BUKU ANALISIS DATA PENYELIDIKAN

A-PDF Merger DEMO : Purchase from www.A-PDF.com to remove the watermark

Bimbingan Cepat

ANALISIS DATA
PENYELIDIKAN

Untuk Pendidikan
& Sains Sosial

Mohd Yusri Ibrahim

BANDAR ILMU
Kuantan. 2010

Edisi Pertama / First Edition

Hak Cipta / Copyright © Bandar Ilmu

Hak cipta terpelihara. Tiada bahagian daripada buku ini boleh diterbitkan semula dengan apa cara
dan maksud sekalipun tanpa kebenaran bertulis daripada penerbitan Bandar Ilmu.

All right reserved. No part of this book may be reproduced ini any form or any means without
permission in writing from publication of Bandar Ilmu.

Diterbitkan di Malaysia oleh / Published in Malaysia by

Bandar Ilmu
No 25, Lorong Cengal Lempung Baru 2, Taman Balok Jaya 2
26100 Kuantan, Pahang.

Reka bentuk kulit
Haris Yusoh

Perpustakaan Negara Malaysia Data Pengkatalogan-dalam-Penerbitan

Mohd Yusri Ibrahim.
Bimbingan cepat: analisis data penyelidikan untuk pendidikan & sains sosial
Mohd Yusri Ibrahim.
ISBN 978-967-5930-00-3
1. Statistics. 2. Research-Methodology, I. Judul
001.42

Urusan surat menyurat
[email protected]

Dedikasi yang terlalu khusus kepada

Isteri tercinta, Zurita Othman, yang menjadi obor pembakar semangat,
marak menyala sepanjang masa, menerangi suluh kehidupan

Serta

Anak-anak tersayang, Alif Aiman, Afni Irfan, Amni Fatehah & Aakif Rayyan
yang menjadi sumber inspirasi sepanjang masa

Dan

Ayah dan Emak, Ibrahim Saman & Habidah Md Nor
yang telah mencurahkan lautan jasa dan pengorbanan

Juga

Ayah dan Ibu Mertua, Othman Hamad & Rohani Che Hussin
yang sangat mengerti cita-cita menantu ini.

PRAKATA

Saya banyak mengendalikan kursus berkaitan penyelidikan kepada guru-guru khususnya di negeri
Terengganu. Selain kursus, saya juga seringkali menjadi fasilitator dan jurulatih kepada guru-guru
yang terlibat menjalankan penyelidikan di Terengganu. Hasil kajian yang dijalankan oleh guru-guru
ini majoritinya diterbitkan dalam Jurnal Penyelidikan Pendidikan Terengganu yang diterbitkan
saban tahun.

Sepanjang mengendalikan kursus dan menjadi fasilitator, saya dapati kebanyakan guru
masih tidak mempunyai pengetahuan dan kemahiran yang cukup untuk mengendalikan
penyelidikan, khususnya penyelidikan yang berkaitan dengan pendidikan. Antara aspek utama
yang masih belum dikuasai oleh guru-guru adalah berkaitan analisis data. Masalah yang sama juga
dihadapi oleh pelajar-pelajar pra dan pasca siswazah. Saya sering dirujuk oleh pelajar-pelajar
universiti yang mengambil pengajian jarak jauh peringkat sarjana muda dan yang menyambung
pengajian pasca siwazah peringkat sarjana. Kebanyakan mereka menghadapi masalah untuk
membuat analisis data bagi menyiapkan tesis atau projek ilmiah.

Sepanjang penglibatan, saya dapati masih ramai guru dan penyelidik permulaan yang
belum menguasai kemahiran asas untuk menganalisis data, khususnya yang melibatkan item-item
statistik yang mudah. Apabila berhadapan dengan situasi ini, timbul hasrat untuk saya menulis
buku atau manual yang ringkas dan mudah difahami berkaitan dengan analisis data penyelidikan.
Dua aspek utama yang saya akan tekankan ialah menggunakan bahasa mudah yang boleh
difahami oleh semua golongan dan hanya membincangkan analisis data menggunakan item-item
statistik yang mudah dan biasa digunakan. Ini kerana ramai pelajar dan penyelidik yang mula
berjinak dengan penyelidikan sukar memahami sebahagian besar buku penyelidikan yang ada di
pasaran pada hari ini. Ini kerana buku-buku tersebut kebiasaannya menggunakan istilah-istilah
penyelidikan yang tinggi dan sukar dikuasai oleh orang kebanyakan. Buku-buku tersebut juga
memaparkan terlalu banyak item statistik sehingga menyebabkan penyelidik yang baru tidak
mengetahui statistik yang mana mereka perlu pilih untuk digunakan dalam penyelidikan awalan
mereka.

Alhamdulillah, buku ringkas ini berjaya saya hasilkan. Saya harap buku ini akan menjadi
panduan berguna kepada guru-guru dan pelajar yang baru berjinak-jinak dengan dunia
penyelidikan. Buku ini mungkin mempunyai beberapa kelemahan. Saya berharap pembaca dan
golongan akademik sudi untuk memberi pandangan bagi membuat penambahbaikan dalam edisi
yang seterusnya.

Saya juga mengucapkan jutaan terima kasih kepada pihak SPSS Malaysia yang
memberikan kebenaran kepada saya untuk memaparkan screenshot dan aplikasi SPSS dalam Buku
ini. Ditegaskan bahawa SPSS screenshots and applications are used by permission of SPSS Inc.,
an IBM Company.

Salam Hormat,

Mohd Yusri Ibrahim
[email protected]
Kemaman, Terengganu

iv

SENARAI KANDUNGAN

Prakata iv
Senarai Kandungan v
1. Asas Pengukuran
2. Skala Pengukuran 1
3. Membina Template SPSS 6
4. Pengolahan Data 11
5. Kebolehpercayaa Item 20
6. Sukatan Kecenderungan Memusat 35
7. Sukatan Serakan 43
8. Korelasi 65
9. Perbandingan Min (ujian-t) 77
10. Analisis Varian (ANOVA) 100
11. Regresi Linear 130
Tutorial 141
Bibliografi 158
Lampiran 1 (Jadual T) 167
Lampiran 2 (Jadual Khi Kuasa Dua)
Lampiran 3 (Jadual F)
Biodata Penulis

v

Bab 1 : Asas Pengukuran

BAB 1

ASAS PENGUKURAN

Analisis data merupakan satu proses untuk memberi makna kepada data penyelidikan yang telah
dikumpul. Proses ini membantu mencapai objektif sesuatu penyelidikan dijalankan. Penyelidikan
sosial dan penyelidikan pendidikan dijalankan bagi mencapai tujuan tersebut;

a) Menjawab persoalan-persoalan yang masih belum ada jawapan
b) Menyelesaikan sesuatu masalah yang timbul
c) Sebagai asas untuk membuat sesuatu tindakan atau mengubah tindakan sedia ada
d) Menghasilkan pengetahuan baru secara sistematik

Sebagaimana pengumpulan data perlu menggunakan alat atau instrumen seperti soal
selidik, temubual, pemerhatian, ujian dan lain-lain, analisis data juga menggunakan alat atau
instrumen yang khusus. Bagi kajian kuantitatif, data biasanya dianalisis secara berstatistik dengan
menggunakan program Statistical Package for Social Science (SPSS). Namun bukan semua data
penyelidikan perlu dianalisis menggunakan program SPSS. Data penyelidikan boleh juga dianalisis
menggunakan perisian lain seperti Microsoft Office Excel dan sebagainya. Namun penyelidik lebih
gemar menggunakan SPSS kerana perisian tersebut lebih cekap dan pantas untuk membuat kerja
analisa berstatistik.

Statistik Deskriptif dan Inferensi

Statistik adalah satu cabang dalam matematik gunaan. Ia melibatkan nombor dan manipulasi
nombor. Walaupun statistik merupakan salah satu cabang matematik, namun penyelidik yang
ingin menggunakan statistik sebagai alat untuk membuat analisa data tidak memerlukan
pengetahuan matematik yang sangat mendalam dan terlalu kompleks.

Statistik terbahagi kepada dua iaitu;

i) Statistik deskriptif
ii) Statistik inferensi

Statistik deskriptif atau sering juga disebut sebagai statistik pemerihalan merupakan pengukuran
yang dibuat terhadap sampel kajian. Ia hanya melibatkan pelaporan tentang sampel yang diukur
dan bukan membuat sebarang generalisasi kepada kumpulan yang di luar sampel tersebut.
Statistik inferensi pula melibatkan pengukuran terhadap populasi kajian. Statistik infrensi
digunakan untuk membuat generalisasi terhadap kumpulan populasi kajian yang lebih besar.
Pengujian yang melibatkan penolakan atau penerimaan hipotesis juga menggunakan item-item
yang terdapat dalam statistik inferensi.

Untuk memahami statistik deskriptif dan statistik inferensi dengan lebih baik, penyelidik
perlu memahami terlebih dahulu bagaimana data kajian dikumpulkan. Bagi menjimatkan masa
dan kos kewangan, data tidak dikumpul daripada semua populasi. Data hanya dikumpul daripada
sampel yang dipilih daripada sebilangan unit dalam populasi tersebut. Sampel kajian ini ditetapkan
menggunakan teknik tertentu untuk memastikan sampel yang dipilih mewakili semua ciri yang
terdapat dalam populasi yang dikaji.

1

Bab 1 : Asas Pengukuran

Statistik deskriptif hanya digunakan untuk mengukur sampel yang dipilih daripada
populasi. Ia hanya melibatkan aktiviti seperti hitungan, pengiraan, pengukuran, penjelasan dan
persembahan data. Statistik deskriptif berfungsi untuk memudah, meringkas dan merumuskan
maklumat asas yang diukur daripada kumpulan sampel kajian. Antara item dalam statistik
deskriptif termasuklah taburan frekuensi seperti peratus, sukatan kecederungan memusat seperti
min, median dan mod, sukatan serakan seperti julat, varians dan sisihan piawai, serta pekali
korelasi seperti phi, contigency dan cramer’s.

