Professional Documents
Culture Documents
STATISTIK UUM
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.
Langkah :
statistik
Sabri Awang,uum 2009
Output :
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
kudi 30 54.63 10.327 1.886
One-Sample Test
Test Value = 50
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
kudi 2.457 29 .020 4.633 .78 8.49
APA Style :
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
kudi 30 54.63 10.327 1.886
One-Sample Test
Test Value = 50
95% Confidence Interval
of the Difference
Mean
T Df Sig. (2-tailed) Difference Lower Upper
kudi 2.457 29 .020 4.633 .78 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
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 :
Std. Error
Mean N Std. Deviation Mean
Pair pay 5.67 30 1.493 .273
1 security 4.50 30 1.834 .335
N Correlation Sig.
Pair 1 pay & security 30 .088 .643
Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 pay - security 1.167 2.260 .413 .323 2.011 2.827 29 .008
APA Style :
Paired Samples Statistics
Std. Error
Mean N Std. Deviation Mean
Pair 1 pay 5.67 30 1.493 .273
security 4.50 30 1.834 .335
Paired Differences
95% Confidence Interval
of the Difference
Std. Error Sig. (2-
Mean Std. Deviation Mean Lower Upper T df tailed)
Pair 1 pay –
securit 1.167 2.260 .413 .323 2.011 2.827 29 .008
y
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
statistik
Sabri Awang,uum 2009
PROJEK 3
INTERPRETASI
INDEPENDENT SAMPLE
T-TEST
statistik
Sabri Awang,uum 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.
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
statistik
Sabri Awang,uum 2009
Group Statistics
Std. Error
Jantina N Mean Std. Deviation Mean
MathKBSM Lelaki 307 18.54 9.225 .526
Perempuan 362 18.30 8.839 .465
Output yang dihasilkan ini perlu ditukarkan ke APA STYLE seperti di bawah:
Group Statistics
Std.
Jantina Std. Error
N Mean Deviation Mean
MathKBSM Lelaki 307 18.54 9.225 0.526
Perempuan 362 18.3 8.839 0.465
statistik
Sabri Awang,uum 2009
KESIMPULAN KAJIAN
Oleh itu tidak terdapat perbezaan yang signifikan antara pencapaian matematik dengan
jantina.
Dengan demikian Ho adalah gagal ditolak.
statistik
Sabri Awang,uum 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:
statistik
Sabri Awang,uum 2009
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
Group Statistics
Lokasi N Mean Std. Deviation Std. Error Mean
MathKBSM Bandar 322 19.94 9.686 .540
Luar bandar 347 16.99 8.097 .435
Levene's Test
for Equality of
Variances t-test for Equality of Means
Sig. Std.
(2- Mean Error
taile Differ Differen 95% Confidence Interval
F Sig. t df d) ence ce of the Difference
Lower Upper
MathKBSM Equal
variances 25.473 .000 4.284 667 .000 2.949 .688 1.598 4.301
assumed
Equal
variances
4.256 627.477 .000 2.949 .693 1.588 4.310
not
assumed
Hasil output yang muncul diskrin seperti di atas perlu ditukarkan ke bentuk
statistik
Sabri Awang,uum 2009
Levene's Test
for Equality of
Variances t-test for Equality of Means
95%
Sig. Confidence
(2- Mean Std. Error Interval of the
F Sig. t df tailed) Difference Difference Difference
Lower Upper
MathKBSM Equal
variances
assumed 25.473 0 4.284 667 0 2.949 0.688 1.598 4.301
Equal
variances
not
assumed 627.47
4.256 7 0 2.949 0.693 1.588 4.31
HIPOTESIS
HO : Tidak terdapat perbezaan yang signifikan antara pencapaian matematik
berdasarkan lokasi
HA : Terdapat perbezaan yang signifikan antara pencapaian matematik
berdasarkan lokasi
KEPUTUSAN KAJIAN
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. Menguji adakah dua sampel yang digunakan itu signifikan atau tidak.
2. Menguji adakah dua sampel tersebut mempunyai varians populasi yang sama
atau tidak
Anggapan:
1. Populasi yang akan diuji berdistribusi normal
2. Varians dari populasi tersebut adalah sama
3. 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.
