Dapat memahami jenis analisis

statistik dalam penyelidikan.

Dapat menggunakan jenis
statistik yang sesuai dalam
penyelidikan pendidikan.

Analisis Statistik

Data merupakan skor mentah yang tidak memberi

sebarang maklumat yang berguna kecuali
dianalisis dengan menggunakan kaedah tertentu
seperti kaedah berstatistik.
Data perlu diproses untuk mendapatkan maklumat
yang berguna dan bermakna daripada data.
Pemprosesan data merupakan teknik untuk
pengumpulan,
pengolahan,
penganalisisan,
penyimpanan dan pengeluaran data.

Analisis Statistik
Matlamat pemprosesan data ialah untuk
mendapatkan maklumat yang berguna dan
bermakna daripada data.

Analisis statistik berasaskan:Objektif

Objektif
penyelidikan
penyelidikan

Maklumat
Maklumat
populasi
populasiatau
atau
sampel
sampel

Populasi
Populasiparameter
parameter(keyakinan
(keyakinan100%)
100%)
Sampel

statistik
(keyakinan
<
100%)
Sampel statistik (keyakinan < 100%)

Aras
Arasukuran
ukuran
pembolehubah
pembolehubah
Nominal,
Nominal,
Ordinal,
Ordinal,Sela,
Sela,
Nisbah
Nisbah

Dua jenis statistik: -

Statistik keperihalan
atau deskriptif
Statistik Inferensi atau
pentakbiran

Perbezaan Statistik Deskriptif dan Inferensi

STATISTIK

FUNGSI

DESKRIPTIF

INFERENSI

UJIAN

Menghuraikan ciri-ciri
pemboleh ubah.
Ia digunakan untuk membuat
kesimpulan mengenai data
numerikal.
Tidak membuat generalisasi
daripada sampel kajian
kepada populasi di mana
sampel diambil.

Frekuensi, min, mod,

medium, sela, sisihan
piawai, varians, peratusan,
kadar, nisbah, taburan
normal, skor z dan
sebagainya.

Menghurai perhubungan
antara pemboleh ubah.
Menghuraikan ciri-ciri
sampel yang dipilih daripada
populasi.
Membuat generalisasi ciri-ciri
sampel mengenai
populasinya.

Ujian-t, unjian ANOVA,

Ujian Khi-Kuasa Dua,
ujian korelasi Pearson dan
sebagainya.

For example, we use the Greek letter mu (i.e., ) to

symbolize the population mean and the
Roman/English letter X with a bar over it, (called X
bar), to symbolize the sample mean.

Statistik Deskriptif
Merupakan statistik yang digunakan untuk
menghuraikan ciri-ciri pembolehubah.
Statistik deskriptif menggunakan petunjuk
seperti min, sisihan piawai, medium, mod,
taburan normal dan skor z untuk
menyatakan ciri-ciri sesuatu pembolehubah.

Matlamat dan Kegunaan

untuk

meringkaskan data agar ia mudah difahami

(menyediakan ringkasan data dan maklumat dalam
bentuk yang jelas dan mudah)

untuk

memerihal sesuatu peristiwa (contoh: memerihal

taburan bilangan pelajar mengikut jantina)

Teknik

untuk menerangkan data atau maklumat dengan

cara meringkaskan beberapa set data atau maklumat
seperti markah ujian, umur, tempat tinggal, jantina dll.

Langkah-Langkah :
1. Mengenal
Mengenal pasti
pasti pembolehubah
pembolehubah
1.
2. Menyusun
Menyusun dan
dan meringkaskan
meringkaskan data
data
2.
3. Menggunakan
Menggunakan teknik-teknik
teknik-teknik statistik
statistik yang
yang sesuai
sesuai
3.

untuk memerihal
memerihal data
data (guna
(guna sukatan
sukatan
untuk
kecenderungan memusat
memusat seperti
seperti min,
min, mod,
mod,
kecenderungan
penengah dan
dan sukatan
sukatan serakan
serakan seperti
seperti julat,
julat,
penengah
varians dan
dan sisihan
sisihan piawai).
piawai).
varians

PENGUKURAN
KECENDERUNGAN MEMUSAT
Dilakukan dengan menggunakan satu nilai untuk
mewakili satu set data.
Measures of central tendency provide descriptive
information about the single numerical value that is
considered to be the most typical of the values of a
quantitative variable.
Three common measures of central tendency
are the mode, the median, and the mean.

