Sabri Awang,uum 2009

UNIVERSITI UTARA MALAYSIA

SINTOK, KEDAH

STATISTIK UUM

T.TEST, ANOVA, KORELASI, KHI-SQUARE

NAMA : SABRI BIN AWANG

MATRIK : 800643
KAD PENGENALAN : 741107-03-5587
KURSUS : SARJANA SAINS (PENGURUSAN
PENDIDIKAN)

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

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

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

Std. Error
Mean N Std. Deviation Mean
Pair pay 5.67 30 1.493 .273
1 security 4.50 30 1.834 .335

Paired Samples Correlations

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

Paired Samples Test

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 Samples Correlations

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

Paired Samples Test

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

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

Std. Error
Jantina N Mean Std. Deviation Mean
MathKBSM Lelaki 307 18.54 9.225 .526
Perempuan 362 18.30 8.839 .465

Independent Samples Test

Levene's Test for
Equality of
Variances t-test for Equality of Means
95% Confidence
Std. Interval of the
Mean Error Difference
Sig. (2- Differen Differen
F Sig. T df tailed) ce ce Lower Upper
MathKBS Equal
M variances .437 .509 .350 667 .726 .245 .700 -1.129 1.619
assumed
Equal
variances 639.41
.349 .727 .245 .702 -1.134 1.624
not 7
assumed

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

Independent Samples T Test

Levene's
Test for
Equality of
Variances t-test for Equality of Means
95%
Confidence
Interval of the
Sig.
Difference
(2- Mean Std. Error
F Sig. t df tailed) Difference Difference Lower Upper
MathKBSM Equal
variances -
assumed 0.4 0.509 0.35 667 0.726 0.245 0.7 1.129 1.619
Equal
variances
not -
assumed 0.349 639.42 0.727 0.245 0.702 1.134 1.624
KEPUTUSAN KAJIAN

statistik
Sabri Awang,uum 2009

Ho : Tidak terdapat perbezaan yang signifikan antara pencapaian matematik

dengan jantina
Ha : 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 N Mean Std. Deviation Std. Error Mean
MathKBSM Bandar 322 19.94 9.686 .540
Luar bandar 347 16.99 8.097 .435

Independent Samples Test

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

APA-STYLE seperti berikut:

Group Statistics
Std.
Std. Error
Lokasi N Mean Deviation Mean
MathKBSM Bandar 322 19.94 9.686 0.54
Luar
bandar 347 16.99 8.097 0.435

Independent Samples Test

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

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. 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.

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 pilih
‘Bonferroni’ dan ‘Tukey’. Gunakan significance level 0.05. Kemudian klik ‘continue’
dan Ok untuk melihat output.

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 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

Test of Homogeneity of Variances

MathKBSM Ujian Levene adalah
Levene Statistic df1 df2 Sig. signifikan
29.886 2 666 .000 (F(2.666),=51.25,p<.05)

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)

Post Hoc Tests

statistik
 Sabri Awang,uum 2009

Multiple Comparisons
MathKBSM
Tukey HSD

(I) (J) Mean Difference 95% Confidence Interval

Bangsa Bangsa (I-J) Std. Error Sig. Lower Bound Upper Bound
*
Melayu Cina -7.444 .778 .000 -9.27 -5.62
India .179 .835 .975 -1.78 2.14
*
Cina Melayu 7.444 .778 .000 5.62 9.27
India 7.623* .950 .000 5.39 9.85
India Melayu -.179 .835 .975 -2.14 1.78
*
Cina -7.623 .950 .000 -9.85 -5.39
*. The mean difference is significant at the 0.05 level.

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

Test of Homogeneity of Variances

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

Subset for alpha = 0.05

Bangsa N 1 2
Tukey India
142.000 16.330
HSDa Melayu
353.000 16.510
Cina
174.000 23.950
Sig.
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 : 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.

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: 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

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 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.

Terdapat dua jenis pemboleh ubah atau variable iaitu

Independent variable - dikenali sebagai regressor variable(variable peramal)
Dependent variable - 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. 0.7
B. -0.2
C. 0.5
D. -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 : 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.

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 BIMBANG TABIAT TINGKAHLAKU PERSEKITARAN

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

N 669.00 669.00 668.00 668.00 667.00

Pearson
0.36 1.00 -0.32 0.72 0.69
SIKAP Correlation
Sig. (2-tailed) 0.00 0.00 0.00 0.00

N 669.00 674.00 673.00 673.00 672.00

Pearson
-0.36 -0.32 1.00 -0.32 -0.27
BIMBANG Correlation
Sig. (2-tailed) 0.00 0.00 0.00 0.00

N 668.00 673.00 673.00 672.00 671.00

Pearson
0.25 0.72 -0.32 1.00 0.76
TABIAT Correlation
Sig. (2-tailed) 0.00 0.00 0.00 0.00

N 668.00 673.00 672.00 673.00 671.00

Pearson
0.28 0.69 -0.27 0.76 1.00
TINGKAHLAKU Correlation
Sig. (2-tailed) 0.00 0.00 0.00 0.00

N 667.00 672.00 671.00 671.00 672.00

Pearson
-0.35 -0.41 0.52 -0.32 -0.31
PERSEKITARAN Correlation
Sig. (2-tailed) 0.00 0.00 0.00 0.00 0.00

N 669.00 674.00 673.00 673.00 672.00

**. Correlation is significant at the 0.01 level (2-
tailed).

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.

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 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.

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 2

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

Goodness-of-Fit Test (Ujian Kebagusan Ketepatan)

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.

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 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%

Jadual b: Membandingkan perkadaran dua kumpulan jantina berbanding dengan

keputusan UPSR dan PMR

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

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

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

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