SPSS Untuk Penyelidik Muda

Item1 Sangat Tak Setuju Jadual 5.7 SPSS untuk penyelidik muda
Item2 Tak Setuju
Item 3 Neutral Frequency Percent
Item4 Setuju 8 8.5
Item5 Sangat Setuju 44 46.8
Item6 Sangat Tak Setuju 30 31.9
Tak Setuju 10 10.6
Neutral 2 2.1
Setuju 21 22.3
Sangat Setuju 41 43.6
Sangat Tak Setuju 16 17.0
Tak Setuju 12 12.8
Neutral 4 4.3
Setuju 4 4.3
Sangat Setuju 30 31.9
Sangat Tak Setuju 39 41.5
Tak Setuju 14 14.9
Neutral 7 7.4
Setuju 5 5.3
Sangat Setuju 39 41.5
Sangat Tak Setuju 25 26.6
Tak Setuju 22 23.4
Neutral 3 3.2
Setuju 3 3.2
Sangat Setuju 40 42.6
Sangat Tak Setuju 24 25.5
Tak Setuju 23 24.5
Neutral 4 4.3
Setuju 3 3.2
Sangat Setuju 21 22.3
16 17.0
39 41.5
15 16.0

4. Laporan

Dapatan dalam Jadual 5.7 boleh diringakaskan kepada frekuensi tertinggi
tidak bersetuju atau sangat tidak bersetuju iaitu item2 dan item bersetuju
atau sangat bersetuju iaitu item6 seperti Jadual 5.8. Item6 asalnya adalah
item negatif, dan jika diubah bagi tujuan laporan adalah seperti berikut:

• Item2: Saya membeli telefon bimbit terpakai kerana murah
• Item6: Telefon bimbit saya adalah telefon pintar (smart phone)

138

SPSS untuk penyelidik muda

Item2 Sangat Tak Setuju Jadual 5.8 Percent
Item6 Tak Setuju 22.3
Neutral Frequency 43.6
Setuju 21 17.0
Sangat Setuju 41 12.8
Sangat Tak Setuju 16
Tak Setuju 12 4.3
Neutral 4 3.2
Setuju 3 22.3
Sangat Setuju 21 17.0
16 41.5
39 16.0
15

Dapatan menunjukkan lebih dari separuh pelajar kolej komuniti
mengutamakan pembelian telefon bimbit pintar dengan 54 responden
setuju atau sangat setuju (57.5%), namun lebih 62 responden (65.9 %)
tidak bersetuju atau sangat tidak bersetuju mereka membeli telefon bimbit
terpakai kerana murah. Sebagai kesimpulan, pelajar kolej komuniti
cenderung membeli telefon pintar yang baru berbanding dengan telefon
pintar terpakai.

5.4 Analisis Statistik Inferensi

SK 3 (chi-kuasa dua tidak bersandar)

Adakah terdapat perbezaan dari segi jumlah pemilikan akuan twitter
antara pelajar lelaki dan perempuan?

Analisis chi-kuasa dua tidak bersandar yang juga dikenali sebagai chi-
kuasa dua Pearson digunakan untuk mengetahui hubungan antara dua
pemboleh ubah data kategori. SK 3 ini boleh juga ditulis sebagai “Adakah

139

SPSS untuk penyelidik muda

pelajar lelaki lebih memiliki akaun Twitter berbanding dengan pelajar
perempuan, atau sebaliknya?”. Kekuatan hubungan antara pemboleh
ubah yang dikaji boleh diperolehi dari analisis Cramer’s V dalam output
SPSS chi-kuasa dua. Ujian chi-kuasa dua membandingkan frekuensi data
yang dicerap (observed frequency) dalam sampel dengan frekuensi yang
dijangka (expected frequency) yang disandarkan secara hipotetikal
sepatutnya ada secara teori.

Analisis dijalankan bagi mengetahui sama ada terdapat perbezaan
pemilikan akaun Twitter antara kategori lelaki dan perempuan. Berikut
syarat yang perlu dipenuhi terlebih dahulu:

1. Syarat

Chi-kuasa dua adalah analisis bukan parametrik tetapi masih perlu
memenuhi beberapa syarat.

a. Pemboleh ubah mempunyai kategori data pada skala ordinal atau
nominal.

b. Pemboleh ubah mempunyai dua atau lebih kategori.

Soalan kajian, SK3 ini memenuhi syarat di atas kerana pemboleh ubah
diukur dengan data kategori (skala ordinal or nominal) dan setiap
pemboleh ubah tidak bersandar mengandungi dua atau lebih kategori
kumpulan tidak bersandar (Lelaki vs Perempuan) dan Akaun Twiter (Ya
vs Tidak).

c. “Minimun expected cell frequency” mestilah mempunyai nilai > 5
frekuensi yang boleh dirujuk pada nota kaki jadual Chi-Square Tests
dalam output SPSS.

140

SPSS untuk penyelidik muda

2. Prosidur SPSS
Analyze - Descriptives Statistics – Crosstabs (Rajah 5.17)

Rajah 5.17
Tandakan Chi-square dan Phi and Cramer’s V seperti Rajah 5.18
Klik Continue - Cell

141

SPSS untuk penyelidik muda

Rajah 5.18

Klik Continue (Rajah 5.19)

Rajah 5.19

142

SPSS untuk penyelidik muda

3. Output SPSS

Jadual 5.9 menunjukkan lelaki (n=48) dan perempuan (n=46) kedua-
duanya memiliki akuan twitter dengan frekuensi 16 dan 36 masing-
masing. Ini menunjukkan perempuan mempunyai akuan Twitter yang
lebih banyak berbanding lelaki.

Jadual 5.9

Jantina * Akaun twitter Crosstabulation

Akaun twitter Total

Tak ada Ada 48
100.0%
Count 32 16
51.1%
% within Jantina 66.7% 33.3%
51.1%
Lelaki % within Akaun 76.2% 30.8% 46

twitter 100.0%
48.9%
Jantina % of Total 34.0% 17.0%
Count 10 36 48.9%
94
% within Jantina 21.7% 78.3%
100.0%
Perempuan % within Akaun 23.8% 69.2% 100.0%

twitter 100.0%

% of Total 10.6% 38.3%

Count 42 52

% within Jantina 44.7% 55.3%

Total % within Akaun 100.0% 100.0%

twitter

% of Total 44.7% 55.3%

Pearson Chi-Square (1) = 19.182, p < .05 pada Jadual 5.10 menunjukkan
terdapat perbezaan signifikan antara Lelaki dan Perempuan.

