P. 1
Projek Arsay Sabri Internet

Projek Arsay Sabri Internet

|Views: 646|Likes:
Published by sabriawang74

More info:

Published by: sabriawang74 on Oct 09, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

11/11/2012

pdf

text

original

Sabri Awang,uum 2009

UNIVERSITI UTARA MALAYSIA SINTOK, KEDAH

STATISTIK UUM

T.TEST, ANOVA, KORELASI, KHI-SQUARE

NAMA MATRIK KAD PENGENALAN KURSUS PENDIDIKAN)

: : : :

SABRI BIN AWANG 800643 741107-03-5587 SARJANA SAINS (PENGURUSAN

statistik

Sabri Awang,uum 2009

PROJEK 1 INTERPRETASI ONE SAMPLE T-TEST

statistik

Sabri Awang,uum 2009

ONE-SAMPLE T TEST Objektif Kajian adalah bertujuan untuk mengenal pasti remaja lelaki yang tidak terlibat dalam sukan mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan. Soalan kajian Adakah terdapat perbezaan remaja lelaki yang tidak terlibat dalam sukan mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan? Hipotesis kajian Ho : Tidak terdapat perbezaan yang signifikan antara remaja lelaki yang tidak terlibat dalam sukan mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan. Ujian dengan Test Value = 50 Langkah :

statistik

Sabri Awang,uum 2009

Output :
One-Sample Statistics N kudi 30 Mean 54.63 Std. Deviation 10.327 Std. Error Mean 1.886

One-Sample Test Test Value = 50 95% Confidence Interval of the Difference Lower Upper .78 8.49

kudi

t 2.457

df 29

Sig. (2-tailed) .020

Mean Difference 4.633

APA Style :
One-Sample Statistics Std. kudi N 30 Mean 54.63 Std. Deviation 10.327 Mean 1.886 Error

One-Sample Test

Test Value = 50 95% Confidence Interval Mean kudi T 2.457 Df 29 Sig. (2-tailed) .020 Difference 4.633 of the Difference Lower .78 Upper 8.49

Keputusan Dapatan Ujian t-satu sampel adalah signifikan , ( t (29) = 2.457, p < .05 ). Oleh itu, kita menolak hipotesis null (Ho) dan menerima hipotesis alternatif (Ha). Ini menunjukkan terdapat perbezaan yang signifikan remaja lelaki yang tidak terlibat dalam sukan

statistik

Sabri Awang,uum 2009 mengalami tahap kemurungan yang lebih tinggi atau lebih rendah berbanding dengan remaja lelaki lain yang bersukan. Kesimpulan Kesimpulannya min sample ialah 54.63 (SD = 10.33), berbeza secara signifikan daripada 50, ( t (29) = 2.46, p = .02 ). Saiz kesan d ialah .45 menunjukkan kesan yang sederhana.

statistik

Sabri Awang,uum 2009

PROJEK 2 INTERPRETASI PAIR SAMPLE T-TEST

statistik

Sabri Awang,uum 2009 PAIRED- SAMPLE T TEST Objektif Kajian adalah bertujuan untuk mengenal pasti sama ada min pekerja-pekerja lebih memberi perhatian terhadap bayaran gaji atau keselamatan kerja. Soalan kajian Adakah terdapat perbezaan min memberi perhatian terhadap bayaran gaji dengan min keselamatan kerja oleh pekerja-pekerja ? Hipotesis kajian Ho : Tidak terdapat perbezaan yang signifikan di antara min memberi perhatian terhadap bayaran gaji dengan min keselamatan kerja oleh pekerja-pekerja. Langkah :

statistik

Sabri Awang,uum 2009 Output :
Paired Samples Statistics Mean 5.67 4.50 N 30 30 Std. Deviation 1.493 1.834 Std. Error Mean .273 .335

Pair 1

pay security

Paired Samples Correlations N Pair 1 pay & security 30 Correlation .088 Sig. .643

Paired Samples Test Paired Differences 95% Confidence Interval of the Difference Lower Upper .323 2.011

Pair 1

pay - security

Mean 1.167

Std. Deviation 2.260

Std. Error Mean .413

t 2.827

df 29

Sig. (2-tailed) .008

APA Style : Paired Samples Statistics
Std. Pair 1 pay security Mean 5.67 4.50 N 30 30 Std. Deviation 1.493 1.834 Mean .273 .335 Error

Paired Samples Correlations
N Pair 1 pay security & 30 Correlation .088 Sig. .643

Paired Samples Test
Paired Differences 95% Confidence Interval Std. Mean Pair 1 pay y – 1.167 2.260 .413 .323 2.011 2.827 29 .008 securit Std. Deviation Mean Error of the Difference Lower Upper T df Sig. (2tailed)