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 View
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 pilih
‘Bonferroni’ dan ‘Tukey’. Gunakan significance level 0.05. Kemudian klik ‘continue’
dan Ok untuk melihat output.
statistik
Sabri Awang,uum 2009
Oneway
Descriptives
MathKBSM
95% Confidence Interval for Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
Melayu 353 16.51 7.585 .404 15.72 17.30 4 40
Cina 174 23.95 10.267 .778 22.42 25.49 7 40
India 142 16.33 7.777 .653 15.04 17.62 5 38
Total 669 18.41 9.012 .348 17.72 19.09 4 40
ANOVA
MathKBSM
Sum of Squares df Mean Square F Sig.
Between Groups 7236.305 2 3618.153 51.253 .000
Within Groups 47015.291 666 70.594
Total 54251.596 668
Ujian ANOVA
sehala adalah
signifikan(p<.05)
statistik
Sabri Awang,uum 2009
Multiple Comparisons
MathKBSM
Tukey HSD
Homogeneous Subsets
MathKBSM
Subset for alpha = 0.05
Bangsa N 1 2
Tukey HSDa India 142 16.33
Melayu 353 16.51
Cina 174 23.95
Sig. .976 1.000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 192.034.
MathKBSM
95% Confidence Interval for
Mean
Std. Std. Lower
N Mean Deviation Error Bound Upper Bound Minimum Maximum
Melayu 353 16.51 7.585 0.404 15.72 17.3 4 40
Cina
174 23.95 10.267 0.778 22.42 25.49 7 40
India
142 16.33 7.777 0.653 15.04 17.62 5 38
Total
669 18.41 9.012 0.348 17.72 19.09 4 40
statistik
Sabri Awang,uum 2009
Descriptives
MathKBSM
Levene
Statistic df1 df2 Sig.
29.886 2 666 0
ANOVA
MathKBSM
Sum of Mean
Squares df Square F Sig.
Between 7236.30 3618.15
Groups 5 2 3 51.253 0
Within 47015.2
Groups 9 666 70.594
Total
54251.6 668
Multiple Comparisons
MathKBSM
Tukey HSD
95%
Confidence
Mean Interval
Difference (I- Std. Lower Upper
(I) Bangsa (J) Bangsa J) Error Sig. Bound Bound
Melayu Cina -7.444* 0.778 0 -9.27 -5.62
India
0.179 0.835 0.975 -1.78 2.14
Cina Melayu *
7.444 0.778 0 5.62 9.27
India *
7.623 0.95 0 5.39 9.85
India Melayu
-0.179 0.835 0.975 -2.14 1.78
Cina -7.623 *
0.95 0 -9.85 -5.39
*. The mean difference is significant at the 0.05 level.
statistik
Sabri Awang,uum 2009
Homogeneous Subsets
MathKBSM
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 : Tidak terdapat perbezaan yang signifikan antara varian dengan bangsa Melayu,
Cina dan India.
Ha : Terdapat perbezaan yang signifikan antara varian dengan bangsa Melayu, Cina
dan India.
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: Tidak terdapat perbezaan yang signifikan antara pencapaian MathKBSM dengan
bangsa Melayu, Cina dan India.
H1: Terdapat perbezaan yang signifikan antara pencapaian MathKBSM dengan
bangsa Melayu, Cina dan India.
Keputusan
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 Post-
hoc 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.
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
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).
statistik
Sabri Awang,uum 2009
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 : Tidak terdapat perbezaan yang signifikan antara sikap pelajar terhadap
pencapaian pelajar dalam matematik KBSM.
Ha : Terdapat perbezaan yang signifikan sikap pelajar terhadap pencapaian
pelajar dalam matematik KBSM.
statistik
Sabri Awang,uum 2009
Setelah klik OK, maka hasil output seperti di bawah akan terhasil:
Correlations
statistik
Sabri Awang,uum 2009
Correlations
statistik
Sabri Awang,uum 2009
Correlations
MathKBSM SIKAP BIMBANG TABIAT TINGKAHLAKU
Pearson
1.00 0.36 -0.36 0.25 0.28
MathKBSM Correlation
Sig. (2-tailed) 0.00 0.00 0.00 0.00
INTERPRETASI DAPATAN
Ho1 : Tidak terdapat perbezaan yang signifikan antara sikap dengan pencapaian
matematik KBSM.
Ho2 : Tidak terdapat perbezaan yang signifikan antara bimbang dengan
pencapaian matematik KBSM.
Ho3 : Tidak terdapat perbezaan yang signifikan antara tabiat dengan pencapaian
matematik KBSM.
Ho4 : Tidak terdapat perbezaan yang signifikan antara tingkahlaku dengan
pencapaian matematik KBSM.
Ho5 : Tidak terdapat perbezaan antara persekitaran dengan pencapaian
matematik KBSM.
