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) (2 kategori/kumpulan. Cth. (cth : gangguan emosi)
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 1 DV 2 atau lebih IV

MANOVA (2 kategori/kumpulan. Cth. (cth : gangguan emosi
(1 by >2) 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 & motivasi diri)
India)
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
kumpulan range

Membandingkan 1 One sampel t test Wilcoxon test

kumpulan dengan
menggunakan 1 nilai

Membandingkan 2 Indepenent t-test Mann-Whitney test

kumpulan yang berbeza
(cth; jantina)

Membandingkan 2 Paired t-test Wilcoxon test

kumpulan yang
berpasangan (cth: pre &
pascaest)

Membandingkan 3 atau One-way ANOVA Kruskal-Wallis test

lebih kumpulan yang
berbeza

Korelasi antara 2 Pearson correlation Spearman correlation

pemboleh ubah

Meramal nilai dari Simple linear regression or Nonparamatrik regression

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

Meramal nilai daripada Multiple linear regression

beberapa pemboleh ubah or multiple nonlinear
lain yang diukur (predict regression -
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

Parama Bukan Tujuan analisis Data Independent Depend

trik/ Paramat Skala Variable ent
Distibus rik/ Variabl
i Distibusi e
Normal tidak
Normal
Ujian 1.untuk melihat Media dua kemahi
Mann- perbezaan dua n. keadaan ran
Whitney √ median (nilai yang comput
U tengah) antara Ordin berbeza dan er –
dua kumpulan. al, tiada mahir
Atau interv perkaitan dan
2. untuk melihat al antara data tidak
Ujian perbezaan antara atau
Wilcoxon A dan B mahir)
dua sampel ratio contohnya
Rank bebas (data
Sum jantina :
daripada dua Lelaki dan
keadaan yang Perempuan
berbeza dan
tiada perkaitan 2. Data
antara data A dan berasal dari
B contohnya 2 kelompok
jantina : Lelaki
dan Perempuan –
pemboleh ubah
bebas/independe
nt) yang
pemboleh ubah
bersandarnya/de
pendent
(kemahiran
computer – mahir
dan tidak mahir)

ujian √ 1. untuk menguji sensiti

Kolmogor dua sampel f
ov bebas daripada kepad
Smirnov dua varian yang a min
Z (KS-Z) berbeza dan
varian
 sahaja
.

ujian √ 1. dibuat untuk

‘independ melihat
ent T perbezaan antara
Test dua mean

Ujian Lev √ data berasal dari

ene's 3 kelompok atau
Test lebih

ujian Fish √ data berasal dari

er F 3 kelompok atau
lebih

Ujian Chi √ bagi menentukan nomin

Square perkaitan atau al =
berhubungan nomin
yang signifikan al
diantara dua atau
pemboleh ubah nomin
dalam sesuatu al =
populasi. ordina
l
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 √ digunakan bagi

Chi- mengenal pasti
Square perbandingan
for dua variabel yang
independ berskala nominal
ent / test = nominal.
of
homogen contohnya
eity 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

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

McNemar √ cuba data Data-data

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

Cocharn √ 1.untuk melihat nomin

Q kemajmukan al
sampel melalu
berpasangan, i
atau untuk pungu
menguji apakah tan
tiga atau lebih data
jumlah skor docut
(frekuensi) omou
berpasangan s
saling signifikan. jawap
an ‘ya’
2. Tujuan =1
pengujiannya dan
adalah untuk ‘tidak’
melihat =2
konsistensi
terhadap
pemboleh ubah
yang ingin
dicarap

Wilcoxon √ untuk skala Untuk

menganalisis dua interv menentuk
pemboleh ubah al an
berpasangan atau kebaikan
(pair test) pada ratio program
sampel yang sahaja TESL,
sama dari dua maka
data yang calon
berbeza (pre dan mahasisw
pasca test). a tersebut
dikehenda
jumlah sampel ki
kurang daripada mengambi
30 orang ( n = < l ujian pra
30) 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 Ordin Random

Wallis 3 kelompok atau al
lebih

untuk
membandingkan
atau
membezakan tiga
atau lebih
kelompok data
sampel pemboleh
ubah
bebas/Independe
nt 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 ordina random

Test perbezaan antara l,
dua kelompok interv
sampel yang al dan
berpasangan ratio
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  402  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 median (f med). Nilai median adalah 24 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
N
 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 Frequency/Kekerapan (f) Peratusan (%)

kemahiran

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
b1aumu b1cjantin
r a 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
Percentile 25 2.0000 1.0000 3.0000
s 50 3.0000 2.0000 3.0000
75 3.0000 2.0000 5.0000

b1cjantina
 Frequen Valid Cumulative
cy Percent Percent Percent
Valid lelaki 244 38.7 38.7 38.7
perempua 387 61.3 61.3 100.0
n
Total 631 100.0 100.0

