Faktor-faktor yang mempengaruhi penerimaan dan penggunaan pendekatan Pembelajaran Teradun

Jangkaan Jangkaan
Usaha (JU) Prestasi (JP)

Jangkaan
Penggunaan (JPG)

Pengaruh Sosial (PS)

Keadaan
Kemudahan (KK)

Efikasi Guru (EG)

Jantina Pengalaman

Rajah 3.9. Kerangka Konsep Kajian (berdasarkan analisis EFA)

Niat Tingkah Laku
(NTL)

Tingkah laku
Penggunaan

(TLP)

Beban tugas Lokasi
Sekolah

219

Jangkaan Jangkaan
Usaha (JU) Prestasi (JP)

Jangkaan H1
Penggunaan (JPG) H3
H10
H6
H10a Pengaruh Sosial (PS)

Keadaan
Kemudahan (KK)

H11 Efikasi Guru (EG)
H11a

Jantina Pengalama

H1a,H3a, H1b,H3b,
H4a,H5a,H6a H4b,H5b,H6b

Rajah 3.10. Kerangka Konsep dan Hipotesis Kajian (berdasarkan

Niat Tingkah Laku H7
(NTL)

3

H4

H5 Tingkah Laku
Penggunaan (TLP)

an Beban tugas Lokasi Sekolah

H1c,H3c, H1d,H3d, Petunjuk:
b H4c,H5c,H6c H4d,H5d,H6d

Hipotesis Utama
Hipotesis Mediator
Hipotesis Moderator

n analisis EFA)

220

221

Berikut di Jadual 3.23 merupakan rumusan hipotesis kesan langsung berdasarkan
pemboleh ubah kajian dalam bentuk jadual (Perubahan baharu) dan Jadual 3.24,
menunjukkan rumusan hipotesis kajian berkaitan pemboleh ubah moderator.

Jadual 3.23

Hipotesis Kajian antara Pemboleh Ubah Tidak Bersandar (Exogenous) dan Pemboleh
Ubah Bersandar (Endogenous) (Perubahan baharu)

Pemboleh ubah Pemboleh ubah

Hipotesis tidak bersandar bersandar

(exogenous) (endogenous)

H1 JPG secara signifikan mempengaruhi NTL untuk JPG NTL
melaksanakan pendekatan PT.

H3 PS secara signifikan mempengaruhi NTL untuk PS NTL
melaksanakan pendekatan PT.

H4 KK secara signifikan mempengaruhi NTL untuk KK NTL
melaksanakan pendekatan PT.

H5 KK secara signifikan mempengaruhi TLP untuk KK TLP
melaksanakan pendekatan PT.

H6 EG secara signifikan mempengaruhi NTL untuk EG NTL
melaksanakan pendekatan PT.

H7 NTL secara signifikan mempengaruhi TLP untuk NTL TLP
melaksanakan pendekatan PT.

H8 JPG, PS, KK dan EG merupakan faktor peramal JPG, PS, KK, EG NTL, TLP
bagi NTL dan TLP.

Petunjuk: JPG-Jangkaan Penggunaan, JP-Jangkaan Prestasi, JU-Jangkaan Usaha, PS-Pengaruh Sosial,
KK-Keadaan Kemudahan, EG-Efikasi Guru , NTL-Niat Tingkah Laku, dan TLP-Tingkah Laku
Penggunaan.

222

Jadual 3.24

Hipotesis Kajian antara Pemboleh Ubah Moderator (Perubahan baharu)

Hipotesis Jantina Pengalaman Beban Lokasi
BP KP tugas Sekolah
H1a JPG mempengaruhi NTL PL
melaksanakan pendekatan PT. x KBt LBt B LB

H1b JPG mempengaruhi NTL x
melaksanakan pendekatan PT.
x
H1c JPG mempengaruhi NTL
melaksanakan pendekatan PT. x

H1d JPG mempengaruhi NTL x
melaksanakan pendekatan PT.
x
H3a PS mempengaruhi NTL
melaksanakan pendekatan PT. x

H3b PS mempengaruhi NTL x
melaksanakan pendekatan PT.
x
H3c PS mempengaruhi NTL
melaksanakan pendekatan PT. x

H3d PS mempengaruhi NTL x
melaksanakan pendekatan PT.
x
H4a KK mempengaruhi NTL
melaksanakan pendekatan PT. x

H4b KK mempengaruhi NTL x
melaksanakan pendekatan PT.
x
H4c KK mempengaruhi NTL
melaksanakan pendekatan PT. x

H4d KK mempengaruhi NTL
melaksanakan pendekatan PT.

H5a KK mempengaruhi TLP
melaksanakan pendekatan PT.

H5b KK mempengaruhi TLP
melaksanakan pendekatan PT.

H5c KK mempengaruhi TLP
melaksanakan pendekatan PT.

H5d KK mempengaruhi TLP
melaksanakan pendekatan PT.

(bersambung)

223

Jadual 3.24 (sambungan)

Hipotesis Jantina Pengalaman Beban Lokasi
PL BP KP tugas Sekolah

KBt LBt B LB

H6a EG mempengaruhi NTL x
melaksanakan pendekatan PT.

H6b EG mempengaruhi NTL x
melaksanakan pendekatan PT.

H6c EG mempengaruhi NTL x
melaksanakan pendekatan PT.

H6d EG mempengaruhi NTL x
melaksanakan pendekatan PT.

Petunjuk : JPG-Jangkaan Penggunaan, JP-Jangkaan Prestasi, JU-Jangkaan Usaha, PS-Pengaruh Sosial,
KK-Keadaan Kemudahan, EG-Efikasi Guru , NTL-Niat Tingkah Laku, dan TLP-Tingkah Laku
Penggunaan.
Jantina (P-Perempuan, L-Lelaki), Pengalaman (BP-Berpengalaman, KP-Kurang Pengalaman), Beban
tugas (KBt-Kurang Beban tugas, LBt-Lebih Beban tugas,), dan Lokasi sekolah (B-Bandar, LB-Luar
Bandar).

3.6 Pengumpulan Data dan Prosedur Kajian

Setelah soal selidik dimuktamadkan (BeLAS 1.4), kajian lapangan sebenar telah ditadbir
bermula dari Oktober hingga November 2016. Soal selidik penilaian kendiri (Lampiran A)
telah diedarkan kepada sampel guru di seluruh negara dengan memberi pilihan kepada
sampel, sama ada menggunakan; (1) borang soal selidik cetakan kertas (diedar secara
kiriman pos), atau (2) soal selidik dalam talian (maklumat dan panduan maklum balas
disampaikan bersama dengan pengedaran borang soal selidik cetakan kertas).

Pada fasa pengumpulan data kajian kuantitatif ini, kaedah yang digunakan adalah
secara teknik rentas masa cross-sectional; kaedah pengumpulan data bersifat semasa
iaitu mengumpul persepsi atau pandangan guru melalui proses kutipan data sekali sahaja

224

(one shoot). Seterusnya data kajian dianalisis secara numerikal menggunakan perisian
statistik IBM SPSS dan analisis Structural Equation Modeling (SEM) melalui perisian
IBM SPSS Amos bagi menentukan faktor peramal yang signifikan mempengaruhi niat
serta Tingkah Laku Penggunaan guru.

Oleh kerana adalah penting untuk melindungi kepentingan dan kerahsiaan sampel
serta keesahan data kajian, kajian ini telah mematuhi beberapa prosedur etika
penyelidikan. Pertama, para guru yang terlibat sebagai sampel kajian adalah secara
sukarela, di mana sampel dimaklumkan bahawa mereka berhak untuk tidak mengambil
bahagian dalam tinjuan soal selidik ini atau boleh menamatkan penyertaan mereka pada
bila-bila masa tanpa sebarang kesan negatif. Kedua, berdasarkan prinsip kerahsiaan, tiada
pengenalan peribadi diperlukan pada soal selidik dan sampel kajian telah dijamin bahawa
semua maklumat yang diberikan akan diurus secara sulit dengan tujuan ujtuk kajian ini
sahaja. Ketiga, sampel diberikan beberapa maklumat ringkas mengenai kajian, khususnya
status dan tujuan penyelidikan, bertujuan untuk mengurangkan gangguan yang mungkin
menghalang sampel untuk mengambil bahagian dalam kajian tinjauan ini. Keempat,
sampel yang telah terlibat dengan kajian rintis tidak perlu lagi memberi maklum balas
dalam kajian lapangan ini. Kelima, guru yang tidak pernah menggunakan platform Frog
VLE dalam proses pembelajaran pelajar, tidak terlibat dalam kajian tinjauan ini.

Bagi melicinkan prosedur kajian dan proses pengumpulan data, kajian terlebih
dahulu telah mematuhi prosedur menjalankan penyelidikan yang telah ditetapkan,

225

terutamanya prosedur penyelidikan di sekolah, institut atau universiti yang berada di
bawah penyeliaan dan pentadbiran KPM. Secara dasarnya, kebenaran daripada Bahagian
Perancangan dan Penyelidikan Dasar Pendidikan (Educational Planning and Research
Division - EPRD) perlu diperolehi terlebih dahulu bagi mengakses sampel kajian yang
berada di sekolah-sekolah dan institut-institut yang terbabit di seluruh Malaysia.
Seterusnya kebenaran daripada organisasi- organisasi yang terlibat juga perlu diperoleh
secara individu (berasingan) berdasarkan prosedur organisasi terbabit.

