Faktor-faktor yang mempengaruhi penerimaan dan penggunaan pendekatan Pembelajaran Teradun

261

4.3 Analisis Persediaan Data

Dapatan bagi analisis persediaan data dibincangkan dalam subtajuk berikut berdasarkan
turutan proses pelaksanaanya.

4.3.1 Saringan Data
Proses saringan dan pembersihan data dijalankan adalah untuk memenuhi keperluan
melaksanakan analisis statsitik multivariat (Hair et al., 2014). Proses ini merupakan langkah
penting dan perlu dilakukan pada peringkat awal penganalisisan data kerana ianya akan
mempengaruhi hasil analisis data pada peringkat seterusnya. Oleh itu bagi kajian ini,
pengesanan ketinggalan data, data sampel tidak fokus (unengaged respondent) dan data
outliers telah dilaksanakan. Subtajuk berikut membincangkan prosedur saringan data bagi
kajian ini.

4.3.1.1 Ketinggalan Data (Missing Data) dan Data Sampel Tidak Fokus

Melalui analisis data menggunakan perisian MS Excel, sebanyak 11 sampel telah
dikecualikan kerana mempunyai ketinggalan data melebihi 10% (melebihi 6 item soal
selidik tidak dijawab). Manakala pengesanan data sampel tidak fokus (unengaged
respondent) telah mendapati sebanyak 112 sampel mempunyai nilai sisihan piawai di
bawah 0.70 (menjawab soal selidik dengan nilai yang sama atau hampir sama bagi

262

kesemua soalan). Maka kesemua 123 sampel tersebut dikecualikan dan hanya data
daripada 728 sampel (851 - 123) dikodkan ke dalam perisian IBM SPSS untuk proses
analisis peringkat seterusnya.

4.3.1.2 Pengesanan Data Outliers

Melalui analisis boxplot menggunakan perisian IBM SPSS, sebanyak lapan sampel
dikenal pasti membawa kesan outliers. Sampel berlabel 399, 518, 718 dan 724 membawa
kesan outliers pada set item a4pe, sampel berlabel 593, 615 dan 683 membawa kesan
outliers pada set item a39bi, dan sampel berlabel 328 membawa kesan outliers melampau
pada set item a44ub. Oleh itu kesemua lapan sampel ini digugurkan daripada set data
kajian. Bilangan set data yang tinggal untuk analisis peringkat seterusnya ialah n=720
(728 - 8). Tindakan pengguguran ini diambil disebabkan matlamat untuk memastikan
dapatan analisis statistik membawa gambaran sebenar keseluruhan data kajian tanpa
dipengaruhi kesan data outliers (Field, 2013; Gaskin, 2016c).

4.3.2 Pengujian Bias

Untuk memastikan set data bebas daripada sebarang kesan bias, kajian telah
melaksanakan dua ujian bias iaitu ujian bias maklum balas dan ujian bias kaedah biasa
(Common Method Bias - CMB). Keputusan ujian ditunjukkan dalam subtajuk berikut.

263

4.3.2.1 Bias Maklum Balas

Ujian bias maklum balas bagi kajian ini dijalankan bertujuan untuk mengenal pasti kesan
bias terhadap teknik pengumpulan data iaitu sama ada terdapat perbezaan yang signifikan
atau tidak antara data sampel menjawab soal selidik cetakan kertas dan data sampel
menjawab soal selidik secara dalam talian. Untuk memastikan set data bebas daripada
kesan bias maklum balas, maka kajian ini melaksanakan ujian-t sampel bebas
(independent sample t-test) menggunakan perisian IBM SPSS.

Kajian membandingkan nilai skor min antara kumpulan guru yang menjawab soal
selidik cetakan kertas (n = 454) dan kumpulan guru yang menjawab soal selidik secara
dalam talian (n = 266). Jadual 4.2 menunjukkan nilai skor min bagi kumpulan guru
menjawab soal selidik cetakan kertas adalah 5.44 dan kumpulan guru menjawab soal
selidik secara dalam talian adalah 5.36.

Jadual 4.2

Statistik Kumpulan Menjawab Soal Selidik berdasarkan Medium Pengumpulan Data

Medium Pengumpulan Data N Min Sisihan Piawai Min Kesalahan Standard
Cetakan Kertas
Online 454 5.4415 1.67075 .07841

266 5.3575 1.61827 .09922

Dapatan ini menunjukkan perbandingan data kajian untuk kedua-dua kumpulan adalah
bebas daripada bias maklum balas, dapatan ini disahkan oleh analisis ujian-t sampel
bebas seperti ditunjukkan dalam Jadual 4.3; t = 0.659 dan sig. = 0.510 (p > 0.05), iaitu
tiada perbezaan signifikan antara kedua-dua kumpulan sampel.

264

Jadual 4.3

Analisis Ujian-t Sampel Bebas untuk Perbandingan Antara Kumpulan

Ujian Levene Ujian-t untuk Kesamaan Min
untuk

Kesamaan
Varians

95% Perbezaan

Sig. Perbezaan Selang

(2- Perbezaan Kesalahan Keyakinan

F Sig. t df tailed) Min Piawai Bawah Atas

Kesamaan

Varians yang .017 .895 .659 718 .510 .08398 .12753 -.16639 .33435

diandaikan

Kesamaan

Varians yang .664 569.43 .507 .08398 .12647 -.16442 .33238

tidak diandaikan

Nota: t = 0.659, sig = 0.510 (p > 0.05)

Jadual 4.4 merupakan rumusan ujian-t sampel bebas; perbandingan antara kumpulan
menjawab soal selidik cetakan kertas dan kumpulan menjawab secara dalam talian bagi
kajian ini.

Jadual 4.4

Rumusan Ujian-t Sampel Bebas untuk Perbandingan Antara Kumpulan

N min sp dk t sig
.659 0.510
Catakan Kertas 454 5.4415 1.67075 718

Online 266 5.3575 1.61827

Dirumuskan bahawa set data kajian ini adalah bebas daripada bias maklum balas.
Oleh itu kesemua data yang dikumpul melalui soal selidik cetakan kertas dan soal selidik
dalam talian dapat digunakan untuk proses analisis statistik pada peringkat seterusnya.

265

4.3.2.2 Bias Kaedah Biasa (Common Method Bias - CMB)

Pengujian bias kaedah biasa atau Common Method Bias (CMB) dilaksanakan bagi
mengesan pengaruh sampingan instrumen berbanding kecenderungan sebenar sampel
dalam menjawab soal selidik. Oleh itu, pengujian nilai Faktor Tunggal Harman
(Harman's single factor test) dilaksanakan untuk mengesan bias kaedah biasa bagi kajian
ini. Pertama, pengujian ini dilaksanakan dengan menggunakan analisis faktor penerokaan
(EFA), di mana semua item diekstrak kepada satu faktor sahaja (Gaskin, 2011). Hasil
analisis dalam Jadual 4.5 menunjukkan faktor tunggal (single factor) telah menerangkan
majoriti varians iaitu sebanyak 52.703% varians. Dapatan analisis ini mengambarkan,
kesan kaedah biasa (CMB) mungkin wujud dalam data kajian ini (Gaskin, 2011; Philip M
Podsakoff et al., 2003).

Jadual 4.5
Keputusan EFA untuk Pengujian Faktor Tunggal Harman

Jumlah Varians Dijelaskan

Komponen Nilai Eigen Permulaan Jumlah Pengekstrakan Beban Dibundar

Jumlah Varians (%) Kumulatif (%) Jumlah Varians (%) Kumulatif (%)

1 23.716 52.703 52.703 23.716 52.703 52.703

Kedua, bertujuan untuk menyemak dan mengesahkan dapatan keputusan EFA,
pengujian Faktor Tunggal Harman dilaksanakan menggunakan analisis faktor pengesahan
(CFA) (Zuraidah, 2014). Bagi melaksanakan pengujian ini, semua item dimuatkan dalam
satu faktor pengesahan sahaja melalui analisis faktor (CFA). Dapatan analisis (indeks fit)
model tunggal Harman dibandingkan dengan model cadangan. Jadual 4.6 menunjukkan

266

perbandingan index Goodness-of-fit antara Model Faktor Tunggal Harman dan Model
Cadangan.

Jadual 4.6

Perbandingan Model Fit antara Model Faktor Tunggal Harman dan Model Cadangan

Indeks Goodness-of-fit Model Faktor Model Cadangan Aras Penerimaan
Tunggal Harman
Chi-square (χ2) 15221.494 (945,.000) 4510.920 (928,.000) Sig. α=0.05
Normed Chi-square (χ2/df) 4.861 1-5
RMSEA 16.107 0.073 <0.08
GFI 0.145 0.755 > 0.9
CFI 0.362 0.900 > 0.9
TLI 0.603 0.894 > 0.9
SRMR 0.584 0.0484 <0.08
0.0928

Hasil perbandingan menunjukkan index model fit bagi model cadangan adalah
ketara lebih baik berbanding model Tunggal Harman. Maka dapatan analisis kedua ini
membuktikan sebaliknya, iaitu isu bias kaedah biasa atau Common Method Bais tidak
timbul dalam kajian ini untuk mempengaruhi dapatan akhir kajian (Fuller et al., 2016;
Gaskin, 2011).

4.4 Profil Sampel

Subtajuk ini adalah berkaitan memperihalkan ciri-ciri (deskriptif) sampel bagi mewakili
populasi kajian. Terdapat tujuh karakteristik utama tersenarai bagi mengambarkan
maklumat profil sampel kajian iaitu (1) jantina, (2) umur, (3) kelulusan akademik, (4)
pengalaman mengajar, (5) bilangan jawatan di sekolah (beban tugas), (6) Lokasi sekolah,
dan (7) Negeri. Daripada 720 sampel yang dianalisis, dapatan menunjukkan guru

267

perempuan mendominasi data kajian dengan bilangan sebanyak 521 orang iaitu mewakili
72.4%, mengatasi bilangan guru lelaki (199 orang sahaja dan mewakili 27.6%). Namun
bilangan guru perempuan ini menghampiri peratusan perangkaan populasi guru mengikut
jantina di seluruh negara iaitu 69.9%. Bagi profil umur sampel, kumpulan guru berumur
antara 30 hingga 50 tahun adalah majoriti sampel yang memberi maklum balas terhadap
tinjauan kajian ini dengan peratusan sebanyak 79.3%.

