nol ialah:

Ho: μ1 = μ2
[kadar peningkatan berat badan kump. nasi lemak = kadar
peningkatan berat badan kump. roti bakar]
Tidak terdapat perbezaan yang signifikan pada kadar peningkatan
berat badan di antara kump nasi lemak dengan kump roti bakar.
 Imbas Kembali....
Bagaimana kita menguji H0?

ENAM Langkah Ujian Hipotesis:

1. Nyatakan hipotesis.
2. Tetapkan alpha (a).
3. Lakukan pengiraan.
4. Dapatkan nilai kritikal (critical value).
5. Lakarkan kawasan penolakan hipotesis nol.
6. Laporkan keputusan dan buat kesimpulan.
21
 Imbas Kembali....
Bagaimana kita menguji H0?

1. Nyatakan hipotesis:
Ho: μ1 = μ2
Tidak terdapat perbezaan yang signifikan pada kadar
peningkatan berat badan di antara kump nasi lemak dengan
kump roti bakar.

2. Tetapkan alpha (a):

• Amalan biasa penyelidikan sains sosial; paras keyakinan 95%,
jadi a = 0.05
• p < .05
22
 Imbas Kembali....
Bagaimana kita menguji H0?

3. Lakukan pengiraan:
• Rumus untuk ujian t dua sampel tidak bersandar:

• df = (n1-1) + (n2-1)
23
 KAEDAH PENGIRAAN
• Contoh Data: X1 : Nasi Lemak X2 : Roti Bakar
1 3
2 4
2 4
2 4
3 5

• Langkah pertama:
Kira varians dan min utk setiap kumpulan.
[Oleh kerana, kedua-dua kumpulan itu tidak berkaitan, sampel
dikenali sebagai “independent/tidak bersandar” antara satu dengan
lain; maka sama dengan nama ujian statistik ini…]
24
 KAEDAH PENGIRAAN samb.

Ruang 3 Ruang 4

X1 : Nasi Lemak X2 : Roti Bakar (  1  1 ) 2 (  2   2 ) 2

1 3 1 1
2 4 0 0
2 4 0 0
2 4 0 0
3 5 1 1
1 = 2 2 = 4

s x2 =
 (    ) 2

= 0.5 0.5
n 1 25
25
 KAEDAH PENGIRAAN samb.

• Daripada pengiraan, masukkan nilai-nilai berkaitan ke rumus

bagi mendapatkan nilai t kiraan (observed t value)

df = (5-1) + (5-1) = 8

• Selepas mendapat nilai t kiraan, bolehkah kita membuat

keputusan MENOLAK atau GAGAL MENOLAK hipotesis nol?
26
 Imbas Kembali....
Bagaimana kita menguji H0?

4. Dapatkan nilai kritikal (critical value).

• Perlu dapatkan nilai t kritikal untuk kita bandingkan
dengan nilai t kiraan.
• Rujuk Jadual t kritikal yang telah dimuat naik dalam
ifolio.

Nilai t kritikal untuk ujian ini adalah:

C.V. t(8), 2-tailed = 2.306

• Apakah keputusan pengujian hipotesis anda?

27
 2-tailed ???

• Andaikan persoalan kajian tidak menyatakan

kumpulan mana yang akan mengalami kadar
peningkatan berat badan yang lebih tinggi, maka,
ujian t begini bersifat ujian t dua hala [two-tailed test]

28
 Imbas Kembali....
Bagaimana kita menguji H0?

5. Lakarkan kawasan penolakan hipotesis nol.

• Nilai nombor t kiraan (t = 4.47) adalah lebih
besar berbanding nilai t kritikal (t0.05 = 2.31).
• Maka, hipotesis nol ditolak.