Bagi kajian ini, kebenaran menjalankan kajian daripada EPRD (Lampiran B) dan
Jabatan Pendidikan Negeri telah diperolehi untuk menjayakan proses penyelidikan yang
dirancang. Sekolah-sekolah yang terpilih juga telah dihubungi bagi memastikan
kebenaran diperolehi daripada pihak pentadbir sekolah dan pengesahan terhadap status
sekolah, sama ada terlibat dalam projek 1Bestarinet atau tidak. Soal selidik cetakan kertas
di hantar melalui kiraman pos berserta maklumat soal selidik dalam talian. Sampel kajian
diberi pilihan sama ada untuk menjawab soal selidik cetakan kertas atau soal selidik
dalam talian. Sampul surat bersetem dan beralamat pengkaji disertakan bagi
memudahkan proses pengembalian semula soal selidik cetakan kertas. Jadual 3.25,
meringkaskan perincian prosedur yang digunakan dalam proses pengedaran dan
pengumpulan data kajian.

226

Jadual 3.25

Prosedur Pengumpulan Data Kajian

Langkah 1 Prosedur
(Julai 2016)  Permohonan kebenaran untuk menjalankan kajian daripada EPRD dan

Langkah 2 mendapat kebenaran bertulis untuk menjalankan kajian dalam tempoh yang
(Oktober 2016) ditetapkan (sehingga Januari 2017).
 Mendapat kebenaran daripada Jabatan Pendidikan setiap negeri dan
Langkah 3 sekolah untuk proses pengumpulan data kajian.
(November 2016 -  Kebenaran diperolehi untuk menjalankan kajian rintis dan kajian lapangan.
Januari 2017)  Kajian lapangan.
 Mencetak soal selidik sebanyak 1440 set bagi memenuhi kadar maklum
balas 35% (keperluan saiz sebenar sampel adalah 384 orang) dan
menyediakan soal selidik dalam talian sebagai medium pilihan menjawab
kepada sampel kajian (Maklum balas secara dalam talian menggunakan
kaedah berasaskan web - Google Form dan Type Form).
 Cenderahati penghargaan diberi pada sampel yang bersetuju untuk
menjawab soal selidik. Diserahkan melalui wakil sekolah secara pos.
 Proses penghantaran soal selidik adalah secara kiriman pos.
 Menerima maklum balas daripada sampel - secara pos dan maklum balas
dalam talian.
 Proses rujuk soal selidik tidak kembali (‘follow-up’) dilakukan secara
panggilan telefon terhadap sekolah dalam negeri yang menunjukkan kadar
maklum balas rendah (selepas dua minggu tarikh akhir pengembalian
borang soal selidik).

3.7 Analisis Data

Dalam kajian ini, analisis deskriptif dan statistik inferensi telah digunakan untuk
menjelaskan data kajian (Rajah 3.11). Analisis statistik deskriptif dilaksanakan bagi
memperihalkan data asas kajian dengan menggunakan perisian IBM SPSS (Statistical
Package for the Social Sciences - predictive analytics software) versi 22.0. Analisis
deskriptif diperihal menggunakan taburan kekerapan dan peratusan bagi menjelaskan
variasi karakteristik sampel seperti jantina, pengalaman, beban tugas, jenis sekolah, dan
lokasi sekolah.

227

Seterusnya statistik inferensi (analisisi multivariat) melalui pendekatan analisis
statistik lanjutan iaitu Pemodelan Persamaan Struktur (Structural Equation Modelling -
SEM) berbantukan perisian IBM SPSS Amos (Analysis of Moment Structures) versi 22.0
telah dilaksanakan untuk membuat kesimpulan mengenai populasi berdasarkan maklum
balas sampel. Secara khususnya, SEM telah digunakan untuk menguji satu set hubungan
antara pembolehubah exogenous dan pembolehubah endogenous (Tabachnick & Fidell
2007) seperti yang dicadangkan dalam hipotesis kajian.

Analisis Data

Analisis Deskriptif Statistik Inferensi

SPSS Analisis persediaan data
 Taburan kekerapan  Ketinggalan data
 Peratusan  Sampel tidak fokus
 Nilai min  Outliers
 Sisihan Piawai  Bias maklum balas
 Bias kaedah biasa

Mengesahkan Model Pengukuran SPSS Amos
 Analisis faktor pengesahan (CFA) Pemodelan Persamaan Struktur

- Model Fit (SEM)
- Kesahan dan kebolehpercayaan
Penilaian Model Struktur
konstruk  Analisis perbandingan model;

Memenuhi Andaian SEM model Fit
 Ujian kenormalan  Pengujian Hipotesis
 Ujian Outliers
 Ujian multikolinearan - Kesan Langsung
- Kesan Mediator
- Kesan Moderator

Rajah 3.11. Gambaran Keseluruhan Proses Analisis Data

228

Analisis statistik inferensi dimulakan dengan analisis persediaan data bagi
memastikan data kajian sesuai untuk analisis SEM. Seterusnya, proses analisis faktor
pengesahan (confirmatory factor analysis - CFA) dilaksanakan pada peringkat Model
Pengukuran (measurement model) bagi membuktikan kesahan diskriminan,
kebolehpercayaan model pengukuran dan hubungan asas antara pemboleh ubah kajian.
Tujuan penganalisaan data fasa ini adalah untuk mengenal pasti hubungan konstruk yang
berkemungkinan membawa kepincangan kepada model yang dibentuk (Brown & Moore,
2012) dan mengesahkan skala pengukuran sedia ada dalam konteks kajian semasa
sebelum melaksanakan analisis Pemodelan Persamaan Struktur (Hair et al., 2014).

Penganalisisan data SEM merupakan teknik statistik yang berupaya untuk
menentukan faktor peramal yang signifikan mempengaruhi niat serta Tingkah Laku
Penggunaan pendekatan Pembelajaran Teradun dalam kalangan guru. Pada peringkat
Pemodelan Persamaan Struktur (SEM), penilaian model cadangan (fit test) dilakukan
bagi membentuk model penerimaan dan penggunaan pendekatan Pembelajaran Teradun
dalam kalangan guru. Proses ini melibatkan proses analisis laluan (path analysis)
terhadap model hipotesis untuk membuktikan keseluruhan hipotesis kajian. Perisian IBM
SPSS Amos juga dijana bagi mengesan-ukur pengaruh pemboleh ubah mediator dan
pemboleh ubah moderator terhadap hubungan yang wujud di antara pemboleh ubah
utama kajian.

229

Secara keseluruhannya, dirumuskan bahawa terdapat tiga langkah asas dalam
proses analisis data bagi kajian ini, iaitu (1) analisisi deskriptif untuk memperihalkan data
asas profil sampel, (2) saringan data untuk menyemak kecukupan dan kejituan data kajian
untuk andaian statistik (ketinggalan data, outliers, bias maklum balas, bias kaedah biasa,
CFA, ujian normality, ujian multicollinearity, kesahan dan kebolehpercayaan data serta
kecukupan model fit) dan (3) analisis SEM (model fit dan pengujian hipotesis).
Ringkasan keseluruhan proses analisis data ditunjukkan dalam Jadual 3.26.

Jadual 3.26

Ringkasan Proses Analisis Data Kajian

Bil Peringkat Kaedah

1 Analisis statistik deskriptif  Memperihal variasi karakteristik/profil sampel.

(Menggunakan perisian IBM SPSS versi 22.0)

2 Persediaan data  Saringan data - ketinggalan data dan data outliers.

 Ujian bias maklum balas (Ujian-t sampel bebas).

(Menggunakan perisian MS Excel dan IBM SPSS versi 22.0)

 Ujian bias kaedah biasa (EFA dan Ujian Faktor Tunggal

Harman)

(Menggunakan perisian IBM SPSS versi 22.0 dan IBM SPSS

Amos versi 22.0)

3 Analisis statistik inferensi  Analisis faktor pengesahan (confirmatory factor analysis -

CFA) untuk pengesahan Model Pengukuran (Model fit dan

kesahan serta kebolehpercayaan konstruk).

 Memenuhi andaian analisis statistik-SEM (normality,

outliers dan multicollinearity).

 Analisis model fit dan analisis laluan - Pemodelan

Persamaan Struktur (SEM); pengujian hipotesis kesan

langsung dan kesan mediator (analisis Bootstrapping).

 Analisis multi-group untuk pengujian hipotesis kesan

moderator.

(Menggunakan perisian IBM SPSS Amos versi 22.0)

Seterusnya bertujuan untuk mengesahkan dapatan kajian, prosedur pengesahan
dapatan telah dilaksanakan. Jick (1979), Virginia (2014) dan Yeasmin dan Rahman

230

(2012) menjelaskan pengesahan dapatan merupakan satu strategi untuk meningkatkan
kesahan penilaian dan dapatan kajian melalui gabungan sumber data dan kaedah kajian.
Prosedur ini akan mengesahkan dapatan kajian utama melalui kaedah pengumpulan data
yang berbeza (Hussein, 2009; Virginia, 2014), disamping pemahaman yang lebih
mendalam berkaitan fenomena kajian (Fielding, 2012; Lauri, 2011; Yeasmin & Rahman,
2012).

