UNIVERSITY OF MALAYA PUBLICATION 2016

Dr. Ghazali Darusalam Prof. Datuk Dr. Sufean Hussin

Buku ‘Metodologi Penyelidikan Dalam Pendidikan : Amalan Dan Analisis Kajian’ ini adalah sebuah buku kaedah penyelidikan
terkini yang sangat eksklusif untuk bidang sains sosial, khasnya bidang pendidikan. Ia dapat menjadi rujukan penting kepada
penyelidik dan sarjana yang berusaha mencari ilmu empirikal dan seterusnya menghasilkan laporan ilmiah atau tesis sarjana
dan kedoktoran. Buku ini ditujukan khas kepada pelajar yang sedang menyiapkan kertas kajian/ kertas projek/ disertasi/
thesis dan yang seumpamanya diperingkat Diploma, Ijazah Sarjana Muda, Ijazah Sarjana dan Ijazah Doktor Falsafah samada
di kolej, Institusi Pendidikan Guru Malaysia (IPGM), Institusi Pendidikan Tinggi Awam (IPTA) dan Institusi Pendidikan Tinggi
Swasta (IPTS).

Buku ini mengandungi empat bahagian : ilmu dan penyelidikan, penyelidikan kuantitatif, penyelidikan kualitatif dan
penyelidikan kaedah gabungan (mixed-methods). Bagi setiap kaedah/ kajian kuantitatif, kualitatif dan kaedah gabungan
(mixed-methods) diperincikan lagi melalui sub-sub topik yang berkaitan seperti; rekabentuk kajian, penulisan proposal kajian,
kaedah pengumpulan data, pengurusan data, pengkodan data, populasi dan persempelan, kesahan dan kebolehpercayaan,
ujian rintis (pilot test), kerangka konseptual, teoritikal kajian, analisis statistik, penulisan laporan, dan format penulisan
bibliografi mengikut APA (American Psychological Association) style.

Buku ini ditulis dengan menggunakan bahasa yang mudah, tidak terlalu teoritikal dan setiap sub topik ditulis secara terperinci
dalam menghuraikan sesuatu fakta serta setiap paragraf mengandungi rujukan-rujukan yang relevan sebagai sandaran fakta
yang dibahaskan. Buku ini juga dapat memandu penyelidik bagaimana mengoperasikan perisian ‘Statistical Package for Social
Sciences’ (SPSS) mengikut langkah demi langkah dalam penggunaan semua jenis statistik deskriptif dan inferensi, juga
dijelaskan bagaimana cara untuk menginterpritasi dan menganalisis data, dan akhir sekali menjelaskan bagaimana laporan
ilmiah dibuat berdasarkan jenis penyelidikan yang digunakan.
 BAB 8

ANALISIS STATISTIK

Pengenalan

Statistik adalah satu ilmu untuk mempelajari cara-cara menentukan sesuatu pemboleh ubah bagi sesuatu paramater
(paramater adalah perihal mengenai ciri-ciri yang diukur bagi sesuatu populasi dan pemboleh ubah melalui simbol (β, μ,
α, σ) dengan tujuan untuk membuat suatu laporan kajian. Statistik adalah bahasa komunikasi dari data numerik bagi
menerangkan hal yang berkaitan dengan sampel serta populasi disamping bahasa yang digunakan untuk menerangkan
hasil dapatan kajian kuantiatif. Statistik juga merupakan satu alat bantu yang digunakan untuk memberi keadaan sebenar
atau gambaran sesuatu keadaan dalam bentuk angka atau pun grafik.

Statistik yang dikenakan kepada sampel, digunakan bagi menginferenkan paramater populasi. Statistik digunakan
melalui simbol-simbol tertentu yang menggambarkan makna serta kefahaman mengenai sampel serta pemboleh ubah
dengan mengukur dan mengira secara matematik. Statistik adalah nilai paramater yang diperolehi daripada sampel kajian
digunakan untuk menguji populasi. Statistik adalah nilai data yang diperoleh dengan cara mengumpul, mengolah,
memapar, menganalisis dan mentafsir sesuatu laporan kajian. Data yang diperoleh perlu dianalisis untuk membuat
rumusan dan kesimpulan pada batas-batas yang dibenarkan.

Statistik dibahagikan kepada dua bahagian. Pertama statistik deskriptif, iaitu pemaparan data yang dihuraikan secara
pemerihalan dan pelaporan berdasarkan populasi dan sampel yang sedikit. Dari sudut pandangan statistik, hasil ujian
statistik deskriptif (penggunaan measure of central tendency seperti: peratusan, mean, median dan mode sangat terbatas
dan sederhana) tidak boleh digunakan untuk membuat generalisasi hasil dapatan (Hasil dapatan terbatas pada satu
populasi dan sesebuah lokasi kajian sahaja) ini kerana penggunaan sampel yang sedikit berdasarkan kepada populasi
yang kecil. Biar pun begitu sesetengah pengamal ‘research methodology’ menyatakan hasil kajian yang bersifat deskriptif
boleh digeneralisasikan kepada sampel lain dalam populasi lain yang sama ciri, karektor dan sifatnya asalkan pemilihan
sampel dibuat secara random (probability sampling).

Kedua statistik inferensi, bertentangan dengan statistik deskriptif, statistik inferensi diaplikasikan untuk membuat rumusan
dan kesimpulan berdasarkan penafsiran daripada populasi dan sampel yang besar. Hasil kajian yang menggunakan
statistik inferensi boleh digeneralisasikan atau menginferenkan kepada populasi dan lokasi kajian di tempat lain.

Min (Mean), median, mod (mode) dan peratusan adalah ukuran kecenderungan memusat bagi data yang tidak
berkumpul. Bagi min, median dan mod merupakan kelompok nilai-nilai yang terarah kepada penengah set data.
Pengukuran kecenderungan memusat ini akan menghasilkan maklumat-maklumat yang berkaitan dengan titik penengah
dalam satu kumpulan nombor.

Jenis-Jenis Statistik Dalam Menguji Perbezaan Dan Perbandingan

Jadual 40 berikut menunjukkan jenis-jenis statistik dalam menguji perbezaan dan perbandingan

Jadual 40 : Jenis-Jenis Statistik Dalam Menguji Perbezaan dan Perbandingan

Jenis Ujian Dependent Variable (DV) Independent Variable (IV)

(nominal/ordinal) (Interval / ratio)
Data diskert Data continuous
Ujian t 1 DV 1 IV
(1 by 1) (cth : gangguan emosi)
 (2 kategori/kumpulan. Cth.
Jantina : Lelaki & Perempuan
atau Status : (Bujang/Kahwin)

One-Way ANOVA 1 DV 1 IV
(1 by 1) (3 kategori/kumpulan. Cth: (cth : gangguan emosi)
Bangsa : Melayu, Cina & India)

2-Way ANOVA 2 DV 1 IV
(2 by 1) (Jantina : Lelaki & Perempuan) (cth : gangguan emosi)
dan
(Bangsa : Melayu, Cina & India)

One-Way MANOVA 1 DV 2 atau lebih IV

(1 by >2) (2 kategori/kumpulan. Cth. (cth : gangguan emosi
Jantina : Lelaki & Perempuan dan
atau Status : (Bujang/Kahwin) Kesebukan berkerja)

MANOVA 2 atau lebih DV 2 atau lebih IV

(>2 by >2) (Jantina : Lelaki & Perempuan) (cth : gangguan emosi,
dan Kesebukan berkerja dan
(Bangsa : Melayu, Cina & India) motivasi diri)

Tujuan Statistik Dan Jenis Data

Jadual 41 berikut menunjukkan tujuan statistik dan jenis data.

Jadual 41 : Tujuan Statistik dan Jenis Data

Jenis-Jenis Data
Tujuan Statistik Paramatrik/Normality Non Paramatrik/Non
Normality
Bagi menerangkan 1 Min, Standard Deviation Median, Interquartile range
kumpulan

Membandingkan 1 kumpulan One sampel t test Wilcoxon test

dengan menggunakan 1 nilai

Membandingkan 2 kumpulan Indepenent t-test Mann-Whitney test

yang berbeza (cth; jantina)

Membandingkan 2 kumpulan Paired t-test Wilcoxon test

yang berpasangan (cth: pre
& pascaest)

Membandingkan 3 atau lebih One-way ANOVA Kruskal-Wallis test

kumpulan yang berbeza

Korelasi antara 2 pemboleh Pearson correlation Spearman correlation

ubah

Meramal nilai dari pemboleh Simple linear regression or Nonparamatrik regression

ubah lain yang diukur Nonlinear regression
 (predict value from another
measured variable)

Meramal nilai daripada Multiple linear regression or

beberapa pemboleh ubah multiple nonlinear regression
lain yang diukur (predict -
value from several measured
or binominal variables)

Ujian Statistik Berdasarkan Paramatrik Dan Bukan Paramatrik

Jadual 42 berikut menunjukkan ujian statistik berdasarkan paramatrik dan bukan paramaterik

Jadual 42 : Ujian Statistik Berdasarkan Paramatrik dan Bukan Paramatrik

Paramatrik Bukan Tujuan analisis Data Independent Dependent
/ Paramatrik/ Skala Variable Variable
Distibusi Distibusi
Normal tidak
Normal
Ujian Mann- 1.untuk melihat Median. dua keadaan kemahiran
Whitney U perbezaan dua median yang berbeza computer
√ (nilai tengah) antara Ordinal, dan tiada – mahir
Atau dua kumpulan. interval perkaitan antara dan tidak
atau data A dan B mahir)
Ujian 2. untuk melihat ratio contohnya
Wilcoxon perbezaan antara dua jantina : Lelaki
Rank Sum sampel bebas (data dan Perempuan
daripada dua keadaan
yang berbeza dan tiada 2. Data berasal
perkaitan antara data A dari 2 kelompok
dan B contohnya
jantina : Lelaki dan
Perempuan –
pemboleh ubah
bebas/independent)
yang pemboleh ubah
bersandarnya/depende
nt (kemahiran computer
– mahir dan tidak
mahir)

ujian √ 1. untuk menguji dua sensitif

Kolmogorov sampel bebas daripada kepada
Smirnov Z dua varian yang min dan
(KS-Z) berbeza varian
sahaja.

ujian √ 1. dibuat untuk melihat

‘independent perbezaan antara dua
T Test mean

Ujian Leven √ data berasal dari 3

e's Test kelompok atau lebih
ujian Fisher √ data berasal dari 3
F kelompok atau lebih

Ujian Chi √ bagi menentukan nominal

Square perkaitan atau =
berhubungan yang nominal
signifikan diantara dua atau
pemboleh ubah dalam nominal
sesuatu populasi. = ordinal

2. hubungan antara dua

pemboleh ubah
berkategori (jantina :
lelaki dan perempuan
(skala nominal) diukur
dengan ujian phi Φ (2 x
2).

3. tidak menguji
kekuatan hubungan
sepertimana ujian
korelasi

Ujian Chi- √ digunakan bagi

Square for mengenal pasti
independent perbandingan dua
/ test of variabel yang berskala
homogeneity nominal = nominal.

contohnya
membandingkan
pemboleh ubah
(variable) jantina (skala
nominal) iaitu kategori
lelaki dan perempuan
dengan tahap
kemahiran
berkomunikasi (skala
ordinal) sama ada
tahap tinggi, tahap
sederhana, tahap
rendah.

ujian √ satu daripada dua

Cramer’s V pemboleh ubah
berkategori
mengandungi lebih
daripada 2 aras
(kaedah membaca,
kaedah menulis dan
kaedah memaham
(skala ordinal) (2 x 3)

McNemar √ cuba membandingkan data Data-data kajian

sebelum dan sesudah nominal diambil sebelum
sesuatu peristiwa/ dan sesudah
pilihan raya dari
treatment.
dua calon
pemimpin.
Calon A
 Dua kelompok sampel mewakili 1 dan
yang berhubungan. calon B
mewakili 2.
untuk crosstabulasi sel
2x2.

Cocharn Q √ 1.untuk melihat nominal

kemajmukan sampel melalui
berpasangan, atau punguta
untuk menguji apakah n data
tiga atau lebih jumlah docutom
skor (frekuensi) ous
berpasangan saling jawapan
signifikan. ‘ya’ = 1
dan
2. Tujuan pengujiannya ‘tidak’ =
adalah untuk melihat 2
konsistensi terhadap
pemboleh ubah yang
ingin dicarap

Wilcoxon √ untuk menganalisis dua skala Untuk

pemboleh ubah interval menentukan
berpasangan (pair test) atau kebaikan
pada sampel yang ratio program
sama dari dua data sahaja TESL, maka
yang berbeza (pre dan calon
pasca test). mahasiswa
tersebut
jumlah sampel kurang dikehendaki
daripada 30 orang ( n = mengambil
< 30) ujian pra dan
pasca
program
TESL.
Penyelidik
melakukan
dua kali ujian
terhadap
sampel kajian;
pretest
(sebelum)
program TESL
diambil dan
pasca test
(selepas)
program
TESL. Sampel
dipilih secara
rawak adalah
sebanyak 15
orang.

Kruskal- √ data berasal dari 3 Ordinal Random

kelompok atau lebih
Wallis
untuk membandingkan
atau membezakan tiga
atau lebih kelompok
 data sampel pemboleh
ubah
bebas/Independent
variable (contohnya
bangsa: Melayu, China
dan India) terhadap
pemboleh ubah
bersandar (contohnya:
meritrokasi)

Uji Kruskal-
Wallis digunakan
ketika syarat atau
asumsi ANOVA tidak
dapat dipenuhi.

Friedman √ untuk mengetahui ordinal, random

Test perbezaan antara dua interval
kelompok sampel yang dan ratio
berpasangan sahaja
atau yang saling
berhubungan.

Ujian Friedman adalah

alternative daripada
ujian One-Way ANOVA
apabila jumlah sampel
yang digunakan terlalu
sedikit disamping
taburan datanya tidak
normal (non-normality)
dan tidak diketahui
varians populasinya.

Oleh kerana data

dikumpulkan melalui
ujian pra dan pasca test

Operasi Penggunaan Analisis SPSS dan Laporan Kajian

Operasi penggunaan analisis SPSS diolah dengan mengambil contoh sebenar daripada perisian SPSS bagi
memudahkan penyelidik atau pengkaji mengikuti semua proses atau langkah demi langkah sehingga dapat dikeluarkan
semua output laporan SPSS.

Statistik Deskriptif

Statistik deskriptif atau juga disebut sebagai statistik keperihalan atau huraian digunakan bagi menghuraikan ciri-ciri
sesuatu pemboleh ubuah seperti sampel. Ia juga digunakan bagi membuat kesimpulan berdasarkan data-data numerikal.
Huraian statistik deskriptif tidak boleh membuat generalisasi daripada sampel kajian kepada populasinya. Ujian statistik
deskriptif menggunakan petunjuk seperti; mod, median/medium, mean/min, sisihan piawai, frekuensi, peratusan, sela,
varians, kadar, nisbah, taburan data normal, skor z dan sebagainya bagi menyatakan ciri-ciri sesuatu pemboleh ubah.
Mod, Median, Min Dan Sisihan Piawaian

Mod, median dan min boleh dibahagikan kepada data-data yang tidak terkumpul dan yang terkumpul seperti berikut:

Mod

Mod Bagi Data Tidak Terkumpul

Mod adalah kekerapan atau nilai yang paling kerap atau yang paling banyak/tinggi yang ada di dalam satu set data atau
skor yang mempunyai kekerapan terbanyak. Mod juga adalah ukuran kecenderungan memusat bagi data-data nominal.
Mod digunakan bagi menetapkan manakah kategori yang kerap berlaku. Mod tidak semestinya wujud dalam set data.
Satu set data boleh mempunyai dua atau lebih mod. Untuk menentukan mod data-data yang ada perlu disusun dari
angka paling kecil kepada angka yang paling besar. Contohnya

3 3 4 5 5 5 5 5 6 6 7 7 8 9 9, = mod 5 (angka yang kerap berlaku).

3 4 5 6 7 8 9 10 11 13 16 17 28 30 31 = tiada mod

3 4 5 6 7 8 9 9 9 9 11 26 29 31 44 44 44 44 49 52 57 59 61 = mod 9 dan 44

Mod Bagi Data Terkumpul

Mod bagi data terkumpul adalah titik tengah kelas mod. Kelas mod adalah sela kelas yang mempunyai kekerapan
yang tertinggi. Di dalam contoh berikut, kelas mod adalah di antara 1 – 3 dengan bilangan kekerapan 16. Oleh itu titik
tengah kelas mod ialah 2 seperti jadual 43 berikut.

Jadual 43 : Mod Bagi Data Terkumpul

Sela Kelas Kekerapan (fi)

1–3 16
3–5 2
5–7 4
7–9 3
9 – 11 9
11 - 13 6
Jumlah 40

Mod = 1 + 3

= 2

Median
Median Bagi Data Tidak Terkumpul

Median atau penengah merupakan skor yang membahagikan dua taburan skor agar jumlah bilangan skor adalah sama
di kedua-dua pihak, atau satu nilai yang terletak di tengah-tengah setelah disusun mengikut ranking. Median juga
merupakan titik penengah dalam sesuatu kelompok nombor yang disusun secara menegak atau menaik. Median
digunakan terhadap data nominal. Jika bilangan nombor atau data adalah ganjil, maka median adalah nombor yang di
tengah, sebaliknya jika bilangan nombor atau data adalah genap, maka mediannya adalah purata dua nombor yang
terletak di tengah-tengah. Contoh diberi nombor berikut:

23 21 29 28 27 25 32 30 37 36 48 44 40 47 42 49 45

Susun kembali nombor di atas mengikut sebutan menaik dari angka terkecil kepada yang paling besar

Bilangan nombor ganjil (17) = 21 23 25 27 28 29 30 32 36 37 40 42 44 45 47 48 49 = 36 adalah median

Bilangan nombor genap (16) = 21 23 25 27 28 29 30 32 36 37 40 42 44 45 47 48

= 34 adalah median (32+36÷2)

Atau jika terdapat 55 susunan angka, bagi menentukan mediannya ialah (n+1÷2) = 55+1÷2 = 28. Formula sebegini
hanya digunakan bagi susunan nombor yang banyak atau melibatkan data yang besar. Keistimewaan median ialah:

i. Tidak dipengaruhi oleh magnitud dari nilai yang ekstrim

ii. Nilai yang terbesar atau pun yang terkecil tidak akan dapat mempengaruhi median
iii. Satu nilai atau ukuran yang terbaik yang perlu digunakan dalam menganalisis
pemboleh ubah
Contohnya berapa nilai harga sebuah komputer yang munasabah mewakili harga kesemua komputer berikut.

RM300 RM350 RM480 RM587 RM642 RM788 RM891 RM1200 RM1567 RM1644

Dengan itu harga sebuah komputer yang perlu dijual pada nilai yang munasabah adalah purata dua harga ditengah-
tengah iaitu RM642 dan RM788 = RM715 (median) bagi harga sebuah komputer yang perlu dijual pada harganya.

Median Bagi Data Terkumpul

Bagi data yang tidak terkumpul, nilai median dikira mengikut formula berikut:

N
- cf p
Median  L  2
W 
f med

L = had bawah jeda kelas median

cfp = jumlah terkumpul kekerapan kelas
Fmed = kekerapan median
W = keluasan jedia kelas median (had kelas (atas dan bawah)
N = jumlah bilangan kekerapan

Jadual 44 : Median Bagi Data Terkumpul

Sela Kelas Kekerapan (fᵢ) Titik Tengah (Mᵢ)

1- 3 16 2
3–5 2 4
5–7 4 6
7–9 3 8
 9 – 11 9 10
11 – 13 6 12
Jumlah f = N = 40

N
- cf p
Median  L  2
W 
f med
20
- 18
5 2
(2)
4
1
5 (2)
2
 5 1
6

Kirakan nilai N2 yang merupakan kedudukan sebutan di tengah-tengah. N2  40 2

 20 . Oleh itu median terletak
dikedudukan ke 20. Persoalannya dikelas manakah sebutan ke 20?. Kirakan kekerapan terkumpul bagi setiap kelas.
Berdasarkan kepada kekerapan terkumpul, sebutan ke 20 terletak di dalam kelas ke tiga kerana terdapat hanya 18 (16+2
) nilai sahaja dalam dua kelas pertama. Oleh itu nilai median terletak di mana-mana di antara 5 – 7 (kelas ke tiga). Sela
kelas yang mengandungi nilai median dirujukkan sebagai sela kelas median.

Oleh kerana nilai ke 20 adalah di antara 5 - 7, nilai median adalah sekurang-kurangnya 5. Tetapi apakah nilai tersebut?
Perbezaan di antara kedudukan nilai median, N2 = 20, dan kekerapan terkumpul sehingga itu, tetapi tidak termasuk sela
kelas median, cfp = 18, memberitahu berapa banyak nilai sehingga sela kelas median bagi nilai median terletak. Ini boleh
ditentukan dengan menyelesaikan N2 – cfp = 20 – 18 = 2. Walau bagaimanapun, terdapat empat nilai didalam sela kelas
2
median (fmed). Nilai median adalah 4
jauh ke dalam sela, iaitu
N
- cf p 20 - 18 2 1
2
  
f med 4 4 2

Oleh itu, nilai median sekurang-kurangnya 5 nilai L dan separuh jauhnya daripada sela median. Berapa jauhkah secara
geometri di sepanjang sela median? Setiap sela kelas adalah dua unit luas (W). Separuh daripada jarak ini memberitahu
kita berapa jauh nilai median ke dalam sela kelas.

N
- cf p 40
- 18 2 1
2
(W)  2
(2)  (2)  (2)  1
f med 4 4 2

Menambahkan jarak ini dengan had bawah sela kelas median menghasilkan nilai median.
N
- cf p 20
- 18
Median  L  2
W   5  2 1
(2)  5  (2)  5  1  6
f med 4 2

(https://www.google.com.my/webhp?sourceid=chrome)

Min

Min Bagi Data Tidak Terkumpul

Mean atau min merupakan purata nilai dari sebarang cerapan, atau purata aritmatik yang didapati melalui menjumlahkan
skor-skor di dalam taburan skor dan dibahagikan dengan jumlah bilangan skor. Min juga merupakan susunan nombor
mengikut purata kumpulan nombor dengan menjumlahkan semua nombor dan membahagikannya dengan bilangan
nombor tersebut. Min boleh dipengaruhi oleh nilai ekstrem. Min sesuai digunakan bagi data-data ordinal dan interval

Formula asas min adalah

Jumlah semua nilai data

Min =
Bilangan nombor nilai data

‾x = ∑x

20 + 34 + 11 + 42 + 52
17

= 159
17
= 9.3

Biasanya min mempunyai dua jenis:

1. Min Populasi

 X X
X  X 3  ...  X N
 1 2
N N
24  13  19  26  11

5
93

5
 18.6
N = Saiz populasi

2. Min Sampel

X
X  X  X 1 2
 X 3  ...  X n
n n
57  86  42  38  90  66

6
379

6
 63.167
n = Saiz sampel
Min Bagi Data Terkumpul

Bagi data yang terkumpul, min dikira dengan menjumlahkan hasil darab titik tengah kelas dengan kekerapan kelas dan
membahagikan jumlah tersebut dengan bilangan kekerapan seperti formula berikut:

 kumpulan 
 f i m i  f1m1  f 2 m 2  .........fi m i
 fi f 1  f 2  ...  f i

i = bilangan jeda/sela
f = kekerapan kelas
m = titik tengah kelas
N = jumlah f

Jadual 45 : Min Bagi Data Terkumpul

Sela Kelas Kekerapan (fᵢ) Titik Tengah (Mᵢ) fᵢ Mᵢ

1- 3 16 2 32
3–5 2 4 8
5–7 4 6 24
7–9 3 8 24
9 – 11 9 10 90
11 – 13 6 12 72
Jumlah 40 ∑fM = 250


f i Mi 250
  6.25
f i 40

Sisihan Piawaian

Sisihan piawai adalah sisihan min punca kuasa dua bagi nilai dari min aritmetik atau serakan skor-skor dalam sesuatu
taburan data. Sisihan piawai bagi satu-satu taburan yang dilihat dalam pemboleh ubah rawak atau populasi adalah
ukuran serakan nilainya. Sisihan piawai, adalah dari varians yang merupakan purata bagi kuasa dua kepada beza titik
data dengan min. Sisihan piawai, yang merupakan punca kuasa dua kuantiti tersebut, lalu mengukur serakan data pada
min, yang diukur dengan unit yang sama dengan data. Sisihan piawai menunjukkan jumlah purata sesuatu nilai atau skor
individu yang tersisih daripada skor min dalam sesuatu taburan data. Sisihan piawai digunakan terhadap dapat daripada
skala interval (sela) dan ratio atau nisbah. Simbol sisihan piawai ialah huruf σ (huruf kecil sigma). Ia ditakrifkan
sebagai punca kuasa dua varians. Sisihan piawai dibahagi kepada dua: populasi dan sampel seperti berikut:

Sisihan Piawaian Populasi

Jadual 46 : Sisihan Piawaian Populasi

x x-μ (x – μ)²
5 -8 64
9 -4 16
17 +3 9
17 +4 16
 18 +5 25
∑x = 65 ∑ (x – μ) = 10 ∑ (x – μ)² = 130

SSX
2 
N


 (X - ) 2

N
130
  26.0
5

 2  26.0  5.1
Sisihan Piawaian Sampel

Jadual 47 : Sisihan Piawaian Sampel

x x-x ( x – x )²
2398 625 390,625
1844 71 5041
1539 -234 54,756
1311 -462 213,444
Jumlah 7092 Jumlah 0 Jumlah 663,866

∑ ( x – x )²
s² =
n-1

= 663,866
3

= √s²

= √s² 221,288.67

= 470.41

Peratusan

Peratusan adalah satu ukuran kecenderungan memusat yang membahagikan satu set data kepada 100 bahagian.
Peratusan digunakan untuk menyatakan perhubungan antara pemboleh ubah. Analisis peratusan biasanya digunakan
bersama dengan nilai frekuensi. Ukuran peratusan dibuat dalam bentuk menaik seperti 45.3%, 48.2%, 52.9% dan
seterusnya atau sebaliknya iaitu menurun.

Jadual 48 : Peratusan

Gaji pekerja mengikut kemahiran Frequency/Kekerapan (f) Peratusan (%)

680.00 2 6.9
 730.00 4 13.8

820.00 3 10.4

960.00 6 20.7

1200.00 8 27.5

1300.00 6 20.7

n = 29 100.00%

Analisis Data Demografi/Profil Dan Output SPSS

Analyze > Descriptive Statistics > Frequenceis

Output SPSS
 Statistics

b1aumur b1cjantina b1dpengalaman

N Valid 631 631 631

Missing 0 0 0
Mean 2.6197 1.6133 3.7195
Median 3.0000 2.0000 3.0000
Mode 2.00 2.00 3.00
Std. Deviation .68164 .48738 1.18947
Sum 1653.00 1018.00 2347.00
Percentiles 25 2.0000 1.0000 3.0000

50 3.0000 2.0000 3.0000

75 3.0000 2.0000 5.0000

b1cjantina

Cumulative
Frequency Percent Valid Percent Percent

Valid lelaki 244 38.7 38.7 38.7

perempuan 387 61.3 61.3 100.0

Total 631 100.0 100.0

b1dpengalaman

Cumulative
Frequency Percent Valid Percent Percent

Valid kurang 1 th 2 .3 .3 .3

2-5th 85 13.5 13.5 13.8

6-10th 229 36.3 36.3 50.1

11-15th 150 23.8 23.8 73.9

16-20th 102 16.2 16.2 90.0

lebih 20th 63 10.0 10.0 100.0

Total 631 100.0 100.0

Soalan kajian
Apakah latar belakang pengguna aplikasi JERI di sekolah?