Pernyataan “0 cells (0.0%) have expected count less than 5” bermaksud,
setiap sel mesti mempunyai “minimum expected cell frequency” lebih
besar dari 5 frekuensi. Dapatan menunjukkan “The minimum expected
count is 20.55” iaitu > 5 maka syarat ini telah dipenuhi.

143

SPSS untuk penyelidik muda

Jadual 5.10

Chi-Square Tests

Value df Asymp. Sig. Exact Sig. Exact Sig.

(2-sided) (2-sided) (1-sided)

Pearson Chi-Square 19.182a 1 .000
Continuity Correctionb 17.408 1 .000

Likelihood Ratio 19.971 1 .000

Fisher's Exact Test .000 .000

Linear-by-Linear 18.978 1 .000

Association

N of Valid Cases 94

a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is

20.55.

b. Computed only for a 2x2 table

Ujian Phi and Cramer's V dalam Jadual 5.11 menguji kekuatan hubungan
dengan nilai .452. Ini adalah kekuatan yang tinggi dan signifikan seperti
yang dicadangkan oleh Cohen (1988) dengan nilai .01 (rendah), .09
(sederhana) dan .25 (tinggi).

Jadual 5.11

Symmetric Measures

Value Approx. Sig.
.000
Nominal by Phi .452 .000

Nominal Cramer's V .452

N of Valid Cases 94

Ujian Chi-square digunakan untuk menentukan sama ada wujud nilai
statistik yang signifikan antara lelaki dengan perempuan menggunakan
nilai Pearson Chi-Square (kerana bilangan sampel agak kecil). Data
menunjukkan nilai p<.05, bermakna wujudnya perbezaan yang signifikan
pemilikan akuan twitter, iaitu perempuan memiliki akaun twitter yang lebih
banyak dari lelaki.

144

SPSS untuk penyelidik muda

4. Laporan
Terdapat perbezaan yang signifikan antara lelaki dan perempuan dalam
pemilikan akaun twitter. Nilai Person chi-square menunjukkan perempuan
mengatasi lelaki secara signifikan dalam pemilikan akaun twitter dengan

= 19.182, df=1, N=94, p<.01.
Phi yang mewakili nilai hubungan antara pemboleh ubah yang diuji adalah
.452, bermakna terdapat perbezaan yang sgnifikan antara bilangan
pelajar lelaki (frekuensi=16) yang memiliki akaun Twitter berbanding
dengan bilangan pelajar wanita (frekuensi=36) dan berdasarkan nilai Phi
=.452 maka dapat disimpulkan terdapat perkaitan yang kuat antara
jantina dengan pemilikan akaun Twitter.

SK 4 (Korelasi Pearson)

Adakah terdapat hubungan antara skor motivasi dengan skor Sains dalam
kalangan pelajar kolej komuniti?
Korelasi Pearson atau nama lengkapnya Pearson product-moment
correlation coefficient adalah ukuran kekuatan dan arah perkaitan yang
wujud antara dua pemboleh ubah selanjar (sela dan nisbah). Kekuatan ini
atau dipanggil pekali (coefficient) Pearson, symbol r, adalah garisan
merentasi paling banyak data antara pemboleh ubah tersebut. Nilai r
berada antara +1 hingga -1. Jadual 5.12 adalah beberapa jenis korelasi
berdasarkan skala.

145

Jenis korelasi SPSS untuk penyelidik muda
Pearson
Sperman Jadual 5.12 Jenis korelasi
Phi
Tau Skala
Biserial Sela and nisbah
Point-biserial Ordinal
Keduanya true dichotomous
Rating
nisbah dan dikotomi
Interva; dan true dichotomous

1. Syarat
1. Data tertabur secara normal telah dipenuhi
2. Data diukur pada skala selanjar. Pemboleh ubah yang diuji adalah
motivasi (interval) dan skor Sains (sela)
3. Hubungan garis lurus kedua-dua pemboleh ubah diuji.
Prosidur SPSS
Bila graf scatter plot untuk menyemak hubungan linear seperti Rajah 5.20

146

SPSS untuk penyelidik muda

Rajah 5.20

Klik Define (Rajah 5.21)

Rajah 5.21
Lengkapkan kotak Simple Scatterplot (Rajah 5.22)

147

SPSS untuk penyelidik muda

Rajah 5.22

Klik OK

Output SPSS

Rajah 5.23 adalah graf scatterplot yang menunjukkan taburan setiap
individu skor kedua-dua pemboleh ubah skor sains dan skor motivasi.

148

SPSS untuk penyelidik muda

Rajah 5.23
Klik dua kali graf di atas pada output SPSS untuk mendapatkan chart
editor kemudian klik Add Fit Line at Total (bertanda kotak merah) seperti
Rajah 5.24.

149

SPSS untuk penyelidik muda

Rajah 5.24
Nilai R2 = .685 pada graf dinamakan coefficient of determination yang
membawa maksud, 68.5 % skor Sains menyumbang secara lansung
kepada perubahan skor motivasi dan hubungan ini adalah kelihatan
linear. Dengan ini bolehlah statistik parametrik korelasi Pearson
dijalankan bagi menguji soalan kajian setelah memenuhi semua syarat.
2. Prosidur SPSS
Analyze - Correlate – Bivariate (Rajah 5.25)

150

SPSS untuk penyelidik muda

Rajah 5.25

3. Output

Jadual 5.13 adalah output korelasi antara skor sains dengan skor
motivasi.

Jadual 5.13

Skor Pearson Correlation Correlations Motivasi
Sains Sig. (2-tailed) Skor Sains .827**
N 1 .000
94
94

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

Jadual 5.13 menunjukkan nilai pekali Pearson correlation, r, adalah .827
dan signifikan.