Bagi kajian ini, sesi temu bual semi berstruktur telah dijalankan terhadap
kumpulan fokus bagi mengesahkan analisis dapatan soal selidik. Sesi temu bual tertumpu
kepada isu-isu berkaitan tema kajian yang telah dikenal pasti melalui proses
pembentukan instrumen kajian dan analisisi dapatan soal selidik (Hussein, 2009;
Yeasmin & Rahman, 2012). Dapatan temu bual dianalisis menggunakan teknik
pengekodan bertema (thematic coding techniques) bagi mengesan tema relevan yang
menonjol hasil temu bual responden. Manakala pemilihan panel kumpulan fokus adalah
secara rawak bertujuan dalam kalangan guru sekolah bagi mendapatkan penjelasan serta
pengesahan berkaitan faktor sebenar yang mempengaruhi tingkah laku guru terhadap
pendekatan Pembelajaran Teradun. Carta alir dalam Rajah 3.12 menjelaskan perincian
penganalisisan data kajian bagi peringkat analisis statistik inferensi.

Kajian Lapangan - kutipan data (BeLAS 1.4)

Saringan data Data hilang/ti

Pengujian bias (1) Ujian m
(2) Ujian k
Pengesahan Model Pengukuran
(measurement model) Penilaian un
Laksana CFA Goodness o
Heywood Ca
Penilaian andaian SEM Reliability (
(SEM Assumptions) (Construct d

A (1)Normality
Normality (S
normalized e
outliers. (2)

Rajah 3.12. Carta Alir Proses Analisis Data Kajian

idak lengkap (missing data), mengesan outliers.

maklum balas - Ujian-t sampel bebas.
kaedah biasa - EFA dan Ujian Faktor Tunggal Harman.

ntuk Model fit, Unidimensionality, kesahan, dan kebolehpercayaan: Mengakses
of Fit (GOF) terhadap model pengukuran dan tingkatkan GOF (tangani
ase dan modification indices - MI) - setelah fitness indexes tercapai; nilai
(Construct Reliability dan average variance extracted- AVE) dan Validity
dan Discriminant validity).

y, (2)outliers, dan (3)multicollinearity; (1)Semak taburan data untuk andaian
Skewness & kurtosis—univariate normality dan Mardia’s multivariate kurtosis
estimate), Jika data tidak normal, guna Mahanalobis distance untuk semak
Outilers; – guna standardized z scores dan Mahalanobis distance (D2)

231

A

Penilaian Model struktur Penilaian structura
(structural model - SEM) Mengakses Goodn
CFI, TLI, SRMR d
Perbandingan model
Pengujian hipotesis Perbandingan stru
Pengujian kesan Mediator hipotesis, kesan m
Pengujian kesan Moderator Model dan Fully C
Pengesahan dapatan kajian
Hipotesis utama - k
Model Akhir
Hipotesis kesan m
penilaian hubungan

Hipotesis kesan
(perbandingan mod

Pengesahan dapata

Model akhir berdas

Rajah 3.12. Carta Alir Proses Analisis Data Kajian (sambungan)

al model ;
ness of Fit (GOF) ; direct effects - semak fitness indexes (RMSEA, GFI,
dan ChiSq)

uktur model; mengenal pasti model terbaik (Model Fit) untuk pengujian
mediator dan kesan moderator (NullModel, Direct Effect Model, Proposed
Correlated Model).

kesan langsung (direct effect)

mediator; menilaikan kesan Mediation melalui; Bootstrapping dan
n (indirect, fully mediated atau partial mediated)

moderator; analisis menggunakan kaedah multi-group analisis
del constrained dan model unconstrained)

an kajian - melalui analisis temubual bersama kumpulan fokus.

sarkan analisis model fit dan hasil pengujian hipotesis

232

233

3.7.1 Persediaan Data untuk Pengujian Statistik

Bertujuan untuk memastikan dapatan analisis kajian mempunyai kredibiliti dan kesahihan
yang tinggi, beberapa prosedur persediaan data perlu dipatuhi sebelum analisis statistik
utama kajian ini dilaksanakan. Setiap prosedur persediaan data bagi kajian ini
dibincangkan dalam subtajuk yang berikut.

3.7.1.1 Saringan Data

Proses saringan data bagi kajian lapangan ini melibatkan pengesanan terhadap
ketinggalan data (missing data), pengesanan data daripada sampel tidak fokus
(unengaged respondent) dan pengesanan data outliers. Proses ini perlu bagi memastikan
data yang dimasuk untuk dianalisis adalah lengkap, tulen dan tepat berasaskan persepsi
sebenar sampel kajian (Hair et al., 2014; Schumacker & Lomax, 2010). Tujuan proses
saringan ini adalah untuk mengesan data yang ragu dan kemungkinan berlaku kesilapan
semasa memasukan data. Proses ini menjadi keutamaan sebelum data dianalisis kerana
saringan data merupakan proses awal yang penting dalam menyediakan data untuk
mendapatkan keputusan analisis terbaik (Field, 2013; Tabachnick & Fidell, 2007).

Ketinggalan data (missing data) merujuk kepada data yang tidak sah (ditinggalkan
tanpa jawapan) oleh kerana sampel enggan menjawab soalan dalam borang soal selidik

234

atau tidak tahu jawapan disebabkan kurang pengetahuan dalam bidang berkaitan (Field,
2013; Hair et al., 2014). Masalah ketinggalan data boleh di atasi dengan pelbagai cara,
antaranya ialah menggantikan ketinggalan data dengan nilai yang diketahui.
Kebiasaannya, ketinggalan data digantikan dengan nilai min pemboleh ubah. Seandainya
ketinggalan data bagi seseorang individu sampel melebihi 10%, maka dicadangkan
keseluruhan data bagi sampel-individu tersebut digugurkan (Gaskin, 2016c). Kjaian ini
melakukan proses pengesanan ketinggalan data menggunakan perisian MS Excel dan
semakan melalui perisian IBM SPSS. Melalui perisian MS Excel, data dianalisis
menggunakan formula =COUNTBLANK(medanData) untuk mengesan sebarang
ketinggalan data melebihi 10% bagi setiap sampel kajian.

Bagi pengesanan data daripada sampel yang tidak fokus (unengaged respondent),
kajian telah menetapkan nilai sisihan piawai kurang 0.7 (bagi saiz sampel yang besar)
sebagai aras nilai sampel yang tidak fokus menjawab soal selidik (sampel menjawab soal
selidik dengan nilai yang sama atau hampir sama bagi kesemua item). Nilai ini dianggap
sebagai nilai yang menggambarkan sampel tidak fokus (unengaged respondent) (Gaskin,
2016c). Maka, sampel yang mempunyai nilai sisihan piawai kurang 0.7 telah digugurkan.
Kajian ini menggunakan perisian MS Excel sebagai perisian untuk mendapatkan nilai
tersebut dengan menggunakan formula =STDEV.P(medanData).

Seterusnya, antara langkah penting dalam proses saringan data ialah menangani
isu outliers dalam set data kajian. Isu outliers timbul disebabkan oleh maklum balas
melampau (amat berbeza daripada purata maklum balas majoriti sampel) oleh sampel

235

kajian (Gaskin, 2016d; Hair, et al., 2014). Gaskin (2016) menjelaskan, terdapat dua jenis
outliers yang wujud dalam himpunan data sesuatu kajian iaitu outliers untuk pemboleh
ubah individu dan outliers untuk model struktur. Bagi proses pengesanan data outliers
terhadap setiap pemboleh ubah individu, kajian ini menggunakan perisian IBM SPSS
untuk menghasilkan boxplot dan data yang ekstrem berbeza daripada sampel telah dilabel
dan diproses. Manakala kaedah statistik Mahalanobis Distance (pengukuran multivariate
outliers) oleh perisian IBM SPSS Amos digunakan semasa mengesan data outliers untuk
model struktur semasa analisis CFA dalam fasa proses pengukuran model (measurement
model). Setiap kes outliers (nilai skor paling jauh daripada nilai purata set data) dikenal
pasti berdasarkan aras nilai alpha p<0.005 dan digugurkan daripada set data sampel.

3.7.1.2 Pengujian Bias

Pengujian bias adalah untuk mengenal pasti kesan yang tidak diingini berpunca daripada
maklum balas sampel. Kesan bias ini berkemungkinan besar akan mempengaruhi dapatan
akhir kajian dan membawa kepada kesimpulan kajian yang kurang tepat. Ujian bias
maklum balas dan Ujian bias kaedah biasa (Common Method Bias - CMB) merupakan
pengujian bias yang akan dilaksanakan terhadap set data kajian ini sebagai persediaan
data sebelum pengujian utama dijalankan.

