Anda di halaman 1dari 6

2/17/2017 rosmawati – Page 9 – Rosmawati212's Blog

Rosmawati212's Blog

It's all about STATS & METHODS

Author: rosmawati

Validity & Reliability dalam kajian kuantitatif

July 26, 2011October 19, 2012 15 Comments
Sememangnya bukan senang nak menjalankan research lebih‑lebih lagi untuk menyiapkan penulisan
tesis, tak kiralah tahap mana tesis tersebut sama ada degree, master atau phD ke…semuanya ada
cabaran masing‑masing. Mungkin antara aspek yang sering kita pandang ringan adalah mengenai
validity dan reliability sesuatu kajian. Fuhh! sebenarnya tak semudah yang kita sangka.

Dalam kajian kuantitatif yang menggunakan reka bentuk kajian survey (tinjauan) selalunya kita
menggunakan instrumen soal selidik sebagai alat mendapatkan data. Dan sebelum data dikumpul,
seseorang penyelidik perlu menjalankan pilot study terlebih dahulu untuk melihat sama ada borang soal
selidik (questionnaire) tersebut benar‑benar valid dan reliable untuk diedarkan. Kat sini pentingnya bagi
penyelidik untuk memahami bagaimana nak ukur validity dan reliability.

Yang biasa kita buat (saya pun buat untuk tesis master – just ukur realibility tengok alpha cronbach saja)
kita ingat pilot study untuk menguji tahap kebolehpercayaan instrumen semata‑mata. Tetapi sebelum
itu sepatutnya penyelidik melakukan validity test terlebih dahulu untuk menguji sejauhmana instrumen
tersebut benar‑benar mengandungi item‑item konstruk yang tepat. Ini boleh dilakukan dengan menguji
construct validity (kesahan konstruk) melalui analisis faktor. Selain construct validity, jenis validity yang
lain ialah seperti face validity, content validity dan juga criterion‑related validity.

Pada entri  ini saya nak bincangkan mengenai kepentingan melakukan analisis faktor bagi mendapatkan
kesahan konstruk. kesahan konstruk ini merujuk kepada sejauhmana sesuatu ujian itu mengukur apa
yang sepatutnya diukur. Ia merujuk kepada pengukuran konstruk instrumen dengan tepat berdasarkan
teori yang berkaitan. Namun, sebelum menjalankan analisis faktor terdapat syarat yang perlu dipenuhi
oleh penyelidik; skala pengukuran seharusnya berskala interval atau ratio dan pastinya mencapai
standard normal distribution, manakala bilangan item soal selidik responden haruslah sekurang‑
kurangnya lima kali banyak daripada bilangan item. Sebagai contohnya soal selidik kita mempunyai 30
item, jadi saiz responden sekurang‑kurangnya perlu mencapai jumlah 150 orang. Ini kerana analisis
faktor memerlukan saiz responden yang besar.

Reliability pula dikaitkan dengan tahap kebolehpercayaan instrumen iaitu sejauhmana instrumen
tersebut boleh dipercayai dan tekal. Antara cara dan kaedah yang popular dalam menentukan reliability
ialah melalui internal consistency – alpha cronbach. Selain itu, penyelidik boleh menggunakan test‑retest
dan equivalent‑form reliability. Bagi pilot study untuk ujian kebolehpercayaan tidak memerlukan
responden yang ramai. Cukup dengan 30 orang responden sahaja. Nilai alpha cronbach yang boleh
diterima dan baik adalah di antara 0.6‑0.9.

Analisis Bivariat – ANOVA

July 13, 2011July 13, 2011 12 Comments
https://rosma212.wordpress.com/author/rosma212/page/9/ 1/6
2/17/2017 rosmawati – Page 9 – Rosmawati212's Blog

July 13, 2011July 13, 2011 12 Comments
Jika entri lepas membincangkan mengenai T‑test, kali ini masih lagi memfokuskan kepada analisis
bivariat yang melibatkan dua pemboleh ubah iaitu ANOVA. ANOVA iaitu analysis of variance lebih
kurang sama je dengan T‑test sebenarnya iaitu IV kedua‑dua analisis berskala nominal atau ordinal
manakala DV berskala ratio atau interval. Yang membezakan ANOVA dengan T‑test ialah kumpulan
bagi  IV. Jika IV bagi T‑test selalunya mempunyai 2 kategori seperti jantina (1=lelaki; 2=perempuan).
Manakala IV bagi ANOVA, kumpulannya perlu lebih daripada 2 kategori seperti bangsa (1=Melayu;
2=Cina; 3=India; 4=Lain‑lain). Sebab itu lah analisis ANOVA dikenali sebagai comparison between
groups.