Statistik inferensi pula diasaskan daripada teori-teori berkaitan kebarangkalian. Fungsi
utama statistik inferensi adalah untuk meramal dan dan membuat anggaran sifat populasi
daripada sampel kajian. Antara contoh item dalam statistik inferensi ialah ujian-t, analisis varians
atau ANOVA dan khi kuasa dua.

Dalam penyelidikan, ukuran terhadap sampel dikenali sebagai statistik, manakala ukuran
terhadap populasi dikenali sebagai parameter. Jadual di bawah menunjukkan beberapa contoh
simbol yang digunakan untuk statistik bagi sampel dan parameter bagi populasi.

JADUAL 1.1 : Simbol Statistik dan Parameter

Item Statistik Parameter

Min ×µ
Varians s2 σ 2

Sisihan piawai s Σ

Pekali korelasi r Ρ

Hipotesis

Hipotesis adalah cadangan jawapan yang sementara kepada sesuatu masalah yang dikaji. Contoh-
contoh masalah yang boleh dibina hipotesis adalah seperti berikut;

i) Adakah terdapat perbezaan antara murid lelaki dan murid perempuan dalam
pencapaian matematik?

ii) Adakah terdapat perbezaan tahap motivasi antara guru yang berkelulusan sarjana,
sarjana muda dan diploma?

Hipotesis perlu dibina oleh penyelidik untuk membuat pengujian bagi menjawab persoalan ini.
Hipotesis terbahagi kepada dua jenis iaitu;

i) Hipotesis nol

ii) Hipotesis alternatif

Hipotesis nol dikenali oleh penyelidik sebagai hipotesis baik sangka. Bagi penyelidik yang agak
Islamic, hipotesis nol dikenali sebagai hipotesis husnul dzam. Simbol bagi hipotesis nol ialah Ho.
Hipotesis nol dibina oleh penyelidik dengan harapan untuk menolak hipotesis tersebut. Bagi
contoh masalah yang ditunjukkan di atas, hipotesis nol berikut boleh dibina,

Ho1 : Tidak terdapat perbezaan yang signifikan antara pencapaian murid lelaki dan
pencapaian murid perempuan dalam matematik.

Ho2 : Tidak terdapat perbezaan yang signifikan antara tahap motivasi guru yang
berkelulusan sarjana, sarjana muda dan diploma.

2

Bab 1 : Asas Pengukuran

Hipotesis alternatif menerangkan keadaan sekiranya bukti yang ada cukup untuk menolak
hipotesis nol. Hipotesis alternatif adalah alternatif jawapan atau kesimpulan yang akan diambil
sekiranya hipotesis nol ditolak. Simbol bagi hipotesis alternatif ialah Ha. Bagi situasi di sebelah,
hipotesis alternatif seperti berikut boleh dibina,

Ha1 : Terdapat perbezaan yang signifikan antara pencapaian murid lelaki dan
pencapaian murid perempuan dalam matematik.

Ha2 : Terdapat perbezaan yang signifikan antara tahap motivasi guru yang
berkelulusan sarjana, sarjana muda dan diploma.

Ralat

Dalam pengujian, penyelidik dikehendaki menolak atau menerima hipotesis nol. Keadaan ini
memungkinkan penyelidik membuat keputusan yang silap. Untuk mengurangkan kesilapan ini,
kriteria untuk menolak atau menerima hipotesis perlu ditetapkan.

Kriteria yang ditetapkan ialah aras keertian (level of significance). Aras keertian ialah
kemungkinan untuk penyelidik membuat kesilapan semasa menerima atau menolak hipotesis nol.
Simbol aras keertian ialah α. Dalam amalan penyelidikan, dua aras keertian yang seringkali
ditetapkan oleh penyelidik ialah 0.01 dan 0.05. Paras keertian 0.01 atau ditulis α=0.01 bermaksud
penyelidik menetapkan kemungkinan berlaku kesilapan menolak hipotesis nul yang benar
sebanyak satu peratus. Paras keertian 0.01 juga bermaksud penyelidik yakin 99 peratus bahawa
keputusan mereka adalah betul.

Paras keertian 0.05 atau ditulis α=0.05 pula bermaksud penyelidik menetapkan
kemungkinan berlaku kesilapan menolak hipotesis nol yang benar ialah lima peratus. Ini juga
membawa maksud penyelidik yakin keputusan mereka menolak hipotesis nol yang salah ialah 95
peratus.

Sekiranya penyelidik tersilap menolak hipotesis nol yang betul, penyelidik tersebut
telah melakukan Ralat Jenis I. Sekiranya penyelidik gagal menolak hipotesis nol yang salah,
penyelidik tersebut telah melakukan Ralat Jenis II. Kesan atau akibat daripada Ralat Jenis I adalah
lebih besar berbanding melakukan Ralat Jenis II. Sekiranya penyelidik melakukan Ralat Jenis I
dalam sesuatu penyelidikan yang melibatkan dasar, mungkin boleh menyebabkan suatu
perubahan dasar yang tidak perlu. Ini akan memberi akibat yang sangat negatif terhadap sesuatu
sistem pendidikan atau sistem sosial.

Sebagai contoh, penyelidik menetapkan hipotesis nol satu penyelidikan sebagai;

Ho : Tidak terdapat perbezaan antara kepuasan kerja guru sekolah rendah dan guru
sekolah menengah

Penyelidik telah membuat kesilapan Ralat Jenis I dengan menolak hipotesis nol ini. Apabila
hipotesis nol ditolak, maka hipotesis alternatif yang berbunyi

Ha : Terdapat perbezaan antara kepuasan kerja guru sekolah rendah dan guru
sekolah menengah

3

Bab 1 : Asas Pengukuran

Lanjutan daripada kesilapan ini, kerajaan akan membuat perubahan terhadap dasar sedia ada
untuk meningkatkan kepuasan guru sekolah rendah sebagai contoh. Perubahan dasar ini
sebenarnya tidak perlu. Ia hanya kelihatan perlu apabila penyelidik telah melakukan kesilapan
Ralat Jenis I iaitu menolak hipotesis nol yang benar.

Untuk mengurangkan kesilapan ini berlaku, penyelidik perlu menetapkan aras
keertian yang sesuai mengikut kepentingan kajian. Jika kajian yang dijalankan sangat penting,
penyelidik boleh menetapkan paras keertian, α=0.01. Ini mewujudkan keadaan di mana
kemungkinan untuk Ralat Jenis 1 berlaku hanyalah 1 peratus sahaja.

Selain penetapan aras keertian yang sesuai, Ralat Jenis I juga boleh dielakkan oleh
penyelidik dengan cara berhati-hati semasa membuat persampelan. Sebahagian sarjana
penyelidikan mengatakan dua keadaan yang boleh mengurangkan Ralat Jenis I berlaku ialah;

i) Pastikan sampel dipilih secara rawak daripada populasi.

ii) Sampel berada dalam taburan normal.

Jika kedua-dua situasi ini diberi perhatian, kebarangkalian untuk berlaku Ralat Jenis I adalah
kurang.

Statistik Asas

Analisis data penyelidikan bermaksud penyelidik perlu memahami dengan baik item-item statistik
yang akan digunakan untuk menganalisa data. Setiap item statistik mempunyai fungsi dan
kelebihan sendiri. Penyelidik yang mahir akan memilih item statistik terbaik untuk menganalisis
data, sekaligus menjawab persoalan kajian yang dikemukakan.

Sesetengah penyelidik terlalu ghairah untuk menggunakan item-item statistik yang tinggi
dan canggih bagi menganalisa kajian mereka. Sedangkan persoalan kajian boleh dijawab hanya
dengan menggunakan statistik yang biasa, contohnya peratus dan min. Ada penyelidik yang
berjaya mendapat anugerah daripada penyelidikan mereka walau hanya menggunakan peratus
untuk menganalisis data. Kualiti dapatan kajian tidak bergantung kepada kecanggihan item
statistik yang digunakan, sebaliknya bergantung kepada ketepatan memilih item statistik yang
bersesuaian dengan keperluan penyelidikan tersebut.

Memahami statistik tidak bermaksud penyelidik sekadar tahu menggunakan perisian
SPSS untuk menganalisa data statistik. Memahami statistik bermaksud penyelidik mengetahui
fungsi, prinsip kerja dan syarat-syarat kepenggunaan sesuatu item statistik tersebut. Seorang
penyelidik yang memahami setiap item statistik dengan baik masih lagi boleh menghasilkan
dapatan penyelidikan yang baik walaupun penguasaan SPSS mereka lemah. Mereka masih boleh
meminta bantuan orang lain untuk run data kajian mereka menggunakan SPSS. Sebaliknya
penyelidik yang tidak memahami item statistik dengan baik, tidak akan berjaya menghasilkan
dapatan kajian yang baik walaupun mereka mahir menggunakan perisian SPSS.

Bagi penyelidik permulaan, mereka perlu memahami prinsip kerja beberapa item statistik
mudah yang sering digunakan. Antara item statistik yang sering digunakan seperti peratus dan min
bagi sukatan kecenderungan memusat, julat dan sisihan piawai bagi sukatan serakan, pekali
korelasi bagi mencari hubungan, serta ujian-z, ujian-t dan ANOVA untuk membuat pengujian.