236

Ujian Bias Maklum Balas
Ujian bias maklum balas atau bias respons bagi kajian ini adalah untuk menilai bias
terhadap penggunaan medium pengumpulan data iaitu sama ada jawapan sampel berbeza
antara sampel yang menjawab soal selidik cetakan kertas dengan sampel yang menjawab
secara dalam talian. Analisis ujian-t sampel bebas (independent sample t-test) melalui
perisian IBM SPSS telah digunakan untuk membandingkan skor min medium
pengumpulan data dua kumpulan tersebut. Kajian ini mengaplikasi fungsi ujian-t untuk
mengesahkan sama ada terdapat perbezaan min yang signifikan antara kumpulan sampel
menjawab soal selidik menggunakan borang cetakan kertas dan sampel yang menjawab
secara dalam talian. Seandainya kesan bias ini wujud, kemungkinan besar ianya akan
mempengaruhi dapatan kajian dan membawa kepada rumusan kajian yang memerlukan
justifikasi tambahan.

Ujian Bias Kaedah Biasa (Common Method Bias - CMB)
Bias Kaedah Biasa (CMB) wujud apabila variasi dalam jawapan disebabkan oleh
pengaruh sampingan instrumen berbanding kecenderungan sebenar sampel dalam
menjawab soal selidik (Fuller, Simmering, Atinc, Atinc, & Babin, 2016; Podsakoff,
MacKenzie, Lee, & Podsakoff, 2003). Dengan perkataan lain, instrumen kajian sendiri
telah memperkenalkan bias-perbezaan dalam menjawab soal selidik oleh sampel. Kaedah
pengumbulan data secara cross-sectional dengan menggunakan soal seldidk yang sama
daripada pemberi sumber maklumat tunggal (sampel) merupakan keadaan yang
berpontensi menyebabkan CMB terhadap data kajian (Bhattacherjee, 2012; Podsakoff,
MacKenzie, & Podsakoff, 2012). Akibat daripada kesan bias ini, data kajian akan

237

tercemar dan mempengaruhi proses analisis serta rumusan dapatan kajian kelak. Untuk
menghadkan kesan bias ini, prosedur pencegahan perlu dipatuhi semasa membangunkan
reka bentuk kajian. Antara prosedur pencegahan adalah menyesuaikan atau
membangunkan item penilaian berdasarkan pelbagai sumber rujukan, menjamin
kerahsiaan profil peribadi sampel, menegaskan kepada sampel tiada jawapan yang betul
atau salah dan melakukan penapisan terhadap item penilaian daripada isu-isu sensitif
(Podsakoff et al., 2012; Podsakoff et al., 2003).

Salah satu cara terbaik, ringkas dan diguna-pakai oleh kebanyakan pengkaji
terdahulu untuk mengesan CMB ialah pengujian nilai Faktor Tunggal Harman (Harman's
Single Factor Test). Pengujian ini akan memuatkan kesemua item (pemboleh ubah
terpendam) kepada satu faktor biasa menggunakan perisian IBM SPSS melalui (1)
analisis faktor penerokaan (EFA) dan disemak (2) melalui pengujian analisis faktor
pengesahan (CFA) terhadap model pengukuran menggunakan perisian IBM SPSS Amos.
Seandainya jumlah varians untuk faktor tunggal ini kurang daripada 50% (bagi pengujian
analisis faktor penerokaan) dan perbandingan model fit terbaik; model cadangan lebih
baik daripada model Harman (pengujian model pengukuran), maka keadaan ini
mencadangkan bahawa CMB tidak menjejaskan data kajian. Dinyatakan bahawa
pendekatan Faktor Tunggal Harman adalah untuk menguji CMB, bukan untuk mengawal
CMB (Podsakoff et al., 2012).

238

3.7.2 Pemodelan Persamaan Struktur (Structural Equation Modelling - SEM)

Pemodelan Persamaan Struktur atau SEM merupakan teknik analisis statistik generasi
kedua, yang dibangunkan untuk menganalisis hubungan di antara pelbagai pemboleh
ubah dalam model teoritikal (Zainudin, 2015). Schumacker dan Lomax (2010)
menjelaskan, SEM menggunakan pelbagai jenis model untuk mengambarkan hubungan
antara pemboleh ubah yang diperhatikan, dengan matlamat asas yang sama dalam
pengujian hipotesis model teoritikal dalam kajian ini. Secara umumnya SEM digunakan
untuk mengesahkan (menguji) model berbanding untuk meneroka model baharu (Hair et.
al., 2014). Untuk mengesahkan model, SEM terlibat dalam pembuktian hipotesis dengan
membangunkan model baharu berdasarkan teori dan hasil kajian emprikal. Pengujian
hipotesis bagi model secara asasnya ialah mengukur bagaimana sekumpulan pemboleh
ubah menentukan sesuatu konstruk dan bagaimana konstruk tersebut saling berkait antara
satu sama lain (Schumacker dan Lomax, 2010).

Bagi menjelaskan proses analisis SEM, Schumacker dan Lomax (2010)
menggariskan lima turutan langkah yang perlu dipatuhi: (1) spesifikasi model, (2)
pengenalan model, (3) anggaran model, (4) pengujian model dan (5) pengubahsuaian
model. Dalam langkah pertama, iaitu spesifikasi model adalah melibatkan penentuan
semua hubungan dan parameter dalam model kajian. Langkah ini bertujuan untuk
mendapatkan model terbaik dalam mengenal pasti hubungan antara pemboleh ubah.
Langkah kedua adalah pengenalan model, iaitu langkah untuk mengenal pasti keperluan
parameter yang mencukupi dalam membentuk model.

239

Langkah ketiga ialah anggaran model atau model estimation. Langkah ini merujuk
kepada anggaran parameter dengan menggunakan analisis statistik anggaran model yang
paling banyak digunakan iaitu Maximum Likelihood (ML). Tujuan anggaran model ialah
untuk mendapatkan nilai anggaran bagi setiap parameter yang ditetapkan dalam model
dan anggaran kesamaan matriks kovarians model dengan matrik kovarians contoh asal.
Langkah keempat ialah pengujian model. Tujuan langkah ini adalah untuk memperoleh
dan membandingkan darjah kecukupan model (goodness of fit) antara data kajian dan
model cadangan. Hair et. al. (2014) menjelaskan, statistik nilai goodness of fit digunakan
sebagai sebahagian daripada analisis pengesahan model struktur dan sebahagian daripada
pengesahan model pengukuran.

Langkah terakhir dalam proses SEM adalah membuat perubahan apabila model
menunjukkan indeks model fit yang tidak memuaskan. Kajian biasanya melaksanakan
spesifikasi semula berpandukan hasil analisis modification indices (MI) menggunakan
perisian IBM SPSS Amos. Proses pengubahsuaian model biasanya dilaksanakan apabila
kajian telah mengenal pasti nilai kecukupan bagi model fit tidak dipenuhi. Oleh itu tujuan
pengubahsuaian model adalah untuk meningkatkan nilai kecukupan bagi model fit.
Pengubahsuaian model haruslah mempunyai justifikasi teori yang kuat sebelum ianya
dapat diterima (Hair et. al., 2014).

Bagi kajian ini, prosedur analisis SEM telah menggunakan pendekatan dua
peringkat, iaitu pendekatan yang kerap digunakan dalam kajian sains sosial (Garson,

240

2012; Hair et al. 2014; Kline 2011). Prosedur untuk pengujian SEM melibatkan
pengesahan model pengukuran dan model struktur secara berturutan. Hair et. al. (2014)
menjelaskan, SEM berupaya mempersembahkan dapatan penyelidikan empirikal
terhadap model teoritikal dengan cara yang lebih baik dengan menggabungkan model
pengukuran dan model struktur dalam satu prosedur analisis. Menurut cadangan yang
dikemukakan, kajian ini terlebih dahulu mengesahkan model pengukuran menggunakan
CFA sebelum menguji model struktur cadangan.

3.7.2.1 Pengesahan Model Pengukuran

Model pengukuran dibangunkan berasaskan teori dan disahkan melalui CFA adalah
bertujuan membolehkan penyelidik menguji sejauh mana pemboleh ubah yang diukur
mewakili konstruk kajian (Hair et. al., 2014). Untuk menentukan sama ada untuk
menerima atau menolak model hipotesis cadangan, keputusan pengukuran Goodness of
Fit yang diperolehi melalui CFA, digunakan untuk menjelaskan model fit.

Terdapat sembilan nilai indeks fit yang terbahagi kepada tiga kategori utama
Goodness of Fit iaitu (1) indeks absolute fit, (2) indeks incremental fit dan (3) indeks
parsimonious fit (Jadual 3.27). Dengan menggunakan perisian IBM SPSS Amos,
sekurang-kurangnya empat nilai patut ditunjukkan untuk menilai model fit iaitu Chi-
square (χ2), Normed Chi-square (χ2/df), Comparative Fit Index (CFI) dan Root Mean
Square of Error Approximation (RMSEA) (Garson, 2012; Hair et. al., 2014). Namun,

241

enam daripada nilai indeks fit berikut merupakan nilai indeks yang biasa diukur dan
dilaporkan dalam kajian-kajian empirikal terdahulu sebagai panduan pengukuran model
fit iaitu CMIN/DF, GFI, CFI, TLI, RMSEA dan SRMR. Nilai kecukupan bagi indeks fit ini
ialah: Nilai CMIN/DF adalah antara 1 hingga 5 (Gaskin, 2016b; Schumacker & Lomax,
2010). GFI harus sama atau lebih besar daripada 0.90 (Garson, 2012; Hair et al., 2014; Kline,
2011), namun > 0.80 adalah nilai boleh terima (Gaskin, 2016b). Nilai CFI dan TLI harus
sama atau lebih besar daripada 0.09 (Garson, 2012; Hair et al., 2014; Kline, 2011). Nliai
RMSEA dan nilai SRMR < 0.08 (Garson, 2012; Hair et al., 2014; Hooper, Coughlan, &
Mullen, 2008; Kline, 2011).

