SPSS Untuk Penyelidik Muda

Kumpulan 1 Kumpulan 2 SPSS untuk penyelidik muda

Kumpulan 3

• Subjek diajar • Subjek diajar • Subjek diajar
berpandukan berpandukan berpandukan
buku teks buku teks buku TEKS
dengan dengan secara
bantuan bantuan konvensional
MODEL ANIMASI

Rajah 2.1 Pembahagian kumpulan

2.1.4 Kajian Eksperimen

Sebagai pengenalan seperti yang dipelajari dalam kelas kaedah
penyelidikan, kajian eksperimen adalah kajian yang melibatkan pemboleh
ubah tidak bersandar dan pemboleh ubah bersandar. Kajian eksperimen
mengkaji hubungan kesan-dan-akibat (cause-and-effect) antara
pemboleh ubah tidak bersandar dan pemboleh ubah bersandar sambil
cuba meminimakan kesan pemboleh ubah luaran yang mungkin memberi
kesan kepada pemboleh ubah bersandar.

Dalam kajian reka bentuk eksperimen benar (true experimental design)
ini, penyelidik memanipulasi pemboleh ubah tidak bersandar (kaedah
pengajaran) dengan menggunakan tiga kaedah berbeza (Model, Animasi
dan Teks) bagi melihat kesannya terhadap pemboleh ubah bersandar
(skor ujian pra, pasca dan pengekalan) setelah pemboleh ubah luaran
yang tidak terlibat dalam kajian dikawal seperti jangkamasa pengajaran
yang sama, waktu pengajaran hanya disebelah pagi, isi kandungan
rancangan pengajaran yang sama, guru yang sama mengajar ketiga-tiga
kumpulan dan interaksi antara subjek yang dikawal. Ujian pra ditadbir
sebelum rawatan diberikan, ujian pasca diberikan selepas 6 minggu

44

SPSS untuk penyelidik muda

rawatan (12 waktu X 40 min). Ujian pengekalan ditadbir 2 bulan selepas
ujian pasca
Kajian eksperimen juga menekankan pemilihan sampel secara rawak
(random selection) dari populasi. Sampel yang terpilih kemudiannya
melalui proses pembahagian secara rawak tugasan (random assignment)
kepada kumpulan eksperimen dan kawalan. Dalam kajian ini, terdapat
dua kumpulan eksperimen iaitu MODEL (Kumpulan 1) dan ANIMASI
(Kumpulan 2) manakala kumpulan kawalan adalah TEKS (Kumpulan 3).
Kesemua kumpulan diberikan rawatan (treatment) yang berbeza bagi
mengetahui kesan pemboleh ubah tidak bersandar (kaedah mengajar)
terhadap pemboleh ubah bersandar (skor pra, pasca dan pengekalan)
yang dikaji.

2.1.5 Kaji Selidik

Selain kajian eksperimen, kajian tinjauan pula dijalankan dengan
mengedarkan kaji selidik untuk mengetahui faktor pemilihan telefon bimbit
dan pemilikan akaun twitter.
Kaji selidik ringkas ini mengandungi dua sub konstruk dengan masing-
masing tiga item. Jadi keseluruhan terdapat enam item. Kedua-dua sub
konstruk adalah harga dan spesifikasi telefon bimbit. Terdapat lima item
positif dan satu item adalah negatif. Berikut adalah item mengikut sub
konstruk harga dan spesifikasi.

45

SPSS untuk penyelidik muda

Sub konstruk harga:

• Pr.item1: Saya membeli telefon bimbit baru pada harga promosi
• Pr.item2: Saya membeli telefon bimbit terpakai kerana murah
• Pr.item3: Harga telefon bimbit saya dalam kategori murah

Sub konstruk spesifikasi:

• Sp_item4: Saya memiliki telefon bimbit yang canggih (high end)
• Sp_item5: Telefon bimbit saya mempunyai aplikasi terkini
• Sp_item6: Telefon bimbit saya bukan telefon pintar (smart phone)

2.1.6 Hipotesis

Hipotesis kerap digunakan oleh penyelidik sebagai panduan sebelum
menjalankan kajian. Hipotesis adalah pernyataan khusus yang
memudahkan soalan kajian diterjemah dalam bentuk yang “researchable”
sekaligus dapat memberi idea jenis analisis statistik bagi pengujian
hipotesis tersebut. Hipotesis melibatkan pernyataan yang mengaitkan
hubungan antara pemboleh ubah yang ingin dikaji yang selalunya
diperolehi dari pembacaan yang kritis dari sorotan literature.