Istilah-istilah penting
Min atau purata purata arithmetik dan
didapati dengan menjumlahkan skor-skor di
dalam taburan skor dan dibahagikan dengan
jumlah bilangan skor

Mod skor yang

mempunyai kekerapan
terbanyak

Median atau penengah skor yang membahagi duakan taburan

skor supaya jumlah bilangan skor adalah sama di kedua-dua pihak.
Nila yang terletak di tengah-tengah setelah disusun mengikut
ranking.
Sisihan piawai pengukuran jarak
daripada purata arithmetik

Julat jarak antara skor terbesar

dengan terkecil

Varian bagaimana skor-skor diperbezakan

daripada purata arithmetik

The mode is simply the

most frequently
occurring number.

(e.g., 2.5 is the

median for the
numbers 1, 2, 3, 7).

The median is the

center point in a
set of numbers

The mean is the

arithmetic average
(e.g., the average of
the numbers 2, 3, 3,
and 4, is equal to 3).

(e.g., three is the

median for the
numbers 1, 1, 3, 4,
9).

Taburan Normal

Merupakan satu graf yang menunjukkan bilangan skor

atau nilai bagi sekumpulan responden.
Kebanyakan populasi adalah bersifat taburan normal
(graf berbentuk loceng). Kebanyakan subjek berada
dalam lengkungan sederhana.

Min
Penengah
Mod

A Comparison of the Mean, Median, and Mode

The mean, median, and mode are affected by what is called skewness (i.e., lack of
symmetry) in the data.

Figure
Figureshowed
showedaanormal
normalcurve,
curve,aanegatively
negativelyskewed
skewedcurve,
curve,and
andaapositively
positively
skewed
curve
skewed curve

No skew (normal) - a variable is

normally distributed, the mean,
median, and mode are the same
number.
When the variable is skewed
to the left (i.e., negatively
skewed), the mean shifts to
the left the most, the median
shifts to the left the second
most, and the mode the
least affected by the
presence of skew in the data
when the data are negatively
skewed, this happens: mean
< median < mode.

When the variable is skewed to

the right (i.e., positively
skewed), the mean is shifted to
the right the most, the median
is shifted to the right the
second most, and the mode
the least affected. when the
data are positively skewed, this
happens: mean > median >
mode.

Measures of variability tell you how "spread out" or how much

variability is present in a set of numbers. They tell you how
different your numbers tend to be. Note that measures of
variability should be reported along with measures of central
tendency because they provide very different but
complementary and important information.
Digunakan untuk menghurai keserakan pembolehubah iaitu
sama ada nilai-nilai dalam satu kumpulan data berjauhan
atau berdekatan antara satu sama lain. Tiga cara yang
biasa digunakan ialah:
Sela
Sisihan piawai
varians

Sisihan piawai
Petunjuk pengukuran yang utama dalam
penyelidikan untuk menyatakan keserakan
skor-skor dalam sesuatu taburan. Ia
digunakan pada data skala sela dan nisbah.
Sisihan piawai menunjukkan jumlah purata
sesuatu nilai atau skor individu tersisih
daripada skor min dalam sesuatu taburan.

Varians
Varians juga digunakan untuk mengenal
pasti keserakan skor-skor dalam satu
taburan. Varians merupakan kuasa dua bagi
nilai sisihan piawai.

To fully interpret one (e.g., a mean), it is helpful to know about

the other (e.g., a standard deviation). An easy way to get the
idea of variability is to look at two sets of data, one that is highly
variable and one that is not very variable.

For example, which of these two sets of numbers

appears to be the most spread out, Set A or Set B?
Set A. 93, 96, 98, 99, 99, 99, 100
Set B. 10, 29, 52, 69, 87, 92, 100

If you said Set B is more spread out, then you are right! The
numbers in set B are more "spread out"; that is, they are
more variability. All of the measures of variability should give
us an indication of the amount of variability in a set of data.
We will discuss three indices of variability: the range, the
variance, and the standard deviation.