b1dpengalaman
Frequen Valid Cumulative
cy Percent Percent Percent
Valid kurang 1 2 .3 .3 .3
th
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
bv2ke
bv1sema putus bv3tug bv4lap bv5me bv6pr bv7onl bv8me
kan an as oran mantau ogram ine mbantu
N Valid 631 631 631 631 631 631 631 631
Missi 0 0 0 0 0 0 0 0
ng
Mean 3.4374 3.221 2.9208 2.735 2.6387 2.408 3.141 3.0206
9 3 9 0
Std. Deviation .55101 .6411 .77258 .8094 .88874 .8623 .7564 .73758
0 7 6 0
Percentile 25 3.0000 3.000 3.0000 2.000 2.0000 2.000 3.000 3.0000
s 0 0 0 0
50 3.0000 3.000 3.0000 3.000 3.0000 2.000 3.000 3.0000
0 0 0 0
75 4.0000 4.000 3.0000 3.000 3.0000 3.000 4.000 3.0000
0 0 0 0

bv1semakan
Frequen Valid Cumulative
cy Percent Percent Percent
Valid tidak 1 .2 .2 .2
pernah
jarang 15 2.4 2.4 2.5
kerap 322 51.0 51.0 53.6
sangat 293 46.4 46.4 100.0
kerap
Total 631 100.0 100.0

bv2keputusan
Frequen Valid Cumulative
cy Percent Percent Percent
Valid tidak 7 1.1 1.1 1.1
pernah
jarang 54 8.6 8.6 9.7
kerap 362 57.4 57.4 67.0
sangat 208 33.0 33.0 100.0
kerap
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 0.2 2.4 51.0 46.4 97.4 3.43 .551 Tinggi
untuk membuat semakan (1) (15) (322) (293) (615)
2. mencapai maklumat JERI 1.1 8.6 57.4 33.0 90.4 3.22 .641 Tinggi
untuk membuat sesuatu (7) (54) (362) (208) (570)
keputusan
3.memasukkan data ke dalam 5.9 16.5 57.4 20.3 77.7 2.92 .772 Tinggi
JERI untuk tugas-tugas (37) (104) (362) (128) (490)
berkaitan data pelajar
4.mencapai maklumat JERI 7.4 27.1 49.9 15.5 65.4 2.73 .809 Tinggi
untuk membuat laporan pelajar (47) (171) (315) (98) (413)
yang lengkap
5.menggunakan JERI untuk 12.5 26.5 45.6 15.4 61.0 2.63 .888 Seder
memantau maklumat asas (79) (167) (288) (97) (385) hana
pelajar.
6.mencapai maklumat JERI 0.2 15.5 36.6 38.7 75.3 2.40 .862 Seder
untuk membuat perancangan (1) (98) (231) (244) (475) hana
program 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 4.3 13.3 58.5 23.9 82.4 3.02 .737 Tinggi
untuk menghantar meklumat (27) (84) (369) (151) (520)
yang diperlukan oleh bahagian
KPM secara on-line.
9.berkerjasama dengan 1.6 7.1 59.3 32.0 91.3 3.21 .639 Tinggi
pengguna yang lain untuk (10) (45) (374) (202) (576)
mencapai maklumat daripada
JERI
10.mengemaskini maklumat 0.2 0.3 36.9 62.6 99.5 3.61 .501 Tinggi
dalam 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 (40) (88) (338) (165) (503)
pelajar
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. Minimum Maximum
Deviation
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 Sampel random dari
populasi populasi
3 Pemboleh ubah daripada Pemboleh ubah daripada
skala ordinal skala interval
4 Distribusi data tidak Distribusi data normal
normal
5 Setiap populasi tidak Setiap populasi
mempunyai varian yang mempunyai 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 * 631 100.0% 0 .0% 631 100.0%
masalahJERI
b1cjantina * kefahaman Crosstabulation
kefahaman
faham tidak faham Total
b1cjantin lelaki Count 101 143 244
a Expected Count 104.8 139.2 244.0
% within 41.4% 58.6% 100.0%
b1cjantina
% within 37.3% 39.7% 38.7%
kefahaman
perempua Count 170 217 387
n Expected Count 166.2 220.8 387.0
% within 43.9% 56.1% 100.0%
b1cjantina
% within 62.7% 60.3% 61.3%
kefahaman
Total Count 271 360 631
Expected Count 271.0 360.0 631.0
% within 42.9% 57.1% 100.0%
b1cjantina
 Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
% within 100.0% 100.0% 100.0%
kefahaman

Chi-Square Tests
Exact
Asymp. Sig. Exact Sig. Sig. (1-
Value df (2-sided) (2-sided) sided)
Pearson Chi-Square .392a 1 .531
Continuity .296 1 .587
Correctionb
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 Contingency Coefficient .025 .531
Nominal
N of Valid Cases 631
Chi-Square Tests
Asymp. Sig. (2-
Value df sided)
Pearson Chi-Square 55.912a 32 .006
Likelihood Ratio 60.561 32 .002
Linear-by-Linear 9.786 1 .002
Association
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
Std.
Mean Deviation N
kepuasanpenggunaa 3.1374 .44457 631
nJERI
kejayaanpenggunaa 3.0680 .45356 631
nJERI