Keputusan statistik

Sabri Awang,uum 2009

Dapatan korelasi ujian t berpasangan adalah tidak signifikan ( r = .09 , p > .05 ). Ini menunjukkan tidak terdapat hubungan antara memberi perhatian terhadap bayaran gaji dengan keselamatan kerja oleh pekerja-pekerja. Dapatan ujian t berpasangan adalah signifikan, ( t ( 29 ) = 2.827 , p < .05 ). Dapatan ini menunjukkan kajian ini berjaya menolak Ho dan dengan itu menerima Ha. Ha: Ujian ini menunjukkan terdapat perbezaan yang signifikan di antara min memberi perhatian terhadap bayaran gaji dengan min keselamatan kerja oleh pekerja-pekerja. Kesimpulan Keputusan menunjukkan bahawa min memberi perhatian terhadap bayaran gaji (M = 5.67, SD = 1.49) secara signifikan adalah lebih tinggi daripada min memberi perhatian terhadap keselamatan kerja (M = 4.50, SD = 1.83).

statistik

Sabri Awang,uum 2009

PROJEK 3 INTERPRETASI INDEPENDENT SAMPLE T-TEST

statistik

Sabri Awang,uum 2009 INDEPENDENT SAMPLE T-TEST (JANTINA) Tarikh kuliah: 01/08/2009 Independent Sample T-Test boleh digunakan dalam mentafsir data dengan menggunakan ujian-t, kita perlu pastikan terlebih dahulu tentang data yang kita gunakan dan sample yang hendak dianalisis. . Contoh: Data Arrsey 2009

Kita harus menentukan pencapaian Matematik KBSM bagi sebuah sekolah berdasarkan jantina. OBJEKTIF KAJIAN Kajian ini bertujuan untuk mengenalpasti pencapaian Matematik KBSM berdasarkan jantina. SOALAN KAJIAN Adakah terdapat perbezaan antara pencapaian matematik KBSM dengan jantina? HIPOTESIS KAJIAN Ho : Tidak terdapat perbezaan yang signifikan antara pencapaian matematik KBSM dengan jantina.

LANGKAH-LANGKAH MENGDAPATKAN DATA OUTPUT MELALUI

statistik

Sabri Awang,uum 2009 PROGRAM SPSS: Klik : Analyze Compare Means Independence Sample T-Test Test Variables Grouping variable Define Group…Group 1….Group2 Continue OK Langkah diatas ditunjukkan seperti rajah berikut:

Pada kotak yang tertera, masukkan test variable MathKBSM dan grouping variable jantina dan define group 1 dan 1. Kemudian klik continue dan ok

Output yang terhasil adalah seperti dibawah:

statistik

Sabri Awang,uum 2009
Group Statistics Jantina Lelaki Perempuan N 307 362 Mean 18.54 18.30 Std. Deviation 9.225 8.839 Std. Error Mean .526 .465

MathKBSM

Independent Samples Test Levene's Test for Equality of Variances

t-test for Equality of Means Std. Error Differen ce .700 95% Confidence Interval of the Difference Lower -1.129 Upper 1.619

F MathKBS M Equal variances assumed Equal variances not assumed .437

Sig. .509

T .350

df 667 639.41 7

Sig. (2tailed) .726

Mean Differen ce .245

.349

.727

.245

.702

-1.134

1.624

Output yang dihasilkan ini perlu ditukarkan ke APA STYLE seperti di bawah: Group Statistics
Jantina N MathKBSM Lelaki Perempuan 307 362 Mean 18.54 18.3 Std. Deviation 9.225 8.839 Std. Error Mean 0.526 0.465

Independent Samples T Test
Levene's Test for Equality of Variances

t-test for Equality of Means 95% Confidence Interval of the Difference Lower 1.129 1.134 Upper

F MathKBSM Equal variances assumed Equal variances not assumed

Sig.

t

df

Sig. (2tailed)

Mean Difference

Std. Error Difference

0.4

0.509

0.35

667

0.726

0.245

0.7

1.619

0.349

639.42

0.727

0.245

0.702

1.624

KEPUTUSAN KAJIAN

statistik

Sabri Awang,uum 2009

Ho Ha

:

Tidak terdapat perbezaan yang signifikan antara pencapaian matematik dengan jantina Terdapat perbezaan yang signifikan pencapaian matematik dengan jantina

:

Ujian Levene adalah tidak signifikan (p > .05) Keputusan ini menunjukkan varian pelajar lelaki dan perempuan adalah sama (memenuhi kehomogenen varion). Ujian t sample bebas tidak signifikan (t(667) = .035 , p >.05) menunjukkan dapatan kajian gagal menolak hipotesis nol. KESIMPULAN KAJIAN Oleh itu tidak terdapat perbezaan yang signifikan antara pencapaian matematik dengan jantina. Dengan demikian Ho adalah gagal ditolak.

INDEPENDENT SAMPLE T-TEST (LOKASI)

statistik

Sabri Awang,uum 2009 Tarikh kuliah: 08/08/2009 Independent Sample T-Test yang digunakan dalam kajian mestilah menggunakan ujian-t, kita perlu pastikan terlebih dahulu tentang data yang kita gunakan dan sample yang hendak dianalisis. . Contoh: Data Arrsey 2009

Satu contoh yang boleh dibuat ialah kita ingin menentukan pencapaian Matematik KBSM bagi sebuah sekolah berdasarkan lokasi OBJEKTIF KAJIAN Kajian ini bertujuan untuk mengenalpasti pencapaian Matematik KBSM berdasarkan lokasi SOALAN KAJIAN Adakah terdapat perbezaan pencapaian matematik KBSM berdasarkan lokasi? HIPOTESIS KAJIAN: Ho : Tidak terdapat perbezaan yang signifikan antara pencapaian matematik KBSM dengan lokasi. HA : Terdapat perbezaan yang signifikan antara pencapaian matematik KBSM dengan lokasi. LANGKAH-LANGKAH MENGDAPATKAN DATA OUTPUT DENGAN statistik