Hipotesis bukan dalam bentuk persoalan tetapi dalam bentuk pernyataan.
yang juga melibatkan pemboleh-pemboleh ubah dalam kajian. Hipotesis
dibina setelah diselidiki kerelevenan pemilihan pemboleh ubah tersebut
berasaskan teori ataupun tinjauan dapatan kajian lepas. Hipotesis penting
supaya penyelidik membuat review kajian lepas yang relevan dengan
pemboleh ubah yang ingin diuji.

46

SPSS untuk penyelidik muda

Hipotesis Nol
Langkah pertama penyelidik adalah membina hipotesis nol (simbol Ho)
untuk menyatakan bahawa “tiada perkaitan” atau “tiada perbezaan”
antara pemboleh-pemboleh ubah yang dikaji seperti berikut:
• Ho: Tidak ada perkaitan yang signifikan antara jumlah masa

persediaan belajar dengan pencapaian dalam matematik di sekolah

• Ho: Tidak terdapat perbezaan yang signifikan antara min skor IQ
pelajar aliran teknikal berbanding dengan min skor IQ pelajar aliran
Sains

Apa sebenarnya tujuan hipotesis nol ini? Hipotesis nol hanyalah satu cara
untuk memulakan tindakan membuat kajian dengan menganggap
bahawa tiada apa-apa yang mengaitkan pemboleh ubah dalam kajian. Ini
akan mendorong penyelidik untuk merangka reka bentuk kajian bagi
menyelidiki samada hipotesis nol ini boleh ditolak atau sebaliknya.
Penyelidik seterusnya boleh menyatakan kecenderungannya untuk
mendapatkan hasil kajian dengan membina pula hipotesis kajian atau
hipotesis alternatif (Ha) seperti berikut:
• Ha: Terdapat perkaitan positif yang signifikan antara jumlah masa

persediaan belajar dengan pencapaian dalam matematik disekolah

• Ha: Terdapat perbezaan yang signifikan antara min skor IQ pelajar
aliran teknikal berbanding dengan min skor IQ pelajar aliran Sains.

47

SPSS untuk penyelidik muda

2.2 Melaksana Kajian

Terdapat tiga kaedah menjalankan analisis iaitu

a. analisis diskriptif
b. analisis kekuatan hubungan antara pemboleh ubah
c. analisis perbandingan skor min antara kumpulan

Jadual 2.1 berikut adalah jadual yang dibina bagi menyatakan soalan
kajian dan hipotesis bagi memudahkan penelitian terhadap pemboleh
ubah yang terlibat bagi pemilihan analisis statistik yang sesuai dan
seterusnya langkah-langkah yang berkaitan seperti persediaan data dan
pengujian kenormalan data.

Jadual 2.1 Jadual Soalan Kajian

Analisis Diskriptif

1 Apakah peratus faktor persetujuan paling tinggi bagi pembelian telefon bimbit
kerana harga?

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

Analisis Hubungan antara Pemboleh ubah

Soalan kajian dan Parametrik / Indikator
hipotesis
Bukan parametrik

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

Hipotesis nol: Bukan parametrik: Data kategori: Jantina
Tidak terdapat hubungan Hubungan antara
yang signifikan antara dua data kategori. • Lelaki dan Perempuan
jantina dengan pemilikan Analisis Cramer’s Data kategori: Pemilikan
akaun twitter. V akaun Twitter

• Ya dan Tidak

48

SPSS untuk penyelidik muda

4 Adakah terdapat hubungan antara skor motivasi dengan skor Sains dalam
kalangan pelajar kolej komuniti?

Hipotesis nol: Hubungan antara • Skor motivasi (sela)
Tidak terdapat hubungan dua data selanjar • Skor Sains (sela)
yang signifikan antara Parametrik:
skor motivasi dengan Analisis Pearson
skor Sains.