Range (Sela/Julat)
A relatively crude indicator of variability is the range
(i.e., which is the difference between the highest
and lowest numbers).
Maximum score Minimum score
For example the range in Set A shown above is 7,
and the range in Set B shown above is 90.
Set A. 93, 96, 98, 99, 99, 99, 100
Set B. 10, 29, 52, 69, 87, 92, 100

Variance and Standard Deviation

Two commonly used indicators of variability are the variance and the
standard deviation.
The standard deviation tells you (approximately) how far the numbers
tend to vary from the mean. (If the standard deviation is 7, then the
numbers tend to be about 7 units from the mean. If the standard deviation
is 1500, then the numbers tend to be about 1500 units from the mean.)
Zero
Zerostands
standsfor
forno
novariability
variabilityat
atall
all
(e.g.,
(e.g.,for
forthe
thedata
data3,
3,3,
3,3,
3,3,
3,3,
3,3,
3,
the
thevariance
varianceand
andstandard
standard
deviation
deviationwill
willequal
equalzero).
zero).When
When
you
youhave
haveno
novariability,
variability,the
the
numbers
numbersare
areaaconstant
constant(i.e.,
(i.e.,the
the
same
samenumber).
number).

Higher
Highervalues
valuesfor
forboth
bothof
of
these
theseindicators
indicators(variance
(variance
and
andSD)
SD)indicate
indicateaalarger
larger
amount
amountof
ofvariability
variabilitythan
than
do
dolower
lowernumbers
numbers

Contoh
Mata Pelajaran

Pelajar 1

Pelajar 2

Pelajar 3

KH

54

64

70

BM

62

25

71

BI

86

88

74

Sains

74

72

74

Mat

65

95

72

Sej

82

65

78

PJK

84

98

68

Jumlah

507

507

507

72.42

72.42

72.42

Skor Min

Contoh
Bil mata
pelajaran

Minimu
m

Maksimum

Jumlah
Skor

Min

SP

Pelajar 1

54

86

507

72.42

11.43

Pelajar 2

25

98

507

72.42

29.20

Pelajar 3

68

78

507

72.42

3.02

Jika dibandingkan nilai sisihan piawai bagi ketiga-tiga

pelajar, pelajar 2 mempunyai nilai paling besar iaitu
29.20, diikuti pelajar 1 (11.43) dan pelajar 3 (3.02). Ini
bererti taburan skor pelajar 2 adalah terserak lebih jauh
daripada nilai skor min dalam taburannya berbanding
dengan taburan skor pelajar 1 dan 3.

Peratusan
Dengan menggunakan peratusan,
penyelidik dapat menyatakan peratusan
setiap jenis data untuk menyatakan
perhubungan antara pembolehubah.
Analisis peratusan biasanya dinyatakan
bersama dengan nilai frekuensi.

Perubahan peratusan
Perubahan peratusan biasanya digunakan
untuk membandingkan frekuensi dalam
peratusan bagi aktiviti yang berlaku dalam
satu masa yang tertentu dengan satu
masa lain (digunakan dalam kajian
longitudinal)

Contoh
Kes salah laku tahun 2008 dan 2009

Salah laku

2008

2009

Perbezaan
%

Merokok

16

25

56.25

Kes
tumbuk

12

18

50.00

Mengugut

66.67

Inferential Statistics
Inferential statistics is defined as the branch of
statistics that is used to make inferences about the
characteristics of a populations based on sample
data.
The goal is to go beyond the data at hand and make
inferences about population parameters.
In order to use inferential statistics, it is assumed
that either random selection or random assignment
was carried out (i.e., some form of randomization
must is assumed).

Inferential Statistics

Digunakan untuk
untuk membuat
membuat generalisasi
generalisasi
Digunakan
keputusan kajian
kajian yang
yang diperoleh
diperoleh daripada
daripada
keputusan
sampel kajian
kajian kepada
kepada populasi
populasi kajian.
kajian. Dengan
Dengan
sampel
data yang
yang dikumpulkan
dikumpulkan daripada
daripada sampel,
sampel,
data
penyelidik menggunakan
menggunakan statistik
statistik inferensi
inferensi
penyelidik
untuk membuat
membuat kesimpulan
kesimpulan tentang
tentang ciri-ciri
ciri-ciri
untuk
populasi berdasarkan
berdasarkan ciri-ciri
ciri-ciri sampel.
sampel. Statistik
Statistik
populasi
inferensi menggunakan
menggunakan ujian-ujian
ujian-ujian berikut
berikut bagi
bagi
inferensi
menyatakan perhubungan
perhubungan antara
antara dua
dua
menyatakan
pembolehubah
pembolehubah

Bertujuan

Menganalisis maklumat sampel sebagai

anggaran kepada maklumat populasi.
Menguji sejauh mana maklumat sampel
(statistik) diyakini menganggar dengan tepat
maklumat populasi (parameter).