Correlations
kepuasanp kejayaanpe
enggunaan nggunaanJ
JERI ERI
kepuasanpenggunaa Pearson 1 .728**
nJERI Correlation
Sig. (2-tailed) .000
N 631 631
kejayaanpenggunaa Pearson .728** 1
nJERI Correlation
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
kepuasanpe kejayaanpe
nggunaanJ nggunaanJ
ERI ERI
kepuasanpenggunaa Pearson 1 .728**
nJERI Correlation
Sig. (2-tailed) .000
N 631 631
kejayaanpenggunaan Pearson .728** 1
JERI Correlation
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 menollak 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
(2-tailed) Difference Interval 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
gayapengurusan
Std.
b1cjantina Mean N Deviation
lelaki 2.6792 244 .72361
perempua 2.7093 387 .49964
n
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
Std. Std. Error
N Mean Deviation Mean
pasca 631 70.6593 10.49836 .41793
est

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

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
Sig. (2- Mean 95% Confidence Interval
t df tailed) Difference of the Difference
Lower Upper
pascae 25.505 630 .000 10.65927 9.8386 11.4800
st

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
Std. Std. Error
a1jantina N Mean Deviation Mean
protes lelaki 10 3.6000 .41050 .12981
t perempua 71 3.8912 .70274 .08340
n

Independent Samples Test

Levene's
Test for
Equality of
Variances t-test for Equality of Means
Std. 95%
Sig. Mean Error Confidence
(2- Differen Differen Interval of the
F Sig. t df tailed) ce ce Difference
 Lower Upper
protes Equal .022 .88 - 79 .206 -.29117 .22828 - .1632
t variances 4 1.27 .7455 1
assumed 5 4
Equal - 17.5 .076 -.29117 .15429 - .0335
variances not 1.88 78 .6158 5
assumed 7 8

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

Independent Sampel Test

Levene’s t-test for Equality of Means
Test for
Equality of
Variance
F Sig t df Sig. Mean Std. 95%
(2- Differen Error Confidence
tailed ce Differen Interval of the
) ce Difference
Lower Upp
er
M Equal 1.839 .176 1.653 629 .099 .06986 .04226 - .1528
B variance .01312 4
LB s
assume
d
Equal 1.682 581.3 .093 .06986 .04154 - .1514
variance 0 .01174 6
s not
assume
d

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

Std. Std. Error
Mean N Deviation Mean
Pair 1 pratest 47.981 30 13.95490 .55554
0
pasca 70.659 30 10.49836 .41793
est 3

Paired Samples Correlations

Correlatio
N n Sig.
Pair 1 pratest & 60 -.094 .018
pascaest

Paired Samples Test

Paired Differences
95% Confidence
Std. Std. Interval of the
Deviati Error Difference Sig. (2-
Mean on Mean Lower Upper t df tailed)
Pair 1 prate - 18.234 .7259 - - - 60 .000
st - 22.678 96 2 24.103 21.252 31.24
pasca 29 81 77 1
est
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
N Skor Min t df sig
menguasai 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
Std. Interval for Mean
Deviatio Std. Lower Upper
N Mean n Error Bound Bound Minimum Maximum
tidak mahir 61 41.245 15.7867 2.021 37.2027 45.289 8.00 64.00
9 6 29 1
sederhana 364 65.851 9.49003 .4974 64.8735 66.829 35.00 89.00
mahir 6 1 8
mahir 206 75.684 9.29056 .6473 74.4082 76.960 8.00 89.00
5 0 7
Total 631 66.683 13.9017 .5534 65.5963 67.769 8.00 89.00
0 3 2 8

ANOVA
markahJERI
Sum of Mean
Squares df Square F Sig.
Between 56412.818 2 28206.409 271.100 .000
Groups
Within Groups 65339.791 628 104.044
Total 121752.609 630

Multiple Comparisons
Dependent Variable:markahJERI
95% Confidence
(J) Mean Interval
(I) Tahapke Difference Std. Lower Upper
Tahapkemahiran mahiran (I-J) Error Sig. Bound Bound
Tukey tidak mahir sederha -24.60575* 1.41120 .000 -27.9210 -21.2904
HSD na mahir
mahir -34.43856* 1.48685 .000 -37.9316 -30.9455
sederhana mahir tidak 24.60575* 1.41120 .000 21.2904 27.9210
mahir
mahir -9.83282* .88933 .000 -11.9221 -7.7435
mahir tidak 34.43856* 1.48685 .000 30.9455 37.9316
mahir
sederha 9.83282* .88933 .000 7.7435 11.9221
na mahir
LSD tidak mahir sederha -24.60575* 1.41120 .000 -27.3770 -21.8345
na mahir
mahir -34.43856* 1.48685 .000 -37.3584 -31.5188
sederhana mahir tidak 24.60575* 1.41120 .000 21.8345 27.3770
mahir
mahir -9.83282* .88933 .000 -11.5792 -8.0864
mahir tidak 34.43856* 1.48685 .000 31.5188 37.3584
mahir
sederha 9.83282* .88933 .000 8.0864 11.5792
na mahir
*. The mean difference is significant at the 0.05 level.