Ha1 : Terdapat perbezaan yang signifikan antara sikap dengan pencapaian
statistik
Sabri Awang,uum 2009
matematik KBSM.
Ha2 : Terdapat perbezaan yang signifikan antara bimbang dengan pencapaian
matematik KBSM.
Ha3 : Terdapat perbezaan yang signifikan antara tabiat dengan pencapaian
matematik KBSM.
Ha4 : Terdapat perbezaan yang signifikan antara tingkahlaku dengan pencapaian
matematik KBSM.
Ha5 : Terdapat perbezaan yang signifikan antara persekitaran dengan
pencapaian 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.
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.
Bimbang
Ujian korelasi adalah signifikan (r = -.35,p < .01) secara negatif. Ini menunjukkan
terdapat hubungan negatif pencapaian matematik dengan kebimbangan pembelajaran
matematik.
Tingkahlaku
Ujian korelasi adalah signifikan (r = .28, p <.01) secara positif. Ini menunjukkan terdapat
hubungan positif pencapaian matematik dengan tingkahlaku pembelajaran matematik.
statistik
Sabri Awang,uum 2009
Persekitaran
Ujian korelasi adalah signifikan (r = -0.34, p < .01) secara negatif. Ini menunjukkan
terdapat hubungan negatif pencapaian matematik dengan persekitaran pembelajaran
matematik.
statistik
Sabri Awang,uum 2009
PROJEK 6
INTERPRETASI
CHI SQUARE TEST
statistik
Sabri Awang,uum 2009
χ 2
Pengenalan
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.
d. Nilai χ 2
tidak boleh negatif kerana semua nilai digandakan.
e. Nilai χ 2
adalah sifar jika nilai sebenar=nilai dijangka.
f. Lebih besar perbezaan nilaI sebenar(fo) dengan nilai dijangka (fe)maka lebih besar
nilai χ 2
Jika ujian yang dilihat hampir menyamai kekerapan yang dijangka, maka nilai χ 2
adalah kecil ,seandainya ujian yang didapati menunjukkan perbezaan yang besar maka
nilai χ 2
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 kedua-
dua variables yang diuji.
CONTOH
Objektif : Mengenalpasti keseragaman taburan responden mengikut bangsa.
Persoalan kajian: Adakah terdapat ketidakseragaman taburan antara pelbagai bangsa
dalam kajian?
Hipotesis Kajian:
Ho: Terdapat keseragaman yang signfikan antara taburan responden
dengan bangsa
Ha: Terdapat ketidakseragaman yang signifikan antara taburan
responden dengan bangsa yang dikaji.
Contoh output
statistik
Sabri Awang,uum 2009
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
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 ?
Langkah 1: Klik
Analyze, pilih
Descriptive
Statistics,
crosstabs
statistik
Sabri Awang,uum 2009
statistik
Sabri Awang,uum 2009
Contoh Ouput:
UPSR JANTINA
APA Style
Cases
Valid Missing Total
N Percent N Percent N Percent
Jantina * UPSR 673 99.9% 1 .1% 674 100%
Jantina * PMR 674 100 % 0 .0% 674 100%
Crosstab
UPSR
A B C D E
Totall
9
Jantina Lelaki Count 107 79 77 37 309
Expected Count 93.2 96.0 80.3 32.6 6.9 309.0
Perempuan Count 6
96 130 98 34 364
Expected Count 109.8 113.0 94.7 38.4 8.1 364.0
Total Count 203 209 175 71 15 673
Expected Count 203.0 209.0 175.0 71.0 15.0 673.0
statistik
Sabri Awang,uum 2009
Chi-Square Tests
Asymp. Sig.
Value a df (2-sided)
4
Pearson Chi-Square 11.872 .018
4
Likelihood Ratio 11.925 .018
Linear-by-Linear 1
.021 .884
Association
N of Valid Cases 673
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
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
PMR
A B C D E
Total
Jantina Lelaki Count 70 51 90 81 17 309
Expected Count 61.4 54.6 91.7 86.6 14.7 309.0
Perempuan Count 64 68 110 108 15 365
Expected Count 72.6 64.4 108.3 102.4 17.3 365.0
Total Count 134 119 200 189 32 674
Expected Count 134.0 119.0 200.0 189.0 32.0 674.0
Chi-Square Tests
Asymp. Sig.
Value a df (2-sided)
Pearson Chi-Square 4
4.055 .399
4
Likelihood Ratio 4.046 .400
Linear-by-Linear 1
.903 .342
Association
N of Valid Cases 674
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
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