Ujian Statistik Berkaitan

1.
2.
3.
4.
5.

Khi kuasa dua (chi-square)

Ujian Korelasi Pearson
Analisis pemfaktoran (factor analysis)
Ujian-t
Analisis varians (ANOVA)

Sampling Distributions
One of the most important concepts in inferential statistics is
that of the sampling distribution. That's because the use of a
sampling distributions is what allows us to make
"probability" statements in inferential statistics.
A sampling distribution is defined as "The theoretical
probability distribution of the values of a statistic that
results when all possible random samples of a particular
size are drawn from a population." (For simplicity you
can view the idea of "all possible samples" as taking a
million random samples. That is, just view it as taking a
whole lot of samples!)

Hypothesis Testing
Hypothesis testing is the branch of inferential statistics that is concerned
with how well the sample data support a null hypothesis and when the We
use hypothesis testing when we expect a relationship to be present; in other
words, we usually hope to nullify the null hypothesis and tentatively accept the
alternative hypothesis null hypothesis can be rejected in favor of the

alternative hypothesis.
The null hypothesis is usually the prediction that there is no relationship
in the population.
The alternative hypothesis is the logical opposite of the null
hypothesis and says there is a relationship in the population.

Note that it is the null hypothesis

that is directly tested in hypothesis
testing (not the alternative
hypothesis).

Probability Value
The probability value is a number that is
obtained from the SPSS computer printout. It
is based on your empirical data, and it tells
you the probability of your result or a more
extreme result when it is assumed that there
is no relationship in the population (i.e., when
you are assuming that the null hypothesis is
true which is what we do in hypothesis testing
and in jurisprudence).

Significance Level []
Aras Signifikan
Satu darjah yang boleh diterima oleh penyelidik untuk membuat
keputusan sama ada menolak atau menerima hipotesis nol.
The significance level is just that point at which you would consider a
result to be "rare." You are the one who decides on the significance level
to use in your research study. It is the level that you set so that you will
know what probability value will be small enough for you to reject the
null hypothesis.
The significance level that is usually used in education is .05.
If your probability value is less than or equal to the significance level
(e.g., .05) then you will reject the null hypothesis and tentatively accept
the alternative hypothesis. If not (i.e., if it is > .05) then you will fail to
reject the null. You just compare your probability value with your
significance level.

Aras Signifikan [] :

Satu darjah yang boleh diterima oleh penyelidik

untuk membuat keputusan sama ada menolak
atau menerima Ho.
Digunakan sebagai asas untuk menolak Ho .
Merupakan risiko Ralat Jenis I yang penyelidik
rela tanggung yakni menolak Ho yang benar atau
paras keyakinan penyelidik dalam membuat
keputusan menerima atau menolak Ho .
contoh: = .05 menunjukkan paras keyakinan .
95 / 95% untuk menerima Ho benar.

Aras Signifikan [] :
The significance level is just that point at
which you would consider a result to be
"rare." You are the one who decides on
the significance level to use in your
research study. It is the level that you set
so that you will know what probability
value will be small enough for you to
reject the null hypothesis.
The significance level that is usually used in
education is .05.

You may be wondering, when do you actually reject the null

hypothesis and make the decision to tentatively accept the
alternative hypothesis?
You reject the null hypothesis when the probability of
your result assuming a true null is very small. That is, you
reject the null when the evidence would be unlikely under
the assumption of the null.
In particular, you set a significance level (also called the
alpha level) to use in your research study, which is the
point at which you would consider a result to be very
unlikely. Then, if your probability value is less than or
equal to your significance level, you reject the null
hypothesis.
It is essential that you understand the difference
between the probability value (also called the p-value)
and the significance level (also called the alpha level).

Aras Signifikan [] :

Keputusan berasaskan Aras signifikan:

= .01 sangat benar (ujian makmal)
= .05 lazim digunakan (penyelidikan sains sosial)
= .10 dibenarkan

Aras Signifikan [] :

If your probability value is less than or

equal to the significance level (e.g., .05)
then you will reject the null hypothesis
and tentatively accept the alternative
hypothesis. If not (i.e., if it is > .05) then
you will fail to reject the null. You just
compare your probability value with your
significance level.