markahJERI
Tahapkemahir Subset for alpha = 0.05
an N 1 2 3
Tukey tidak mahir 61 41.2459
HSD a,b
sederhana 364 65.8516
mahir
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 Mean
Squares df 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% Minimum Maximum

Deviation Error Confidence
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 N Subset for Alpha = 0.05

Pengajaran
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 perempua 387
n
Tahapkemahir 1.00 tidak 61
an mahir
2.00 sederhan 364
a mahir
3.00 mahir 206

Descriptive Statistics
Dependent Variable:markahujianBM
Tahapkemahir Std.
b1cjantina an Mean Deviation N
lelaki tidak mahir 55.375 21.42086 24
0
sederhana 55.967 19.51716 152
mahir 1
mahir 61.176 18.29521 68
5
Total 57.360 19.44479 244
7
perempua tidak mahir 51.567 16.72580 37
n 6
sederhana 57.934 19.38058 212
mahir 0
mahir 55.717 20.31036 138
4
Total 56.534 19.53198 387
9
Total tidak mahir 53.065 18.63498 61
6
sederhana 57.112 19.43516 364
mahir 6
mahir 57.519 19.79128 206
4
 Descriptive Statistics
Dependent Variable:markahujianBM
Tahapkemahir Std.
b1cjantina an Mean Deviation N
lelaki tidak mahir 55.375 21.42086 24
0
sederhana 55.967 19.51716 152
mahir 1
mahir 61.176 18.29521 68
5
Total 57.360 19.44479 244
7
perempua tidak mahir 51.567 16.72580 37
n 6
sederhana 57.934 19.38058 212
mahir 0
mahir 55.717 20.31036 138
4
Total 56.534 19.53198 387
9
Total tidak mahir 53.065 18.63498 61
6
sederhana 57.112 19.43516 364
mahir 6
mahir 57.519 19.79128 206
4
Total 56.854 19.48702 631
2

Tests of Between-Subjects Effects

Dependent Variable:markahujianBM
Type III
Sum of Mean
Source Squares df Square F Sig.
Corrected Model 2902.109a 5 580.422 1.535 .177
Intercept 1118937.72 1 1118937.7 2959.07 .000
6 26 0
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 2278883.00 631
0
Corrected Total 239238.586 630
a. R Squared = .012 (Adjusted R Squared = .004)