Jadual 3.27

Kategori dan Indeks Goodness of Fit

Kategori Nama indeks Aras kecukupan
Absolute fit Chi-Square (Discrepancy Chi Square) Nilai p > 0.05. Tidak sesuai untuk
sampel saiz yang besar (> 200)
Incremental fit RMSEA (Root Mean Square of Error RMSEA < 0.08
Parsimonious fit Approximation)
GFI (Goodness of Fit Index) GFI ≥ 0.90 namun > 0.80 adalah nilai
boleh terima (Gaskin, 2016b).
SRMR (Standardised Root Mean Square SRMR < 0.08
Residual)
AGFI (Adjusted Goodness of Fit) AGFI > 0.90
CFI (Comparative Fit Index) CFI ≥ 0.90
TLI (Tucker-Lewis Index) TLI ≥ 0.90
NFL (Normed Fit Index) NFL > 0.90
Chisq/df (Chi Square/Degrees of Chi-Square/df (CMIN/DF) = 1 to 5
Freedom)

Kesahan untuk setiap konstruk secara individu harus diuji dan dicapai melalui
keseluruhan model fit, nilai beban faktor dan pembuktian terhadap kesahan konstruk,
kesahan menumpu, kesahan diskriminan serta kebolehpercayan komposit (Kline, 2011).
Untuk pengujian kebolehpercayaan komposit, nilai composite reliability (CR) and

242

average variance extracted (AVE) telah diperiksa. Ujian kebolehpercayaan komposit
merupakan satu kaedah untuk mengukur ketekalan dalaman bagi model pengukuran
dalam proses analisis SEM. Nilai cadangan bagi ujian kebolehpercayaan komposit
(konstruk) adalah tidak kurang daripada 0.70 (Hair et. al., 2014; Tabacknick & Fidell,
2007).

Bagi nilai beban faktor atau standardized regression weights, nilai kecukupan
seharusnya tidak kurang 0.5 untuk setiap item (Hair et. al., 2014). Hasil analisis ujian ini
juga dijadikan sebagai sebahagian panduan untuk menyokong kewujudan kesahan
konvergen (convergent validity) bagi sesuatu set data kajian. Untuk anggaran nilai
kesahan diskriminan oleh average variance extracted - AVE, adalah dicadangkan nilai
melebihi 0.5 untuk setiap konstruk dan perbandingan nilai AVE (punca kuasa dua) harus
lebih besar daripada nilai korelasi antara konstruk (inter-correlations among the latent
variables). Dengan memenuhi semua petunjuk (Jadual 3.28), maka model pengukuran
dapat membuktikan kebolehpercayaan dan kesahan konstruk kajian.

243

Jadual 3.28

Ringkasan Petunjuk Ujian Kesahan Model Pengukuran Kajian

Jenis Kesahan Petunjuk Sumber
Kebolehpercayaan Penentuan kebolehpercayaan konstruk Gaskin (2016a),
konstruk berdasarkan elemen ketekalan dalaman dan Hair et. al. (2014),
kestabilan item pengukuran konstruk (ketekalan dan Tabacknick dan
dalaman yang baik). Fidell (2007).
≥ 0.70

 Purata varians ≥ 0.50
terekstrak -Average
variance extracted AVE - Menunjukkan sejauh mana sesuatu item
(AVE) benar-benar berbeza daripada item lain.

Kesahan konstruk Garson (2012),
 Kesahan konvegen
Beban Faktor diseragamkan (Standardized factor Gaskin (2016a),
(menumpu) loading) > 0.50 sebaik-baiknya > 0.70.
AVE (Average Variance Extracted) ≥ 0.50 Hair et al. (2014),
CR (Composite Reliability) > 0.7
Menunjukkan nilai sumbangan item yang Kline (2011), dan
menjadi asas pembentukan konstruk pendam
(latent) secara signifikan (benar mengukur apa Schumacker dan
yang hendak diukur).
Lomax (2010).

 Kesahan diskriminan  GOF dicapai.
 Punca kuasa dua AVE > korelasi antara
konstruk.
 Tiada cross loading berlaku antara pemboleh
ubah diperhati atau error terms.

- Menunjukkan sejauh mana sesuatu konstruk
benar-benar berbeza daripada konstruk yang lain.

3.7.2.2 Andaian Pemodelan Persamaan Struktur

Selepas model pengukuran diuji, disemak dan disahkan menggunakan CFA, fokus
analisis SEM adalah untuk menguji hubungan struktur dalam sesuatu model (pengujian
hipotesis). Sama seperti teknik analisa statistik lain, SEM memerlukan beberapa andaian
yang perlu dipenuhi. Gaskin (2016d), Garson (2015) dan Hair et. al. (2014) menegaskan

244

beberapa andaian perlu dipenuhi terlebih dahulu bagi memastikan set data benar-benar
jitu untuk pengujian. Antaranya ialah ujian kenormalan data (normality), mengesan
outliers, dan ujian multikolinearan (multicollinearity). Perincian berkaitan petunjuk nilai
kecukupan andaian SEM dijelaskan dalam Jadual 3.29. Hair et. al. (2014) mencadangkan,
pengujian hipotesis boleh dilaksanakan setelah (1) keperlun model fit dipenuhi, (2)
analisis kebolehpercayaan dan kesahan konstruk mencapai nilai kecukupan yang
ditetapkan, dan (3) andaian SEM telah dipenuhi.

Jadual 3.29

Petunjuk untuk Penilaian Ujian Kenormalan, Outliers dan Multikolineran

Andaian SEM Nilai Kecukupan dan Penjelasan Sumber
Ujian Kenormalan Garson (2012),
Univariat; nilai Skewness & Kurtosis ±2, Critical Region (CR) - Hair et. al. (2014)
Zainuddin (2015)
Multivariat; multivariat kurtosis skewness < 8.0.
(Mardia’s coefficient) . Hair et. al. (2014)
<1.96, CR - kurtosis < 3.0.
Ujian Outliers Garson (2012)
Univariat outliers; Menggunakan skor-z Nilai kurtosis yang tidak sig. Hair et. al. (2014)
(standardized values) untuk saiz sampel
yang besar. mendedahkan kesignifikan
Multivariat outliers; Mahalanobis
distance - D2. (p1<0.001) normality. Oleh itu data kajian tidak
Ujian multikolinearan
(Multicollinearity) melanggar syarat kenormalan
Beban faktor menghampiri nilai 1.
multivariat.
Korelasi antara konstruk
(Intercorrelation) ±4 (≥ ±4; terdapat kes outliers)

Sig. 0.005 (outliers)
Sig. 0.001 (kes outliers ekstrem)

Menghampiri nilai 1.0 (>0.96) -
terdapat masalah pertindihan item.
> 0.9 - masalah pertindihan antara
konstruk.

245

3.7.3 Pengujian Hipotesis

3.7.3.1 Pengujian Kesan Langsung

Setelah model pengukuran memenuhi nilai fit yang ditetapkan, hipotesis kajian yang
dibina berdasarkan model struktur kajian akan diuji secara empirikal. Pengujian
melibatkan (1) penilaian goodness of fit (GOF) model struktur dan (2) penilaian terhadap
hubungan antara konstruk berdasarkan hipotesis yang dibina dari segi kesignifikanan,
kekuatan dan arah hubungan.

Bertujuan untuk mendapatkan nilai fit model yang sesuai, analisis dapatan perlu
memenuhi nilai GOF yang telah ditetapkan iaitu nilai χ2 seharusnya tidak signifikan (nilai
p > 0.05). Nilai GFI ≥ 0.90 atau > 0.80 adalah nilai boleh terima (Gaskin, 2016b), nilai CFI
dan TLI ≥ 0.90, dan nilai RMSEA dan SRMR < 0.08. Namun nilai yang signifikan bagi
Chi Square (χ2) adalah dijangka seandainya saiz sampel melebihi 200 orang, maka Hair
et al. (2014) mencadangkan nilai absolute fit index of minimum Discrepancy Chi Square
ini diabaikan. Seterusnya, setelah nilai fit model struktur dipenuhi, hipotesis cadangan
(Jadual 3.30) diuji untuk menilai kesignifikanan dan kekuatan hubungan berdasarkan
nilai Standardized estimate (β).