Sabri Awang,uum 2009 MENGGUNAKAN PROGRAM SSPS: Klik : Analyze Compare Means Independence Sample T-Test Test Variables Grouping variable Define Group…Group 1….Group2 Continue OK Langkah diatas ditunjukkan seperti rajah berikut:

statistik

Sabri Awang,uum 2009

KLIK Continue dan ok. Output yang terhasil adalah seperti di bawah:
Group Statistics Lokasi MathKBSM Bandar Luar bandar N 322 347 Mean 19.94 16.99 Std. Deviation 9.686 8.097 Std. Error Mean .540 .435

Independent Samples Test

Levene's Test for Equality of Variances

F

Sig.

t-test for Equality of Means Sig. (2Mean taile Differ t df d) ence

Std. Error Differen ce

95% Confidence Interval of the Difference Lower Upper 4.301

MathKBSM

Equal variances assumed Equal variances not assumed

25.473

.000

4.284

667

.000

2.949

.688

1.598

4.256

627.477

.000

2.949

.693

1.588

4.310

Hasil output yang muncul diskrin seperti di atas perlu ditukarkan ke bentuk statistik

Sabri Awang,uum 2009 APA-STYLE seperti berikut:
Group Statistics Lokasi Bandar Luar bandar N 322 347 Mean 19.94 16.99 Std. Deviation 9.686 8.097 Std. Error Mean 0.54 0.435

MathKBSM

Independent Samples Test Levene's Test for Equality of Variances

t-test for Equality of Means Sig. (2tailed) Mean Difference Std. Error Difference 95% Confidence Interval of the Difference Lower Upper

F MathKBSM Equal variances assumed Equal variances not assumed

Sig.

t

df

25.473

0

4.284

667

0

2.949

0.688

1.598

4.301

4.256

627.47 7

0

2.949

0.693

1.588

4.31

HIPOTESIS HO HA
:

Tidak terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi Terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi

:

KEPUTUSAN KAJIAN Ujian Levene adalah signifikan (p<.05). Ini menunjukkan keputusan kajian tidak memenuhi kehomogenen varian bagi lokasi bandar dan luar bandar Ujian t sample bebas adalah signifikan (t(667) = .05). Oleh itu, berjaya menolak hipotesis nol. Daripada dapatan kajian ini menunjukkan terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi.

statistik

Sabri Awang,uum 2009

Min pencapaian pelajar bandar min bandar19.94 lebih tinggi berbanding min pencapaian pelajar luar bandar 16.99. KESIMPULAN Dapatan kajian ini menunjukkan terdapat perbezaan yang signifikan antara pencapaian matematik berdasarkan lokasi. Dengan demikian, kajian ini menunjukkan Ho berjaya ditolak dan menerima Ha

statistik

Sabri Awang,uum 2009

PROJEK 4 ANOVA

ANOVA
Tarikh kuliah: 15 /8/2009 statistik

Sabri Awang,uum 2009 Tujuan 1. 2. Menguji adakah dua sampel yang digunakan itu signifikan atau tidak. Menguji adakah dua sampel tersebut mempunyai varians populasi yang sama atau tidak Anggapan: 1. 2. 3. Populasi yang akan diuji berdistribusi normal Varians dari populasi tersebut adalah sama Sampel tidak berhubungan satu dengan yang lain

ANOVA SEHALA Data: Terdapat 2 jenis data iaitu * Data kuantitatif dan kualitatif Jika ujian t digunakan untuk pengujian dua sampel, ujian F atau ANOVA digunakan untuk pengujian lebih dari dua sampel. Contoh soalan ‘One way ANOVA Kajian terhadap sesebuah sekolah yang menunjukkan adakah terdapat perbezaan yang signifikan antara pencapaian matematik KBSM mengikut kaum di sekolah tersebut. ANOVA dibuat kerana guru ingin mengkaji pencapaian matematik KBSM bagi 3 sampel kaum, iaitu Melayu, Cina dan India bagi 674 orang pelajar di sekolah tersebut.

statistik

Sabri Awang,uum 2009

Value 1- Melayu 2- Cina 3- India

Rajah di atas terdapat pembolehubah bangsa dan Math KBSM yang di gunakan oleh guru tersebut. Pada ruangan bangsa, di bahagian value di masukkan value 1,2,3 untuk bangsa Melayu, Cina dan India. Data boleh dilihat pada bahagian Data View seperti di bawah:

Data View

Pilih menu analize – compare means – One Way Anova.

statistik

Sabri Awang,uum 2009

Masukkan variable MathKBSM pada dependent list dan bangsa pada faktor seperti rajah di bawah:

statistik

Sabri Awang,uum 2009 Pada kolum ‘options’, pilih ‘deskriptif’ dan ‘homogeneity of variance’. Klik ‘continue.’. Rajah di bawah menunjukkan contoh seperti yang disebutkan tadi.