5 Adakah masih terdapat hubungan antara skor motivasi dengan skor Sains jika
skor self-esteem pelajar dikawal?

Hipotesis: Hubungan antara • Skor motivasi (sela)
Selepas mengawal dua data selanjar
kesan skor self-esteem, Parametrik: • Skor Sains (sela)
tidak terdapat hubungan Analisis korelasi
yang signifikan antara separa (partial • Skor self-esteem (sela –
skor motivasi dengan correlation) pemboleh ubah yang
skor Sains? dikawal)

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

Hipotesis nol: Hubungan antara • Sum_harga (sela)
Tidak terdapat hubungan dua data selanjar • Sum_spec (sela)
yang signifikan antara (summated score)
persetujuan pembelian
telefon kerana faktor Parametrik:
harga dan spesifikasi Analisis Pearson

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

Hipotesis nol: Parametrik: Tiga set data selanjar:
Tidak terdapat pengaruh Analisis regresi • Skor ujian pasca
skor ujian pasca dan skor berganda • Skor motivasi
motivasi pelajar terhadap • Skor pengekalan
skor pengekalan?

Analisis Perbandingan Kumpulan

Persoalan kajian Analisis Indikator

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

49

SPSS untuk penyelidik muda

Hipotesis nol: Parametrik: DV data selanjar:
Tidak terdapat perbezaan ANOVA satu-hala Skor self-esteem
skor self-esteem yang
signifikan bagi pelajar IV data kategori:
berbeza kumpulan. Kumpulan (Model, Animation,
Kawalan)

9 Adakah terdapat perbezaan skor Sains antara jantina dalam kumpulan umur
yang berbeza ?

Adakah terdapat kesan interaksi antara jantina dengan kumpulan umur
tersebut?

Hipotesis nol: Dua IV dan satu DV data selanjar:
Tidak terdapat perbezaan DV Skor Sains
yang signifikan bagi skor
Sains antara subjek ANOVA dua-hala IV data kategori:
berbeza jantina dalam antara kumpulan Jantina (L, P)
kumpulan umur berbeza. Umur (1,2)

Tidak terdapat kesan
interaksi antara jantina
dengan kumpulan umur
yang berbeza?

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

Hipotesis: Parametrik: DV data selanjar:
Tidak terdapat perbezaan ANOVA satu-hala Skor pra, pasca dan
skor ujian pra, ujian (pengukuran pengekalan
pasca dan ujian berulang)
pengekalan bagi
kumpulan yang mengikuti
pengajaran kaedah
menggunakan Model

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

Hipotesis: Parametrik: DV data selanjar:
Tidak terdapat perbezaan ANOVA satu-hala Skor pasca
skor ujian pasca bagi (antara kumpulan)
kumpulan yang mengikuti Kategori:
pengajaran kaedah Kumpulan (1,2,3)
brbeza.

50

SPSS untuk penyelidik muda

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

Hipotesis nol : Dua DV perlukan DV data selanjar:
Tidak terdapat perbezaan MANOVA. Skor pasca
antara lelaki dan Skor pengekalan
perempuan terhadap Parametrik:
ujian pasca dan ujian MANOVA satu- Kategori:
pengekalan. hala Jantina

13 Adakah terdapat perbezaan antara persetujuan pembelian telefon bimbit kerana
faktor harga antara lelaki dan perempuan?

Hipotesis nol: Ujian-t sampel DV data selanjar

Tidak terdapat perbezaan tidak bersandar Sum_harga (Skor persetujuan

skor persetujuan keseluruhan 3 item bagi

pembelian telefon kerana konstruk harga)

faktor harga bagi jantina

yang berbeza. IV data kategori

Jantina (Lelaki, Perempuan)

14 Adakah terdapat perbezaan yang signifikan antara skor ujian pra dan ujian

pasca dalam kalangan pelajar lelaki?

Hipotesis nol: Parametrik: DV – skor ujian pra dan pasca
Tidak terdapat perbezaan Ujian-t sampel tak IV – kategori pelajar lelaki
antara min skor ujian pra bersandar
dan ujian pasca dalam
kalangan pelajar lelaki?

2.3 Mudahnya SPSS

SPSS adalah perisian analisis statistik yang dimiliki oleh IBM. Walaupun
SPSS adalah akronim Statistical Package for Social Science, namun
SPSS telah berkembang dan digunakan oleh semua penyelidik yang
melibatkan analisis statistik, tidak tertakluk kepada bidang sains sosial
sahaja. Dengan itu, SPSS kini hanya dikenali sebagai IBM Statistics
SPSS atau SPSS sahaja yang tidak lagi mewakili maksud Statistical
Package for Social Science.

51

SPSS untuk penyelidik muda

Terdapat tiga antaramuka SPSS iaitu Data View, Variable View dan satu
lagi adalah output SPSS.