Multiple Comparisons
Dependent Variable:markahujianBM
95% Confidence
(J) Mean Interval
(I) Tahapke Difference Std. Lower Upper
Tahapkemahiran mahiran (I-J) Error Sig. Bound Bound
Tukey tidak mahir sederhan -4.0471 2.690 .290 -10.3675 2.2733
HSD a mahir 32
mahir -4.4538 2.834 .259 -11.1130 2.2054
54
sederhana mahir tidak 4.0471 2.690 .290 -2.2733 10.3675
mahir 32
mahir -.4068 1.695 .969 -4.3899 3.5763
42
mahir tidak 4.4538 2.834 .259 -2.2054 11.1130
mahir 54
sederhan .4068 1.695 .969 -3.5763 4.3899
a mahir 42
LSD tidak mahir sederhan -4.0471 2.690 .133 -9.3302 1.2361
a mahir 32
mahir -4.4538 2.834 .117 -10.0202 1.1125
54
sederhana mahir tidak 4.0471 2.690 .133 -1.2361 9.3302
mahir 32
mahir -.4068 1.695 .810 -3.7362 2.9226
42
mahir tidak 4.4538 2.834 .117 -1.1125 10.0202
mahir 54
sederhan .4068 1.695 .810 -2.9226 3.7362
a mahir 42
Based on observed means.
The error term is Mean Square(Error) = 378.138.
 markahujianBM
Tahapkemahir Subset
an N 1
Tukey tidak mahir 61 53.065
HSD a,b,c 6
sederhana 364 57.112
mahir 6
mahir 206 57.519
4
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 Mean
Source Squares df Square F Sig.
Corrected Model 2902.109 a 5 580.422 1.535 .177
Intercept 1118937.72 1 1118937.72 2959.07 .000
6 6 0
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 2278883.00 631
0
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
b1dpengalam 1.00 kurang 1 2
an th
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
b1bbangs b1dpengalam Std.
a an Mean Deviation N
melayu kurang 1 th 34.000 . 1
0
2-5th 58.000 19.31565 54
0
6-10th 58.479 19.35195 171
5
11-15th 55.574 17.73913 108
1
16-20th 56.879 21.08440 91
1
lebih 20th 54.040 17.58664 49
8
Total 56.945 19.15612 474
1
cina kurang 1 th 45.000 . 1
0
2-5th 57.333 21.17435 18
3
6-10th 58.837 19.01494 43
2
 11-15th 58.000 22.72903 24
0
16-20th 44.875 23.49126 8
0
lebih 20th 51.181 21.88524 11
8
Total 56.390 20.83982 105
5
india 2-5th 58.000 20.99603 13
0
6-10th 58.642 19.60615 14
9
11-15th 55.444 18.90914 18
4
16-20th 60.333 13.31666 3
3
lebih 20th 31.000 35.35534 2
0
Total 56.320 19.91148 50
0
lain-lain 6-10th 57.000 . 1
0
lebih 20th 89.000 . 1
0
Total 73.000 22.62742 2
0
Total kurang 1 th 39.500 7.77817 2
0
2-5th 57.858 19.72800 85
8
6-10th 58.550 19.17769 229
2
11-15th 55.946 18.63668 150
7
16-20th 56.039 21.18842 102
2
lebih 20th 53.365 19.35684 63
1
Total 56.854 19.48702 631
2
 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM
Type III
Sum of Mean
Source Squares df Square F Sig.
Intercept Hypothesi 96364.748 1 96364.748 275.031 .000
s
Error 9330.462 26.630 350.377a
b1bbangsa Hypothesi 933.930 3 311.310 .861 .462
s
Error 71548.046 197.840 361.647b
b1dpengalaman Hypothesi 1541.592 5 308.318 .916 .481
s
Error 13838.181 41.091 336.771c
b1bbangsa * Hypothesi 3002.229 10 300.223 .788 .641
b1dpengalaman s
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(b1bbang
sa *
Var(b1bbang Var(b1dpengala b1dpengala Var(Erro Quadratic
Source sa) man) man) r) Term
Intercept 7.726 5.121 1.867 1.000 Intercept
b1bbangsa 22.131 .000 4.350 1.000
b1dpengalam .000 30.098 9.893 1.000
an
b1bbangsa * .000 .000 18.036 1.000
b1dpengalam
an
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 Mean
Source Squares df Square F Sig.
Intercept Hypothesi 96364.74 1 96364.748 275.031 .000
s 8
Error 9330.462 26.630 350.377a
b1bbangsa Hypothesi 933.930 3 311.310 .861 .462
s
Error 71548.04 197.840 361.647b
6
b1dpengalaman Hypothesi 1541.592 5 308.318 .916 .481
s
Error 13838.18 41.091 336.771c
1
b1bbangsa * Hypothesi 3002.229 10 300.223 .788 .641
b1dpengalaman s
Error 233277.3 612 381.172d
72
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
b1llatihanlnajut 1.00 tidak perlu 179
an 2.00 perlu 386
3.00 sangat 66
perlu
 Descriptive Statistics
Dependent Variable:markahujianBM
b1ekelulusa b1llatihanlnajut Std.
n an Mean Deviation N
spm tidak perlu 56.166 16.72353 18
7
perlu 60.058 16.07976 17
8
sangat perlu 80.000 2.82843 2
0
Total 59.243 16.61894 37
2
stpm tidak perlu 55.000 35.46830 4
0
perlu 65.444 20.52505 9
4
sangat perlu 65.000 19.31321 3
0
Total 62.750 23.39658 16
0
diploma tidak perlu 66.363 15.86993 11
6
perlu 54.739 20.32512 23
1
sangat perlu 50.200 17.75387 5
0
Total 57.435 19.31293 39
9
sarjana tidak perlu 55.561 19.51621 146
6
perlu 57.050 19.89318 337
4
sangat perlu 55.375 17.86572 56
0
Total 56.473 19.57031 539
1
Total tidak perlu 56.273 19.46988 179
7
perlu 57.240 19.76883 386
9
 sangat perlu 56.166 18.03977 66
7
Total 56.854 19.48702 631
2

Tests of Between-Subjects Effects

Dependent Variable:markahujianBM
Type III
Sum of Mean
Source Squares df Square F Sig.
Intercept Hypothesi 311082.518 1 311082.51 1918.31 .000
s 8 9
Error 1213.138 7.481 162.164 a

b1ekelulusan Hypothesi 1614.076 3 538.025 1.226 .348

s
Error 4651.427 10.595 439.015b
b1llatihanlnajutan Hypothesi 210.969 2 105.485 .246 .785
s
Error 6309.501 14.710 428.938c
b1ekelulusan * Hypothesi 2775.286 6 462.548 1.216 .296
b1llatihanlnajutan s
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

Variance Component
Var(b1ekelu
lusan *
Var(b1llatih b1llatihanln Var(Erro Quadratic
Source anlnajutan) ajutan) r) Term
Intercept 28.727 7.182 1.000 Intercept,
b1ekelulusa
n
b1ekelulusan .000 10.923 1.000 b1ekelulusa
n
b1llatihanlnajutan 36.192 9.048 1.000
b1ekelulusan * .000 15.301 1.000
b1llatihanlnajutan
Error .000 .000 1.000
 Tests of Between-Subjects Effects
Dependent Variable:markahujianBM
Type III
Sum of Mean
Source Squares df Square F Sig.
Intercept Hypothesi 311082.518 1 311082.51 1918.31 .000
s 8 9
Error 1213.138 7.481 162.164 a