Jantina

Jadual 49 : Taburan Responden Mengikut Jantina

Perihal Kekerapan Peratusan

 Lelaki 244 38.7
Perempuan 387 61.3
Jumlah 631 100.0

Jadual 49 di atas menunjukkan 38.7 peratus (244) majoriti guru di sekolah adalah terdiri daripada kalangan guru lelaki,
manakala 61.3 peratus (387) adalah daripada kalangan guru perempuan.

Pengalaman

Jadual 50 : Taburan Responden Mengikut Pengalaman

Perihal Kekerapan Peratusan

Kurang 1 tahun 2 0.3
2 – 5 tahun 85 13.5
6 – 10 tahun 229 36.3
11 – 15 tahun 150 23.8
16 – 20 tahun 102 16.2
Lebih 20 tahun 63 10.0
Jumlah 631 100.0

Jadual 50 di atas menunjukkan 36.3 peratus (229) majoriti sampel kajian atau guru terdiri daripada kalangan mereka
yang mempunyai pengalaman mengajar selama 6 hingga 10 tahun, diikuti oleh 23.8 peratus (150) kalangan guru yang
berpengalaman antara 11 hingga 15 tahun, 16.2 peratus (102) berpengalaman antara 16 hingga 20 tahun, 13.5 peratus
(85) berpengalaman selama 2 hingga 5 tahun, 10.0 peratus (63) mempunyai pengalaman mengajar melibihi 20 tahun
dan paling sedikit adalah 0.3 peratus (2) orang guru sahaja yang mempunyai pengalaman mengajar kurang 1 tahun.

Analyze > Descriptive Statistics > Frequenceis

Output SPSS

Statistics

bv1semaka bv2kepu bv4lapor bv5mema bv6progr bv7onlin bv8memb

n tusan bv3tugas an ntau am e antu

N Valid 631 631 631 631 631 631 631 631

Missing 0 0 0 0 0 0 0 0
Mean 3.4374 3.2219 2.9208 2.7353 2.6387 2.4089 3.1410 3.0206
Std. Deviation .55101 .64110 .77258 .80947 .88874 .86236 .75640 .73758
Percentiles 25 3.0000 3.0000 3.0000 2.0000 2.0000 2.0000 3.0000 3.0000

50 3.0000 3.0000 3.0000 3.0000 3.0000 2.0000 3.0000 3.0000

75 4.0000 4.0000 3.0000 3.0000 3.0000 3.0000 4.0000 3.0000

bv1semakan

Cumulative
Frequency Percent Valid Percent Percent

Valid tidak pernah 1 .2 .2 .2

jarang 15 2.4 2.4 2.5

kerap 322 51.0 51.0 53.6

sangat kerap 293 46.4 46.4 100.0

Total 631 100.0 100.0

 bv2keputusan

Cumulative
Frequency Percent Valid Percent Percent

Valid tidak pernah 7 1.1 1.1 1.1

jarang 54 8.6 8.6 9.7

kerap 362 57.4 57.4 67.0

sangat kerap 208 33.0 33.0 100.0

Total 631 100.0 100.0

Soalan Kajian
Apakah Tahap Penglibatan Pengguna Dalam Penggunaan JERI?

Penglibatan Pengguna JERI

Jadual 51 : Taburan Responden Mengikut Penglibatan Pengguna JERI

n = 631

Pernyataan/Item Skala Tahap

MIN
TP J K SK JUM MIN SD
1.mencapai maklumat JERI untuk 0.2 2.4 51.0 46.4 97.4 3.43 .551 Tinggi
membuat semakan (1) (15) (322) (293) (615)
2. mencapai maklumat JERI untuk 1.1 8.6 57.4 33.0 90.4 3.22 .641 Tinggi
membuat sesuatu keputusan (7) (54) (362) (208) (570)
3.memasukkan data ke dalam 5.9 16.5 57.4 20.3 77.7 2.92 .772 Tinggi
JERI untuk tugas-tugas berkaitan (37) (104) (362) (128) (490)
data pelajar
4.mencapai maklumat JERI untuk 7.4 27.1 49.9 15.5 65.4 2.73 .809 Tinggi
membuat laporan pelajar yang (47) (171) (315) (98) (413)
lengkap
5.menggunakan JERI untuk 12.5 26.5 45.6 15.4 61.0 2.63 .888 Seder
memantau maklumat asas pelajar. (79) (167) (288) (97) (385) hana
6.mencapai maklumat JERI untuk 0.2 15.5 36.6 38.7 75.3 2.40 .862 Seder
membuat perancangan program (1) (98) (231) (244) (475) hana
pelajar.
7.menghatar maklumat yang 3.6 11.6 51.8 33.0 84.8 3.14 .756 Tinggi
diperlukan oleh pihak bahagian (23) (73) (327) (208) (535)
KPM secara on-line.
8. membantu pengguna lain untuk 4.3 13.3 58.5 23.9 82.4 3.02 .737 Tinggi
menghantar meklumat yang (27) (84) (369) (151) (520)
diperlukan oleh bahagian KPM
secara on-line.
9.berkerjasama dengan pengguna 1.6 7.1 59.3 32.0 91.3 3.21 .639 Tinggi
yang lain untuk mencapai (10) (45) (374) (202) (576)
maklumat daripada JERI
10.mengemaskini maklumat dalam 0.2 0.3 36.9 62.6 99.5 3.61 .501 Tinggi
JERI (1) (2) (233) (395) (628)
11.membantu staf lain 6.3 13.9 53.6 26.1 79.7 2.99 .809 Tinggi
mengemaskini maklumat pelajar (40) (88) (338) (165) (503)
 12.berkongsi maklumat JERI 9.8 19.3 46.1 24.7 70.8 2.85 .902 Tinggi
dengan semua staf. (62) (122) (291) (156) (450)
13.memberi tahu pengguna lain 1.4 10.3 59.7 28.7 88.4 3.15 .649 Tinggi
tentang kepentingan JERI (9) (65) (377) (180) (557)
14.memberi tahu pengguna lain 1.3 10.0 62.0 26.8 88.8 3.14 .631 Tinggi
tentang peranan JERI (8) (63) (391) (169) (560)

1 Tidak Pernah (TP) 2 Jarang (J) 3 Kerap (K) 4 Sangat Kerap (SK)

Jadual 51 di atas menunjukkan taburan kekerapan responden mengikut penglibatan pengguna JERI. Hasil kajian
mendapati 12 item berada pada tahap kekerapan yang tinggi dalam penglibatan para guru di sekolah dalam penggunaan
sistem JERI. Item-item tersebut adalah 99.5 peratus (628), min 3.61 guru sekolah mengemaskini maklumat dalam JERI,
97.4 peratus (615) min 3.43 mencapai maklumat JERI untuk membuat semakan, 90.4 peratus (570) min 3.22 mencapai
maklumat JERI untuk membuat sesuatu keputusan, (576) min 3.21 berkerjasama dengan pengguna yang lain untuk
mencapai maklumat daripada JERI 91.3 peratus, 88.8 peratus (560) min 3.14 memberi tahu pengguna lain tentang
peranan JERI, 88.4 peratus (557) min 3.15 memberi tahu pengguna lain tentang kepentingan JERI, 84.4 peratus (535)
min 3.14 menghantar maklumat yang diperlukan oleh pihak bahagian KPM, 82.4 peratus (520) min 3.02 secara on-line
membantu pengguna lain untuk menghantar maklumat yang diperlukan oleh bahagian KPM secara on-line, 79.7 peratus
(503) min 2.99 membantu staf lain mengemaskini maklumat pelajar, 77.7 peratus (490) min 2.92 memasukkan data ke
dalam JERI untuk tugas-tugas berkaitan data pelajar, 70.8 peratus (450) min 2.85, berkongsi maklumat JERI dengan
semua staf, 65.4 peratus (413) min 2.73 mencapai maklumat JERI untuk membuat laporan pelajar yang lengkap.

Manakala hanya 2 item sahaja yang didapati berada pada tahap sederhana dalam penglibatan para guru di sekolah
terhadap penggunaan JERI. Dua item tersebut adalah 75.3 peratus (475) min 2.40 mencapai maklumat JERI untuk
membuat perancangan program pelajar dan 61.0 peratus (385) min 2.63 menggunakan JERI untuk memantau maklumat
asas pelajar.

Statistik Inferensi

Statistik inferensi digunakan bagi membuat rujukan (inferen) mengenai populasi berdasarkan sampel atau menghuraikan
ciri-ciri sampel yang diambil daripada populasinya. Juga boleh digunakan bagi menghuraikan perhubungan, perbezaan,
peramalan dan faktor antara pemboleh ubah kajian. Statistik inferensi boleh digunakan untuk membuat generalisasi
keputusan kajian terhadap ciri-ciri sampel mengenai populasinya, atau dengan kata lain, statistik inferensi digunakan
untuk membuat kesimpulan tentang ciri-ciri populasi berdasarkan ciri-ciri sampelnya. Pada kebiasaannya statistik
inferensi digunakan untuk mengukur atau menguji dua atau lebih pemboleh ubah (variables). Tujuan statistik inferensi
digunakan juga adalah untuk menganalisis maklumat sampel sebagai anggaran kepada maklumat populasinya di
samping juga bertujuan untuk menguji sejauh manakah maklumat sampel diyakini boleh menganggar dengan tepat
maklumat populasi (paramater). Contoh-contoh statistik inferensi adalah semua kelompok dalam ujian-t,ujian khi-kuasa
dua, korelasi, regrasi, ANOVA, MANOVA, MANCOVA dan lain-lain.

Jika seseorang ingin menggunakan statistik inferensi, bagi semua data ordinal (soal selidik yang menggunakan 4 atau 5
skala likert) mesti ditukar kepada data ratio bagi mendapatkan min/mean keseluruhan item dalam sesuatu kelompok item,
melalui membuat compute dalam SPSS seperti berikut:

Transform Compute variable

Ujian Mann-Whitney U

Uji Mann-Whitney U atau kadang kala disebut juga sebagai ‘Wilcoxon Rank Sum Test’ adalah ujian bukan paramatrik
bagi menganalisis perbezaan antara dua sampel bebas (data daripada dua keadaan yang berbeza dan tiada perkaitan
antara data A dan B, juga dilakukan bagi pemboleh ubah baharu yang tidak memenuhi andaian kenormalan. Contohnya
jantina : Lelaki dan Perempuan – pemboleh ubah bebas/independent) yang pemboleh ubah bersandar/dependent
(kemahiran komputer – mahir dan tidak mahir) daripada data skala ordinal. Atau ujian non paramatrik untuk melihat
perbedaan antara dua median sampel bebas (Jantina) daripada pemboleh ubah daripada data skala ordinal, interval atau
ratio (kemahiran komputer) yang tidak berdistribusi normal. Perbandingan dibuat berdasarkan mean skala ordinal. Ujian
Mann-Whitney U adalah ujian non-paramatrik yang paling ‘power’ berbanding ujian non-paramatrik yang lainnya.

Ujian Mann-Whitney U adalah ujian statistik sebagai alternatif daripada Ujian –t paramatrik daripada data yang lebih
rendah dari skala interval. Ujian Mann-Whitney U dilakukan apabila ujian ‘independent T Test tidak dapat dilakukan
kerana andaian normalitinya tidak dapat dipenuhi. Secara spesifiknya ujian ‘independent T Test’ dibuat untuk melihat
perbezaan antara dua mean sedangkan ujian Mann-Whitney U dibuat untuk melihat perbezaan dua median (nilai tengah)
antara dua kumpulan. Satu lagi pilihan lain ialah ujian Kolmogorov Smirnov Z (KS-Z) untuk menguji dua sampel bebas
daripada dua varian yang berbeza, jika asumsi homogenus dalam ujian Mann-Whitney U tidak dapat dipenuhi maka KS-
Z pun boleh digunakan. Ujian KS-Z tidak sensitif kepada median, melainkan sensitif kepada min dan varian sahaja.

Formula uji Mann-Whitney dengan mencari nilai tengah dan perbezaan sebaran normal (n1<n2) seperti berikut:

n1(n1  n 2  1

2

n1n2(n1  n2  1)

12

T 
ZH 


Berdasarkan huraian yang jelaskan di atas, maka dapatkah dibuat kesimpulan, syarat untuk menyempurnakan ujian
Mann Whitney adalah:

1. Skala data pemboleh ubah bersandar (kemahiran komputer contohnya) adalah daripada skala ordinal, interval
atau rasio yang tidak normal.
2. Data berasal dari 2 kelompok. (Apabila data berasal dari 3 kelompok atau lebih, maka sebaiknya gunakan
ujian Kruskall Wallis).
3. Pemboleh ubah bebas satu dengan yang lainnya, artinya data berasal dari kelompok yang berbeda atau tidak
berpasangan (contohnya Jantina : Lelaki dan Perempuan).
4. Varian kedua kelompok sama atau homogen. Jika distribusi tidak normal, maka uji homogeniti yang tepat
dilakukan adalah ujian Levene's, Di mana ujian Fisher F diperuntukkan bila andaian normaliti telah dapat
dipenuhi.

Contohnya untuk mencari perbandingan kemahiran menggunakan komputer antara jantina pelajar di salah sebuah
universiti di Cyberjaya seperti jadual 52 dan 53 berikut.

Jadual 52 : Jadual Ranks

Jantina N Mean Rank Sum of Ranks

 Kemahiran computer Lelaki 20 22.29 251.48
Perempuan 25 17.3 188.40
Jumlah 45

Jadual 53 : Statistik Ujian Mann-Whitney

Kemahiran Menggunakan Komputer

Mann-Whitney U 3.600
Wilcoxon W 123.500
Z -3.532
Asymp. Sig. (2-tailed) .000
Exact Sig. [2*(1-tailed Sig.) ] .000ª

Ujian statistik Mann-Whitney U di atas menunjukkan Mann-Whitney U = 3.600, p = <.000, Nilai Z, <Z = 5% atau -3.532 <
1.95, dengan itu dapatlah dirumuskan terdapat perbezaan yang signifkan antara pelajar lelaki dan perempuan dari segi
kemahiran menggunakan computer di salah sebuah universiti di Cyberjaya. Kemahiran menggunakan computer dalam
kalangan pelajar lelaki lebih baik mean rank 22.2 berbanding pelajar perempuan 17.3.

Ujian McNemar

Ujian McNemar digunakan untuk penyelidikan yang cuba membandingkan sebelum dan sesudah sesuatu
peristiwa/treatment. Uji dilakukan pada 2 kelompok sampel yang berhubungan, skala pengukurannya terdiri daripada
data nominal (binary respon) dan untuk cross tabulasi sel 2x2. Formula uji MacNemar sebagai berikut :

(A-D)²
Dimana : =
A+D

= Nilai Chi-Square hasil perhitungan

A = Objek yang menampilkan perubahan jawaban dari positif menjadi negatif
D = Objek yang menampilkan perubahan jawaban dari negatif menjadi positif

Soalan Kajian
Adakah terdapat perubahan yang ketara antara dua orang calon pemimpin sebelum dan selepas pilihan raya
diadakan?.

Pilih sampel kajian sebanyak 200 orang, sampel diminta memilih calon pemimpin negara pada pilihan raya. Data-data
kajian diambil sebelum dan sesudah pilihan raya dari dua calon pemimpin. Calon A mewakili 1 dan calon B mewakili 2.

Hipotesis :
Hₐ = Terdapat perubahan yang signifikan pemilihan calon pemimpin sebelum dan sesudah
pilihan raya
Hₒ = Tidak terdapat perubahan yang signifikan pemilihan calon pemimpin sebelum dan
 sesudah pilihan raya

Jadual 54 menunjukkan crossta bulasi data sebelum dan sesudah pilihan raya, manakala jadual 55 menunjukkan ujian
McNemar

Jadual 54 : Crosstabulasi Data

Sesudah Pilihan Raya

Sebelum Pilihan Raya Calon 1 Calon 2
Calon 1 78 102
Calon 2 122 98

Jadual 55 : Ujian McNemar

Sebelum dan Sesudah Plihan Raya

N 50
Chi-Squareª 21.841
Asymp. Sig. .000

Berdasarkan ujian McNemar didapati nilai Chi-Square = 21.1, p =<.000 maka ada perubahan yang signifikan antara
kedua-dua pemimpin sebelum dan selepas pilihan raya diadakan.

Ujian Cocharn Q

Ujian Cocharn Q adalah ujian bukan paramatrik digunakan untuk melihat kemajmukan sampel berpasangan, atau untuk
menguji apakah tiga atau lebih jumlah skor (frekuensi) berpasangan saling signifikan. Data yang digunakan terdiri
daripada skala nominal melalui pungutan data dikotomi jawapan ‘ya’ = 1 dan ‘tidak’ = 2 dikutip daripada sampel kajian
Tujuan pengujiannya adalah untuk melihat konsistensi terhadap pemboleh ubah yang ingin dicarap. Contohnya menilai
pemilihan guru mana yang digemari oleh pelajar.. Formula Uji Q Cochran adalah:

Keterangan :

Q = Q hitung
k = Jumlah atribut yang diuji
Ri = Jumlah YA pada semua atribut untuk 1 responden
Ci = Jumlah YA pada 1 atribut untuk semua responden
n = Jumlah sampel yang diuji

Hipotesis :
Hₒ = Tidak terdapat pilihan yang signifikan antara guru A = B = C
Hₐ = Terdapat pilihan yang signifikan antara guru A = B = C
Jadual 56 berikut menunjukkan laporan ujian Cochran Q

Jadual 56 : Ujian Cochran Q

Nilai
1 (ya) 2 (tidak)
Cikgu A 7 3
Cikgu B 8 1
Cikgu C 4 8

N 10
Cochran’s Q 3.800*
df 2
Asymp. Sig. .000
Exact Sig .178
Point Probability .085

Ujian Cochran Q diatas dapat dinyatakan bahwa uji yang dilakukan signifikan secara statistik kerana nilai Cochran Q
lebih kecil daripada nilai (3.800 < 5.991) - lihat pada tabel chi-square ( 0.05(2) = 5.991) Nilai Chi-Square pada nilai
kritik 0.05. Dengan demikian terima hipotesis noll yang menyatakan bahwa semua sampel yang diuji memiliki proporsi
jawapan ya yang sama. Uji cochran akan dilakukan terus menerus hingga didapatkan nilai χhitung < χtabel, jika belum
maka pengujian dilakukan terus-menerus dengan menghilangkan atribut yang memiliki jawaban “ya” paling sedikit.

Ujian Wilcoxon

Ujian Wilcoxon digunakan untuk menganalisis dua pemboleh ubah berpasangan (pair test) pada sampel yang sama dari
dua data yang berbeza (ujian pra dan pasca). Wilcoxon signed Rank test ini digunakan hanya untuk data dari skala sela
(interval) atau nisbah (ratio) sahaja dengan jumlah sampel kurang daripada 30 orang ( n = < 30). Manakala datanya tidak
mengikuti distribusi normal. Dengan itu ujian Wilcoxon digunakan untuk unjian non-paramatrik. Formula Wilcoxon adalah
seperti berikut:

Dimana :
N = banyak data yang berubah setelah diberi perlakuan berbeza
T = jumlah ranking dari nilai min yang negatif (apabila banyaknya min yang positif lebih banyak dari banyaknya min
negatif)

Uji hipotesis :
Hₐ : d ≠ 0 (terdapat perbezaan diantara dua perlakuan yang diberikan )
Hₒ : d = 0 (tidak terdapat perbezaan antara dua perlakuan yang diberikan)

Contohnya Setiap tahun Fakulti Pendidikan, Universiti Malaya telah menerima Mahasiswa Baharu melalui pelbagai
‘gates’ kelayakan masuk sama ada dari lepasan SPM atau pun lulusan Matrikulasi. Untuk menentukan kebaikan program
TESL, maka calon mahasiswa tersebut dikehendaki mengambil ujian pra dan pasca program TESL. Penyelidik
melakukan dua kali ujian terhadap sampel kajian; ujian pra (sebelum) program TESL diambil dan ujian pasca (selepas)
program TESL. Sampel dipilih secara rawak adalah sebanyak 15 orang. Row data ratio adalah seperti jadual 57 dan
laporannya seperti jadual 58 berikut:

Jadual 57 : Row Data Nisbah (Ratio)

Peserta 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sebelum 67 54 67 55 87 60 70 45 54 66 73 88 80 65 75
Selepas 66 75 80 60 78 89 65 70 68 75 74 85 89 90 75

Jadual 58 : Ujian Wilcoxon

N Mean Rank Sum of Ranks

Negative Ranks 4(a) 4.00 16.00
Pascaitive Ranks 10(b) 8.90 89.00
Ties 1(c)
Jumlah 15

a SELEPAS < SEBELUM

b SELEPAS > SEBELUM
c SELEPAS = SEBELUM

Dari output tersebut diperoleh:

Negative Ranks : perbezaan antara pemboleh ubah sebelum dan sesudah yang negatif adalah = 4 sampel atau dengan
kata lain terdapat = 4 sampel pada pemboleh ubah sesudah yang kurang dari sampel pada pemboleh ubah sebelum
dengan mean rank = 4.00 dan jumlah negative ranks = 16.00
Pascaitive Ranks : perbezaan antara pemboleh ubah sebelum dan sesudah yang positif adalah = 10 sampel atau dengan
kata lain terdapat = 10 sampel pada pemboleh ubah sesudah yang lebih dari sampel pada variabel sebelum dengan
mean rank = 8.90 dan jumlah ranks positif = 89.00
Ties atau tidak ada perbezaan antara pemboleh ubah sebelum dan sesudah sebanyak = 1 sampel. Oleh kerana jumah
negative ranks = 16.00 lebih kecil dibanding pascaitive ranks = 89.00 maka nilai T yang digunakan adalah jumlah ranks
yang negatif.
Seterusnya dilakukan ujian hipotesis:
Hₒ : d = 0 (tidak terdapat perbezaan yang signifikan sebelum program TESL dan selepas program TESL)
Hₐ : d ≠ 0 (terdapat perbezaan yang signifikan sebelum program TESL dan selepas program TESL)
Jadual 59 : Laporan Ujian Z
SESUDAH - SEBELUM
Z -2.295(a)
Asymp. Sig. (2-Tailed) .022

Dengan itu terdapat berbezaan yang signifikan Z = -2.295, Sig = P <.022 antara ujian pra dan pasca terhadap program
TESL di Fakulti Pendidikan, Universiti Malaya. Atau dengan kata lainnya selepas mengikuti program TESL, pelajar lebih
faham berbanding sebelum mengikuti program TESL.
Ujian Kruskal-Wallis

Ujian Kruskal-Wallis adalah uji non-paramatrik yang digunakan untuk membandingkan atau membezakan tiga atau lebih
kelompok data sampel pemboleh ubah bebas/Independent variable (contohnya bangsa: Melayu, China dan India)
terhadap pemboleh ubah bersandar (contohnya: meritrokasi) dalam keadaan data pemboleh ubah bebas/Independent
variable tidak normal (non parametric). Ujian Kruskal-Wallis digunakan ketika syarat atau asumsi ANOVA tidak dapat
dipenuhi.

ANOVA adalah teknik analisis data statistik yang digunakan ketika kelompok-kelompok pemboleh ubah bebas
(Independent variable) lebih daripada dua dan distribusinya secara normal. Syarat Ujian Kruskal-Wallis adalah sampel
hendaklah dipilih secara rawak dan pemboleh ubah bersandar adalah terdiri daripada skala ordinal. Rumus kruskal wallis
adalah seperti berikut :

12 k
Ri 2
K 
N ( N  1) i 1 ni
 3( N  1)

K = nilai Kruskal-Wallis dari hasil pengiraan

Ri = jumlah rank dari kategori/perlakuan ke i
Ni = banyaknya ulangan pada kategori/perlakuan ke-i
K = banyaknya kategori/perlakuan (i=1,2,3,…..,k)
N = Jumlah seluruh sampel (N=n1+n2+n3+………..+nk)

Statistik ujian Kruskal Wallis menggunakan nilai distribusi chi-square dengan tahap kebebasan adalah k-1 dengan
jumlah sampel harus lebih dari 5. Jika nilai ujian Kruskal Wallis lebih kecil daripada nilai chi-square, maka hipotesis null
hipotesis diterima.

Contonya satu kajian dibuat untuk melihat perbezaan persepsi antara bangsa: Melayu, China dan India terhadap
Meritrokasi seperti jadual 60 berikut.

Jadual 60 : Laporan Ujian Kruskal Wallis

Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Skor_responden 60 2.4000 .78332 1.00 3.00
Atribut 60 2.00 .821 1 3

Rank

Atribut N Mean Rank

Skor_responden 1 20 20.60
2 20 21.79
3 20 16.20
Total 30

Test Statisticsª,ᵇ

Skor_responden
Chi-square 8.660
df 2
 Asymp. Sig .014

Hasil dapatan di atas menunjukan, chi-square 8.660, df = 2 dan p = <.014 terdapat perbezaan yang signifikan antara
ketiga-tiga bangsa : Melayu, China dan India terhadap meritrokasi bangsa kemasukan ke Institut Pendidikan Tinggi Awam
Malaysia.

Ujian Friedman

Ujian Friedman adalah ujian bukan paramatrik. Ia dilakukan untuk mengetahui perbezaan antara dua kelompok sampel
yang berpasangan sahaja atau yang saling berhubungan. Data yang dikumpulkan adalah daripada data berskala ordinal.
Ujian Friedman adalah pilihan daripada ujian One-Way ANOVA apabila jumlah sampel yang digunakan terlalu sedikit di
samping taburan datanya tidak normal (non-normality) dan tidak diketahui varian populasinya. Oleh kerana data
dikumpulkan melalui ujian pra dan pasca, maka setiap sampel mendapat perlakuan yang berbeza melalui pengukuran
ulangan. Biasanya data yang digunakan dalam ujian Friedman adalah data daripada ranking (ordinal, interval dan ratio)
yang taburan datanya tidak normal. Sesetengah pengamal statistik menjelaskan Ujian Friedman dilakukan sebagai ganti
ujian two way ANOVA yang tidak dapat dijalankan kerana tidak memenuhi syarat-syaratnya. Perbezaan antara Friedman
dengan two way ANOVA adalah seperti jadual 61 berikut:

Jadual 61 : Perbezaan Antara Friedman Dengan ANOVA Dua Hala

Syarat Friedman two way ANOVA

1 Sampel berpasangan Sampel tidak berpasangan
2 Sampel random dari populasi Sampel random dari populasi
3 Pemboleh ubah daripada Pemboleh ubah daripada
skala ordinal skala interval
4 Distribusi data tidak normal Distribusi data normal
5 Setiap populasi tidak Setiap populasi mempunyai
mempunyai varian yang varian yang sama
sama

Formula atau rumus ujian Friedman adalah sebagai berikut ;

k
12
F 
nk (k  1) i 1
Ri 2  3n(k  1)

F : nilai Friedman dari hasil perhitungan

Ri² : jumlah rank dari kategori/perlakuan ke i
k : banyaknya kategori/perlakuan (i=1,2,3,……,k)
n : jumlah pasangan atau kelompok
Contohnya; kajian yang dilakukan untuk melihat sejauhmana terdapat perbezaan yang signifikan antara penerimaan
pelajar terhadap 4 kaedah pengajaran yang berbeza seperti jadual 62 berikut.

