SPSS Untuk Penyelidik Muda

SPSS untuk penyelidik muda

2. Output SPSS

Jadual statistik sepert Jadual 3.9 yang dipaparkan dalam output
menunjukkan semua data berada dalam julat 1 – 5. Maka kesemua data
tersebut tiada sebarang masalah.

Valid Harga1 Jadual 3.9 Spec1 Spec2 Spec3
N
94 Statistics 94 94 94
Missing
Minimum 0 Harga2 Harga3 0 0 0
Maximum 1 1 1 1
5 94 94 5 5 5

00
11
55

3.3 Skala Likert - Ordinal ke Sela !

Terdapat perbahasan yang merujuk item dengan skala Likert sebagai
skala ordinal yang bersifat kategori maka tidak sesuai untuk analisis
parametrik. Skala Likert menghasilkan data ordinal diskrit, bukan selanjar
maka tidak sesuai untuk semakan kenormalan. Oleh itu, individu item
dalam kaji selidik hanya sesuai dianalisis secara diskriptif seperti
frekuensi atau peratusan kerana berciri ordinal.

Namun begitu, terdapat pendapat bahawa kaji selidik bukan bertujuan
untuk membandingkan respon individu item yang bersifat ordinal tetapi
menjumlahkan semua respon bagi satu-satu konstruk atau sub konstruk
bagi semua responden bagi mendapatkan summated score. Summated
score ini menurut Sekaran (2003) mempunyai ciri-ciri skor seperti skala
sela, maka boleh digunakan untuk analisis statistik parametrik, selepas
memenuhi segala syarat yang diperlukan.

88

SPSS untuk penyelidik muda

Palant (2010) misalnya dalam bukunya SPSS survival manual
menggunakan prinsip yang sama untuk menganalisis respon dari kaji
selidik. Oleh sebab itulah, Likert’s scale juga dipanggil sebagai summated
scale kerana analisis dilakukan dengan menjumlah skor semua item bagi
satu-satu konstruk atau sub konstruk, bukan membandingkan individual
item.
Dalam buku ini, anda akan lakukan transformasi skala Likert menjadi
summated score mengikut sub konstruk harga dan sub konstruk
spesifikasi telefon bimbit supaya anda boleh menjalankan analisis
parametrik jika skor tersebut memenuhi syarat parametrik yang
diperlukan.

1. Prosidur SPSS:
Transform – Computer Variables (Rajah 3.24)

Rajah 3.24
Namakan pemboleh ubah baru summated score sebagai sum_harga dan
bawa semua item ke dalam kotak Numeric Expression dan gunakan tanda
“+” untuk lakukan operasi menjumlah (Rajah 3.25).

89

SPSS untuk penyelidik muda

Rajah 3.25

Klik OK.

2. Outpus SPSS

Variable View diperolehi seperti berikut dengan pertambahan satu
pemboleh ubah baru iaitu “sum_harga” dengan Data View seperti berikut.
Selaraskan bahagian decimal point, column dan lain-lain yang sesuai
pada pemboleh ubah yang sedia ada seperti Rajah 3.26 dan Rajah 3.27
di bawah.

90

SPSS untuk penyelidik muda

Rajah 3.26

Rajah 3.27

91

SPSS untuk penyelidik muda

Ulangi dengan cara yang sama untuk konstruk spesifikasi dengan
menamakan pemboleh ubah summated score sebagai sum_spec pula
supaya mendapat hasil seperti Rajah 3.28 berikut.

Rajah 3.28
Pemboleh ubah sum_harga dan sum-spec adalah jumlah skor respon
bagi kesemua item bagi setiap sub konstruk, maka skor kedua-dua
sum_harga dan sum_spec berciri skala sela. Anda boleh menganalisis
skor kedua-dua pemboleh ubah ini sebagaimana analisis pemboleh ubah
selanjar yang lain jika skor tertabur secara normal.

92

SPSS untuk penyelidik muda

BAB 4

KENORMALAN DATA

93

SPSS untuk penyelidik muda

4.1 Mengapa Data Perlu Normal?

Analisis statistik inferensi membolehkan dapatan dari sampel
digenerlisasikan kepada populasi setelah memenuhi beberapa syarat.
Satu ciri data dalam populasi adalah data tersebut tertabur secara normal.
Ini membawa maksud sebahagian besar data tertabur disekitar min,
dengan peratusan yang semakin kecil data semakin menjauhi nilai min.
Kenormalan data sampel dirujuk kepada data sampel yang diperolehi dari
populasi jika data sampel tersebut diplot akan menghasilkan graf poligon
berbentuk “menghampiri normal” juga iaitu menghampiri bentuk seperti
Rajah 4.1.

Rajah 4.1 Bentuk graf normal yang ideal

Semua data selanjar iaitu sela dan nisbah mestilah tertabur menghampiri
taburan normal sebelum sebarang analisis menggunakan statistik
parametrik inferensi dapat dilakukan. Oleh itu, kedua-dua data pada skala
sela dan nisbah yang diperolehi dari pengukuran mesti disemak
kenormalannya. Data sela boleh diperolehi dari instrumen seperti ujian

94

SPSS untuk penyelidik muda

pencapaian manakala data nisbah seperti berat badan diperolehi
menggunakan alat penimbang. Pengukuran kenormalan tidak dilakukan
kepada data kategori berskala ordinal dan nominal seperti jantina, bangsa
atau pendapat.

