BENGKEL SPSS

Statistical Package For The Social Science

SPSS = Statistical Package Satu sistem yang berupaya
for the Social Sciences menguruskan data serta
[Statistical Product and membuat analisis secara
Service Solutions] statistik

SPSS mudah digunakan tetapi

memerlukan pengetahuan asas
untuk mentafsirkan output.
TEKNIK-TEKNIK ANALISA DATA
PROJEK PENGURUSAN JTW480
BIL ANALISA TUJUAN

1. Analisis Data Demografik Rumusan untuk setiap maklumat jantina,

status perkahwinan, umur, bangsa, taraf
pendidikan, pendapatan bulanan, tempoh
perkhidmatan dalam kerajaan, gred
jawatan, tempoh perkhidmatan dalam
gred jawatan semasa dan kategori jabatan

2. Analisis Kebolehpercayaan Untuk menilai kadar ralat pengukuran

dalam sesuatu pengukuran berdasarkan
nilai alpha ke atas analisa kepercayaan
yang telah ditetapkan

3. Analisis Diskriptif Untuk menganalisis diskriptif pengukuran

frekuensi (kekerapan) iaitu min dan sisihan
piawai
BIL ANALISA TUJUAN

4. Analisis Kolerasi Pearson untuk menguji kekuatan hipotesis yang

akan menjelaskan tentang hubungan yang
wujud di antara pembolehubah tidak
bersandar dan pembolehubah bersandar.

i)+ve = kedua-dua pembolehubah akan

meningkat
ii)-ve = satu pembolehubah meningkat,
satu lagi akan menurun

5. Analisis Regresi Berganda untuk menentukan kesan ke atas dua atau

lebih pembolehubah tidak bersandar
menyumbang kepada pengaruh yang
signifikan terhadap pembolehubah
bersandar.
 TEKNIK ASAS
PENGATURCARAAN
SKRIN UTAMA SPPS version 20.0
 BAGAIMANA PROSES
KEMASUKAN DATA DISEDIAKAN
Buka SPSS → klik type in data → klik ok
atau
Import dari fail (Excel) → klik open an
existing data source → klik ok
atau
Klik file → open → data

atau
Klik ikon open data document
SAVE FILE!!
TERDAPAT 2 JENIS TINGKAP DATA DI
DALAM SPSS:

Data View – anda akan menaip data di

sini.
Variable View – anda akan memberikan
penerangan lanjut/arahan pengaturcaraan
tentang data anda di sini.
 ARAHAN PENGATURCARAAN DI DALAM
[VARIABLE VIEW]
NO KATEGORI KETERANGAN CONTOH
1 Name Nama bagi setiap Jantina, Umur, Pekerjaan, Bangsa atau
pembolehubah Kod yang mewakili setiap no soalan
bagi IV dan DV dll.

Contoh: LP1 > mewakili soalan no. 1

untuk Latihan & Pendidikan

2. Type Jenis data yang Jika ABJAD = pilih String

diperlukan Jika NOMBOR = pilih Numeric
3. Width menentukan bilangan -
abjad/nombor yang
boleh dimasukkan untuk
setiap pembolehubah
4. Decimals Titik perpuluhan > pilih -
“0”
 ARAHAN PENGATURCARAAN DI DALAM
[VARIABLE VIEW]
NO KATEGORI KETERANGAN CONTOH
5 Labels Penerangan lanjut untuk Pembolehubah NAME : JANTINA
pembolehubah Maklumat di dalam LABELS = JANTINA

Kalau untuk soalan bagi IV dan DV,

sebaik-baiknya masukkan maklumat
lengkap soalan terbabit

Contoh : LP1 (di dalam ruangan NAME),

Dalam ruangan Labels, maklumat
soalan yang berkenaan seperti berikut:

“Saya berpendapat pendidikan tentang

pengurusan kualiti yang diberikan
kepada semua peringkat anggota dalam
organisasi (misalnya kaedah
mengaplikasikan alat-alat TQM dalam
aktiviti/projek peningkatan kualiti)
berada di tahap...”
 ARAHAN PENGATURCARAAN DI DALAM
[VARIABLE VIEW]
NO KATEGORI KETERANGAN CONTOH
6. Values Digunakan bagi proses • Nilai “1” mewakili = Male
pengkodan data • Nilai “2” mewakili = Female
• Nilai “1” mewakili = Paling Tidak
Memuaskan
• Nilai “5” = Paling Memuaskan