KAWASAN KRITIKAL KAWASAN KRITIKAL

UNTUK PENOLAKAN Ho UNTUK PENOLAKAN Ho

t KRITIKAL t KRITIKAL
29
 Imbas Kembali....
Bagaimana kita menguji H0?
6. Laporkan keputusan dan buat kesimpulan.
• Contoh penulisan dapatan pengujian hipotesis adalah
seperti yang berikut:
Kumpulan Roti Bakar telah mengalami peningkatan
berat badan [min = 4.00 (± 0.5)] yang lebih
berbanding Kumpulan Nasi Lemak [min = 2.00 (± 0.5)]
pada akhir tempoh kajian; t(8) = -4.47; p < 0.05

• 95% Selang Keyakinan [Confidence Interval]

30
 Imbas Kembali....
Bagaimana kita menguji H0?
6. Laporkan keputusan dan buat kesimpulan (samb.)
• 95% Selang Keyakinan [Confidence Interval]

= (2 - 4) + t0.05 ( 0.5/5 + 0.5/5 )

= -2 + 2.306 (0.447)

Kumpulan Roti Bakar menunjukkan perbezaan kadar

peningkatan berat badan [min = 4.00 (± 0.5)] yang
lebih signifikan berbanding Kumpulan Nasi Lemak [min
= 2.00 (± 0.5)] pada akhir tempoh kajian; t(8) = -4.47;
p < 0.05 [95%CI = -3.031 hingga -0.969]
31
 PENJELASAN TAMBAHAN…

• Ujian t dijalankan sentiasa untuk menguji

hipothesis nol
• Sekiranya Ho diterima, maknanya tiada perbezaan kadar
kenaikan berat badan yang signifikan di antara kedua-dua
kumpulan yang dikaji.
• Sekiranya Ho ditolak?

• Jika keadaan di atas adalah benar, dan kita

mengambil 100 orang sampel dan menjalankan
kajian yang sama berkali-kali, kita akan
peroleh dapatan yang sama; dengan nilai t
menjurus kepada nilai sifar.
• Mengapakah kita boleh andaikan demikian? 32
 PENJELASAN TAMBAHAN…

• Rujuk kepada rumus:

• Ini adalah kerana pengangka

adalah ‘0’, kerana min kedua-dua kumpulan
adalah sama berdasarkan hipotesis nol; iaitu
tiada perbezaan dalam kadar peningkatan
berat badan di antara dua kumpulan.
33
 PENJELASAN TAMBAHAN…

• Jika kajian dilakukan berkali-kali, mungkin ada sampel

kumpulan nasi lemak yang mempamer kadar
peningkatan lebih tinggi, menghasilkan nilai t yang
positif.
• Mungkin ada sampel kumpulan roti bakar mempamer
kadar peningkatan lebih tinggi, menghasilkan nilai t
yang negatif.
[Keadaan begini disebabkan ralat pensampelan (sampling error)]

• INFO PENTING ialah bahawa berdasarkan

hipotesis nol, kita akan menjangkakan nilai t
yang menjurus kepada nilai sifar.
34
 PENJELASAN TAMBAHAN…

• Dalam contoh yang digunakan, nilai t kiraan bukan 0,

di mana t(8) = -4.47.

• Apakah implikasi nilai t yang negatif?

• Contoh yang digunakan merujuk kepada dua

kumpulan dengan saiz sampel yang sama.
Bagaimana jika saiz sampel tidak sama utk kedua-
dua kumpulan?
BERSAMBUNG PADA KULIAH AKAN DATANG…
35
 Contoh 2
Anda ingin menguji andaian bahawa perempuan
mempunyai perasaan empati (kebolehan untuk
menyelami dan memahami perasaan atau emosi
orang lain) yang lebih tinggi berbanding lelaki.
Dengan itu, anda telah mendapatkan (secara rawak)
15 pelajar perempuan dan 15 pelajar lelaki dan
mengukur empati mereka. Berikut adalah data yang
anda perolehi.
 Skor Empati
ID Perempuan Lelaki
1 18 8
2 19 14
3 15 12
4 12 8
5 6 12
6 19 9
7 16 10
8 18 11
9 13 12
10 12 13
11 8 8
12 19 14
13 17 12
14 8 8
15 6 12
Output SPSS

38
Output SPSS

39
 Output SPSS

Welch t test – juga dikenali sebagai ujian t varians tidak sama (unequal
variances t test).
- Diadaptasi daripada ujian t (Student t test), dan lebih sesuai digunakan
apabila varians antara kumpulan tidak homogen.
40
END….

41
 UJIAN t
DUA SAMPEL TIDAK BERSANDAR

Statistik t:

42
 Pooling Variances
• Rumus sebelum ini adalah sesuai untuk saiz
sampel yang sama, tetapi perlu
penambahbaikan untuk saiz sampel yang tidak
sama.
• Rumus yang baru ini dapat memberikan
anggaran varians populasi dengan lebih tepat.