246

Jadual 3.30

Rumusan Hipotesis berkaitan Kesan Langsung

Hipotesis Hubungan hipotesis
Jangkaan Penggunaan (JPG) ---> Niat Tingkah Laku (NTL)
H1 Pengaruh Sosial (PS) ---> Niat Tingkah Laku (NTL)
H3 Keadaan Kemudahan (KK) ---> Niat Tingkah Laku (NTL)
H4 Keadaan Kemudahan (KK) ---> Tingkah Laku Penggunaan (TLP)
H5 Efikasi Guru (EG) ---> Niat Tingkah Laku (NTL)
H6 Niat Tingkah Laku (NTL) ---> Tingkah Laku Penggunaan (TLP)
H7

3.7.3.2 Pengujian Kesan Mediator

Bertujuan untuk menguji kesan mediator yang dibawa oleh Keadaan Kemudahan (KK)
terhadap perubahan Niat Tingkah Laku (NTL), kajian ini telah melaksanakan tiga kaedah
pengujian. Pertama ialah kaedah perbandingan hubungan antara konstruk (kaedah
konversional), dikuti dengan kaedah bootstrapping dan kaedah bootstrapping
menggunakan plugin IBM SPSS Amos (Estimating MyIndirectEffects A X B) oleh Gaskin
(2016g), untuk mengesahkan dapatan analisis kaedah konversional.

Bagi pengujian kesan mediator khususnya kaedah bootstrapping, kesan hubungan
antara konstruk iaitu hubungan langsung dan hubungan tidak langsung telah diuji.
Seandainya kedua-dua hubungan adalah signifikan (*p<0.05), maka kesan mediator
separa (partial mediator) wujud di dalam hubungan. Manakala jika kesan langsung
adalah tidak signifikan dan kesan tidak langsung pula adalah signifikan maka dapatan
analisis membuktikan kesan mediator penuh (full mediator) wujud dalam hubungan
(Gaskin, 2016e; Hayes, 2013; Zainudin, 2015). Jadual 3.31 menunjukkan senarai
cadangan hipotesis berkaitan kesan mediator yang diuji.

247

Jadual 3.31

Rumusan Hipotesis berkaitan Kesan Mediator

Hipotesis Hubungan hipotesis
H10 Jangkaan Penggunaan (JPG) --> Keadaan Kemudahan (KK) --> Niat Tingkah
H11 Laku (NTL)
Efikasi Guru (EG) --> Keadaan Kemudahan (KK) --> Niat Tingkah Laku
(NTL)

3.7.3.3 Pengujian Kesan Moderator

Analisis kumpulan pelbagai SEM (multi group analysis) telah dilaksanakan untuk
menguji kesan interaksi oleh pemboleh ubah moderator terhadap hubungan antara
pemboleh ubah exogenous dan endogenous di dalam model struktur cadangan.
Berdasarkan panduan pengujian kesan moderator oleh Gaskin (2016f), terdapat tiga
langkah perlu dipatuhi untuk membuktikan kesan modeartor wujud antara hubungan di
dalam model.

Langkah pertama ialah, set data bagi setiap pemboleh ubah moderator perlu
dibahagi dua (mengikut kategori) dan dilabel sebagai kumpulan tinggi dan kumpulan
rendah. Langkah kedua ialah membina dua model struktur untuk perbandingan bagi
setiap pemboleh ubah moderator yang hendak diuji. Model 1 adalah model unconstrained
bagi kedua-dua kumpulan (tinggi dan rendah), di mana semua nilai hubungan antara
konstruk dalam model tidak dikekang nilainya. Manakala Model 2 adalah model
Constrained bagi kedua-dua kumpulan, di mana semua nilai hubungan antara konstruk
dikekang menjadi sama nilai. Pengujian terhadap kedua-dua kumpulan ini dilaksanakan
secara berasingan tetapi serentak menggunakan perisian statistik IBM SPSS Amos.

248

Langkah ketiga adalah penilaian terhadap perbezaan nilai Chi-square (χ2) dan
darjah kebebasan (degree of freedom - df) antara model Constrained dan model
Unconstrained. Untuk pembuktian kesan moderator, perbezaan nilai Chi-square harus
lebih besar daripada nilai perbezaan df (Critical values of the chi-squared distribution);
∆χ2 > critical values pada α=0.05. Seandainya pengujian ini dapat dipenuhi (sig., p<0.05),
maka hubungan yang diuji dapat disahkan mempunyai kesan interaksi yang signifikan
(kesan moderator wujud dalam hubungan) dan seterusnya pengujian hipotesis dapat
dibuktikan (Dawson, 2014; Gaskin, 2016e; Kline, 2011; Saltson & Sharon, 2015).

Untuk menyokong hipotesis kesan moderator, kajian ini membandingkan nilai
pekali laluan (Standardized estimate (β)) antara kumpulan bagi mengesan kumpulan yang
lebih ketara pengaruh interaksinya di dalam hubungan yang diuji. Jadual 3.32
menunjukkan senarai cadangan hipotesis berkaitan kesan moderator yang diuji.

249

Jadual 3.32

Rumusan Hipotesis berkaitan Kesan Moderator

Moderator Hipotesis dan hubungan hipotesis Kumpulan lebih ketara
Jantina (H1a) Jangkaan Penggunaan (JPG) ---> Niat Tingkah Guru perempuan
Laku (NTL) Guru perempuan
Pengalaman (H3a) Pengaruh Sosial (PS) ---> Niat Tingkah Laku Guru perempuan
(NTL) Guru perempuan
Beban tugas (H4a) Keadaan Kemudahan (KK) ---> Niat Tingkah Guru perempuan
Laku (NTL)
Lokasi (H5a) Keadaan Kemudahan (KK) ---> Tingkah Laku Guru berpengalaman
sekolah Penggunaan (TLP) Guru berpengalaman
(H6a) Efikasi Guru (EG) ---> Niat Tingkah Laku Guru berpengalaman
(NTL) Guru berpengalaman
(H1b) Jangkaan Penggunaan (JPG) ---> Niat Tingkah Guru berpengalaman
Laku (NTL) Guru kurang beban tugas
(H3b) Pengaruh Sosial (PS) ---> Niat Tingkah Laku Guru kurang beban tugas
(NTL) Guru kurang beban tugas
(H4b) Keadaan Kemudahan (KK) ---> Niat Tingkah Guru kurang beban tugas
Laku (NTL) Guru kurang beban tugas
(H5b) Keadaan Kemudahan (KK) ---> Tingkah Laku
Penggunaan (TLP) Guru bandar
(H6b) Efikasi Guru (EG) ---> Niat Tingkah Laku Guru bandar
(NTL) Guru bandar
(H1c) Jangkaan Penggunaan (JPG) ---> Niat Tingkah Guru bandar
Laku (NTL) Guru bandar
(H3c) Pengaruh Sosial (PS) ---> Niat Tingkah Laku
(NTL)
(H4c) Keadaan Kemudahan (KK) ---> Niat Tingkah
Laku (NTL)
(H5c) Keadaan Kemudahan (KK) ---> Tingkah Laku
Penggunaan (TLP)
(H6c) Efikasi Guru (EG) ---> Niat Tingkah Laku
(NTL)
(H1d) Jangkaan Penggunaan (JPG) ---> Niat Tingkah
Laku (NTL)
(H3d) Pengaruh Sosial (PS) ---> Niat Tingkah Laku
(NTL)
(H4d) Keadaan Kemudahan (KK) ---> Niat Tingkah
Laku (NTL)
(H5d) Keadaan Kemudahan (KK) ---> Tingkah Laku
Penggunaan (TLP)
(H6d) Efikasi Guru (EG) ---> Niat Tingkah Laku
(NTL)

250

3.7.4 Justifikasi Pemilihan Kaedah Menganalisis Data

Secara umumya, Pemodelan Persamaan Struktur (Structural Equation Modeling - SEM)
merupakan teknik lanjutan (generasi kedua) dalam melaksanakan analisis statistik
(multivariate analysis) dan telah menjadi ‘trend’ dalam penganalisisan data kajian bagi
kajian-kajian sains sosial. SEM telah dibangunkan untuk menangani fungsi yang hampir
serupa dengan regresi pelbagai (multiple regression) tetapi dalam pendekatan yang
berbeza dan lebih eksklusif. Ia menggabungkan keupayaan menganalisis beberapa
analisis statistik seperti analisis faktor, regresi berbilang, dan analisis laluan secara
serentak (Hair Jr. et al., 2017).

Setiap teknik analisis statistik mempunyai karakteristik tersendiri yang
menentukan kesesuaiannya untuk menghurai permasalahan yang diberi. Memahami
teknik dan karakteristik sesuatu analisis statistik merupakan kriteria penting untuk
menentukan pemilihan pendekatan yang paling sesuai dengan data kajian. Berbanding
regresi linear, ANOVA dan MANOVA, SEM mampu untuk menganalisis hubungan
pelbagai di antara pemboleh ubah bersandar (endogenous) dan pemboleh ubah tidak
bersandar (exogenous). Selanjutnya, SEM membenarkan korelasi di antara ralat
pengukuran (measurement errors), iaitu ianya dikenal pasti melalui interaksi model,
korelasi pemboleh ubah tidak bersandar dan ralat pengukuran (Nachtigall, Kroehne,
Funke, & Steyer, 2003). SEM juga mampu untuk menangani pengukuran terhadap
hubungan antara pemboleh ubah terpendam (latent dependent) dan pemboleh ubah tidak
bersandar (exogenous), yang mana tidak boleh diukur secara terus. Sebagai tambahan,

251

SEM harus dipilih kerana kemampuannya untuk menguji model yang komprehensif dan
rumit. SEM bukan sahaja menyediakan penilaian terhadap model yang sesuai dari segi
unidimensionality, kebolehpercayaan dan kesahan setiap ujian yang dibina, tetapi juga
membolehkan keseluruhan model, termasuk hubungan langsung dan tidak langsung, serta
anggaran parameter individu diuji secara serentak (Garson, 2012).