Jadual 62 : Ujian Friedman

N Min Std. Minimum Maximum

Deviation
A 30 4.2000 .80929 4.00 5.00
B 30 3.2000 .77432 3.00 4.00
 C 30 1.6000 .69877 1.00 2.00
D 30 2.8000 .54379 3.00 3.00

Mean Rank

Mean Rank
A 2.08
B 2.76
C 2.32
D 2.66

Test Statistiksª

N 30
Chi-Square 14.432
df 3
Asymp. Sig. .002

Hasil dapatan di atas menunjukkan terdapat perbezaan yang signifikan antara penerimaan pelajar terhadap 4 kaedah
pengajaran yang berbeza berdasarkan nilai Chi-Square = 14.4, df = 3 (k-1), P = <.002. Berdasarkan Mean Rank didapati
kaedah B = 2.76 lebih diterima oleh pelajar berbanding kaedah D = 2.66, kaedah C = 2.32 dan kaedah A = 2.08.

Analisis Chi-Square

Ujian Khi Kuasa Dua atau juga disebut sebagai Chi-square Test of Independence adalah satu ujian menggunakan data
berbentuk kategori atau kekerapan/frekuensi (bilangan sampel) dengan skalanya berbentuk nominal = nominal atau
nominal = ordinal untuk menguji hipotesis daripada sampel bagi menentukan perkaitan atau berhubungan yang signifikan
diantara dua pemboleh ubah dalam sesuatu populasi. Ujian chi-square termasuk di dalam ujian bukan paramatrik (non-
paramatrik).

Ujian bukan paramatrik mempunyai syarat yang lebih longgar berbanding dengan ujian paramatrik yang perlu menepati
syarat normaliti. Terdapat beberapa sebab yang membolehkan seseorang penyelidik menggunakan ujian bukan
paramatrik ketika menjalankan sesuatu penyelidikan;
a) apabila data tidak mematuhi syarat taburan normal (normal distribution)
b) apabila data kajian menggunakan skala pengukuran nominal = nominal dan nominal = ordinal

Ujian Khi Kuasa Dua tidak menguji kekuatan hubungan sepertimana ujian korelasi. Ujian Khi Kuasa Dua dengan kekuatan
hubungan antara dua pemboleh ubah berkategori (jantina : lelaki dan perempuan (skala nominal) diukur dengan ujian phi
Φ (2 x 2). Manakala ujian Cramer’s V pula akan digunakan jika satu daripada dua pemboleh ubah berkategori
mengandungi lebih daripada 2 aras (kaedah membaca, kaedah menulis dan kaedah memaham (skala ordinal) (2 x 3).
Formula test, adalah seperti berikut:

 (o i  Ei) 2
X H2  i 1

Ei

Biasanya ujian Chi-Square sering digunakan untuk kebebasan (Chi-Square test for independent / test of homogeneity).
Ujian ini digunakan bagi mengenal pasti perbandingan dua variabel yang berskala nominal = nominal. Sebagai contohnya
membandingkan pemboleh ubah jantina (skala nominal) iaitu kategori lelaki dan perempuan dengan tahap kemahiran
berkomunikasi (skala ordinal) sama ada tahap tinggi, tahap sederhana, tahap rendah. Dengan itu ujian Chi-
Square digunakan untuk menentukan sama ada terdapat perbezaan tahap kemahiran berkomunikasi berdasarkan jantina
pelajar bagi mendapatkan nilai sama ada signifikan atau tidak di antara jantina tersebut.

Ujian chi-square juga turut digunakan bagi menentukan kebagusan (chi-square test for goodness-of-fit). goodness-of-fit
bermaksud sekiranya kekerapan yang dilihat atau ingin dicerap hampir menyamai kekerapan yang dijangkakan maka
nilai adalah kecil menunjukkan kebagusan ketepatan adalah baik. Sebaliknya jika kekerapan yang dicerap
mempunyai perbezaan yang besar dengan kekerapaan jangkaan maka nilai adalah besar dan ini menunjukkan
ketepan kebagusannya adalah lemah atau kurang baik (Bhasash, 2008). Sebagai contohnya seorang penyelidik ingin
menjalankan kajian mengenai jumlah pelajar wanita lebih ramai berbanding berbanding pelajar lelaki di Sekolah Swasta
di Kuala Lumpur. Objektif kajian yang ditulis adalah untuk membuktikan bahawa pelajar wanita lebih ramai berbanding
pelajar lelaki di sekolah swasta, Kuala Lumpur. Oleh itu chi-square test for goodness-of-fit boleh digunakan untuk
menentukan perbezaan kuantiti pelajar perempuan dan lelaki secara signifikan (baca nilai residual dan Obseverd N).

Analyze > Descriptive Statistics > Crosstabs > Statistic > Chi-Square > Contingency Coefficient > Continue > Cells >
Observed and Expected, Rows and Columns > Ok
Output SPSS

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

b1cjantina * masalahJERI 631 100.0% 0 .0% 631 100.0%

b1cjantina * kefahaman Crosstabulation

kefahaman

faham tidak faham Total

b1cjantina lelaki Count 101 143 244

Expected Count 104.8 139.2 244.0
% within b1cjantina 41.4% 58.6% 100.0%
% within kefahaman 37.3% 39.7% 38.7%

perempuan Count 170 217 387

Expected Count 166.2 220.8 387.0
% within b1cjantina 43.9% 56.1% 100.0%
% within kefahaman 62.7% 60.3% 61.3%
Total Count 271 360 631
Expected Count 271.0 360.0 631.0
% within b1cjantina 42.9% 57.1% 100.0%
% within kefahaman 100.0% 100.0% 100.0%
 Chi-Square Tests

Asymp. Sig. (2- Exact Sig. (2- Exact Sig.

Value df sided) sided) (1-sided)

Pearson Chi-Square .392a 1 .531

Continuity Correctionb .296 1 .587
Likelihood Ratio .393 1 .531
Fisher's Exact Test .564 .294
Linear-by-Linear .392 1 .531
Association
N of Valid Cases 631
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 104.79.
b. Computed only for a 2x2 table

Symmetric Measures

Value Approx. Sig.

Nominal by Nominal Contingency Coefficient .025 .531

N of Valid Cases 631
Chi-Square Tests

Value df Asymp. Sig. (2-sided)

Pearson Chi-Square 55.912a 32 .006

Likelihood Ratio 60.561 32 .002
Linear-by-Linear Association 9.786 1 .002
N of Valid Cases 631
a. 38 cells (57.6%) have expected count less than 5. The minimum expected count is .39.

Soalan Kajian
Adakah terdapat hubungan yang signifikan antara jantina dengan masalahan kefahaman penggunaan JERI di sekolah?

Jadual 63 : Analisis Chi-Square

Masalah Penggunaan JERI Di Sekolah

Faham Tidak Faham nilai Sig
n % n %
Jantina Lelaki 101 41.4 143 58.6 .392a .564
Perempuan 170 43.9 217 56.1

Jadual 63 di atas menunjukkan tidak terdapat hubungan yang signifikan antara jantina dengan masalah kefahaman
penggunaan JERI di sekolah di mana nilai = .392, p = .564. Ini bermakna antara guru lelaki dan perempuan tidak
dikaitkan dengan masalah kefahaman penggunaan JERI di sekolah atau dengan kata lain tiada masalah kefahaman
penggunaan JERI di sekolah dalam kalangan guru lelaki dan perempuan. Hal ini dapat diterangkan bahawa guru lelaki
tidak berbeza dari segi kefahaman penggunan JERI dengan guru perempuan di sekolah. Impliksi kepada sistem
pendidikan ialah pihak sekolah tidak perlu menyediakan latihan yang berterusan kepada para guru di sekolah kerana
kefahaman penggunaan sistem JERI dalam kalangan para guru lelaki dan perempuan telah mencukupi.

Analisis Korelasi

Penggunaan prosedur Bivariate Correlations adalah untuk melihat atau mencari perhubungan atau perkaitan antara dua
pemboleh ubah A = B. Pekali korelasi digunakan untuk mengukur kuat lemahnya perkaitan antara dua pemboleh ubah.
Model korelasi Pearson perlu digunakan bagi data-data dari skala interval (sela) yang berdistribusi secara normal
(normality) (paramatrik – normal curve) melalui perason product-moment correlation yang disimbulkan oleh nilai ‘r’
mempunyai nilai -1 hingga +1. Sebaliknya jika data-data yang dicerap datangnya daripada data ordinal serta taburan
datanya memperlihatkan tidak normal (non-normality) atau non-paramatrik maka gunakan Spearman’ rho.

Analyze > Correlate > Bivariate > Ok

Output SPSS
 Descriptive Statistics

Mean Std. Deviation N

kepuasanpenggunaanJERI 3.1374 .44457 631

kejayaanpenggunaanJERI 3.0680 .45356 631

Correlations

kepuasanpengg kejayaanpengg
unaanJERI unaanJERI

kepuasanpenggunaanJERI Pearson Correlation 1 .728**

Sig. (2-tailed) .000
N 631 631
kejayaanpenggunaanJERI Pearson Correlation .728** 1
Sig. (2-tailed) .000
N 631 631

Soalan Kajian

Adakah terdapat hubungan yang signifikan antara Kepuasan Penggunaan JERI dengan kejayaan penggunaan JERI?

Jadual 64 : Hubungan yang signifikan antara kepuasan penggunaan JERI dengan kejayaan penggunaan JERI

Korelasi

Jadual 64 : Analisis Korelasi Pearson

Correlations
kepuasanpengg kejayaanpenggu
unaanJERI naanJERI
kepuasanpenggunaanJERI Pearson Correlation 1 .728**
Sig. (2-tailed) .000
N 631 631
kejayaanpenggunaanJERI Pearson Correlation .728** 1
Sig. (2-tailed) .000
N 631 631
**. Correlation is significant at the 0.01 level (2-tailed)

Jadual 64 di atas menunjukkan hasil analisis korelasi bahawa terdapat hubungan yang kukuh di antara pemboleh ubah
kepuasan penggunaan JERI dengan pemboleh ubah kejayaan penggunaan JERI di mana nilai pekali korelasinya ialah r
= .728**, p < .000. Ini bermakna kepuasan penggunaan JERI boleh atau dianggap sebagai membawa kepada kejayaan
terhadap penggunaan JERI. Keadaan ini adalah disebabkan kepuasan penggunaan JERI itu sendiri merupakan faktor
kejayaan penggunaan JERI dalam kalangan guru-guru di sekolah. Implikasi kepada sistem pendidikan ialah jika inginkan
kejayaan atau keberkesanaan terhadap penggunaan sistem JERI maka sistem JERI yang dibangunkan itu mestilah
mempunyai ciri-ciri seperti mesra pengguna, mudah diakses, pantas dan sebagainya.

Jadual 65 : Analisis Korelasi Spearman’s Rho

Kejayaan
Penggunaan JERI
Spearman’s rho Masalah yang Pearson correlation -.233**
dihadapi semasa Sig. (2-tailed) .000
pelaksanaan JERI N 631
Kejayaan Pearson correlation 1.000
Penggunaan JERI Sig. (2-tailed)
N 631
**. Correlation is significant at the 0.01 level (2-tailed)

Jadual 65 di atas menunjukkan hasil analisis korelasi bahawa terdapat hubungan yang sederhana di antara pemboleh
ubah masalah yang dihadapi semasa pelaksanaan JERI dengan pemboleh ubah kejayaan penggunaan JERI di mana
nilai pekali korelasinya ialah r = -.233, p < .000. Tanda negatif dihadapan nilai pekali tersebut menunjukkan perkaitan
atau perhubungan yang wujud di antara kedua-dua pemboleh ubah merupakan satu hubungan yang negatif (a strong
negative linear relationship). Ini bermakna semakin (tinggi) banyak terdapat masalah yang dihadapi oleh guru-guru
sekolah semasa menggunakan sistem JERI, maka semakin (rendah) menjejaskan kejayaan terhadap penggunaan JERI.
Keadaan ini mungkin disebabkan oleh para guru di sekolah yang kurang didedahkan, kurang bersedia atau kurang mahir
dengan sistem JERI sama ada dari segi pengetahuan, kepentingan dan interpretasi tentang JERI boleh memberi kesan
terhadap kejayaan penggunaan JERI. Implikasi kepada pendidikan ialah para guru mestilah berusaha mengatasi setiap
permasalahan dalam menggunakan sistem JERI kerana jika tidak diatasi permasalahan tersebut ia boleh menjejaskan
prestasi akademik dan reputasi sekolah.

Perbandingan Min

Analisis perbandingan mean biasanya melibatkan ujian-t. Ujian-t adalah sejenis ujian paramatrik yang melibatkan:
i. Ujian-t sampel bebas
ii. Ujian-t sampel bersandar
iii. Perbandingan min (Compare means)
iv. One-sampel t test
v. Independent-sampel t test
vi. Paired-sampel t test

Ujian-t dilakukan adalah untuk menguji, mencari dan melaporkan perbandingan atau perbezaan dua min antara dua
pemboleh ubah. Menurut Chua (2005) satu daripada syarat Ujian-t ialah data dalam populasi perlulah bertaburan normal,
manakala Coakes et.al. (2009) pula menyatakan kenormalan data dilihat pada nilai signifikan daripada jadual statistik
Kolmogorov-Smirnov iaitu jika p< 0.05, maka data dikatakan bertaburan normal bagi sampel saiz data yang besar.

Agresti dan Finlay (1986) menyatakan Ujian-t adalah pengujian yang boleh dilakukan terhadap populasi min yang tunggal
daripada pengujian terhadap sampel hipotesis pada satu sisi dan dua sisi apabila varians populasi tidak diketahui. Foster
(1998) menyatakan Ujian-t tidak bersandar digunakan untuk membandingkan skor dua kumpulan berlainan pada satu
pemboleh ubah. Supranto (1994) menjelaskan kaedah Ujian Mann-Whitney merupakan kaedah statistik yang digunakan
untuk menggantikan Ujian-t dalam pengujian kaedah tak berparamatrik. Anderson et al. (2008) menyatakan ujian Mann-
Whitney Wilcoxon bagi kedua-dua saiz sampel yang sama atau melebihi sepuluh, taburan persampelan yang sesuai bagi
ujian t untuk populasi yang sama
Ujian-t juga digunakan bagi menguji hipotesis bernilai μ (sampel) menggunakan taburan t untuk dibuat perbandingan.
Ujian-t boleh digunakan bagi satu sampel kajian yang mengandungi dua kumpulan. Juga diguna untuk menganalisis
statistik inferensi. Dalam ujian -t sampel yang diambil mestilah daripada populasi yang sama. Ujian-t boleh dipecahkan
kepada dua situasi;

i. Ujian-t Sampel Bebas

Contohnya perbandingan skor mean/min pencapaian subjek Sains antara jantina (lelaki dan perempuan) – jantina (lelaki
dan perempuan) adalah Independent variable (IV) atau pemboleh ubah bebas kerana lelaki dan perempuan adalah
berbeza. Ujian-t jenis ini menggunakan Ujian F (Levene Test) bagi menguji homogenan varians. F = S2 Besar/ S2 Kecil ; jika
didapati nilai F tersebut (Ujian Levene Test) tidak signifikan (p>0.05), maka hipotesis Nul diterima dan data tersebut
dikatakan sebagai homogen atau varian adalah homogen. Ujian-t bagi varians yang disatukan (pooled). Bagi Varian yang
bersifat heterogenus, Ujian-t varian berasingan digunakan (Separate).

ii. Ujian-t Dua Sampel

Contohnya perbandingan skor mean/min pencapaian subjek Sains sebelum rawatan dan selepas rawatan (ujian pra dan
pasca – kajian eksperimen). Dikatakan Ujian-t Dua Sampel kerana sampel tersebut adalah sampel yang sama diuji yang
memberi nilai skor dalam ujian pra dan pasca.

Sehubungan dengan itu Pallant (2011) menjelaskan; “…independent-samples t-test, used when you want to compare the
mean scores of two different groups of people or conditions…”. Paired-samples t-test, used when you want to compare
the mean scores for the same group of people on two different occasions, or when you have matched pairs…”

Dalam satu data lengkungan normal, terdapat ±3 s.d (standard deviation) seperti rajah 62 berikut:
Rajah 62 : Data lengkungan normal

Dalam ujian-t, pengiraan min adalah mengambil kira varians dan saiz sampel. Hal ini kerana saiz sampel (kecil atau
besar) boleh memberi pengaruh terhadap keputusan ujian-t. Semakin besar nilai t, maka semakin besarlah peluang untuk
menolak hipotesis. Dengan itu terdapat 3 faktor yang mempengaruhi nilai-t (untuk menyatakan perbezaan/Menolak Ho):

Saiz sampel (n); sampel yang besar, maka nilai-t adalah besar (peluang menolak
hipotesis turut besar). (n) yang besar juga turut memungkinkan penyelidik melakukan type I error (menolak hipotesis yang
benar). Ralat jenis I ini berlaku apabila penyelidik mengatakan terdapat wujudnya perbezaan yang signifikan, pada hal
tiada wujud perbezaan. Dengan kata lain, tidak betul menolak hipotesis null sekali pun hipotesis tersebut adalah betul.
Satu lagi type II error adalah ralat jenis II biasanya berlaku apabila penyelidik mengatakan tidak terdapat perbezaan yang
signifikan pada hal perbezaan tersebut wujud. Dengan kata lain menerima hipotesis null sekali pun hipotesis tersebut
adalah salah.
i. Varian; varian yang besar, t akan menjadi kecil (kemungkinan menollak hipotesis
adalah sangat rendah).
ii. varian yang kecil pula, t akan menjadi besar (kemungkinan menolak Ho adalah
tinggi).

Syarat melakukan ujian-t adalah seperti berikut:

i. Pemboleh ubah bebas (jantina) mestilah bersifat continuous atau interval

ii. Taburan data adalah normal
iii. Cerapan yang dbuat adalah bebas
iv. Varians adalah homogenous

Soalan : Adakah terdapat perbezaan yang signifikan antara ujian Bahasa Malaysia dengan pelajar

Jadual 66 : Laporan Hasil Kajian Ujian – t

N Mean Std. Deviation Std. Error Mean

Skor 51 63.82 17.42 2.61

Test Value = 51
t Df Sig. Mean 95% Confidence Interval
(2-tailed) Difference of the Difference
Lower Upper
Skor 5.324 49 .000 12.82 8.62 18.19

Jadual 66 di atas menunjukkan 51 pelajar mengambil ujian Bahasa Malaysia, min markah mereka adalah 63.82. Ini
bermakna skor min pelajar-pelajar tersebut melebihi jumlah pelajar seramai 51. Sisihan piawaian menunjukkan 17.42
yang dianggap besar. Mengikut taburan normal, tiga sisihan piawaian mestilah tidak melebihi 100 markah (63.82 + 52.26
= 116.44) (17.42 x 3 = 52.26) ini menunjukkan pelajar tersebut adalah heterogen (tidak sama) dari segi pencapaiannya
atau dengan kata lain, ada pelajar lemah dan ada pelajar yang cemerlang. Ujian–t = 5.324, mean difference = 12.82
(63.82 – 51) adalah perbezaan mian yang dicerap dari 63.82 dengan min dihipotesiskan (51). Kebarangkalian nilai t <
5.324 atau > 5.324 ada ditunjukkan dalam Sig. (2-tailed) = .000 ini bermakna skor min pelajar melebihi 50 markah. Oleh
kerana nilai P < 0.05 dan julat nilai confidence interval of the difference tidak terdapat nilai 0 (sifat) (8.62 – 18.19) maka
boleh disimpulkan terdapat perbezaan yang signifikan antara pelajar dalam ujian Bahasa Malaysia.

iii. Ujian Perbandingan Min (Compare Means)

Ujian Perbandingan min melibatkan perbandingan antara dua min sahaja. Perbandingan min boleh dibuat untuk mengira
min keseluruhan dan min sub kumpulan yang melibatkan pemboleh ubah bebas (independent variable) dan pemboleh
ubah bersandar (dependent variable).

Analyze > Compare Means > Means

Output SPSS

Case Processing Summary

Cases

Included Excluded Total

N Percent N Percent N Percent

gayapengurusan * 631 100.0% 0 .0% 631 100.0%

b1cjantina
Report
 Case Processing Summary

Cases

Included Excluded Total

N Percent N Percent N Percent

gayapengurusan

b1cjantina Mean N Std. Deviation

lelaki 2.6792 244 .72361

perempuan 2.7093 387 .49964
Total 2.6977 631 .59593

Soalan kajian

Adakah terdapat perbezaan antara guru lelaki dan perempuan dengan gaya pengurusan sekolah?

Jadual 67 : Ujian Perbandingan Min (Compare Means)

Gaya pengurusan

Jantina Mean N Std. Deviation

lelaki 2.6792 244 .72361
perempuan 2.7093 387 .49964
Total 2.6977 631 .59593

Jadual 67 di atas menunjukkan terdapat perbezaan antara guru lelaki min = 2.67 dengan guru perempuan min = 2.70
dalam gaya pengurusan sekolah. Oleh kerana min guru perempuan dari segi gaya pengurusan sekolah lebih tinggi sedikit
berbanding dengan min guru lelaki maka dapatlah disimpulkan bahawa guru perempuan mempunyai gaya pengurusan
sekolah yang lebih baik berbanding dengan guru lelaki.

iv. Prosedur One-Sample T Test

One-Sampel T Test digunakan untuk mencari perbandingan nilai min bagi satu pemboleh ubah dengan satu nilai yang
tertentu yang telah ditetapkan oleh penyelidik. Contohnya

Hₒ = 60 nilai yang ditolak

Hₐ = 60 nilai yang diterima

Analyze > Compare Means > One-Sample T Test…

Output SPSS
 One-Sample Statistics

N Mean Std. Deviation Std. Error Mean

pascaest 631 70.6593 10.49836 .41793

One-Sample Test

Test Value = 60

95% Confidence Interval of the

Mean Difference

t df Sig. (2-tailed) Difference Lower Upper

pascaest 25.505 630 .000 10.65927 9.8386 11.4800

Soalan kajian

Adakah terdapat perbezaan min antara ujian pra dengan Hₒ = 60?

Jadual 68: Ujian One-Sample t Test

One-Sample Test
Test Value = 60
95% Confidence Interval of the
t df Sig. (2-tailed) Mean Difference Difference
Lower Upper
pascaest 25.505 630 .000 10.65927 9.8386 11.4800

Berdasarkan jadual 68 di atas, Hₒ = 60 ditolak kerana nilai signifikan p < .000 adalah lebih kecil daripada 0.05. Dengan
itu nilai min bagi pemboleh ubah markah ujian pasca secara signifikannya tidak bersamaan dengan 60.

v. Prosedur Independent Samples T Test

Ujian-t dua sampel atau juga disebut sebagai ujian-t kumpulan (group t-test atau independent t–test) digunakan bagi
membandingkan dua kumpulan dalam satu pemboleh ubah. Contohnya mencari perbandingan antara markah ujian
pasca sebagai pemboleh ubah bersandar dengan jantina (lelaki dan perempuan) sebagai pemboleh ubah bebas.

Ujian-t untuk dua sampel ini juga digunakan bagi menguji hipotesis sama ada terdapat perbezaan skor min antara dua
sampel. Kedua-dua sampel (contohnya lelaki dan perempuan) adalah pemboleh ubah bebas atau jantina (satu faktor
sahaja) yang diambil daripada populasi yang berlainan. Sampel pemboleh ubah bebas ini (jantina) adalah dua jenis
sampel (lelaki dan perempuan) yang tiada kaitan, tiada pengaruh mempengaruhi antara satu dengan yang lain.

Hipotesis noll (Hₒ) ditulis untuk menunjukkan perbezaan antara dua kumpulan sampel tersebut, dengan itu Hₒ = μ¹ = μ²
min kumpulan sampel 1 (lelaki) adalah sama dengan min bagi kumpulan sampel 2 (perempuan). Independent sampel t-
test digunakan untuk melihat perbezaan min antara kedua-dua sampel ini. Dikatakan sebagai independent (bebas)
kerana antara jantina (lelaki dan perempuan) adalah bebas, tiada perkaitan dan pengaruh antara kedua-duanya.

Sekiranya seseorang penyelidik ingin melihat atau menguji saiz kesan (effect size) dalam ujian-t (Independent Samples
T Test) maka pembetulan Bonferroni (Bonferroni Correction) perlu dilakukan. Bonferroni Correction perlu dibuat apabila
lebih daripada satu perbandingan dilakukan antara beberapa pemboleh ubah. Pembetulan Bonferroni dilakukan bagi
menentukan nilai signifikan ujian-ujian-t. Nilai Bonferroni diperolehi dengan membahagikan tahap signifikan yang
ditetapkan (p<.05) dengan bilangan perbandingan yang dilakukan secara serentak (contohnya jika terdapat 4 pemboleh
ubah yang ingin dibandingkan maka nilai perbandingannya adalah = 4) iaitu p<0.05/4 = 0.0125, dengan itu nilai t diuji
daripada kesignifikan sebanyak p<.0125. Dengan itu saiz kesan atau effect size bagi ujian–t dikira bagi menentukan
sejauh mana pemboleh ubah bebas memberikan kesan terhadap pemboleh ubah bersandar. Rumus effect size adalah
seperti berikut:

Saiz kesan (Cohen’s d) = Min¹ - Min²

Sd¹ + Sd²
2

Jadual 69 : Interpretasi Saiz Kesan (Cohen’s D)

Saiz Kesan (Cohen’s d) Interpretasi Saiz Kesan

< 0.2 = d <0.5 Kecil
< 0.5 = d <0.8 Sederhana
d = >0.8 besar

Analyze > Compare Means > Independent-Samples T Test…

Output SPSS
 Group Statistics

a1jantina N Mean Std. Deviation Std. Error Mean

protest lelaki 10 3.6000 .41050 .12981

perempuan 71 3.8912 .70274 .08340

Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means

95% Confidence
Interval of the

Sig. (2- Mean Std. Error Difference

F Sig. t df tailed) Difference Difference Lower Upper

protest Equal variances .022 .884 -1.275 79 .206 -.29117 .22828 -.74554 .16321
assumed
Equal variances -1.887 17.578 .076 -.29117 .15429 -.61588 .03355
not assumed

Contoh 1
Soalan kajian
Adakah terdapat perbezaan yang signifikan antara pelajar lelaki dan perempuan terhadap markah
ujian protest?