Data sela dan nisbah adalah data parametrik sekiranya tertabur secara
normal maka boleh dianalisis dengan statistik parametrik seperti ujian-t,
ANOVA, MANOVA dan regresi. Data nominal dan ordinal adalah data
bukan parametrik maka analisis bukan parametrik seperti histogram,
frekuensi, chi-kuasa dua, Mann-Whitney dan Spearman rho diperlukan.

Kenormalan boleh disemak dengan perisian SPSS melalui beberapa cara
yang lazim seperti ujian kenormalan Kromogorov-Smirnov (KS) dan
Shapiro-Wilk (SW), nilai skewness, kurtosis, histogram, stem and leaf,
boxplot atau Q-Q plot. Walau bagaimanapun, buku ini hanya akan
membincangkan pengujian kenormalan dengan ujian kenormalan KS,
SW, nilai skewness dan kurtosis.

4.1.1 Ujian Kenormalan KS dan SW

Data selanjar bagi setiap kategori seperti skor IQ mengikut kategori
jantina perlu diuji kenormalannya bagi memenuhi syarat untuk analisis
menggunakan statistik parametrik sebelum boleh dibuat inferensi.
Lakukan analisis pengujian untuk mendapatkan jadual Tests of Normality
KS dan SW.

Jika nilai p>.05 diperolehi, bermakna set data tersebut adalah normal
kerana sampel “tidak berbeza” secara signifikan dengan data populasi
yang mengikut “nature” adalah normal. Jika sebaliknya p <.05, data
sampel “berbeza” secara signifikan dari data populasi dari segi

95

SPSS untuk penyelidik muda

kenormalan iaitu data sampel tidak tertabur secara normal sebagaimana
data dalam populasi.
Ingat:
p > .05 = data tertabur menghampiri normal (statistik parametrik)
p < .05 = data tidak tertabur secara normal (statistik bukan parametrik)

4.1.2 Ujian Skewness dan Kurtosis

Jika syarat kenormalan data sampel tidak dipenuhi (p < .05) oleh ujian
kenormalan KS dan SW, maka anda masih boleh menyemak kenormalan
data melalui pengukuran bentuk graf dari aspek skewness dan kurtosis.
Apa yang perlu adalah bentuk graf yang menghampiri bentuk graf normal.
Skewness adalah ukuran sejauhmana graf bersifat simetri. Graf normal
yang ideal mempunyai skewness sifar. Kedua-dua skewness dan kurtosis
ini ditukarkan kepada skor z (skor standard untuk sebarang populasi)
dengan membahagikan nilai statistik skewness dan kurtosis dengan
standard error (SE) masng-masing.
Rumus 4.1 berikut dengan S adalah nilai statistik skewness atau kurtosis,
SE adalah standard error masing-masing.

− 0
=

Nilai z skor ini perlu berada dalam julat +/- 1.96 pada p<.05 (nilai ini
dipelajari dalam kelas statistik) pada aras keyakinan 95% atau aras
signifikan .05. Walau bagaimanapun, nilai ini dibundarkan kepada +/-2.

96

SPSS untuk penyelidik muda

Penyelidik menganggap sebarang nilai skor z bagi skewness dan kurtosis
yang berada dalam julat ± 2.5 boleh diterima sebagai memenuhi syarat
kenormalan kerana menghampiri graf normal (George & Mallery, 2010)
walaupun ada yang mencadangkan sehingga ± 3.0.

Berikut adalah hipotesis kajian yang memerlukan ujian kenormalan.

SK Soalan kajian dan hipotesis Ujian kenormalan

4 Adakah terdapat hubungan antara skor motivasi Skor motivasi dan skor
pelajar kolej komuniti dengan skor Sains? Sains semua pelajar

5 Adakah masih terdapat hubungan antara skor Skor self-esteem semua
motivasi dengan skor Sains jika skor self-esteem pelajar (Skor Sains telah
pelajar tersebut dikawal? diuji dalam SK4)

6 Adakah terdapat hubungan yang signifikan antara sum_harga dan
persetujuan pembelian telefon kerana faktor harga sum_spec

dan spesifikasi?

7 Adakah terdapat pengaruh skor ujian pasca dan skor Skor ujian pasca,
motivasi sebagai faktor peramal terhadap skor motivasi, skor
pengekalan ? pengekalan semua
pelajar

8 Adakah terdapat perbezaan skor self-esteem antara Skor self-esteem bagi

ketiga-tiga kumpulan pelajar yang diajar dengan kumpulan 1,2 dan 3

kaedah pengajaran berbeza?