Seterusnya, bilangan sampel kajian berkelulusan Sarjana Muda adalah seramai
576 orang (80.0%) dan pasca siswazah hanya 140 (19.4%). Manakala peratusan yang
hampir seimbang bagi aspek pengalaman mengajar (kategori lima tahun ke atas) dan
lokasi sekolah (bandar dan luar bandar). Bagi kategori beban tugas, majoriti guru (72.8%)
mempunyai kurang daripada tiga jawatan utama di sekolah. Akhir sekali bagi taburan
kekerapan sampel kajian mengikut negeri, kadar maklum balas guru bagi kesemua negeri
telah memenuhi sasaran anggaran keperluan saiz sampel sebenar kajian (384 sampel).
Perincian karakteristik profil sampel kajian ditunjukkan dalam Jadual 4.7.

268

Jadual 4.7

Profil Sampel Kajian

Karakteristik Klasifikasi Kekerapan Peratusan (%)

Jantina Lelaki 199 27.6

Perempuan 521 72.4

Umur 30 tahun dan ke bawah 104 14.4

30-40 tahun 309 42.9

40-50 tahun 262 36.4

50 tahun dan ke atas 45 6.3

Kelulusan akademik Diploma 4 0.6

Sarjana Muda 576 80.0

Pascasiswazah 140 19.4

Pengalaman mengajar 0-5 tahun 99 13.8

5-10 tahun 202 28.1

10-15 tahun 207 28.8

15 tahun ke atas 212 29.4

Bilangan jawatan (beban tugas) 0-1 jawatan 245 34.0

2-3 jawatan 279 38.8

4-5 jawatan 122 16.9

6 jawatan dan lebih 74 10.3

Lokasi sekolah Bandar 357 49.6

Luar Bandar 363 50.4

Negeri Johor (45) 50 6.9

Kedah (30) 80 11.1

Kelantan (27) 60 8.3

Melaka (13) 60 8.3

Negeri Sembilan (17) 34 4.7

Pahang (24) 43 6.0

Perak (38) 47 6.5

Perlis (5) 6 .8

Pulau Pinang (20) 33 4.6

Sabah (34) 43 6.0

Sarawak (33) 73 10.1

Selangor (57) 90 12.5

Terengganu (21) 55 7.6

WP Kuala Lumpur (18) 21 2.9

WP Labuan (1) 17 2.4

WP Putrajaya (2) 8 1.1

Nota: Nombor dalam kurungan untuk karakteristik negeri adalah bilangan keperluan sebenar mengikut saiz
sampel kajian.

269

Dalam usaha untuk memperihalkan dapatan kajian secara deskriptif iaitu untuk
menjelaskan tahap sebenar Niat Tingkah Laku (NTL) dan Tingkah Laku Penggunaan
(TLP) guru terhadap perlaksanaan pendekatan Pembelajaran Teradun. Analisis
perbandingan skor min setiap konstruk (NTL dan TLP) telah diguna untuk menentukan
tahap niat dan tingkah laku guru. Skor min bagi penentuan tahap telah ditetap melalui
pembahagian kumpulan empat tahap (rendah, sederhana rendah, sederhanan tinggi dan
tinggi) berdasarkan purata nilai skala soal selidik yang digunakan (skala inteval 10-mata).
Interpretasi skor min mengikut tahap ditunjukkan dalam Jadual 4.8.

Jadual 4.8

Interpretasi Skor Min dan Tahap

Skor Min Tahap Interpretasi
Niat Tingkah Laku (NTL) Tingkah Laku Penggunaan (TLP)

1.00 - 3.25 Rendah Kurang berniat untuk Kurang melaksanakan pendekatan

melaksanakan pendekatan Pembelajaran Teradun (Kekerapan

Pembelajaran Teradun. yang rendah).

3.36 - 5.50 Sederhana Mempunyai niat untuk Melaksanakan pendekatan

rendah melaksanakan pendekatan Pembelajaran Teradun dalam kadar

Pembelajaran Teradun dalam sederhana kurang (Kekerapan yang

kadar sederhana. sederhana rendah).

5.51 - 7.75 Sederhana Mempunyai niat untuk Melaksanakan pendekatan

tinggi melaksanakan pendekatan Pembelajaran Teradun dalam kadar

Pembelajaran Teradun dalam sederhana kerap (Kekerapan yang

kadar sederhana kuat. sederhana tinggi).

7.76 - 10.00 Tinggi Mempunyai rniat yang kuat Kerap melaksanakan pendekatan

untuk melaksanakan Pembelajaran Teradun (kekerapan

pendekatan Pembelajaran yang tinggi).

Teradun.

Nota; Penentapan tahap berdasarkan skor min (pembahagian mengikut kumpulan tahap)

Skor min tertinggi - skor min terendah / 4 kumpulan.

Dapatan analisis deskriptif menggunakan perisian IBM SPSS (skor min dan sisihan
piawai) bagi tahap NTL dan TLP ditunjukkan dalam Jadual 4.9.

270

Jadual 4.9

Skor Min dan Sisihan Piawai bagi Tahap Niat Tingkah Laku (NTL) dan Tingkah Laku
Penggunaan (TLP)

Item Min s.p Tahap
Tahap Niat Tingkah Laku (NTL) 6.216 2.172 Sederhana tinggi
Tahap Tingkah Laku Penggunaan (TLP) 4.323 2.470 Sederhana rendah

Dapatan analisis menunjukkan min keseluruhan konstruk NTL adalah 6.216
manakala min keseluruhan konstruk TLP adalah 4.323. Berdasarkan jadual interpretasi
skor min mengikut tahap, tahap NTL berada pada tahap sederhana tinggi (min= 6.216,
sp= 2.172) dan tahap TLP adalah pada tahap sederhana rendah (min= 4.323, sp= 2.470).
Oleh itu, kajian merumuskan bahawa tahap penerimaan dan penggunaan pendekatan
Pembelajaran Teradun dalam kalangan guru di Malaysia secara keseluruhannya adalah
pada tahap sederhana.

4.5 Pengesahan Model Pengukuran

Hair et al. (2014) menjelaskan, proses pengesahan model pengukuran harus dilaksanakan
terlebih dahulu sebelum model struktur SEM dinilai. Model pengukuran diuji melalui
analisis faktor pengesahan (CFA) iaitu dengan (1) menilai indeks Goodness-of-fit,
disamping mengukur (2) kesahan menumpu dengan mengira nilai kebolehpercayaan
komposit (composite reliability - CR), dan nilai Purata Varians Terekstrak (average
variance extracted - AVE) dan (3) kesahan diskriminan. CFA dapat menentukan sejauh
mana petunjuk (pemboleh ubah diperhati) adalah berkaitan dengan (secukupnya
mengukur) pemboleh ubah pendam (Hair et al., 2014).

271

4.5.1 Penilaian Model Fit

Proses CFA terhadap model pengukuran telah dilaksanakan menggunakan perisian IBM
SPSS Amos versi 22.0. Keputusan analisis awal menunjukkan nilai Chi-square (χ2) yang
signifikan iaitu 4510.92 (df = 928, p = 0.000) pada α=0.05, dapatan ini menjadikan nilai
Normed Chi-square (χ2/df) adalah 4.861. Hair et al. (2014) menjelaskan nilai Chi-square
adalah sensitif terhadap saiz sampel, di mana nilai Chi-square yang signifikan adalah
normal bagi saiz sampel yang besar. Manakala nilai RMSEA = 0.073, CFI = 0.900 dan
SRMR = 0.048, telah memenuhi nilai kecukupan model fit. Namun begitu nilai GFI
(0.755) dan TLI (0.894) berada sedikit rendah di bawah nilai kecukupan cadangan. Jadual
4.10 menunjukkan indeks Goodness-of-fit bagi model pengukuran sebelum proses CFA
dilaksanakan.

Jadual 4.10

Indeks Goodness-of-fit bagi Model Pengukuran sebelum CFA

Indeks Goodness-of-fit Kriteria (Aras Model Fit
Chi-square (χ2) penerimaan) (Model Pengukuran sebelum

Sig. α=0.05 CFA)
4510.920 (928,.000)

Normed Chi-square (χ2/df) 1-5 4.861

RMSEA < 0.08 0.073

GFI > 0.8 0.755

CFI ≥ 0.9 0.900

TLI ≥ 0.9 0.894

SRMR < 0.08 0.0484

Nota: Sig. bagi nilai Chi-square (χ2) adalah dijangka. Hair et al. (2014); abaikan nilai absolute fit index of

minimum Discrepancy Chi Square, seandainya saiz sampel melebihi 200 orang.

272

Kesimpulannya, indeks model fit bagi model pengukuran keseluruhan adalah
kurang memuaskan untuk proses penganalisisan peringkat seterusnya. Oleh itu
pengubahsuaian model harus dilakukan untuk meningkatkan nilai Goodness-of-fit.

4.5.2 Pengubahsuaian Model

Pengubahsuaian model bagi meningkatkan nilai Goodness-of-fit dapat dilakukan
melalui empat langkah. Langkah tersebut termasuk menyemak nilai beban faktor
(standardized factor loading), nilai korelasi antara konstruk, nilai Modification Indices
(MI), dan nilai Standardized Residual Covariance (Abdul Wahab, 2012; Al-Najjar, 2012;
Gaskin, 2016b; Zainudin, 2015; Zuraidah, 2014).

Peraturan asas nilai kecukupan bagi nilai standardized factor loading adalah > 0.5
(Hair et al., 2014), namun Garson (2012), menegaskan nilai harus tidak terlalu
menghampiri 1.0, yang membawa isu pertindihan item (Multicollinearity). Item yang
mempunyai nilai standardized factor loading di bawah 0.5 dan menghampiri 1.0,
dicadang untuk digugurkan bagi mendapatkan nilai model fit yang lebih memuaskan.
Semakan terhadap nilai standardized regression weights menunjukkan tiada item
mempunyai nilai di bawah 0.5, namun terdapat tiga item iaitu a46ub, a37bi dan a41bi
(dikesan secara berperingkat) mempunyai nilai menghampiri 1.0 (> 0.95). Oleh itu,
ketiga-tiga item ini digugurkan bagi meningkatkan model fit. Jadual 4.11 menunjukkan
nilai standardized regression weights bagi kesemua item setelah item yang tidak fit
digugurkan.