151

SPSS untuk penyelidik muda

4. Laporan
Jadual 5.13 menunjukkan nilai pekali Pearson, r, adalah .827, satu
hubungan positif yang kuat dan nilai ini adalah signifikan (p < .05). Nilai r
ini menunjukkan indikator wujud perhubungan positif yang kuat dan
signifikan antara skor Sains dan motivasi, r = .7827, n = 94, p < .05.

SK 5 (Partial Pearson Correlation)

Adakah masih terdapat hubungan antara skor motivasi dengan skor Sains
jika skor self-esteem pelajar tersebut dikawal?
Partial correlation adalah tambahan kepada analisis korelasi Pearson
dengan memasukkan pemboleh ubah ketiga iaitu skor self-esteem
sebagai kawalan. Analisis separa korelasi ini menghapuskan varians dari
pemboleh ubah self-esteem supaya hubungan antara skor motivasi
dengan skor Sains lebih tepat.

1. Syarat
a. Data tertabur secara normal
b. Hubungan linear skor motivasi dengan skor Sains telah diuji.

2. Prosidur SPSS
Analyse – Correlate – Partial (Rajah 5.26)

152

SPSS untuk penyelidik muda

Rajah 5.26

Klik Zero-order correlation yang akan menghasilkan matrik korelasi yang
membandingkan nilai pekali korelasi, r dengan atau tanpa pemboleh ubah
kawalan (Rajah 5.27)

Rajah 5.27

153

SPSS untuk penyelidik muda

3. Output SPSS

Sama seperti korelasi biasa, Jadual 5.14 menunjukkan nilai pekali r yang
membandingkan analisis dengan dan tanpa skor self-esteem.

Jadual 5.14

Control Variables Correlations Skor self-
Skor motivasi Skor Sains esteem

Correlation 1.000 .827 .721
. .000 .000
Skor motivasi Significance (2-tailed) 0
92 92
Df .827 1.000 .605
.000 .000
Correlation .
92 0 92
-none-a Skor Sains Significance (2-tailed) .721 .605 1.000
.000 .000
Df 92 .
92 .709 0
Correlation 1.000 .000
91
Skor self-esteem Significance (2-tailed) . 1.000
0 .
Df .709 0
.000
Correlation 91

Skor motivasi Significance (2-tailed)

Skor self-esteem Df
Correlation

Skor Sains Significance (2-tailed)

Df

a. Cells contain zero-order (Pearson) correlations.

Kotak “none” adalah analisis Pearson antara pasangan pemboleh ubah
yang dinyatakan dalam matrik jadual di atas tanpa sebarang kawalan.
Hubungan antara pemboleh ubah skor motivasi dengan skor Sains, r =
.827 seperti yang diperolehi sebelum ini.

Kotak “Skor self-esteem” menunjukkan korelasi skor motivasi dan skor
Sains turun dari .827 ke .709 menunjukkan skor self-esteem mempunyai
kesan terhadap motivasi. Dalam kata lain, tanpa kesan self-esteem, nilai
pekali korelasi hanyalah .709.

154

SPSS untuk penyelidik muda

4. Laporan
Hubungan antara pemboleh ubah skor motivasi dan skor Sains dianalisis
dengan mengawal pemboleh ubah skor self-esteem. Analisis ini
dijalankan setelah semua syarat dapat dpenuhi. Terdapat hubungan
positif yang kuat dengan nilai pekali separa (r = .079, p <.05). Dapatan ini
menunjukkan korelasi skor motivasi dan skor Sains turun dari .827 ke
.709, berlaku penurunan akibat kesan skor self-esteem.

SK 6 (Korelasi)

Adakah terdapat hubungan yang signifikan antara persetujuan pembelian
telefon kerana faktor harga dan spesifikasi?

1. Syarat
Nilai skewness bagi summated harga dari analisis sebelum ini adalah
3.26 dan kurtosis adalah .256. Perhatikan nilai skewness bagi summated
harga melebini julat +2.5 dan -2.5. Ini mengesahkan bahawa data tidak
memenuhi syarat kenormalan, maka ujian statistik korelasi melibatkan
summated harga akan menggunakan statistik bukan parametrik, korelasi
Spearman, bukannya korelasi Pearson.

2. Prosidur SPSS
Analyze – Correlate – Bivariate (Rajah 5.28)

155

SPSS untuk penyelidik muda

Rajah 5.28
Lengkapkan kotak Variables (Rajah 5.29)

Rajah 5.29

156

SPSS untuk penyelidik muda

3. Output SPSS
Jadual 5.15 menunjukkan nilai pekali Spearman, r, adalah .402, satu
hubungan yang sederhana yang signifikan (p < .05).

Jadual 5.15

Correlations

Correlation Coefficient Summated Summated
harga spec
Summated harga Sig. (2-tailed) 1.000 .402**
. .000
Spearman's rho N 94 94
Correlation Coefficient .402** 1.000
.000 .
Summated spec Sig. (2-tailed) 94 94

N

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

4. Laporan

Jadual 5.15 menunjukkan nilai pekali korelasi Spearman, r, adalah .402,
satu hubungan yang sederhana yang signifikan antara pemboleh ubah
summated_harga dengn summated_spec, (p < .05).

Apa maksud signifikan?

Berikut adalah tambahan kepada pemahaman tentang signifikan dalam
kajian korelasi linear. Sebagai contoh, perhatikan empat set dapatan bagi
ujian Pearson skor IQ vs EQ berikut sebagai satu andaian

Kes 1. Nilai pekali r = .8, sig. = .01 (p<.05)

Signifikan diterjemahkan sebagai sebarang perubahan IQ akan
menyebabkan perubahan linear yang signifikan juga pada EQ pada

157

SPSS untuk penyelidik muda

keyakinan tinggi p<.05, iaitu anda lebih yakin korelasi tersebut tidak
berlaku secara kebetulan, dan memang wujud. Signifikan lazimnya
diperolehi jika saiz sampel mencukupi, kerana dapat dikesan hubungan
yang wujud secara signifikan. Dalam kata lain, kebarangkalian mendapat
nilai pekali r =.8 secara kebetulan (bukan kerana benar-benar wujud)
kurang lima kali dalam 100 (< 5%).