9 Adakah terdapat perbezaan skor Sains antara jantina Skor Sains lelaki dan

dalam kumpulan umur yang berbeza ? perempuan; Skor Sains

Adakah terdapat kesan interaksi antara jantina kumpulan umur 1 dan
dengan kumpulan umur tersebut? kumpulan umur 2

10 Adakah terdapat perbezaan skor ujian pra, ujian Skor ujian pra, pasca

pasca dan ujian pengekalan bagi kumpulan yang dan pengekalan

mengikuti pengajaran kaedah menggunakan Model? kumpulan 1 (Model)

11 Adakah terdapat perbezaan skor ujian pasca bagi Skor ujian pasca
ketiga-tiga kumpulan? kumpulan 1,2,3

12 Adakah terdapat perbezaan skor min ujian pasca dan Skor ujian pasca dan
skor min ujian pengekalan disebabkan oleh jantina ? pengekalan lelaki dan
perempuan

97

SPSS untuk penyelidik muda

13 Adakah terdapat perbezaan antara persetujuan Skor summated_harga
pembelian telefon bimbit kerana faktor harga antara lelaki dan perempuan
lelaki dan perempuan?
Skor ujian pra dan
14 Adakah terdapat perbezaan yang signifikan antara pasca lelaki
skor ujian pra dan ujian pasca dalam kalangan
pelajar lelaki?

4.2 Normal – Uji Jangan Tak Uji !

Pemboleh ubah dengan data selanjar (skala sela) yang terlibat dalam
pengujian hipotesis adalah

• skor self-esteem
• skor Sains
• skor ujian pra
• skor ujian pasca
• skor ujian pengekalan
• sum_harga (telah dilakukan transformasi dari data ordinal)
• sum_spec (telah dilakukan transformasi dari data ordinal)

Kesemua skor di atas perlu diuji kenormalan bagi setiap kategori seperti
Jadual 4.1 berikut. Kategori tersebut adalah dua kumpulan jantina, dua
kumpulan umur, dua kumpulan eksperimen dan satu kumpulan kawalan.

Oleh kerana terdapat pertindihan antara soalan kajian yang berbeza
tetapi menggunakan skor yang sama, maka ujian kenormalan hanya
dilakukan sekali sahaja. Berikut adalah ujian kenormalan yang
dimaksudkan.

98

SPSS untuk penyelidik muda

Jadual 4.1

SK Skor yang diuji kenormakan
4 Skor motivasi dan skor Sains semua pelajar
5 Skor self-esteem semua pelajar
6 Skor sum_harga dan sum_spec
7 Skor ujian pasca, motivasi semua pelajar
8 Skor self-esteem bagi kumpulan 1,2 dan 3
9 Skor Sains ikut jantina, kumpulan umur1 dan kumpulan umur
10 Skor ujian pra, pasca dan pengekalan kumpulan 1 (Model)
11 Skor ujian pasca kumpulan 1,2,3
12 Skor ujian pasca dan pengekalan lelaki dan perempuan
13 Skor sum_harga kumpulan berbeza jantina
14 Skor ujian pra dan pasca lelaki

4.2.1 SK 4, 5, 7 (Skor motivasi, Sains dan self-esteem)

1. Prosidur SPSS
Analyze – Descriptive statistics – Explore (Rajah 4.2)

99

SPSS untuk penyelidik muda

Rajah 4.2
Klik Plot – Normality plots with tests – Klik OK (Rajah 4.3)

Rajah 4.3

100

2. Output SPSS SPSS untuk penyelidik muda

Jadual 4.2

Berikan perhatian kepada ujian SW dalam Jadual 4.2 yang menunjukkan
skor motivasi dan skor Sains tidak signifikan, p>.05 yang membawa
maksud kenormalan skor-skor tersebut tidak berbeza dengan kenormalan
populasi. Jadi skor-skor tersebut memenuhi syarat kenormalan.
Sementara itu, walaupun skor self-esteem signifikan, p<.05 tetapi nilai
.048 ini boleh dianggap menghampiri kenormalan tanpa perlukan
pengujian seterusnya (kerana dijangka akan memenuhi syarat
kenormalan). Kesimpulannya, ketiga-tiga skor pemboleh ubah dianggap
memenuhi syarat menghampiri taburan kenormalan data.

4.2.2 SK 8 (Skor self-esteem untuk Kumpulan 1, 2 dan 3)

Oleh kerana anda perlukan perbandingan ikut kumpulan, anda mungkin
terfikir untuk melakukan langkah “Split File” terlebih dahulu. Walau
bagaimanapun, prosidur semakan kenormalan SPSS menyediakan ruang
untuk memilih kategori, maka anda tidak perlukan “Split File”.

101

SPSS untuk penyelidik muda

1. Prosidur SPSS
Analyze – Descriptive statistics – Explore (Rajah 4.4 – Rajah 4.6)

Rajah 4.4

Rajah 4.5

102

SPSS untuk penyelidik muda

Rajah 4.6

2. Output SPSS

Jadual 4.3 menunjukkan hasil ujian kenormalan KS dan SW. Anda hanya
berminat dengan hasil ujian SW sahaja kerana saiz sampel yang kecil
dalam kajian ini.

Jadual 4.3

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistik df Sig. Statistik df Sig.