Aras Signifikan Tidak Perlu

Semua subjek dalam populasi adalah dijadikan

responden.
Prosedur persampelan bukan kebarangkalian
digunakan.

Parametric Test
A statistical test that involves making
assumptions about estimates of
population characteristics, or
parameters.

Non Parametric Test

A statistical test that does not involves the
use of any population parameters, and
are not needed, and underlying
distribution does not have to be normal.
Non-parametric tests are most
often used to analyze ordinal
and nominal data are referred to
as non-parametric tests.

Steps in hypothesis testing

1.
2.

3.
4.

State the null and alternative hypothesis

State the significance level before the research
study (most educational research use .05 as the
significance level, is also called alpha level, or
more simply, alpha).
Obtain the probability value using a computer
program such as SPSS.
Compare the probability value to the
significance level and make the statistical
decision.

Rule 1:

IfIf

Probability
Probabilityvalue
valuesignificance
significance
level
level(i.e.
(i.e.pp)
)

Then
Then

Reject
Rejectthe
thenull
nullhypothesis
hypothesis

And
And

Conclude
Concludethat
thatthe
theresearch
researchfinding
finding
isisstatistically
statisticallysignificant
significant

Rule 2:
IfIf
Probability
Probabilityvalue
value>>significance
significance
level
level(i.e.
(i.e.pp>>)
)
Then
Then
Fail
Failto
toreject
rejectthe
thenull
nullhypothesis
hypothesis
And
And
Conclude
Concludethat
thatthe
theresearch
researchfinding
finding
isisnot
notstatistically
statisticallysignificant
significant

Ralat Jenis l dan ll

Ralat Jenis l
Menolak hipotesis nol bila ia harus diterima.
Ralat ini timbul apabila penyelidik menolak hipotesis nol
yang benar. Penyelidik membuat keputusan bahawa
terdapat perbezaan yang signifikan apabila ianya sebenar
tidak ada.
Ralat Jenis ll
Tidak menolak hipotesis nol bila ia sebenarnya harus
ditolak.
Ralat ini timbul apabila penyelidik membuat keputusan
bahawa tiada perbezaan, sedangkan wujud perbezaan.

Menentukan paras
paras signifikan
signifikan ()
() untuk
untuk membuat
membuat
Menentukan
keputusan menerima
menerima atau
atau menolak
menolak Ho
Ho dan
dan sejauh
sejauh
keputusan
mana kesanggupan
kesanggupan penyelidikan
penyelidikan menerima
menerima risiko
risiko
mana
rentetan RJ
RJ II && RJ
RJ II.
II.
rentetan
Aturan Keputusan.
Keputusan.
Aturan
Menentukan kawasan
kawasan penolakan
penolakan iaitu
iaitu nilai
nilai
Menentukan
statistik bertentangan
bertentangan dengan
dengan nilai
nilai Ho
Ho yang
yang
statistik
mengakibatkan Ho
Ho ditolak.
ditolak.
mengakibatkan
Kawasan penolakan
penolakan bergantung
bergantung kepada
kepada aras
aras
Kawasan
signifikan.
signifikan.

More explanation..
When the null hypothesis is true you can make the correct
decision (i.e., fail to reject the null) or you can make the
incorrect decision (rejecting the true null). The incorrect
decision is called a Type I error or a "false positive"
because you have erroneously concluded that there is an
effect or relationship in the population.
When the null hypothesis is false you can also make the
correct decision (i.e., rejecting the false null) or you can
make the incorrect decision (failure to reject the false null).
The incorrect decision is called a Type II error or a "false
negative" because you have erroneously concluded that
there is no effect or relationship in the population.