Seperti analisis statistikal yang lain juga, ANOVA turut mempunyai assumptions yang mana bertindak
sebagai syarat sebelum menjalankan analisis tersebut. Terdapat 3 assumptions of ANOVA;

1. Normal distribution – taburan normal

2. Homogeneity  of variance – kesamaan varians

3. Random samples – persampelan secara rawak

Bagi menentukan homogeneity of variance test, dengan menggunakan analisis statistik (SPSS) – levene
statistics.

What to expect? apabila kita menjalankan analisis ANOVA – sudah tentu kita ingin melihat hipotesis
kajian yang kita uji terbukti perbezaan signifikannya supaya kita boleh melanjutkan analisis kita dengan
post‑hoc comparison. Jadi, jika kita dapati hipotesisi kita gagal mendapat perbezaan yang signifikan (fail
to reject), kita tidak perlu menjalankan post‑hoc tersebut.

Pentingkah post‑hoc comparison untuk ujian ANOVA? Yup! to determine pairs of groups that are
significantly different. Dengan kata lain, post‑hoc comparison penting untuk kita tentukan dalam
kumpulan kategori tersebut yang mana sebenarnya signifikan, at least one pair! Selalunya kita gunakan
Turkey’s HSD. Macam canggih je bunyinya. Takpe, it’s just a name. Masuk je kat SPSS, klik kat nama
tersebut dan ia akan analisiskan untuk kita. Mudah je sebenarnya.

Mungkin dengan contoh ini dapat memberi kefahaman yang lebih kepada mereka yang ingin
menggunakan analisis ANOVA dalam kajian! Sebagai contohnya; hipotesis kajian – terdapat perbezaan
yang signifikan di antara tahap kemahiran komunikasi dengan bangsa manakala objektif kajian – untuk
membandingkan tahap kemahiran komunikasi dengan bangsa. Tahap kemahiran komunikasi (DV) –
ratio, bangsa (IV) – nominal. Untuk menguji hipotesis dan menjawab objektif tersebut, kita perlu
menggunakan analisis ANOVA untuk mengenal pasti perbezaan tahap kemahiran komunikasi sama
ada bangsa Melayu yang lebih tinggi atau Cina, India ataupun lain‑lain bangsa. Jadi, katakanlah bila kita
uji hipotesis tersebut kita dapat terdapat perbezaan yang signifikan di antara tahap kemahiran
komunikasi dengan bangsa, barulah kita boleh lanjutkan dengan post‑hoc comparison.

Statistik Bivariat – T­Test

June 28, 2011 2 Comments
Statistik bivariat merupakan antara analisis statistikal inferensi yang melibatkan dua variabel yang ingin
dikaji. Tujuannya adalah untuk mengenal pasti sama ada terdapat perbezaan ataupun hubungan di
antara kedua variabel tersebut. Statistik bivariat boleh menggunakan variabel yang berdata nominal,
ordinal, interval mahupun ratio bergantung kepada jenis analisis yang digunakan. Antara jenis analisis
bivariat yang sering digunakan oleh penyelidik dan memang popular dalam kalangan pelajar ialah t‑
test, ANOVA, korelasi dan juga regrasi. Pemilihan jenis statistik ini bergantung kepada objektif kajian
sama ada untuk mengenal pasti perbezaan ataupun untuk menentukan perkaitan.

T‑test (ujian T perbandingan) digunakan untuk membandingkan di antara dua variabel. Selalunya t‑test
melihat perbezaan di antara jantina dengan sesuatu variabel yang lain.  Sebagai contohnya, penyelidik
ingin mengenal pasti perbezaan di antara tahap kemahiran berkomunikasi (score/ratio) dan juga jantina
(nominal). Jadi, objektif kajian tersebut – untuk mengenal pasti perbezaan tahap kemahiran
berkomunikasi dalam kalangan pelajar lelaki dan pelajar perempuan. Dengan kata lain, objektif kajian

ini ialah untuk melihat sama ada pelajar lelaki ataupun pelajar perempuan yang lebih tinggi tahap
https://rosma212.wordpress.com/author/rosma212/page/9/ 2/6
2/17/2017 rosmawati – Page 9 – Rosmawati212's Blog

ini ialah untuk melihat sama ada pelajar lelaki ataupun pelajar perempuan yang lebih tinggi tahap
kemahiran komunikasi mereka. Jantina sebagai IV manakala tahap kemahiran berkomunikasi sebagai
DV. T‑test yang digunakan ini merupakan jenis two independent samples t‑test.