Model .163 32 .030 .944 32 .099
Animasi .465
.122 32 .200* .969 32 .082

Kawalan .201 30 .003 .938 30

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Kesemua data selanjar dari kategori kumpulan yang berbeza memenuhi
syarat kenormalan kerana p>.05. Ini bermakna skor self-esteem
kumpulan 1, 2 dan 3 tertabur secara normal.

103

SPSS untuk penyelidik muda

4.2.3 SK 9 (Skor Sains ikut jantina)

Ulangi seperti prosidur 4.2.2 di atas untuk pengujian kenormalan untuk
jantina pula (Rajah 4.7).
1. Prosidur SPSS

Rajah 4.7
2. Output SPSS
Jadual 4.4 menunjukkan kedua-dua skor Sains lelaki dan perempuan
tertabur secara normal, p >.05.

104

SPSS untuk penyelidik muda

Jadual 4.4

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistik df Sig. Statistik df Sig.

Lelaki Skor Sains .113 48 .158 .966 48 .168
.092 46 .200* .981 46 .656
Perempuan Skor Sains

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

4.2.4 SK 11, 15 (Skor ujian pra, pasca dan pengekalan)

Bahagian ini menguji kenormalan skor ujian pra, pasca dan pengekalan
mengikut jantina dan kumpulan. Mulakan dengan lakukan Split File ikut
jantina diikuti prosidur menguji kenormalan data seperti Rajah 4.8.

105

SPSS untuk penyelidik muda

1. Prosidur SPSS
Analyze – Descriptive statistics – Explore (Rajah 4.8)

Rajah 4.8

106

SPSS untuk penyelidik muda

2. Output SPSS
Jadual 4.5 berikut menunjukkan hasil ujian kenormalan yang dijalankan.

Jadual 4.5

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistik df Sig. Statistik Df Sig.

Skor ujian pra .090 48 .200* .961 48 .115

Lelaki Skor ujian pasca .135 48 .028 .950 48 .042

Skor ujian pengekalan .128 48 .049 .950 48 .038
Skor ujian pra .092 46 .200* .978 46 .517

Ppuan Skor ujian pasca .128 46 .058 .977 46 .487

Skor ujian pengekalan .087 46 .200* .973 46 .355

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Jadual 4.5 menunjukkan hanya nilai skor lelaki bagi ujian pasca dan
pengekalan p<.05, tidak memenuhi syarat kenormalan mengikut ujian
SW, maka langkah seterusnya adalah menguji kenormalan dengan
kurtosis dan skewness.

Lakukan operasi Descriptives bagi mendapatkan nilai skewness dan
Kurtosis untuk mendapatkan Jadual 4.6. Jadual ini adalah jadual output
SPSS yang telah diubahsuai sedikit bagi menunjukkan nilai nisbah
statistik skewness dan kurtosis dibahagikan dengan standard error
masing-masing. Perhatikan semua nilai kurtosis dan skewness bagi skor
pasca dan pengekalan lelaki apabila dibahagi dengan standard erorrs
masing-masing (dikira secara manual menggunakan kalkulator) berada
dalam julat ±2.5, maka kedua-dua skor dianggap mematuhi kenormalan
data.

107

SPSS untuk penyelidik muda

Jadual 4.6

Descriptives

Statistik Std. Error (SE)
.343
Skewness .377
.674
Skor ujian Skewness / SE = 1.099
pasca .343
Kurtosis -.301
Lelaki .674
Kurtosis / SE = .446
Skor ujian
pengekalan Skewness -.500

Skewness / SE = 1.458

Kurtosis -.416

Kurtosis / SE = -.617

4.2.5 SK 14 (Skor sum_harga ikut kumpulan umur)

Cuba anda lakukan Split File ikut kumpulan diikuti dengan prosidur
menguji kenormalan data bagi setiap kumpulan.

1. Prosidur SPSS
Data – Split File (Rajah 4.9)

Rajah 4.9

108

SPSS untuk penyelidik muda

Analyze – Descriptive Statistics – Explore (Rajah 4.10)

Rajah 4.10

Klik Continue – OK

2. Output SPSS

Jadual 4.7

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistik df Sig. Statistik df Sig.

Model sum_harga .179 32 .011 .881 32 .002

Animasi sum_harga .179 32 .010 .947 32 .119

Kawalan sum_harga .243 30 .000 .885 30 .004

a. Lilliefors Significance Correction

109

SPSS untuk penyelidik muda

Dapatan Jadual 4.7 di atas menunjukan hanya kumpulan Animasi, p > .05
maka skor kumpulan ini mematuhi syarat kenormalan mengikut ujian SW,
sementara kumpulan Model dan Kawalan, masing-masing p < .05, tidak
mematahui syarat kenormalan mengikut ujian SW.

Oleh itu, anda perlu menguji pula nilai skewness dan kurtosis secara
Descriptives untuk mengetahui samada kumpulan Model dan Kawalan
juga menghampiri taburan normal dengan memperolehi output seperti
Jadual 4.8.