statistik

Sabri Awang,uum 2009 Pada kolum ‘post-Hoc’ , klik pada bahagian ‘equal variances assumed’ dan dan Ok untuk melihat output. pilih

‘Bonferroni’ dan ‘Tukey’. Gunakan significance level 0.05. Kemudian klik ‘continue’

statistik

Sabri Awang,uum 2009 Hasil output yang didapati adalah seperti ditunjukkan di bawah:

Oneway

Min pelajar Cina adalah paling tinggi
Descriptives MathKBSM 95% Confidence Interval for Mean N Melayu Cina India Total 353 174 142 669 Mean 16.51 23.95 16.33 18.41 Std. Deviation 7.585 10.267 7.777 9.012 Std. Error .404 .778 .653 .348 Lower Bound 15.72 22.42 15.04 17.72 Upper Bound 17.30 25.49 17.62 19.09 Minimum 4 7 5 4 Maximum 40 40 38 40

Test of Homogeneity of Variances MathKBSM Levene Statistic 29.886 df1 2 df2 666 Sig. .000

Ujian Levene adalah signifikan (F(2.666),=51.25,p<.05)

ANOVA MathKBSM Sum of Squares Between Groups Within Groups Total 7236.305 47015.291 54251.596 df 2 666 668 Mean Square 3618.153 70.594 F 51.253 Sig. .000

Ujian ANOVA sehala adalah signifikan(p<.05)

Post Hoc Tests

statistik

Sabri Awang,uum 2009
Multiple Comparisons MathKBSM Tukey HSD (I) Bangsa Melayu Cina India (J) Bangsa Cina India Melayu India Melayu Cina Mean Difference (I-J) -7.444 7.444
*

95% Confidence Interval Std. Error .778 .835 .778 .950 .835 .950 Sig. .000 .975 .000 .000 .975 .000 Lower Bound -9.27 -1.78 5.62 5.39 -2.14 -9.85 Upper Bound -5.62 2.14 9.27 9.85 1.78 -5.39

.179
*

7.623* -.179 -7.623
*

*. The mean difference is significant at the 0.05 level.

Homogeneous Subsets
MathKBSM Subset for alpha = 0.05 Bangsa Tukey HSDa India Melayu Cina Sig. N 142 353 174 .976 1 16.33 16.51 23.95 1.000 2

Means for groups in homogeneous subsets are displayed. a. Uses Harmonic Mean Sample Size = 192.034.

MathKBSM 95% Confidence Interval for Mean N Melayu Cina India Total 353 174 142 669 Mean 16.51 23.95 16.33 18.41 Std. Deviation 7.585 10.267 7.777 9.012 Std. Error 0.404 0.778 0.653 0.348 Lower Bound 15.72 22.42 15.04 17.72 Upper Bound 17.3 25.49 17.62 19.09 Minimum 4 7 5 4 Maximum 40 40 38 40

statistik

Sabri Awang,uum 2009
Descriptives Test of Homogeneity of Variances MathKBSM Levene Statistic 29.886 df1 2 df2 666 ANOVA MathKBSM Sum of Squares Between Groups Within Groups Total 7236.30 5 47015.2 9 54251.6 df 2 666 668 Multiple Comparisons MathKBSM Tukey HSD 95% Confidence Interval Std. Error 0.778 0.835 0.778 0.95 0.835 Sig. 0 0.975 0 0 0.975 0 Lower Bound -9.27 -1.78 5.62 5.39 -2.14 -9.85 Upper Bound -5.62 2.14 9.27 9.85 1.78 -5.39 Mean Square 3618.15 3 70.594 F 51.253 Sig. 0 Sig. 0

(I) Bangsa Melayu Cina India

(J) Bangsa Cina India Melayu India Melayu Cina

Mean Difference (IJ) -7.444* 0.179 7.444 7.623
* *

-0.179
*

-7.623 0.95 *. The mean difference is significant at the 0.05 level.

statistik

Sabri Awang,uum 2009

Homogeneous Subsets
MathKBSM Subset for alpha = 0.05 Tukey HSDa Bangsa India Melayu Cina Sig. N 142.000 353.000 174.000 1 16.330 16.510 23.950 2

0.976 1.000 Means for groups in homogeneous subsets are displayed. a. Uses Harmonic Mean Sample Size = 192.034.

ANALISA DATA Apakah ada kesamaan varians pada data ketiga bangsa tersebut. Pengujian terhadap kesamaan varian dilakukan melalui ujian F atau signifikansi. Ujian F adalah untuk melihat kepada min pencapaian matematik antara ketiga-tiga bangsa tersebut. Hipotesis Ho Ha : Tidak terdapat perbezaan yang signifikan antara varian dengan bangsa Melayu, Cina dan India. : Terdapat perbezaan yang signifikan antara varian dengan bangsa Melayu, Cina dan India. Jika Sig < .05, maka Ho Ditolak Jika Sig > .05, maka Ho Diterima