2.3.1 Variable View dan Data View

Variable View pada Rajah 2.2 adalah paparan bagi penyelidik
memberikan nama kepada pemboleh ubah, sementara Data View pula
adalah paparan untuk mengisi data atau skor mentah. Rajah 2.3 adalah
contoh Variable View yang telah siap untuk analisis manakala Rajah 2.4
adalah Data View yang dipaparkan setelah data dimasukkan.

Rajah 2.2 Variable View SPSS

52

SPSS untuk penyelidik muda

Rajah 2.3 Varibel View yang lengkap

Rajah 2.4 Data View

53

SPSS untuk penyelidik muda

2.3.2 Menamakan Pemboleh ubah

Antaramuka Variable View perlu disiapkan terlebih dahulu dengan
menamakan pemboleh ubah yang digunakan dalam kajian. Nama yang
diberikan mestilah satu perkataan atau lebih tanpa dipisahkan dengan
ruang (spacing) antara perkataan seperti berikut:

• Jantina
• Jantina_kumpulan
• Item1
• item.1
Melabelkan pemboleh ubah
Label diperlukan bagi memberi penjelasan lanjut pemboleh ubah dan
label ini boleh ditaip seperti menaip perkataan biasa. Pemboleh ubah Sex
umpamanya diberikan label ‘1. Lelaki 2. Perempuan” untuk menjelaskan
jantina dikategorikan kepada 2 kumpulan.

2.3.3 Menyediakan Value

Akaun_Twitter: {1=Tak ada; 2= Ada}
Penentuan ini dilakukan dengan memberikan Value “1” kepada “Tak ada”
dan Value “2” kepada “Ada” seperti Rajah 2.5 berikut:

54

SPSS untuk penyelidik muda

Rajah 2.5
Lakukan hal yang sama kepada pemboleh ubah Sex dan Kumpulan. Bagi
pemboleh ubah skala Likert adalah seperti Rajah 2.6 berikut:

Rajah 2.6

2.3.4 Data Hilang atau Tidak Lengkap

Baris “Missing” disediakan bagi menandakan data sel pada Data View
bagi data yang hilang atau data yang tidak lengkap yang perlu diabaikan.
Biasanya penyelidik akan menggunakan sebarang nombor yang unik

55

SPSS untuk penyelidik muda

seperti 999, 1111, 9999 bagi membezakan antara data set sebenar
dengan data yang hilang.
SPSS akan mengenalpasti nombor katakan anda memilih 999,
dimasukkan dalam set data sebagai data yang hilang supaya tidak
diambilkira semasa operasi pengiraan dijalankan seperti Rajah 2.7. Jika
terdapat beberapa data yang hilang / tidak lengkap, anda boleh memilih
“Discrete missing values” dengan memberikan sebarang angka seperti
999 supaya membezakan angka tersebut dengan skor sebenar. Versi 21
SPSS yang digunakan dalam buku ini walau bagaimanapun
membenarkan sel dalam Data View anda tidak diisi (hanya ada titik
sahaja) dan SPSS masih boleh mengenalpasti sel ini sebagai missing
value.

Rajah 2.7
Setelah menyediakan soalan kajian dan hipotesis, maka kajian dijalankan
bagi mendapatkan data. Berikut adalah pemboleh ubah utama yang
terlibat:
• ID adalah nombor yang dicatat pada setiap helaian kaji selidik sebagai

identifikasi kepada responden. ID diberi nilai 1,2,3,4….
56

SPSS untuk penyelidik muda

• Akuan_Twitter membezakan responden yang memiliki akaun tersebut
atau tidak. Skala nominal digunakan iaitu {1. Ada 2. Tak Ada}

• Age adalah umur responden yang akan dikategorikan kepada
kumpulan.

• Sex adalah jantina bagi responden dengan skala nominal {1. Lelaki 2.
Perempuan}

• SE adalah self-esteem yang diukur dengan ujian bagi mendapatkan
skor self-esteem responden

• Sc adalah skor ujian Sains responden
• Motivasi adalah skor ujian motivasi responden
• Pre.Sc, Post.Sc dan Ret.Sc adalah skor ujian pra, ujian pasca dan ujian

pengekalan responden.
• Pr.item1, Pr.item2, Pr.item3 adalah item 1, 2 dan 3 bagi kaji selidik sub

konstruk pembelian telefon bimbit kerana faktor harga. Kaji selidik
menggunakan skala Likert 5-poin iaitu {1. Sgt Tak Setuju 2. Tak Setuju
3. Neutral 4. Setuju 5. Sangat Setuju}
• Sp.item1, Sp.item2, Sp.item3 adalah item 1, 2 dan 3 bagi kaji selidik
sub konstruk pembelian telefon bimbit kerana faktor spesifikasi. Kaji
selidik menggunakan skala Likert 5-poin yang sama seperti sub
konstrak harga.