Jadual 4.8
Descriptive Statistics

Skewness Kurtosis

Statistik Std. Error Statistik Std. Error

Model sum_harga .871 .414 -.291 .809
Animasi Stat / SE
Kawalan sum_harga 2.103 .359
Stat / SE
sum_harga .543 .414 -.239 .809
Stat / SE
1.311 .295

.997 .427 .388 .833

2.351 .466

Jadual 4.8 menunjukkan kesemua nilai stat / SE bagi kedua-dua skor
yang diperolehi berada dalam julat ± 2.5, bermakna taburan data boleh
dianggap memenuhi syarat kenormalan.

4.2.6 SK 6 (Sum_harga dan sum_spec)

1. Prosidur SPSS
Ulangi lagi prosidur yang sama seperti Rajah 4.11 – Rajah 4.13.

110

SPSS untuk penyelidik muda

Rajah 4.11

Rajah 4.12

111

SPSS untuk penyelidik muda

Rajah 4.13

2. Output SPSS

Jadual 4.9 adalah hasil ujian kenormalan KS dan SW.

Jadual 4.9

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Summated harga .192 94 .000 .927 94 .000
.000
Summated spec .210 94 .000 .909 94

a. Lilliefors Significance Correction

Berikan perhatian kepada dapatan dalam Jadual 4.9 di atas yang
menunjukkan skor kedua-dua summated harga dan summated spec,
p<.05, iaitu menunjukkan kedua-duanya tidak memenuhi syarat
kenormalan mengikut ujian SW. Lakukan pengujian skewness dan
kurtosis melalui statistik diskriptif.

112

SPSS untuk penyelidik muda

Berikut adalah nisbah nilai skewness dan kurtosis dari Jadual 4.9 di atas
terhadap standard error masing-masing bagi ujian kenormalan.

Jadual 4.9 Kurtosis

Descriptive Statistics Statistic Std. Error

Summated harga N Skewness .127 .493
Summated spec
Valid N (listwise) Statistic Statistic Std. Error -.588 .493

94 .811 .249
94 .355 .249
94

Summated harga:

• Skewness = .811 / .249 = 3.26
• Kurtosis = .127 / .493 = .256

Summated spesifikasi:
• Skewness = .355 / .249 = 1.42
• Kurtosis = .588 / .493 = 1.19

Perhatikan nilai skewness bagi summated harga 3.26 melebihi julat ± 2.5.
Ini mengesahkan bahawa data tidak memenuhi syarat kenormalan, maka
sebarang ujian statistik melibatkan summated harga hanya sesuai
menggunakan statistik bukan parametrik.

4.2.7 SK 10, 12 (Ujian pra, pasca, pengekalan ikut jantina)

1. Prosidur SPSS

Ulangi prosidur SPSS seperti soalan kajian sebelum ini untuk
mendapatkan plot normal.

113

SPSS untuk penyelidik muda

2. Output SPSS

Berikan perhatian kepada ujian SW dalam Jadual 4.10 yang menunjukkan
skor ujian pra, pasca dan pengekalan memenuhi syarat kenormalan, p
>.05 bagi kedua-dua lelaki dan perempuan kecuali skor ujian pasca lelaki
p < .05. Oleh itu jalankan analisis kurtosis dan skewness bagi
mengesahkan kenormalan taburan ujian pasca bagi lelaki.

Jadual 4.10

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic Df Sig. Statistic Df Sig.

Skor ujian pra Lelaki .090 48 .200* .961 48 .115
Perempuan .092 46 .200* .978 46 .517

Skor ujian pasca Lelaki .135 48 .028 .950 48 .042
Perempuan
.128 46 .058 .977 46 .487

Skor ujian Lelaki .128 48 .049 .950 48 .038

pengekalan Perempuan .087 46 .200* .973 46 .355

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Lakukan “select cases” untuk memilih hanya ujian pasca bagi lelaki
sahaja. Kemudian jalankan prosidur untuk dapatkan nilai skewness dan
kurtosis seperti dalam Jadual 4.11 berikut.

Jadual 4.11

Descriptive Statistics

N Skewness Kurtosis
Statistic Std. Error
Statistic Statistic Std.
Error

Skor ujian pasca 48 .377 .343 -.301 .674
Lelaki
48
Valid N (listwise)

114

SPSS untuk penyelidik muda

Jalankan pengiraan manual

• Skewness = .377 / .343 = 1.09
• Kurtosis = .343 / .674 = .44

Nilai skewness dan nilai kurtosis setelah dibahagi dengan standard error
berada dalam julat ±2.5 maka dianggap memenuhi syarat menghampiri
kenormalan. Maka boleh disimpulkan bahawa ujian pasca bagi lelaki juga
mempunyai ciri-ciri menghampiri taburan normal.

4.2.8 SK 13 (Skor Sum_harga antara jantina)

1. Prosidur SPSS
Ulangi ujian kenormalan seperti soalan kajian sebelum ini.

2. Output SPSS

Tests of Normalitya

Kolmogorov-Smirnovb Shapiro-Wilk

Statistic Df Sig. Statistic df Sig.
.000
Summated harga .194 46 .000 .865 46

a. 1. Lelaki 2. Ppuan = Perempuan
b. Lilliefors Significance Correction

Oleh kerana pemboleh ubah summated harga tidak mematuhi
kenormalan mengikut ujian SW, p<.05, maka ujian skewness dan kurtosis
perlu dijalankan.