Membandingkan frekuensi

Khi kuasa dua

Ujian
Ujian bukan
bukan parametrik
parametrik yang
yang banyak
banyak digunakan
digunakan dalam
dalam
penyelidikan
penyelidikan sains
sains sosial,
sosial, terutamanya
terutamanya dalam
dalam kajian
kajian yang
yang
menggunakan
menggunakan skala
skala Likert
Likert sebagai
sebagai skala
skala pengukuran
pengukuran
kajian.
kajian.
Tujuan
Tujuan ujian
ujian ini
ini adalah
adalah untuk
untuk membandingkan
membandingkan frekuensi
frekuensi
yang
yang diperhatikan
diperhatikan dalam
dalam sampel
sampel dengan
dengan frekuensi
frekuensi yang
yang
dijangka
dijangkayang
yangsepatutnya
sepatutnyawujud
wujudsecara
secarateori.
teori.
Skala
Skala pengukuran
pengukuran nominal
nominal atau
atau ordinal
ordinal dan
dan data
data yang
yang
dikumpul
dikumpuladalah
adalahdalam
dalam bentuk
bentukfrekuensi.
frekuensi.

Khi kuasa dua

Persampelan rawak dan populasi dalam taburan normal.

Untuk menjawab soalan mengenai data yang wujud dalam bentuk
frekuensi.
Contoh:
Kita ingin mengetahui sama ada wujud perbezaan yang
signifikan antara pelajar daripada taraf sosio ekonomi tinggi
atau rendah yang melanjutkan pelajaran atau keciciran. Kita
memilih sampel daripada dua populasi (SES rendah dan
tinggi), tentukan sama ada mereka melanjutkan pelajaran
selepas SPM dan gunakan ujian khi kuasa dua.

Membandingkan dua atau

lebih daripada dua kumpulan
data sela atau nisbah

Ujian-T

Statistik inferensi yang digunakan untuk

membandingkan dua atau lebih daripada dua
kumpulan data sela atau nisbah.
Persampelan rawak.
Populasi bertaburan normal.
Digunakan untuk menentukan sama ada satu set
atau set-set skor adalah berasal daripada populasi
yang sama.

Ujian-T

Ujian-t digunakan dalam kes-kes berikut;

1.
2.
3.

Saiz sampel kecil, iaitu 10 subjek dan ke atas.

Pembolehubah bersandar diukur dalam skala
sela atau nisbah.
Kajian dilakukan untuk menentukan sama ada
terdapat perbezaan yang signifikan secara
statistik antara dua kumpulan data.

Ujian-T

Tiga jenis ujian-t iaitu;

1.
2.
3.

Ujian- t untuk sampel bebas

(Independent-Samples T Test)
Ujian-t untuk pengukuran berulangan
(Paired-Samples T Test)
Ujian-t untuk satu sampel (Onesample T Test)

Ujian-t Untuk Sampel Bebas

Contoh- mengukur kreativiti antara dua kump

ulan pelajar iaitu kumpulan Matematik dan S
ains. Dua kumpulan pelajar ini adalah berbe
za dan berasingan.

Ujian-t Untuk Pengukuran

Berulangan

Digunakan apabila individu dalam sampel diukur

dua kali dan kedua-dua data pengukuran digunakan
untuk membuat perbandingan.
Contoh: untuk melihat perbezaan min terhadap
pencapaian markah Matematik sebelum dan
selepas mengikuti bengkel motivasi.

Ujian-t Untuk Satu Sampel

Digunakan untuk membandingkan skor min sampel dengan

skor min populasi.
Ujian ini digunakan apabila data yang dikumpul memenuhi
semua syarat ujian-t, iaitu data sela atau nisbah, taburan
populasi normal (biasanya berlaku apabila N sama atau
melebihi 50).
Contoh;

Seorang petani ingin menguji baja jenama baru untuk pokok jagung.
Sebanyak 15 pokok jagung dipilih secara rawak daripada ladangnya
dan diberikan baja jenama baru. Purata pertumbuhan jagung di
ladangnya untuk tempoh dua minggu ialah 45cm. Selepas dua
minggu, dia mengukur pertumbuhan 15 pokok jagung yang diberikan
baja baru. Ujian-t dilakukan untuk melihat sama ada baja baru itu
berkesan atau tidak.

Membandingkan lebih
daripada dua kumpulan data
sela atau nisbah

ANOVA

ANOVA atau analisis varians digunakan

untuk membanding min apabila terdapat
lebih daripada dua kumpulan perbandingan.

Regression Analysis
Regression analysis is a set
of statistical procedures used
to explain or predict the
values of a quantitative
dependent variable based on
the values of one or more
independent variables.
In simple regression,
there is one quantitative
dependent variable and
one independent
variable.
In multiple regression,
there is one quantitative
dependent variable and
two or more independent
variables.