b1ekelulusan Hypothesi 1614.076 3 538.025 1.226 .348

s
Error 4651.427 10.595 439.015b
b1llatihanlnajutan Hypothesi 210.969 2 105.485 .246 .785
s
Error 6309.501 14.710 428.938c
b1ekelulusan * Hypothesi 2775.286 6 462.548 1.216 .296
b1llatihanlnajutan s
Error 235408.656 619 380.305d
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 Mean
Source Squares df Square F Sig.
Intercept Hypothesi 311082.518 1 311082.518 1918.31 .000
s 9
Error 1213.138 7.481 162.164 a

b1ekelulusan Hypothesi 1614.076 3 538.025 1.226 .348

s
Error 4651.427 10.595 439.015b
b1llatihanlanjutan Hypothesi 210.969 2 105.485 .246 .785
s
Error 6309.501 14.710 428.938c
 b1ekelulusan * Hypothesi 2775.286 6 462.548 1.216 .296
b1llatihanlanjutan s
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 Mean
Source Squares df Square F Sig.
Corrected Model 218.547a 498 .439 3.828 .000
Intercept 1067.493 1 1067.493 9311.17 .000
7
kefahaman 2.111 20 .106 .921 .562
pascaestBM 11.746 34 .345 3.013 .000
pascaestBI 14.098 35 .403 3.513 .000
kefahaman * 23.233 66 .352 3.070 .000
pascaestBM
kefahaman * 13.872 54 .257 2.241 .000
pascaestBI
pascaestBM * 12.638 31 .408 3.556 .000
pascaestBI
kefahaman * .518 1 .518 4.515 .035
pascaestBM *
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
Mea
n
Type III Sum Squa
Source of Squares df re F Sig.
Corrected Model 218.547 a 498 .439 3.828 .000
Intercept 1067.493 1 1067 9311.177 .000
.493
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
Tahapkemahir 1.00 tidak 61
an mahir
2.00 sederhan 364
a mahir
3.00 mahir 206

Descriptive Statistics
Dependent Variable:pascaest
Tahapkemahir Std.
an Mean Deviation N
tidak mahir 61.836 19.52194 61
1
sederhana 69.230 7.07742 364
mahir 8
mahir 75.796 9.22865 206
1
 Between-Subjects Factors
Value
Label N
Tahapkemahir 1.00 tidak 61
an mahir
2.00 sederhan 364
a mahir
Total 70.659 10.49836 631
3

Tests of Between-Subjects Effects

Dependent Variable:pascaest
Type III
Sum of Mean
Source Squares df Square F Sig.
Corrected 11790.206a 3 3930.069 42.747 .000
Model
Intercept 255740.792 1 255740.79 2781.64 .000
2 6
pratest 862.875 1 862.875 9.385 .002
Tahapkemahir 11175.943 2 5587.972 60.779 .000
an
Error 57645.537 627 91.939
Total 3219850.00 631
0
Corrected 69435.743 630
Total
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
Type III Sum of
Source Squares df Mean Square F Sig.
Corrected 11790.206 a 3 3930.069 42.747 .000
Model
Intercept 255740.792 1 255740.792 2781.64 .000
6
pratest 862.875 1 862.875 9.385 .002
Tahapkemahir 11175.943 2 5587.972 60.779 .000
an
Error 57645.537 62 91.939
7
Total 3219850.000 63
1
Corrected 69435.743 63
Total 0
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 Std.
responden Mean Deviation N
KompetensiProfesion Kedah 3.5321 .48638 105
al Pulau Pinang 3.6000 .51163 90
Perak 3.6145 .42882 120
Total 3.5829 .47283 315
KompetensiPeranca Kedah 3.4212 .50251 105
ngan 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 38.354
M
F 3.151
df1 12
df2 418648.30
7
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
Partial
Hypothesis 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 76.428 7897.518a 3.000 310.000 .000 .987
Trace
Roy's Largest 76.428 7897.518a 3.000 310.000 .000 .987
Root
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 .053 2.749 6.000 618.000 .012 .026
Trace
Roy's Largest .045 4.674b 3.000 311.000 .003 .043
Root
 Multivariate Testsc
Partial
Hypothesis 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 76.428 7897.518a 3.000 310.000 .000 .987
Trace
Roy's Largest 76.428 7897.518a 3.000 310.000 .000 .987
Root
Negeri Pillai's Trace .051 2.733 6.000 622.000 .013 .026
Wilks' Lambda .949 2.741 a 6.000 620.000 .012 .026
Hotelling's .053 2.749 6.000 618.000 .012 .026
Trace
Roy's Largest .045 4.674b 3.000 311.000 .003 .043
Root
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.
 Multivariate Testsc
Partial
Hypothesis 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 76.428 7897.518a 3.000 310.000 .000 .987
Trace
Roy's Largest 76.428 7897.518a 3.000 310.000 .000 .987
Root
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 .053 2.749 6.000 618.000 .012 .026
Trace
Roy's Largest .045 4.674b 3.000 311.000 .003 .043
Root
a. Design: Intercept + Negeri