115

SPSS untuk penyelidik muda

2. Output SPSS.
Jadual 4.12 menunjukkan nilai statistik dan standard error bagi skewness
dan kurtosis.

Jadual 4.12

• Pengiraan skewness = .134 / .249 = .53
• Pengiraan kurtosis = -.213 / .493 = - .43
Nilai skewness dan nilai kurtosis setelah dibahagi dengan standard error
berada dalam julat ±2.5 maka dianggap memenuhi syarat menghampiri
kenormalan. Maka boleh disimpulkan bahawa ujian pasca bagi lelaki juga
mempunyai ciri-ciri menghampiri taburan normal.

116

SPSS untuk penyelidik muda

BAB 5

APLIKASI SPSS

117

SPSS untuk penyelidik muda

5.1 Statistik Diskriptif Sampel Kajian

Statistik diskriptif dijalankan bertujuan menyatakan ciri-ciri sampel dan
memberi indikator atau gambaran pada pembaca terhadap ciri-ciri sampel
yang telah diambil bagi mewakili (representativeness) populasi. Statistik
diskriptif meliputi prosidur bagi memerihalkan kriteria utama atau penting
bagi sampel supaya mudah difahami samada dalam bentuk visual seperti
jadual, carta atau graf. Data mentah boleh juga melalui transformasi untuk
membentuk pula kategori tertentu bagi memudahkan pemahaman.

5.1.1 Transformasi Kumpulan Umur

Anda boleh membuat transformasi data dengan mengklasifikasikan umur
kepada kategori umur. Membuat tranformasi data umur kepada
klasfisikasi seperti kategori kumpulan umur boleh dilakukan jika ada
keperluan untuk membuat perbandingan antara kategori umur yang
berbeza.
Dalam kajian ini, katakan anda ingin membuat kategori umur, maka anda
boleh melihat kepada frekuensi terlebih dahulu untuk menganggarkan
julat umur yang sesuai untuk dikategorikan.

1. Prosidur SPSS
Analyze – Descriptive Statistics – Frequency (Rajah 5.1)

118

SPSS untuk penyelidik muda

Rajah 5.1
2. Output SPSS
Nilai frekuensi dalam Jadual 5.1 membolehkan anda mengkategorikan
umur dalam dua kumpulan dengan bilangan sampel yang tidak terlalu
berbeza seperti berikut:

• kumpulan 1: berumur 21-23 tahun
• kumpulan 2: berumur 24-26 tahun

119

SPSS untuk penyelidik muda

Frequency Jadual 5.1 Valid Percent Cumulative
Percent
Umur 16.0 16.0
20.2 36.2
Percent 20.2 56.4
12.8 69.1
Valid 21 15 16.0 18.1 87.2
22 19 20.2 12.8 100.0
23 19 20.2 100.0
24 12 12.8
25 17 18.1
26 12 12.8
Total 94 100.0

Prosidur SPSS seterusnya

Transfrom – Recode Into Difference variable (Rajah 5.2)

Berikan nama pemboleh ubah baru sebagai “Kump_umur” dan klik
Change

Rajah 5.2

Klik Old and New Values

120

SPSS untuk penyelidik muda

Klik Range dan lengkapkan butiran dan klik Add seperti Rajah 5.3.

Rajah 5.3

Maka muncul satu pemboleh ubah baru “kump_umur” yang boleh dilihat
dalam Data View (Rajah 5.4) dan juga Variable View. Selaraskan decimal
point dan ciri lain supaya seragam dengan pemboleh ubah yang lain.

Rajah 5.4

121

SPSS untuk penyelidik muda

5.1.2 Peratusan Ikut Kumpulan Umur

Lakukan analisis diskriptif untuk kumpulan umur menggunakan frekuensi.
1. Prosidur SPSS
Analyze – Descriptive Statistics – Frequencies (Rajah 5.5)

Rajah 5.5
Klik Statistics dan tandakan pada Percentile(s) dan tulis 100, klik Add
seperti Rajah 5.6

Rajah 5.6

122

SPSS untuk penyelidik muda

2. Output SPSS

Jadual 5.2 menunjukkan frekuensi kumpulan umur 1 (21-23 tahun) dan
kumpulan umur 2 (24-26 tahun) serta peratusan. Ini bermakna, terdapat
56.4% sampel berumur 21 hingga 23 tahun dan terdapat 43.6 % sampel
berukur 24-26 tahun.

Jadual 5.2 Cumulative
Percent
Kump_umur 56.4
100.0
Frequency Percent Valid Percent

1 53 56.4 56.4
Valid 2 41 43.6 43.6
94 100.0 100.0
Total

5.1.3 Peratusan Ikut Jantina

1. Prosidur SPSS
Ulangi langkah seperti di atas untuk mendapatkan peratusan sampel
mengikut umur.

2. Output SPSS
Jadual 5.3 menunjukkan frekuensi lelaki dan perempuan. Terdapat
seramai 48 pelajar lelaki (51.1%) dan 46 pelajar perempuan(48.9%) dari
keseluruhan 94 orang pelajar yang terlibat dalam kajian.