7. Missing Dalam soal selidik, untuk -

soalan yang tidak
terjawab. Kita perlu
memasukkan kod untuk
data yang hilang.
8. Columns Lebar lajur. Seharusnya Columns 8, 9, 10 atau sebagainya
sama atau lebih.
9. Align Untuk tentukan Left, Right or Center
kedudukan data yang
dimasukan
 ARAHAN PENGATURCARAAN DI DALAM
[VARIABLE VIEW]
NO KATEGORI KETERANGAN CONTOH
10. Measure Untuk mengukur jenis data. -
SPSS akan menentukan jenis
data e.g. nominal, ordinal,
dsb. apabila anda mengisi
pembolehubah di bawah
‘Name’. Maka, anda hanya
perlu menukar entri
tersebut sekiranya jenis
data anda berlainan
daripada jenis yang
ditentukan oleh SPSS.
11. Role menentukan fungsi -
pembolehubah. Ada 5 jenis:
input (pembolehubah tak
bersandar), target
(pembolehubah bersandar),
both; none; partition; split.
CONTOH ARAHAN PENGATURCARAAN YANG TELAH DIMASUKKAN DI DALAM VARIABLE VIEW
CONTOH 1 : Arahan pengatucaraan bagi JANTINA – PROFAIL DEMOGRAFIK

Ulang langkah yang sama

untuk Value 2 = “Perempuan”.
CONTOH 2 : Arahan pengatucaraan bagi STATUS – PROFAIL DEMOGRAFIK

Ulang langkah yang sama

untuk Value 2 = “Berkahwin” dan
seterusnya.
CONTOH 3 : Arahan pengatucaraan berdasarkan SOALAN KAJI SELIDIK

PEMBOLEHUBAH : LATIHAN DAN PENDIDIKAN (LP)

Soalan 1 : “Saya berpendapat pendidikan tentang pengurusan kualiti yang

diberikan kepada semua peringkat anggota dalam organisasi (misalnya kaedah
mengaplikasikan alat-alat TQM dalam aktiviti/projek peningkatan kualiti)
berada di tahap...”

i)Kod yang digunakan :

LP1

ii) Pilihan jawapan :

1 = “Paling Rendah”, 2 = “Lebih Rendah”, 3 = “Sederhana”,

4 = “Lebih Tinggi”, 5 = “Sangat Tinggi”
Proses kemasukan maklumat adalah sama seperti lain-lain arahan pengaturcaraan
JANTINA, STATUS dll
CONTOH 4 : Arahan pengatucaraan berdasarkan SOALAN KAJI SELIDIK

PEMBOLEHUBAH : PERLUASAN KERJA DAN KERJA BERPASUKAN(PKKB)

Soalan 5 : “Saya berpendapat perluasan kuasa serta penglibatan anggota

terhadap kerja berpasukan berada di tahap…”

i)Kod yang digunakan :

PKKB5

ii) Pilihan jawapan :

1 = “Paling Rendah”, 2 = “Lebih Rendah”, 3 = “Sederhana”,

4 = “Lebih Tinggi”, 5 = “Sangat Tinggi”
Proses kemasukan maklumat adalah sama seperti lain-lain arahan pengaturcaraan
JANTINA, STATUS dll
CONTOH 5 : Arahan pengatucaraan berdasarkan SOALAN KAJI SELIDIK

PEMBOLEHUBAH : KEPUASAN KERJAYA(KK)

Soalan 20 : “Saya berpuas hati dengan kejayaan yang telah saya capai dalam
kerjaya saya…”

i)Kod yang digunakan :

KK20

ii) Pilihan jawapan :

1 = “Sangat Tidak Bersetuju”, 2 = “Tidak Bersetuju”, 3 = “Sederhana”,

4 = “Bersetuju”, 5 = “Sangat Bersetuju”
Proses kemasukan maklumat adalah sama seperti lain-lain arahan pengaturcaraan
JANTINA, STATUS dll
TEKNIK ANALISA DATA
 Analisis Data
Demografik
(Taburan
Kekerapan)

Analisis Regrasi Analisis

Berganda Deskriptif
ANALISIS DATA
YANG DIUJI

Analisis Analisis
Kolerasi Kebolehpercay
Pearson aan
ANALISIS DATA DEMOGRAFIK
ARAHAN : Menu Analyze → Descriptive Statistics → Frequencies
 ARAHAN : Highlight semua
maklumat yang berkaitan
dengan PROFAIL DEMOGRAFIK
sahaja.
> Klik butang Transfer

Maklumat akan dipindah masuk

ke bahagian Variables
> Klik butang Charts

Pilih Histograms > Show normal

curve on histogram
 Klik Continue
 Klik OK
 Output akan dipaparkan
PAPARAN OUPUT ANALISIS DATA DEMOGRAFIK
 ANALISIS
KEBOLEHPERCAYAAN
ARAHAN : Menu Analyze → Scale → Reliability Analysis
 Arahan:
1)Highlight soalan-soalan yang
mewakili Pembolehubah yang
berkenaan (samada IV atau
DV).
2)Klik butang “Transfer” > data
akan dipindah ke ruang Items
3)Klik Statistics

Arahan:
1)Tandakan maklumat “Item”
dan “Scale if item deleted” di
ruang Descriptive for
2)Klik butang Continue
Arahan:
1)Masukkan maklumat
Pembolehubah terbabit di
ruang Scale Label
2)Klik butang OK
PAPARAN OUPUT ANALISIS KEBOLEHPERCAYAAN

Sekaran & Bougie (2010), nilai kebolehpercayaan yang

semakin hampir dengan 1.0 adalah sangat baik. Secara
biasanya, nilai kebolehpercayaan yang kurang daripada
0.60 adalah dianggap sebagai nilai yang lemah, nilai yang
berada dalam lingkungan 0.70 adalah nilai yang boleh
diterima dan nilai yang melebihi 0.80 adalah baik.