273

Jadual 4.11

Standardized Regression Weights (Beban Faktor)

Item Konstruk Anggaran Item Konstruk Anggaran
a47ub <--- UB 0.939 a1pe
a45ub <--- UB 0.931 a9ee <--- PE 0.842
a38bi <--- BI 0.93 a43ub
a44ub <--- UB 0.927 a10ee <--- EE 0.841
a35tef <--- TEF 0.917 a25fc
a36bi <--- BI 0.915 a18si <--- UB 0.822
a49ub <--- UB 0.909 a5pe
a34tef <--- TEF 0.909 a16si <--- EE 0.822
a48ub <--- UB 0.898 a28fc
a42bi <--- BI 0.896 a4pe <--- FC 0.814
a14ee <--- EE 0.89 a22fc
a11ee <--- EE 0.888 a23fc <--- SI 0.805
a32tef <--- TEF 0.883 a19si
a3pe <--- PE 0.882 a30tef <--- PE 0.797
a2pe <--- PE 0.876 a26fc
a33tef <--- TEF 0.869 a39bi <--- SI 0.794
a8ee <--- EE 0.859 a17si
a13ee <--- EE 0.858 a15si <--- FC 0.787
a6pe <--- PE 0.857 a21si
a40bi <--- BI 0.846 a24fc <--- PE 0.787
a7pe <--- PE 0.846 a31tef
<--- FC 0.783

<--- FC 0.783

<--- SI 0.773

<--- TEF 0.77

<--- FC 0.767

<--- BI 0.757

<--- SI 0.731

<--- SI 0.701

<--- SI 0.696

<--- FC 0.69

<--- TEF 0.621

Namun, setelah ketiga-tiga item tidak fit digugurkan secara berperingkat (selepas
pengguguran item terakhir - a41bi), analisis set data kajian melalui perisian IBM SPSS
Amos telah menunjukkan ralat “The following variances are negative (R2)”. Walaupun
varians tidak boleh bernilai negatif, tetapi Perisian IBM SPSS Amos boleh menghasilkan
anggaran varians yang negatif. Penyelesaian ini dianggap tidak boleh diterima. Nilai
varians yang negatif dan nilai R-punca kuasa dua lebih besar daripada 1, secara
teoritikalnya tidak mungkin. Oleh itu anggaran ini dianggap tidak wajar dan tidak boleh
dipercayai. Seandainya ralat ini berlaku (nilai di luar julat anggaran varians), ia dikenali

274

sebagai kes Heywood (Dillon, Kumar, & Mulani, 1987; Gerbing & Anderson, 1987;
Newsom, 2017).

Gerbing dan Anderson (1987) dan Dillon et al. (1987) menjelaskan antara sebab
berlakunya Kes Heywood ialah masalah pengenalan, outliers atau pengaruh kes-kes
tertentu dalam set data, persampelan tidak tetap (Sampling fluctuations), dan spesifikasi
model yang kurang tepat. Manakala Newsom (2017), mencadangkan beberapa langkah
untuk mengelak masalah ini daripada berlaku iaitu dengan berhati-hati semasa
menspesifikasi model, dapatkan saiz sampel yang besar, konstruk yang mempunyai tiga
atau lebih item, pengukuran yang tepat dan pengurusan data kajian yang baik. Oleh itu,
bagi mengatasi kes Heywood, terdapat beberapa langkah yang dicadangkan, antaranya
ialah (1) mengurangkan bilangan faktor, (2) menggugurkan item yang mempunyai beban
faktor yang rendah, dan (3) semak isu pertindihan item (Multicollinearity) (Dillon et al.,
1987; Gerbing & Anderson, 1987; Newsom, 2017).

Berdasarkan cadangan penyelesaian, kajian ini telah mengambil beberapa langkah
bagi mengatasi isu kes Heywood ini iaitu (1) menyemak semula keseluruhan spesifikasi
model, (2) mengenal pasti konstruk yang membawa nilai negatif dalam permodelan
struktur dan (3) menggugurkan item yang mempunyai nilai beban paling rendah dalam
konstruk; item a10ee telah dikenalpasti mempunyai nilai beban paling rendah dan telah
digugurkan. Melalui tindakan yang diambil, kes Heywood dalam model pengukuran bagi
kajian ini telah dapat ditangani.

275

Seterusnya dalam usaha untuk meningkatkan indeks Goodness-of-fit model, nilai
korelasi antara konstruk atau nilai Intercorrelation telah dinilai. Hair et al. (2014)
mencadangkan nilai korelasi antara konstruk tidak harus melebihi 0.9. Analisis
menunjukkan nilai korelasi antara konstruk bagi kesemua konstruk kajian, adalah < 0.9
(Jadual 4.12). Dapatan ini mengesahkan bahawa semua konstruk kajian adalah bebas
daripada isu Multicollinearity.

Jadual 4.12
Nilai Korelasi antara Konstruk bagi Model Pengukuran

Hubungan antara Konstruk Anggaran
TEF <--> UE 0.804
UB <--> TEF 0.777
BI <--> UE 0.774
BI <--> TEF 0.773
FC <--> SI 0.735
SI <--> UE 0.724
SI <--> TEF 0.711
FC <--> TEF 0.704
BI <--> SI 0.674
FC <--> UE 0.656
UB <--> UE 0.647
UB <--> FC 0.634
UB <--> BI 0.622
UB <--> SI 0.621
BI <--> FC 0.566

Langkah berikutnya dalam meningkatkan indeks Goodness-of-fit dan untuk
mengenal pasti pertindihan antara item yang mungkin membawa kepincangan model,
pemeriksaan Modification Indices (MI) telah dilakukan. Garson (2012) mencadangkan
hubungan antara item yang mempunyai nilai MI melebihi 100, adalah item-item yang
bertindih dan salah satu daripada item tersebut harus digugurkan. Namun, sebagai

276

langkah alternatif mengatasi isu pertindihan ini, hubungan antara item yang mempunyai
nilai >100, boleh ditetapkan sebagai “free parameter estimate- covariance” (corelating
the error terms): kovarians kedua-dua item (Zainudin, 2015).

Analisisi MI telah mendedahkan satu nilai MI dalam model lebih tinggi daripada
100 (Jadual 4.13). Analisis jelas menunjukkan hubungan antara e29 (error terms untuk
item a25fc) dan e30 (error terms untuk item a26fc) mempunyai nilai 136.02. Berdasarkan
tinjauan literatur, item a25fc (Saya mempunyai rujukan/panduan untuk melaksanakan
proses pembelajaran menggunakan Frog VLE.) dan a26fc (Terdapat individu atau
kumpulan tertentu yang membantu seandainya saya menghadapi masalah semasa
menggunakan Frog VLE.) merupakan item dan karakteristik utama (aspek sokongan
teknikal) dalam konstruk Keadaan Kemudahan (KK); merujuk kepada kebanyakan
kajian-kajian emprikal serta model penerimaan teknologi terdahulu (Abu-Al-Aish &
Love, 2013; Attuquayefio & Addo, 2014; Khechine et al., 2014; Tan, 2013; Thomas et
al., 2013). Maka penyelidik mengambil keputusan untuk kovarianskan kedua-dua item
berdasarkan justifikasi tersebut.

Jadual 4.13
Modification Indices (MI)

e29 <--> e30 M.I. Perubahan Par
e7 <--> e8 136.02 0.99
e25 <--> e27 83.869 0.498
e22 <--> e24 80.404 0.331
76.465 0.463

277

Langkah terakhir dalam usaha untuk meningkatkan indeks Goodness-of-fit ialah
pemeriksaan nilai Standardized Residual Covariances. Tinjuan literature mencadangkan
nilai residual seharusnya tidak melebihi aras kecukupan iaitu ±4. Nilai residual yang
melebihi aras kecukupan menunjukkan kedua-dua pemboleh ubah berkongsi sebahagian
daripada varians sistematik yang tidak dijelaskan oleh konstruk dan hubungan antara
kedua-dua pemboleh ubah adalah di bawah anggaran (underestimated) model kajian
(Garson, 2012). Pemeriksaan nilai Standardized Residual Covariances menunjukkan item
a19si (Pelaksanaan proses pembelajaran menggunakan Frog VLE oleh rakan saya,
berjaya menghasilkan persekitaran pembelajaran yang menarik.) dan a28fc (Frog VLE
mempunyai ciri-ciri mesra pengguna.) mempunyai nilai residual yang besar iaitu 4.187
dan 4.117.

Oleh kerana nilai residual yang melebihi had kecukupan, kedua-dua item
dianggap berpotensi menyumbang kepada kesilapan spesifikasi model kajian seterusnya
memberi kesan kepada kejituan model struktur kajian. Dengan itu, item-item tersebut
telah digugurkan dan proses spesifikasi semula model telah dilakukan. Selepas proses
spesifikasi semula model, indeks model fit yang diubahsuai telah menunjukkan
peningkatan (semua kriteria melepasi aras kecukupan) walaupun nilai χ2 masih signifikan
(Rajah 4.1).

278

Rajah 4.1. Model Pengukuran Spesifikasi Semula
Indeks fit bagi model spesifikasi semula menunjukkan nilai yang memuaskan

dengan nilai χ2 = 2744.204 (df=684, p=0.000) adalah signifikan, χ2/df = 4.0124 adalah
dalam julat 1 dan 5, nilai CFI=0.927 dan TLI=0.921 melepasi aras kecukupan 0.9, dan

279

nilai RMSEA=0.065 dan SRMR=0.049 berada di bawah 0.08, mematuhi aras nilai
cadangan. Kecuali, nilai GFI= 0.824 berada di bawah nilai kecukupan (> 0.9), namun
Gaskin (2016c), menjelaskan nilai ini (0.8< x <0.9) adalah nilai dibenarkan (permissible).

Dirumus berdasarkan nilai fit secara keseluruhannya, model cadangan
mempunyai nilai fit (Goodness-of-fit) yang baik dan set data kajian sesuai untuk
pengujian peringkat seterusnya iaitu pengujian kesahan dan kebolehpercayaan model.
Jadual 4.14 menunjukkan perbandingan nilai indeks Goodness-of-fit bagi Model
Pengukuran sebelum dan selepas pengubahsuaian model.

Jadual 4.14

Indeks Goodness-of-fit bagi Model Pengukuran Sebelum dan Selepas Pengubahsuaian
Model (CFA)

Indeks Goodness-of-fit Kriteria (Aras Model Fit Model Fit
Chi-square (χ2) penerimaan) (Model Pengukuran (Model Pengukuran

Sig. α=0.05 sebelum CFA) selepas CFA)

4510.920 (928,.000) 2744.204 (684,.000)

Normed Chi-square (χ2/df) 1-5 4.861 4.0124

RMSEA < 0.08 0.073 0.065

GFI > 0.8 0.755 0.824

CFI ≥ 0.9 0.900 0.927

TLI ≥ 0.9 0.894 0.921

SRMR < 0.08 0.0484 0.0488

Nota: Sig. bagi nilai Chi-square (χ2) adalah dijangka. Hair et al. (2014); abaikan nilai absolute fit index of

minimum Discrepancy Chi Square, seandainya saiz sampel melebihi 200 orang.