123

SPSS untuk penyelidik muda

Jadual 5.3 Cumulative
Percent
1. Lelaki 2. Ppuan 51.1
100.0
Frequency Percent Valid Percent

Valid Lelaki 48 51.1 51.1
Perempuan 46 48.9 48.9
Total 94 100.0 100.0

5.1.4 Crosstab Umur dan Jantina

Kemudian, anda boleh menggunakan analisis crosstab (cross tabulation)
bagi menunjukkan hubungan antara klasifikasi umur dengan jantina
dalam satu jadual matrik.

1. Prosidur SPSS

Analyze – Descriptive – Crosstabs.

Masukkan pemboleh ubah kumpulan umur dan jantina seperti Rajah 5.7.
Anda boleh masukkan mana-mana pemboleh ubah pada Row(s)
mahupun Column(s).

124

SPSS untuk penyelidik muda

Rajah 5.7
Bagi aktiviti ini, anda tidak perlu tandakan apa-apa, cuma klik OK

2. Output SPSS

Jadual 5.4 menunjukkan bilangan pelajar lelaki (n=31) lebih ramai dari
bilangan pelajar perempuan (n=22) dalam kumpulan umur 21-23 tahun.
Walau bagaimanapun, bagi kumpulan umur 24-26 tahun, bilangan pelajar
lelaki (n=17) lebih lecil berbanding dengan pelajar perempuan (n=24).

Jadual 5.4

Kump_umur * 1. Lelaki 2. Ppuan Crosstabulation

Count

Kump_umur 1 1. Lelaki 2. Perempuan Total
Total 2 31 22
17 24 53
48 46 41
94

125

SPSS untuk penyelidik muda

5.1.5 Crosstab Kumpulan dan Jantina

1. Prosidur SPSS

Lakukan dengan cara yang sama seperti di atas, untuk mengetahui
bilangan pelajar berdasarkan kumpulan kaedah pengajaran yang berbeza
dan jantina.

2. Output SPSS

Jadual 5.5 menunjukkan terdapat seramai 11, 17 dan 20 lelaki masing-
masing dalam kumpulan Model, Animasi dan Teks (Kawalan). Sementara
itu terdapat seramai 21, 15 dan 10 perempuan masing-masing dalam
kumpulan Model, Animasi dan Kawalan. Pelajar lelaki paling ramai dalam
kumpulan Kawalan (n=20), perempuan paling ramai dalam kumpulan
Model (n=21). Keseluruhan bilangan pelajar adalah 94 orang.

Jadual 5.5

1. Model 2. Animasi 3. Kawalan * 1. Lelaki 2. Ppuan Crosstabulation

1. Model 1.Lelaki 2. Perempuan Total
2. Animasi 11 21
3. Kawalan 17 15 32
20 10 32
Total 48 46 30
94

126

SPSS untuk penyelidik muda

5.1.6 Crosstab akuan Twitter dan Jantina

1. Prosidur SPSS

Lakukan dengan cara yang sama seperti di atas, untuk mengetahui
bilangan pelajar yang memiliki akaun Twitter berdasarkan jantina.

2. Output SPSS

Jadual 5.6 menunjukkan pelajar perempuan (n=36) mempunyai akaun
Twitter mengatasi pelajar lelaki (n=16) yang mempunyai akaun Twitter. Ini
juga membawa maksud, pelajar lelaki yang tidak mempunyai akaun
Twitter (n=32) lebih ramai berbanding dengan pelajar perempuan (n=10)
yang tidak mempunyai akaun Twitter.

Jadual 5.6

Akaun Twitter * 1. Lelaki 2. Ppuan Crosstabulation

1. Lelaki 2. Perempuan Total

Akaun Twitter Tak ada 32 10 42
Total Ada
16 36 52
48 46 94

5.1.7 Carta bar Akaun Twitter dan Jantina

Anda juga boleh memaparkan jadual berikut dalam bentuk carta bar, lebih
mudah difahami.

1. Prosidur SPSS
Graphs – Legacy Dialogs – Bar (Rajah 5.8)

127

SPSS untuk penyelidik muda

Rajah 5.8

Pilih Cluster (Rajah 5.9)

Rajah 5.9
Klik Define dan lengkapkan (Rajah 5.10)

128

SPSS untuk penyelidik muda

Rajah 5.10
Klik OK maka terhasillah graf seperti Rajah 5.11 yang lebih mudah dari
segi visual untuk dibaca dan untuk dibuat perbandingan.

129

SPSS untuk penyelidik muda

2. Output

Rajah 5.11

5.2 Analisis Statistik Kajian

Sebagai permulaan, Rajah 5.12 memaparkan analisis statistik diskriptif
dan inferensi yang terlibat dalam kajian.