Rajah 2.8 berikut adalah Variable View yang telah disediakan untuk tujuan
memulakan analisis data. Sementara itu, Rajah 2.9 adalah Data View
menunjukkan responden kajian sahaja. Perhatikan sel yang diisi dengan
999 sebagai missing atau dibiarkan sahaja tanpa isi (diwakili oleh titik).

57

Rajah 2.8 Pemboleh ubah ya

SPSS untuk penyelidik muda

ang digunakan dalam buku ini

58

Rajah 2.9 Data V

SPSS untuk penyelidik muda

View yang lengkap bersambung…
59



SPSS untuk penyelidik muda

60

Rajah 2.9 Data V

View yang lengkap SPSS untuk penyelidik muda

bersambung…

61

Rajah 2.9 Data V

View yang lengkap SPSS untuk penyelidik muda

bersambung…

62

Rajah 2.9 Data V
Rajah 2.9 Data Vi

View yang lengkap SPSS untuk penyelidik muda

bersambung…

iew yang lengkap

63

SPSS untuk penyelidik muda

BAB 3

PERSEDIAAN DATA

64

SPSS untuk penyelidik muda

3.1 Persediaan Data

Persediaan data juga disebut sebagai “EDA” yang bermaksud
“Exploratory Data Analysis” lazimnya dijalankan bagi mengetahui
keadaan data yang telah dimasukkan ke dalam perisian SPSS. Terdapat
kesalahan yang mungkin dilakukan semasa memasukkan data seperti
kesalahan menaip, terdapat data yang dimasukkan dengan nilai yang
terlalu tinggi atau terlalu rendah.

Jika ini berlaku, anda perlu membetulkan keadaan tersebut termasuklah

melakukan transformasi data (dibincang selepas ini) jika

diperlukan.Tujuan utama EDA adalah menyediakan data yang lengkap

dan tepat untuk proses menganalisis tanpa sebarang masalah dan

kesalahan yang akan menjelaskan dapatan dan interpretasi kajian.

3.1.1 Kod Semula

Item kaji selidik mestilah bersifat satu dimensi (satu arah). Satu dimensi
bermakna skor setiap item akan menuju satu nilai tertinggi. Katalah skala
persetujuan Likert 5-poin yang tertinggi adalah 5, maka responden yang
bersetuju dengan sesuatu item akan memilih respon ke arah nilai tertinggi
ini manakala respon yang tidak bersetuju juga akan menjawab ke arah
nilai terendah. Item yang menuju ke satu arah nilai tertinggi (bagi respon
bersetuju) atau menuju ke arah nilai terendah (bagi respon tidak
bersetuju) ini dikatakan item bersifat satu dimensi (unidimensi).

Jika responden bersetuju dengan sub konstrak tetapi item disediakan
dalam bentuk songsang maka respon akan ke arah sebaliknya (nilai
terendah), maka item tersebut dikatakan item negatif. Oleh itu, data dari
item negatif hendaklah melalui proses tranformasi kod semula (recode)

65

SPSS untuk penyelidik muda

dari negatif ke positif untuk mengekalkan unidimensi kaji selidik yang
kemudiannya diuji dengan nilai alfa Chrobach sebagai ketekalan dalaman
(internal consistency).

Item positif dan negatif bagi konstruk “minat” dalam pemilihan kerjaya
sebagai guru boleh dijadikan sebagai contoh. Katalah responden A
sangat berminat untuk menjadi guru maka dijangkakan respon yang akan
diberikan (menjadi guru kerana minat) seperti berikut:

• Item1: Saya mempunyai minat yang mendalam terhadap kerjaya
sebagai guru (item positif: 5 poin – sangat setuju)

• Item2: Saya memilih kerjaya sebagai guru kerana sukar mendapatkan
pekerjaan yang lain (item negatif: 1 poin – sangat tidak setuju).