Ringkasnya, SEM dipilih sebagai teknik penganalisaan data statistik untuk
menguji model adalah berdasarkan sebab berikut: (1) SEM tidak memerlukan andaian
sebagai petunjuk untuk pengukuran sempurna. Ia menjelaskan ralat dalam pengukuran
terhadap pemboleh ubah. Menurut Hair, Hult, Ringle, & Sarstedt (2014), anggaran yang
lebih tepat terhadap konstruk teoritikal tidak diperhatikan (unobserved theoretical
construct) mampu diperolehi melalui pemboleh ubah yang diperhati, dan diukur melalui
item tertentu dalam soal selidik, dan selalunya terdapat sedikit darjah ralat pengukuran.
Namun SEM boleh menganggarkan jangkaan kesilapan bagi setiap petunjuk pemboleh
ubah. (2) SEM berkemampuan untuk menguji siri hubungan sebab dan akibat yang saling
berkait secara serentak serta mengabungkan data pengukuran. Dengan ini, ia dapat
menganggar saiz kesan keseluruhan (size of the total effects) setiap pemboleh ubah tidak
bersandar terhadap pemboleh ubah bersandar (Hair et al., 2014). (3) SEM berkeupayaan
tinggi untuk mengukur hubungan antara pemboleh ubah (CFA). (4) Prosedur SEM
melibatkan penilaian yang menyeluruh terhadap nilai fit (pengukuran goodness of fit) bagi
model struktur cadangan. (5) SEM berupaya menghasilkan pengiktirafan yang lebih baik
terhadap kesahan dan kebolehpercayaan instrumen penilaian (Schumacker & Lomax,
2010), dan (6) SEM mampu untuk mengenal pasti pemboleh ubah moderator, pemboleh

252

ubah mediator, regresi pelbagai pendaraban (multiplicative multiple regression) dan
analisis kumpulan pelbagai (multi-group analysis). Hakikatnya, kemampuan SEM
mempertimbang dan menangani ralat pengukuran merupakan satu kelebihan (Alavifar,
Karimimalayer, & Mohd Khairol, 2012).

Untuk melaksanakan SEM, terdapat dua pendekatan yang dikenal pasti telah
digunakan secara meluas di dalam kajian terdahulu, iaitu Covariance based SEM (CB-
SEM) dan Partial Least Square SEM (PLS-SEM). CB-SEM dianggap lebih sesuai untuk
melaksanakan analisis SEM, apabila matlamat utama kajian adalah untuk mengesahkan
hubungan antara pemboleh ubah, model struktur yang sederhana kompleks, hubungan
antara indikator dan pemboleh ubah dimodelkan dalam mod reflektif dan saiz sampel
yang digunakan adalah besar (Hair et al., 2014). Seterusnya Hair Jr. et al. (2017)
menjelaskan, seandainya objetif kajian adalah untuk; (1) menguji dan mengesahkan teori,
(2) sampel saiz besar, dan (3) data bertaburan normal, maka kaedah penganalisaan data
yang harus digunakan adalah CB-SEM. Dan seandainya objektif kajian adalah untuk; (1)
meramal dan membangunkan teori, (2) saiz sampel kecil, dan (3) data tidak bertaburan
normal, maka kaedah penganalisaan data PLS-SEM adalah sesuai digunakan. Oleh itu,
untuk menentukan pendekatan yang perlu digunakan dalam menganalisis data kajian
menggunakan SEM, Hair et al. (2014) mencadangkan tiga aspek harus dipertimbangkan
iaitu objektif kajian, ciri-ciri model dan saiz data.

Oleh kerana kajian ini bertujuan untuk mengesahkan hubungan antara konstruk,
yang dicadangkan berdasarkan teori yang kukuh, model struktur cadangan dimodelkan

253

dalam mod reflektif dan sampel melebihi 700 orang, maka pengujian SEM menggunakan
kaedah CB-SEM adalah bersesuaian untuk menganggar parameter dan pengujian model
bagi menjawab hipotesis utama kajian ini. Namun, PLS-SEM dianggap sebagai
pendekatan alternatif kepada SEM jika data yang dikumpul gagal memenuhi andaian CB-
SEM (Oke, Ogunsami, & Ogunlana, 2012; Zuraidah, 2014). Manakala pakej perisian
IBM SPSS Amos telah digunakan untuk melaksanakan SEM (pengujian CB-SEM)
kerana ciri-cirinya yang mesra pengguna (Kline 2011; Zainudin, 2015; Zuraidah, 2014).

3.8 Rumusan

Bab ini membincangkan metodologi yang digunakan dalam kajian ini. Kaedah termasuk
proses kajian, reka bentuk kajian, pendekatan kajian, kaedah pensampelan dan
pembinaan instrumen untuk mengumpul dan menganalisis data. Secara ringkasnya,
kajian ini menggunakan pendekatan kajian reka bentuk kaedah bercampur mudah -
penerokaan berturut (sequential exploratory - mixed methods simple research design)
iaitu menggunakan kaedah pengumpulan data secara gabungan pelbagai teknik dalam dua
fasa kajian. Pada Fasa 1, kajian ini melaksanakan proses pengumpulan dan pengujian
data kajian secara pendekatan kualitatif bagi membina instrumen. Pada Fasa 2, kajian
menjadikan dapatan daripada Fasa 1 sebagai sumber utama untuk pengumpulan data serta
dinilai menggunakan prosedur analisis statistik kuantitatif.

254

Populasi kajian yang dipilih adalah semua guru terlatih dari sekolah menengah
seluruh Malaysia manakala kaedah persampelan kajian adalah menggunakan prosedur
persampelan pelbagai peringkat (multi-stage sampling procedure). Populasi kajian adalah
seramai 181,975 orang dan seramai 1440 orang guru yang berada di 144 buah sekolah
seluruh Malaysia telah dipilih sebagai sampel kajian. Perincian populasi dan kaedah
persampelan kajian telah dihurai di dalam subtajuk 3.3. Selain itu, subtajuk 3.4 telah
membincangkan secara terperinci proses pembinaan instrumen termasuk proses
pengesahan instrumen oleh panel pakar dan kumpulan fokus. Subtajuk 3.5 melaporkan
perkara berkaitan prosedur pelaksanaan dan dapatan analisis kajian rintis serta perubahan
yang dilakukan terhadap kerangka koseptual kajian berdasarkan keputusan EFA.
Perbincangan berkaitan pengumpulan data dan prosedur kajian dinyatakan dalam
subtajuk 3.6, dan akhir sekali subtajuk 3.7 menjelaskan pendekatan, kaedah serta
pengujian statsitik yang dilaksanakan dalam proses penganalisaan data kajian, yang mana
penggunaan teknik analisis SEM (menggunakan perisian IBM SPSS dan IBM SPSS
Amos) telah dibincang secara terperinci untuk pembuktian hipotesis kajian.

Bagi merumuskan struktur kajian ini secara ringkas, hubungan antara objektif
kajian, hipotesis kajian, instrumen yang terlibat dan kaedah analisis data yang digunakan,
ditunjukkan seperti dalam Jadual 3.33. Manakala dalam bab seterusnya, keputusan
empirikal analisis data akan dibentangkan.

Jadual 3.33

Rumusan Hubungan antara Objektif Kajian, Persoalan Kajian, Hip

Objektif kajian Persoalan kajian

1. Membina instrumen 1. Apakah instrumen yang Tidak berkaita

penilaian untuk mengukur dapat mengukur

penerimaan dan penerimaan dan

penggunaan pendekatan penggunaan pendekatan

Pembelajaran Teradun Pembelajaran Teradun

dalam kalangan guru dalam kalangan guru?

(Blended Learning

Acceptance Scale –

BeLAS)

2. Mengenal pasti hubungan 2. Adakah wujud Terdapat hubu

antara faktor-faktor hubungan antara faktor- faktor perama

peramal (JPG, PS, KK, dan faktor peramal (JPG, penggunaan

EG) dengan faktor PS, KK, dan EG) pendekatan Pe

penerimaan dan dengan faktor H1 JPG secara

penggunaan guru (NTL penerimaan dan untuk mela

dan TLP). penggunaan guru (NTL H3 PS secara

dan TLP)? untuk mela

H4 KK secara

untuk mela

H5 KK secara

untuk mela

H6 EG secara

untuk mela

H7 NTL secara

untuk mela

potesis Kajian, Instrumen dan Kaedah Analisa Data

Hipotesis kajian Instrumen Kaedah Analisa
an
1. Temu bual Semi  I-CVI,
ungan signifikan antara faktor-
al dengan faktor penerimaan dan Berstruktur dan  SPSS: Realibility

guru untuk melaksanakan tinjauan literatur; test - Cronbach
embelajaran Teradun (PT).
a signifikan mempengaruhi NTL pembentukan item alpha,
aksanakan pendekatan PT.
soal selidik.  Analisis Faktor-
signifikan mempengaruhi NTL
aksanakan pendekatan PT. 2. Pengesahan pakar EFA.
a signifikan mempengaruhi NTL (I-CVI); BeLAS 1.1.
aksanakan pendekatan PT.
a signifikan mempengaruhi TLP 3. Pre-test; BeLAS
aksanakan pendekatan PT.
a signifikan mempengaruhi NTL 1.2.
aksanakan pendekatan PT.
a signifikan mempengaruhi TLP 4. Kajian rintis;
aksanakan pendekatan PT.
BeLAS 1.3.