4.5.3 Pengujian Kebolehpercayaan dan Kesahan Model Pengukuran

Nilai yang dianggap baik bagi kebolehpercayaan komposit - composite reliability (CR)
dan purata varians terekstrak - Average variance extracted (AVE), harus melebihi aras

280

nilai 0.7 dan 0.5 (Hair et al., 2014). Merujuk Jadual 4.15, nilai CR bagi kajian ini berada
antara 0.868 hingga 0.964 manakala nilai AVE berada antara 0.584 hingga 0.900.
Dapatan analisis telah menyokong kebolehpercayaan konstruk dan membuktikan bahawa,
item-item yang diguna untuk mengukur konstruk masing-masing mempunyai ketekalan
dalaman serta kestabilan yang baik dalam aspek pengukurannya.

Jadual 4.15

Rumusan Pengujian Kebolehpercayaan dan Kesahan Model Pengukuran

Konstruk Korelasi antara konstruk
AVE CR

JPG PS KK EG NTL TLP

Jangkaan Penggunaan (JPG)

(0.875, 0.841, 0.848, 0.859, 0.789, 0.948 0.754 0.900 0.947
0.795, 0.891, 0.896, 0.866, 0.851, 0.672 0.569 0.868
0.831)
Pengaruh Sosial (PS)

(0.804, 0.751, 0.736, 0.777, 0.700)

Keadaan Kemudahan (KK) 0.602 0.692 0.764 0.584 0.875
(0.827, 0.771, 0.69, 0.811, 0.713)

Efikasi Guru (EG)

(0.883, 0.769, 0.917, 0.869, 0.62, 0.801 0.680 0.652 0.834 0.696 0.931

0.909)

Niat Tingkah Laku (NTL) 0.771 0.648 0.510 0.773 0.871 0.759 0.940

(0.758, 0.847, 0.896, 0.929, 0.914)

Tingkah Laku Penggunaan (TLP)

(0.898, 0.931, 0.939, 0.927, 0.909, 0.640 0.598 0.604 0.777 0.622 0.905 0.819 0.964

0.822)

Nota: Pengiraan nilai korelasi antara konstruk, AVE dan CR menggunakan Stats Tools Package oleh
(Gaskin, 2016i). Nilai punca kuasa dua AVE (huruf ditebalkan - angka disusun secara pepenjuru) telah
memenuhi kesahan diskriminan.

Untuk mengakses kesahan konvergen, nilai AVE, CR, dan beban faktor
diseragamkan (Standardized factor loading) perlu dinilai. Had nilai kecukupan yang
dianggap membuktikan kesahan konvergen bagi setiap konstruk ialah melebihi 0.50 bagi
nilai AVE, >0.70 bagi nilai CR dan >0.5 (nilai ideal 0.7) bagi beban faktor diseragamkan
(Standardized factor loading) (Hair et al., 2014). Seperti ditunjukkan dalam Jadual 4.15,

281

nilai AVE dan nilai CR bagi setiap konstruk adalah melebihi had yang ditetapkan iaitu
0.7 dan 0.5. Manakala nilai beban faktor diseragamkan untuk kesemua item kajian
melebihi 0.60. Oleh itu, dapatan analisis menunjukkan kesahan konvergen bagi model
pengukuran telah dibuktikan. Kesahan ini memberi gambaran bahawa item yang
digunakan untuk mengukur konstruk kajian berkorelasi secara positif antara satu sama
lain (Hair et al., 2014; Kline, 2011; Schumacker & Lomax, 2010).

Kesahan diskriminan bagi setiap konstruk kajian disemak melalui perbandingan
antara nilai punca kuasa dua AVE dan kesepadanan korelasi antara konstruk (inter-
construct correlation). Nilai cadangan bagi had penerimaan kesahan diskriminan ialah
nilai punca kuasa dua AVE untuk setiap konstruk harus lebih tinggi daripada nilai
kesepadanan korelasi antara konstruk (Garson, 2012; Gaskin, 2016c; Hair et al., 2014).
Berdasarkan keputusan analisis, nilai punca kuasa dua AVE bagi setiap konstruk kajian
adalah lebih tinggi berbanding dengan nilai kesepadanan korelasi antara konstruk, ini
membuktikan kesahan diskriminan bagi model pengukuran kajian. Dapatan ini juga
menunjukkan item-item mempunyai lebih kesamaan dalam konstruk yang diwakili
berbanding konstruk yang lain dan membuktikan setiap konstruk benar-benar berbeza
antara satu sama lain.

282

4.5.4 Rumusan Pengesahan Model Pengukuran

Melalui prosedur CFA, model pengukuran telah diakses untuk pengesahan. Namun
analisis awal menujukkan indeks fit bagi model kajian tidak cukup baik dan memerlukan
proses pengubahsuaian model dijalankan.

Semakan terhadap nilai standardized regression weights menunjukkan tiada item
mempunyai nilai beban di bawah 0.5, namun item a46ub, a37bi dan a41bi mempunyai
nilai beban menghampiri 1.0 (> 0.95) dan terpaksa digugurkan kerana dipercayai
berkorelasi tinggi di antara item. Manakala semakan indeks model fit melalui perisian
IBM SPSS Amos telah mendedahkan wujud kes Heywood di dalam model kajian. Maka
melalui tindakan yang diambil bagi menangani isu tersebut, item a10ee telah digugurkan.

Proses pengubahsuai model ini telah berjaya menambah baik indeks model fit,
namun pemeriksaan Modification Indices (MI) mendedahkan isu pertindihan antara item.
Nilai MI hubungan antara e29 (error terms untuk item a25fc) dan e30 (error terms untuk
item a26fc) adalah tinggi. Ini menjelaskan bahawa item a25fc dan a26fc adalah bertindih
antara satu sama lain. Berdasarkan perkaitan antara kedua-dua item tersebut (berdasarkan
justifikasi literatur), item a25fc dan a26fc telah dikovarianskan.

Seterusnya pemeriksaan nilai Standardized Residual Covariances telah
mendedahkan dua item (a19si dan a28fc) mempunyai nilai residual melebihi aras
kecukupan ±4. Oleh itu, kedua-dua item tersebut juga telah digugurkan. Akhirnya, proses

283

pengubahsuaian model telah menghasilkan indeks fit model pengukuran yang lebih baik
dan memenuhi aras kecukupan indeks model fit.

Setelah pengesahan kecukupan nilai model fit diterima, maka konstruk kajian
diuji untuk kebolehpercayaan dan kesahan model. Kebolehpercayaan konstruk diakses
melalui perbandingan nilai AVE dan CR. Setiap konstruk di dalam model menunjukkan
nilai kecukupan yang baik iaitu >0.7 (CR) dan >0.5 (AVE). Manakala kesahan model
(kesahan konvergen dan diskriminan) juga telah dibuktikan dengan mengakses nilai CR,
AVE, Standardized factor loading, serta perbandingan antara nilai punca kuasa dua AVE
dan kesepadanan korelasi antara konstruk. Kesemua nilai yang terhasil adalah memenuhi
nilai kecukupan cadangan.

Secara keseluruhannya, model pengukuran telah mencapai indeks goodness of fit
yang baik (melalui pengubahsuaian model), diikuti pembuktian dan pengesahan terhadap
kebolehpercayaan dan kesahan model, maka model pengukuran telah disahkan sesuai
untuk proses analisis statistik peringkat seterusnya iaitu analisis SEM.

4.6 Penilaian Andaian Pemodelan Persamaan Struktur (SEM)

Sebelum melaksanakan analisis SEM atau penilaian model struktur, beberapa andaian
perlu dipenuhi terlebih dahulu, antaranya termasuk ujian kenormalan data (normality),

284

mengesan outliers, dan ujian multikolinearan (Multicollinearity)(Garson, 2015; Gaskin,
2016d; Hair et al., 2014; Zainudin, 2015).

4.6.1 Ujian Kenormalan dan Mengesan Outliers (Univariat dan Multivariat)

Garson (2015) dan Hair et al. (2014) menjelaskan, dalam analisis multivariat,
kenormalan data merupakan andaian yang paling utama untuk dipenuhi iaitu menjadi
prasyarat untuk membuat kesimpulan dapatan penyelidikan. Namun begitu, kajian yang
mempunyai saiz sampel melebihi 200, isu kenormalan data tidak timbul (Hair et al.,
2014); secara tidak langsung menyokong isu kenormalan data kajian ini, yang
menggunakan data sampel melebihi 200 orang. Bagi kajian ini, ujian kenormalan data
diakses melalui nilai skewness dan kurtosis (kenormalan univariat) dan anggaran
kenormalan Mardia’s multivariat kurtosis menggunakan perisian IBM SPSS Amos.
Melalui pemeriksaan nilai skewness dan kurtosis, seperti dilaporkan dalam Jadual 4.16,
mendedahkan semua nilai pengukuran skewness dan kurtosis berada dalam julat ±2
(Garson, 2012). Namun, pengukuran terhadap nilai Critical Region (CR) - skewness,
didapati satu item (a24fc) menghasilkan nilai 9.085; melebihi nilai kecukupan
kenormalan data (>8.0) dan tiada item menghasilkan nilai Critical Region (CR) - kurtosis
melebihi nilai kecukupannya (>0.3) (Hair et al., 2014; Zainuddin, 2015). Tambahan pula,
nilai Mardia’s coefficient untuk multivarian kurtosis adalah 643.714; terlalu besar
berbanding nilai kecukupan kenormalan multivariat iaitu di bawah 1.96 (Garson, 2012).
Dengan itu, dapatan analisis membayangkan bahawa data kajian bertaburan secara tidak
normal.