130

SPSS untuk penyelidik muda

Pengukuran

Data bentuk skor Data bentuk kategori yang
selanjar diskrit

Sela / Nisbah Ordinal Nominal

Berasaskan min, sisihan Statistik bukan parametrik Frekuensi
piawai Contoh: Krustal-Wallis,
chi-kuasa
Wilcoxon, Mann-Whitney, dua
Friedman

Data normal: Data tidak
Statistik normal:

parametrik Statistik bukan
parametrik

Contoh: Contoh:
Mann-Whitnet, Spearman rho, Wilcoxon
Korelasi, ujian-t,
MANOVA, regresi,

ANOVA

Rajah 5.12

Berikut adalah soalan kajian disertakan dengan analisis statistk yang
dijalankan bagi menjawab soalan kajian tersebut. Sayugia diingatkan
bahawa penjelasan dan laporan dalam bahagian ini hanya berdasarkan
prinsip-prinsisp utama analisis data maka sebagai penyelidik, anda
dinasihatkan mendalami lagi aspek ini dengan pembacaan lanjut supaya
lebih menguasai analisis yang anda jalankan.

131

SPSS untuk penyelidik muda

5.3 Analisis Statistik Diskriptif

Seterusnya, analisis data dijalankan mengikut soalan kajian (SK) dimulai
dengan semakan syarat analisis, prosidur SPSS, outpit SPSS dan
laporan. Laporan dalam buku ini dibuat secara ringkas.

SK 1 (Frekuensi)

Apakah peratus faktor persetujuan paling tinggi bagi pembelian telefon
bimbit kerana harga?
1. Syarat
Analisis ini melibatkan frekuensi setiap item dalam sub konstruk harga.
Frekuensi adalah analisis statistik diskriptif yang tidak memerlukan apa-
apa syarat khusus.
2. Prosidur SPSS
Analyze – Descriptive Statistics - Frequencies (Rajah 5.13) dan anda
akan dapat paparan seterusnya (Rajah 5.14)

132

SPSS untuk penyelidik muda

Rajah 5.13

Rajah 5.14

Klik OK

133

SPSS untuk penyelidik muda

3. Output SPSS
Anda akan memperolehi tiga jadual seperti paparan skrin Rajah 5.15
berikut:

Rajah 5.15
Anda boleh gabungkan tiga jadual pada output SPSS bagi membentuk
satu jadual yang lebih mudah dan ringkas. Jadual 5.7 adalah gabungan

134

SPSS untuk penyelidik muda

tiga jadual dari output SPSS bagi memudahkan perbandingan frekuensi
dan peratusan bagi setiap individu item iaitu:

• Item1: Saya membeli telefon bimbit baru pada harga promosi
• Item2: Saya membeli telefon bimbit terpakai kerana murah
• Item3: Harga telefon bimbit saya dalam kategori murah

Jadual 5.7

sangat tak setuju Frequency Percent
tak setuju 8 8.5
Item1 neutral 44
setuju 30 46.8
sangat setuju 10 31.9
sangat tak setuju 2 10.6
tak setuju 21
Item2 neutral 41 2.1
setuju 16 22.3
sangat setuju 12 43.6
sangat tak setuju 4 17.0
tak setuju 4 12.8
Item 3 neutral 30
setuju 39 4.3
sangat setuju 14 4.3
7 31.9
41.5
14.9
7.4

4. Laporan

Bagi sub konstruk harga item1, seramai 52 responden (55.3%) samada
tak bersetuju ataupun sangat tidak bersetuju pembelian telefon bimbit
baru pada harga promosi berbanding dengan hanya 12 responden
(12.7%) sahaja samada bersetuju atau sangat bersetuju dengan item1 ini.

Bagi item2, majoriti responden iaitu 62 responden (65.9%) samada tak
bersetuju ataupun sangat tidak bersetuju pembelian telefon bimbit

135

SPSS untuk penyelidik muda

terpakai kerana murah berbanding dengan hanya 16 responden (29.8%)
sahaja samada bersetuju atau sangat bersetuju dengan item2 ini.
Walau bagaimanapun, seramai 34 responden sahaja (36.2%) samada tak
bersetuju ataupun sangat tidak bersetuju telefon bimbit mereka dalam
kategori murah, tetapi tetap mengatasi 21 responden (22.3%) sahaja
samada bersetuju atau sangat bersetuju telefon bimbit mereka dalam
kategori murah.
Ini bermakna, secara keseluruhan responden tidak cenderung membeli
telefon bimbit terpakai walaupun harganya murah.

SK 2 (Frekuensi)

Apakah faktor persetujuan paling dominan bagi pembelian telefon bimbit
dalam kalangan pelajar kolej komuniti?

1. Syarat
Frekuensi adalah analisis statistik diskriptif yang tidak memerlukan apa-
apa syarat khusus.

2. Prosidur SPSS:
Ulangi prosidur pada SK 1 tetapi masukkan semua pemboleh ubah harga
dan spesifikasi untuk mengetahui frekuensi paling tinggi seperti Rajah
5.16.

136

SPSS untuk penyelidik muda

Rajah 5.16
3. Output SPSS
Anda boleh gabungkan semua jadual pada output SPSS bagi membentuk
satu jadual seperti dalam SK 1 sebelum ini. Jadual 5.7 adalah gabungan
enam jadual dari output SPSS bagi memudahkan perbandingan frekuensi
dan peratusan bagi setiap individu item.

137