Jadi anda perlu kod semula Item2 supaya respon nilai terendah akan
bertukar kepada nilai tertinggi. Ini samalah seperti Item2 disongsangkan
maksudnya sebagai:

• Item2: Saya memilih kerjaya guru walaupun saya boleh mendapatkan
pekerjaan lain (item positif: 5 – sangat setuju).

Kod semula bertujuan memastikan respon unidimensi yang konsisten
bagi tujuan pengiraan ketekalan dalaman (internal consistency) melalui
analisis alfa Chronbach. Nilai alfa Chrobach yang tinggi menunjukkan
ketekalan dalaman (respon yang seragam dan unidimensi) yang tinggi
bagi kaji selidik. Kegagalan membuat kod semua, bukan sahaja
merendahkan nilai alfa Chronbach malah anda boleh mendapat nilai alfa
Chronbach yang negatif.

Antara langkah awal adalah menyemak nilai alfa Chronbach keseluruhan
item bagi mengenalpasti kewujudan item negatif atau sebarang masalah
kepada mana-mana item. Ingat, langkah pertama adalah memastikan

66

SPSS untuk penyelidik muda

kesahan item terlebih dahulu melalui kesahan pakar isi kandungan dan
kesahan pakar psikometrik (psychometrician). Psychometrician adalah
individu yang mempunyai pengetahuan tentang pembinaan instrumen
psikometrik seperti kaji selidik.
1. Prosidur SPSS
Analyze – Scale – Reliability Analysis (Rajah 3.1)

Rajah 3.1
Tandakan semua item (Rajah 3.2) dan klik tanda arrow di tengah-tengah
antara kotak untuk bawa semua item yang ditandakan dari kotak sebelah
kiri ke kotak sebelah kanan (Rajah 3.3)

67

SPSS untuk penyelidik muda

Rajah 3.2

Rajah 3.3

68

SPSS untuk penyelidik muda

Pada Reliability Analysis Statistics, tandakan kotak seperti Rajah 3.4

Rajah 3.4

Klik Continue - OK

2. Output SPSS

Jadual 2.2 menunjukkan nilai alfa Chronbach keseluruhan kaji selidik
adalah .0437, satu nilai yang rendah. Oleh itu perlu disemak samada
terdapat item yang bermasalah atau perlu kod semula yang terlepas dari
pengetahuan anda.

Cronbach's Alpha Jadual 2.2 Reliability Statistics
.437
N of Items
6

69

SPSS untuk penyelidik muda

Jadual 3.1 berikut menunjukkan bahawa item terakhir Spec3 jika dibuang
akan meningkatkan nilai alfa Chronbach kepada .849. Ini adalah indikator
item tersebut bermasalah, dan nilai negarif menunjukkan item perlu dikod
semula.

Jadual 3.1 Item-Total Statistics

Scale Mean Scale Corrected Cronbach's
Item-Total Alpha if Item
if Item Variance if Correlation
Deleted
Deleted Item Deleted
.126
Harga1 Likert (1.STS - 5.SS) 14.30 5.855 .677
.139
Harga2Likert (1.STS - 5.SS) 14.45 5.475 .563
.187
Harga3 Likert (1.STS - 5.SS) 13.90 5.977 .538
.142
Spec1 Likert (1.STS - 5.SS) 14.01 5.729 .599
.194
Spec2 Likert (1.STS - 5.SS) 13.95 5.997 .524
.849
Spec3 Likert (1.STS - 5.SS) 13.34 14.896 -.773

1. Prosidur SPSS:

Transform – Recode into same variable. Dalam paparan Recode into
Same Variables, pindahkan Spec3 (Rajah 3.5).

Rajah 3.5

70

SPSS untuk penyelidik muda

Klik Old and New Values….
Masukkan nilai 1 pada “Old Value” pada bahagian kiri dan masukkan nilai
5 dalam kotak “New Value” disebelah kanan dan klik Add – Continue
sehingga selesai (Rajah 3.6) dan klik Continue kemudian OK.

Rajah 3.6
2. Output SPSS
Ini adalah output sebagai tanda anda berjaya melakukan kod semula.

• RECODE Sp.item6 (1=5) (2=4) (3=3) (4=2) (5=1).
• EXECUTE.
Uji sekali lagi alfa Chronbach data yang anda baru lakukan transfomasi
kod semula ini seperti yang anda lakukan di atas. Jadual 3.2
menunjukkan nilai alfa Chronbach bagi keseluruhan item (.883), sub
konstruk “harga” (.776) dan sub konstruk “spesifikasi” (.841). Kesemua

71

SPSS untuk penyelidik muda

nilai alfa ini tinggi adalah salah satu indikator ketekalan dalaman yang
baik.