285

Jadual 4.16

Ujian Kenormalan Data

Pemboleh skew c.r. kurtosis c.r. Pemboleh skew c.r. kurtosis c.r.
ubah ubah
a34tef -0.085 -0.930 -0.710 -3.887 a39bi -0.654 -7.163 -0.187 -1.022
a31tef -0.443 -4.848 -0.184 -1.009 a43ub 0.134 1.469 -0.981 -5.373
a33tef 0.041 0.454 -0.80 -4.382 a49ub 0.445 4.877 -0.868 -4.754
a35tef -0.097 -1.066 -0.748 -4.096 a44ub 0.379 4.148 -0.829 -4.542
a30tef -0.011 -0.121 -0.593 -3.249 a47ub 0.485 5.312 -0.843 -4.617
a32tef -0.035 -0.381 -0.727 -3.984 a45ub 0.413 4.519 -0.933 -5.110
a15si -0.158 -1.732 -0.798 -4.372 a48ub 0.523 5.724 -0.715 -3.918
a16si 0.168 1.839 -0.567 -3.103 a9ee -0.199 -2.177 -0.647 -3.545
a21si -0.292 -3.203 -0.459 -2.511 a13ee -0.086 -0.939 -0.597 -3.270
a17si -0.561 -6.147 -0.221 -1.208 a5pe -0.074 -0.806 -0.741 -4.060
a18si -0.120 -1.313 -0.697 -3.818 a4pe -0.543 -5.943 -0.371 -2.030
a24fc 0.829 9.085 -0.225 -1.233 a6pe -0.311 -3.404 -0.478 -2.618
a23fc 0.360 3.942 -1.022 -5.596 a7pe -0.323 -3.539 -0.427 -2.336
a26fc -0.095 -1.039 -0.727 -3.981 a1pe -0.151 -1.654 -0.538 -2.948
a25fc 0.004 0.042 -0.699 -3.828 a2pe -0.188 -2.054 -0.567 -3.107
a22fc 0.144 1.583 -1.002 -5.485 a8ee -0.204 -2.236 -0.539 -2.951
a36bi -0.292 -3.195 -0.622 -3.406 a14ee -0.281 -3.082 -0.555 -3.040
a38bi -0.283 -3.095 -0.592 -3.244 a11ee -0.316 -3.457 -0.528 -2.890
a42bi -0.368 -4.034 -0.539 -2.952 a3pe -0.176 -1.933 -0.456 -2.496
a40bi -0.256 -2.806 -0.651 -3.566 Multivariat 643.714 152.718

Menyedari bahawa ketidak-normalan data yang ekstrim akan menghasilkan
keputusan kajian yang tidak boleh dipercayai, pengukuran nilai skor-z (standardized z
scores) untuk mengesan univariat outliers dan pengukuran nilai Mahalanobis distance
(D2) untuk mengesan multivariat outliers perlu dijalankan (Garson, 2012; Hair et al.,
2014). Garson (2012), mencadangkan hanya kes outliers yang ekstrim sahaja perlu
digugurkan, bertujuan bukan sahaja untuk mengatasi isu ketidak-normalan data tetapi
untuk mengekalkan keperwakilan sampel terhadap set data kajian.

286

Bertujuan untuk mengesan univariat outliers, nilai skor-z (standardized z scores)
setiap pemboleh ubah diperolehi dan dinilai melalui prosedur analisis deskriptif
menggunakan IBM SPSS. Pemeriksaan terhadap nilai skor-z setiap pemboleh ubah
menunjukkan tiada nilai yang berada di luar julat kecukupan yang dicadangkan iaitu ±4.
Dapatan ini mengambarkan tiada kes outliers yang ekstrim dan mencadangkan tiada isu
univariat outliers dalam set data kajian ini.

Seterusnya, isu multivariat outliers dikenal pasti melalui pengujian Mahalanobis
distance (D2). Jadual 4.17 menunjukkan keputusan pengujian multivariat outliers.
Menggunakan aras p1<0.005 kriteria untuk Mahalanobis distance, sebanyak 90 kes
dianggap signifikan outliers (Hair et al., 2014; Kline, 2011; Zuraidah, 2014) dan
dicadangkan untuk digugurkan daripada sampel kajian. Selepas 90 kes digugurkan
daripada set data kajian, baki sampel sebanyak n=630 (720 - 90) masih tinggal untuk
analisis peringkat seterusnya. Set data yang berbaki dianggap mencukupi untuk
generalisasi dapatan kajian, kerana hanya 12.5 % sahaja sampel yang digugurkan dan saiz
sampel masih melebihi saiz yang diperlukan iaitu 384.

287

Jadual 4.17

Analisis Multivariat Outliers

No. Pemerhatian Mahalanobis d2 p1 No. Pemerhatian Mahalanobis d2 p1

470 211.52 0 439 91.229 0
467 201.243 0 693
473 0 680 89.56 0
715 173.8 0 438
469 167.601 0 705 87.969 0
459 160.577 0 457
384 146.027 0 451 87.661 0
462 138.686 0 689
463 134.699 0 717 87.521 0
714 131.072 0 711
455 128.744 0 464 86.93 0
422 126.294 0 720
687 125.405 0 365 86.06 0
447 124.208 0 695
453 118.428 0 696 85.424 0
454 114.307 0 691
430 114.03 0 480 85.383 0
431 111.527 0 712
337 111.527 0 427 84.984 0
460 111.225 0 718
456 106.355 0 679 84.596 0
461 103.913 0 681
471 103.818 0 437 84.137 0
465 102.993 0 425
685 102.845 0 428 84.092 0
700 102.802 0 694
386 102.441 0 343 83.742 0
466 100.863 0 392
448 100.333 0 295 83.467 0
643 100.001 0 311
393 98.735 0 692 83.239 0
703 98.678 0 719
385 97.092 0 666 83.071 0
436 95.533 0 357
441 0 398 81.716 0
468 95.1 0 387
450 93.955 0 410 81.518 0
446 93.848 0 708
92.081 81.387 0
91.516
80.792 0

80.295 0

77.948 0

77.872 0

77.363 0

77.272 0

76.511 0

76.4 0

76.376 0

76.277 0

75.764 0

75.74 0

75.567 0

74.893 0

74.662 0.001

74.319 0.001

73.616 0.001

73.222 0.001

(bersambung)

288

Jadual 4.17 (sambungan)

No. Pemerhatian Mahalanobis d2 p1 No. Pemerhatian Mahalanobis d2 p1
483 72.734 0.001 317 67.952 0.003
442 72.72 0.001 350 67.78 0.003
374 72.568 0.001 383 67.603 0.003
249 72.56 0.001 344 66.398 0.004
200 71.694 0.001 445 66.251 0.004
401 71.501 0.001 406 65.428 0.005
663 70.71 0.001 472 65.316 0.005
677 69.919 0.002 698 65.249 0.005
676 68.832 0.002 418 65.109 0.005

Selepas pengguguran kes outliers (90 kes), nilai Mardia’s coefficient untuk
multivarian kurtosis telah menurun secara mendadak iaitu signifikan daripada 643.714
(Jadual 4.16) kepada 228.229 (Jadual 4.18) iaitu sebanyak 64.54 %. Oleh itu proses
pengguguran sampel telah berjaya mengurangkan isu ketidak-normalan multivariat
(Kline, 2011; Zuraidah, 2014), di samping nilai skewness dan kurtosis juga menurun
melepasi aras kecukupan; menunjukkan isu ketidak-normalan univariat telah dapat diatasi
(tiada item menghasilkan nilai CR-skewness >0.8 dan nilai CR-kurtosis >0.3). Dengan
itu, dapatan analisis menunjukkan set data kajian telah memenuhi kenormalan univariat
iaitu data kajian bertaburan normal dan memenuhi kriteria untuk analisis SEM.

289

Jadual 4.18

Ujian Kenormalan Data (Selepas Pengguguran Kes Outliers)

Pemboleh skew c.r. kurtosis c.r. Pemboleh skew c.r. kurtosis c.r.
ubah ubah
a34tef -0.099 -1.016 -0.626 -3.208 -6.045
a31tef -0.438 -4.493 -0.061 -0.313 a39bi -0.590 0.836 -0.213 -1.092
a33tef 0.034 0.349 -0.720 -3.687 3.635 -0.921 -4.721
a35tef -0.109 -1.117 -0.694 -3.554 a43ub 0.082 3.172 -0.898 -4.603
a30tef -0.062 -0.634 -0.505 -2.587 4.194 -0.849 -4.348
a32tef -0.071 -0.723 -0.679 -3.477 a49ub 0.355 3.660 -0.895 -4.584
a15si -0.208 -2.131 -0.678 -3.474 4.606 -0.920 -4.715
a16si 0.160 1.636 -0.450 -2.305 a44ub 0.310 -2.248 -0.743 -3.804
a21si -0.228 -2.335 -0.449 -2.302 -1.018 -0.562 -2.881
a17si -0.482 -4.940 -0.267 -1.368 a47ub 0.409 -1.054 -0.501 -2.565
a18si -0.108 -1.105 -0.644 -3.298 -5.102 -0.671 -3.439
a24fc 0.684 7.010 -0.467 -2.392 a45ub 0.357 -2.912 -0.468 -2.397
a23fc 0.294 3.012 -0.996 -5.103 -2.911 -0.439 -2.247
a26fc -0.106 -1.084 -0.651 -3.334 a48ub 0.449 -1.651 -0.400 -2.052
a25fc -0.051 -0.521 -0.679 -3.481 -1.763 -0.465 -2.385
a22fc 0.104 1.062 -0.928 -4.752 a9ee -0.219 -1.866 -0.530 -2.717
a36bi -0.273 -2.800 -0.542 -2.777 -2.488 -0.466 -2.388
a38bi -0.281 -2.876 -0.505 -2.587 a13ee -0.099 -3.123 -0.538 -2.756
a42bi -0.367 -3.758 -0.469 -2.401 -1.780 -0.522 -2.675
a40bi -0.221 -2.265 -0.559 -2.864 a5pe -0.103 -0.402 -2.057
228.229 50.649
a4pe -0.498

a6pe -0.284

a7pe -0.284

a1pe -0.161

a2pe -0.172

a8ee -0.182

a14ee -0.243

a11ee -0.305

a3pe -0.174

Multivariat

4.6.2 Ujian Multikolinearan

Multikolinearan atau Multicollinearity didefinisikan sebagai situasi berlakunya korelasi
yang tinggi antara set pemboleh ubah dalam konstruk tertentu atau antara konstruk itu
sendiri (Garson, 2015; Hair et al., 2014). Isu multikolinearan ini timbul apabila pekali
korelasi antara konstruk adalah melebihi 0.9 (Hair et al., 2014) dan nilai beban faktor
menghampiri nilai 1.0 (Garson, 2012). Pengujian bagi mengesan isu multikolinearan
telah dilakukan terhadap set data kajian ini menggunakan perisian IBM SPSS Amos dan
analisis menunjukkan semua konstruk mempunyai nilai pekali korelasi di bawah 0.9 dan

290

nilai beban faktor di bawah 0.96. Analisis ini membuktikan bahawa masalah
multikolinearan tidak wujud untuk mempengaruhi dapatan kajian ini.