Kes 2. Nilai pekali r = .8, sig. = .11 (p>.05)

Hubungan linear yang kuat, r = .8 yang tidak signifikan (p>.05) antara IQ
dan EQ. Keyakinan anda terhadap signifikannya hubungan ini rendah
kerana korelasi tersebut mungkin wujud secara kebetulan. Ini selalu
berlaku jika saiz sampel kecil. Dalam kata lain, kebarangkalian mendapat
nilai pekali korelasi, r =.8 secara kebetulan (bukan kerana benar-benar
wujud) lebih dari lima kali dalam 100 (> 5%).

Kes 3. Nilai pekali r = .3, sig. = .01 (p<.05)

Hubungan lemah, dengan pekali korelasi, r = .3 tetapi signifikan (p<.05)
antara IQ dan EQ. Sama seperti kes 1. di atas, keyakinan anda tinggi
untuk menyatakan nilai ini sememang rendah kerana nilai ini signifikan.
Ini selalu berlaku jika sampel saiz besar, kerana saiz sampel yang besar
dapat mengesan korelasi yang kecil secara signifikan. Dalam kata lain,
kebarangkalian mendapat nilai pekali korelasi, r =.3 walaupun rendah
secara kebetulan (bukan kerana benar-benar wujud) kurang lima kali
dalam 100 (< 5%).

Kes 4. Nilai pekali r = .3, sig. = 0.06 (p>.05)

Hubungan lemah dengan pekali korelasi, r= .3 yang TIDAK signifikan
(p>.05) antara IQ dan EQ. Keyakinan anda rendah terhadap nilai pekali
ini iaitu korelasi tersebut mungkin berlaku secara kebetulan. Ini mungkin

158

SPSS untuk penyelidik muda

terjadi jika saiz sampel kecil. Dalam kata lain, kebarangkalian mendapat
nilai r =.3 secara kebetulan (bukan kerana benar-benar wujud) lebih lima
kali dalam 100 (> 5%).

Secara kesimpulan, nilai pekali korelasi, r dan nilai signifikan adalah dua
perkara yang berbeza. Anda boleh mendapat r yang kuat, tetapi kerana
sampel anda kecil, nilai tersebut mungkin tidak signifikan, bermakna anda
tidak boleh pasti hubungan yang kuat tersebut memang wujud atau
secara kebetulan. Anda boleh dapat nilai r yang kecil tetapi signifikan,
kerana saiz sampel yang mencukupi, walaupun nilai r kecil, tetapi nilai
pekali tersebut adalah signifikan untuk mempercayai. Dgn lain perkataan,
signifikan dalam korelasi merujuk kepada keyakinan anda kepada nilai r
yang diperolehi pada aras keyakinan yang ditetapkan seperti .05

SK 7 (Regresi Berganda)

Adakah terdapat pengaruh skor ujian pasca dan skor motivasi sebagai
faktor peramal terhadap skor pengekalan ?

Terlebih dahulu, terdapat pada asasnya terdapat tiga jenis regresi
berganda iaitu standard, hierarchical dan stepwise

a. Standard atau simultaneous

Semua pemboleh ubah peramal (juga adalah pemboleh ubah tidak
bersandar) dianalisis serentak dalam persamaan regresi bagi mengetahui
berapa banyak varians pemboleh ubah bersandar yang boleh dijelaskan
oleh beberapa pemboleh ubah peramal yang dianalisis secara serentak.

Contoh pemboleh ubah peramal seperti umur, jantina dan stres
dimasukkan serentak untuk dianalisis bagi melihat pengaruh setiap satu

159

SPSS untuk penyelidik muda

pemboleh ubah peramal tersebut secara serentak dalam persamaan
regresi (juga disebut model) berikut:

Umur + Jantina + Stres = Kawalan diri

b. Hierarki

Pemboleh ubah peramal dimasukkan dalam persamaan regresi satu
persatu atau beberapa pemboleh ubah peramal serentak secara blok
berdasarkan teori. Berdasarkan teori, katakan umur dan jantina
mempengaruhi kawalan diri. Namun anda percaya, tahap stres juga
mempengaruhi kawalan diri. Jadi anda masukkan dahulu pemboleh ubah
peramal umur dan jantina (Blok 1), diikuti dengan stres (Blok 2) ke dalam
persamaan regresi.

• Step1 – masukkan Umur + Jantina ke dalam petak “Independent
variable”, klik Next (ditulis sebagai Block 1 of 1)

• Step2 - masukkan Stres ke dalam “Independent variable” (Block 2 of 2)
dan seterus pilih “Statistics”.

Dapatan akan menunjukkan kesan Stres berbanding kesan gabungan
Umur dan Jantina.

c. Stepwise

Pemboleh ubah peramal dipilih oleh komputer untuk dimasukkan dalam
persamaan berdasarkan kriteria statistik tertentu yang “memilih’ peramal
terbaik yang sesuai dengan persamaan regresi, namun kaedah ini jarang
digunakan berbanding dua kaedah sebelum ini.

Berikut adalah syarat bagi kaesah standard yang digunakan dalam kajian
ini.

160

SPSS untuk penyelidik muda

1. Syarat
Dalam kajian ini, metod standard digunakan untuk mendapatkan
persamaan regresi. Sebelum itu, berikut beberapa syarat yang perlu
dipenuhi.
a. Multicollinearity diperlukan bagi memastikan korelasi antara pemboleh
ubah peramal (skor motivasi dan skor pasca) mempunyai korelasi yang
tidak terlalu tinggi atau terlalu rendah sesama sendiri supaya analisis ini
membawa makna untuk diteruskan. Pemboleh ubah peramal (pemboleh
ubah bebas) yang saling mempunyai korelasi yang tinggi mewujudkan
multicollinearity dan jika korelasi ini hampir sempurna, disebut singularity.
Jika dalam kes anda menggunakan tiga pemboleh ubah peramal, dan dua
daripadanya mempunyai korelasi yang tinggi, adalah lebih baik anda
abaikan sahaja salah satu pemboleh ubah yang berkorelasi tinggi, maka
anda hanya perlu uji dua sahaja yang mempunyai korelasi sederhana.
b. Dengan alasan yang sama juga, dicadangkan wujud korelasi antara
pemboleh ubah peramal (skor motivasi dan skor pasca) dengan
pemboleh ubah bersandar (skor pengekalan). Korelasi ini juga mestilah
tidak boleh rendah atau terlalu tinggi sehingga r > .7.
Jalankan prosidur untuk mendapatkan pekali korelasi dari Output SPSS.
Dapatan dalam Jadual 5.16 menunjukkan pekali korelasi antara
pasangan kesemua pemboleh ubah.