Jadual 3.2 Reliability bagi konstruck

Keseluruhan item

Cronbach's Alpha N of Items

.883 6

Sub konstruk harga N of Items
Cronbach's Alpha 3
.776
N of Items
Sub konstruk spesifikasi 3
Cronbach's Alpha
.841

3.1.2 Missing Complete at Random (MCAR)

Sekiranya hanya sedikit data yang hilang dan berlaku secara rawak, anda
boleh gunakan analisis Expectation-Maximization (EM) untuk
menggantikan data tersebut. Hilang secara rawak berlaku apabila
responden terlupa atau tertinggal, bukan disebabkan sengaja dilakukan
oleh responden seperti tidak menjawab sebahagian item secara
berturutan atau tidak memberi respon kerana item yang mengelirukan
atau sensitif.

Langkah pertama memastikan data hilang secara random (Missing
Completely at Random) atau ujian MCAR dapat dilakukan dengan SPSS.

1. Prosidur SPSS

Analyze – Missing Analysis (Rajah 3.7)

72

SPSS untuk penyelidik muda

Pindahkan semua pemboleh ubah bersandar yang terdapat data hilang
ke dalam kotak Quantitative Variables. Tiada masalah jika anda
masukkan juga pemboleh ubah yang tiada missing data.

Rajah 3.7

Klik OK

2. Output SPSS

Jadual 3.3 menunjukkan bilangan data yang hilang dan peratusannya
sangat kecil iaitu 1.1 %. Jadual 3.4 memberikan nilai chi-kuasa dua
16.592 (lihat di bawah jadual) keseluruhan data yang hilang berbanding
data yang ada. Nilai ini tidak signifikan, p>.05 yang bermakna missing
data tidak menjejaskan keseluruhan data yang ada. Ini menunjukkan data
yang hilang adalah MCAR atau missing completely at random.

73

SPSS untuk penyelidik muda

Jadual 3.3

Jadual 3.4

Dengan ini langkah seterusnya adalah mengganti data yang hilang
dengan langkah berikut:
1. Prosidur SPSS
Analyze – Missing Analysis
Mulakan dengan semua data selanjar dahulu baru diikuti dengan data
kategori. Tiada masalah jika anda sengaja masukkan semua pemboleh
ubah walaupun tiada data hilang ke dalam ruang Quantitative Variables

74

SPSS untuk penyelidik muda

seperti Rajah 3.8. Dalam kajian ini, tiga pemboleh ubah yang terdapat
data yang hilang adalah SE, Sc dan Post.Sc.

Rajah 3.8
Klik EM dan namakan dataset name bagi set data yang baru tanpa
missing value sebagai “missing1” (Rajah 3.9). Klik Continue - OK.

75

SPSS untuk penyelidik muda

Rajah 3.9
Terhasillah satu set data baru tanpa missing data dengan nama
“missing1”. Set data “missing1” ini akan muncul pada taskbar anda
seperti Rajah 3.10 (sebelah kiri) dan klik ikon ini untuk membukanya dan
anda akan dapat satu set data baru seperti Rajah 3.10 (sebelah kanan).
Anda dapati data yang hilang pada pemboleh ubah SE, Sc dan Post.SC
masing-masing diganti dengan nilai 77, 60 dan 64. Set data baru ini
(missing1) perlu dimerge dengan set data fail asal anda yang ada missing
value.

76

SPSS untuk penyelidik muda

Rajah 3.10

1. Prosidur SPSS

Klik pada taskbar untuk buka fail set data asal anda
Data – Merge Files – Add Variables
Klik “Untitled2[missing1]” seperti Rajah 3.11 dan klik Continue.

Rajah 3.11

77

SPSS untuk penyelidik muda

Perhatikan Rajah 3.12 yang dipaparkan. Sila pindahkan pemboleh ubah
yang ada missing value dari file asal SE(*), Sc(*), Post.Sc(*) dari kiri ke
sebelah kanan dahulu. Kemudian pindahkan pemboleh ubah yang tiada
missing value SE(+), Sc(+), Post.Sc(+) (+) ke kiri sehingga mendapat
seperti dalam Rajah 3.12 berikut dan klik OK.