4

Bab 1 : Asas Pengukuran

Jadual di bawah meringkaskan maklumat beberapa item statistik yang dimaksudkan serta
maknanya. Saya hanya memilih beberapa item untuk dibincangkan

JADUAL 1.2 : Beberapa Item Statistik Mudah

KATEGORI STATISTIK MAKNA

Kecenderungan peratus Bilangan frekuensi
Memusat min Purata skor

median Skor penengah

mod Skor paling tinggi

Serakan julat Beza antara skor maksimun dengan
Hubungan Sisihan piawai skor minimun

Berapa jauh skor-skor terserak dari
min skor

Pekali korelasi Menunjukkan sama ada wujud atau
(kontigensi,
spearman, kendall, tidak hubungan antara
pearson, variasi)
pembolehubah, hubungan langsung

atau songsang, kekuatan hubungan

Pengujian Khi kuasa dua Menunjukkan sama ada wujud atau
Hipotesis tidak hubungan melibatkan
Ujian-z pengukuran skala nominal
Ujian-t
ANOVA Perbandingan satu faktor, satu
min/satu faktor, dua min

Perbandingan satu faktor, > dua min/
dua faktor, 2 min

Dalam buku kecil ini, saya akan bincangkan dengan cara yang mudah dan ringkas untuk
membolehkan pelajar dan penyelidik memahami dengan cepat cara-cara membuat analisis data
menggunakan item-item statistik yang mudah ini.

5

Bab 2 : Skala Pengukuran

BAB 2

SKALA PENGUKURAN

Dalam pengendalian penyelidikan, salah satu aspek penting yang perlu diketahui ialah skala
pengukuran. Skala pengukuran bagi sesuatu pembolehubah kajian akan menentukan item statistik
yang akan digunakan untuk membuat analisis data dan bagaimana data tersebut akan dianalisis.
Terdapat empat skala pengukuran yang digunakan dalam penyelidikan iaitu nominal, ordinal, sela
(interval) dan nisbah (ratio). Jadual di bawah menunjukkan deskripsi dan contoh bagi setiap skala
pengukuran yang dimaksudkan.

JADUAL 2.1 : Skala Pengukuran Dalam Penyelidikan

Skala Deskripsi Contoh
Nominal
Kelas, kategori, ekslusif Jantina, bangsa, agama, lokasi, bidang
pengajaran, aliran, jenis sekolah

Ordinal Pemeringkatan (rank), unit yang tidak Tingkatan, maklum balas terhadap respon
sama seperti sangat tidak setuju, tidak setuju,
tidak pasti, setuju dan sangat setuju

Sela Nilai tidak mutlak, boleh buat operasi Markah peperiksaan, maklum balas
Nisbah
matematik terhadap respon yang diberi skor

Nilai yang mutlak, boleh buat operasi Umur, pengalaman mengajar, jarak,

matematik jumlah pendapatan

Skala nominal merujuk kepada pembolehubah yang bersifat kategorikal. Selain bersifat kategori,
pembolehubah pada skala nominal bersifat ekslusif iaitu berdiri dengan sendiri dan tidak berkait
dengan pembolehubah lain. Contohnya pembolehubah jantina iaitu lelaki dan perempuan adalah
saling ekslusif dan tiada kaitan. Begitu juga pembolehubah bangsa seperti Melayu, Cina, India,
Iban dan lain-lain. Semua bangsa ini mempunyai ciri-ciri yang tersendiri dan tiada kaitan antara
satu sama lain. Petua paling mudah untuk mengesahkan sesuatu pembolehubah tersebut berada
pada skala nominal ialah pembolehubah tersebut tidak boleh dilakukan operasi matematik.
Contohnya jantina lelaki dan perempuan tidak boleh dioperasikan secara matematik sama ada
tambah, tolak, darab atau bahagi.

Skala ordinal merujuk kepada pembolehubah yang disusun mengikut tahap tertentu
seperti tingkatan satu hingga tingkatan lima yang dikelaskan mengikut umur. Tahap kemahiran
yang disusun seperti lemah, sederhana, baik dan cemerlang juga berada pada tahap skala ordinal.

6

Bab 2 : Skala Pengukuran

Selain itu, maklum balas seperti sangat tidak setuju, tidak setuju, tidak pasti, setuju dan sangat
setuju juga merupakan contoh pengukuran yang berada pada skala ordinal. Dengan kata lain,
sesuatu pembolehubah yang dikelaskan mengikut tahap atau ranking yang tertentu adalah berada
pada skala ordinal.

Pembolehubah yang berada pada skala sela merujuk kepada pembolehubah yang
mempunyai nilai dalam bentuk nombor. Namun nilai tersebut tidak mutlak. Sesetengah penulis
buku penyelidikan mengatakan nilai kosong (zero) tidak mutlak. Contohnya markah peperiksaan.
Seseorang murid yang mendapat markah peperiksaan sebanyak 50 peratus tidak bermaksud
secara mutlak bahawa dia menguasai 50 peratus pengajaran guru. Begitu juga murid yang
mendapat kosong atau 100 markah tidak bermaksud secara mutlak bahawa dia tidak menguasai
langsung atau menguasai sepenuhnya pengajaran guru. Maklum balas yang dibuat pemeringkatan
(ranking) pada tahap tertentu pada skala ordinal seperti sangat tidak setuju, tidak setuju, tidak
pasti, setuju dan sangat setuju juga boleh dikategorikan berada pada skala sela jika setiap kategori
tersebut diberi markah atau skor. Contohnya tahap sangat tidak setuju diberi skor 1, tidak setuju
diberi skor 2, tidak pasti diberi skor tiga, setuju diberi skor 4 dan sangat setuju diberi skor 5.
Contoh lain seperti skala tidak pernah diberi skor 1, jarang-jarang diberi skor 2, kerap diberi skor 3
dan sangat kerap diberi skor 4 juga boleh dikategorikan berada pada skala sela.

Skala pengukuran pada tahap nisbah juga merujuk kepada pembolehubah yang
mempunyai nilai dalam bentuk nombor. Nilai nombor pada skala nisbah tersebut adalah mutlak.
Contohnya umur. Seseorang yang berumur 51 tahun adalah mutlak berumur dengan nilai
tersebut. Seseorang yang berumur 0 tahun bermaksud belum dilahirkan. Begitu juga dengan jarak
rumah ke sekolah, pengalaman mengajar dan lain-lain. Semua nilai bagi pembolehubah yang
berada pada skala nisbah adalah mutlak. Kebiasaannya penyelidik sukar membezakan antara
pengukuran pada skala sela dan nisbah. Petuanya ialah dengan mengenal pasti sama ada nilai bagi
pembolehubah tersebut mutlak atau tidak. Jika tidak mutlak ia berada pada tahap sela.
Seandainya nilai tersebut bersifat mutlak maka ia berada pada tahap nisbah.

Perlu diingat bahawa skala yang berada pada tahap yang lebih tinggi adalah merangkumi
ciri-ciri pada skala yang lebih rendah. Contohnya skala pengukuran pada tahap ordinal juga
memiliki ciri-ciri pengukuran pada skala ordinal. Skala pengukuran pada tahap nisbah juga
merangkumi ciri pada tahap sela, ordinal dan nominal. Hanya skala pengukuran pada tahap yang
rendah tidak memiliki ciri skala pengukuran pada tahap yang tinggi.

Kepentingan Memahami Skala Pengukuran

Seringkali pelajar atau golongan pendidik yang baru berjinak dengan bidang penyelidikan
mengabaikan penguasaan dan pemahaman tentang skala pengukuran dalam penyelidikan.
Mereka menyangka kemahiran tersebut tidak penting. Yang penting adalah menganalisis data dan
membuat laporan dapatan kajian.

7

Bab 2 : Skala Pengukuran

Silap faham seumpama ini menyebabkan sebilangan pelajar menggunakan item statistik
yang salah untuk menganalisa data kajian mereka. Sepanjang mengendalikan bengkel
penyelidikan, saya pernah berjumpa dengan kes pelajar membuat kiraan min bagi jantina. Dalam
SPSS, pelajar ini mewakilkan jantina lelaki dengan kod ‘1’ manakala perempuan diwakili dengan
kod ‘2’. Apabila pelajar ini membuat analisa menggunakan min, maka nilai min yang diperolehi
ialah 1.67. Dalam gurauan, saya bertanya pelajar ini, apa interpretasi yang awak akan buat? Nilai
1.67 itu bermaksud apa? Pondan, Kunsa, Maknyah atau apa? Saya cuba hendak sedarkan pelajar
ini bahawa pembolehubah jantina yang berada pada skala nominal tidak boleh dilakukan operasi
matematik. Pembolehubah pada skala nominal hanya boleh dikira frekuensi sahaja, khususnya
peratusan.

Saya juga pernah membetulkan laporan penyelidikan sekumpulan guru yang membuat
korelasi Pearson antara jantina dengan pembolehubah motivasi guru. Laporan ini dibuat oleh
guru-guru yang baru melaksanakan penyelidikan di peringkat daerah masing-masing. Kesilapan ini
berlaku apabila mereka tidak menguasai pengetahuan tentang skala pengukuran dengan baik.
Sepatutnya korelasi Pearson hanya boleh dilakukan antara dua pembolehubah yang berada pada
skala sela atau skala yang lebih tinggi iaitu nisbah. Untuk mengenal pasti kaitan antara jantina
dengan tahap motivasi ujian-t, khi kuasa dua atau pekali kontigensi boleh digunakan.

Tujuan utama menguasai pengetahuan tentang skala pengukuran ialah untuk memilih
item statistik yang betul bagi membuat analisis data. Pensyarah saya, Mohd Majid Konting
(semoga Allah merahmati beliau) pernah berkata, computer is a stupid machine. Kalau kita
membuat korelasi menggunakan pekali Pearson antara jantina dengan motivasi pun komputer
akan keluarkan keputusan. Perisian SPSS tidak membekalkan kita dengan sistem yang terlalu
canggih untuk memberitahu kita supaya memilih item statistik yang betul setiap kali ingin
membuat analisis data. Sebab itu penyelidik mesti memahami dengan baik skala pengukuran dan
item statistik yang sesuai bagi setiap skala pengukuran tersebut. Jadual di bawah memaparkan
beberapa item statistik yang biasa digunakan bagi sukatan kecederungan memusat, serakan dan
pekali korelasi yang sesuai bagi setiap skala pengukuran.