Keputusan Ujian Statistik Levene bagi menguji kehomegenan varian adalah signifikan di mana

statistik

Sabri Awang,uum 2009 p < .05, maka Ho ditolak dan HA diterima.Ini menunjukkan bahawa ketiga bangsa Melayu ,Cina dan India tidak mempunyai varian yang sama. (Untuk kajian yang baik, sepatutnya sampel yang diuji perlu memenuhi kehomogenan varian). Setelah diketahui variannya tidak sama , Seterusnya kita menguji apakah pencapaian Math KBSM adalah berbeza mengikut bangsa. Hipotesis Ho: H1: Tidak terdapat perbezaan yang signifikan antara pencapaian MathKBSM dengan bangsa Melayu, Cina dan India. Terdapat perbezaan yang signifikan antara pencapaian MathKBSM dengan bangsa Melayu, Cina dan India. Keputusan Jika Sig < .05, maka Ho Ditolak Jika Sig > .05, maka Ho Diterima Ujiian Anova Sehala menunjukkan signifikan (p < .05) . Dapatan kajian ini berjaya menolak Ho ,dan dengan itu menerima HA. Ini menunjukkan terdapat perbezaan pencapaian MathKBSM mengikut bangsa Melayu, Cina dan India. Kesimpulan: Min pencapaian matematik KBSM Cina(min Cina = 23.95) adalah lebih tinggi berbanding Melayu dan India .(min Melayu = 16.51 , min India = 16.33).

Kesimpulan

statistik

Sabri Awang,uum 2009 Ujian Levene menunjukkan kesignifikan . F(2,666) = 51.25,p < .05). Hal ini

menunjukkan andaian kehomogenan varian tidak dipenuhi/ tidak terdapat varians yang sama antara bangsa. Ujian ANOVA satu hala adalah signifikan antara pencapaian Matematik antara bangsa Melayu, Cina dan India. Dapatan kajian ini berjaya menolak Ho dan dengan itu menerima H a. Ini menunjukkan sekurang-kurangnya satu min pencapaian matematik berbeza dengan bangsa. Ujian Posthoc menunjukkan (Tukeys) min pencapaian yang berbeza antara pelajar Cina dengan Melayu (p < .05) dan pelajar Cina dengan India (p < .05). Manakala tidak terdapat perbezaan antara pelajar Melayu dan India. (p < .05) Min pencapaian matematik pelajar Cina (min Cina = 23.95) adalah lebih tinggi berbanding min Melayu (min Melayu = 16.51) dan India (min India = 16.33)

statistik

Sabri Awang,uum 2009

PROJEK 5 INTERPRETASI KORELASI

KORELASI Tarikh kuliah: 15 /8/2009

statistik

Sabri Awang,uum 2009 Korelasi merupakan pencarian untuk menentukan pertalian atau perhubungan antara satu variable dengan variable yang lain. Terdapat dua jenis pemboleh ubah atau variable iaitu Independent variable Dependent variable dikenali sebagai regressor variable(variable peramal) dikenali sebagai criterion variable(variable respon)

Konsep dependence tidak membawa maksud hubungan sebab dan penyebab variable. Contohnya: Nilai dalam keluarga mana paling kuat. Saya dan suami, saya dan ibu, saya dan bapa,atau saya dan anak. Korelasi boleh melihat samada hubungan mana mempunyai nilai paling tinggi bermaksud paling kuat tanpa melihat nilai hubungan positif atau negatif Hubungan mana paling kuat A. B. C. D. 0.7 -0.2 0.5 -0.8

Jawapannya adalah D (melihat nilai 8 paling tinggi tanpa hiraukan positif dan negatif) Huraian berikutnya adalah berdasarkan Data Assay 2009(yang telah diberikan oleh

Dr.Arssay).

MAKSUD UJIAN SIGNIFIKAN UNTUK KORELASI

statistik

Sabri Awang,uum 2009 Perhubungan yang signifikan menerangkan tentang kesahihan perhubungan antara dua variable. Hubungan yang signifikan dijelaskan dengan nilai signifikan p < .05 atau p <.01 bergantung kepada nilai kritikal yang ditetapkan. Hubungan signifikan membawa makna satu hubungan yang kuat di mana perhubungan itu bukan disebabkan oleh peluang ,tetapi benar-benar hubungan yang wujud antara dua variable. Contoh: Daripada Data Arsay

OBJEKTIF KAJIAN Kajian ini dijalankan untuk menentukan perbezaan yang signifikan antara sikap pelajar dengan pencapaian pelajar dalam matematik KBSM. PERSOALAN KAJIAN Adakah terdapat perbezaan yang signifikan antara sikap dengan pencapaian pelajar dalam matematik KBSM. HIPOTESIS KAJIAN Ho Ha : : Tidak terdapat perbezaan yang signifikan antara sikap pelajar terhadap pencapaian pelajar dalam matematik KBSM. Terdapat perbezaan yang signifikan sikap pelajar terhadap pencapaian pelajar dalam matematik KBSM.