Rajah 3.12
Kini set data dalam fail asal anda tiada lagi missing value seperti paparan
Rajah 3.13.

78

SPSS untuk penyelidik muda

Rajah 3.13
Ulangi prosidur yang sama kepada pemboleh ubah (item soal selidik)
yang juga terdapat missing value. Ini hasil yang akan diperolehi, set data
yang lengkap tanpa data yang hilang.

Peringatan:

Perhatikan dalam Rajah 3.14, nilai yang diganti dalam data ordinal item
samada 1,2,3,4 atau 5 hanya diwakili oleh nombor. Sila klik value label
seperti berikut:

Rajah 3.14

79

SPSS untuk penyelidik muda

Nombor 3 yang menggantikan missing value tidak mewakili respon
neutral, maka anda perlu perbaiki keadaan ini seperti Rajah 3.15 dan
Rajah 3.16.

Rajah 3.15

Rajah 3.16

80

SPSS untuk penyelidik muda

Rajah 3.17 adalah Data View data lengkap tanpa missing value untuk
meneruskan kerja-kerja saringan data anda.

Rajah 3.17
Perhatikan Rajah 3.17 di atas, menunjukkan kedudukan pemboleh ubah
SE, Sc dan Post.Sc telah berubah dan berada dalam column yang baru.
Susun semula dengan klik dan tandakan pemboleh ubah, dan heret
supaya dapat sususan seperti asal, kini tanpa data yang hilang (Rajah
3.18) !

81

SPSS untuk penyelidik muda

Rajah 3.18

3.2 Semakan Diskriptif

Data perlu disemak lagi dengan semakan secara diskriptif untuk
memastikan tiadanya nilai ekstrem. Terdapat pelbagai analisis diskriptif
yang boleh dijalankan bagi tujuan ini.

3.2.1 Semakan Data Kategori

Data kategori seperti pemboleh ubah Sex, Kump dan Akaun_Twitter
boleh disemak menggunakan frekuensi bagi mengetahui masalah yang
wujud seperti nilai yang tidak munasabah. Mencari min atau sisihan
piawai tidak membawa apa-apa makna kepada data kategori.

82

SPSS untuk penyelidik muda

1. Prosidur SPSS:
Descriptive statistics – Frequencies
Pindah pemboleh ubah ke dalam petak Variable(s) seperti Rajah 3.19

Rajah 3.19
Klik Statistics – Pilih Minimum dan Maximum – Continue (Rajah 3.20)

Rajah 3.20

83

SPSS untuk penyelidik muda

2. Output
Tiga jadual frekuensi terhasil iaitu Jadual 3.5 – 3.7 untuk semakan.

Jadual 3.5

Jadual 3.6

Jadual 3.7

Kesemua jadual atas menunjukkan jumlah bilangan responden 94
dengan frekuensi setiap kategori yang munasabah. Terdapat seramai 48
responden lelaki dan 46 responden perempuan. Seramai 42 responden
tidak memiliki akaun Twitter berbanding 52 yang memiliki akuan Twitter.

84

SPSS untuk penyelidik muda

3.2.2 Semakan Data Selanjar

Bagi data selanjar, nilai min penting bagi mengetahui kemunasabahan
data yang telah dimasukkan sambil mengesan skor ekstrem. Oleh itu
analisis yang sesuai adalah diskriptif, bukannya frekuensi.
1. Prosidur SPSS
Analyze – Descriptive Statitics – Descriptives (Rajah 3.21)

Rajah 3.21
Klik Options dan tandakan seperti dalam Rajah 3.22

85

SPSS untuk penyelidik muda

Rajah 3.22

Klik Continue - OK

2. Output SPSS

Jadual 3.8 menunjukkan statistik diskriptif dengan nilai maksima dan
minima serta min untuk disemak kewujudan skor bermasalah.

Jadual 3.8

86

SPSS untuk penyelidik muda

Perhatikan kemunasabahan nilai maksima dan minima serta min setiap
pemboleh ubah. Dalam kes ini, semua nilai adalah munasabah untuk
diterima.

3.2.3 Semakan Data Ordinal

Anda boleh menyemak data ordinal anda seperti yang anda lakukan
kepada data selanjar secara diskriptif.

1. Prosidur SPSS
Descriptive statistics – Frequencies (Rajah 3.23)

Rajah 3.23

87