JADUAL 2.2 : Kesesuian Item Statistik Mengikut Skala Pengukuran

Skala Statistik

Nominal Frekuensi/peratus, pekali kontigensi
Ordinal
Frekuensi/peratus, pekali Spearman, pekali
Sela Kendall/Point Bisserial

Min, sisihan piawai, pekali Pearson

Nisbah Min, pekali variasi

8

Bab 2 : Skala Pengukuran

Selain untuk menentukan penggunaan item statistik deskriptif, pengetahuan tentang skala
pengukuran juga membolehkan seseorang penyelidik memilih item statistik inferensi yang tepat
untuk membuat generalisasi terhadap populasi yang dikaji. Sebagai contoh seorang penyelidik
yang ingin mengenal pasti adakah terdapat perbezaan antara jantina dengan tahap motivasi, perlu
tahu ujian yang perlu dilakukan. Oleh kerana pembolehubah motivasi berada pada skala sela dan
faktor jantina mempunyai dua min iaitu min lelaki dan perempuan, maka statistik yang perlu
dipilih untuk pengujian ialah perbandingan min atau ujian-t.

Pengetahuan yang sama juga perlu diketahui oleh penyelidik yang contohnya ingin
membuat pengujian untuk melihat adakah terdapat perbezaan antara kelulusan akademik dengan
tahap motivasi. Pembolehubah kelulusan akademik mempunyai tiga kategori iaitu sarjana, sarjana
muda dan diploma. Oleh kerana pembolehubah motivasi berada pada skala sela dan faktor jantina
mempunyai tiga min iaitu min sarjana, min sarjana muda dan min diploma, maka ujian varians
atau ANOVA perlu dilakukan. Pemilihan item ujian ini dapat dilakukan dengan betul apabila
penyelidik atau pelajar memahami dengan baik skala pengukuran bagi setiap pembolehubah yang
dikaji. Saya tegaskan sekali lagi bahawa penyelidik akan berhadapan dengan masalah besar untuk
memilih item statistik sama ada statistik deskriptif atau statistik infrensi sekiranya mereka tidak
memahami skala pengukuran dengan baik.

Sebagai maklumat awal, Jadual di bawah memaparkan beberapa item statistik inferensi
untuk membuat pengujian bagi membuat perbandingan sesuatu pembolehubah mengikut skala
pengukuran masing-masing. Perlu diingat bahawa item statistik yang disenarai di bawah hanyalah
sebahagian kecil daripada item statistik yang diguna pakai dalam penyelidikan. Saya hanya
menyenaraikan beberapa item yang seringkali digunakan dalam penyelidikan pada peringkat dan
skala yang lebih kecil.

9

Bab 2 : Skala Pengukuran

JADUAL 2.3 : Kesesuaian Beberapa Item Statistik Inferensi
Mengikut Skala Pengukuran

(Sumber: Nota Kuliah Mohd Majid Konting)

Skala Perbandingan Statistik

Nisbah Satu faktor, satu min -Ujian-z (apabila maklumat
Sela Satu faktor, dua min populasi diketahui ATAU bilangan
sampel,n>25
-Ujian-t (apabila maklumat populasi
tidak diketahui ATAU bilangan
sampel, n<25)

-Ujian-t bersandar
-Ujian-t tak bersandar

Satu faktor, > dua min -Ujian-F, ANOVA satu hala

Dua faktor, 2 atau > min -Ujian-F, ANOVA dua hala
-Ujian-F, ANCOVA, MANOVA,
MANCOVA

Ordinal Pemeringkatan -Ujian median
Nominal Kekerapan -Ujian tanda (sign test)
-Ujian Friedman
-Ujian Mann Whitney

- Ujian Khi Kuasa Dua

Jadual 2.3 di atas hanya meringkaskan beberapa item statistik yang boleh digunakan bagi setiap
skala pengukuran. Dalam bab seterusnya akan ditunjukkan contoh-contoh penggunaan item-item
tersebut pada pembolehubah yang bersesuaian.

10

Bab 3 : Membina Template SPSS

BAB 3
MEMBINA TEMPLATE SPSS

Salah satu kemahiran asas yang perlu dikuasai oleh penyelidik ialah membina template SPPS. SPSS
adalah ringkasan kepada Statistical Package for Social Science iaitu satu perisian komputer untuk
membuat analisa data, khususnya data penyelidikan.

Penyelidik perlu memahami dengan baik SPSS dan cara menganalisis data bermula
daripada penyediaan proposal kajian lagi. Semasa penyelidik membina objektif dan soalan kajian,
penyelidik seharusnya telah tahu bagaimana data akan dianalisa untuk menjawab soalan kajian
tersebut, seterusnya mencapai objektif kajian. Dalam kajian kuantitatif, pengetahuan tentang
bagaimana data akan dianalisis bermaksud juga mengetahui bagaimana perisian SPSS beroperasi.

Ramai penyelidik yang telah membina proposal, membina soal selidik dan seterusnya
mengumpul data kajian tanpa terlebih dahulu merancang strategi untuk membuat analisa data.
Akibatnya sebahagian besar maklumat yang dikumpul dalam soal selidik tidak boleh dianalisis dan
terbuang begitu sahaja. Lebih malang apabila penyelidik tersebut gagal menjawab soalan kajian
yang dikemukakan, sekaligus gagal mencapai objektif kajian yang digariskan.

Membina template SPSS adalah langkah awal sebelum data kajian dianalisis. Template
perlu dibina supaya data kajian yang dikumpul melalui soal selidik boleh dimasukkan (key in) ke
dalam program SPSS menggunakan kod-kod bernombor. Pengalaman saya mengendalikan
bengkel kajian mendapati masih ramai penyelidik awalan yang belum menguasai kemahiran
membina template kajian. Pernah berlaku sekumpulan penyelidik seramai lima orang terpaksa
menunggu daripada pagi sampai petang tanpa membuat apa-apa kerana tidak ada seorang pun
antara mereka yang mahir membina template untuk diisi data. Atas keperluan ini, saya jelaskan
secara ringkas dalam buku ini beberapa langkah yang perlu diikuti oleh penyelidik untuk membina
template kajian. Untuk memudahkan kefahaman, saya kemukakan di bawah ini contoh
demografik responden bagi satu soal selidik bagi dijadikan contoh langkah-langkah membina
template yang dimaksudkan.

11

Bab 3 : Membina Template SPSS

SOALSELIDIK PRESTASI UPSR TERENGGANU 20

Arahan: Soal selidik ini bertujuan untuk mengkaji hubungan antara keputusan peperiksaan UPSR 2008 dengan beberapa
faktor dalaman. Semua guru mata pelajaran UPSR tahun 6 diminta melengkapkan soal selidik ini dengan telus dan teliti.

B1 Jantina 1 Lelaki

2 Perempuan

B2 Umur 1 21 – 30 tahun
2 31 – 40 tahun
3 41 – 50 tahun
4 51 tahun ke atas

B3 Pengalaman mengajar 1 1-5 tahun
2 6-10 tahun
3 11-15 tahun
4 16-20 tahun
5 21-25 tahun
6 26 -30 tahun
7 31 tahun ke atas

B4 Kelulusan akademik 1 Sijil/diploma
2 Ijazah sarjana muda
3 Ijazah sarjana

12

Bab 3 : Membina Template SPSS
Sebelum membina template, penyelidik perlu buka program SPSS Data Editor terlebih dahulu.
Apabila fail ini dibuka, kita akan didedahkan dengan satu fail berbentuk hamparan data seperti
berikut.

Pada bahagian bawah sebelah kiri, kita akan dapati dua helaian (sheet) iaitu Data View dan
Variable View. Hamparan inilah yang kita akan guna untuk membina template, memasukkan data
dan seterusnya menganalisis data kajian. Di bawah ini saya terangkan beberapa contoh bagaimana
membina template kajian berpandu kepada contoh soal selidik di atas.

Contoh 1
Untuk membina template bagi pembolehubah pertama iaitu jantina, penyelidik perlu mengikuti
langkah-langkah berikut;
i) Buka helaian Variable View. Bahagian atas lajur-lajur (columns) pada helaian ini kita akan
nampak disenaraikan perkataan Name, Type, Width, Decimals, Labels, Values, Missing, Columns,
Allign and Measure.

13

Bab 3 : Membina Template SPSS

ii) Pada baris (row) pertama di bawah tajuk Name, kita perlu masukan ID untuk pembolehubah
jantina. Penyelidik boleh menulis apa sahaja perkataan untuk mewakili pemboleubah jantina,
asalkan penyelidik tahu bahawa ID tersebut merujuk kepada jantina. Kebiasaannya penyelidik
akan menulis nombor item yang diguna pakai dalam soal selidik bagi membuat perwakilan. Tidak
salah untuk penyelidik menulis terus perkataan jantina pada kotak tersebut. Pada lajur kelima iaitu
lajur Label, penyelidik perlu menulis nama pembolehubah yang ingin dijadikan tajuk dalam jadual
yang akan dihasilkan nanti. Contohnya JANTINA, JANTINA RESPONDEN dan sebagainya. Label ini
perlu ditulis dengan betul dan berhati-hati kerana ia akan dijadikan tajuk bagi jadual dalam output
apabila kita membuat analisis nanti. Jika ejaan tersilap, atau tersalah penggunaan huruf besar dan
kecil, kesalahan itu akan terpapar pada jadual dalam output yang akan kita hasilkan nanti.