Selain two independent samples t‑test, terdapat dua jenis t‑test yang turut digunakan sebagai analisis
statistikal; paired sample t‑test dan one sample t‑test. Paired sample t‑test ialah jenis t‑test yang biasa
digunakan dalam kajian eksperimental iaitu untuk membandingkan purata sampel yang sama sebelum
dan selepas kajian. Sebagai contohnya, objektif kajian untuk membandingkan tahap kemahiran
berkomunikasi responden sebelum dan selepas kahwin. Jadi jenis paired sample t‑test digunakan untuk
melihat sama ada terdapat perbezaan yang signifikan atau tidak tahap kemahiran berkomunikasi
responden sebelum mereka melangsungkan perkahwinan dan juga selepas perkahwinan.

Manakala one sampe t‑test digunakan untuk membandingkan purata – variabel yang dikaji antara
sampel dan populasi. Sebagai contohnya, objektif kajian untuk mengenal pasti perbezaan tahap
kemahiran berkomunikasi di antara sampel dan populasi kajian. Namun, di antara ketiga‑tiga jenis t‑test
yang telah dibincangkan, jenis two independent samples t‑test yang sering digunakan.
Walaubagaimanapun, ia bergantung kepada persoalan dan objektif kajian.

Hypothesis Testing

June 16, 2011June 17, 2011 2 Comments
Agak lama betul tidak singgah dan menulis di blog ni. Bulan Jun nampaknya bulan yang agak sibuk;
balik kampung la, siapkan apa‑apa yang patutla untuk seminar di Jakarta nanti (in July), sibuk dengan
artikel jurnal, sibuk dengan pre‑test tesis, sibuk jadi cikgu Iqra’ dan ABC anak la dan macam‑macam hal
lagi. Moga Allah memberi kekuatan untuk menghadapi segala cabaran dunia ini. Semoga kesibukan
dunia tidak menghalang diri untuk mengingati Allah dan ukhrawi.

Rasanya untuk entri kali ini nak berkongsi sedikit mengenai pengujian hipotesis (hypothesis testing) yang
telah diajar oleh assoc. prof. Dr. Bahaman Abu Samah dari UPM. Tapi kalau nak berbicara tentang idol
dalam bidang statistik ini, mesti takkan dilupakan  jasa yang teramat besar iaitu Dr Jusang (UPM) yang
menjadikan dunia statistik ini sangat menghiburkan dan menyenangkan. Really thank you Dr Jusang…
Jasa mu dikenang. Indeed…it has been a very interesting insightful discussion about our class of
statistics.

Back to our discussion, according to Dr Bahaman, the reason why we need to do a hypothesis testing; to
test is it true or not true – assumptions to be tested. For sure, to develop the hypothesis we need to
review any related literature of our study. And of course the hypothesis will be analyzed through
statistical inferences.

There are two types of hypothesis; Ho (null hypothesis) and Ha (research hypothesis/alternative). The
question is why we need to have another hypothesis – which is null hypothesis if you as researcher need
to use Ha?

Then, here you are – we go by the logic. THE LOGIC  is its so difficult to prove something to be true.
BUT its easier to prove something to be not true. That means we create the opposite of hypothesis.

For example: Ha – There is a difference between male and female of academic performance. So the result
is whether we reject or fail to reject Ho. We as researcher should be happy if we can reject Ho because we
can show the truth of our hypothesis. But if we fail to reject all the hypotheses…watch out! There is must
be something wrong with our research and people can question our framework of study. Prepare
yourself  and do a lot of justification.

One more thing  – its about one tailed and two tailed. Dont be confused about this two types of critical
value. It is just to show us about directional (one tailed – positive or negative) and non directional (two
tailed). In other words, this is about the power in your statistics – higher tendency to reject. And two
tailed is more powerful. We always set the confidence level 0.05 (95% – higher tendency) and also 0.01
(99%) to check the probability of rejecting null hypothesis.

Have a blast ya!

https://rosma212.wordpress.com/author/rosma212/page/9/ 3/6
2/17/2017 rosmawati – Page 9 – Rosmawati212's Blog

Sebelum the actual data analysis!