Namun begitu, untuk mengesahkan dapatan pengujian multikolinearan ini, kajian
ini telah menyemak dapatan melalui prosedur analisis linear regression menggunakan
perisian IBM SPSS. Jadual 4.19 menunjukkan nilai toleransi adalah antara 0.215 dan
0.326, dan varians faktor inflasi (variance inflation factor - VIF) adalah antara 3.071 dan
4.641. Dapatan analisis pengujian ini telah memenuhi nilai kecukupan toleransi (> 0.10)
dan nilai VIF (<10.0) (Gaskin, 2016c). Semakan ini telah mengesahkan bahawa isu
multikolinearan dalam kalangan data tidak timbul bagi kajian ini.

Jadual 4.19

Pengujian Multikolinearan menggunakan Nilai Toleransi dan VIF

Kolineariti Statistik

Model Toleransi VIF

1 Jangkaan Penggunaan (JPG) .246 4.058

Efikasi Guru (EG) .215 4.641

Pengaruh Sosial (PS) .258 3.869

Keadaan Kemudahan (KK) .326 3.071

Nota: Pemboleh ubah bersandar - Niat Tingkah Laku (NTL) dan Tingkah Laku Penggunaan (TLP).

4.6.3 Rumusan Penilaian Andaian Pemodelan Persamaan Struktur

Bertujuan untuk memastikan set data kajian memenuhi andaian dan prasyarat untuk
pelaksanaan analisis SEM, ujian kenormalan, pengesanan kes outliers dan ujian
multikolineran telah dilaksanakan. Sebanyak 90 kes terpaksa digugurkan dalam usaha
untuk memastikan set data adalah bertaburan normal dan bebas daripada kes outliers

291

(n=630). Ujian multikolineran menggunakan prosedur analisis linear regression telah
membuktikan bahawa set data adalah bebas daripada isu multikolineran dengan nilai
kecukupan toleransi (> 0.10) dan nilai VIF (<10.0). Oleh itu, set data kajian ini telah
memenuhi andaian dan prasyarat untuk pelaksanaan penilaian SEM.

4.7 Penilaian Model Struktur - Pemodelan Persamaan Struktur (SEM)

Perisian analisis statistik IBM SPSS Amos versi 22.0 telah diguna untuk melaksanakan
penilaian Pemodelan Persamaan Struktur atau Structural equation modeling (SEM).
Terdapat dua pemboleh ubah endogenous yang dipengaruhi oleh empat pemboleh ubah
exogenous di dalam model cadangan (Rajah 4.2). Dua pemboleh ubah endogenous
tersebut ialah Niat Tingkah Laku (NTL) dan Tingkah Laku Penggunaan (TLP), manakala
empat pemboleh ubah exogenous yang dimaksudkan ialah Jangkaan Penggunaan (JPG),
Pengaruh Sosial (PS), Keadaan Kemudahan (KK), dan Efikasi Guru (EG).

292

Rajah 4.2. Model Cadangan dengan Nilai Anggaran Standardized Regression Weights

Nota: UE = Jangkaan Penggunaan (JPG), SI = Pengaruh Sosial (PS), FC = Keadaan Kemudahan (KK),
TEF = Efikasi Guru (EG), BI = Niat Tingkah Laku (NTL), dan UB = Tingkah Laku Penggunaan (TLP).

4.7.1 Analisis Perbandingan Model Alternatif
Sebelum analisis SEM dilaksanakan terhadap model struktur, analisis perbandingan
model perlu dilakukan terlebih dahulu bagi mengenal pasti model terbaik untuk
pengujian hipotesis. Model struktur yang mempunyai indeks fit model terbaik mampu
menghasilkan pembuktian hipotesis paling tepat dalam menjawab persoalan kajian
(Garson, 2015; Kline, 2011; Mohd Awang & Dollard, 2011; Wong, Rosma, Goh, &
Mohd Khairezan, 2013). Untuk penilaian perbandingan model alternatif, kajian ini

293

menggunakan enam indeks fit mutlak iaitu nilai (1) Normed Chi-square (χ2/df), (2)
Goodness-of-Fit Index (GFI), (3) Comparative Fit Index (CFI), (4) Tucker-Lewis Index
(TLI), (5) Root Mean Square Error of Approximation (RMSEA) dan (6) Standardised
Root Mean Square Residual (SRMR). Nilai kecukupan yang menjadi aras pengukuran
ialah ≥0.9 bagi indeks GFI, CFI dan TLI, <0.08 bagi indeks RMSEA dan SRMR, dan
nilai antara 1 hingga 5 bagi indeks χ2/df. Keputusan analisis perbandingan model
alternatif (M0, M1, M2, M3) ditunjukkan dalam Jadual 4.20.

Jadual 4.20

Perbandingan Model Alternatif

MODEL RMSEA SRMR CFI TLI GFI CMIN (χ2) df χ2/df

M0. NullModel; model tidak 0.086 0.391 0.889 0.882 0.764 3927.599 695 5.651

berhubung

M1. Direct Effect Model; 0.083 0.3305 0.898 0.890 0.771 3683.018 692 5.322

model kesan langsung

M2. Model cadangan 0.068 0.060 0.932 0.926 0.808 2684.216 688 3.901

M3. Fully Correlated Model; 0.065 0.0488 0.938 0.933 0.818 2500.483 684 3.656

model hubungan penuh

Model M0 dan M1 mempunyai indeks fit yang tidak mencapai aras kecukupan
dengan nilai CFI dan TLI berada di bawah 0.9, SRMR dan RMSEA adalah tidak fit
dengan nilai melebihi 0.08 dan nilai χ2/df berada di luar julat 1 hingga 5. Manakala,
semua indeks fit bagi model M2 (model cadangan) dan model M3 (model hubungan
penuh) menunjukkan perbezaan lebih baik berbanding model M1 dengan nilai CFI dan
TLI melebihi 0.9, nilai SRMR dan RMSEA berada di bawah 0.08 dan nilai χ2/df berada
di dalam julat 1 hingga 5. Semua nilai berada pada aras kecukupan yang dicadangkan,
kecuali nilai GFI (<0.9), namun (Gaskin, 2016b) mencadangkan nilai GFI (>0.8) adalah
nilai dibenarkan berbanding ≥0.9 (sempurna). Oleh itu dapat disimpulkan bahawa model

294

M2 dan model M3 adalah model yang memenuhi kecukupan indeks fit untuk analisis
SEM. Jadual 4.21 menunjukkan nilai fit bagi model hubungan penuh (M3) berbanding
model cadangan (M2) dengan berpandukan nilai kecukupan (Indeks Goodness-of-fit).

Jadual 4.21

Perbandingan Indeks Goodness-of-fit antara Model Hubungan Penuh dan Model
Cadangan

Indeks Goodness-of-fit Kriteria Model Fit Model Fit
Chi-square (χ2) (Aras (Model Cadangan) (Model Hubungan

penerimaan) 2684.216 (688,0.000) Penuh)
Sig. α=0.05
2500.483 (684,0.000)

Normed Chi-square (χ2/df) 1-5 3.901 3.656

RMSEA < 0.08 0.068 0.065

GFI > 0.8 0.808 0.818
0.938
CFI ≥ 0.9 0.932 0.933

TLI ≥ 0.9 0.926

SRMR < 0.08 0.060 0.0488

R2 > 0.50* NTL: 0.746 NTL: 0.733

TLP: 0.585 TLP: 0.651

Nota: Sig. bagi nilai Chi-square (χ2) adalah dijangka. Hair et al. (2014); abaikan nilai absolute fit index of

minimum Discrepancy Chi Square, seandainya saiz sampel melebihi 200 orang.

*Gaskin (2016h) dan tetapan umum dalam bidang kajian sains sosial.

Perbandingan antara model menujukkan, model hubungan penuh (M3)

mempunyai nilai fit yang lebih memuaskan berbanding model cadangan (M2). Semua

nilai fit bagi model M3 (RMSEA = 0.065, SRMR = 0.049, CFI = 0.938, TLI = 0.933,
GFI = 0.818, χ2/df = 3.656) lebih berbaik berbanding nilai fit bagi model M2 (RMSEA =
0.068, SRMR = 0.060, CFI = 0.932, TLI = 0.926, GFI = 0.808, χ2/df = 3.901).

Berpandukan kepada analisis perbandingan ini, penyelidik telah menetapkan bahawa

model M3 adalah model terbaik untuk analisis SEM. Pembuktian hipotesis kajian telah

diakses berdasarkan keputusan analisis anggaran model M3 (Rajah 4.3). Manakala dalam

penulisan perlaporan, model M3 dilabel serta dirujuk sebagai model kajian.

295

Rajah 4.3. Model Hubungan Penuh dengan Nilai Anggaran Standardized Regression
Weights

Nota: UE = Jangkaan Penggunaan (JPG), SI = Pengaruh Sosial (PS), FC = Keadaan Kemudahan (KK),
TEF = Efikasi Guru (EG), BI = Niat Tingkah Laku (NTL), dan UB = Tingkah Laku Penggunaan (TLP).

4.7.2 Pengujian Hipotesis
Pengujian hipotesis bagi kajian ini dilaksanakan melalui analisis SEM menggunakan
IBM SPSS Amos. Seperti pengesahan model pengukuran, model struktur dinilai
berdasarkan kecukupan nilai Goodness-of-fit. Penilaian menunjukkan nilai indeks
Goodness-of-fit bagi model struktur kajian berada dalam aras kecukupan yang
dicadangkan iaitu χ2=2500.483 (df=684,p=0.000) adalah signifikan, , χ2/df = 3.656 berada

296

di bawah 5.0, CFI = 0.938 dan TLI = 0.933 adalah di atas nilai 9.0, GFI = 0.818 berada
pada nilai dibenarkan >0.8, dan RMSEA = 0.065 dan SRMR = 0.049 berada di bawah
0.08. Oleh itu, keseluruhan model fit adalah mencukupi untuk pengujian hipotesis kajian.