43
 Pooling Variances
• Jika kita hanya inginkan anggaran yang
lebih tepat, adalah logik untuk mengambil
purata dan .
• Tetapi purata biasa tidak susuai dalam
keadaan saiz sampel tidak sama kerana ia
memberikan pemberatan kepada kedua-dua
variance sama rata.

44
 Pooling Variances
• Rumus berikut memberikan pemberatan
variance berasaskan saiz sampel masing-
masing.

45
Rumus t sekali lagi…

46
 Contoh 2
• Jadual berikut menunjukkan skor IQ untuk
pelajar daripada kelas pandai dan kelas
biasa.

Kelas Pandai Kelas Biasa

Min 24.0 16.5
Var 148.87 139.16
n 35 29

47
 Imbas Kembali....
Bagaimana kita menguji H0?

ENAM Langkah Ujian Hipotesis:

1. Nyatakan hipotesis.
2. Tetapkan alpha (a).
3. Lakukan pengiraan.
4. Dapatkan nilai kritikal (critical value).
5. Lakarkan kawasan penolakan hipotesis nol.
6. Laporkan keputusan dan buat kesimpulan.
48
 Imbas Kembali....
Bagaimana kita menguji H0?

1. Nyatakan hipotesis:
Ho: μ1 = μ2
Tidak terdapat perbezaan skor IQ yang signifikan antara pelajar
kelas pandai dan pelajar kelas biasa.

2. Tetapkan alpha (a):

• Amalan biasa penyelidikan sains sosial; paras keyakinan 95%,
jadi a = 0.05
• p < .05
49
 Imbas Kembali....
Bagaimana kita menguji H0?

3. Lakukan pengiraan:
• Rumus untuk ujian t dua sampel tidak bersandar:

• df = (n1-1) + (n2-1)
50
Pengiraan …

51
 Pengiraan …
• .
• Buat lakaran….
• Apakah kesimpulan anda?

• Adakah kesimpulan yang diperolehi sesuai

untuk kita mendapatkan 95% confidence
interval?

52
 95% Confidence Interval

Pelajar kelas pandai menunjukkan min skor IQ

[min = 24.00 (± 12.2)] yang lebih tinggi
berbanding pelajar kelas biasa [min = 16.5 (±
11.8)]; t(62) = 2.48; p < 0.05 [95%CI = 1.47
hingga 13.53]

53
END….

54
Ujian-t dua sampel bersandar
(2-sample dependent t-test)

55
 Pengenalan
• Ujian t sebelum ini sesuai digunakan untuk
membandingkan dua kumpulan tidak
bersandar.
• Bagaimana pula jika kita ada dua kumpulan
data yang bersandar?
– Data pre and post? / repeated data?
– Sampel yang dipandankan oleh suatu kriteria
• Suami/isteri

56
 Ujian t Dua Sampel Bersandar
• Apabila kita perlu membandingkan min antara
dua kumpulan yang bersandar/dipandankan.

• Dalam kes ini, penggiraan t menggunakan

SKOR PERBEZAAN (D) (Difference Score).

57
Rumus Ujian t Dua Sampel
Bersandar

58
 Degrees of freedom (df)
• df = bilangan pasangan data – 1

59
 CONTOH 3

• Kita guna balik contoh diet nasi lemak dan roti

bakar. Tetapi, kita hanya lihat pada kumpulan
nasi lemak.
• Berat badan subjek dalam kumpulan diet nasi
lemak telah diukur sebanyak dua kali, sekali
sebelum diet bermula, dan sekali lagi pada
akhir tempoh intervensi.

60
 CONTOH 3
• Dengan itu, kita juga ada dua set data.
• Kedua-dua set data ini bersandar.
• Setiap data yang diukur sebelum diet
dimulakan (data pre-) mesti dipandankan
dengan data yang diukur pada akhir intervensi
(data post-) bagi subjek yang sama.
• Maka, pengujian perbezaan min perlu
menggunakan ujian t dua kumpulan bersandar.

61
 CONTOH APLIKASI samb.

Pengujian hipotesis:
• Adakah terdapat perbezaan yang
signifikan sebelum dan selepas
pengambilan diet nasi lemak?

Maka, hipotesis nol ialah:

Ho: μD = 0
[perbezaan berat badan sebelum dan selepas
diet nasi lemak = 0]
Tidak terdapat perbezaan berat badan yang signifikan sebelum
dan selepas pengambilan diet nasi lemak untuk seminggu.
 Imbas Kembali....
Bagaimana kita menguji H0?