Soal selidik (BeLAS  SPSS: missing

1.4); Temu bual Semi data dan

Berstruktur (focus outliers.

group); sebagai  SEM - AMOS:

kaedah triangulasi CFA - Model

data dapatan daripada Pengukuran

BeLAS. untuk akses

Goodness of Fit

dan analisis

hubungan (Path

Analysis)

(bersambung)

Jadual 3.33 (sambungan)

Objektif kajian Persoalan kajian

3. Mengenal pasti faktor 3. Adakah semua faktor JPG, PS, KK,

peramal yang peramal (JPG, PS, KK, bagi penerima

mempengaruhi penerimaan dan EG) mempengaruhi melaksanakan

dan penggunaan penerimaan dan H8 JPG, PS, K
pendekatan Pembelajaran
penggunaan guru (NTL peramal b

Teradun dalam kalangan dan TLP) untuk Tingkah La

guru. menjayakan pendekatan

Pembelajaran Teradun?

4. Mengenal pasti pengaruh 4. Adakah KK menjadi KK merupaka

faktor mediator KK dalam pengantara (mediate) JPG dan

hubungan JPG dan EG kesan JPG dan EG melaksanakan

terhadap NTL terhadap NTL? H10 KK me
antara JPG da

H10a JPG s
KK.

H10b JPG s
NTL.

H10c KK se
NTL.

H11 KK me
antara EG da

H11a EG s
KK.

H11b EG s
NTL.

H11c KK se
NTL.

Hipotesis kajian Instrumen Kaedah Analisa
, dan EG adalah faktor peramal
aan dan penggunaan guru untuk Soal selidik (BeLAS  SEM - AMOS:
n pendekatan PT.
KK, dan EG merupakan faktor 1.4) CFA - Model
bagi Niat Tingkah Laku serta
aku Penggunaan guru. Struktur untuk

an pengantara (mediate) kesan akses
EG terhadap NTL dalam
n pendekatan PT.  Goodness of Fit
erupakan pengantara hubungan
an NTL. Sub-hipotesis; dan analisis
secara signifikan mempengaruhi
hubungan (Path
secara signifikan mempengaruhi
Analysis)
ecara signifikan mempengaruhi
Soal selidik (BeLAS  SEM - AMOS:
erupakan pengantara hubungan
an NTL. Sub-hipotesis; 1.4) mediator
secara signifikan mempengaruhi
 Analisis

Hubungan (Path

Analysis)

Bootstrapping

dan penilaian

hubungan

(indirect, fully

mediated atau

partial

mediated)

secara signifikan mempengaruhi

ecara signifikan mempengaruhi

(bersambung)

Jadual 3.33 (sambungan)

Objektif kajian Persoalan kajian

5. Mengenal pasti pengaruh 5. Adakah jantina, Jantina, Penga

faktor moderator jantina, pengalaman, beban Sekolah meny

pengalaman, beban tugas, tugas dan lokasi sekolah faktor perama

dan lokasi sekolah dalam menyederhanakan dalam melaksa

hubungan antara faktor hubungan antara faktor H1a,H3a, H4a,
peramal dan faktor Niat peramal dan faktor NTL H1b,H3b, H4b,
Tingkah Laku (NTL) serta serta TLP? H1c,H3c, H4c,
TLP. H1d,H3d, H4d,

6. Membina model bagi 6. Apakah model terbaik Tidak berkait

menjelaskan faktor-faktor untuk menjelaskan

yang mempengaruhi faktor-faktor yang

penerimaan dan mempengaruhi

penggunaan pendekatan penerimaan dan

Pembelajaran Teradun penggunaan pendekatan

dalam kalangan guru Pembelajaran Teradun

Malaysia (Blended dalam kalangan guru di

Learning Acceptance and Malaysia?

Use Model - BeLAUM).

Petunjuk : PT-Pembelajaran Teradun, JPG-Jangkaan Penggunaan, JP-Jan

Kemudahan, EG-Efikasi Guru , NTL-Niat Tingkah Laku, dan TLP-Tingkah Laku

Hipotesis kajian Instrumen Kaedah Analisa

alaman, Beban Tugas dan Lokasi Soal selidik (BeLAS  SEM - AMOS:

yederhanakan hubungan antara 1.4) moderator -

al dan faktor NTL serta TLP Analisis

anakan pendekatan PT. Hubungan (Path

,H5a,H6a (Jantina) Analysis) multi-
b,H5b,H6b (Pengalaman)
,H5c,H6c (Beban Tugas) group analisis
d,H5d,H6d (Lokasi Sekolah)
(perbandingan

model

constrained dan

model

unconstrained)

tan Soal selidik (BeLAS  SEM - AMOS:
1.4) Analisis
Hubungan (Path
Analysis)

ngkaan Prestasi, JU-Jangkaan Usaha, PS-Pengaruh Sosial, KK-Keadaan
Penggunaan.

BAB 4

DAPATAN KAJIAN

4.1 Pengenalan
Bab ini membentangkan hasil analisis data yang telah diperincikan dalam bab
sebelumnya. Subtajuk berikutnya membentangkan analisis berkaitan kadar maklum balas
yang diperolehi daripada sampel kajian, diikuti perbincangan berkaitan prosedur analisis
awal yang telah dijalankan untuk penyediaan data iaitu saringan data dan pengujian bias
yang dijalankan. Subtajuk 4.4, membincangkan perlaporan analisis deskriptif yang
memperihalkan profil-latar belakang sampel dan dapatan analisis ringkas berkaitan tahap
penerimaan serta penggunaan pendekatan Pembelajaran Teradun dalam kalangan guru
berdasarkan perbandingan nilai min. Selanjutnya, subtajuk 4.5 membincangkan hasil
pengesahan model pengukuran yang melibatkan CFA (model fit, pengubahsuaian model,

259

kebolehpercayaan komposit dan kesahan konstruk - konvergen dan diskriminan).
Perbincangan subtajuk 4.6 merangkumi perihal analisis pengujian andaian pemodelan
persamaan struktur yang menjadi prasyarat untuk menjalankan prosedur analisis SEM.

Subtajuk 4.7 merupakan subtajuk yang membentangkan dapatan utama kajian.
Subtajuk ini, membentangkan hasil penilaian SEM iaitu memperihalkan hasil pengujian
hipotesis kesan langsung, kesan mediator dan kesan moderator. Subtajuk seterusnya
membentangkan hasil pengesahan dapatan yang telah dijalankan terhadap kumpulan
fokus bagi mengesahkan dapatan kajian tinjauan soal selidik. Akhir sekali, rumusan dan
ringkasan bab dibentangkan di subtajuk 4.9.

4.2 Analisis Maklum Balas

Proses pengumpulan data bagi kajian lapangan ini mengambil masa selama tujuh minggu
(bermula minggu pertama bulan Oktober 2016 sehingga minggu ketiga bulan November
2016) dan sebanyak 851 sampel (59.1%) telah memberi maklum balas. Daripada jumlah
tersebut (n=851) seramai 566 sampel menjawab soal selidik secara cetakan kertas dan
285 sampel menjawab secara dalam talian.

Jadual 4.1 menunjukkan maklumat berkaitan maklum balas soal selidik dan kadar
maklum balas mengikut negeri.

Jadual 4.1
Kadar Maklum Balas Kajian

Negeri Jumlah Edaran Jumlah
Soal Selidik Sebenar Saiz
(
Sampel
Johor 160 45
Kedah 110 30
Kelantan 100 27
Melaka 50 13
Negeri Sembilan 60 17
Pahang 90 24
Perak 140 38
Perlis 20 5
Pulau Pinang 70 20
Sabah 120 34
Sarawak 120 33
Selangor 200 57
Terangganu 80 21
WP Kuala Lumpur 60 18
WP Labuan 30 1
WP Putrajaya 30 2
1440 384
Jumlah

Jumlah Jumlah Jumlah Kadar
Maklum Balas Maklum Balas Maklum Makulm Balas
(Cetakan Kertas) (Dalam talian)
Balas (%)
48 24 72 45.0
30 58 88 80.0
68 70 70.0
30 2 48 96.0
17 18 38 63.3
43 21 56 62.2
42 13 56 40.0
14 7 35.0
2 43 61.4
29 5 51 42.5
42 14 85 70.8
64 112 56.0
58 9 67 83.8
53 21 23 38.3
14 54 24 80.0
18 14 11 36.7
851 59.1
8 9
566 6
3
285

260