Jadual 70 : Ujian Independent Samples T-Test 1

Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means
95% Confidence
Sig. (2- Mean Std. Error Interval of the
F Sig. t df tailed) Difference Difference Difference
Lower Upper
pascae Equal .022 .884 -1.275 79 .206 -.29117 .22828 -.74554 .16321
st variances
assumed

Equal -1.887 17.578 .076 -.29117 .15429 -.61588 .03355

variances
not
assumed

Jadual 70 di atas menunjukkan Levene’s test digunakan bagi menentukan sama ada kedua-dua sampel (lelaki dan
perempuan) dalam faktor jantina adalah datang daripada populasi yang sama (dalam sebarang ujian –t sampel mestilah
diambil daripada populasi yang sama) dengan itu variannya juga adalah sama. Jika variannya sama maka hipotesis null
perlu diterima. Lihat Levene's Test for Equality of Variances dengan itu nilai F = .022, sig. 0.884, melebihi p >0.05, maka
boleh kita rumuskan bahawa kedua-dua sampel (jantina) tersebut datangnya daripada populasi yang sama. Manakala
dalam ujian t-test for Equality of Means didapati nilai t = -1.275, df = 79, Sig. (2 tailed) = .206, untuk menentukan
kewujudan perbezaan antara kedua-dua kumpulan jantina berkenaan. Oleh kerana nilai Sig. (2 tailed) = .206 atau p
<0.05 maka Hipotesis null diterima iaitu tidak terdapat perbezaan skor antara lelaki dan perempuan dalam ujian pra.

Contoh 2

Soalan kajian
Adakah terdapt perbezaan yang signifikan dari segi masalah yang dihadapi semasa perlaksanaan JERI di antara sekolah
yang terlibat dalam kajian?

Jadual 71 : Independent Samples T Test 2

Group Statistics
Lokasi Sekolah N Mean Std. Deviation Std. Error
Mean
Masalah JERI Bandar 374 1.5394 .54032 .02794
Luar bandar 257 1.4696 .49291 .03075

Independent Sampel Test

Levene’s Test t-test for Equality of Means
for Equality of
Variance
F Sig t df Sig. Mean Std. Error 95% Confidence
(2- Difference Difference Interval of the
tailed) Difference
Lower Upper
M Equal 1.839 .176 1.653 629 .099 .06986 .04226 -.01312 .15284
B variances
LB assumed
Equal 1.682 581.30 .093 .06986 .04154 -.01174 .15146
variances
not
assumed

Jadual 71 di atas menunjukkan perbezaan yang signifikan dari segi masalah yang dihadapi semasa perlaksanaan JERI
di antara sekolah yang terlibat dalam kajian. Melalui ujian Levene’s (ujian kesetaraan varian – Levene’s tests of equality
of variances), hasil kajian mendapati nilai F yang diperoleh oleh ujian Levene ialah 1.839 dan nilai ini tidak signifikan pada
p=.176. Ini menunjukkan bahawa varian dari segi masalah yang dihadapi semasa perlaksanaan JERI di antara sekolah
bandar dan luar bandar adalah tidak berbeza secara signifikan.

Dalam erti kata lain, kedua-dua varian itu adalah sama. Jika dilihat daripada segi nilai min antara masalah yang dihadapi
semasa perlaksanaan JERI di sekolah bandar min =1.54 dan sekolah luar bandar min = 1.47 juga tidak menunjukkan
perbezaan mean. Ini bermakna baik sekolah di dalam bandar mahu pun sekolah yang berada di luar bandar tidak
mempunyai sebarang masalah dalam melaksanakan sistem JERI. Implikasi kepada pendidikan ialah pelaksanaan sistem
JERI di sekolah-sekolah bandar dan luar bandar perlu diteruskan tanpa sebarang masalah.

(*** Jika varian kedua-dua kumpulan yang dibandingkan adalah sama, maka penyelidik perlu menggunakan nilai t pada
baris pernyataan ‘Equal variance assumed’. Nilai t = 1.653 dan niai ini signifikan pada para p = .099 (<.05). Keadaan ini
menunjukkan bahawa sekolah di bandar dan luar bandar adalah berbeza secara signifikan. Untuk menentukan sekolah
mana yang lebih tinggi secara signifikan, penyelidik perlu melihat analisis deskriptif untuk nilai min, di mana didapati nilai
min bandar = 1.54 dan min luar bandar = 1.47 (nilai min di sekolah bandar lebih tinggi berbanding nilai min di sekolah
luar bandar). Hal ini menunjukkan bahawa secara signifikannya, sekolah-sekolah di bandar lebih menghadapi masalah
semasa pelaksanaan JERI berbanding sekolah-sekolah di luar bandar.

Jadual 72 : Contoh laporan ujian -t yang mengukur saiz kesan

Ujian Emosi Formal Tidak t P<.05 Saiz

n = 124 Formal (327) Kesan
n = 203
Kesedaran Min 3.456 3.555 -1.044 .203 02
kendiri
SP .745 .602
Kemahiran Min 3.943 3.856 1.522 .144 0.2
sosial
SP .481 .493
Pengurusan Min 4.032 3.623 4.432 .000 0.7
emosi
SP .497 .614
Empati Min 3.224 3.321 -.987 .312 0.1
SP .776 .701
Bonferroni Correction untuk 4 perbandingan p<.05 = .0125

Jadual 72 di atas menunjukkan daripada 4 perbandingan ujian emosi hanya pengurusan emosi sahaja yang menunjukkan
terdapat perbezaan yang signifikan dengan latihan formal iaitu t (3270 = 4.432, p<.05, aspek pengurusan emosi dari guru
yang menjalani latihan emosi secara formal minnya lebih tinggi 4.032, sd = .497 berbanding guru yang menjalani latihan
emosi secara tidak formal min = 3.623, sd = .614. Manakala saiz kesan bagi kedua-dua kategori guru berkenaan adalah
pada aras sederhana iaitu 0.7, situasi ini menunjukkan bahawa faktor latihan formal mempunyai saiz kesan yang
sederhana terhadap tahap penguasaan ‘Pengurusan Emosi’ guru.

vi. Prosedur Paired-Samples T Test

Paired-Sampel T Test atau juga dipanggil sebagai ujian-t berpasangan digunakan bagi menguji wujudnya perbezaan min
bagi sepasang pemboleh ubah bersandar antara satu sama lain untuk satu kumpulan populasi. Juga digunakan untuk
membandingkan kumpulan yang sama (pelajar) sebanyak dua kali (ujian pra dan pasca), atau untuk membandingkan
kumpulan yang sama (pelajar tingkatan 3 - Pemboleh ubah Bebas) dalam dua pemboleh ubah (markah subjek Sejarah
dengan Bahasa Malaysia – Pemboleh ubah Bersandar).

Bagi menguji prosedur ini, data kajian mestilah terdiri daripada data berbentuk interval (sela) atau pun data ratio (nisbah).

Analyze > Compare Means > Paired-Samples T Test…

Output SPSS
 Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1 pratest 47.9810 30 13.95490 .55554

pascaest 70.6593 30 10.49836 .41793

Paired Samples Correlations

N Correlation Sig.

Pair 1 pratest & pascaest 60 -.094 .018

Paired Samples Test

Paired Differences

95% Confidence

Std. Interval of the

Std. Error Difference

Mean Deviation Mean Lower Upper t df Sig. (2-tailed)

Pair 1 pratest -22.67829 18.23496 .72592 -24.10381 -21.25277 -31.241 60 .000
-
pascae
st

Soalan kajian

Adakah terdapat perbezaan yang signifikan antara markah ujian pra dengan ujian pasca dalam perjumpaan dua hala
yang digunakan (>16 kali) untuk pelajar menguasai Pendidikan Moral/ Karakter?

Jadual 73 : Ujian Sampel Berpasangan (Paired Samples Test)

Perjumpaan dua hala yang digunakan

(>16 kali) untuk pelajar menguasai N Skor Min t df sig
Pendidikan Moral/ Karakter
Pretest 30 47.9810
Pascaest 30 70.6593 -31.241 60 .000

Jadual 73 di atas menunjukkan Paired Samples Test bagi melihat perbezaan yang signifikan ujian pra dan pasca
perjumpaan dua hala yang digunakan (>16 kali) sudah mencukupi untuk pelajar menguasai Pendidikan Moral/ Karakter.
Hasil kajian menunjukkan nilai t = -31.241,
P<.000 (p<=.005) ini menunjukkan terdapat perbezaan yang signifikan antara markah pretest dengan pascaest dalam
perjumpaan dua hala yang digunakan (>16 kali) untuk pelajar menguasai Pendidikan Moral/ Karakter. Keputusan ujian
pasca adalah lebih baik min = 70.6 berbanding dengan ujian pra min = 47.9.
ANOVA

ANOVA atau Analysis of Variance digunakan untuk membandingkan min antara dua kumpulan dengan satu atau lebih
pemboleh ubah bebas atau faktor. Terdapat tiga jenis ANOVA:

i. One Way ANOVA / ANOVA Sehala

ANOVA sehala menggunakan 1 faktor sahaja (pemboleh ubah bebas). contohnya kaedah mengajar Bahasa
Malaysia : kaedah membaca, kaedah menulis, dan kaedah memaham – 3 rawatan. Sejauhmanakah kaedah
pengajaran Bahasa Malaysia memberi kesan terhadap pencapaian pelajar?

kaedah mengajar Bahasa Malaysia sahaja

ii. Two – Way ANOVA / ANOVA Dua Hala

ANOVA dua sehala menggunakan 2 faktor sahaja (pemboleh ubah bebas). contohnya kaedah mengajar Bahasa
Malaysia : kaedah membaca, kaedah menulis, dan kaedah memaham – 3 rawatan dan tambah satu lagi faktor
iaitu prestasi jantina : lelaki dan perempuan dalam setiap kaedah berkenaan.

Kaedah mengajar dan Jantina

Rekabentuk 2 faktorial 2 x 3, 2 = jantina : lelaki dan perempuan, 3 = untuk kaedah mengajar Bahasa Melayu :
kaedah membaca, kaedah menulis, dan kaedah memaham. Sejauhmanakah kaedah pengajaran Bahasa
Malaysia memberi kesan terhadap pencapaian pelajar dari segi jantina?

iii. ANOVA Tiga Hala

ANOVA tiga sehala menggunakan 3 faktor sahaja (pemboleh ubah bebas). contohnya kaedah mengajar Bahasa
Melayu : kaedah membaca, kaedah menulis, dan kaedah memaham – 3 rawatan, prestasi jantina : lelaki dan
perempuan dalam setiap kaedah berkenaan dan tambah satu lagi faktor iaitu bangsa : Melayu, Cina dan India.

Kaedah mengajar – Jantina - Bangsa

Rekabentuk 3 Faktorial 3 x 2 x 3, 3 = kaedah mengajar Bahasa Melayu : kaedah membaca, kaedah menulis, dan
kaedah memaham, 2 = jantina : lelaki dan perempuan, 3 = bangsa : Melayu, Cina dan India.

Sejauhmanakah kaedah pengajaran Bahasa Malaysia memberi kesan terhadap pencapaian pelajar dari segi
jantina dan mengikut bangsa?

Syarat ANOVA yang mesti dipatuhi oleh penyelidik adalah:

i. Kumpulan mestilah bebas (independent)
ii. Populasi kajian adalah normal (dari populasi yang sama)
iii. Populasi variannya bersifat homogeni.

i. One Way ANOVA (ANOVA Sehala)

ANOVA atau Analysis of Variance digunakan untuk membandingkan min antara dua kumpulan (contohnya kumpulan
rawatan dan kumpulan bebas dalam kajian eksperimen) dengan satu atau lebih pemboleh ubah bebas atau faktor
(contohnya kaedah mengajar Bahasa Melayu : kaedah membaca, kaedah menulis, dan kaedah memaham).

Melalui ujian ANOVA responden hendaklah mempunyai sekurang-kurangnya dua skor, pertama skor faktor (kaedah
mengajar Bahasa Melayu) dan kedua skor untuk pemboleh ubah bebas (skor ujian pra dan pasca). ‘Faktor’
membahagikan responden kepada dua atua lebih aras (kaedah membaca, kaedah menulis, dan kaedah memaham),
manakala pemboleh ubah bersandar pula akan membezakan responden kepada satu keadaan tertentu. ujian statistik
(ujian paramatrik) T-Test dan ANOVA menggunakan data skala ratio (skor markah atau skor min) bagi mengenal pasti
terdapat perbezaan yang signifikan.

Dalam contoh di atas, seorang penyelidik telah menggunakan kaedah eksperimen untuk melihat; ‘Sejauhmanakah
terdapat kesan penggunaan kaedah pengajaran Bahasa Melayu terhadap pencapaian pelajar-pelajar tahun 5’. Melalui
keterangan ANOVA di atas, beberapa ujian-t secara serentak telah digunakan iaitu

i. Membandingkan min kaedah membaca (A) dengan kaedah menulis (B) = A - B

ii. Membandingkan min kaedah membaca (A) dengan kaedah memaham (C) = A - C
iii. Membandingkan min kaedah menulis (B) dengan kaedah memaham (C) = B - C

Membuat perbandingan dengan sebegini rupa (membandingkan 3 atau lebih kumpulan . melalui ujian-t) akan
menimbulkan ralat jenis I (bermaksud satu keadaan di mana penyelidik tersilap menolak hipotesis null yang betul). Ujian
One way ANOVA akan memberitahu sama ada terdapat perbezaan atau tidak terdapat perbezaan yang signifikan antara
penggunaan ketiga-tiga kaedah pengajaran Bahasa Melayu terhadap kesan pencapaian pelajar, atau One way ANOVA
akan menunjukkan sama ada terdapat perbezaan yang signifikan dalam skor min pemboleh ubah bersandar - skor ujian
pra dan pasca merentasi 3 kumpulan kaedah pengajaran BM yang dikaji. Jika terdapat perbezaan yang signifikan dalam
penggunaan kaedah pengajaran Bahasa Melayu maka ujian pasca hoc perlu dilakukan untuk menentukan kumpulan
mana atau aras mana dengan kumpulan/aras mana yang signifikan.

Ujian Pasca-hoc pada lazimnya digunakan untuk mengenalpasti kumpulan manakah yang berbeza. ujian Pasca-Hoc
perlu dilakukan apabila:
i. Sesuatu pemboleh ubah bersandar (dependent variable) mempunyai lebih dari dua peringkat/aras seperti tahap
kemahiran (tidak mahir, sederhana mahir dan mahir) seperti contoh di atas.
ii. Wujud perbezaan yang signifikan antara pemboleh ubah bersandar dengan pemboleh ubah bebas.

Dalam ujian Pasca Hoc, terdapat Tukey atau Scheffe. Lazimnya, Scheffe digunakan bagi N (populasi) dua atau lebih
kumpulan berbeza, manakala Tukey memerlukan N (populasi) bagi setiap kumpulan adalah sama. Keputusan Pasca
Hoc perlu dilihat dan dilaporkan hanya sekiranya ujian ANOVA didapati terdapat perbezaan yang signifikan (lihat nilai
Sig.), Jika nilai Sig. melebihi had yang ditetapkan oleh pengkaji (cth. p<0.05 atau p<0.005) atau tidak signifikan, maka
tidak perlu melihat keputusan Pasca Hoc. Nilai Eta Squared dalam ANOVA memerlukan pengkaji melakukan pengiraan
sendiri dengan menggunakan formula di bawah dan seterusnya tentukan sama ada tinggi/sederhana/rendah
berdasarkan saranan Cohen atau yang lain. Eta squared = Sum of squares between groups /÷ Total sum of squares

Prosedur One-Way ANOVA

Analyze > Compare Means > One-Way ANOVA…

Output SPSS

Descriptives
markahJERI
95% Confidence Interval
for Mean

Std. Std. Upper

N Mean Deviation Error Lower Bound Bound Minimum Maximum

tidak mahir 61 41.2459 15.78676 2.02129 37.2027 45.2891 8.00 64.00

sederhana mahir 364 65.8516 9.49003 .49741 64.8735 66.8298 35.00 89.00
mahir 206 75.6845 9.29056 .64730 74.4082 76.9607 8.00 89.00
Total 631 66.6830 13.90173 .55342 65.5963 67.7698 8.00 89.00
 ANOVA
markahJERI
Sum of Squares df Mean Square F Sig.

Between Groups 56412.818 2 28206.409 271.100 .000

Within Groups 65339.791 628 104.044
Total 121752.609 630

Multiple Comparisons
Dependent Variable:markahJERI

(J) 95% Confidence Interval

Tahapkema Mean Lower

(I) Tahapkemahiran hiran Difference (I-J) Std. Error Sig. Bound Upper Bound

Tukey HSD tidak mahir sederhana -24.60575* 1.41120 .000 -27.9210 -21.2904
mahir

mahir -34.43856* 1.48685 .000 -37.9316 -30.9455

sederhana mahir tidak mahir 24.60575* 1.41120 .000 21.2904 27.9210

mahir -9.83282* .88933 .000 -11.9221 -7.7435

mahir tidak mahir 34.43856* 1.48685 .000 30.9455 37.9316

sederhana 9.83282* .88933 .000 7.7435 11.9221

mahir
LSD tidak mahir sederhana -24.60575* 1.41120 .000 -27.3770 -21.8345
mahir

mahir -34.43856* 1.48685 .000 -37.3584 -31.5188

sederhana mahir tidak mahir 24.60575* 1.41120 .000 21.8345 27.3770

mahir -9.83282* .88933 .000 -11.5792 -8.0864

mahir tidak mahir 34.43856* 1.48685 .000 31.5188 37.3584

sederhana 9.83282* .88933 .000 8.0864 11.5792

mahir

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

 markahJERI

Subset for alpha = 0.05

Tahapkemahiran N 1 2 3

Tukey HSDa,b tidak mahir 61 41.2459

sederhana mahir 364 65.8516

mahir 206 75.6845

Sig. 1.000 1.000 1.000

Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 125.026.
b. The group sizes are unequal. The harmonic mean of the group sizes is used. Type I error levels are not
guaranteed

Contoh 1

Soalan kajian

Adakah terdapat perbezaan yang signifikan antara markah JERI dengan tahap kemahiran guru yang menggunakan
sistem JERI di sekolah?

Laporan Kajian

Jadual 74 : ANOVA Sehala (One-Way ANOVA)

ANOVA
markahJERI

Sum of Squares df Mean Square F Sig.

Between Groups 56412.818 2 28206.409 271.100 .000

Within Groups 65339.791 628 104.044

Total 121752.609 630

Terdapat perbezaan yang signifikan dalam markah JERI dengan tahap kemahiran guru yang menggunakan sistem JERI
di sekolah, F (2, 630) = 271.100, P < .000. Berdasarkan ujian Pasca-Hoc ANOVA Turkey dan LSD didapati kesemua
kumpulan guru mempunyai tahap kemahiran yang sama secara signifikan memandangkan nilai signifikan bagi kesemua
tahap kemahiran (mahir, sederhana mahir dan tidak mahir) iaitu 0.000 (bagi Turkey dan LSD ) lebih kecil dari nilai 0.005.

Contoh 2

Hipotesis Null (Ho) : µ1 = µ2 = µ3

Iaitu skor min bagi ketiga-tiga kaedah pengajaran Bahasa Melayu : kaedah membaca = µ1 , kaedah menulis = µ2, dan
kaedah memaham = µ3 adalah sama
Hipotesis alternatif (Hₐ) : µ1 ≠ µ2 = µ3
Iaitu skor min bagi sekurang-kurangnya 2 daripada kaedah pengajaran Bahasa Melayu : kaedah membaca = µ1 ,
kaedah menulis = µ2, dan kaedah memaham = µ3 adalah berbeza.

Atas andaian bahawa taburan populasi adalah normal maka ujian Kolmogrov-Smirnov digunakan. Contoh output One
Way ANOVA atau ANOVA sehala adalah seperti jadual 75 berikut:

Jadual 75 : One Way ANOVA Atau ANOVA Sehala

N Mean Std. Std. 95% Confidence Minimum Maximum

Deviation Error Interval for Mean
Lower Upper
Bound Bound
kaedah 30 67.3 12.4 2.34 43.9 74.2 27 64
membaca
kaedah 31 71.6 13.8 3.88 52.1 78.6 31 75
menulis
kaedah 30 78.4 11.2 2.34 64.2 91.1 46 88
memaham
Total 61 72.4 15.7 2.11 51.2 70.5 27 88

95% Confidence Interval for Mean membawa maksud, jika 100 responden daripada populasi sampel (30)
menggunakan kaedah membaca, maka 95% dariapda responden tersebut akan mempunyai min antara 67.3 – 74.2,
kaedah menulis min 71.6 – 78.6 dan kaedah memaham min 78.4 – 91.1.

Seterusnya ujian Levene digunakan untuk menentukan sifat homogeni varian dan mementukan populasi varian adalah
perbezaan yang signifikan antara satu sama lain. Atau ketiga-tiga kumpulan atau aras adalah sama seperti jadual 76 dan
77 berikut.

Skor Pelajar

Jadual 76 : Ujian Levene

Levene Statistic df1 df2 Sig

0.165 2 52 0.771

Ujian Levene di atas menunjukkan ketiga-tiga kumpulan signifikan pada aras p<0.05. dengan itu Hipotesis null (Hₒ)
diterima.

Jadual 77 : Output ANOVA

Skor Pelajar

Source Sum of df Mean F Sig.

Squares Square
Between 4345.667 2 2113.333 12.113 0.000
Groups
Within 7523.688 45 172.223
Groups
Total 11869.355 47

Jadual 76 dan 77 di atas menunjukkan, Between Groups mengandungi : Sum of Squares, df, Mean Square, Sig. yang
menjelaskan kesan eksperimen penggunaan 3 kaedah pengajaran Bahasa Melayu. Manakala Within Groups pula
menjelaskan variasi tidak sistematik dalam data akibat reaksi semula jadi bagi setiap sampel dalam kumpulan yang
memberi respon terhadap kaedah pengajaran. Sum of Squares = 4345.667, F = 12.113, Sig = 0.000 menunjukkan
terdapat perbezaan yang signifikan skor pelajar terhadap 3 kaedah pengajaran Bahasa Melayu. Apabila terdapat
perbezaan yang signifikan antara kaedah µ1 dengan µ2, µ1 dengan µ3 dan µ2 dengan µ3, maka ujian pasca hoc perlu
digunakan untuk menentukan pasangan manakah yang terdapat perbezaan yang signifikan antara kaedah µ1 dengan
µ2, µ1 dengan µ3 dan µ2 dengan µ3, (jika ujian ANOVA telah menunjukkan keputusan yang tidak signifikan maka ujian
pasca hoc tidak diperlukan). Seterusnya ujian Tukey HSD (Honesty Significant Difference) digunakan untuk menentukan
pasangan manakah yang menunjukkan perbezaan yang signifikan. Ujian Tukey HSD juga digunakan untuk
membandingkan semua perbezaan pasangan bagi mengelakkan membuat ralat jenis 1 seperti jadual 78 dan jadual 79
Ujian Tukey HSD (Pairwise comparison) berikut.

Jadual 78 : Multiple Comparisons (Turkey HSD)

Kaedah Kaedah Mean Std. Sig. 95% Confidence

Pengajaran Pengajaran Difference Error Interval
B.Melayu B.Melayu
Lower Upper
Bound Bound
Kaedah A Kaedah B -11.62* 4.234 .011 -21.34 -1.46
Kaedah C -21.51* 4.762 .000 -41.89 -10.23
Kaedah B Kaedah A -11.62* 4.234 .000 -12.11 2.87
Kaedah C -10.02 5.331 .321 -20.67 2.12
Kaedah C Kaedah A 26.61* 5.111 .000 11.65 32.87
Kaedah B 13.62 4.792 .011 1.46 21.34

Jadual 79 : Ujian Tukey HSD (Pairwise comparison)

Kaedah Pengajaran N Subset for Alpha = 0.05

Bahasa Melayu
1 2
Kaedah A 30 46.78
Kaedah B 31 62.11
Kaedah C 30 73.22
Sig. 1.000 .077

Pairwise comparison berfungsi untuk mengawal familywise error dengan memperbetulkan semua aras signifikan bagi
setiap ujian bagi mengatasi semua ralat jenis I yang merentasi semua pasangan kekal pada aras p<0.05. Bonferroni
digunakan bagi mengawal kadar familywise error. Mengikut Bhasah (2008) Bonferroni dan Tukey digunakan bagi
mengawal ralat jenis I yang mempunyai low statistical power. Apabila bilangan perbandingan (dalam pasangan) sedikit,
penyelidik digalakkan menggunakan Bonferroni, sebaliknya jika perbandingannya banyak maka gunakan Tukey.
ii. Prosedur Two Way ANOVA (Model Tetap)

Ujian Two-Way ANOVA dilakukan apabila terdapat dua atau lebih kategori dalam pemboleh ubah bebas/independent
variable (IV) dah dua atau lebih kategori dalam pemboleh ubah bersandar/dependent variable (DV) seperti jadual 54
berikut.

Analyze > General Liner Model > Univariate

Output SPSS

Between-Subjects Factors

Value Label N

b1cjantina 1.00 lelaki 244

2.00 perempuan 387

Tahapkemahiran 1.00 tidak mahir 61

2.00 sederhana 364

mahir

3.00 mahir 206

Descriptive Statistics
Dependent Variable:markahujianBM

b1cjantina Tahapkemahiran Mean Std. Deviation N

lelaki tidak mahir 55.3750 21.42086 24

sederhana mahir 55.9671 19.51716 152

mahir 61.1765 18.29521 68

Total 57.3607 19.44479 244

perempuan tidak mahir 51.5676 16.72580 37
sederhana mahir 57.9340 19.38058 212
mahir 55.7174 20.31036 138
Total 56.5349 19.53198 387
Total tidak mahir 53.0656 18.63498 61

sederhana mahir 57.1126 19.43516 364

mahir 57.5194 19.79128 206

Total 56.8542 19.48702 631

 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM

Type III Sum of

Source Squares df Mean Square F Sig.