14

Bab 3 : Membina Template SPSS

iii) Kemudian penyelidik perlu klik pada kotak di bawah lajur Values. Kita akan dapati pada sebelah
kanan kotak tersebut ada satu kotak kecil berwarna gelap dengan tiga titik di dalamnya. Tekan klik
sebelah kanan tetikus pada kotak kecil tersebut. Satu hamparan lain akan keluar. Pada kotak
Value dalam hamparan tersebut penyelidik perlu isi kod yang akan mewakilkan jantina lelaki.
Contohnya nombor 1. Pada ruangan Values Label, penyelidik masukkan jantina yang mewakili kod
tersebut. Dalam kes ini masukkan LELAKI. Kemudian tekan butang Add. Proses yang sama juga
dilakukan kepada jantina perempuan. Masukkan dalam kotak Value kod bagi perempuan
contohnya nombor dua. Pada ruangan Value Label tulis perkataan PEREMPUAN. Sekiranya
penyelidik tersilap, butang Change dan Remove boleh digunakan untuk menukar atau membuang
kod yang telah diisi.

iv) Apabila nombor kod dan nama bagi kod tersebut telah siap disi, tekan butang OK pada
bahagian atas sebelah kanan. Untuk decimal point, penyelidik boleh pilih mengikut kesesuaian
data yang akan dimasukkan. Maka selesailah template untuk pembolehubah pertama dalam soal
selidik iaitu pembolehubah Jantina.

15

Bab 3 : Membina Template SPSS

Contoh 2
Langkah untuk bina template bagi pembolehubah umur ialah;
i) Buka helaian Variable View. Kemudian masukkan ID bagi umur pada baris kedua di bawah lajur
Name, contohnya perkataan UMUR atau Bil item iaitu B2. Pada lajur Label, tuliskan label jadual
yang dikehendaki contohnya UMUR RESPONDEN.

16

Bab 3 : Membina Template SPSS
ii) Seterusnya klik dalam kotak di bawah lajur Values. Kemudian klik tetikus sebelah kanan dalam
kotak kecil berwarna gelap yang yang mempunyai tiga titik (dot) tersebut. Apabila keluar kotak
hamparan yang baru, masukkan kod 1 pada ruangan Value. Kemudiaan masukkan perkataan ’21-
30 tahun’ pada ruangan Label Value. Kemudian tekan butang Add. Ulang proses tersebut dengan
memasukkan kod 2 untuk 31-40 tahun, kod 3 untuk 41-50 tahun dan kod 4 untuk 51 tahun ke
atas. Setelah semua kod telah dimasukan, tekan butang OK.

iii) Maka siaplah template untuk pembolehubah umur yang terdapat dalam soal selidik ini.

17

Bab 3 : Membina Template SPSS

Saya hanya membincangkan beberapa langkah mudah untuk membina template kajian, khususnya
untuk penyelidik baru dan pelajar. Saya tidak bercadang untuk bincangkan tentang Decimals,
Missing, Measure dan yang lain-lain itu. Sekiranya penyelidik boleh menguasai beberapa langkah
mudah yang saya utarakan di atas, penyelidik telah berjaya menyediakan template untuk diisi data
kajian yang dikumpulkan melalui soal selidik.

Memasukkan Data

Secara ringkas saya akan terangkan langkah-langkah untuk memasukkan (key in) data soal selidik.
Untuk memasukkan data, penyelidik perlu membuka helaian (sheet) Data View. Pada bahagian
atas setiap lajur, penyelidik akan nampak pembolehubah-pembolehubah yang telah dimasukkan
dalam Variable View sebelum ini.

Bilangan yang tertulis pada bahagian kiri setiap lajur adalah merujuk kepada bilangan
responden yang akan kita masukkan nanti. Baris pertama adalah untuk responden pertama. Jika
responden pertama lelaki, masukkan kod 1 pada kotak di bawah lajur jantina. Jika umur
responden ini dalam julat 41-50 tahun, masukkan kod 3 dalam kotak di bawah lajur umur. Jika
pengalaman mengajar bagi responden ini ialah 21-25 tahun, masukkan kod 5. Begitulah
seterusnya sehingga habis semua item dalam soal selidik. Proses yang sama diulangi bagi
responden kedua, ketiga dan seterusnya.

Sering berlaku kesilapan semasa memasukkan data. Dua kesilapan yang sering berlaku
ialah kesilapan memasukkan kod dan tertinggal kod. Sangat sering berlaku kod yang sepatutnya
dimasukkan ialah nombor 3, tetapi yang dimasukkan ialah nombor 33. Kesilapan ini biasanya
berlaku akibat tersilap semasa mengetuk keyboard komputer. Sering juga berlaku ruangan atau
kotak ditinggalkan kosong tanpa dimasukkan apa-apa nombor.

Bagi mengatasi masalah ini, proses penyemakan data perlu dilakukan. Banyak buku
menggunakan istilah pembersihan data. Istilah ini digunakan apabila mereka menterjemah istilah
clean the data atau data cleaning yang terdapat dalam buku-buku penyelidikan dalam bahasa
Inggeris. Saya tidak berminat menggunakan perkataan pembersihan data kerana maksudnya
seolah-olah ingin membuang semua data-data tersebut!

Ada pelbagai cara untuk menyemak data. Cara yang paling konvensional ialah dengan
cara memerhati secara rambang keseluruhan data tersebut dalam helaian Data View. Penyelidik
boleh menggerakkan data tersebut dari atas ke bawah dan sebaliknya, serta dari kiri ke kanan dan
sebaliknya, dalam beberapa kali gerakkan. Penyelidik yang biasa memasukkan data kajian akan
cepat perasaan sekiranya berlaku kesalahan atau missing pada data yang dimasukkan.

Biasanya saya menggunakan kaedah ‘analisis olok-olok’ untuk menyemak data yang
tertinggal. Biasanya saya menggunakan analisis frekuensi iaitu mencari peratus skor. Jika ada data
yang tertinggal, kita akan dapat lihat pada data Mising. Jadual di bawah menunjukkan contoh
analisis output yang mempunyai kod yang salah dan tertinggal memasukkan data.

18

Bab 3 : Membina Template SPSS

JANTINA

Valid Lelaki Frequency Percent Valid Percent Cumulative
Perempuan 40 32,8 33,1 Percent
Missing 3 79 64,8 65,3 33,1
Total 11 1 ,8 ,8 98,3
Total 1 ,8 ,8 99,2
System 99,2 100,0
121 ,8 100,0
1
100,0
122

Contoh output yang dikeluarkan oleh SPSS di atas menunjukkan ada dua kesilapan
memasukkan data. Sepatutnya kod yang perlu dimasukkan hanya nombor 1 untuk jantina lelaki
dan nombor 2 untuk jantina perempuan. Terdapat dua nombor yang tidak berkenaan iaitu
nombor 3 dan nombor 11 telah tersilap masuk. Output juga menunjukkan satu data telah
tertinggal untuk dimasukkan. Kaedah ‘analisis olok-olok’ ini lebih mudah untuk digunakan oleh
penyelidik yang mempunyai daya penglihatan dan tumpuan yang kurang cekap untuk menyemak
secara pemerhatian rambang.

Data yang salah atau tertinggal perlu dimasukkan semula. Sebab itulah setiap soal selidik
kajian perlu mempunyai nombor siri. Nombor siri ini perlu ditanda sebelum data dimasukkan.
Sekiranya berlaku kesilapan atau tertinggal, penyelidik perlu membuat pembetulan semula
dengan menyemak semula soal selidik yang terlibat.

Proses ini perlu dilakukan untuk mengelak terdapat terlalu banyak kesilapan data akibat
faktor kecuaian manusia. Sekiranya jumlah responden terlalu ramai sehingga mencecah ribuan,
agak rumit untuk memastikan semua data dimasukkan betul 100 peratus. Kesilapan atau missing
yang kecil seperti ini boleh diselaraskan semula apabila data dianalisa nanti. Namun proses
penyemakan data masih perlu dilakukan.

Semasa membuat semakan data, etika penyelidikan sangat penting dijaga. Saya pernah
melihat seorang kawan yang memasukkan sendiri secara agakan data yang tertinggal apabila
beliau membuat semakan data. Tindakan ini sebenarnya menyalahi etika penyelidikan. Sekiranya
penyelidik melanggar etika seperti ini, dapatan kajian sudah tidak boleh dipercayai dan
mempunyai kecacatan.

19

Bab 4 : Mengolah Data SPSS

BAB 4
MENGOLAH DATA SPSS

Setelah data kajian siap dimasukkan, kemahiran penting yang juga perlu dikuasai oleh penyelidik
ialah mengolah atau mentadbir data. Perisian SPSS memberi ruang yang sangat luas kepada
penyelidik untuk mengolah data supaya bertepatan dengan analisa yang akan dibuat nanti.
Perisian SPSS juga memberi ruang yang luas kepada penyelidik untuk mengolah data supaya lebih
mudah dan lebih cekap untuk ditadbir.

Banyak pengolahan yang boleh dilakukan terhadap data yang telah siap dimasukkan.
Antaranya seperti sort cases, transpose, restructure, categorize variables, rank cases, replace
missing values dan sebagainya. Namun mustahil untuk saya membincangkan semua proses
tersebut dalam buku yang ringkas ini. Saya hanya memilih beberapa proses olahan data yang
sering digunakan dalam penyelidikan awalan untuk dibincangkan. Antara yang akan dibincangkan
dengan ringkas adalah proses menggabung fail, mengkod semula dan compute data. Saya memilih
proses ini untuk dibincangkan berdasarkan pengalaman di lapangan. Secara umumnya kajian di
lapangan memerlukan kemahiran ini. Secara umum juga boleh dikatakan ramai penyelidik awalan
belum menguasai kemahiran asas ini.

Gabung (merge) Fail

Soal selidik untuk kumpulan sampel yang ramai biasanya dimasukkan secara berkumpulan, atau
menggunakan bantuan pembantu penyelidik. Hasilnya beberapa fail data akan dihasilkan. Untuk
analisa, fail ini perlu digabungkan.