Perhubungan antara
pemboleh ubah bersandar
dengan pemboleh ubah
bebas

Ujian Korelasi

Pemboleh ubah bebas mengakibatkan kesan kepada

pemboleh ubah bersandar.
Pemboleh ubah bersandar menerima kesan akibat pemboleh
ubah bebas.
Perhubungan antara pemboleh ubah ini dinamakan sebagai
korelasi.

Ujian Korelasi

Beberapa jenis pekali ujian korelasi;

1.
2.
3.
4.
5.
6.

Pekali Pearson product-moment (atau Pearson)

Pekali Phi
Pekali Point-biserial
Pekali Spearman Rho
Pekali Cramer dan Lambda
dll

Jenis ujian ini bergantung kepada jenis skala pengukuran

dan bilangan pembolehubah yang terlibat dalam korelasi.
Kekuatan sesuatu korelasi diwakili oleh pekali dalam ujian
korelasi.

Ujian Korelasi

Dua persoalan
1.

2.

Apakah persamaan yang mewakili

perhubungan antara pemboleh ubah-pemboleh
ubah?
Apakah kekuatan perhubungan antara
pemboleh ubah-pemboleh ubah tersebut?

Ujian Korelasi

Nilai pekali korelasi (r) ialah nilai

pengukuran kekuatan perhubungan
antara dua pembolehubah. Nilai r ini
mempunyai sela antara +1.00 dan
-1.00. Nilai pekali dilaporkan dalam nilai
perpuluhan seperti r = .65 atau r = - .41

Ujian Korelasi

Pekali
korelasi
positif
Y

Ujian Korelasi

Pekali korelasi negatif

Y

Ujian Korelasi

Contoh:

Seorang penyelidik ingin mengetahui perhubungan

antara IQ dengan prestasi ujian Matematik. Skor IQ dan
prestasi ujian Matematik bagi 10 orang pelajar
dikumpulkan dan disenaraikan.
Berdasarkan pengiraan, nilai korelasi ialah 0.72. Nilai
varians ialah 0.517. Ini bererti bahawa korelasi antara IQ
dan prestasi ujian Matematik adalah kuat. 51.7%
prestasi ujian matematik disebabkan oleh IQ sementara
48.3% lagi disebabkan oleh faktor lain.
link

Kekuatan nilai pekali korelasi

Saiz pekali korelasi (r)

Kekuatan korelasi

.91 hingga 1.00 atau -.91 hingga -1.00

Sangat kuat

.71 hingga .90 atau -.71 hingga -.90

Kuat

.51 hingga .70 atau -.51 hingga -.70

Sederhana

.31 hingga .50 atau -.31 hingga -.50

Lemah

.01 hingga .30 atau -.01 hingga -.30

Sangat lemah

00

Tiada korelasi

Maksud Nilai Pekali Sempurna

Nilai pekali 1.00
a perfect positive correlation: changes in one variable are
accompanied by equivalent changes in the same direction in
the other variable, without exception.
Nilai pekali .00
no correlation: changes in one variable have no relationship, or
are randomly related, to changes in the other variable.
Nilai pekali 1.00
a perfect negative correlation: changes in one variable are
accompanied by equivalent changes in the opposite direction in
the other variable, without exception.

Graphic Representations of Data

Another excellent way to describe your data (especially for visually
oriented learners) is to construct graphical representations of the data

(i.e., pictorial representations of the data

in two-dimensional space).
Some common graphical
representations are bar graphs,
histograms, line graphs, and
scatterplots.

Pie Chart

Bar Graphs
A bar graph uses vertical bars to represent the data. The
height of the bars usually represent the frequencies for
the categories that sit on the X axis. The X axis is the
horizontal axis and the Y axis is the vertical axis. Bar
graphs are typically used for categorical variables.

Histograms
A histogram is a graphic that shows the frequencies and shape that
characterize a quantitative variable.

Line Graphs
A line graph uses one or more lines to depict information about one or more
variables.
A simple line graph might be used to show a trend over time

Scatterplots
A scatterplot is used to depict the relationship between two quantitative
variables. Typically, the independent or predictor variable is represented
by the X axis (i.e., on the horizontal axis) and the dependent variable is
represented by the Y axis (i.e., on the vertical axis).