Corrected Model 2902.109a 5 580.422 1.535 .177

Intercept 1118937.726 1 1118937.726 2959.070 .000
b1cjantina 522.699 1 522.699 1.382 .240
Tahapkemahiran 1104.634 2 552.317 1.461 .233
b1cjantina * 1797.392 2 898.696 2.377 .094
Tahapkemahiran
Error 236336.478 625 378.138
Total 2278883.000 631
Corrected Total 239238.586 630
a. R Squared = .012 (Adjusted R Squared = .004)

Multiple Comparisons
Dependent Variable:markahujianBM

(J) 95% Confidence Interval

Tahapkemahi Mean Std. Lower Upper

(I) Tahapkemahiran ran Difference (I-J) Error Sig. Bound Bound

Tukey HSD tidak mahir sederhana -4.0471 2.69032 .290 -10.3675 2.2733
mahir

mahir -4.4538 2.83454 .259 -11.1130 2.2054

sederhana mahir tidak mahir 4.0471 2.69032 .290 -2.2733 10.3675

mahir -.4068 1.69542 .969 -4.3899 3.5763

mahir tidak mahir 4.4538 2.83454 .259 -2.2054 11.1130

sederhana .4068 1.69542 .969 -3.5763 4.3899
mahir
LSD tidak mahir sederhana -4.0471 2.69032 .133 -9.3302 1.2361
mahir

mahir -4.4538 2.83454 .117 -10.0202 1.1125

sederhana mahir tidak mahir 4.0471 2.69032 .133 -1.2361 9.3302

mahir -.4068 1.69542 .810 -3.7362 2.9226

mahir tidak mahir 4.4538 2.83454 .117 -1.1125 10.0202

sederhana .4068 1.69542 .810 -2.9226 3.7362

mahir
Based on observed means.
The error term is Mean Square(Error) = 378.138.

markahujianBM

Tahapkemahiran N Subset
 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM

Type III Sum of

Source Squares df Mean Square F Sig.

Corrected Model 2902.109a 5 580.422 1.535 .177

Intercept 1118937.726 1 1118937.726 2959.070 .000
b1cjantina 522.699 1 522.699 1.382 .240
Tahapkemahiran 1104.634 2 552.317 1.461 .233
b1cjantina * 1797.392 2 898.696 2.377 .094
Tahapkemahiran
Error 236336.478 625 378.138
Total 2278883.000 631
Corrected Total 239238.586 630

1
Tukey HSDa,b,c tidak mahir 61 53.0656

sederhana mahir 364 57.1126

mahir 206 57.5194

Sig. .167
Means for groups in homogeneous subsets are displayed.
Based on observed means.
The error term is Mean Square(Error) = 378.138.
a. Uses Harmonic Mean Sample Size = 125.026.
b. The group sizes are unequal. The harmonic mean of the group
sizes is used. Type I error levels are not guaranteed.
c. Alpha = .05.

Soalan Kajian

Adakah terdapat perbezaan yang signifikan antara Jantina dengan tahap kemahiran guru dalam penggunaan JERI di
sekolah ?.

Laporan Kajian

Jadual 80: ANOVA Dua Hala (Two Way ANOVA) (Model Tetap)
 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM
Type III Sum of
Source Squares df Mean Square F Sig.
Corrected Model 2902.109a 5 580.422 1.535 .177
Intercept 1118937.726 1 1118937.726 2959.070 .000
b1cjantina 522.699 1 522.699 1.382 .240
Tahapkemahiran 1104.634 2 552.317 1.461 .233
b1cjantina * 1797.392 2 898.696 2.377 .094
Tahapkemahiran
Error 236336.478 625 378.138
Total 2278883.000 631
Corrected Total 239238.586 630
a. R Squared = .012 (Adjusted R Squared = .004)

Tidak terdapat perbezaan yang signifikan di antara min markah ujian Bahasa Malaysia bagi responden lelaki dengan
perempuan berdasarkan nilai F (5, 630) = 1.535, P<.240. Begitu juga tidak terdapat perbezaan yang signifikan di antara
min markah ujian Bahasa Malaysia mengikut tahap kemahiran penggunaan sistem JERI di sekolah berdasarkan nilai F
(5, 630) = 1.535, P<.233. Hasil analisis dalam ujian Turkey juga mendapati tidak terdapat perbezaan min yang signifikan
dalam pasangan tidak mahir = sederhana mahir P<.290, tidak mahir = mahir p<.259, pasangan sederhana mahir = tidak
mahir p < .290, sederhana mahir = mahir p<.969, dan pasangan mahir = tidak mahir P<.259, mahir = sederhana mahir
p<.969 dengan ujian Bahasa Malaysia. Begitu juga dalam ujian LSD didapati ketiga-tiga pasangan kumpulan tahap
kemahiran tidak mempunyai perbezaan min markah dalam ujian Bahasa Malaysia yang signifikan (nilai signifikan lebih
besar daripada 0.005). Begitu juga terdapat kesan interaksi yang tidak signifikan di antara jantina dengan tahap
kemahiran dari sudut min markah ujian Bahasa Malaysia p<.094.

iii. Prosedur ANOVA Dua Hala : Model Rawak

Ujian ANOVA Dua Hala Model Rawak dilakukan apabila terdapat 1 sahaja dalam pemboleh ubah bersandar/dependent
variable (DV) dan dua pemboleh ubah yang dipilih secara random factor sebagai pemboleh ubah bebas/independent
variable (IV).

Analyze > General Liner Model > Univariate

Output SPSS

Between-Subjects Factors

Value Label N

b1bbangsa 1.00 melayu 474

2.00 cina 105

3.00 india 50

4.00 lain-lain 2
b1dpengalaman 1.00 kurang 1 th 2

2.00 2-5th 85

3.00 6-10th 229

4.00 11-15th 150

5.00 16-20th 102

6.00 lebih 20th 63

 Descriptive Statistics
Dependent Variable:markahujianBM

b1bbangsa b1dpengalaman Mean Std. Deviation N

melayu kurang 1 th 34.0000 . 1

2-5th 58.0000 19.31565 54

6-10th 58.4795 19.35195 171

11-15th 55.5741 17.73913 108

16-20th 56.8791 21.08440 91

lebih 20th 54.0408 17.58664 49

Total 56.9451 19.15612 474

cina kurang 1 th 45.0000 . 1
2-5th 57.3333 21.17435 18
6-10th 58.8372 19.01494 43
11-15th 58.0000 22.72903 24
16-20th 44.8750 23.49126 8
lebih 20th 51.1818 21.88524 11
Total 56.3905 20.83982 105
india 2-5th 58.0000 20.99603 13
6-10th 58.6429 19.60615 14
11-15th 55.4444 18.90914 18
16-20th 60.3333 13.31666 3
lebih 20th 31.0000 35.35534 2
Total 56.3200 19.91148 50
lain-lain 6-10th 57.0000 . 1
lebih 20th 89.0000 . 1
Total 73.0000 22.62742 2
Total kurang 1 th 39.5000 7.77817 2

2-5th 57.8588 19.72800 85

6-10th 58.5502 19.17769 229

11-15th 55.9467 18.63668 150

16-20th 56.0392 21.18842 102

lebih 20th 53.3651 19.35684 63

Total 56.8542 19.48702 631

 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM

Type III Sum of

Source Squares df Mean Square F Sig.

Intercept Hypothesis 96364.748 1 96364.748 275.031 .000

Error 9330.462 26.630 350.377a
b1bbangsa Hypothesis 933.930 3 311.310 .861 .462
Error 71548.046 197.840 361.647b
b1dpengalaman Hypothesis 1541.592 5 308.318 .916 .481
Error 13838.181 41.091 336.771c
b1bbangsa * Hypothesis 3002.229 10 300.223 .788 .641
b1dpengalaman Error 233277.372 612 381.172d
a. .349 MS(b1bbangsa) + .170 MS(b1dpengalaman) - .074 MS(b1bbangsa * b1dpengalaman) + .555 MS(Error)
b. .241 MS(b1bbangsa * b1dpengalaman) + .759 MS(Error)
c. .549 MS(b1bbangsa * b1dpengalaman) + .451 MS(Error)
d. MS(Error)

Expected Mean Squaresa,b

Variance Component

Var(b1bbangsa *
Source Var(b1bbangsa) Var(b1dpengalaman) b1dpengalaman) Var(Error) Quadratic Term

Intercept 7.726 5.121 1.867 1.000 Intercept

b1bbangsa 22.131 .000 4.350 1.000
b1dpengalaman .000 30.098 9.893 1.000
b1bbangsa * .000 .000 18.036 1.000
b1dpengalaman
Error .000 .000 .000 1.000
a. For each source, the expected mean square equals the sum of the coefficients in the cells times the variance
components, plus a quadratic term involving effects in the Quadratic Term cell.
b. Expected Mean Squares are based on the Type III Sums of Squares.

Soalan Kajian

Adakah terdapat perbezaan yang signifikan antara markah ujian Bahasa Melayu dengan bangsa dan pengalaman guru
dalam penggunaan JERI di sekolah ?.
Laporan Kajian

Jadual 81 : ANOVA Dua Hala : Model Rawak

Tests of Between-Subjects Effects

Dependent Variable:markahujianBM
Type III
Sum of
Source Squares df Mean Square F Sig.
Intercept Hypothesis 96364.748 1 96364.748 275.031 .000
Error 9330.462 26.630 350.377a
b1bbangsa Hypothesis 933.930 3 311.310 .861 .462
Error 71548.046 197.840 361.647b
b1dpengalaman Hypothesis 1541.592 5 308.318 .916 .481
Error 13838.181 41.091 336.771c
b1bbangsa * b1dpengalaman Hypothesis 3002.229 10 300.223 .788 .641
Error 233277.372 612 381.172d
a. .349 MS(b1bbangsa) + .170 MS(b1dpengalaman) - .074 MS(b1bbangsa * b1dpengalaman) + .555 MS(Error)
b. .241 MS(b1bbangsa * b1dpengalaman) + .759 MS(Error)
c. .549 MS(b1bbangsa * b1dpengalaman) + .451 MS(Error)
d. MS(Error)

Tidak terdapat perbezaan yang signifikan di antara min markah ujian Bahasa Melayu mengikut bangsa yang berlainan F
(1, 0.867), p<.462. Juga tidak terdapat perbezaan yang signifikan di antara min markah ujian Bahasa Melayu mengikut
pengalaman yang berlainan F (1, 0.916), p<.481. Begitu juga tidak tedapat kesan yang signifikan di antara bangsa dengan
pengalaman dari sudut min ujian Bahasa Melayu F (1, 788), p<.641. Dengan itu dapatlah dinyatakan bahawa bangsa
dan pengalaman guru tidak memberi kesan terhadap markah ujian Bahasa Melayu.

iv. Prosedur ANOVA Dua Hala : Model Campuran

Ujian ANOVA Dua Hala Model Campuran dilakukan apabila terdapat 1 sahaja dalam pemboleh ubah
bersandar/dependent variable (DV). Manakala 1 sahaja pemboleh ubah factor dan 1 pemboleh ubah random sebagai
pemboleh ubah bebas/independent variable (IV).

Analyze > General Liner Model > Univariate

Output SPSS

Between-Subjects Factors

Value Label N

b1ekelulusan 1.00 spm 37

2.00 stpm 16

3.00 diploma 39

5.00 sarjana 539

b1llatihanlnajutan 1.00 tidak perlu 179

2.00 perlu 386

3.00 sangat perlu 66

 Descriptive Statistics
Dependent Variable:markahujianBM

b1ekelulusan b1llatihanlnajutan Mean Std. Deviation N

spm tidak perlu 56.1667 16.72353 18

perlu 60.0588 16.07976 17

sangat perlu 80.0000 2.82843 2

Total 59.2432 16.61894 37

stpm tidak perlu 55.0000 35.46830 4
perlu 65.4444 20.52505 9
sangat perlu 65.0000 19.31321 3
Total 62.7500 23.39658 16
diploma tidak perlu 66.3636 15.86993 11
perlu 54.7391 20.32512 23
sangat perlu 50.2000 17.75387 5
Total 57.4359 19.31293 39
sarjana tidak perlu 55.5616 19.51621 146
perlu 57.0504 19.89318 337
sangat perlu 55.3750 17.86572 56
Total 56.4731 19.57031 539
Total tidak perlu 56.2737 19.46988 179

perlu 57.2409 19.76883 386

sangat perlu 56.1667 18.03977 66

Total 56.8542 19.48702 631

Tests of Between-Subjects Effects

Dependent Variable:markahujianBM

Type III Sum of

Source Squares df Mean Square F Sig.

Intercept Hypothesis 311082.518 1 311082.518 1918.319 .000

Error 1213.138 7.481 162.164a

b1ekelulusan Hypothesis 1614.076 3 538.025 1.226 .348
Error 4651.427 10.595 439.015b
b1llatihanlnajutan Hypothesis 210.969 2 105.485 .246 .785
Error 6309.501 14.710 428.938c
b1ekelulusan * Hypothesis 2775.286 6 462.548 1.216 .296
b1llatihanlnajutan Error 235408.656 619 380.305d
a. .794 MS(b1llatihanlnajutan) + .206 MS(Error)
b. .714 MS(b1ekelulusan * b1llatihanlnajutan) + .286 MS(Error)
c. .591 MS(b1ekelulusan * b1llatihanlnajutan) + .409 MS(Error)
d. MS(Error)

Expected Mean Squaresa,b

 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM

Type III Sum of

Source Squares df Mean Square F Sig.

Intercept Hypothesis 311082.518 1 311082.518 1918.319 .000

Error 1213.138 7.481 162.164a

b1ekelulusan Hypothesis 1614.076 3 538.025 1.226 .348
Error 4651.427 10.595 439.015b
b1llatihanlnajutan Hypothesis 210.969 2 105.485 .246 .785
Error 6309.501 14.710 428.938c
b1ekelulusan * Hypothesis 2775.286 6 462.548 1.216 .296
b1llatihanlnajutan Error 235408.656 619 380.305d
Variance Component

Var(b1ekelulusa
n*
Var(b1llatihanln b1llatihanlnajuta
Source ajutan) n) Var(Error) Quadratic Term

Intercept 28.727 7.182 1.000 Intercept,

b1ekelulusan
b1ekelulusan .000 10.923 1.000 b1ekelulusan
b1llatihanlnajutan 36.192 9.048 1.000
b1ekelulusan * .000 15.301 1.000
b1llatihanlnajutan
Error .000 .000 1.000
a. For each source, the expected mean square equals the sum of the coefficients in the cells
times the variance components, plus a quadratic term involving effects in the Quadratic Term cell.
b. Expected Mean Squares are based on the Type III Sums of Squares.

Soalan Kajian

Adakah terdapat perbezaan yang signifikan antara markah ujian Bahasa Melayu dengan kelulusan dan latihan lanjutan
oleh guru dalam penggunaan JERI di sekolah ?.

Laporan Kajian

Jadual 82 : ANOVA Dua Hala Model Campuran

 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM
Type III Sum of
Source Squares df Mean Square F Sig.
Intercept Hypothesis 311082.518 1 311082.518 1918.319 .000
Error 1213.138 7.481 162.164a
b1ekelulusan Hypothesis 1614.076 3 538.025 1.226 .348
Error 4651.427 10.595 439.015b
b1llatihanlanjutan Hypothesis 210.969 2 105.485 .246 .785
Error 6309.501 14.710 428.938c
b1ekelulusan * Hypothesis 2775.286 6 462.548 1.216 .296
b1llatihanlanjutan Error 235408.656 619 380.305d
a. .794 MS(b1llatihanlanjutan) + .206 MS(Error)
b. .714 MS(b1ekelulusan * b1llatihanlanjutan) + .286 MS(Error)
c. .591 MS(b1ekelulusan * b1llatihanlanjutan) + .409 MS(Error)
d. MS(Error)

Tidak terdapat perbezaan yang signifikan di antara min markah ujian Bahasa Malaysia mengikut kelulusan p<.348. Begitu
juga dengan latihan lanjutan p<.785. Tidak terdapat kesan interaksi diantara kelulusan dengan latihan lanjutan dari sudut
min markah ujian Bahasa Malaysia p<.296. Dengan itu dapatlah dinyatakan bahawa kelulusan guru dan latihan lanjutan
yang diterima oleh guru langsung tidak memberi kesan ke atas markah ujian Bahasa Melayu.

v. ANOVA Tiga Hala

Ujian ANOVA Tiga Hala dilakukan apabila terdapat 1 sahaja dalam pemboleh ubah bersandar/dependent variable (DV)
dan 3 atau lebih pemboleh ubah factor atau pemboleh ubah bebas/independent variable (IV).

Analyze > General Liner Model > Univariate

Output SPSS
 Tests of Between-Subjects Effects
Dependent Variable:Tahapkemahiran

Type III Sum of

Source Squares df Mean Square F Sig.

Corrected Model 218.547a 498 .439 3.828 .000

Intercept 1067.493 1 1067.493 9311.177 .000
kefahaman 2.111 20 .106 .921 .562
pascaestBM 11.746 34 .345 3.013 .000
pascaestBI 14.098 35 .403 3.513 .000
kefahaman * pascaestBM 23.233 66 .352 3.070 .000
kefahaman * pascaestBI 13.872 54 .257 2.241 .000
pascaestBM * pascaestBI 12.638 31 .408 3.556 .000
kefahaman * pascaestBM * .518 1 .518 4.515 .035
pascaestBI
Error 15.133 132 .115
Total 3371.000 631
Corrected Total 233.680 630
a. R Squared = .935 (Adjusted R Squared = .691)

Soalan Kajian

Adakah terdapat perbezaan yang signifikan antara tahap kemahiran penggunaan JERI dengan kefahaman menggunakan
JERI, ujian pasca Bahasa Malaysia dan ujian pasca Bahasa Inggeris di sekolah?.

Laporan Kajian

Jadual 83 : ANOVA Tiga Hala

 Tests of Between-Subjects Effects
Dependent Variable:Tahapkemahiran
Type III Sum of Mean
Source Squares df Square F Sig.
Corrected Model 218.547a 498 .439 3.828 .000
Intercept 1067.493 1 1067.4 9311.177 .000
93
kefahaman 2.111 20 .106 .921 .562
pascaestBM 11.746 34 .345 3.013 .000
pascaestBI 14.098 35 .403 3.513 .000
kefahaman * pascaestBM 23.233 66 .352 3.070 .000
kefahaman * pascaestBI 13.872 54 .257 2.241 .000
pascaestBM * pascaestBI 12.638 31 .408 3.556 .000
kefahaman * pascaestBM * .518 1 .518 4.515 .035
pascaestBI
Error 15.133 132 .115
Total 3371.000 631
Corrected Total 233.680 630
a. R Squared = .935 (Adjusted R Squared = .691)

Tidak terdapat perbezaan yang signifikan antara min skor tahap kemahiran menggunakan JERI dengan kefahaman
penggunaan JERI p<.562. Terdapat perbezaan yang signifikan antara min skor tahap kemahiran menggunakan JERI
dengan ujian pasca Bahasa Melayu p< .000. Terdapat perbezaan yang signifikan antara min skor tahap kemahiran
menggunakan JERI dengan ujian pasca Bahasa Inggeris p< 000. Terdapat kesan interaksi yang signifikan di antara
kefahaman dengan ujian pasca Bahasa Malaysia dari sudut min skor tahap kemahiran p<.000. Terdapat kesan interaksi
yang signifikan di antara kefahaman dengan ujian pasca Bahasa Inggeris dari sudut min skor tahap kemahiran p<.000.
Tidak terdapat kesan interaksi yang signifikan di antara kefahaman dengan ujian pasca Bahasa Malaysia dengan ujian
pasca Bahasa Inggeris dari sudut min skor dengan tahap kemahiran p<.035. Nilai R Squared di bawah jadual
menunjukkan 0.691 atau 69.1 peratus (Adjusted R Squared = .691 x 100) pemboleh ubah bersandar iaitu tahap
kemahiran memberi sumbangan kepada pemboleh ubah bebas iaitu kefahaman, ujian pasca BM dan ujian pasca BI.

General Linear Model : Univariate ANCOVA

ANCOVA adalah singkatan daripada Analysis of Covariance, ANCOVA adalah gabungan daripada dua analisis statistik
ANOVA dan Regresi. Tujuannya adalah untuk mengawal perbezaan antara kumpulan sampel di peringkat awal yang
tidak dapat dikawal oleh kaedah pemilhan sampel rawak. Menerusi ujian pra ANCOVA dapat mengawal perbezaan
tersebut. Dengan itu ujian pra digunakan sebagai kovariat yang akan dijadikan sebagai alat pengukur. Taburan F atau
Fisher tetap digunakan dalam analisis statistik ANCOVA

Analyze > General Linear Model > Univariate…

Output SPSS

Univariate Analysis of Variance

 Between-Subjects Factors

Value Label N

Tahapkemahiran 1.00 tidak mahir 61

2.00 sederhana 364

mahir

3.00 mahir 206

Descriptive Statistics
Dependent Variable:pascaest

Tahapkemahiran Mean Std. Deviation N

tidak mahir 61.8361 19.52194 61

sederhana mahir 69.2308 7.07742 364
mahir 75.7961 9.22865 206
Total 70.6593 10.49836 631

Tests of Between-Subjects Effects

Dependent Variable:pascaest

Type III Sum of

Source Squares df Mean Square F Sig.

Corrected Model 11790.206a 3 3930.069 42.747 .000

Intercept 255740.792 1 255740.792 2781.646 .000
pratest 862.875 1 862.875 9.385 .002
Tahapkemahiran 11175.943 2 5587.972 60.779 .000
Error 57645.537 627 91.939
Total 3219850.000 631
Corrected Total 69435.743 630
a. R Squared = .170 (Adjusted R Squared = .166)

Soalan Kajian

Adakah terdapat perbezaan yang signifikan antara ujian pasca dengan pra dan tahap kemahiran guru dalam
penggunaan JERI di sekolah?.

Laporan Kajian

Jadual 84 : General Linear Model : Univariate ANCOVA

 Tests of Between-Subjects Effects
Dependent Variable:pascaest
Source Type III Sum of Squares df Mean Square F Sig.
Corrected Model 11790.206a 3 3930.069 42.747 .000
Intercept 255740.792 1 255740.792 2781.646 .000
pratest 862.875 1 862.875 9.385 .002
Tahapkemahiran 11175.943 2 5587.972 60.779 .000
Error 57645.537 627 91.939
Total 3219850.000 631
Corrected Total 69435.743 630
a. R Squared = .170 (Adjusted R Squared = .166)

Terdapat perbezaan yang signifikan di antara min markah ujian pra dengan min markah ujian pasca p<.002. Dengan itu
dapatlah dinyatakan di sini bahawa rawatan yang diberikan kepada responden memberi kesan yang signifikan. Begitu
juga terdapat perbezaan yang signifikan di antara min markah ujian pasca dengan min tahap kemahiran p<.000. Oleh
kerana wujud perbezaan yang signifikan maka ujian Pasca-Hoc ANOVA perlu dilakukan. Nilai R Squared di bawah
jadual pula menunjukkan bahawa hanya 0.166 atau 16.6 peratus (Adjusted R Squared = .166 x 100) sahaja pemboleh
ubah bebas iaitu tahap kemahiran memberi sumbangan terhadap pemboleh ubah bersandar ujian pasca.

General Linear Model : Multivariate – MANOVA

Multivariate Analysis of Variances atau MANOVA digunakan untuk mencari perbezaan min antara kumpulan berdasarkan
pemboleh ubah bersandar yang lebih daripada satu, manakala pemboleh ubah bebas juga satu atau lebih. Antara syarat
ujian MANOVA adalah:

i. data bertaburan normal

ii. pembolehubah bersandar mestilah dalam skala nisbah
iii. pemboleh ubah bebas perlu mempunyai sekurang-kurangnya dua atau lebih kategori
data bebas (seperti kumpulan lemah dan sederhan atau kemahiran computer : tidak
mahir, sederhana mahir dan mahir).
iv. Oleh kerana ujian MANOVA melibatkan bacaan nilai F, maka saiz atau bilangan
sampel kajian dalam sub kumpulan tidak kurang daripada 15 orang. Walau
bagaimana pun dalam bidang Sains Sosial, setiap kumpulan sampel n = > 30 (Hair,
2006), manakala Pallant (2013) bilangan sampel n = >20.
v. Kesamaan varians (homogeneity of variance).
vi. Jika terdapat lebih daripada satu pembolehubah bersandar maka pasangan pembolehubah bersandar
hendaklah berkorelasi secara linear. Lineariti data kajian dapat dilihat melalui graf scatterplot.

Analyze > General Linear Model > Multivariate

Output SPSS

Descriptive Statistics

Negeri responden Mean Std. Deviation N

KompetensiProfesional Kedah 3.5321 .48638 105

Pulau Pinang 3.6000 .51163 90

Perak 3.6145 .42882 120

Total 3.5829 .47283 315

KompetensiPerancangan Kedah 3.4212 .50251 105
Pulau Pinang 3.5957 .53773 90
Perak 3.5596 .48198 120
Total 3.5238 .50904 315
KompetensiKaedah Kedah 3.2978 .39317 105

Pulau Pinang 3.4528 .41034 90

Perak 3.4894 .44336 120

Total 3.4151 .42490 315

 Box's Test of Equality
of Covariance Matricesa

Box's M 38.354
F 3.151
df1 12
df2 418648.307
Sig. .000

Tests the null hypothesis

that the observed
covariance matrices of
the dependent variables
are equal across groups.
a. Design: Intercept +
Negeri

Multivariate Testsc

Hypothesis Partial Eta

Effect Value F df Error df Sig. Squared

Intercept Pillai's Trace .987 7897.518a 3.000 310.000 .000 .987

Wilks' Lambda .013 7897.518a 3.000 310.000 .000 .987

Hotelling's Trace 76.428 7897.518a 3.000 310.000 .000 .987

Roy's Largest Root 76.428 7897.518a 3.000 310.000 .000 .987

Negeri Pillai's Trace .051 2.733 6.000 622.000 .013 .026
Wilks' Lambda .949 2.741a 6.000 620.000 .012 .026

Hotelling's Trace .053 2.749 6.000 618.000 .012 .026

Roy's Largest Root .045 4.674b 3.000 311.000 .003 .043

a. Exact statistic
b. The statistic is an upper bound on F that yields a lower bound on the significance level.
c. Design: Intercept + Negeri

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.

