Anda di halaman 1dari 8

Kenormalan Data Objektif kajian adalah untuk mengetahui hubungan bidang pengajaran dan stres guru.

Menurut Field (2005), dalam ilmu statistik ujian yang sesuai bagi menjawab hubungan pembolehubah ialah ujian regresi yang merupakan salah satu ujian dalam statistik inferensi atau parametrik. Syarat data yang perlu dicapai sebelum menjalankan statistik inferensi ialah menguji taburan data bagi pembolehubah bersandar iaitu dalam kes ini adalah stres. Menurut Hair et.al (2001), taburan data hendaklah mencapai ciri-ciri kenormalan. Sekiranya kenormalan data tidak dapat dicapai, data perlu menjalankan transformasi dengan menggunakan pelbagai cara disarankan dalam ilmu statistik.

Mengikut penyelidik Porter & Hamm (1986), ujian kenormalan dapat mengetahui taburan data adalah bertaburan secara normal ataupun tidak dan sekaligus memberitahu penyelidik sama ada data boleh digunapakai sekiranya kajian adalah menjurus kepada pembinaan model. Menurut Pallant (2005), set data boleh diuji dengan menggunakan pelbagai cara iaitu rajah palang, rajah Q-Q, rajah kotak, Kolmogorov-Smirnov, Shapiro-Wilks, Skewness dan Kurtosis.Saiz sampel yang banyak di dalam sesuatu set data akan dapat mencapai andaian signifikasi taburan normal dengan mudah berbanding dengan saiz pensampelan yang kecil. Dalam bahagian ini, ujian kenormalan dijalankan menggunakan Skewness dan Kurtosis, Kolmogorov Smirnov dan Shapiro-Wilk, plot Q-Q dan rajah kotak. Skewness dan Kurtosis Di dalam ilmu statistik, untuk ujian Skewness dan kurtosis, nilai bagi ujian ini hendaklah diantara 1 (Leech et al., 2005; Marcoulides & Hershberger, 1997).Menurut George, D and Mallery, P, (2005) di dalam banyak kajian yang menggunakan nilai ujian Skewness dan

kurtosis, nilai di antara 2 adalah diterima dan andaian taburan normal telah tercapai. Menurut Field (2005) pula skewness dan kurtosis adalah normal sekiranya nilainya tidak terlalu jauh dari 0.000. Jadual 1.0 dibawah merupakan keputusan bagi ujian kenormalan bagi set data stress yang menggunakan Skewness dan kurtosis. Jadual 1.0 Skewness dan Kurtosis bagi pembolehubah stres guru Skewness 0.542 Kurtosis 0.226

PembolehUbah Stres Guru

Jadual 1.0 di atas adalah ringkasan keputusan ujian kurtosis dan skewness bagi pembolehubah stress sebagai pembolehubah bersandar. Ujian skewness adalah 0.542 dan kurtosis adalah 0.226. Keputusan bagi skewness dan kurtosis bagi setiap pembolehubah juga berada di antara 2 George, D and Mallery, P, (2005) dan ia tidak terlalu jauh dari 0.000 (Field,2005). Maka data stress yang diuji menggunakan ujian ini mencapai kenormalan. Berdasarkan Field (2006), bentuk taburan boleh dilihat dengan menguji tanda positif atau negatif pada nilai kurtosis. Sekiranya nilai kurtosis adalah positif,bentuk taburan data adalah memuncak (peaked distribution) dan tanda negatif, data adalah rata (flat distribution). Keputusan kurtosis menunjukkan taburan data stress adalah berbentuk memuncak dan ia dapat dilihat pada rajah histogram di bawah (Rajah 1). Rajah Histogram Rajah 1 menunjukkan skor min bagi pembolehubah stress adalah 3.97 daripada titik penuh 5, ia menunjukkan stres adalah di tahap yang tinggi. Manakala sisihan piawai bagi stress adalah 0.318. Rajah palang di bawah menunjukkan data stress tidak bertaburan normal. Ini adalah kerana taburan data tidak berbentuk loceng (bell curve) dan terdapat outliers (palang yang terasing).

Rajah 1 : Rajah histogram bagi pembolehubah stress.