Ada penyelidik awalan yang menggabungkan data daripada beberapa fail menggunakan
kaedah copy dan paste. Kaedah ini agak berisiko. Sekiranya berlaku sedikit kesilapan meletak curse
dalam kotak tertentu, seluruh data akan tertukar. Contohnya data bagi pembolehubah jantina
tertukar dengan ruangan pembolehubah jenis sekolah dan sebagainya. Kalaupun proses copy dan
paste ini dilakukan secara berhati-hati, ianya masih tidak sesuai untuk jumlah data yang besar.
Data yang terlalu besar menyebabkan sistem akan delay untuk membuat paste.

Data daripada beberapa fail, hatta ratusan fail sekalipun boleh digabungkan dengan
mudah menggunakan proses merge files. Untuk gabung fail, penyelidik perlu buka satu fail yang
akan dijadikan fail induk. Kedua-dua helaian sama ada Data View atau Variable View boleh
digunakan untuk menggabungkan data. Pada bahagian atas, klik butang Data. Kemudian klik
butang Merge File dan Add Cases.

20

Bab 4 : Mengolah Data SPSS

Selepas butang Add Cases di tekan, satu hamparan baru seperti berikut akan keluar.

Selepas hamparan ini keluar, penyelidik perlu memilih sama ada hendak menggabungkan fail yang
telah dibuka atau fail yang berada dalam folder lain. Jika hendak menggabungkan dengan fail yang

21

Bab 4 : Mengolah Data SPSS

telah dibuka, hanya perlu klik dua kali pada nama fail dalam kotak An open dataset. Jika fail lain,
klik Browse, dan pilih fail yang hendak digabungkan.

Proses yang sama boleh dilakukan untuk menggabungkan atau menambah
pembolehubah kepada data induk sedia ada. Bezanya pada langkah ketiga iaitu butang Add Cases
ditukar dengan butang Add Variables.

Mengkod Semula (recode) Data

Proses mengkod semula (recode) data biasanya dilakukan kerana beberapa sebab dan tujuan.
Antaranya;

a) Data pada skala sela atau nisbah yang ditulis secara terbuka ingin dikumpulkan mengikut
kumpulan tertentu. Contohnya dalam soal selidik tidak dikategorikan umur responden.
Responden dikehendaki menulis umur yang sebenar pada ruang kosong, bukan menanda
pada kumpulan umur yang telah digroupkan. Biasanya soal selidik begini dibuat oleh
penyelidik yang arif bahawa skala pengukuran akan menentukan jenis analisis yang boleh
dibuat. Penyelidik yang mahir juga tidak akan merendahkan tahap sesuatu skala
pengukuran. Contohnya umur berada pada skala nisbah. Jika digroupkan mengikut julat
tertentu, pembolehubah itu sudah turun kepada skala ordinal. Jika pada skala nisbah
boleh dilakukan korelasi Pearson. Namun apabila diturunkan pada skala ordinal, korelasi
pearson tidak boleh dilakukan lagi. Namun dalam masa yang sama, analisis mengikut
kumpulan umur masih perlu dilakukan. Contohnya untuk melihat perbezaan tahap
motivasi guru mengikut kumpulan umur tertentu. Untuk tujuan ini, proses recode perlu
dilakukan.

b) Sesetengah penyelidik mempelbagaikan cara penulisan pernyataan dalam item soal
selidik. Ada penyelidik yang mencampur item dalam bentuk ayat positif dan negatif
dalam dalam konstruk yang sama dalam sesuatu soal selidik. Contohnya item pertama
berbunyi ‘ saya mengulangkaji pelajaran di rumah’. Item kedua berbunyi ‘saya tidak
menyiapkan kerja rumah yang diberi oleh guru’. Kedua-dua item itu termasuk dalam
beberapa item untuk mendapat maklumat budaya pembelajaran pelajar di rumah.

Sebelum soal selidik ini dianalisis, khususnya untuk menentukan min keseluruhan budaya
pembelajaran di rumah, penyelidik perlu membuat recode supaya arah pernyataan
adalah sama. Bagi item dalam pernyataan negatif, respon sangat tidak setuju yang
diwakilkan dengan kod ‘1’ perlu ditukar kepada respon sangat setuju yang diwakilkan
dengan kod ‘4’. Begitu juga respon tidak setuju dengan kod ‘2’ ditukar kepada setuju
dengan kod ‘3’. Untuk menukarkan kod-kod ini, proses recode perlu dilakukan.

c) Penyelidik juga melakukan proses recode untuk membetulkan sebarang kesilapan yang
dilakukan semasa proses memasukkan data. Biasanya kesilapan ini disebabkan kesalahan
kecil pada soal selidik yang tidak disedari. Contohnya bagi item disiplin, respon ‘kerap’
sepatutnya diwakilkan dengan kod ‘3’ supaya konsisten dengan skor bagi respon ‘tidak
pernah’, ‘jarang-jarang’ dan ‘sangat kerap’. Namun dalam soal selidik respons untuk

22

Bab 4 : Mengolah Data SPSS

‘kerap, ditanda pada kotak bernombor 2. Apabila dimasukkan data, respon ‘kerap’
diwakilkan dengan kod nombor 2, yang sepatutnya nombor 3. Untuk membetulkan
kesilapan ini dengan mudah dan menyeluruh, proses recode dilakukan.
d) Ada juga penyelidik membuat recode untuk membuat definisi operasional terhadap tahap
bagi sesuatu pembolehubah. Kebiasaannya recode seperti ini melibatkan nilai min.
Contohnya nilai min antara 1.00 -1.99 didefinisikan sebagai rendah, 2.00 – 2.99 sebagai
sederhana dan 3.00 -4.00 sebagai tinggi. Bagi membuat definisi ini, proses recode
dilakukan.

Contoh 1: Kod Semula Kepada Kumpulan
Dalam soal selidik, pembolehubah pengalaman mengajar dibiarkan terbuka supaya responden
menulis tempoh sebenar mereka mengajar. Ini membolehkan analisis korelasi antara
pembolehubah pengalaman dengan pembolehubah lain yang berada pada skala sela dan nisbah
dapat dilakukan.

Namun penyelidik juga ingin melihat perbezaan sesuatu pembolehubah contohnya
kepuasan kerja dengan kumpulan pengalaman mengajar tertentu. Dalam kes ini pembolehubah
pengalaman mengajar perlu dikodkan semula kepada beberapa kumpulan. Bagi membuat recode
ini, ikuti langkah-langkah berikut.
i) Buka fail helaian Data View atau Variable View. Ilusi di bawah menunjukkan data asal yang
belum dikodkan semula.

23

Bab 4 : Mengolah Data SPSS
ii) klik butang Transform yang terdapat pada bahagian paling atas. Kemudian klik butang Recode
Into Different Variable. Ini untuk membolehkan satu template pembolehubah lain dibina.
Sekiranya kita klik Into Same Variable, data mentah yang asal akan hilang kerana ditukar kepada
data yang telah digroupkan.

iii) Hamparan lain akan keluar. Pilih pembolehubah yang ingin direcode, kemudian klik dua kali
pada pembolehubah tersebut untuk dimasukkan dalam kotak Input Variables-Output Variables.

24

Bab 4 : Mengolah Data SPSS

iv) Pada ruangan Name, tulis ID pembolehubah baru yang ingin dibina. Pada ruangan Label, tulis
label yang ingin diletak pada pembolehubah tersebut (sama seperti proses membuat template
sebelum ini).Kemudian tekan butang Old and New Values

25

Bab 4 : Mengolah Data SPSS
v) Di bawah bahagian Old Value, Klik pada Range. Masukkan julat yang ingin dikumpulkan.
Contohnya tempoh 1 hingga 10 tahun dimasukkan 1 through 10. Di bawah bahagian New Value,
masukkan kod untuk mewakili kumpulan ini. Contohnya tempoh 1 hingga 10 tahun diwakilkan
dengan nombor 1. Kemudian tekan butang Add. Ulang langkah yang sama untuk kumpulan
pengalaman mengajar yang lain contohnya 11 hingga 20 tahun, 21 hingga 30 tahun dan
sebagainya. Setelah semua kumpulan umur dimasukkan, tekan butang Continue.

26

Bab 4 : Mengolah Data SPSS
vi) Hamparan sebelumnya akan keluar. Klik butang Change. Kemudian klik butang OK.

vii) Pembolehubah baru dengan kumpulan umur yang telah digroupkan telah siap dibina
seperti helaian Variables di bawah.

27

Bab 4 : Mengolah Data SPSS

viii) Pada helaian Variable View, lakukan proses yang sama seperti membina template dalam bab
sebelum ini untuk melabelkan nilai bagi setiap kod yang diwakilkan.

Contoh 2: Kod Semula Nombor
Kod semula nombor biasanya dilakukan oleh penyelidik yang ingin membetulkan kesilapan.
Contohnya maklum balas ‘sangat kerap’ yang diwakilkan dengan nombor 5 ingin ditukar kepada
nombor 4.

Kod semula juga boleh dilakukan untuk menggabungkan beberapa respons kepada satu
kumpulan sahaja. Contohnya ‘setuju’ yang diwakilkan dengan nombor 3 dan ‘sangat setuju’ yang
diwakili dengan nombor 4 ingin digabungkan. Terpulang kepada penyelidik sama ada ingin tukar
kod nombor 3 kepada nombor 4 atau sebaliknya, atau kedua-dua kod nombor 3 dan 4 tersebut
ingin ditukar kepada kod dengan nombor lain.

Sebagai contoh, kita ingin mengkod semula taraf pendidikan penjaga daripada ‘Diploma’ yang
diwakili dengan kod ‘3’ kepada ‘Ijazah’ yang diwakili dengan kod ‘4’ dalam data di bawah. Untuk
proses ini, ikuti langkah-langkah berikut;

i) Pada helaian Data View atau Variable View, klik butang Transform yang terdapat pada bahagian
paling atas. Recode Into Same Variable.