Contoh Daripada Data Dr.Arssay 2009 Melalui Program SPSS,

statistik

Sabri Awang,uum 2009

Kemudian klikkan berikut: Analyze Correlate Bivariate Variable…..MathKBSM, Sikap, Bimbang, Tabiat, Persekitaran ,Tingkahlaku Correlation Coefficient….pearson Test of significance…..Two-tailed OK Langkah-langkah tersebut boleh dilihat pada rajah di bawah:

Setelah klik OK, maka hasil output seperti di bawah akan terhasil:

Correlations

statistik

Sabri Awang,uum 2009
Correlations MathKBSM SIKAP MathKBSM Pearson Correlation Sig. (2-tailed) N SIKAP Pearson Correlation N BIMBANG Pearson Correlation N TABIAT Pearson Correlation N TINGKAHLAKU Pearson Correlation N PERSEKITARAN Pearson Correlation N 669 .360** 1 .360** .000 669 1 BIMBANG TABIAT TINGKAHLAKU PERSEKITARAN -.357** .000 668 -.320** .000 674 -.320** .000 673 .718** .000 673 .689** .000 672 -.411** .000 674 673 -.323** .000 672 -.274** .000 671 .516** .000 673 673 .765** .000 671 -.323** .000 673 672 -.312** .000 672 674 673 1 .251** .000 668 .718** .000 673 -.323** .000 672 1 .284** .000 667 .689** .000 672 -.274** .000 671 .765** .000 671 1 -.347** .000 669 -.411** .000 674 .516** .000 673 -.323** .000 673 -.312** .000 672 1

Sig. (2-tailed) .000 669 -.357**

Sig. (2-tailed) .000 668 .251**

Sig. (2-tailed) .000 668 .284**

Sig. (2-tailed) .000 667 -.347**

Sig. (2-tailed) .000 669

**. Correlation is significant at the p<0.05 level (2-tailed).

Tukarkan dapatan output ke bentuk APA-Style seperti di bawah:

statistik

Sabri Awang,uum 2009
Correlations
MathKBSM Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N **. Correlation is significant at the 0.01 level (2tailed). 669.00 0.36 0.00 669.00 -0.36 0.00 668.00 0.25 0.00 668.00 0.28 0.00 667.00 -0.35 0.00 669.00 674.00 -0.32 0.00 673.00 0.72 0.00 673.00 0.69 0.00 672.00 -0.41 0.00 674.00 673.00 -0.32 0.00 672.00 -0.27 0.00 671.00 0.52 0.00 673.00 673.00 0.76 0.00 671.00 -0.32 0.00 673.00 672.00 -0.31 0.00 672.00 1.00 SIKAP 0.36 0.00 669.00 1.00 BIMBANG -0.36 0.00 668.00 -0.32 0.00 673.00 1.00 TABIAT 0.25 0.00 668.00 0.72 0.00 673.00 -0.32 0.00 672.00 1.00 TINGKAHLAKU 0.28 0.00 667.00 0.69 0.00 672.00 -0.27 0.00 671.00 0.76 0.00 671.00 1.00

MathKBSM

SIKAP

BIMBANG

TABIAT

TINGKAHLAKU

PERSEKITARAN

INTERPRETASI DAPATAN Ho1 Ho2 Ho3 Ho4 Ho5 Ha1 : : : : : : Tidak terdapat perbezaan yang signifikan antara sikap dengan pencapaian matematik KBSM. Tidak terdapat perbezaan yang signifikan antara bimbang dengan pencapaian matematik KBSM. Tidak terdapat perbezaan yang signifikan antara tabiat dengan pencapaian matematik KBSM. Tidak terdapat perbezaan yang signifikan antara tingkahlaku dengan pencapaian matematik KBSM. Tidak terdapat perbezaan antara persekitaran dengan pencapaian matematik KBSM. Terdapat perbezaan yang signifikan antara sikap dengan pencapaian

statistik

Sabri Awang,uum 2009 matematik KBSM. Ha2 Ha3 Ha4 Ha5 : : : : Terdapat perbezaan yang signifikan antara bimbang dengan pencapaian matematik KBSM. Terdapat perbezaan yang signifikan antara tabiat dengan pencapaian matematik KBSM. Terdapat perbezaan yang signifikan antara tingkahlaku dengan pencapaian matematik KBSM. Terdapat perbezaan yang signifikan antara persekitaran dengan pencapaian matematik KBSM. Sikap pembelajaran matematik, kebimbangan pembelajaran matematik, tabiat

pembelajaran matematik, tingkahlaku pembelajaran matematik dan persekitaran pembelajaran matematik mempunyai hubungan dengan pembelajaran matematik KBSM. Tetapi sikap, tabiat dan tingkahlaku mempunyai hubungan positif(+ve) yang signifikan (r = .36, p < .01). ANALISIS DATA Sikap Ujian korelasi adalah signifikan(r = .36, p < .01) secara positif. Ini menunjukkan terdapat hubungan positif pencapaian matematik dengan sikap pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai sikap pembelajaran yang tinggi mempunyai pencapaian matematik yang tinggi, manakala pelajar yang mempunyai sikap pembelajaran matematik yang rendah mempunyai pencapaian matematik yang rendah. Hubungan sikap pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 12% sahaja. (Kaedah pengiraan korelasi : r = .36, r2 = .129 dan dinyatakan sebagai 12%) Tabiat