Secara keseluruhannya sebanyak 31 hipotesis teras dan sub-hipotesis kajian telah
diuji. Pengujian hipotesis ini dibuktikan melalui penilaian terhadap hubungan dan
pengaruh antara konstruk di dalam model. Nilai β (anggaran pekali laluan - estimated
path coefficient) dan nilai-t (nilai standard errors) diguna untuk membuktikan hipotesis
kajian (Hair et al., 2014; Zainudin, 2015). Manakala keputusan pembuktian hipotesis
adalah berdasarkan nilai signifikan (nilai-P <0.05) atau nilai tidak signifikan (nilai-P
>0.05). Hipotesis kajian (H) adalah disokong apabila terdapat pengaruh signifikan antara
pemboleh ubah di dalam hipotesis yang dinyatakan.

4.7.2.1 Analisis Pengujian Kesan Langsung

H1 Jangkaan Penggunaan secara signifikan mempengaruhi Niat Tingkah Laku
untuk melaksanakan pendekatan PT.

Analisis SEM menunjukkan anggaran pekali laluan dari Jangkaan Penggunaan ke Niat
Tingkah Laku (JPG--->NTL) adalah signifikan dengan hubungan (β = 0.395, t= 7.713; p
= 0.000). Memandangkan nilai-P lebih rendah daripada 0.05, maka hipotesis H1 adalah
disokong. Kajian merumuskan bahawa Jangkaan Penggunaan (JPG) secara signifikan
mempengaruhi Niat Tingkah Laku (NTL) untuk melaksanakan pendekatan Pembelajaran

297

Teradun. Dapatan ini menunjukkan jangkaan penggunaan yang tinggi daripada para guru
akan meningkatkan niat mereka untuk menggunakan pendekatan Pembelajaran Teradun.

H3 Pengaruh Sosial secara signifikan mempengaruhi Niat Tingkah Laku untuk
melaksanakan pendekatan PT.

Analisis SEM menunjukkan anggaran pekali laluan dari Pengaruh Sosial ke Niat Tingkah
Laku (PS--->NTL) adalah signifikan dengan hubungan (β = 0.196, t= 4.096; p = 0.000).
Nilai-P adalah lebih rendah daripada 0.05, oleh itu hipotesis H3 dapat disokong. Kajian
merumuskan bahawa Pengaruh Sosial (PS) secara signifikan mempengaruhi Niat
Tingkah Laku (NTL) untuk melaksanakan pendekatan Pembelajaran Teradun. Dapatan
membayangkan bahawa pengaruh sosial guru berupaya mempengaruhi peningkatan niat
mereka untuk menggunakan pendekatan Pembelajaran Teradun.

H4 Keadaan Kemudahan secara signifikan mempengaruhi Niat Tingkah Laku
untuk melaksanakan pendekatan PT.

Keputusan analisis SEM menunjukkan anggaran pekali laluan dari Keadaan Kemudahan
ke Niat Tingkah Laku (KK--->NTL) adalah signifikan dengan hubungan (β = -0.162, t= -
3.786; p = 0.000). Nilai-P adalah lebih rendah daripada 0.05, oleh itu hipotesis H4 adalah
disokong. Kajian merumuskan bahawa Keadaan Kemudahan (KK) secara signifikan
mempengaruhi Niat Tingkah Laku (NTL) untuk melaksanakan pendekatan Pembelajaran
Teradun. Hasil analisis menunjukkan niat guru amat dipengaruhi oleh keadaan
kemudahan yang disediakan.

298

H5 Keadaan Kemudahan secara signifikan mempengaruhi Tingkah Laku
Penggunaan untuk melaksanakan pendekatan PT.

Keputusan analisis menunjukkan anggaran pekali laluan dari Keadaan Kemudahan ke
Tingkah Laku Penggunaan (KK--->TLP) adalah signifikan dengan hubungan (β = 0.146,
t= 3.058; p = 0.002). Nilai-P adalah lebih rendah daripada 0.05, oleh itu hipotesis H5
disokong. Kajian merumuskan bahawa Keadaan Kemudahan (KK) secara signifikan
mempengaruhi Tingkah laku Penggunaan (TLP) untuk melaksanakan pendekatan
Pembelajaran Teradun. Dapatan ini mengambarkan bahawa tahap penggunaan
pendekatan Pembelajaran Teradun dalam kalangan guru dapat ditingkatkan apabila
keadaan kemudahan ditambah baik.

H6 Efikasi Guru secara signifikan mempengaruhi Niat Tingkah Laku untuk
melaksanakan pendekatan PT.

Keputusan analisis SEM menunjukkan anggaran pekali laluan dari Efikasi Guru ke Niat
Tingkah Laku (EG--->NTL) adalah signifikan dengan hubungan (β = 0.453, t= 8.528; p =
0.000). Nilai-P adalah lebih rendah daripada 0.05, oleh itu hipotesis H6 dapat disokong.
Kajian merumuskan bahawa Efikasi Guru (EG) secara signifikan mempengaruhi Niat
Tingkah Laku (NTL) untuk melaksanakan pendekatan Pembelajaran Teradun. Hasil
kajian menunjukkan efikasi kendiri guru yang tinggi sangat mendorong niat mereka
untuk menggunakan pendekatan Pembelajaran Teradun.

299

H7 Niat Tingkah Laku secara signifikan mempengaruhi Tingkah Laku Penggunaan
untuk melaksanakan pendekatan PT.

Keputusan analisis SEM mendedahkan anggaran pekali laluan dari Niat Tingkah Laku ke
Tingkah Laku Penggunaan (NTL--->TLP) adalah tidak signifikan dengan hubungan yang
lemah (β = 0.076, t= 1.431; p = 0.152). Nilai-P adalah lebih tinggi daripada 0.05, oleh itu
hipotesis H7 adalah tidak disokong. Pengujian hipotesis ini telah membuktikan, tiada
hubungan yang wujud antara Niat Tingkah Laku (NTL) dan Tingkah laku Penggunaan
(TLP). Kajian merumuskan bahawa Niat Tingkah Laku (NTL) tidak mempunyai
pengaruh yang besar terhadap Tingkah laku Penggunaan (TLP). Dapatan membayangkan
bahawa sebarang perubahan niat guru tidak menyumbang kepada peningkatan
penggunaan pendekatan Pembelajaran Teradun dalam kalangan guru.

H8 Jangkaan Penggunaan, Pengaruh Sosial, Keadaan Kemudahan dan Efikasi Guru
merupakan faktor peramal bagi Niat Tingkah Laku serta Tingkah Laku
Penggunaan guru.

Daripada lima hipotesis melibatkan pemboleh ubah peramal, empat hipotesis
menghasilkan kesan hubungan positif atau hubungan yang sederhana (nilai beta antara;
0.146 ≤ β ≥ 0.453). Kecuali hubungan pekali antara konstruk Keadaan Kemudahan (KK)
dan Niat Tingkah Laku (NTL) menghasilkan nilai beta yang negatif (β = -0.162). Namun
kelima-lima hipotesis ini dapat disokong dengan semua nilai-p adalah signifikan
(p<0.05).

300

Oleh itu, dapatan ini telah menyokong H8. Kajian merumuskan bahawa Jangkaan
Penggunaan (JPG), Pengaruh Sosial (PS), Keadaan Kemudahan (KK), dan Efikasi Guru
(EG) merupakan faktor peramal bagi Niat Tingkah Laku (NTL) serta Tingkah Laku
Penggunaan (TLP) guru. Hasil kajian menunjukkan bahawa Jangkaan Penggunaan (JPG),
Pengaruh Sosial (PS), Keadaan Kemudahan (KK) dan Efikasi Guru (EG) merupakan
faktor-faktor yang mempengaruhi penerimaan serta penggunaan pendekatan
Pembelajaran Teradun dalam kalangan guru.

Rumusan pengujian hipotesis - kesan langsung
Pengujian hipotesis hubungan langsung melalui analisis SEM telah mencadangkan lima
hipotesis utama yang melibatkan pemboleh ubah exogenous (H1, H3, H4, H5, dan H6) agar
diterima, kerana membawa pengaruh yang signifikan terhadap pemboleh ubah
endogenous. Kesemua hubungan adalah positif dengan nilai β ≤ 0.453 (nilai beta bagi
EG--->NTL = 0.453, JPG--->NTL = 0.395, PS--->NTL = 0.196, KK--->TLP = 0.146),
kecuali hubungan antara Keadaan Kemudahan (KK) dan Niat Tingkah Laku (NTL)
menghasilkan nilai beta negatif (β = -0.162). Manakala satu hipotesis (H7) tidak dapat
diterima kerana hubungan yang tidak signifikan (β = 0.076, t = 1.431; p = 0.152).

Pengujian hipotesis H10a (Jangkaan Usaha secara signifikan mempengaruhi
Keadaan Kemudahan) dan H11a (Efikasi Guru secara signifikan mempengaruhi Keadaan
Kemudahan), merupakan sebahagian hipotesis berkaitan pembuktian kesan mediator
terhadap hubungan antara konstruk di dalam model struktur. Oleh itu dapatan analisis

301

akan dibincang dengan lebih terperinci dalam subtajuk; Analisis Pengujian Kesan
Mediator.

Analisis Squared Multiple Correlations (R2) menunjukkan nilai varians bagi
konstruk Niat Tingkah Laku (NTL) yang diramal oleh pemboleh ubah exogenous adalah
0.733 (R2 bagi NTL = 0.733). Ini bererti bahawa sebanyak 73.3 % daripada jumlah
varians dalam konstruk Niat Tingkah Laku (NTL) dapat diramal oleh varians dalam
Jangkaan Penggunaan (JPG), Pengaruh Sosial (PS), Keadaan Kemudahan (KK) dan
Efikasi Guru (EG). Keputusan ini mengambarkan bahawa, terdapat hanya 26.7 % sahaja
perubahan dalam Niat Tingkah Laku (NTL) disebabkan oleh faktor lain yang tidak
diramal oleh model kajian ini.

Bagi konstruk Tingkah Laku Penggunaan (TLP), analisis R2 menghasilkan nilai
0.651 (R2 bagi TLP = 0.651). Ini bermakna, sebanyak 65.1 % daripada jumlah varians
dalam konstruk Tingkah Laku Penggunaan (TLP) dapat diramal oleh varians dalam
Jangkaan Penggunaan (JPG), Pengaruh Sosial (PS), Keadaan Kemudahan (KK), Efikasi
Guru (EG), dan Niat Tingkah Laku (NTL). Terdapat hanya 34.9 % sahaja perubahan
dalam Tingkah Laku Penggunaan (TLP) disebabkan oleh faktor lain yang tidak diramal
oleh kajian ini.