28

Bab 4 : Mengolah Data SPSS
ii) Setelah hamparan baru keluar, klik dua kali pada pembolehubah yang ingin dikodkan semula
untuk memasukkan ke dalam kotak Numeric Variable. Kemudian tekan butang Old and New
Values.

iii) Setelah hamparan baru keluar, masukkan nombor kod asal iaitu 3 dalam kotak Old Value dan
masukkan nombor baru iaitu 4 dalam kotak New Value. Tekan butang Add. Tekan butang
Continue

29

Bab 4 : Mengolah Data SPSS
iv) Setelah hamparan asal keluar, tekan butang OK. Proses recod telah selesai

30

Bab 4 : Mengolah Data SPSS

Compute Data
Compute data perlu dilakukan untuk menggabungkan beberapa item dalam satu konstruk atau
dimensi. Contohnya konstruk kemahiran belajar murid diwakilkan dengan 13 item. Untuk
membuat analisa tentang konstruk kemahiran belajar, semua 13 item ini perlu dicompute kepada
pembolehubah baru iaitu pembolehubah kemahiran belajar. Selepas compute barulah analisa
boleh dilakukan sama ada ingin menentukan min, sisihan piawai dan sebagainya. Langkah-langkah
untuk membuat compute data adalah seperti berikut;

i) Klik butang Transform pada helaian Data View atau Variable View. Klik butang Compute
Variable

ii) Hamparan lain akan keluar. Tulis nama pembolehubah baru dalam kotak Target Variable.Di
bawah Function Groups, pilih Statistical. Dalam ruangan Function and Special Variables, pilih
MEAN (boleh juga pilih SUM atau lain-lain item mengikut kesesuaian). Klik dua kali pada
pembolehubah yang hendak dicompute untuk masukkan dalam kotak Numeric Experession. Perlu
diingat, antara setiap pembolehubah perlu ada tanda koma. Jika tersilap atau tertinggal, proses
seterusnya tidak dapat dilakukan.

31

Bab 4 : Mengolah Data SPSS

iii) Setelah semua pembolehubah dipindah dengan betul kekotak Numeric Experession, tekan
butang OK.

32

Bab 4 : Mengolah Data SPSS
iv) Data dengan pembolehubah baru yang telah dicompute telah sedia untuk diguna.

33

Bab 4 : Mengolah Data SPSS
Saya hanya bincangkan dalam bab ini beberapa kemahiran asas untuk mengolah data soal selidik.
Ini adalah kemahiran asas yang perlu diketahui oleh penyelidik permulaan sebelum menganalisis
data. Penyelidik boleh merujuk manual-manual penyelidikan yang lebih tinggi untuk menguasai
kemahiran olahan data yang lebih kompleks.

34

Bab 5: Kebolehpercayaan Item

BAB 5

KEBOLEHPERCAYAAN ITEM

Kajian rintis atau kebiasaannya disebut pilot study merupakan disiplin penyelidikan yang perlu
diikuti oleh setiap penyelidik. Kajian rintis perlu dilakukan sebelum data kajian yang sebenar
dikumpul. Selain untuk membiasakan penyelidik dengan situasi sebenar pengumpulan data, kajian
rintis perlu dijalankan untuk membuat penambahbaikan terhadap soal selidik yang dibina.

Salah satu ciri soal selidik yang baik ialah boleh dipercayai. Kebolehpercayaan (reliability)
bermaksud kebolehan sesuatu alat ukur atau instrumen kajian menghasilkan keputusan yang tekal
atau konsisten setiap kali pengukuran dibuat. Menurut McMillan dan Schumacher (2006) tahap
kebolehpercayaan sesuatu alat kajian boleh dianggarkan menggunakan lima kaedah iaitu
menentukan kestabilan (stability), menentukan kesamaan (equivalence), menentukan kestabilan
dan kesamaan (stability and equivalance), menentukan ketekalan dalaman (internal consistency)
dan menentukan darjah persetujuan (agreement).

Bagi penyelidik yang baru berjinak dengan penyelidikan, kaedah popular yang sering
digunakan untuk menganggar kebolehpercayaan sesuatu alat ukur ialah dengan cara menentukan
ketekalan dalaman. Dalam perisian SPSS, kaedah ini boleh ditentukan dengan melihat nilai
koofesien Alpha Cronbach (McMillan dan Schumacher, 2006). Jika alat kajian benar-benar boleh
dipercayai, nilai koofisien (r) seharus 1.00 (Gay, 1996). Namun sukar untuk mendapatkan alat
kajian yang boleh dipercayai 100 peratus. Oleh itu, bagi kajian yang mengukur bilangan sampel
kecil atau perbezaan antara subjek kajian adalah kecil, maka penyelidik digalakkan menggunakan
alat kajian dengan koofesien yang besar iaitu nilai r>0.85. Bagi kajian yang akan mengukur jumlah
sampel yang besar atau perbezaan antara subjek kajian besar, maka boleh digunakan alat kajian
dengan koofesien yang agak rendah iaitu nilai r>0.60 (Cates, 1990). Menurut McMillan dan
Schumacher (2006) pula, nilai kooefesien antara 0.7 hingga 0.8 sudah boleh dianggap sebagai
mempunyai kebolehpercayaan yang agak tinggi.

Saya tidak berminat untuk membicangkan teori untuk menentukan kebolehpercayaan ini
dengan panjang lebar. Bagi penyelidik awalan, cukup sekadar mereka mengetahui bagaimana
untuk menentukan nilai Alpha Cronbach dan bagaimana untuk membetulkan item soal selidik
sekiranya nilai alpha yang diperolehi rendah.

Tahap kebolehpercayaan sesuatu soal selidik banyak dipengaruhi oleh kualiti soal selidik
yang dibina. Sekiranya soal selidik tersebut baik dan berkualiti, biasanya pekali kebolehpercayaan
akan meningkat. Begitulah sebaliknya jika soal selidik itu kurang baik, kurang jelas dan kurang
berkualiti, pekali kebolehpercayaan akan berkurang. Antara ciri-ciri soal selidik yang baik seperti;

i) Mudah difahami
ii) Ayat ringkas dan pendek
iii) Sesuai dengan tahap kumpulan responden
iv) Mudah untuk dijawab tanpa memerlukan responden mengingati maklumat lain yang

berkaitan

Penyelidik yang kurang berpengalaman seringkali berhadapan dengan masalah apabila
membina soal selidik kajian. Masalah ini akan dapat diatasi apabila mereka melaksanakan
beberapa kajian lapangan dan memperolehi pengalaman yang cukup. Biasanya soal selidik kurang

35

Bab 5: Kebolehpercayaan Item

berkualiti menyebabkan pekali kebolehpercayaan akan menjadi rendah. Antara ciri-ciri soal selidik
yang kurang baik seperti;

i) Susah difahami
ii) Mempunyai lebih daripada satu maksud (double meaning)
iii) Tanya dua perkara dalam satu item (double barrel)
iv) Ayat terlalu panjang dan kurang jelas
v) Tidak sesuai dengan tahap kumpulan responden kajian
vi) Bersifat provokasi
vii) Pernyataan dalam bentuk negatif

Kebolehpercayaan sesuatu item soal selidik akan jadi rendah apabila responden kajian tidak
memahami maksud sebenar yang dikehendaki oleh penyelidik. Kebolehpercayaan juga akan jadi
rendah apabila beberapa responden faham secara berlainan terhadap item yang sama. Penyelidik
yang berpengalaman biasanya boleh mengesan daripada awal kelemahan sesuatu item soal
selidik. Penyelidik yang baru dan kurang pengalaman perlu membuat analisis kebolehpercayaan
terlebih dahulu untuk melihat sama ada item mereka boleh dipercayai atau tidak.

Untuk menambah kefahaman, saya kemukakan di bawah ini satu contoh soal selidik.
Kemudian saya tunjukkan cara dengan menggunakan contoh data sedia ada bagaimana proses
menentukan kebolehpercayaan item dilakukan. Soal selidik ini adalah instrumen untuk mengukur
tahap efikasi guru yang dibina oleh Gibson dan Dembo (1984).

Contoh

SOAL SELIDIK EFIKASI GURU

Panduan: Senarai pernyataan di bawah menggambarkan keyakinan dan kebolehan seseorang guru. Anda di minta
menyatakan darjah persetujuan anda dengan membulat salah satu kekunci yang terdapat di hujung pernyataan tersebut.
Kekunci tersebut mewakili:

1 = Sangat tidak bersetuju
2 = Tidak bersetuju
3 = Berkecuali
4 = Bersetuju
5 = Sangat bersetuju

NO PERNYATAAN RESPONS
12345
E1 Jika seseorang murid menguasai konsep baru dengan cepat, ia mungkin 12345
disebabkan saya tahu langkah-langkah dalam pengajarannya. 12345

E2 Apabila gred murid saya meningkat maju, lazimnya adalah kerana saya 36
menggunakan pendekatan pengajaran yang lebih berkesan.

E3 Apabila saya berusaha bersungguh-sungguh, pelajar yang benar-benar
bermasalah pun masih dapat mengikuti pengajaran saya.

Bab 5: Kebolehpercayaan Item

E4 Jika murid-murid tidak dapat mengingati maklumat yang saya berikan 12345
sebelum ini, saya tahu bagaimana untuk meningkatkan daya ingatan 12345
mereka pada sesi pengajaran akan datang. 12345

E5 Apabila seseorang murid berjaya melebihi kebiasaan, lazimnya ia
disebabkan oleh saya berusaha lebih sedikit dari biasa.

E6 Jika seseorang murid di dalam kelas saya mula mengganggu dan membuat
bising, saya yakin boleh menggunakan teknik-teknik untuk meredakan
dengan segera.

E7 Jika murid-murid saya tidak dapat menyelesaikan tugasan, saya 12345
berkebolehan menilai faktornya.