Kolmogorov-Smirnov dan Shapiro-Wilk Jadual 2.0 Ujian Kolmogorov Smirnov dan Shapiro Wilks PembolehUbah KolmogorovSmirnov (Statistik) Stres Guru 0.124 0.000 0.968 0.000 Nilaip Shapiro Wilk (Statistik) Nilaip

Ujian Kolmogorov-Smirnov dan Shapiro-Wilk adalah ujian yang direka untuk menguji kenormalan data. Sekiranya nilai-p bagi ujian Kolmogorov-Smirnov dan Shapiro Wilk adalah melebihi nilai signifikan, =0.05, data adalah bertaburan adalah normal. Sebaliknya

sekiranya nilai-p kurang dari 0.05 maka data adalah tidak normal. Keputusan menunjukkan nilai p bagi kedua-dua ujian ini adalah kurang dari 0.05, ini membuktikan bahawa data adalah tidak normal. Rajah 2: Plot Q-Q bagi data stres

Rajah 2 diatas iaitu plot Q-Q yang merupakan salah satu cara grafik untuk menentukan tahap kenormalan data. Garis hitam menunjukkan tanda aras penting bagi menilai sampel data pembolehubah stress. Titik-titik data stress perlu jatuh betul-betul pada garisan hitam, maka data adalah bertaburan normal. Sekiranya titik data menyimpang dari garis hitam, data adalah tidak normal. Rajah 2, plot Q-Q di atas menunjukkan kebanyakkan titik titik data sebenar pembolehubah stres lebih banyak jauh menyimpang dari garisan sebenar dan hanya beberapa

titik sahaja yang jatuh tepat pada garisan hitam tersebut. Dapatan menunjukkan data stress tidak bertaburan normal. Rajah kotak Rajah 3 menunjukkan plot kotak bagi data stress. Turkey (1977) mencipta plot kotak ini sebagai memberi idea untuk menentukan samada wujud outliers dalam data stress ini. Dalam erti kata lain, bukan sahaja rajah ini menunjukkan terdapat outliers malah dapat menentukan jumlah outliers dalam data. Keputusan rajah kotak menunjukkan garisan tengah adalah median bagi pembolehubah iaitu sebanyak 3.97. Nilai maksimum data stress adalah 4.88 dan minimum adalah 3.06. Garisan melintang di atas (nilai terbesar-hampir nilai maksimum) menunjukkan lima titik data adalah sebagai outliers. Manakala terdapat satu titik outliers berada di garisan melintang di bawah (nilai terkecil-hampir nilai minimum). Rajah kotak ini menunjukkan terdapat outliers , ini melaporkan bahawa data stress adalah tidak normal. Keputusan ini disokong oleh rajah batang dan daun pada rajah 4. Rajah 3: Rajah Kotak

Rajah 4:
s Stem-and-Leaf Plot Frequency Stem & Leaf (=<3.06) 8 1

Plot Batang dan Daun

1.00 Extremes 1.00 31 . .00 32 . 1.00 33 . .00 34 . 22.00 35 . 26.00 36 . 28.00 37 . 38.00 38 . 24.00 39 . 34.00 40 . 23.00 41 . 6.00 42 . 18.00 43 . 9.00 44 . 8.00 45 . 6.00 46 . 5.00 Extremes Stem width: Each leaf:

0000000000366666666666 22222268888888888888888888 1135555555555555555555555555 11111111111111111117777777777777777777 333333333333333333333333 0000000000000000000000000666666666 22222222222222288888888 555555 111111111177777777 333333333 00000666 222288 (>=4.81)

.10 1 case(s)

Rajah 4 menunjukkan terdapat satu titik yang terlalu kecil dan terasing dari taburan data yang lain di mana satu titik tersebut adalah kurang atau sama dengan 3.06. Manakala Rajah 4 juga menunjukkan lima titik yang terlalu besar nilainya yang melebihi atau sama dengan 4.81. Kesimpulan Jenis Ujian Skewness dan Kurtosis Rajah Histogram Kolmogorov-Smirnov and Shapiro-Wilk Plot Q-Q Rajah Kotak Rajah Batang dan Daun Keputusan Kenormalan Normal Tidak Normal Tidak Normal Tidak Normal Tidak Normal Tidak Normal

Setelah menjalankan beberapa ujian bagi mencapai kenormalan, hanya satu ujian iaitu skewness dan kurtosis mencapai ciri-ciri kenormalan. Keputusan rajah histogram, Kolmogorov-Smirnov dan Shapiro-Wilk, plot Q-Q, rajah kotak dan rajah batang dan daun

menunjukkan data tidak mencapai sifat kenormalan. Dengan ini, dapat disimpulkan bahawa data adalah tidak normal dan perlu menjalankan teknik log transformasi bagi mencapai kenormalan data. Rujukan Field A.P (2005) Discovering Statistics Using SPSS(4TH edition). London : Sage Porter, J. H., & Hamm, R. J. (1986) Statistics: Applications for the behavioral sciences. Brooks/Cole Publishing Company.

Hair, J. F., Black, W. C., Babin, B. J. Anderson, R.E. and Tathan, R.L.(2006) Multivariate Data Analysis. New Jersey Canada: Pearson Prentice Hall. Leech et al., 2005; Marcoulides & Hershberger, 1997, SPSS for Intermediate Statistics: Use and Implementation.

George, D and Mallery, P, (2005) SPSS for windows step-by-step: A simple guide and reference

Julie Pallant, SPSS Survival Manual 2nd edition 2005

John W. Tukey (1977). Exploratory Data Analysis. Addison-Wesley.