KompetensiProfesional 2.833 2 312 .060

KompetensiPerancangan .145 2 312 .865
KompetensiKaedah 1.096 2 312 .335

Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
a. Design: Intercept + Negeri

Tests of Between-Subjects Effects

Type III
Sum of Mean Partial Eta
Source Dependent Variable Squares df Square F Sig. Squared

Corrected KompetensiProfesional .417a 2 .209 .933 .395 .006

Model KompetensiPerancangan 1.724b 2 .862 3.377 .035 .021

KompetensiKaedah 2.235c 2 1.117 6.402 .002 .039

Intercept KompetensiProfesional 3986.746 1 3986.746 17824.700 .000 .983
KompetensiPerancangan 3861.613 1 3861.613 15128.283 .000 .980
KompetensiKaedah 3619.745 1 3619.745 20739.812 .000 .985
Negeri KompetensiProfesional .417 2 .209 .933 .395 .006
KompetensiPerancangan 1.724 2 .862 3.377 .035 .021
KompetensiKaedah 2.235 2 1.117 6.402 .002 .039
Error KompetensiProfesional 69.783 312 .224
KompetensiPerancangan 79.640 312 .255
KompetensiKaedah 54.454 312 .175
Total KompetensiProfesional 4113.875 315
KompetensiPerancangan 3992.793 315
KompetensiKaedah 3730.460 315
Corrected KompetensiProfesional 70.200 314
Total KompetensiPerancangan 81.364 314

KompetensiKaedah 56.688 314

a. R Squared = .006 (Adjusted R Squared = .000)

b. R Squared = .021 (Adjusted R Squared = .015)
c. R Squared = .039 (Adjusted R Squared = .033)
 Multiple Comparisons

95% Confidence Interval

(I) Negeri (J) Negeri Mean Difference Std. Lower Upper

Dependent Variable responden responden (I-J) Error Sig. Bound Bound

KompetensiProfesional Tukey Kedah Pulau Pinang -.0679 .06794 .578 -.2279 .0921
HSD Perak -.0824 .06320 .394 -.2312 .0664

Pulau Pinang Kedah .0679 .06794 .578 -.0921 .2279

Perak -.0145 .06595 .974 -.1698 .1408

Perak Kedah .0824 .06320 .394 -.0664 .2312

Pulau Pinang .0145 .06595 .974 -.1408 .1698

Scheffe Kedah Pulau Pinang -.0679 .06794 .607 -.2350 .0992

Perak -.0824 .06320 .428 -.2378 .0730

Pulau Pinang Kedah .0679 .06794 .607 -.0992 .2350

Perak -.0145 .06595 .976 -.1767 .1477

Perak Kedah .0824 .06320 .428 -.0730 .2378

Pulau Pinang .0145 .06595 .976 -.1477 .1767

KompetensiPerancangan Tukey Kedah Pulau Pinang -.1745* .07258 .044 -.3454 -.0036
HSD Perak -.1384 .06751 .102 -.2974 .0206
Pulau Pinang Kedah .1745* .07258 .044 .0036 .3454
Perak .0361 .07045 .865 -.1298 .2020
Perak Kedah .1384 .06751 .102 -.0206 .2974
Pulau Pinang -.0361 .07045 .865 -.2020 .1298
Scheffe Kedah Pulau Pinang -.1745 .07258 .057 -.3530 .0040
Perak -.1384 .06751 .124 -.3044 .0277
Pulau Pinang Kedah .1745 .07258 .057 -.0040 .3530
Perak .0361 .07045 .877 -.1372 .2094
Perak Kedah .1384 .06751 .124 -.0277 .3044
Pulau Pinang -.0361 .07045 .877 -.2094 .1372
KompetensiKaedah Tukey Kedah Pulau Pinang -.1550* .06001 .028 -.2963 -.0136
HSD Perak -.1916* .05583 .002 -.3231 -.0601

Pulau Pinang Kedah .1550* .06001 .028 .0136 .2963

Perak -.0366 .05826 .804 -.1738 .1006

Perak Kedah .1916* .05583 .002 .0601 .3231

Pulau Pinang .0366 .05826 .804 -.1006 .1738

Scheffe Kedah Pulau Pinang -.1550* .06001 .037 -.3026 -.0074

Perak -.1916* .05583 .003 -.3289 -.0543

Pulau Pinang Kedah .1550* .06001 .037 .0074 .3026

Perak -.0366 .05826 .821 -.1799 .1066

Perak Kedah .1916* .05583 .003 .0543 .3289

 Pulau Pinang .0366 .05826 .821 -.1066 .1799

Based on observed means.

The error term is Mean Square(Error) = .175.
*. The mean difference is significant at the .05 level.

Laporan Kajian

Soalan Kajian

Adakah terdapat perbezaan yang signifikan antara kategori negeri dengan pelbagai kompetensi guru di Malaysia?

Descriptive Statistics
Negeri responden Mean Std. Deviation N
KompetensiProfesional Kedah 3.5321 .48638 105
Pulau Pinang 3.6000 .51163 90
Perak 3.6145 .42882 120
Total 3.5829 .47283 315
KompetensiPerancangan Kedah 3.4212 .50251 105
Pulau Pinang 3.5957 .53773 90
Perak 3.5596 .48198 120
Total 3.5238 .50904 315
KompetensiKaedah Kedah 3.2978 .39317 105
Pulau Pinang 3.4528 .41034 90
Perak 3.4894 .44336 120
Total 3.4151 .42490 315

Box's Test of Equality of Covariance Matricesa

Box's M 38.354
F 3.151
df1 12
df2 418648.307
Sig. .000

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.
KompetensiProfesional 2.833 2 312 .060
KompetensiPerancangan .145 2 312 .865
KompetensiKaedah 1.096 2 312 .335
 Multivariate Testsc
Effect Value F Hypothesis df Error df Sig. Partial Eta Squared
Pillai's Trace .987 7897.518a 3.000 310.000 .000 .987
Wilks' Lambda .013 7897.518a 3.000 310.000 .000 .987
Hotelling's Trace 76.428 7897.518a 3.000 310.000 .000 .987
Roy's Largest Root 76.428 7897.518a 3.000 310.000 .000 .987
Pillai's Trace .051 2.733 6.000 622.000 .013 .026
Wilks' Lambda .949 2.741a 6.000 620.000 .012 .026
Hotelling's Trace .053 2.749 6.000 618.000 .012 .026
Roy's Largest Root .045 4.674b 3.000 311.000 .003 .043

Tests of Between-Subjects Effects

Source Dependent Variable Type III Sum of Squares df Mean Square F Sig. Partial Eta Squared
Negeri KompetensiProfesional .417 2 .209 .933 .395 .006
KompetensiPerancangan 1.724 2 .862 3.377 .035 .021
KompetensiKaedah 2.235 2 1.117 6.402 .002 .039
 Multiple Comparisons
95% Confidence Interval
(I) Negeri (J) Negeri Mean Difference (I- Std. Lower Upper
Dependent Variable responden responden J) Error Sig. Bound Bound
KompetensiPerancangan Tukey Kedah Pulau Pinang -.1745* .07258 .044 -.3454 -.0036
HSD Perak -.1384 .06751 .102 -.2974 .0206
Pulau Pinang Kedah .1745* .07258 .044 .0036 .3454
Perak .0361 .07045 .865 -.1298 .2020
Perak Kedah .1384 .06751 .102 -.0206 .2974
Pulau Pinang -.0361 .07045 .865 -.2020 .1298
Scheffe Kedah Pulau Pinang -.1745 .07258 .057 -.3530 .0040
Perak -.1384 .06751 .124 -.3044 .0277
Pulau Pinang Kedah .1745 .07258 .057 -.0040 .3530
Perak .0361 .07045 .877 -.1372 .2094
Perak Kedah .1384 .06751 .124 -.0277 .3044
Pulau Pinang -.0361 .07045 .877 -.2094 .1372
KompetensiKaedah Tukey Kedah Pulau Pinang -.1550* .06001 .028 -.2963 -.0136
HSD Perak -.1916* .05583 .002 -.3231 -.0601
Pulau Pinang Kedah .1550* .06001 .028 .0136 .2963
Perak -.0366 .05826 .804 -.1738 .1006
Perak Kedah .1916* .05583 .002 .0601 .3231
Pulau Pinang .0366 .05826 .804 -.1006 .1738
Scheffe Kedah Pulau Pinang -.1550* .06001 .037 -.3026 -.0074
Perak -.1916* .05583 .003 -.3289 -.0543
Pulau Pinang Kedah .1550* .06001 .037 .0074 .3026
Perak -.0366 .05826 .821 -.1799 .1066
Perak Kedah .1916* .05583 .003 .0543 .3289
Pulau Pinang .0366 .05826 .821 -.1066 .1799

Syarat untuk MANOVA

homogeneity of variance
1. Box’s M = 38.354, Sig p< 0.000 Oleh kerana nilai sig = p <.000 yang menunjukkan kumpulan tersebut (negeri)
tidak homogen (dikira homogeny bila nilai sig p > 0.05), maka syarat untuk membuat MANOVA tidak dapat
dipenuhi, dengan itu ada alternatif lain iaitu dengan melihat ‘Levene’s test.

2. Levene’s test
Berdasarkan ujian Levene’s test didapati setiap pembolehubah menunjukkan nilai sig p >.05 yang menunjukkan
pembolehubah bersandar bersifat homogeny (kompetensi profersional F = (2, 2.833), sig= .060 (P>.05),
kompetensi perancangan F = (2, .145), sig= .865 (P>.05), kompetensi kaedah F = (2, 1.096), sig= .335 (P>.05),
dengan itu MANOVA boleh diteruskan.
 Mengikut Pallant (2013), jika syarat homogeniti tidak dapat dipenuhi maka ujian MANOVA masih lagi boleh
diteruskan dengan syarat bilangan sampel dalam jumlah yang besar n = >300 (data yang pernah digunakan oleh
Pallant).

Ujian Post Hoc dilakukan apabila terdapat perbezaan yang signifikan dalam ujian MANOVA. Post Hoc ada 2 :
1. Tukey = untuk bilangan saiz sampel setiap kumpulan (negeri) adalah sama. Contoh Kedah n = 241, Pulau
Pinang n = 241 dan Perak n = 241.
2. Scheffe = untuk bilangan sampel setiap kumpulan (negeri) adalah berbeza. Contoh Kedah n = 105, Pulau
Pinang n = 90 dan Perak n = 120.
Oleh kerana kumpulan negeri berbeza maka digunakan Scheffe.

Laporan MANOVA

Berdasarkan ujian Wilks' Lambda ʎ = .949, sig = 0.012 (p>.05) menunjukkan terdapat perbezaan yang signifikan antara
kumpulan negeri (Kedah, Pulau Pinang dan Perak) mengikut kompetensi secara keseluruhannya (ketiga-tiga kompetensi
: professional, perancangan dan kaedah). Ujian MANOVA dijalankan untuk melihat perbezaan bagi setiap kompetensi
mengikut negeri-negeri. Hasil ujian MANOVA mendapati kompetensi professional F=(2,.933), sig =.395 p>.005,
kompetensi perancangan F=(2, 3.337), sig =.035 p<.005, kompetensi kaedah F= (2, 6.402), sig =.002 p <.005, dengan
itu hanya kompetensi perancangan dan kompetensi kaedah sahaja yang signifikan p<.05. Untuk melihat perbezaan bagi
setiap negeri maka dijalankan ujian post hoc scheffe. Ujian Scheffe menunjukkan perbezaan kompentsi perancangan
antara Kedah = Pulau Pinang p =.057, Kedah = Perak p = .124, Pulau Pinang = Perak p = .877, manakala perbezaan
kompetensi kaedah menunjukkan Kedah = Pulau Pinang p =.037, Kedah = Perak p = .003, Pulau Pinang = Perak p =
.821.

General Linear Model : Multivariate – MANCOVA

Multivariate Analysis of Covariance atau MANCOVA dilakukan apabila salah satu pemboleh ubahnya melibatkan
penggunaan covariance yang berfungsi sebagai pengukur. Fungsi lain MANCOVA ialah untuk mengawal pemboleh ubah
kawalan (covariate) yang merupakan faktor yang tidak ingin dikaji tetapi ia mempengaruhi pemboleh ubah-pemboleh
ubah bersandar.

Pemboleh ubah bersandar = lebih daripada 1, data interval atau ratio (pengetahuan JERI
dan Kepuasan JERI)
Pemboleh ubah bebas = 2 atau lebih kumpulan (Jantina = lelaki dan perempuan)
Pemboleh ubah kawalan = 2 atau lebih kumpulan, data bebas (lokasi = bandar, luar bandar)

Analyze > General Linear Model > Multivariate

Output SPSS

Between-Subjects Factors

Value Label N

b1cjantina 1.00 lelaki 244

2.00 perempuan 387

Descriptive Statistics

b1cjantina Mean Std. Deviation N

kekuatanJERI lelaki 3.1818 .45365 244

perempuan 3.1282 .38040 387

Total 3.1489 .41075 631

kepuasanpenggunaanJERI lelaki 3.1492 .45718 244

perempuan 3.1300 .43688 387

Total 3.1374 .44457 631

 Multivariate Testsb

Effect Value F Hypothesis df Error df Sig.

Intercept Pillai's Trace .831 1541.275a 2.000 626.000 .000

Wilks' Lambda .169 1541.275a 2.000 626.000 .000
Hotelling's Trace 4.924 1541.275a 2.000 626.000 .000
Roy's Largest Root 4.924 1541.275a 2.000 626.000 .000
b1flokasisek Pillai's Trace .002 .601a 2.000 626.000 .549
Wilks' Lambda .998 .601a 2.000 626.000 .549
Hotelling's Trace .002 .601a 2.000 626.000 .549
Roy's Largest Root .002 .601a 2.000 626.000 .549
b1bbangsa Pillai's Trace .000 .156a 2.000 626.000 .855
Wilks' Lambda 1.000 .156a 2.000 626.000 .855
Hotelling's Trace .000 .156a 2.000 626.000 .855
Roy's Largest Root .000 .156a 2.000 626.000 .855
b1cjantina Pillai's Trace .004 1.204a 2.000 626.000 .301
Wilks' Lambda .996 1.204a 2.000 626.000 .301
Hotelling's Trace .004 1.204a 2.000 626.000 .301
Roy's Largest Root .004 1.204a 2.000 626.000 .301
a. Exact statistic
b. Design: Intercept + b1flokasisek + b1bbangsa + b1cjantina

Tests of Between-Subjects Effects

Type III Sum of

Source Dependent Variable Squares df Mean Square F Sig.

Corrected Model kekuatanJERI .670a 3 .223 1.327 .265

kepuasanpenggunaanJERI .219b 3 .073 .369 .775

Intercept kekuatanJERI 457.320 1 457.320 2714.785 .000
kepuasanpenggunaanJERI 453.543 1 453.543 2287.823 .000
b1flokasisek kekuatanJERI .195 1 .195 1.160 .282
kepuasanpenggunaanJERI .140 1 .140 .708 .400
b1bbangsa kekuatanJERI .053 1 .053 .313 .576
kepuasanpenggunaanJERI .028 1 .028 .139 .709
b1cjantina kekuatanJERI .340 1 .340 2.016 .156
kepuasanpenggunaanJERI .033 1 .033 .166 .684
Error kekuatanJERI 105.621 627 .168
kepuasanpenggunaanJERI 124.298 627 .198
Total kekuatanJERI 6363.167 631
kepuasanpenggunaanJERI 6335.630 631
Corrected Total kekuatanJERI 106.292 630

kepuasanpenggunaanJERI 124.517 630

 Multivariate Testsb

Effect Value F Hypothesis df Error df Sig.

Intercept Pillai's Trace .831 1541.275a 2.000 626.000 .000

Wilks' Lambda .169 1541.275a 2.000 626.000 .000
Hotelling's Trace 4.924 1541.275a 2.000 626.000 .000
Roy's Largest Root 4.924 1541.275a 2.000 626.000 .000
b1flokasisek Pillai's Trace .002 .601a 2.000 626.000 .549
Wilks' Lambda .998 .601a 2.000 626.000 .549
Hotelling's Trace .002 .601a 2.000 626.000 .549
Roy's Largest Root .002 .601a 2.000 626.000 .549
b1bbangsa Pillai's Trace .000 .156a 2.000 626.000 .855
Wilks' Lambda 1.000 .156a 2.000 626.000 .855
Hotelling's Trace .000 .156a 2.000 626.000 .855
Roy's Largest Root .000 .156a 2.000 626.000 .855
b1cjantina Pillai's Trace .004 1.204a 2.000 626.000 .301
Wilks' Lambda .996 1.204a 2.000 626.000 .301
Hotelling's Trace .004 1.204a 2.000 626.000 .301
Roy's Largest Root .004 1.204a 2.000 626.000 .301
a. R Squared = .006 (Adjusted R Squared = .002)
b. R Squared = .002 (Adjusted R Squared = -.003)

Soalan Kajian

Sejauhmanakah pengaruh jantina terhadap kekuatan dan kepuasan penggunaan JERI dalam kalangan guru di sekolah
dengan mengawal lokasi sekolah dan bangsa guru?.

Jadual 86 : General Linear Model : Multivariate MANCOVA

 Tests of Between-Subjects Effects
Type III Sum Mean
Source Dependent Variable of Squares df Square F Sig.
Corrected Model kekuatanJERI .670a 3 .223 1.327 .265
kepuasanpenggunaanJERI .219b 3 .073 .369 .775
Intercept kekuatanJERI 457.320 1 457.320 2714.785 .000
kepuasanpenggunaanJERI 453.543 1 453.543 2287.823 .000
b1flokasisek kekuatanJERI .195 1 .195 1.160 .282
kepuasanpenggunaanJERI .140 1 .140 .708 .400
b1bbangsa kekuatanJERI .053 1 .053 .313 .576
kepuasanpenggunaanJERI .028 1 .028 .139 .709
b1cjantina kekuatanJERI .340 1 .340 2.016 .156
kepuasanpenggunaanJERI .033 1 .033 .166 .684
Error kekuatanJERI 105.621 627 .168
kepuasanpenggunaanJERI 124.298 627 .198
Total kekuatanJERI 6363.167 631
kepuasanpenggunaanJERI 6335.630 631
Corrected Total kekuatanJERI 106.292 630
kepuasanpenggunaanJERI 124.517 630
a. R Squared = .006 (Adjusted R Squared = .002)
b. R Squared = .002 (Adjusted R Squared = -.003)

Tidak terdapat perbezaan yang signifikan di antara lokasi sekolah dengan kekuatan JERI F(1, 631) = 1.160, p<.282, tidak
terdapat perbezaan yang signifikan di antara lokasi sekolah dengan kepuasan penggunaan JERI F (1, 631) = .708,
p<.400, tidak terdapat perbezaan yang signifikan di antara bangsa guru dengan kekuatan JERI F (1, 631) = .313, p<.576,
tidak terdapat perbezaan yang signifikan di antara bangsa guru dengan kepuasan penggunaan JERI F (1, 631) = .139,
p<.709, tidak terdapat perbezaan yang signifikan di antara jantina guru dengan kekuatan JERI F (1, 631) = 2.016, p<.156,
tidak terdapat perbezaan yang signifikan di antara jantina guru dengan kepuasan penggunaan JERI F (1, 631) = .166,
p<.684. Nilai R Squared di bawah jadual menunjukkan pemboleh ubah bebas kajian ini iaitu kekuatan dan kepuasan
penggunaan JERI menyumbangkan sebanyak .002 atau 2 peratus (Adjusted R Squared = .002 x 100) sahaja perubahan
terhadap pemboleh ubah bersandar iaitu jantina dan sebanyak -.003 atau – 0.3 peratus (Adjusted R Squared = -.003 x
100) sahaja perubahan terhadap pemboleh ubah kawalan iaitu lokasi dan bangsa. Memandangkan semua pemboleh
ubah yang terlibat tidak signifikan maka ujian Pasca-Hoc tidak perlu dilakukan. Dengan itu dapatlah disimpulkan bahawa
jantina tidak mempengaruhi kekuatan dan kepuasan penggunaan JERI dalam kalangan guru di sekolah sekali pun
berlainan lokasi sekolah dan bangsa.

Multiple Regresi Linear / Mutiple Regression

Beberapa pemboleh ubah bebas digunakan untuk meramalkan satu pemboleh ubah bersandar. Multipel regresi
digunakan dalam kajian untuk membuat sesuatu ramalan/ujian hipotesis, 2 atau lebih pemboleh ubah kajian akan
digunakan untuk meramal kriteria secara individu bagi mendapatkan ramalan yang lebih tepat. Regresi linear mudah
adalah satu bentuk kajian kebersandaran satu pemboleh ubah ke atas satu atau lebih pemboleh ubah lain. Pemboleh
ubah yang pertama dinamakan pemboleh ubah bersandar/Dependent Variable (DV) dan yang kemudiannya dinamakan
pemboleh ubah bebas/Independent Variable (IV). Untuk melihat peratus sumbangan maka perlu merujuk kepada nilai ‘R
Square Change’.

Tiga syarat utamanya adalah seperti berikut:

 i. Pemboleh ubah mestilah jelas.
Contohnya pengaruh persekitaran terhadap pencapaian pelajar. Apakah maksud pengaruh persekitaran
(perlukan teori dan dibataskan). Pencapaian pelajar juga perlu didefinisikan dan dibataskan.

ii. Data mestilah normal (normality)

Ujian regresi hanya boleh dianalisis dengan menggunakan data yang normal sahaja (random sampling).
Manakala data yang tidak normal adalah data daripada sampel yang tidak representatif (pemilihan sampel tidak
random) dan tidak boleh digeneralisasikan terhadap populasi. Dengan itu bagi mendapatkan normality data,
persampelan perlulah dibuat secara rawak. Untuk menguji normality gunakan Skewness dan Kurtosis. Skewness
untuk menguji sama ada data berada pada jajaran normal. Pastikan nilai skewness berada dalam julat ± 1.
Manakala kurtosis pula flatness. Data yang flat bermaksud tidak normal. Pastikan nilai kurtosis juga berada dalam
julat ± 1.

iii. Linearity
Mesti linear, jika tidak linear adalah sukar untuk mengukur sumbangan. Punca tidak linear berkemungkinan
daripada:
a) item likert yang dibina tidak bagus
b) pemilihan sampel yang silap (sampel kurang informasi/maklumat)
c) item tidak di compute daripada negative (jika ada) kepada pascaitive.

Untuk menyemak linearility gunakan graph > scatter plots, biasanya sumbangan diantara julat 20 – 40 peratus. Jika
korelasi tinggi, maka dikatakan multicollinearity. Korelasi Linear mengukur kekuatan hubungan linear antara dua
pemboleh ubah. (Pekali korelasi untuk populasi = rho (simbol Greek) dan untuk sampel = r).

Analyze > Regression > Linear

Output SPSS

Descriptive Statistics

Mean Std. Deviation N

gayapengurusan 2.6977 .59593 631

kekuatanJERI 3.1489 .41075 631
kepuasanpenggunaanJERI 3.1374 .44457 631
penglibatanpenggunaanJE 3.0365 .45758 631
RI
kefahaman 1.8363 .13026 631
 Correlations

penglibatanpe
gayapen kekuatanJ kepuasanpeng nggunaanJE
gurusan ERI gunaanJERI RI kefahaman
Pearson Correlation gayapengurusan 1.000 .222 .450 .393 -.109

kekuatanJERI .222 1.000 .631 .315 .019

kepuasanpenggunaa .450 .631 1.000 .467 .016

nJERI

penglibatanpenggun .393 .315 .467 1.000 -.030

aanJERI

kefahaman -.109 .019 .016 -.030 1.000

Sig. (1-tailed) gayapengurusan . .000 .000 .000 .003
kekuatanJERI .000 . .000 .000 .318
kepuasanpenggunaa .000 .000 . .000 .347
nJERI
penglibatanpenggun .000 .000 .000 . .225
aanJERI
kefahaman .003 .318 .347 .225 .
N gayapengurusan 631 631 631 631 631

kekuatanJERI 631 631 631 631 631

kepuasanpenggunaa 631 631 631 631 631

nJERI

penglibatanpenggun 631 631 631 631 631

aanJERI
kefahaman 631 631 631 631 631

Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 kepuasanpengg . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-

unaanJERI to-remove >= .100).
2 penglibatanpen . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
ggunaanJERI to-remove >= .100).
3 kefahaman . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).
4 kekuatanJERI . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).

a. Dependent Variable: gayapengurusan

 Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 kepuasanpengg . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-

unaanJERI to-remove >= .100).
2 penglibatanpen . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
ggunaanJERI to-remove >= .100).
3 kefahaman . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).
4 kekuatanJERI . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).

Model Summary

Std. Error of Change Statistics

R Adjusted the R Square

Model R Square R Square Estimate Change F Change df1 df2 Sig. F Change

1 .450a .203 .202 .53250 .203 160.032 1 629 .000

2 .495b .245 .243 .51851 .043 35.393 1 628 .000
3 .507c .257 .253 .51495 .012 9.723 1 627 .002
4 .514d .264 .259 .51287 .007
6.089 1 626 .014
a. Predictors: (Constant), kepuasanpenggunaanJERI
b. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI
c. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman
d. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman, kekuatanJERI

ANOVAe

Model Sum of Squares df Mean Square F Sig.

1 Regression 45.378 1 45.378 160.032 .000a

Residual 178.356 629 .284
Total 223.733 630
2 Regression 54.893 2 27.447 102.088 .000b
Residual 168.840 628 .269
Total 223.733 630
3 Regression 57.471 3 19.157 72.245 .000c
Residual 166.262 627 .265
Total 223.733 630
4 Regression 59.073 4 14.768 56.145 .000d
Residual 164.660 626 .263
Total 223.733 630
 Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 kepuasanpengg . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-

unaanJERI to-remove >= .100).
2 penglibatanpen . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
ggunaanJERI to-remove >= .100).
3 kefahaman . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).
4 kekuatanJERI . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).
a. Predictors: (Constant), kepuasanpenggunaanJERI
b. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI
c. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman
d. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman,
kekuatanJERI
e. Dependent Variable: gayapengurusan

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95.0% Confidence Interval for B
Std.
Model B Error Beta t Sig. Lower Bound Upper Bound

1 (Constant) .804 .151 5.315 .000 .507 1.101

kepuasanpeng .604 .048 .450 12.650 .000 .510 .697

gunaanJERI
2 (Constant) .339 .167 2.036 .042 .012 .667
kepuasanpeng .458 .053 .341 8.711 .000 .355 .561
gunaanJERI
penglibatanpen .304 .051 .233 5.949 .000 .203 .404
ggunaanJERI
3 (Constant) 1.245 .334 3.724 .000 .589 1.902
kepuasanpeng .463 .052 .346 8.872 .000 .361 .566
gunaanJERI
penglibatanpen .297 .051 .228 5.853 .000 .197 .397
ggunaanJERI
kefahaman -.492 .158 -.107 -3.118 .002 -.801 -.182
4 (Constant) 1.439 .342 4.207 .000 .767 2.111

kepuasanpeng .554 .064 .413 8.702 .000 .429 .679

gunaanJERI

penglibatanpen .301 .051 .231 5.948 .000 .201 .400

ggunaanJERI

kefahaman -.487 .157 -.106 -3.099 .002 -.795 -.178

kekuatanJERI -.158 .064 -.109 -2.468 .014 -.284 -.032

 Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 kepuasanpengg . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-

unaanJERI to-remove >= .100).
2 penglibatanpen . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
ggunaanJERI to-remove >= .100).
3 kefahaman . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).
4 kekuatanJERI . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-
to-remove >= .100).

a. Dependent Variable: gayapengurusan

Excluded Variablesd

Partial Collinearity Statistics

Model Beta In t Sig. Correlation Tolerance

1 kekuatanJERI -.103a -2.250 .025 -.089 .602

penglibatanpenggunaanJER .233a 5.949 .000 .231 .782

I

kefahaman -.116a -3.283 .001 -.130 1.000

2 kekuatanJERI -.111b -2.490 .013 -.099 .601
kefahaman -.107b -3.118 .002 -.124 .998
3 kekuatanJERI -.109c
-2.468 .014 -.098 .601
a. Predictors in the Model: (Constant), kepuasanpenggunaanJERI
b. Predictors in the Model: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI
c. Predictors in the Model: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman
d. Dependent Variable: gayapengurusan

Soalan Kajian

Apakah faktor kekuatan sistem (KS) , gaya pengurusan (GP), kefahaman pengguna KP), masalah pelaksanaan (MP),
penglibatan pengguna (PP) dan kepuasan pengguna (KP) merupakan peramal kepada kejayaan penggunaan JERI?