161

SPSS untuk penyelidik muda

Jadual 5.16

Correlations

Skor ujian Skor Skor ujian
motivasi pasca
pengekalan .609**
.118
Pearson 1 .000
.258 94
Skor ujian Correlation 94 .115
pengekalan 1
Sig. (2-tailed) .271
Skor motivasi 94 94
N 94 .115 1
Skor ujian pasca
Pearson .118 .271 94
94
Correlation

Sig. (2-tailed) .258

N 94

Pearson .609**

Correlation

Sig. (2-tailed) .000

N 94

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

Analisis korelasi Pearson menunjukkan pekali korelasi antara skor
motivasi dan ujian pasca adalah .115 dan antara skor motivasi dengan
ujian pengekalan adalah .118. Sementara itu pekali korelasi antara pasca
dengan ujian pengekalan adalah .609. Nilai-nilai pekali ini menunjukkan
adanya korelasi yang tidak terlalu besar antara pemboleh ubah peramal
dan antara pemboleh ubah peramal dengan pemboleh ubah bersandar
seperti yang disyaratkan.

c. Outlier

Nilai outlier ini boleh dilihat contohnya dari graf scatterplot hasil dari
output.

2. Prosidur SPSS

Analyze – Regression – Linear (Rajah 5.30)

162

SPSS untuk penyelidik muda

Rajah 5.30
Lengkapkan kotak Statistics (Rajah 5.31), Options (Rajah 5.32) dan Plots
(Rajah 5.33)

Rajah 5.31

163

SPSS untuk penyelidik muda

Rajah 5.32

Rajah 5.33

Klik Continue – OK

3. Output SPSS
Ambil dahulu scatterplot dari output (Rajah 5.34)

164

SPSS untuk penyelidik muda

Rajah 5.34

Scatterplot pada Rajah 5.34 boleh memberitahu wujudnya outlier atau
nilai ekstrem jika ada data yang berada diluar ±3.3 regression
standardised residual seperti yang dibincangkan oleh Pallant (2010) dari
cadangan yang dipetik dalam buku Tabachnick dan Fidell, terbitan tahun
1996. Scatterplot ini menunjukkan tiada nilai ekstrem sebagai outlier
kerana semua data berada dalam julat tersebut.

Model regresi boleh dinilai dengan melihat output seperti Jadual 5.17
berikut.

Jadual 5.17

Model Summaryb

Mode R R Square Adjusted R Std. Error of the Estimate

l Square

1 .610a .373 .359 3.335

a. Predictors: (Constant), Skor ujian pasca, Skor motivasi

b. Dependent Variable: Skor ujian pengekalan

165

SPSS untuk penyelidik muda

R square memberitahu nilai varians pada skor ujian pengekalan (DV)
yang dikaitkan dengan pemboleh ubah peramal (skor ujian pasca dan
skor motivasi) adalah .373 atau 37.3%. Nilai adjusted R square perlu
dilaporkan menggantikan nilai R square jika sampel kecil (n < 100) seperti
yang dicadangkan oleh Pallant (2010) digunakan (perhatikan kedua-dua
nilai tidak jauh berbeza).

Nilai dalam jadual ANOVA berikut menunjukkan model ini dengan nilai R
square 37.3 % adalah signifikan, p <.05.

ANOVAa

Model Sum of df Mean F Sig.
27.027 .000b
Squares Square

Regression 601.111 2 300.555

1 Residual 1011.958 91 11.120

Total 1613.068 93

a. Dependent Variable: Skor ujian pengekalan

b. Predictors: (Constant), Skor motivasi, Skor ujian pasca

Perhatikan Jadual 5.18. Anda boleh membina persamaan atau model
regresi sebagai:

Skor pengekalan = .076(Skor motivasi) + .706(Skor pasca) + 21.132

Namun jika anda ingin membandingkan sumbangan setiap pemboleh
ubah peramal, gunakan nilai standardized coefficient. Beta yang
ditunjukkan pada standard coefficient telah disamakan skalanya bila
masing-masing nilai dibahagi dengan sisihan piawai. Nilai Beta
menunjukkan sumbangan kecil sebanyak .049 (5%) dari skor motivasi.

166

SPSS untuk penyelidik muda

Sementara itu sumbangan sebanyak .603 (60.3%) dari skor ujian pasca
secara signifikan mempengaruhi skor ujian pengekalan, setelah
sumbangan dari pemboleh ubah lain dalam model dikawal.

Jadual 5.18

Coefficientsa

Model Unstandardized Standardized t Sig. Collinearity
Coefficients Coefficients Statistics
2.033
B Std. Error Beta .582 Tolerance VIF
.045
(Constant) 21.132 10.393 7.214 .562 .987 1.013
.000 .987 1.013
Skor motivasi .076 .130 .049
1 .706 .098 .603

Skor ujian
pasca

a. Dependent Variable: Skor ujian pengekalan

4. Laporan

Persamaan regresi membawa maksud skor ujian pengekalan boleh
diramalkan berdasarkan persamaan berikut dengan:

Skor ujian pengekalan = .076(motivasi) + .706(ujian pasca) + 21.132

Skor ujian pasca (Beta = .603, p<.05) adalah peramal terbaik yang
signifikan berbanding dengan skor motivasi (Beta = .049, p>.05) dengan
keseluruhan R2 = .373.

SK 8 (ANOVA satu hala antara kumpulan)

Adakah terdapat perbezaan skor self-esteem antara ketiga-tiga kumpulan
pelajar yang diajar dengan kaedah pengajaran berbeza?