statistik

Sabri Awang,uum 2009 Ujian korelasi adalah signifikan(r = .25, p < .01) secara positif. Ini menunjukkan terdapat hubungan positif pencapaian matematik dengan tabiat pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai tabiat pembelajaran yang tinggi mempunyai pencapaian matematik yang tinggi, manakala pelajar yang mempunyai tabiat pembelajaran matematik yang rendah mempunyai pencapaian matematik yang rendah. Hubungan tabiat pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 6% sahaja. (Kaedah pengiraan korelasi : r = .25, r2 = .062 dan dinyatakan sebagai 6%) Bimbang Ujian korelasi adalah signifikan (r = -.35,p < .01) secara negatif. Ini menunjukkan terdapat hubungan negatif pencapaian matematik dengan kebimbangan pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai kebimbangan pembelajaran yang tinggi mempunyai pencapaian matematik yang rendah, manakala pelajar yang mempunyai kebimbangan pembelajaran matematik yang rendah mempunyai pencapaian matematik yang tinggi. Hubungan kebimbangan pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 12% sahaja. (Kaedah pengiraan korelasi: r = -0.35, r2 = 0.122 dan dinyatakan sebagai 12%) Tingkahlaku Ujian korelasi adalah signifikan (r = .28, p <.01) secara positif. Ini menunjukkan terdapat hubungan positif pencapaian matematik dengan tingkahlaku pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai tingkahlaku pembelajaran yang tinggi mempunyai pencapaian matematik yang tinggi, manakala pelajar yang mempunyai

statistik

Sabri Awang,uum 2009 tingkahlaku pembelajaran matematik yang rendah mempunyai pencapaian matematik yang rendah. Hubungan tingkahlaku pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 7% sahaja. (Kaedah pengiraan korelasi: r = 0.28, r2= 0.078 dan dinyatakan sebagai 7%) Persekitaran Ujian korelasi adalah signifikan (r = -0.34, p < .01) secara negatif. Ini menunjukkan terdapat hubungan negatif pencapaian matematik dengan persekitaran pembelajaran matematik. Ini menunjukkan pelajar yang mempunyai persekitaran pembelajaran yang tinggi mempunyai pencapaian matematik yang rendah, manakala pelajar yang mempunyai persekitaran pembelajaran matematik yang rendah mempunyai pencapaian matematik yang tinggi. Hubungan persekitaran pembelajaran matematik dengan pencapaian matematik adalah rendah iaitu sebanyak 12% sahaja. (Kaedah pengiraan korelasi r = 0.34, r2 = 0.11 dan dinyatakan sebagai 12%)

statistik

Sabri Awang,uum 2009

PROJEK 6 INTERPRETASI CHI SQUARE TEST

CHI SQUARE TEST Tarikh kuliah: 05/09/2009

statistik

Sabri Awang,uum 2009

χ
Pengenalan

2

Anggaran terhadap min dan perkadaran memerlukan taburan normal dan t, tetapi anggaran terhadap varians memerlukan taburan lain yang disebut taburan khi-kuasa dua, χ 2. Ujian khi kuasa dua digunakan untuk menentukan samada terdapat hubungan yang signifikan antara dua pembolehubah dalam sesuatu populasi yang diuji. Sesuai untuk menganalisa data nominal atau data kuantitatif. Khi kuasa dua TIDAK menerangkan kekuatan hubungan.

Ciri-ciri Ujian Khi kuasa dua a. Khi kuasa dua adalah ujian non-parametrik. Ia membandingkan taburan sampel yang diperhatikan dan taburan yang sepatutnya. b. Ho diterima jika nilai sebenar=nilai dijangka c. Ho ditolak jika nilai sebenar ≠ nilai dijangka χ d. Nilai χ e. Nilai χ nilai χ
2 2 2

tidak boleh negatif kerana semua nilai digandakan. adalah sifar jika nilai sebenar=nilai dijangka.

f. Lebih besar perbezaan nilaI sebenar(fo) dengan nilai dijangka (fe)maka lebih besar
2

Goodness-of-Fit Test (Ujian Kebagusan Ketepatan) Jika ujian yang dilihat hampir menyamai kekerapan yang dijangka, maka nilai χ nilai χ
2 2

adalah kecil ,seandainya ujian yang didapati menunjukkan perbezaan yang besar maka adalah besar. Ini menunjukkan ketepatan kebagusan adalah LEMAH.

statistik

Sabri Awang,uum 2009 Kebagusan yang tepat bermaksud kita menerima Ho dan kebagusan yang lemah adalah kita menolak Ho Nilai khi yang semakin kecil menunjukan ia tidak signifikan. Jika nilai khi lebih besar maka keputusan adalah lebih signifikan. Oleh itu, perkaitan akan berlaku antara keduadua variables yang diuji. CONTOH Objektif : Mengenalpasti keseragaman taburan responden mengikut bangsa. Adakah terdapat ketidakseragaman taburan antara pelbagai bangsa dalam kajian? Hipotesis Kajian: Ho: Ha: Terdapat keseragaman yang signfikan antara taburan responden dengan bangsa Terdapat ketidakseragaman yang signifikan antara taburan responden dengan bangsa yang dikaji. Persoalan kajian:

Kaedah Mencari dan Menganalisis data menggunakan Program SSPS

Contoh output

statistik

Sabri Awang,uum 2009

Daripada ujian Khi kuasa dua Non parametric SPSS (Pearson), χ
2

= .200,

df(2) = .905., p > .05 Kesimpulan: Oleh yang demikian, p > .05 menunjukkan kajian ini tidak dapat menolak hipotesis null iaitu terdapat keseragaman yang signifikan antara taburan responden dengan populasi bangsa yang dikaji Interpretasi Data Tiada terdapat perkadaran statistik yang signifikan berkaitan pelbagai bangsa dalam populasi kajian. Taburan kumpulan adalah seragam.

statistik

Sabri Awang,uum 2009 UJIAN KHI KUASA DUA BAGI MENGUJI KERBERGANTUNGAN ANTARA DUA PEMBOLEHUBAH (VARIABLES)

Objektif kajian Mengenalpasti perkadaran antara jantina dalam peperiksaan UPSR Mengenalpasti perkadaran antara jantina dalam peperiksaan PMR Persoalan kajian Adakah terdapat perkadaran antara jantina dalam peperiksaan UPSR ? Adakah terdapat perkadaran antara jantina dalam peperiksaan PMR?

Hipotesis Kajian (UPSR) Ho1: tiada terdapat perkadaran antara jantina dalam pencapaian UPSR Ha1: terdapat perkadaran antara jantina dalam pencapaian UPSR

Hipotesis Kajian (PMR) Ho2: tiada terdapat perkadaran antara jantina dalam pencapaian PMR Ha2: terdapat perkadaran antara jantina dalam pencapaian PMR

Dengan menggunakan SPSS,

Langkah 1: Klik Analyze, pilih Descriptive Statistics, crosstabs

statistik

Sabri Awang,uum 2009

Langkah 2: Klik row, pilih variable yang ingin diuji, Jantina kemudian klik column dan pilih variable yang ingin diuji iaitu UPSR, PMR

Langkah 3: Klik tab statistics, tanda Chi-square klik continue

statistik

Sabri Awang,uum 2009

Langkah 4: Klik tab cell display, pada Counts, tanda observed dan expected klik continue

Contoh Ouput: UPSR JANTINA APA Style
Cases Valid N Jantina * UPSR Jantina * PMR 673 674 Percent 99.9% 100 % Missing N 1 0 Percent .1% 674 .0% Total N 100% 674 100% Percent

Jadual b: Membandingkan perkadaran dua kumpulan jantina berbanding dengan keputusan UPSR dan PMR

Crosstab A Jantina Lelaki Perempuan Total Count Expected Count Count Expected Count Count Expected Count 107 93.2 96 109.8 203 203.0 B 79 96.0 130 113.0 209 209.0 UPSR C 77 80.3 98 94.7 175 175.0 D 37 32.6 34 38.4 71 71.0 E 9 6.9 6 8.1 15 15.0

Totall 309 309.0 364 364.0 673 673.0

statistik

Sabri Awang,uum 2009

Chi-Square Tests Value a 11.872 11.925 .021 673 df Asymp. Sig. (2-sided) .018 .018 .884

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

4 4 1

a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 6.89.

Jadual b1: Crosstab dan Ujian Khi Kuasadua perbandingan perkadaran antara jantina dalam pencapaian peperiksaan UPSR Daripada ujian Khi kuasa dua SPSS (Pearson), χ
2

=11.872,

df(4)=.018. p <.05, Kesimpulan Kajian ini menunjukkan bahawa ia telah berjaya menolak hipotesis null dan menerima hipotesis alternatif iaitu terdapat perkadaran antara jantina dalam pencapaian UPSR Interpretasi Data Terdapat perkadaran statistic yang signifikan berkaitan jantina antara pelajar lelaki dimana pelajar lelaki mendapat kadar lebih tinggi pencapaian peperiksaan UPSR berbanding dengan pelajar perempuan. .

statistik

Sabri Awang,uum 2009
PMR JANTINA
Crosstab A Jantina Lelaki Count Expected Count Perempuan Count Expected Count Count Expected Count 70 61.4 64 72.6 134 134.0 B 51 54.6 68 64.4 119 119.0 PMR C 90 91.7 110 108.3 200 200.0 D 81 86.6 108 102.4 189 189.0 E 17 14.7 15 17.3 32 32.0 Total 309 309.0 365 365.0 674 674.0

Total

Chi-Square Tests Value a 4.055 4.046 .903 674 df Asymp. Sig. (2-sided) .399 .400 .342

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

4 4 1

a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 14.67.

Jadual b2: Crosstab dan Ujian Khi Kuasadua perbandingan perkadaran antara jantina dalam pencapaian peperiksaan PMR Daripada ujian Khi kuasa dua SPSS (Pearson), χ
2

=4.055,

df(4)=.399. p > .05 Kesimpulan: Berdasarkan singnifikan p > .05, menunjukkan bahawa kajian ini tidak dapat menolak hipotesis null , maka tidak terdapat perkadaran antara jantina dalam pencapaian PMR

statistik

Sabri Awang,uum 2009 Interpretasi Data Dengan demikian, tidak terdapat perkadaran statistik yang signifikan berkaitan jantina antara pelajar lelaki dengan pelajar perempuan dalam pencapaian peperiksaan PMR.

statistik

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->