May 25, 2011 Leave a comment
Apabila kita sudah menyelesaikan proses pengumpulan data, of course langkah seterusnya kita bersedia
untuk penganalisaan data. Selalunya kita menggunakan SPSS yang akan membantu memudahkan kerja
analisis data kita. Terdapat beberapa langkah penting yang perlu kita patuhi sebelum kita memulakan
the actual data analysis – dengan menggunakan software SPSS;

1. Define variables

2. Enter data

3. Run frequency

4. Data editing

5. Realibility test

6. Data transformation

7. EDA – normality test

Langkah pertama seharusnya kita perlu mengenal pasti variabel yang perlu kita isi; name (compulsory),
label and values (highly recommended – categorical data; nominal or ordinal). Manakala kenapa kita perlu run
frequency? to check for the wrong data entry eg. extra cases. Begitu juga dengan realibility test – to test the
consistency of the instrument yang mana jika didapati nilai cronbach alpha lebih daripada 0.7 terbukti
instrumen kita itu boleh digunakan. Data transformation juga penting untuk kita fahami; kenapa dan
apakah tujuannya kita menggunakan data transformation? Kita menggunakan data transformation untuk;

1. Recode – to categorize data & to change value system

Recode penting untuk difahami jika kita mahu menukar skala yang kita gunakan. Sebagai contohnya,
adakalanya item questionnaire yang kita gunakan bercampur; ada pernyataan yang positif dan ada juga
pernyataan yang negatif. Oleh itu untuk menyamakan skor skala, pernyataan yang negatif kita perlu
tukarkan skornya supaya data yang kita dapat benar‑benar tulen. Contoh 4 skala likert; 1=Sangat tidak
setuju; 2= Tidak setuju; 3= Setuju; 4=Sangat Setuju. Untuk recode just tukar je nilai skala contohnya skala 1
kepada skala 4.

2. Compute – to create a new variable

Compute pula kita gunakan bilamana untuk satu pemboleh ubah/variabel terdapat beberapa item di
dalamnya. Oleh itu kesemua item tersebut perlu dicompute terlebih dahulu sebelum digunakan.
Manakala normality test telahpun dibincangkan dalam entri yang lepas.

Dalam entri kali ini, banyak pula penggunaan bahasa campuran (Malay‑English) digunakan 

Taburan Normal (Normal Distribution)

May 16, 2011 30 Comments
Taburan normal sering dilupakan dalam kajian penyelidikan dan
(h p://en.wikipedia.org/wiki/Dan_%28rank%29) tidak dibincangkan secara mendalam. Namun,
sebenarnya ia amat penting yang akan menentukan jenis analisis data yang kita pilih. Dalam posting
yang lepas, kita telah bincangkan mengenai syarat‑syarat yang perlu dipenuhi untuk mencapai andaian
asas (basic assumptions) prosedur statistikal; antaranya ialah memerlukan data yang bertaburan normal.
Ini bermakna taburan normal bagi data amat penting untuk kita memilih prosedur statistikal yang
sesuai.

https://rosma212.wordpress.com/author/rosma212/page/9/ 4/6
2/17/2017 rosmawati – Page 9 – Rosmawati212's Blog

 (h ps://rosma212.files.wordpress.com/2011/05/normal‑
distribution.gif)

Apabila data yang kita uji mempunyai taburan normal, barulah boleh run analisis test of differences dan
juga relationship. Data bertaburan normal sesuai menggunakan analisis parametrik yang dapat
menentukan sejauhmana kita menggunakan statistikal inferensi melalui analisis bivariat dan analisis
multivariat. Namun, jika seandainya data kita tidak memenuhi syarat taburan normal, kita harus
menggunakan analisis non‑parametric (h p://en.wikipedia.org/wiki/Non‑parametric_statistics) seperti
Wilcoxon dan juga Mann‑whitney test (h p://en.wikipedia.org/wiki/Mann%E2%80%93Whitney_U).
Selalunya bagi analisis non‑parametric, sampel kajian yang digunakan kurang daripada 30 orang
responden. Begitu juga jika data kita tidak bertaburan normal, walaupun sampel kajian melebihi 30
orang responden, analisis kajian perlu juga menggunakan non‑parametric.

Apabila data kita tidak bertaburan normal, kecenderungan data curve yang kita dapati sama ada negative
skew (h p://en.wikipedia.org/wiki/Skewness) (‑ve skew) atapun positive skew (+ve skew).