167

SPSS untuk penyelidik muda

1. Syarat

Analisis varians sehala membandingkan skor self-esteem (DV) terhadap
kaedah mengajar (IV) yang mengandungi tiga kategori kumpulan (Model,
Animasi, Teks). Skor self-esteem mestilah diukur pada skala pengukuran
sela atau nisbah manakala kaedah mengajar perlu ada lebih dari dua
kategori. Ketiga-tiga kumpulan hendaklah bebas antara satu sama lain.

1. Ujian taburan normal telahpun dipenuhi

2. Homogeneity of variances atau Levene’s Test akan dianalisis dari
jadual output SPSS

2. Prosidur SPSS

Analyze – Compare Means – One-way ANOVA (Rajah 5.35) dan
lengkapkan kotak yang relevan (Rajah 5.36 dan Rajah 5.37)

Rajah 5.35

168

SPSS untuk penyelidik muda

Rajah 5.36

Rajah 5.37
3. Output SPSS
Jadual 5.19 adalah nilai diskriptif yang memberikan gambaran awal
perbezaan nilai min bagi ketiga-tiga kumpulan, juga bilangan subjek
setiap kumpulan. Min tertinggi bagi skor self-esteem adalah bagi

169

SPSS untuk penyelidik muda

kumpulan Model (91.13) diikuti dengan kumpulan Animasi (89.22) dan
kumpulan kawalan (88.60)

Jadual 5.19

Descriptives

Skor self-esteem Mean Std. Std. 95% Confidence Interval for Minimum Maximum
N Deviation Error Mean
91.13
89.22 15.321 Lower Bound Upper Bound
88.60 18.314
Model 32 89.67 17.472 2.708 85.61 96.66 66 124
Animasi 32 16.924 3.237 82.62 95.82 51 122
Kawalan 30 3.190 82.08 95.12 51 122
Total 94 1.746 86.21 93.14 51 124

Dapatan dari ujian Levene dalam Jadual 5.20 menunjukkan ketiga-tiga
kumpulan mempunyai keseragaman varians (p>.05) membolehkan data
dari ketiga-tiga kumpulan diuji dengan ANOVA satu hala. Jadi syarat
keseragaman varians dipenuhi.

Jadual 5.20

Test of Homogeneity of Variances

Skor self-esteem

Levene Statistik df1 df2 Sig.
.413
.894 2 91

Jadual 5.21 memaparkan dapatan bagi nilai SS (sum of squares) antara
kumpulan dengan nilai F=.188 (p>.05) yang menunjukkan min skor
ketiga-tiga kumpulan tidak berbeza secara signifikan. Oleh itu, jadual
multiple comparison seperti Jadual 5.22 yang terdapat dalam output
SPSS boleh diabaikan kerana tidak lagi membawa maksud apa-apa
kerana jadual ini hanya diperlukan sekiranya terdapat mana-mana
pasangan kumpulan yang berbeza secara signifikan (p<.05).

170

SPSS untuk penyelidik muda

Jadual 5.21

ANOVA

Skor self-esteem Sum of df Mean Square F Sig.
Squares .188 .829
Between Groups 2 54.671
Within Groups 109.341 91 291.509
Total 93
26527.286
26636.627

Jadual 5.22

Multiple Comparisons

Dependent Variable: Skor self-esteem

Tukey HSD

(I) (J) Mean Std. Sig. 95% Confidence
Interval
Difference Error .895
.829
(I-J) .895 Lower Upper
.989 Bound Bound
.829
Model Animasi 1.914 4.268 .989 -8.26 12.08
Animasi Kawalan 2.533 4.339
Kawalan Model -1.914 4.268 -7.81 12.87
Kawalan 4.339
Model .619 4.339 -12.08 8.26
Animasi -2.533 4.339
-9.72 10.96
-.619
-12.87 7.81

-10.96 9.72

Rajah 5.38 berikut adalah perbandingan nilai min dalam bentuk graf
dengan mudah dapaT dibaca bahawa min kumpulan Kawalan lebih
rendah dari min kumpulan Animasi dan kumpulan Model

171

SPSS untuk penyelidik muda

Rajah 5.38
4. Laporan
Jadual ANOVA menunjukkan tiada perbezaan skor yang signifikan antara
kumpulan Model, Animasi dan Teks dengan nilai F (2, 91) = .188, p<.05.
Ini membawa maksud tiada perbezaan yang signifikan bagi skor self-
esteem kumpulan Model, Animasi dan Teks . Setiap kumpulan
mempunyai tahap self-esteem yang setara antara satu sama lain.

SK 9 (ANOVA dua hala antara kumpulan)

Adakah terdapat perbezaan skor Sains antara Jantina dalam kumpulan
umur yang berbeza?
Adakah terdapat kesan interaksi antara Jantina dengan kumpulan umur
tersebut?
Soalan kajian ini akan melibatkan satu pemboleh ubah bersandar (skor
Sains) berskala sela dengan dua pemboleh ubah tidak bersandar (Jantina
dan kumpulan umur) masing-masing dengan dua kategori maka analisis

172

SPSS untuk penyelidik muda

ini akan menggunakan analisis varians dua hala sampel bebas gabungan
2 x 2, atau disebut ANOVA Faktorial 2 x 2 dengan pemboleh ubah tidak
bersandar disebut juga sebagai faktor.

Faktor A (Jantina)

Lelaki1 Perempuan2

Kumpulan 21-231 skor11 skor12
umur 24-262
skor21 skor22
(Faktor B)

Terdapat tiga kesan yang boleh dihasilkan dari reka bentuk factorial 2 x 2
ini iaitu:

Faktor A yang menguji samada jantina mempunyai kesan kepada skor
sains.

Faktor B yang menguji samada kumpulan umur berbeza mempunyai
kesan kepada skor sains.

Interaksi faktor A*B yang menguji samada jantina mempunyai kesan yang
berbeza merentas kumpulan umur untuk mempengaruhi skor sains.

Kesan faktor A dan B dinamakan kesan rawatan sementara interaksi A*B
dinamakan kesan interaksi.