Tests of Between-Subjects Effects

Type III Partial
Sum of Mean Eta
Source Dependent Variable Squares df Square F Sig. Squared
Corrected KompetensiProfesional .417a 2 .209 .933 .395 .006
Model KompetensiPerancangan 1.724 b 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
Mean Interval
(I) Negeri (J) Negeri Difference Std. Lower Upper
Dependent Variable responden responden (I-J) Error Sig. Bound Bound
KompetensiProfesional Tukey Kedah Pulau -.0679 .06794 .578 -.2279 .0921
HSD Pinang
Perak -.0824 .06320 .394 -.2312 .0664
Pulau Kedah .0679 .06794 .578 -.0921 .2279
Pinang Perak -.0145 .06595 .974 -.1698 .1408
Perak Kedah .0824 .06320 .394 -.0664 .2312
Pulau .0145 .06595 .974 -.1408 .1698
Pinang
Scheffe Kedah Pulau -.0679 .06794 .607 -.2350 .0992
Pinang
Perak -.0824 .06320 .428 -.2378 .0730
Pulau Kedah .0679 .06794 .607 -.0992 .2350
Pinang Perak -.0145 .06595 .976 -.1767 .1477
Perak Kedah .0824 .06320 .428 -.0730 .2378
Pulau .0145 .06595 .976 -.1477 .1767
Pinang
KompetensiPerancangan Tukey Kedah Pulau -.1745* .07258 .044 -.3454 -.0036
HSD Pinang
Perak -.1384 .06751 .102 -.2974 .0206
Pulau Kedah .1745* .07258 .044 .0036 .3454
Pinang Perak .0361 .07045 .865 -.1298 .2020
Perak Kedah .1384 .06751 .102 -.0206 .2974
Pulau -.0361 .07045 .865 -.2020 .1298
Pinang
Scheffe Kedah Pulau -.1745 .07258 .057 -.3530 .0040
Pinang
Perak -.1384 .06751 .124 -.3044 .0277
Pulau Kedah .1745 .07258 .057 -.0040 .3530
Pinang Perak .0361 .07045 .877 -.1372 .2094
Perak Kedah .1384 .06751 .124 -.0277 .3044
Pulau -.0361 .07045 .877 -.2094 .1372
Pinang
KompetensiKaedah Tukey Kedah Pulau -.1550* .06001 .028 -.2963 -.0136
HSD Pinang
 Perak -.1916* .05583 .002 -.3231 -.0601
Pulau Kedah .1550* .06001 .028 .0136 .2963
Pinang Perak -.0366 .05826 .804 -.1738 .1006
Perak Kedah .1916* .05583 .002 .0601 .3231
Pulau .0366 .05826 .804 -.1006 .1738
Pinang
Scheffe Kedah Pulau -.1550* .06001 .037 -.3026 -.0074
Pinang
Perak -.1916* .05583 .003 -.3289 -.0543
Pulau Kedah .1550* .06001 .037 .0074 .3026
Pinang Perak -.0366 .05826 .821 -.1799 .1066
Perak Kedah .1916* .05583 .003 .0543 .3289
Pulau .0366 .05826 .821 -.1066 .1799
Pinang
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 Std.
responden Mean Deviation N
KompetensiProfesion Kedah 3.5321 .48638 105
al Pulau Pinang 3.6000 .51163 90
Perak 3.6145 .42882 120
Total 3.5829 .47283 315
KompetensiPerancan Kedah 3.4212 .50251 105
gan 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

Type III Sum of Mean Partial Eta
Source Dependent Variable Squares df Square F Sig. 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
Mean Interval
(I) Negeri (J) Negeri Difference Std. Lower Upper
Dependent Variable responden responden (I-J) Error Sig. Bound Bound
KompetensiPerancangan Tukey Kedah Pulau *
-.1745 .07258 .044 -.3454 -.0036
HSD Pinang
Perak -.1384 .06751 .102 -.2974 .0206
Pulau Kedah .1745* .07258 .044 .0036 .3454
Pinang Perak .0361 .07045 .865 -.1298 .2020
Perak Kedah .1384 .06751 .102 -.0206 .2974
Pulau -.0361 .07045 .865 -.2020 .1298
Pinang
Scheffe Kedah Pulau -.1745 .07258 .057 -.3530 .0040
Pinang
Perak -.1384 .06751 .124 -.3044 .0277
Pulau Kedah .1745 .07258 .057 -.0040 .3530
Pinang Perak .0361 .07045 .877 -.1372 .2094
Perak Kedah .1384 .06751 .124 -.0277 .3044
Pulau -.0361 .07045 .877 -.2094 .1372
Pinang
KompetensiKaedah Tukey Kedah Pulau -.1550* .06001 .028 -.2963 -.0136
HSD Pinang
Perak -.1916* .05583 .002 -.3231 -.0601
Pulau Kedah .1550* .06001 .028 .0136 .2963
Pinang Perak -.0366 .05826 .804 -.1738 .1006
Perak Kedah .1916* .05583 .002 .0601 .3231
Pulau .0366 .05826 .804 -.1006 .1738
Pinang
Scheffe Kedah Pulau -.1550* .06001 .037 -.3026 -.0074
Pinang
Perak -.1916* .05583 .003 -.3289 -.0543
Pulau Kedah .1550* .06001 .037 .0074 .3026
Pinang Perak -.0366 .05826 .821 -.1799 .1066
Perak Kedah .1916* .05583 .003 .0543 .3289
Pulau .0366 .05826 .821 -.1066 .1799
Pinang
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
b1cjantin 1.00 lelaki 244
a 2.00 perempua 387
n
 Descriptive Statistics
Std.
b1cjantina Mean Deviation N
kekuatanJERI lelaki 3.1818 .45365 244
perempua 3.1282 .38040 387
n
Total 3.1489 .41075 631
kepuasanpenggunaa lelaki 3.1492 .45718 244
nJERI perempua 3.1300 .43688 387
n
Total 3.1374 .44457 631