(h ps://rosma212.files.wordpress.com/2011/05/skewness_posnegpict.jpg)

EDA (Exploratory Data Analysis (h p://en.wikipedia.org/wiki/Exploratory_data_analysis)) sering digunakan
untuk menguji andaian normaliti (assumptions of normality). Dengan menggunakan program SPSS
(h p://www.spss.com/), ada tiga jenis statistik yang boleh digunakan untuk menentukan taburan
normaliti data; kolmogaro‑smirvav, shapiro‑wilk’s ataupun skewness. Menggunakan salah satu daripada
jenis tersebut, dua ataupun ketiga‑tiganya sekali tidak menjadi kesalahan. Jika berlaku kes di mana
ketiga‑tiga statistik tersebut tidak menunjukkan data yang normal, kita masih boleh melihat kepada Q‑Q
plot (h p://en.wikipedia.org/wiki/Q‑Q_plot). Jika majoriti dots (‑0.3 – +0.3) kita boleh andaikan data kita
masih bertaburan normal. Dengan cara mudah, jika dots didapati dalam straight line, itu menunjukkan
the real normal.

Analisis data – Analisis Multivariat

May 5, 2011May 5, 2011 Leave a comment
Jika analisis bivariat melibatkan dua pemboleh ubah, analisis multivariat pula melibatkan tiga pemboleh
ubah atau lebih. Kedua ‑dua analisis bivariat dan multivariat melibatkan analisis data secara statistik
inferensi. Manakala analisis statistik deskriptif dikenali sebagai analisis univariat yang hanya melibatkan
satu pemboleh ubah sahaja.

Antara jenis analisis multivariat yang popular dan sering menjadi pilihan pengkaji ialah termasuk
korelari spara (partial correlation), regrasi pelbagai (multi‑regression), MANCOVA (Multivariate analysis of
covariance test), MANOVA (Multivariate analysis of variance test) dan juga ANCOVA (Covariate analysis)
(digunakan untuk kajian eksperimental‑quasi experimental).
https://rosma212.wordpress.com/author/rosma212/page/9/ 5/6
(digunakan untuk kajian eksperimental‑quasi experimental).
2/17/2017 rosmawati – Page 9 – Rosmawati212's Blog

Sebenarnya analisis multivariat lebih memudahkan pengkaji mengkaji hubungan dan perkaitan di
antara pemboleh ubah secara serentak tanpa perlukan banyak step. Dengan kata lain, beberapa
pemboleh ubah boleh dikaitkan dengan DV (dependent variables).

Sebagai contohnya korelasi spara berbeza dengan analisis korelasi pearson mahupun spearman. Apa
yang membezakannya ialah korelasi spara menggunakan control variables untuk mengawal IV dan DV.
Walaubagaimanapun, asas korelasi masih sama iaitu melihat sama ada perkaitan IV dan DV tersebut
signifikan atau tidak dan juga strength dan direction sama ada positif ataupun negatif. Kelebihan korelasi
spara berbanding korelasi bivariat ialah dengan mengawal faktor kawalan (seperti umur, tahap
pendidikan dsb) pengkaji dapat melihat dapatan kajian yang lebih jelas dan sebenar dengan
mengenepikan faktor‑faktor yang mempengaruhi IV dan DV.

Contoh objektif kajian yang secara fokusnya menggunakan jenis analisis data multivariat ialah
menentukan perkaitan di antara pendedahan media dan tingkah laku penonton dengan mengawal
faktor umur dan tahap religiositi. Pendedahan media (IV), tingkah laku penonton (DV), umur dan tahap
religiositi sebagai pemboleh ubah kawalan. Justeru, hasil kajian yang menggunakan korelasi spara lebih
pure dan genuine kerana kita telah mengawal faktor umur dan tahap religiositi yang mana berdasarkan
sorotan literatur umur (remaja) sering melibatkan diri dengan pendedahan media. Begitu juga tahap
religiositi; kajian mendapati bahawa semakin tinggi tahap religiositi semakin rendah akses mereka
dengan tingkah laku negatif. Oleh itu dengan menggunakan faktor kawalan tersebut, kita dapat melihat
perkaitan yang lebih jelas sejauhmana wujudnya hubungan di antara pendedahan media dengan
tingkah laku penonton.

Perlu dingat bahawa analisis multivariat menggunakan data ratio/skor dalam menentukan perkaitan
dan hubungan di antara pemboleh ubah.

Rosmawati212ʹs Blog
Blog at WordPress.com.

https://rosma212.wordpress.com/author/rosma212/page/9/ 6/6