1. Syarat

Syarat yang perlu dipenuhi sebelum menjalankan analisis ANOVA dua
hala sama seperti syarat pada ANOVA sehala iaitu kenormalan dan
kesamaan varians.

173

SPSS untuk penyelidik muda

Kesemua skor pemboleh ubah bersandar (skor Sains) telahpun diuji dan
memenuhi syarat taburan normal. Analisis kesamaan varians (diperolehi
dari data output) yang juga telah memenuhi syarat yang diperlukan.
2. Prosidur SPSS
Analyze – General Linear Model – Univariate (Rajah 5.39)

Rajah 5.39
Klik Plots dan lengkapkan seperti Rajah 5.40. Kemudian klik Add untuk
mendapatkan Rajah 5.41.

174

SPSS untuk penyelidik muda

Rajah 5.40

Rajah 5.41
Klik Options dan lengkapkan seperti Rajah 5.42 berikut:

175

SPSS untuk penyelidik muda

Rajah 5.42

Post hoc seperti Rajah 5.43 tidak akan diproses dan menghasilkan output
kerana post hoc memerlukan sekurang-kurangnya tiga kategori sedang
Jantina dan kumpulan umur masing-masing hanya ada dua kategori.

Rajah 5.43

176

SPSS untuk penyelidik muda

3. Output SPSS

Ujian Levene dalam Jadual 5.23 menunjukkan varians setiap kumpulan
bagi pemboleh ubah bebas (skor Sains) tidak berbeza secara signifikan,
F=1.152, p>.05.

Jadual 5.23

Levene's Test of Equality of Error Variancesa

Dependent Variable: Skor Sains

F df1 df2 Sig.

1.152 3 90 .333

Tests the null hypothesis that the error variance of the dependent variable is equal
across groups.

a. Design: Intercept + Sex + Kump_umur + Sex * Kump_umur

Jadual 5.24 menunjukkan min bagi setiap kumpulan. Contohnya min lelaki
dalam kumpulan umur 1 (21-23 tahun) adalah 60.32, tidak jauh berbeza
dengan min lelaki dalam kumpulan umur 2 (24-26 tahun) dengan min
59.87.

177

SPSS untuk penyelidik muda

Jadual 5.24

Descriptive Statistics

Dependent Variable: Skor sains

1. Lelaki 2. Ppuan Kump_umur Mean Std. Deviation N
1.530 31
1 60.32 1.501 17
1.520 48
Lelaki 2 59.87 1.321 22
1.635 24
Total 60.16 1.513 46
1.434 53
1 60.24 1.568 41
1.514 94
Perempuan 2 59.58

Total 59.90

1 60.29

Total 2 59.70

Total 60.03

Jadual 5.25

Tests of Between-Subjects Effects
Dependent Variable: Skor Sains

Source Type III Df Mean F Sig. Partial Noncent. Observed
Sum of Square Eta Parameter Powerb
Squares
Squared

Corrected 8.898a 3 2.966 1.306 .277 .042 3.918 .338
Model

Intercept 323264.088 1 323264.088 142356.684 .000 .999 142356.684 1.000
1 .756 .333 .565 .004 .333 .088
Sex .756 1 6.967 3.068 .083 .033 3.068 .410

Kump_umur 6.967

Sex * .229 1 .229 .101 .752 .001 .101 .061
2.271
Kump_umur 90
94
Error 204.372 93

Total 338978.186

Corrected 213.270

Total

a. R Squared = .042 (Adjusted R Squared = .010)

b. Computed using alpha = .05

178

SPSS untuk penyelidik muda

Perhatian baris Sex, Kump_umur, Sex * Kump_umur pada Jadual 5.25,
Nilai F bagi pemboleh ubah jantina, kumpulan_umur dan interaksi kedua-
dua pemboleh ubah (Sex*Kumpulan_Umur) tidak signifikan, p>.05,
Dapatan ini membawa maksud, tidak ada perbezaan antara min-min bagi
semua kumpulan merentas kumpulan umur dan jantina terhadap skor
Sains.

Dapatan dari jadual di atas menunjukkan nilai Partial Eta square (.042)
iaitu 4.2 % varians pada pemboleh ubah bersandar (Sains) boleh
dijelaskan oleh pemboleh ubah bebas (kumpulan umur dan Jantina).

Kesan interaksi juga tidak signifikan dan boleh juga dilihat dari plot
dengan garis selari dalam Rajah 5.44 berikut:

Rajah 5.44

179

SPSS untuk penyelidik muda

Graf yang hampir selari menunjukkan perubahan berlaku secara selari,
iaitu tidak ada kesan interaksi antara pemboleh ubah bebas kumpulan
umur dengan Jantina. Dalam erti kata lain, skor Sains lelaki lebih tinggi
berbanding dari skor Sains perempuan bagi kedua-dua kumpulan umur.

4. Laporan

ANOVA faktorial telah dijalankan bagi membanding kesan utama dari
pemboleh ubah jantina dan perbezaan kumpulan umur pelajar kolej
komuniti dan juga mengkaji kesan interaksi antara kedua-dua pemboleh
ubah terhadap skor sains.

Dapatan menunjukkan semua kesan tidak signifikan, p>.05. Kesan utama
jantina menunjukkan nilai F(1, 90) = .756, p > .05 iaitu tiada perbezaan
signifikan antara kumpulan lelaki (M=60.16, S.D=1.52) berbanding
dengan perempuan (M=59.90, S.D=1.51). Kesan utama kumpulan umur
juga menunjukkan nilai yang tidak signifikan F(1, 90) = .756, p > .05 iaitu
tiada perbezaan signifikan antara kumpulan umur 1 (M=60.29, S.D=1.43)
berbanding dengan kumpulan umur 1 (M=59.70, S.D=1.57). Begitu juga
kesan interaksi, F(1,90) = .101, p > .05. Semua dapatan ini menunjukkan
pelajar kolej komuniti, samada jantina mahupun umur, walaupun berbeza
tetapi tidak mempengaruhi skor mereka dalam sains.