Jadual 87 : Multiple Regresi Linear / Mutiple Regression

Model Summary

Model R R Square Adjusted Std. Error Change Statistics

R Square of the
Estimate
R F Change df1 df2 Sif. F
Square Change
Chage
1 .728ª .529 .529 .31142 .529 707.324 1 629 .000
2 .726ᵇ .579 .578 .29459 .050 74.919 1 628 .000
3 .776ᶜ .602 .600 .28672 .023 35.946 1 267 .000
 Model Summary
Change Statistics
R Adjusted R Std. Error of R Square Sig. F
Model R Square Square the Estimate Change F Change df1 df2 Change
1 .450a .203 .202 .53250 .203 160.032 1 629 .000
2 .495b .245 .243 .51851 .043 35.393 1 628 .000
3 .507c .257 .253 .51495 .012 9.723 1 627 .002
4 .514d .264 .259 .51287 .007 6.089 1 626 .014
a. Predictors: (Constant), kepuasanpenggunaanJERI
b. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI
c. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman
d. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman, kekuatanJERI

ANOVAe
Model Sum of Squares df Mean Square F Sig.
1 Regression 45.378 1 45.378 160.032 .000a
Residual 178.356 629 .284
Total 223.733 630
2 Regression 54.893 2 27.447 102.088 .000b
Residual 168.840 628 .269
Total 223.733 630
3 Regression 57.471 3 19.157 72.245 .000c
Residual 166.262 627 .265
Total 223.733 630
4 Regression 59.073 4 14.768 56.145 .000d
Residual 164.660 626 .263
Total 223.733 630
a. Predictors: (Constant), kepuasanpenggunaanJERI
b. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI
c. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman
d. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI, kefahaman, kekuatanJERI
e. Dependent Variable: gayapengurusan

Coefficientsa
Unstandardized Standardized 95.0% Confidence
Coefficients Coefficients Interval for B
Std. Lower Upper
Model B Error Beta t Sig. Bound Bound
1 (Constant) .804 .151 5.315 .000 .507 1.101
kepuasanpenggunaanJERI .604 .048 .450 12.650 .000 .510 .697
2 (Constant) .339 .167 2.036 .042 .012 .667
kepuasanpenggunaanJERI .458 .053 .341 8.711 .000 .355 .561
penglibatanpenggunaanJERI .304 .051 .233 5.949 .000 .203 .404
3 (Constant) 1.245 .334 3.724 .000 .589 1.902
kepuasanpenggunaanJERI .463 .052 .346 8.872 .000 .361 .566
penglibatanpenggunaanJERI .297 .051 .228 5.853 .000 .197 .397
kefahaman -.492 .158 -.107 -3.118 .002 -.801 -.182
 Model Summary
Change Statistics
R Adjusted R Std. Error of R Square Sig. F
Model R Square Square the Estimate Change F Change df1 df2 Change
1 .450a .203 .202 .53250 .203 160.032 1 629 .000
2 .495b .245 .243 .51851 .043 35.393 1 628 .000
3 .507c .257 .253 .51495 .012 9.723 1 627 .002
4 .514d .264 .259 .51287 .007 6.089 1 626 .014
4 (Constant) 1.439 .342 4.207 .000 .767 2.111
kepuasanpenggunaanJERI .554 .064 .413 8.702 .000 .429
. .679
penglibatanpenggunaanJERI .301 .051 .231 5.948 .000 .201 .400
kefahaman -.487 .157 -.106 -3.099 .002 -.795 -.178
kekuatanJERI -.158 .064 -.109 -2.468 .014 -.284 -.032
a. Dependent Variable: gayapengurusan

Coefficientsª

95% Confidence Interval for B

Unstandardized Standardized
Lower Bound Upper Bound
Coefficients Coefficients
Model B Std. error Beta t Sig.
1 (Constant) .739 .088 8.360 .000 .566 .913
KP .742 .028 .728 26.596 .000 .687 .797

2 (Constant) .355 .095 3.754 .000 .170 .541

KP .622 .030 .609 20.822 .000 .563 .680

PP .251 .029 .253 8.656 .000 .194 .308

3 (Constant) .079 .103 .769 .442 -.123 .282

KP .499 .036 .489 14.024 .000 .429 .569

PP .246 .028 .248 8.712 .000 .191 .302

KS .215 .036 .195 5.996 .000 .145 .285

a. Dependent Variable : Kejayaan Penggunaan JERI

ANOVA ͩ

Model Sum of df Mean F Sig

Squares Square
1 Regression 68.599 1 68.599 707.347 .000ª
Residual 61.001 629 .097
Total 129.600 630
2 Regression 75.101 2 37.550 432.697 .000ᵇ
Residual 54.499 628 .087
Total 129.600 630 26.019
3 Regression 78.056 3 316.498 .000 ͨ
Residual 51.544 627 .082
Total 129.600 230
a. Predictors : (Constant), kepuasan penggunaan JERI (IV)
b. Predictors : (Constant), Kepuasaan penggunaan JERI, Penglibatan penggunaan JERI (IV)
c. Predictors : (Constant), Kepuasan penggunaan JERI, PEnglibatan Penggunaan JERI, Kekuatan JERI (IV)
 d. Dependent Variable : Kejayaan penggunaan JERI (DV)

Jadual 87 di atas menunjukkan faktor kekuatan sistem (KS), gaya pengurusan sekolah (GPS), kefahaman pengguna
(KP), masalah pelaksanaan (MP), penglibatan pengguna (PP) dan kepuasan pengguna (KP) merupakan peramal kepada
kejayaan penggunaan JERI. Hasil dapatan menunjukkan bahawa korelasi kesemua pemboleh ubah bebas dengan
pemboleh ubah bersandar adalah tinggi model 1, r = .728, model 2, r = 761, dan model , r = .776. Model 3 adalah model
sesuai (fit). Juga didapati bahawa kesemua pemboleh ubah bebas dapat menerangkan bahawa model 1 .529 = 52.9
peratus, model 2 .579 = 57.9 peratus, dan model 3 .602 = 60.2 peratus daripada pemboleh ubah bersandar. Regresi ini
adalah signifikan dari p <.000, F (3, 627) = 316.49, p<.000.

Juga menunjukkan kesemua pemboleh ubah bebas adalah berkait secara positif, Beta (KP = .499, PP = .246, KS =
.215). Pekali regrasi pemboleh ubah bersandar yang paling tinggi ialah KP = .499 (95% Confidence Interval for B atau
CI = .429 hingga .569). Hal ini menunjukkan bahawa pekali regrasi di populasi dari mana sampel diperoleh adalah pasitif,
t = 14.024, p<.000.

Pekali regresi KP, PP dan KS adalah positif dan julat untuk kiraan 95 peratus keyakinan juga adalah positif, Hal ini
menunjukkan bahawa pekali regresi pada populasi untuk setiap pemboleh ubahnya adalah positif juga. Nilai Beta
menunjukkan bahawa pekali korelasi bagi kefahaman pengguna (KP) = .499 adalah yang paling tinggi manakala
kekuatan sistem (KS) = .215 ialah paling rendah.

Dapatan kajian menunjukkan persamaan regrasi yang signifikan untuk setiap model. Model 3 merupakan pemboleh ubah-
pemboleh ubah peramal KP =.499, PP = .246 dan KS = .215 yang dapat menerangkan pemboleh ubah bebas kejayaan
penggunaan (KP). Berdasarkan ‘Model Summary’ didapati nilai bagi setiap R Square Change bagi model 1 = .203 (20.3
peratus sumbangan), sig. p = <.000 – kepuasan pengguna (KP) yang paling banyak menyumbang kepada kejayaan
penggunaan JERI), , model 2 .043 (4.3 peratus sumbangan), sig. p = <.000 – penglibatan pengguna (PP), model 3 .012
(1.2 peratus sumbangan), sig. p = .002 –Kefahaman pengguna (KP) dan model 4 = .007 (0.7 peratus sumbangan), sig.
p = .014 – kekuatan sistem (KS). Regresi ini adalah signifikan dari p <.000, F (3, 627) = 316.49, p<.000. Manakala gaya
pengurusan sekolah (GPS) dan masalah pelaksanaan (MP) bukanlah peramal kepada kejayaan penggunaan JERI.
*(.203 x 100 = 20.3 peratus – Pallant (2013).

Dengan itu dapatlah dinyatakan bahawa dapatan kajian ini menunjukkan hanya ‘Kepuasan Pengguna (KP)’ mempunyai
kesan positif yang paling tinggi ke atas ‘penglibatan pengguna (PP)’, ‘kefahaman pengguna (KP) dan ‘kekuatan sistem
(KS)’ yang diukur oleh ‘Kejayaan Penggunaan JERI’ (pemboleh ubah bersandar). Dalam erti kata yang lain ‘Kejayaan
Penggunaan JERI’ diukur melalui ‘Kepuasan Pengguna (KP) JERI dalam kalangan para guru di sekolah. Implikasi kepada
sistem pendidikan adalah jika sekolah atau Kementerian Pelajaran Malaysia ingin meningkatkan kejayaan penggunaan
sistem JERI maka kepuasan para guru melalui latihan formal dan latihan lanjutan perlulah diberi secukupnya secara
berterusan.

Kebolehpercayaan (Reliability)

Dalam kajian kuantitatif, Ujian rintis atau pilot test/pilot study dilakukan bertujuan untuk menguji kebolehpercayaan setiap
item. Kebolehpercayaan (Reliability) adalah satu ukuran yang dibuat untuk melihat sifat ketekalan sesuatu item yang
terdapat didalam satu set soal selidik. Setiap item dalam soal selidik perlu diukur atau dinilai dari segi pekali korelasi
koefisien melalui Cronbach's Alpha.

Analyze > Scale > Reliability Analysis

Output SPSS

Case Processing Summary

N %
Cases Valid 631 100.0
Excludeda 0 .0
Total 631 100.0
a. Listwise deletion based on all variables in the
procedure.

Reliability Statistics
 Case Processing Summary

N %
Cases Valid 631 100.0
Excludeda 0 .0
Total 631 100.0
Cronbach's
Alpha Based on
Cronbach's Stpenyelidikrdiz
Alpha ed Items N of Items

.623 .605 7

Item Statistics

Mean Std. Deviation N

kekuatanJERI 3.1489 .41075 631

masalahJERI 1.5110 .52226 631
gayapengurusan 2.6977 .59593 631
penglibatanpenggunaanJE 3.0365 .45758 631
RI
kepuasanpenggunaanJERI 3.1374 .44457 631
kejayaanpenggunaanJERI 3.0680 .45356 631
kefahaman 1.8363 .13026 631

Inter-Item Correlation Matrix

penglibata kepuasan
kekuatanJ masalah gayapen npenggun pengguna kejayaanpenggu
ERI JERI gurusan aanJERI anJERI naanJERI kefahaman

kekuatanJERI 1.000 -.321 .222 .315 .631 .581 .019

masalahJERI -.321 1.000 .017 -.067 -.274 -.188 -.029
gayapengurusan .222 .017 1.000 .393 .450 .358 -.109
penglibatanpenggunaanJE .315 -.067 .393 1.000 .467 .538 -.030
RI
kepuasanpenggunaanJERI .631 -.274 .450 .467 1.000 .728 .016
kejayaanpenggunaanJERI .581 -.188 .358 .538 .728 1.000 .051
kefahaman .019 -.029 -.109 -.030 .016 .051 1.000
Item-Total Statistics

Corrected Item- Squared Cronbach's

Scale Mean if Scale Variance Total Multiple Alpha if Item
Item Deleted if Item Deleted Correlation Correlation Deleted

kekuatanJERI 15.2868 2.356 .427 .458 .559

masalahJERI 16.9248 3.170 -.204 .135 .763
gayapengurusan 15.7381 1.959 .449 .277 .544
penglibatanpenggunaanJERI 15.3993 2.144 .530 .339 .519
 Inter-Item Correlation Matrix

penglibata kepuasan
kekuatanJ masalah gayapen npenggun pengguna kejayaanpenggu
ERI JERI gurusan aanJERI anJERI naanJERI kefahaman

kekuatanJERI 1.000 -.321 .222 .315 .631 .581 .019

masalahJERI -.321 1.000 .017 -.067 -.274 -.188 -.029
gayapengurusan .222 .017 1.000 .393 .450 .358 -.109
penglibatanpenggunaanJE .315 -.067 .393 1.000 .467 .538 -.030
RI
kepuasanpenggunaanJERI .631 -.274 .450 .467 1.000 .728 .016
kejayaanpenggunaanJERI .581 -.188 .358 .538 .728 1.000 .051
kepuasanpenggunaanJERI 15.2983 2.038 .651 .645 .477
kejayaanpenggunaanJERI 15.3677 2.014 .655 .605 .473
kefahaman 16.5994 3.061 -.032 .023 .647

Scale Statistics

Mean Variance Std. Deviation N of Items

18.4357 3.063 1.75015 7

Intraclass Correlation Coefficient

Intraclass 95% Confidence Interval F Test with True Value 0

Correlationa Lower Bound Upper Bound Value df1 df2 Sig

Single Measures .191b .163 .222 2.655 630 3780 .000

Average Measures .623c .577 .667 2.655 630 3780 .000
Two-way mixed effects model where people effects are random and measures effects are fixed.
a. Type C intraclass correlation coefficients using a consistency definition-the between-measure variance is excluded from
the denominator variance.
b. The estimator is the same, whether the interaction effect is present or not.
c. This estimate is computed assuming the interaction effect is absent, because it is not estimable otherwise.

Laporan Kajian

Jadual 88 : Kebolehpercayaan Item / Reliability

Reliability Statistics
Cronbach's Alpha Cronbach's Alpha Based on Stpenyelidikrdized Items N of Items
.623 .605 7

Berdasarkan jadual 88 di atas keseluruhan nilai pekali Cronbach’s Alpha bagi semua pemboleh ubah yang diukur adalah
α = .623. Ini menunjukkan 62.3 peratus darjah kebolehpercayaan item-item yang terdapat dalam soal selidik berkenaan
adalah bersifat tekal atau 62.3 peratus darjah kebolehpercayaan sampel terhadap item soal selidik yang dijawab.

Jika dilihat melalui kotak jadual Item-Total Statistics, ruangan Cronbach's Alpha if Item Deleted, menunjukkan item
kejayaan penggunaan JERI α = .473, kepuasan penggunaan JERI α = .477 penglibatan penggunaan JERI α = .519,
gaya pengurusan α =.544, dan item kekuatan JERI α = .559 adalah dibawah nilai α < .60 yang diterima, dengan itu
item-item ini perlu diperbaiki dengan melihat semula dari segi penggunaan bahasa yang kurang jelas, isi kandungan item
yang barang kali kurang menepati konstruk dan atribut. Dengan itu hanya item kefahaman α =.647 dan masalah JERI
α = .763 sahaja yang perlu dikekalkan tanpa sebarang pindaan, manakala item-item yang nilai alphnya α < .60 atau α <
.50 perlu diulang semula kajian rintis melalui teknik test-retest reliability.

Ujian Kenormalan (Paramatrik & Non Paramatrik)

Ujian Kenormalan atau normality (Paramatrik & Non Paramatrik) digunakan untuk menentukan kedudukan sesuatu set
data bagi menentukan penggunaan dan pemilihan statistik yang bersesuaian. Setiap taburan data yang diperolehi perlu
dikenalpasti terlebih dahulu sama ada data tersebut berdistribusi normal atau tidak sebelum menggunakan statistik yang
betul, khususnya dalam statistik inferensi. Atau dengan kata lainnya, ujian normaliti adalah prasyarat untuk kegunaan
statistik inferensial. Contohnya bagi ujian MANOVA data yang dikumpul mestilah bertaburan normal. Pada teorinya, data
yang berdistribusi normal maka taburan sampelnya juga adalah normal. Ujian normaliti diperlukan apabila saiz sampel
sekecil n = < 30, sebaliknya jika saiz sampel n = >30, ujian normaliti tidak diperlukan kerana dianggap data berdistribusi
normal (Chua Yan Piau, 2006). Seandainya terdapat dua kumpulan sampel yang setiap satu kumpulan sampel tidak
sama saiz sampelnya seperti saiz sampel kumpulan lemah atau kumpulan kawalan n = 23 dan kumpulan sederhana atau
kumpulan rawatan n = 28 maka ujian Kolmogorov dan Shapiro Wilk sahaja diperlukan untuk menguji taburan normaliti.

Terdapat lapan cara untuk menguji kenormalan data seperti rajah 63 berikut:

1. Melihat keluk histogram

Data bertaburan normal apabila keluk berbentuk ‘bell cuve’ bagi analisis diskriptif

2. Mengira pekali kepencongan antara mode, median dan mean

Nilai mode, median dan mean sama-sama berada di puncak kelok yang nilai ketiga-tiga ukuran ‘measure of central
tendancy’ tersebut berkedudukan hampir sama nilainya.
Sumber: https://www.google.com/search? Google/Images ujian normality

3. Melalui plot batang-daun

kepuasanpenggunaanJERI Stem-and-Leaf Plot

Frequency Stem & Leaf

14.00 Extremes (=<2.10)

2.00 22 . 0
5.00 23 . 00
6.00 24 . 000
12.00 25 . 000000
15.00 26 . 0000000
25.00 27 . 000000000000
51.00 28 . 0000000000000000000000000
48.00 29 . 000000000000000000000000
167.00 30 .
00000000000000000000000000000000000000000000000000000000000000000000000000000000000
40.00 31 . 00000000000000000000
40.00 32 . 00000000000000000000
30.00 33 . 000000000000000
31.00 34 . 000000000000000
17.00 35 . 00000000
31.00 36 . 000000000000000
18.00 37 . 000000000
20.00 38 . 0000000000
22.00 39 . 00000000000

Stem width: .10

Each leaf: 2 case(s)

4. Pemboleh ubah yang mempunyai min, mod dan median yang hampir sama

Jadual 89 : Taburan Data Normal Mengikut Min, Mod dan Median

Pemboleh ubah Min Median Mod Sisihan Piawai Kepencungan

Jasmani 30.45 31.11 32 2.78 -1.115
Emosi 38.64 39.01 41 3.17 -0.653
 Rohani 39.12 40.11 42 2.98 -0.521
Intelek 37.23 39.23 40 3.02 -0.356

Sumber: https://www.google.com/search? Google/Images ujian normality

5. ujian Skewness dan Kurtosis = ± 2

Descriptives

Statistic Std. Error

Kompetensikeseluruhan Mean 3.4507 .02153

95% Confidence Interval for Lower Bound 3.4084

Mean Upper Bound 3.4931

5% Trimmed Mean 3.4467

Median 3.4667

Variance .146

Std. Deviation .38207

Minimum 2.55

Maximum 4.44

Range 1.89

Interquartile Range .52

Skewness .108 .137
Kurtosis -.257 .274

6. Ujian Kolmogorov- Smirnov

Dalam kedua-dua ujian Kolmogorov-Smirnov dan Shapiro-Wilk, data bertaburan normal jika kedua-dua ujian tersebut
menunjukkan nilai yang tidak signifikan, dimana aras sig. p > .05. Dalam contoh di bawah didapati nilai Kolmogorov-
Smirnov adalah sig. = .300, p > .05 dan Shapiro-Wilk sig. = .388, p > .05 yang menunjukkan data bertabur normal bagi
kumpulan lemah.

Kolmogorov-Smirnov Shapiro-Wilk
Statistik df Sig. Statistik df Sig.
Kumpulan lemah .138 23 .300 .862 23 .388
Kumpulan Sederhana .149 28 .267 .863 28 .300
7. Ujian Shapiro-Wilk

Kolmogorov-Smirnov Shapiro-Wilk
Statistik df Sig. Statistik df Sig.
Kumpulan lemah .138 23 .300 .862 23 .388
Kumpulan Sederhana .149 28 .267 .863 28 .300

8. Normal Probability Plot.

Taburan data berada dalam atau dipinggiran garisan plot, semakin taburan data mendekati garisan plot maka semakin
bertaburan normal, sebaliknya bertaburan tidak normal.

Rajah 63 : Kenormalan Data

Cara 1

Analyze > Nonparametric Test > Legacy Dialogs > Sample K-S..
OUTPUT SPSS
One-Sample Kolmogorov-Smirnov Test

kepuasanpenggunaanJERI
N 631
Normal Paramatersa,b Mean 3.1374
Std. Deviation .44457
Most Extreme Differences Absolute .168
Pascaitive .168
Negative -.099
Kolmogorov-Smirnov Z 4.223
Asymp. Sig. (2-tailed) .000

a. Test distribution is Normal.

b. Calculated from data.

Berdasarkan ujian Kolmogorov-Smirnov menunjukkan 4.223, p <.000, dengan itu dapatlah

diandaikan bahawa taburan data adalah tidak normal.

Cara 2
Analyze > Descriptive Statistics > Explore…
 Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

kepuasanpenggunaanJERI 631 100.0% 0 .0% 631 100.0%

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

kepuasanpenggunaanJERI .168 631 .213 .944 631 .154

a. Lilliefors Significance Correction

Berdasarkan analisis Kolmogorov-Smirnov (K-S) dan Shapiro-Wilk (S-W) pemboleh ubah bagi kepuasan penggunaan
JERI menunjukkan nilai bagi K-S, p<.213 dan nilai S-W, p<.154 dengan itu bolehlah dikatakan data tersebut bertaburan
normal (jika nilai ‘p’ tidak signifikan maka taburan data tersebut adalah normal atau dikira data bertaburan normal apabila
nilai kedua-dua K-S dan S-W mempunyai nilai p > .000), Juga boleh dilihat kepada grafik Q-Q plots, jika kebanyakkan
titik-titik data berada di atas garisan atau menempel di atas garisan atau sangat hampir pada garisan maka data tersebut
berdistribusi normal. Sebaliknya jika titik-titik data menjauhi garisan maka distribusi data adalah tidak normal. Manakala
dalam jadual Boxplots, garisan hitam yang berada didalam boxplots merupakan garisan median yang memberikan nilai
tengah bagi skala 5 Likert.

Pengecaman Data Terpinggir (Outliers)

Hair, Black, Babin, Andersondan Tatham (2006) menjelaskan data terpinggir sebagai satu bentuk pemerhatian dengan
mengenal pasti karakter gabungan unik yang terlalu berbeza daripada pemerhatian gabungan indikator lain. Meneliti
data-data yang terpinggir sangat penting kerana ia melibatkan keputusan sama ada untuk membuang sampel (case)
tersebut atau terus dikekalkan. Data terpinggir yang perlu dibuang adalah data-data yang membabitkan kesilapan
memasukkan data entri di samping tercatatnya kehilangan nilai yang sebenar dan sepatutnya menjadi nilai dalam kajian
(Tabachnick dan Fidell, 2007). Sama ada untuk membuang data terpinggir atau mengekalkannya tiada menjadi masalah
kerana data daripada responden tersebut bukannya menjadi ahli bagi mewakili keseluruhan sampel dalam data. Pada
kebiasaannya dalam mana-mana kajian pun pasti akan didapati data terpinggir (Outliers) dalam bilangan yang sedikit
contohnya 25 respondon daripada jumlah keseluruhan sampel yang ada. Jika didapati 25 reseponden tersebut memiliki
data terpinggir yang terlalu ekstrem dari data keseluruhan, maka penyelidik perlu menggugurkannya. Dengan baki
sampel yang ada itulah penyelidik akan membuat saringan sekali lagi bagi mengesan data terpinggir melalui pendekatan
analisis jadual deskriptif.
Malahanobis Distance

Malahanobis distance adalah satu anggaran yang digunakan untuk mengesan data terpinggir yang terdapat dalam
kalangan data yang mana akan mengurangkan nilai multivariate kurtosis dan nisbah genting. Tabachnick & Fidell (2007)
menjelaskan Malahanobis distance adalah jarak antara sesuatu kes daripada sentroid kes-kes yang lain dan sentroid
merupakan satu nilai yang mempunyai min bagi kesemua pemboleh ubah bersilang. Hasil daripada pendekatan
Malahanobis distance beberapa sampel (case) terpaksa digugurkan dan ini akan mengurangkan jumlah sampel yang
sedia ada (Sebaiknya seseorang penyelidik perlu menggunakan teknik sampel berganda). Akhir sekali disemak
kenormalannya melalui teknik nilai skewness dan kurtosis sebelum analisis selanjutnya dijalankan.

Skewness dan Kurtosis

Kenormalan data boleh dilakukan dengan melihat nilai skewness dan kurtosis. Nilai skewness ditentukan dengan melihat
kepencongan graf normal positif (pencong ke kanan) atau normal negatif (pencong ke kiri) dalam lingkungan julat adalah
+2 hingga -2. Sementara nilai kurtosis pula merujuk pada tinggi atau rendah sesuatu taburan data. Nilai kurtosis positif
digambarkan melalui bentuk lingkungan taburan yang tinggi yang dikenali sebagai bentuk lepokurtik, sementara nilai
kurtosis negatif digambarkan melalui bentuk taburan yang rendah dan dikenali sebagai bentuk platikurtik. Dengan kata
lain, kurtosis dilihat pada puncak graf yang kuncup atau kurus menunjukkan negatif atau melebar menunjukkan positif
berbeza dengan puncak graf normal (kelok loceng). Nilai data normal bagi skewness dan kurtosis adalah 0. Tabachnick
dan Fidell (2007) menjelaskan nilai skewness dan kurtosis merujuk pada bentuk taburan data iaitu nilai sifar bagi
skewness dan kurtosis menggambarkan taburan 100% normal. Data bertaburan secara normal apabila kedua-dual nilai
berada pada julat +/-1.7 atau +/-2. Bagi Chou& Bentler (1995) nilai yang dianggap melebihi ±3.0 dijadikan penanda aras
bagi melihat kenormalan nilai skewness dan kurtosis.

Sumber: https://www.google.com/search? Google/Images ujian normality

Sumber: https://www.google.com/search? Google/Images ujian normality

Sebagai contoh, analisis nilai skewness dan kurtosis menggunakan perisian SPSS dalam satu kajian. Hasil analisis nilai
skewness bagi kesemua dimensi dalam kajian ini berada dalam lingkungan dibawah ±1.96 sementara analisis kurtosis
bagi kesemua dimensi berada dalam lingkungan dibawah ±3.0. Tetapi didapati bahawa nilai multivariate adalah 13.479.
Ini bermakna bahawa data terakhir yang berjumlah 1715 yang telah disaring masih berada dalam taburan yang tidak
normal. Maka, langkah selanjutnya adalah menggunakan kaedah bootstrapping, sebelum melakukan analisis deskriptif
dan analisis inferensi bagi menjawab soalan-soalan kajian yang telah ditetapkan.