E8 Apabila seseorang murid menghadapi masalah dengan tugasannya, 12345
lazimnya saya boleh mengubah suai tugasan berkenaan supaya sesuai
dengan keupayaan murid tersebut. 12345
12345
E9 Apabila seseorang murid mencapai gred yang lebih baik dari kebiasaan, 12345
lazimnya adalah kerana saya menggunakan kaedah pengajaran yang lebih 12345
baik untuk murid berkenaan. 12345
12345
E10 Kejayaan pengajaran seseorang guru adalah terhad kerana faktor latar 12345
belakang murid berkenaan lebih besar pengaruhnya.
12345
E11 Jika murid-murid tidak berdisiplin di rumah, mereka juga tidak mungkin
menerima sebarang peraturan disiplin di sekolah.

E12 Pengajaran saya di kelas mempunyai pengaruh kecil ke atas murid
berbanding dengan pengaruh persekitaran rumah mereka.

E13 Kemampuan pembelajaran seseorang murid sangat berkaitan dengan latar
belakang keluarganya.

E14 Pengaruh keluarga ke atas pembelajaran murid tidak boleh boleh diatasi
dengan pengajaran yang baik.

E15 Sekiranya ibu bapa tidak mengambil berat ke atas anak-anaknya, saya juga
tidak boleh melakukannya dengan baik.

E16 Walaupun seseorang guru itu mempunyai keupayaan mengajar dengan
baik, ia mungkin tidak terjangkau kerana bilangan murid yang ramai.

37

Bab 5: Kebolehpercayaan Item

Untuk mencari pekali Alpha Cronbach bagi item-item ini, langkah-langkah berikut dilakukan;
i) Buka helaian Data View atau Data Variable yang sudah dimasukkan data. Klik butang analyze.
Kemudian klik butang Scale. Seterusnya Klik butang Reliability Analysis

ii) Hamparan baru akan keluar.

38

Bab 5: Kebolehpercayaan Item

iii) Klik dua kali pada semua item yang ingin diuji kebolehpercayaan. Automatik item-item itu akan
masuk ke ruangan Items. Item-item yang hedak diuji juga boleh dipindahkan dengan cara
menekan butang anak panah ke kanan. Klik untuk memilih Alpha dalam ruangan Model. Sekiranya
tersilap memasukkan pembolehubah, penyelidik boleh mengeluarkan semula pembolehubah dari
kotak item dengan menekan butang anak panah ke kiri. Klik butang Statistik.

iv) Hamparan lain seperti di bawah akan keluar. Tandakan ruangan Item dan Scale If Item Deleted.
Klik Continue.

39

Bab 5: Kebolehpercayaan Item

v) Hamparan baru akan keluar. Kemudian klik OK. Output analisis akan dikeluarkan oleh SPPS.

40

Bab 5: Kebolehpercayaan Item

Output yang akan dikeluarkan adalah seperti berikut;

Scale: ALL VARIABLES

Case Processing Summary

N%

Cases Valid 122 100.0
Excludeda 0 .0

Total 122 100.0

a. Listwise deletion based on all variables in the
procedure.

Reliability Statistics
Cronbach's Alpha N of Items

.836 16

Item Statistics

Mean Std. Deviation N

e1 3.98 .674 122

e2 3.92 .756 122

e3 3.90 .797 122

e4 3.77 .736 122

e5 3.51 .855 122

e6 3.83 .724 122

e7 3.80 .625 122

e8 3.83 .701 122

e9 3.66 .769 122

e10 3.84 .965 122

e11 3.79 1.054 122

e12 3.43 1.142 122

e13 3.89 1.054 122

e14 3.08 1.196 122

e15 3.14 1.174 122

e16 4.05 .978 122

41

Bab 5: Kebolehpercayaan Item

Item-Total Statistics

Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Total Correlation if Item Deleted
Deleted Item Deleted

e1 55.42 56.824 .347 .832

e2 55.48 55.144 .453 .827

e3 55.49 55.277 .413 .829

e4 55.62 54.518 .528 .824

e5 55.89 54.565 .436 .828

e6 55.57 55.554 .438 .828

e7 55.59 56.492 .417 .829

e8 55.57 56.826 .330 .833

e9 55.74 54.906 .466 .826

e10 55.56 51.984 .567 .820

e11 55.61 50.819 .590 .818

e12 55.97 52.214 .441 .828

e13 55.51 50.054 .646 .814

e14 56.31 52.828 .376 .834

e15 56.25 52.373 .415 .831

e16 55.34 54.013 .406 .829

Daripada output ini, didapati pekali Alpha Cronbach keseluruhan soal selidik ini ialah 0.836. Secara
keseluruhan, nilai pekali kebolehpercayaan ini adalah mencukupi walaupun ada penyelidik yang
mengatakan pekali Alpha yang sesuai untuk kajian pada kumpulan sampel yang kecil, nilai alpha
mesti melebihi 0.85.

Untuk menentukan status setiap item, penyelidik perlu memberi perhatian pada lajur
Alpha if Item Deleted. Sekiranya nilai Alpha keseluruhan akan meningkat jika sesuatu item itu
didelete, maka item itu agak bermasalah. Mungkin responden kurang faham, mempunyai dua
makna, tidak jelas dan sebagainya. Sekiranya nilai Alpha akan meningkat sangat tinggi berbanding
sekiranya item itu didelete, maka item soal selidik tersebut perlu dibaiki atau dibuang. Itulah
fungsi analisis kebolehpercayaan dilakukan terhadap data kajian rintis. Sekiranya nilai Alpha
keseluruhan akan menurun jika sesuatu item itu didelete, maka item itu agak baik. Tidak perlu
dibaiki atau dibuang.

Saya hanya tunjukkan dalam buku ini kaedah paling mudah untuk membuat anggaran
kebolehpercayaan sesuatu soal selidik. Saya hanya melihat dari aspek item dan if item deleted.
Banyak aspek lain yang boleh diperhati contohnya korelasi inter item, kovarians inter item dan
sebagainya. Setiap aspek ini mempunyai fungsi masing-masing untuk membuat penambahbaikan
terhadap soal selidik yang dibina. Untuk peringkat pengenalan, cukuplah penyelidik memahami
bagaimana untuk mencari nilai Alpha secara keseluruhan, serta bagaimana untuk memilih item-
item yang perlu dibaiki dan dibuang.

42

Bab 6: Sukatan Kecenderungan Memusat

BAB 6

SUKATAN KECENDERUNGAN MEMUSAT

Data penyelidikan seringkali terlalu banyak. Sebagai contoh, murid tingkatan 4 SMK Felda Neram
berjumlah 120 orang. Markah subjek Fizik bagi setiap murid ini yang dipanggil data tidak
terkumpul (raw data) berjumlah 120 semuanya. Adalah tidak sesuai untuk memaparkan semua
markah ini dalam bentuk data mentah bagi tujuan pelaporan. Bagi tujuan pelaporan, data ini lebih
efektif dipersembahkan dalam bentuk yang lebih ringkas iaitu dalam bentuk data terkumpul
(frequency distribution). Data juga boleh dipersembahkan dengan lebih ringkas dalam bentuk
diagram seperti histogram, poligon dan carta pie.

Sebagai contoh, di bawah ini disenaraikan markah Fizik semua murid tingkatan 4 SMK Felda
Neram.

JADUAL 6.1: Markah Fizik Murid Tingkatan 4

MURID MARKAH MURID MARKAH MURID MARKAH
1 28 41 65 81 76
2 48 42 67 82 56
3 56 43 66 83 66
4 89 44 69 84 78
5 97 45 62 85 89
6 34 46 72 86 43
7 56 47 71 87 56
8 76 48 34 88 67
9 78 49 45 89 65
10 56 50 53 90 54
11 76 51 56 91 53
12 34 52 55 92 34
13 54 53 59 93 46
14 67 54 67 94 77
15 89 55 88 95 76
16 77 56 78 96 87
17 86 57 76 97 89
18 65 58 89 98 82
19 56 59 34 99 74
20 78 60 88 100 29
21 76 61 75 101 30
22 25 62 92 102 32
23 65 63 95 103 43
24 90 64 65 104 45
25 82 65 34 105 56
26 37 66 30 106 65
27 64 67 54 107 67
28 58 68 67 108 88
29 56 69 78 109 79
30 77 70 67 110 90
31 66 71 67 111 43
32 39 72 88 112 88
33 45 73 81 113 76
34 43 74 25 114 58
35 48 75 27 115 76
36 49 76 76 116 68
37 56 77 67 117 83
38 52 78 40 118 89
39 58 79 43 119 46
40 76 80 45 120 67

43

Bab 6: Sukatan Kecenderungan Memusat

Data Terkumpul
Markah yang terdapat dalam jadual di atas dipanggil data mentah atau data tak terkumpul. Data
ini boleh diringkaskan ke dalam bentuk data terkumpul melalui langkah-langkah berikut;

i) Menentukan bilangan kelas/kumpulan
Data tersebut boleh dikumpulkan dalam beberapa kelas atau kumpulan. Untuk
menentukan bilangan kelas bagi data di atas, formula di bawah digunakan.

 ŵ - ŷ ŷ {Ž‘‰ J{

di mana k = bilangan kelas, n = bilangan data/kes
Bagi kes di atas;
Bilangan kelas, k = 1 + 3.3 (log 120)

= 7.86
≈8
ii) Menentukan saiz kelas
Saiz bagi setiap kelas boleh ditentukan dengan menggunakan formula;

ƒ‹œ ‡Žƒ• J˩ˬI˩ ˮ˥Jˮ˩J˧˧˩ . J˩ˬI˩ ˮ˥J˥JˤI˨
˫

Dalam kes di atas,

ƒ‹œ ‡Žƒ• %Ż . ŶŹ
%

=9

≈ 10

Setelah dua maklumat tersebut diperolehi, markah mentah dalam jadual di atas boleh
diringkaskan ke dalam bentuk data terkumpul seperti dalam jadual berikut.

44