Dapatan analisis R2 ini secara tidak langsung merumuskan bahawa varians dalam
pemboleh ubah endogenous dapat diramal secara majoriti oleh varians dalam pemboleh
ubah exogenous cadangan. Berdasarkan dapatan analisis, dirumuskan bahawa model

302

struktur kajian ini adalah model hampir sempurna dalam meramal faktor-faktor yang
mempengaruhi penerimaan dan penggunaan pendekatan Pembelajaran Teradun dalam
kalangan guru di Malaysia. Keputusan pengujian kesan langsung melalui perisian
statistik IBM SPSS Amos ditunjukkan di Lampiran C. Manakala Jadual 4.22
menunjukkan ringkasan pengujian hipotesis kesan langsung dan digambarkan melalui
perwakilian grafik dalam Rajah 4.4 bagi menunjukkan pekali laluan (path coefficients)
hubungan antara pemboleh ubah kajian.

Jadual 4.22
Ringkasan Pengujian Hipotesis Kesan Langsung (Direct effect)

Hipotesis Hubunga

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

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

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

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

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

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

H10a JPG secara signifikan mempengaruhi KK JPG -

H11a EG secara signifikan mempengaruhi KK EG --
R2 (NTL) = 0.733

R2 (TLP) = 0.651

Statistik Goodness-of-fit; χ2=2500.483 (df=684,p=0.000), χ2/df=3.656, CFI

Nota: JPG=Jangkaan Penggunaan, PS=Pengaruh Sosial, KK=Keadaan Kem

Penggunaan.
Nilai kecukupan: Signifikan χ2, χ2/df antara 1 - 5, CFI >0.90, TLI >0.90, GFI >
***p<0.001, **p<0.05, *p<0.1, ns tidak signifikan.

Model Kajian

an hipotesis Standardized nilai-t nilai-p Keputusan
--->NTL estimate (β) disokong
7.713 ***
0.395***

--> NTL 0.196*** 4.096 *** disokong

--> NTL -0.162*** -3.786 *** disokong

--> TLP 0.146** 3.058 0.002 disokong

--> NTL 0.453*** 8.528 *** disokong

--->TLP 0.076ns 1.431 0.152 tidak disokong
---> KK 0.037ns 0.615 0.539 tidak disokong
--> KK 0.318*** 5.029
*** disokong

I=0.938, TLI=0.933, GFI=0.818, RMSEA=0.065, SRMR=0.049.
mudahan, EG=Efikasi Guru, NTL=Niat Tingkah Laku dan TLP=Tingkah Laku

>=0.90, RMSEA <0.08, SRMR <0.08.

303

H10a = 0.037ns Jangkaan H1 = 0.395*
Penggunaan (JPG) H3 = 0.196**

Pengaruh Sosial (PS)

Keadaan Kemudahan H4 = -0.162***
(KK)

Efikasi Guru (EG)

H11a = 0.318***

Hubungan signifikan
Hubungan tidak signifikan

***p<0.001, **p<0.05, *p<0.1, ns tidak signifikan.

Rajah 4.4. Keputusan Pengujian Hipotesis - Kesan Langsung

R2 = 0.733

*** H7 = 0.076ns
Niat Tingkah Laku
(NTL) R2 = 0.651

** Tingkah Laku
Penggunaan (TLP)
H6 = 0.453***
H5 = 0.146**

Statistik Goodness-of-fit; χ2=2500.483 (df=684,p=0.000),
χ2/df=3.656, CFI=0.938, TLI=0.933, GFI=0.818,

RMSEA=0.065, SRMR=0.049.

304

305

4.7.2.2 Analisis Pengujian Kesan Mediator

Pengaruh pengantara hubungan atau kesan mediator oleh Keadaan Kemudahan (KK)
dalam membentuk Niat Tingkah Laku (NTL) guru untuk menggunakan pendekatan
Pembelajaran Teradun dinilai melalui kaedah perbandingan hubungan antara konstruk
(kaedah konversional). Seterusnya, kaedah bootstrapping dan bootstrapping
menggunakan plugin IBM SPSS Amos (Estimating MyIndirectEffects A X B) oleh Gaskin
(2016g), telah diguna untuk mengesahkan dapatan analisis. Keputusan pengujian kesan
mediator berdasarkan hipotesis kajian ditunjukkan seperti berikut;

H10 Keadaan Kemudahan merupakan pengantara hubungan antara Jangkaan
Penggunaan dan Niat Tingkah Laku
Bagi pembuktian hipotesis teras ini, terdapat tiga sub-hipotesis (H10a, H10b, dan H10c)
perlu diuji terlebih dahulu, sebelum kesimpulan dapat dibuat untuk menyokong atau tidak
H10.

H10a Jangkaan Penggunaan secara signifikan mempengaruhi Keadaan Kemudahan.
Anggaran pekali laluan dari Jangkaan Penggunaan ke Keadaan Kemudahan (JPG--->KK)
adalah tidak signifikan dengan hubungan yang lemah (β = 0.037, p = 0.539). Nilai-P
lebih tinggi daripada 0.05, maka hipotesis H10a adalah tidak dapat disokong.

306

H10b Jangkaan Penggunaan secara signifikan mempengaruhi Niat Tingkah Laku.
Analisis menunjukkan anggaran pekali laluan dari Jangkaan Penggunaan ke Niat Tingkah
Laku (JPG--->NTL) adalah signifikan dengan hubungan (β = 0.395, p = 0.000). Nilai-P
lebih rendah daripada 0.05, maka hipotesis H10b adalah disokong.

H10c Keadaan Kemudahan secara signifikan mempengaruhi Niat Tingkah Laku.
Keputusan analisis SEM menunjukkan anggaran pekali laluan dari Keadaan Kemudahan
ke Niat Tingkah Laku (KK--->NTL) adalah signifikan dengan hubungan (β = -0.162, p =
0.000). Nilai-P adalah lebih rendah daripada 0.05, oleh itu hipotesis H10c adalah disokong.

Rajah 4.5 menunjukkan hubungan dan nilai Standardized estimate (β) bagi ketiga-tiga
konstruk yang terlibat dalam pembuktian H10.

0.037 ns KK -0.162***
A B
C
JPG 0.395*** NTL

Rajah 4.5. Hubungan dan Nilai Standardized estimate (β) bagi Pembuktian H10

Nota: JPG= Jangkaan Penggunaan, KK= Keadaan Kemudahan, NTL= Niat Tingkah Laku.

Berdasarkan rajah, nilai kesan tidak langsung (Indirect effect) ialah JPG--->KK (0.037) x
KK--->NTL (-0.162) = -0.00599 dan kesan langsung (Direct effect) ialah JPG--->NTL =

307

0.395. Analisis menunjukkan nilai Indirect effect < nilai Direct effect, dan hubungan
indirect adalah tidak signifikan (JPG--->KK adalah tidak signifikan manakala hubungan
KK--->NTL adalah signifikan). Oleh itu, kajian merumuskan bahawa tiada kesan
mediator dalam hubungan ini; Keadaan Kemudahan (KK) bukan pengantara hubungan
antara Jangkaan Penggunaan (JPG) dan Niat Tingkah Laku (NTL). Jadual 4.23
menunjukkan ringkasan pengujian hipotesis H10.

Jadual 4.23

Ringkasan Pengujian Hipotesis H10

Hipotesis untuk analisis hubungan Hubungan Standardized Keputusan
antara konstruk estimate (β) Nilai-P hipotesis
(Sub-hipotesis)

H10a Jangkaan Penggunaan secara 0.037ns 0.539 Tidak sig.
signifikan mempengaruhi Keadaan JPG--->KK(A)

Kemudahan.

H10b Jangkaan Penggunaan secara 0.395*** *** Sig.
signifikan mempengaruhi Niat JPG--->NTL(C)

Tingkah Laku.

H10c Keadaan Kemudahan secara -0.162*** *** Sig.
signifikan mempengaruhi Niat KK--->NTL(B)

Tingkah Laku

A*B -0.00599

A*B < C Tiada kesan mediator; indirect effect

tidak sig. - di mana (A) tidak sig. dan (B)

sig.

Nota: Indirect effect tidak sig. maka tiada kesan mediator dalam hubungan (Gaskin, 2016d; Hayes, 2013).
EG= Efikasi Guru, JPG=Jangkaan Penggunaan, KK= Keadaan Kemudahan, NTL= Niat Tingkah Laku.

Bertujuan untuk mengesahkan pembuktian hipotesis H10 ini, penilaian
menggunakan kaedah bootstrapping telah dilaksanakan. Jadual 4.24 menunjukkan hasil
analisis pengujian hipotesis H10 menggunakan kaedah Bootstrapping.

308

Jadual 4.24

Keputusan Pengujian Hipotesis H10 menggunakan Kaedah Bootstrapping

Hipotesis Kesan langsung Kesan Kesan tidak Keputusan
tanpa mediator langsung
H10 Keadaan Kemudahan 0.395** langsung Tidak disokong
merupakan pengantara 0.393** -0.006ns

(Tiada kesan

hubungan antara Jangkaan mediator; kerana

Penggunaan dan Niat kesan tidak

Tingkah Laku langsung adalah

tidak sig.)

Nota: ***p<0.001, **p<0.005, *p<0.05, ns= tidak sig.
Syarat pengujian kesan mediator dalam model struktur - direct effect tanpa mediator mesti sig. terlebih
dahulu (Gaskin, 2016d; Hayes, 2013; Zainudin, 2015).

Dapatan pengujian menunjukkan nilai Direct effect signifikan dengan (βJPG-->NTL =
0.395, p = 0.001), namun nilai Indirect effect adalah tidak signifikan (βJPG-->KK-->NTL = -
0.006, p = 0.544). Maka, dapatan analisis menunjukkan tiada kesan mediator dalam
hubungan JPG--->KK--->NTL. Keadaan Kemudahan (KK) bukan mediator dalam
hubungan antara Jangkaan Penggunaan (JPG) dan Niat Tingkah Laku (NTL). Oleh itu,
pengujian tidak dapat menyokong hipotesis H10, dan mengesahkan dapatan pengujian
kesan mediator menggunakan kaedah konversional.

Seterusnya, kaedah bootstrapping menggunakan plugin (Estimating
MyIndirectEffects A X B) oleh Gaskin (2016g) digunakan untuk menyemak semula
dapatan pengujian kesan mediator.