Ulang semula arahan pengaturcaraan

untuk pembolehubah yang seterusnya
ANALISIS DESKRIPTIF
ARAHAN : Menu Transform → Compute Variable
ARAHAN :
1) Masukkan maklumat pembolehubah di ruang “Target Variable” – Cth:
Latihan_Pendidikan (jangan ada ruang @ space)
2) Di ruang “Function group” pilih Statistical
3) Di ruang “Functions and Special Variables” pilih Mean
4) Di ruang “Numeric Expression” masukkan kod-kod soalan bagi
pembolehubah yang dipilih → Klik OK
5) Ulang arahan pengaturcaraan untuk pembolehubah seterusnya
Langkah seterusnya…..

 Pilih Menu Analyze

 Pilih Descriptive Statistics
 Pilih Descriptives
 Langkah seterusnya…..

 Pindahkan data Profail

Demografik dan
Pembolehubah yang telah di
“compute” ke ruang
“Variable(S)

 Klik butang Options

Langkah seterusnya…..
 Tandakan diruangan “Mean” dan “Std.
Deviation

 Klik butang Continue

 Klik butang OK

Output akan dipaparkan

ANALISIS KOLERASI PEARSON
KOLERASI…..
 Digunakan untuk menerangkan kekuatan dan
hala tuju hubungan linear dua
pembolehubah.
 Pekali kolerasi boleh mengambil nilai dari -1
ke 1.
 -1 bermaksud kolerasi negatif sempurna.
 1 bermaksud kolerasi positif sempurna.
 0 bermaksud tidak ada kolerasi/hubungan.
 Dalam kajian soal selidik, analisis kolerasi
membantu penyelidik mengkaji sama ada
pembolehubah-pembolehubah mempunyai
hubungan yang signifikan atau sebaliknya.
ARAHAN : Menu Analyze → Correlate → Bivarate
 Langkah seterusnya…..

 Pindahkan data
Pembolehubah yang telah di
“compute” ke ruang
“Variable(S)

 Tanda “Pearson”
 Tanda “Two-tailed”
 Klik OK
 OUPUT ANALISIS KOLERASI PEARSON

Perhatikan p-value [Sig. (2-tailed)]. Adakah ‘Correlation Coefficient’ yang anda dapat signifikan?

Kalau p-value < 0.01 bererti hubungan antara dua pembolehubah adalah signifikan pada aras
keertian 1%. (**)

Kalau p-value < 0.05 bererti hubungan antara dua pembolehubah adalah signifikan pada aras
keertian 5%. (*)
ANALISIS REGRASI LINEAR
Regresi Linear
Analisis yang dilakukan selepas kolerasi.
Digunakan untuk meramal nilai
pembolehubah berdasarkan
pembolehubah yang lain.
Dua jenis pembolehubah:
◦ untuk meramal – dikenali sebagai
pembolehubah tak bersandar (x)
◦ yang diramal – dikenali sebagai pembolehubah
bersandar (y)
ARAHAN : Menu Analyze → Regression → Linear
 Langkah seterusnya…..

 Pindahkan pembolehubah
DV ke ruang “Dependent”

 Pindahkan keseluruhan
pembolehubah IV ke ruang
“Independent(S)”

 Klik “Statistics”
Langkah seterusnya…..

 Tandakan “Estimates”,
“Model Fit”, “Collinearity
diagnostics” dan “Durbin-
Watson”
 Klik “Continue”

 Klik “Plots”
Langkah seterusnya…..

 Pindahkan DEPENDNT di
dalam ruang Y
 Pindahkan *ZPRED di dalam
ruang X
 Di bahagian “Standardized
Residual Plots” tandakan
“Histogram” & “Normal
Probability Plot”
 Klik “Continue”
 Klik “OK”
Model Summary:
R2 menunjukkan berapa banyak
perubahan dalam pembolehubah
bersandar yang boleh dijelaskan oleh
pembolehubah tak bersandar.

Apabila regresi anda melibatkan lebih

daripada satu pembolehubah tak
bersandar seperti dalam contoh ini,
anda perlu merujuk kepada R2 terlaras
(Adjusted R Square). Terdapat 25.7%
menjelaskan bahawa perubahan yang
wujud dalam amalan pengurusan kualiti
menyeluruh dapat diperjelaskan oleh
ketiga-tiga pembolehubah tidak
bersandar tersebut
HARIS
012-4378184
email: imanharis@gmail.com