Sebagai tambahan, kesan interaksi dikatakan wujud jika garis pada graf
bersilang. Katalah skor bagi lelaki kumpulan umur 1 rendah berbanding
skor perempuan kumpulan 2. Tetapi skor lelaki kumpulan 2 sebaliknya
lebih tinggi dari skor perempuan kumpulan umur 1. Ini bermakna, Jantina
memberikan kesan interaksi bersama kumpulan umur menyebabkan
hasilnya bersilang.

180

SPSS untuk penyelidik muda

SK 10 (ANOVA satu hala pengukuran berulang)

Adakah terdapat perbezaan skor ujian pra, ujian pasca dan ujian
pengekalan bagi kumpulan yang mengikuti pengajaran kaedah
menggunakan Model?

Soalan kajian ini memerlukan analisis ANOVA sehala pengukuran
berulang bagi kumpulan yang sama.

1. Syarat

Kesemua syarat kenormalan, nilai ekstrem dan skala yang digunakan
menepati keperluan analisis ANOVA. Syarat tambahan bagi ANOVA
pengukuran berulang adalah sphericity boleh diuji dengan ujian sphericity
Mauchly. Melanggar syarat ini satu yang “serius” bagi analisis ANOVA
satu hala pengukuran berulang.

2. Prosidur SPSS

Analyze – General Linear Model – Repeated Measure…. (Rajah 5.45)

Rajah 5.45

181

SPSS untuk penyelidik muda

Namakan Within-Subjek Factor dengan nama yang sesuai seperti “Ujian”
atau “Skor”. Taip 3 sebagai bilangan pengukuran berulang seperti Rajah
5.46

Rajah 5.46
Klik Add dan Define sehingga mendapat seperti Rajah 5.47

182

SPSS untuk penyelidik muda

Rajah 5.47
Klik OK dan lengkapkan Rajah 5.48 dan klik Continue dan OK

Rajah 5.48

183

SPSS untuk penyelidik muda

3. Output SPSS

Ujian multivariate yang selalu digunakan adalah Wilk’s Lambda, p <.05
menunjukkan kesan faktor masa yang signifikan kepada tiga ujian yang
berbeza (Jadual 5.26). Ini bermakna, memang terdapat perubahan skor
ujian menentasi masa.

Jadual 5.26

Descriptive Statistics

Mean Std. Deviation N

Skor ujian pra 49.99 1.598 94
Skor ujian pasca 94
Skor ujian pengekalan 64.28 3.555 94

71.79 4.165

Nilai partial eta squared .964 (Jadual 5.27) adalah saiz kesan yang besar
mengikut tahap yang diberikan oleh Cohen (1988).

Jadual 5.26

Multivariate Testsa

Effect Value F Hypothesis Error df Sig. Partial
Eta
df 92.000 .000
92.000 .000 Squared
Pillai's Trace .964 1234.136b 2.000 92.000 .000 .964
2.000 92.000 .000 .964
Wilks' Lambda .036 1234.136b 2.000 .964
2.000 .964
ujian Hotelling's Trace 26.829 1234.136b

Roy's Largest 26.829 1234.136b

Root

a. Design: Intercept Within Subjects Design: ujian

b. Exact statistic

Akhirnya, Jadual 5.28 ujian sphericity, p > .05, maka syarat sphericity
dipenuh.

184

SPSS untuk penyelidik muda

Jadual 5.28

Mauchly's Test of Sphericitya

Measure: MEASURE_1

Within Mauchly's Approx. df Sig. Epsilonb
Chi-
Subjects Effect W Greenhouse- Huynh- Lower-
Square
Geisser Feldt bound

ujian .940 5.711 2 .058 .943 .962 .500

Tests the null hypothesis that the error covariance matrix of the orthonormalized transformed dependent
variables is proportional to an identity matrix.
a. Design: Intercept Within Subjects Design: ujian
b. May be used to adjust the degrees of freedom for the averaged tests of significance. Corrected tests are
displayed in the Tests of Within-Subjects Effects table.

4. Laporan

Analisis satu hala pengukuran berulang terhadap ujian dalam tiga masa
berbeza (ujian pra, pasca dan pengekalan). Nilai skor min ujian pra (M=
49.99, SD=1.60), ujian pasca (M=64.28, SD=3.56) dan ujian pengekalan
(M=71.79, SD=4.16) berbeza secara signifikan. Ini menunjukkan kesan
masa yang sgnifikan terhadap skor ujian pra, pasca dan pengekalan, F(2,
92)= 1234.136, p < .05 dengan Lambda Wilk .36, multivariate eta square
= .96.

SK 11 (ANOVA satu hala antara kumpulan)

Adakah terdapat perbezaan skor ujian pasca bagi kumpulan yang
mengikuti tiga kaedah pengajaran berbeza?

1. Syarat
Semua syarat telahpun dipenuhi dalam soalan kajian yang lepas.

185

SPSS untuk penyelidik muda

2. Prosidur SPSS
Analyze – Compare Mean – One-way Anova (Rajah 5.49) dan masukkan
Skor ujian pasca ke dalam kotak Dependent List (Rajah 5.50) dan klik
Options (Rajah 5.51)

Rajah 5.49

Rajah 5.50

186

SPSS untuk penyelidik muda

Rajah 5.51

3. Output SPSS

Jadual 5.29 adalah nilai diskriptif yang memberikan gambaran awal
perbezaan nilai min bagi ketiga-tiga kumpulan, juga bilangan subjek
setiap kumpulan. Min tertinggi bagi skor ujian pasca adalah bagi
kumpulan Model (M=63.69, SD=3.32) diikuti dengan kumpulan Animasi
(M=66.53, SD=3.51) dan kumpulan kawalan (M=62.51, SD=2.50)

Jadual 5.29

Skor ujian pasca

N Mean Std. Std. 95% Confidence Minimum Maximum
Interval for Mean
Deviation Error

Lower Upper
Bound Bound

Model 32 63.69 3.324 .588 62.49 64.89 57 70
Animasi 32 66.53 3.519 .622 65.26 67.80 59 72

Kawalan 30 62.51 2.504 .457 61.58 63.45 56 66

Total 94 64.28 3.555 .367 63.55 65.01 56 72

187