ENAM Langkah Ujian Hipotesis:

1. Nyatakan hipotesis.
2. Tetapkan alpha (a).
3. Lakukan pengiraan.
4. Dapatkan nilai kritikal (critical value).
5. Lakarkan kawasan penolakan hipotesis nol.
6. Laporkan keputusan dan buat kesimpulan.
63
 Imbas Kembali....
Bagaimana kita menguji H0?

1. Nyatakan hipotesis:
Ho: μD = 0
Tidak terdapat perbezaan berat badan yang signifikan sebelum
dan selepas pengambilan diet nasi lemak untuk seminggu.

2. Tetapkan alpha (a):

• Amalan biasa penyelidikan sains sosial; paras keyakinan 95%,
jadi a = 0.05
• p < 0.05
64
 Imbas Kembali....
Bagaimana kita menguji H0?

3. Lakukan pengiraan:
• Rumus untuk ujian t dua sampel bersandar:

• df = bilangan pasangan data - 1

65
 KAEDAH PENGIRAAN
• Contoh Data: X1 : Sebelum X2 : Selepas
51 52
63 65
60 62
58 60
75 78

• Langkah pertama:
Dapatkan skor perbezaan untuk kedua-dua set data.
[Oleh kerana, kedua-dua kumpulan ini berkait (data repeated),
sampel dikenali sebagai “dependent/bersandar” antara satu dengan
lain; maka sama dengan nama ujian statistik ini…]
66
 KAEDAH PENGIRAAN samb.

Skor Perbezaan
X1 : Sebelum X2 : Selepas (2  1 )
51 52 1
63 65 2
60 62 2
58 60 2
75 78 3
D = 2

67
67
 KAEDAH PENGIRAAN samb.

Skor Perbezaan
X1 : Sebelum X2 : Selepas (2  1 )
51 52 1
63 65 2
60 62 2
58 60 2
75 78 3
D = 2

68
68
 KAEDAH PENGIRAAN samb.

• Daripada pengiraan, masukkan nilai-nilai berkaitan ke rumus

bagi mendapatkan nilai t kiraan (observed t value)

df = 5 – 1 = 4

• Selepas mendapat nilai t kiraan, bolehkah kita membuat

keputusan MENOLAK atau GAGAL MENOLAK hipotesis nol?
69
 Imbas Kembali....
Bagaimana kita menguji H0?

4. Dapatkan nilai kritikal (critical value).

• Perlu dapatkan nilai t kritikal untuk kita bandingkan
dengan nilai t kiraan.
• Rujuk Jadual t kritikal yang telah dimuat naik dalam
ifolio.

Nilai t kritikal untuk ujian ini adalah:

C.V. t(5), 2-tailed = 2.776

• Apakah keputusan pengujian hipotesis anda?

70
OUTPUT SPSS

71
72
 Contoh 1
• Suatu kajian terapi untuk masalah anorexia
telah dijalankan. Sampel kajian adalah 17
budak perempuan. Berat badan telah
dicatatkan sebelum dan selepas menjalani
terapi tersebut. Data adalah seperti berikut:
Skor
Sebelum Selepas Perbezaan (D)
Mean 83.23 90.49 7.26
S 5.02 8.48 7.16
73
 6 Langkah Ujian Hipotesis
1. Tulis Hipotesis
2. Tetapkan alpha (α)
3. Buat pengiraan
4. Dapatkan critical value
5. Lakarkan kawasan penolakan hipotesis nol
6. Buat Keputusan dan tulis kesimpulan
Hipotesis

75
 Tetapkan alpha
• α = 0.05

76
Buat Pengiraan

77
 Dapatkan critical Value

• Lakarkan kawasan penolakan nol hipotesis dan

buat keputusan.

78
 Laporkan keputusan anda
• Kajian ini menunjukkan bahawa berat badan
pesakit aneroxia mengalami peningkatan yang
signifikan pada awal sesi terapi (83.23±5.02)
berbanding pada akhir sesi terapi
(90.49±8.48); t(16)=4.18, p<0.05.

79
 Latihan 1

Pelajar Before After Diff score

A 10 14
B 15 13
C 12 15
D 11 12
Mean
S
80