Jadual 90 : Taburan Nilai Skewness dan Kurtosis

Variabel Skewness Kurtosis

Menguasai Persekitaran (MP) .406 .239
Penilaian Kendiri yang Positif(PKP) .121 .454
Persepsi Realiti (PR) .219 .429
Autonomi (AUTNI) .058 2.084
Sikap Mengikut Kumpulan (SMK) -.223 .730
Kesepaduan Personaliti (KP) -.835 1.531
Multivariat 13.479
Kaedah Bootstraping Untuk Ketidak Normalan Data

Satu pendekatan yang digunakan untuk menyelesaikan masalah ketidaknormalan data ialah dengan menggunakan
kaedah bootstrapping (Yung & Bentler, 1996; Ghozali, 2008). Bootstrapping iaitu satu prosedur persampelan semula di
mana sampel yang asal dianggap
mewakili populasi. Pelbagai sub-sampel yang sama saiz dengan sampel asal akan dicabut secara rawak dengan
penggantian dari populasi demi menyediakan data-data untuk anggaran paramater serta indeks sesuai. Bootstrapping
membolehkan penyelidik menilai kestabilan paramater dalam model (Yung & Bentler, 1996). Kelebihan utama yang
diperoleh daripada bootstrapping menurut Byrne (2010) adalah penyelidik boleh menilai kestabilan penganggar
paramater dan seterusnya membuat laporan dengan darjat ketepatan yang tinggi. Melihat data di atas didapati data tidak
normal (multivariat = 13.479) maka kaedah bootstrapping diaplikasikan.

Jadual 91 : Min dan Sisihan Piawai (SD) Bagi Domain Pendidikan Karekter

Dimensi Min SD
Kesedaran Kendiri (KK) 21.64 3.06
Kompetensi (K) 28.19 3.52
Empati (E) 16.73 1.93
Fasilitis Pembelajaran (FP) 16.32 1.92
Pengetahuan Moral (PM) 27.63 2.37
Personaliti (P) 31.63 3.56

Dapatan kajian pada Jadual 91 memaparkan nilai min dan sisihan piawai (SD). Hasil
Kajian mendapati aspek personaliti (P) min 31.6, sd 3.56 mempunyai nilai min lebih tinggi berbanding kompetensi (K)
min 28.1, sd 3.52, pengetahuan moral (PM) min 27.6, sd 2.37, kesedaran kendiri (KK) min 21.6, sd 3.06, empati min 16.7,
sd 1.93 dan min terendah fasilitis pembelajaran (FP) min 16.3, sd 1.92.

Analyze > Descriptive Statistics > Frequencies…

Melihat taburan data

Taburan normal merupaksan satu graf yang menunjukkan bilangan skor atau nilai bagi sekumpulan sampel atau
responden. Dikatakan taburan normal apabila kebanyakkan taburan populasi berada dalam lengkungan sederhana
seperti rajah 64 berikut:

Rajah 64 : Data Normal

Data Tidak Normal

Data tidak normal berlaku apabila data-data yang diukur berpencung ke kiri atau ke kanan (a negatively skewed curve
or a pascaitively skewed curve) seperti yang ditunjukkan dalam rajah 65 berikut :
Rajah 65 : Data Tidak Normal

Pembersihan Data Melalui Outliers

Proses SPSS adalah seperti berikut:

Analyze Descriptive Statistics Explore Dependent List (masukkan pembolehubah) Plot (masukkan factor
levels together, stem-and-leaf, Normality plots with test) Options (masukkan Exclude cases listwise) OK
Output SPSS

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

KompetensiPengurusan 315 100.0% 0 .0% 315 100.0%

Descriptives

Statistic Std. Error

KompetensiPengurusan Mean 3.2905 .02974

95% Confidence Interval for Lower Bound 3.2320

Mean Upper Bound 3.3490

5% Trimmed Mean 3.2929

Median 3.3000

Variance .279

Std. Deviation .52786

Minimum 1.90

Maximum 4.90

Range 3.00

Interquartile Range .60

Skewness -.038 .137
Kurtosis -.164 .274
 Extreme Values

Case Number Value

KompetensiPengurusan Highest 1 60 4.90

2 205 4.60

3 212 4.50

4 222 4.40

5 252 4.40a

Lowest 1 98 1.90

2 162 2.00

3 154 2.00

4 211 2.10

5 197 2.10

a. Only a partial list of cases with the value 4.40 are shown in the table of upper
extremes.

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic Df Sig.

KompetensiPengurusan .059 315 .010 .993 315 .118

a. Lilliefors Significance Correction

 Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic Df Sig.

KompetensiPengurusan .059 315 .010 .993 315 .118

KompetensiPengurusan Stem-and-Leaf Plot

Frequency Stem & Leaf

3.00 Extremes (=<2.0)

2.00 2 . 11
8.00 2 . 22222333
12.00 2 . 444444445555
23.00 2 . 66666666666667777777777
25.00 2 . 8888888888899999999999999
50.00 3 . 00000000000000000000000000000000000001111111111111
53.00 3 . 22222222222222222222222222333333333333333333333333333
35.00 3 . 44444444444444444444555555555555555
40.00 3 . 6666666666666666666666666667777777777777
23.00 3 . 88888888888888999999999
27.00 4 . 000000000000000000000000011
8.00 4 . 22223333
4.00 4 . 4445
2.00 Extremes (>=4.6)

Stem width: 1.00

Each leaf: 1 case(s)
Kurtosis = Kebujuran kelok Stem-and-Leaf Plot
Skewness = Graf normaliti yang menunjukkan kepencungan kiri (+2) dan kanan (-2), Table Descriptives di atas
menunjukkan nilai Skewness = -.038 - .137 ( ± 2) dan nilai Kurtosis = -.164 - .272 ( ± 2) yang menunjukkan pembolehubah
‘KompetensiPengurusan’ adalah mempunyai kelok yang normal (parametrik). Sekiranya seseorang penyelidik ingin
membersihkan data (clean data), sila lihat jadual Boxplots, garisan hitam ditengah adalah garisan median yang
memberikan nilai tengah bagi nilai skala 5 Likert. Nilai-nilai ₒ 60 ₒ 205 sebelah atas sempadan normaliti dan ₒ154, ₒ162,
ₒ 98 sebelah bawah sempadan normaliti yang menunjukkan case atau responden yang menjawab item. Nilai-nilai tersebut
adalah ‘outliers’. Cara membuang outliers’ adalah melalui 2 cara berikut:
1. Membuang case atau membuang responden/sampel yang datanya dalam ‘outliers’. Kesannya penyelidik akan
kekurangan jumlah saiz sampel (n) yang boleh menyebabkan bias dalam laporan atau dapatan kajian. Dengan
itu dari awal lagi penyelidik perlu melebihkan saiz sampel kajian dengan membuat sampel berganda (n = 230 x 2
= 460). Melalui cara membuang case, semua outliers akan hilang sepenuhnya.
2. Gantikan nilai min pada setiap data yang yang terdapat dalam ‘outliers’ dengan nilai mean yang terdapat dalam
table Descriptives contoh di atas mean 3.29. Setelah itu uji balik ‘outliers’ sehinggalah tiada lagi nilai ‘outliers’
dalam table skala 5 normaliti. Melalui penggantian nilai mean, ‘outliers’ agak kurang dapat dibuang sepenuhnya
dan memadai jika tinggal sedikit 3 atau 4 data ‘outliers’.

Structural Equation Modeling (SEM)

Kajian kuantitatif yang menggunakan kerangka konseptual ‘model pembangunan’ yang bertujuan untuk membangunkan
sesuatu model, perisian/software dan model biasanya menggunakan ‘Structural Equation Modelling’ atau SEM. Analisis
SEM digunakan melalui perisian SPSS AMOS bertujuan untuk pengujian model bagi menyelidiki perhubungan antara
sekumpulan pemboleh ubah dalam kajian. Terdapat dua fungsi SEM:

i. sebagai alat untuk mengenalpasti perhubungan antara pemboleh ubah dan model yang dicadangkan. SEM dapat
mengenalpasti varians dan kovarians dalam data kajian yang sepadan (fit) dengan model.
ii. sebagai alat pengembangan model. SEM dapat menggabungkan fungsi pengenalpastian dan penjelasan jika
model yang dicadangkan tidak sepadan dengan data kajian, SEM akan mencadangkan perhubungan baru antara
pemboleh ubah dalam sesuatu model. Interpretasi indeks bacaan analisis SEM ditunjukkan seperti jadual 92
berikut:

Jadual 92 : Interpretasi Indeks Bacaan Analisis Structural Equation Modeling

Analisis Indeks Bacaan Interpretasi

Maximum likelihood estimates C.R di luar lingkuangan ± 1.96 Signifikan
Standardized regression weights Tinggi > .50 Signifikan
Model fit summary (NFI, RFI, IFI, TLI, CFI) > .90 Signifikan
RMSEA < .06 atau.08 Signifikan

Notes for Model (Default model)

Computation of degrees of freedom (Default model)

Number of distinct sample moments: 325

Number of distinct paramaters to be estimated: 60
Degrees of freedom (325 - 60): 265
Result (Default model)

Minimum was achieved

Chi-square = 1505.940
Degrees of freedom = 265
Probability level = .000

Model Fit Summary

CMIN

Model NPAR CMIN DF P CMIN/DF

Default model 60 1505.940 265 .000 5.683
Saturated model 325 .000 0
Independence model 25 3359.318 300 .000 11.198

RMR, GFI

Model RMR GFI AGFI PGFI

Default model .080 .752 .696 .613
Saturated model .000 1.000
Independence model .151 .495 .453 .457

Baseline Comparisons

NFI RFI IFI TLI

Model CFI
Delta1 rho1 Delta2 rho2
Default model .552 .493 .599 .541 .594
Saturated model 1.000 1.000 1.000
Independence model .000 .000 .000 .000 .000

Parsimony-Adjusted Measures

Model PRATIO PNFI PCFI

Default model .883 .487 .525
Saturated model .000 .000 .000
Independence model 1.000 .000 .000

NCP

Model NCP LO 90 HI 90
Default model 1240.940 1122.721 1366.635
Saturated model .000 .000 .000
Independence model 3059.318 2876.563 3249.421

FMIN

Model FMIN F0 LO 90 HI 90
Default model 4.874 4.016 3.633 4.423
 Model FMIN F0 LO 90 HI 90
Saturated model .000 .000 .000 .000
Independence model 10.872 9.901 9.309 10.516

RMSEA

Model RMSEA LO 90 HI 90 PCLOSE

Default model .123 .117 .129 .000
Independence model .182 .176 .187 .000

AIC

Model AIC BCC BIC CAIC

Default model 1625.940 1636.965 1850.135 1910.135
Saturated model 650.000 709.717 1864.386 2189.386
Independence model 3409.318 3413.912 3502.733 3527.733

ECVI

Model ECVI LO 90 HI 90 MECVI

Default model 5.262 4.879 5.669 5.298
Saturated model 2.104 2.104 2.104 2.297
Independence model 11.033 10.442 11.649 11.048

HOELTER

HOELTER HOELTER
Model
.05 .01
Default model 63 66
Independence model 32 34
Minimization: .016
Miscellaneous: .687
Bootstrap: .000
Total: .703

Berdasarkan indek kesepadanan model (cmin/df = 5.683, CFI = .598, GFI = .752, TLI = .541, RMSEA = .123) adalah
model tersebut tidak sepadan dengan data kajian. Nilai cmin/df >5 manakala nilai CFI,GFI dan TLI < .9 dan RMSEA >.08.
Dengan itu model ini perlu dimodifikasi dengan merujuk kepada modification indices.
Berdasarkan output Modification Indices didapati beberapa item boleh dikovariankan contohnya R21. Dalam hal ini
pengkaji boleh mengkovariankan r21 dengan r25, begitu juga dengan lain-lain item hingga model mencapai indeks
kesepadanan yang sepadan (fit).

Berdasarkan cadangan MI, pengkaji telah melakukan modifikasi. Pengkaji telah mengkovariankan antara R21 dan R25.
Model telah disemak semula dan didapati indeks kesepadanannya (CMIN/Df= 4.33, CFI= 0.987, GFI= 0.912, TLI=0.933
dan RMSEA=0.06 ) adalah sepadan. Bacaan CMIN/Df (4.33) menunjukkan nilai <5, CFI (0.987) , GFI (0.912) dan TLI
(0.933 ) > 0.9 manakala RMSEA (0.06) < 0.08. Dengan ini model ini dikekalkan untuk analisis selanjutnya.
Ujian Hipotesis

Hipotesis didefinisikan sebagai satu cadangan atau saranan pilihan bagi penyelesaian terhadap sesuatu permasalahan
atau penjelasan ke atas sesuatu fenomena yang berbentuk teori. Hipotesis dibuat untuk menyelidik hubungan atau
pertalian antara pemboleh ubah-pemboleh ubah dalam kajian. Dari sudut induktif, hipotesis dibuat berasaskan kepada
pemerhatian yang dibuat, manakala dari segi deduktifnya hipotesis dioleh untuk melihat logik emperikal. Terdapat lima
jenis hipotesis mengikut Bhasah (2008):

i. Hipotesis Penyelidikan
Pernyataan teori mengenai perbezaan yang diharapkan atau pertalian yang diharapkan dalam bentuk konsep
tanpa pernyataan statistik
ii. Hipotesis Statistik
Dinyatakan dalam bentuk empirikal dan paramater serta dalam bentuk statistik, biasanya ditulis dengan Hₒ dan
Hₐ.
iii. Hipotesis Inferensi
Hipotesis yang dibuat melibatkan pertimbangan sampel kepada populasi.
iv. Hiipotesis sampel statistik
Hipotesis yang dibuat untuk menganggarkan ciri-ciri sampel bagi paramater populasi, manakala ujian
statistiknya adalah untuk menguji hipotesis paramater populasi berkenaan.
v. Hipotesis penyelidikan pendidikan
Ia dilakukan bagi menentukan saiz sampel dalam populasinya.

Ujian hipotesis bermaksud untuk mendapatkan kata putus sama ada menerima atau menollak hipotesis yang telah diduga
terlebih dahulu. Ujian hipotesis adalah teknik analisis inferensi (inferential analysis) yang boleh membantu penyelidik
menggunakan data sampel untuk menganggar paramater populasi. Ujian hipotesis biasanya wujud dalam kajian
eksperimen. Terdapat dua jenis hipotesis seperti berikut:

i. Hₒ (Hipotesis null)
Ia adalah hipotesis statistik yang menyatakan kesamaan paramater populasi (bukan
pernyataan mengenai sampel) dengan satu nilai tertentu seperti p = 0.05 atau 0.01 (5% daripda min sampel yang
berkenaan adalah tidak benar) bagi populasi binomial (distribusi sampling dari sampel random dua kategori
populasi (lelaki atau perempuan, junior atau senior), atau satu hipotesis yang dibentuk dengan harapan untuk
menolak hipotesis berkenaan. Hₒ merupakan asas kepada keputusan ujian hipotesis atau dengan kata lainnya
semua keputusan ujian hipotesis sama ada menerima atau menolak hipotesis sentiasa merujuk kepada Hₒ dan
bukan kepada Hₐ. Hₒ ditulis terlebih dahulu sebelum menulis Hₐ. Pada kebiasaannya Hₒ bersifat negatif yang
dinyatakan sebagai ….tidak ada perbezaan yang signifkan… antara dua paramater populasi. Contohnya:
Hₒ = Tiada perbezaan/hubungan yang signifikan antara pencapaian pelajar dengan pengaruh ibu bapa.
Penyelidik harus membuat penyelidikan yang menyatakan bahawa pernyataannya adalah salah dan menguji
hipotesis Hₒ bagi mencari bukti sama ada penyelidikan salah yang dibuat tersebut sama ada ada salah atau
benar. Jika penyelidik tidak dapat mempertahankan penyelidikannya itu salah maka pernyataan ‘tiada
perbezaan/hubungan yang signifikan antara pencapaian pelajar dengan pengaruh ibu bapa’ itu kekal negatif.
Sebaliknya jika penyelidik menolak Hₒ maka Hipotesis alternatif (Hₐ) perlu diterima.

ii. Hₐ (Hipotesis alternatif)

Hipotesis alternatif (Hₐ) atau pilihan adalah statistik pelengkap kepada hipotesis nulll (Hₒ). Penolakan terhadap Hₒ
mengakibatkan penyelidik menerima Hₐ. Hipotesis ini biasanya digunakan oleh penyelidik untuk mengesahkan
kebenaran hipotesis yang dibuat sebelumnya atau dinyatakan sebagai: … ada perbezaan yang signifikan…..
antara dua paramater populasi. Contohnya:
Hₐ = Terdapat perbezaan/hubungan yang signifikan antara pencapaian pelajar dengan pengaruh ibu bapa.
Nilai Hₐ adalah p>0.5, p<0.5 atau p ≠0.5

Nilai signifikan dalam menguji sesuatu hipotesis adalah sangat penting. Ini kerana nilai signifikan yang diperolehi dalam
sesuatu kajian boleh mengubah dasar, sistem atau polisi pendidikan sesebuah negara. Ia juga boleh membuktikan
kebenaran dan keberkesanan sesuatu teori, kaedah, strategi atau amalan yang diuji. Bahkan sehingga boleh
membuktikan kebagusan sesuatu model atau modul yang dibina melalui proses penyelidikan.

Aras signifikan (nilai p) adalah kebarangkalian yang dibuat bagi menolak hipotesis null yang benar. Aras signifikan juga
bermaksud satu titik nilai yang menentukan bagi menolak hipotesis null. Contohnya apabila seseorang penyelidik
menyatakan terdapat perbezaan yang signifikan antara pencapaian pelajar dengan pengaruh ibu bapa tetapi pada
hakikatnya tidak terdapat berbezaan.

Ralat sebegini boleh dikawal dengan meletakkan nilai aras signifikan p<0.05 atau <0.01 (5% atau 1% ralat pada sampel)
peluang berlakunya ralat dengan mengecilkan nilai ‘p’. Nilai ‘p’ atau ‘α’ yang sebegini kecil membolehkan penyelidik lebih
yakin dalam membuat keputusan untuk menyatakan Hₒ adalah tidak benar sebelum menolaknya. Ralat jenis 1 ini adalah
dalam kawalan penyelidik bagi menentukan aras signifkan mengikut jenis ralat yang penyelidik ingin kawal melalui
kawalan nilai aras signifikan p <0.05. Selalunya nilai ‘p’ tidak menunjukkan nilai signifikan atau lebih daripada 0.05
(p>0.05) maka hipotesis berkenaan tidak boleh ditolak. Terdapat 3 jenis aras atau nilai signifikan (p value):

i. * p <0.05
ii. ** p <0.01
iii. *** p <0.001

Ralat jenis 1 bermaksud satu keadaan dimana penyelidik tersilap menolak hipotesis null yang betul. Alfa (α) digunakan
bagi mengelakkan ralat jenis 1, α = 0.05

Ralat jenis 2 bermaksud penyelidik tersilap atau gagal menolak hipotesis null yang salah. Beta (β) digunakan bagi
menyatakan kebarangkalian membuat ralat jenis 2

Seseorang penyelidik perlu membuat keputusan dalam ujian keertian berdasarkan keadan sebenar dalam populasi
seperti jadual 93 berikut:

Jadual 93 : Ralat I dan II

Hₒ benar Hₒ palsu
Tolak Hₒ Ralat jenis I Betul
Kekalkan Hₒ Betul Ralat jenis II

Signifikan kajian terletak pada satu nilai yang hanya diperolehi melalui kajian kuantitatif yang sangat objektif dan boleh
diukur melalui statistik pasca pascaitivisme.

Faktor Analisis

Micheal (1989) menjelaskan analisis faktor sebagai teknik statistik yang digunakan untuk mewakilkan suatu set pemboleh
ubah dalam bentuk pemboleh ubah hipotesis yang lebih kecil. Coakes et al. (2009) pula mendefinisikan analisis faktor
sebagai teknik reduksi item yang digunakan untuk mengurangkan jumlah pemboleh ubah yang lebih besar kepada satu
set pemboleh ubah yang lebih kecil - kesesuaian atau kesepadanan (fit) atau meringkaskan maklumat penting yang
terdapat dalam pemboleh ubah. Analisis faktor bukan sahaja boleh digunakan untuk melihat kesepadanan (fit) instrumen
dalam kesahan konstruk sebaliknya juga boleh digunakan untuk mengenalpasti faktor-faktor yang mempengaruhi
sesuatu pemboleh ubah bebas atau bersandar.

Analisis faktor juga lebih kerap digunakan sebagai suatu teknik eksplorasi apabila penyelidik ingin meringkaskan struktur
satu set pemboleh ubah. Faktor analisis merupakan terma prosedur matematik yang dicipta untuk mengenalpasti atribut
atau konstruk, ciri atau dimensi sesuatu faktor atau pun pemboleh ubah yang ingin dikaji. Terdapat dua jenis analisis
faktor:
i. analisis faktor penerokaan (exploratory factor analysis)
Analisis faktor penerokaan digunakan bertujuan untuk membuat anggaran atau mengekstrak faktor-faktor; bagi
menentukan berapa banyak faktor untuk dikekalkan atau disisihkan
 ii. Analisis faktor pengesahan (confirmatory factor analysis).
Analisis faktor pengesahan digunakan dalam menguji kesahan item dan sering dilakukan dalam ujian rintis bagi
menguji kelompok item untuk menentukan kesesuaian atau kesepadanan (fit) dengan struktur kovarian pemboleh
ubah yang diukur.

Seseorang penyelidik biasanya akan menggunakan faktor beban (factor loading) bagi mendapatkan maklumbalas
sejauhmanakah faktor menentukan skor ujian dibina dengan membandingkannya dengan pengukuran lain. Mengikut
Cohen dan Swerdlik (2010) jika perbandingan dibuat dengan pengukuran lain yang mengukur konstruk yang sama, faktor
beban yang tinggi memberikan bukti kesahan menumpu. Sebaliknya jika perbandingan dibuat dengan pengukuran lain
yang mengukur konstruk yang berbeza maka faktor beban yang sederhana dan rendah akan memberikan bukti kesahan
membeza bagi kesahan konstruk.

Pada kebiasaannya, analisis faktor digunakan oleh seseorang penyelidik dalam membuat pilot test atau kajian rintis bagai
menguji kesahan konstruk (construct validity) item soal selidik. Ramai dalam kalangan pengamal kuantitatif akan
membuat kesahan (validity) instrumen terlebih dahulu sebelum membuat ujian kebolehpercayan (reliability) item. Ini
kerana semua item dalam instrumen soal selidik perlu disahkan terlebih dahulu sebelum dipercayai kebolehgunaannya
terhadap sampel/responden kajian. Nilai alfa cronbach yang tinggi seperti >0.9 tidak bermakna instrumen tersebut cukup
baik reliable sedangkan instrumen tersebut tidak valid!. Analisis faktor dilakukan untuk menentukan tahap kesahan
konstruk item dalam satu set instrument, juga dilakukan bertujuan untuk menyusun sebilangan besar item soal selidik
ke dalam konstruk tertentu di bawah pemboleh ubah kajian bagi mengenal pasti dan mengurangkan kesesuaian item-
item dalam konstruknya. Jika penyelidik mempunyai jumlah item yang banyak serta keliru item mana yang perlu
dikelompokkan dalam konstruknya maka membuat analisis faktor adalah jalan penyelesaiannya. Pra syarat utama
sebelum membuat faktor analisis adalah jumlah responden mestilah 5 kali ganda lebih banyak berbanding jumlah item
yang akan difaktorialkan.

Melalui analisis faktor, penyelidik akan dapat mengenal pasti item-item manakah yang sepatutnya berada didalam
dimensi konstruknya atau pemboleh ubahnya. Contohnya pemboleh ubah ‘Gaya Kepimpinan Pentadbir Sekolah’
mungkin mengandungi beberapa atribut yang boleh dikelompokkan atau diukur. Analisis faktor menggunakan data
berskala interval dan ratio (boleh juga data ordinal digunakan dengan syarat diminkan terlebih dahulu dengan membuat
compute).

Analyze > Dimension Reduction > Factor > Masukkan seluruh variabel independent > Klik tombol Descriptives… > Pada
kotak dialog Factor Analysis: Descriptives, khususnya pada Correlation Matrix ceklis KMO and Bartlett’s test of sphericity
dan Anti-image > Klik Continue > Klik OK.
Output SPSS
 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .900

Bartlett's Test of Sphericity Approx. Chi-Square 11690.583
df 528
Sig. .000
Rotated Component Matrixa

Component

1 2 3 4

dc7berubah .761
dc3berjaya .711
dc2halangan .690
da7emosi .669
dc9ide .645
dc4emosi .622
dc5sedar .617 .517
dc6positif .617 .514
dd1bantu .601
dd4memuji .583 .511
dc10fikiran .581
dc1tahu .554
db5motivasi .527
dd5peristiwa .527
dd7kecewa .522
da8mesej .764
db4cara .689
db1orang .681
dd3ekspresi .664
dd2mesej .507 .630
dd6perassan .529 .558
dc8mengawal .544
db6suara .533
da5fikiran .808
da1peristiwa .759
da6ide .750
da4aktiviti .723
da3perkara .716
da2suasana .662
db2sukar .867
db7perassan .851
da9cabaran .618
db3emosi .500
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.
Berdasarkan output SPSS di atas menunjukkan nilai ujian Kaiser-Meyer-Olkin =.900 KMO >.900) ujian kecukupan
sampel soalan dan nilai bagi ujian Bartlett's Test of Sphericity, Approx. Chi-Square adalah besar dan signifikan dimana
X² = 11690.583, df = 528, sig = p< .000. Oleh kerana nilai ujian Bartlett’s yang besar dan signifikan maka sifat
kebolehfaktoran dapat diandaikan dan ujian diteruskan. Hasil daripada putaran matriks kaedah Varimax (Rotated
Component Matrixa ) dengan menggunakan kenormalan Kaiser (Varimax with Kaiser Normalization) menunjukkan 4
faktor daripada dimensi ‘Emosi’ diekstrakkan. Faktor 1 – ‘Kesedaran Kendiri’ (kod item = da) merangkumi 9 item, faktor
2 – ‘Kemahiran Sosial’ (kod item = db) merangkumi 7 item, faktor 3 ‘Pengurusan Emosi’ (kod item = dc) merangkumi 10
item dan faktor 4 – ‘Empati’ (kod item = dd) merangkumi 7 item. Bagi item dc5, dc6, dd2 dan dd6 didapati bertindan
dalam dua faktor yang menunjukkan ia mengukur 2 konstruk yang sama dengan itu penyelidik boleh membuang kedua-
dua item tersebut dalam soal selidik atau membuat modifikasi item dengan memilih salah satu item dalam komponennya.

Sebagai kesimpulannya dapatlah dirumuskan di sini bahawa terdapat dua jenis analisis statistik; analisis secara deskriptif
dan inferensi. Analisis deskriptif adalah analisis statistik yang paling asas memerihalkan hal sampel manakala analisis
inferensi akan menginferenkan populasi. Seseorang penyelidik perlulah cekap dan mahir dalam menganalisis statistik
yang diperloleh, membaca, memaham, menghurai sebelum membuat laporan hasil kajian. Bab ke-9 berikutnya akan
memaparkan bagaimana laporan sesuatu kajian itu perlu dibuat disamping dijelaskan juga bagaimana menulis bibliografi
mengikut format yang betul bersesuaian dengan gaya American Psychological Association (APA).