Multivariate Testsb
Hypothesis
Effect Value F df Error df Sig.
Intercept Pillai's Trace .831 1541.275 2.000 626.000 .000
a

Wilks' Lambda .169 1541.275 2.000 626.000 .000

a

Hotelling's 4.924 1541.275 2.000 626.000 .000

Trace a

Roy's Largest 4.924 1541.275 2.000 626.000 .000

Root a

b1flokasise Pillai's Trace .002 .601a 2.000 626.000 .549

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

Tests of Between-Subjects Effects

Type III
Sum of Mean
Source Dependent Variable Squares df Square F Sig.
Corrected kekuatanJERI .670a 3 .223 1.327 .265
Model kepuasanpenggunaa .219b 3 .073 .369 .775
nJERI
Intercept kekuatanJERI 457.320 1 457.320 2714.78 .000
5
kepuasanpenggunaa 453.543 1 453.543 2287.82 .000
nJERI 3
b1flokasisek kekuatanJERI .195 1 .195 1.160 .282
kepuasanpenggunaa .140 1 .140 .708 .400
nJERI
b1bbangsa kekuatanJERI .053 1 .053 .313 .576
kepuasanpenggunaa .028 1 .028 .139 .709
nJERI
b1cjantina kekuatanJERI .340 1 .340 2.016 .156
kepuasanpenggunaa .033 1 .033 .166 .684
nJERI
Error kekuatanJERI 105.621 627 .168
kepuasanpenggunaa 124.298 627 .198
nJERI
Total kekuatanJERI 6363.167 631
kepuasanpenggunaa 6335.630 631
nJERI
Corrected kekuatanJERI 106.292 630
Total kepuasanpenggunaa 124.517 630
nJERI
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 of Mean
Source Dependent Variable Squares df Square F Sig.
Corrected kekuatanJERI .670 a 3 .223 1.327 .265
Model kepuasanpenggunaan .219 b 3 .073 .369 .775
JERI
Intercept kekuatanJERI 457.320 1 457.320 2714.78 .000
5
kepuasanpenggunaan 453.543 1 453.543 2287.82 .000
JERI 3
b1flokasisek kekuatanJERI .195 1 .195 1.160 .282
kepuasanpenggunaa .140 1 .140 .708 .400
nJERI
b1bbangsa kekuatanJERI .053 1 .053 .313 .576
kepuasanpenggunaa .028 1 .028 .139 .709
nJERI
b1cjantina kekuatanJERI .340 1 .340 2.016 .156
kepuasanpenggunaa .033 1 .033 .166 .684
nJERI
Error kekuatanJERI 105.621 627 .168
kepuasanpenggunaan 124.298 627 .198
JERI
Total kekuatanJERI 6363.167 631
kepuasanpenggunaan 6335.630 631
JERI
Corrected kekuatanJERI 106.292 630
Total kepuasanpenggunaan 124.517 630
JERI
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
Std.
Mean Deviation N
gayapengurusan 2.6977 .59593 631
kekuatanJERI 3.1489 .41075 631
kepuasanpenggunaa 3.1374 .44457 631
nJERI
penglibatanpenggun 3.0365 .45758 631
aanJERI
kefahaman 1.8363 .13026 631

Correlations
gayap kepuasanp penglibata
engur kekuata enggunaan npenggun kefaham
usan nJERI JERI aanJERI an
Pearson gayapengurusa 1.000 .222 .450 .393 -.109
Correlation n
kekuatanJERI .222 1.000 .631 .315 .019
kepuasanpengg .450 .631 1.000 .467 .016
unaanJERI
penglibatanpen .393 .315 .467 1.000 -.030
ggunaanJERI
kefahaman -.109 .019 .016 -.030 1.000
Sig. (1-tailed) gayapengurusa . .000 .000 .000 .003
n
kekuatanJERI .000 . .000 .000 .318
kepuasanpengg .000 .000 . .000 .347
unaanJERI
penglibatanpen .000 .000 .000 . .225
ggunaanJERI
kefahaman .003 .318 .347 .225 .
N gayapengurusa 631 631 631 631 631
n
kekuatanJERI 631 631 631 631 631
kepuasanpengg 631 631 631 631 631
unaanJERI
penglibatanpen 631 631 631 631 631
ggunaanJERI
kefahaman 631 631 631 631 631

Variables Entered/Removeda
Mode Variables Variables
l Entered Removed Method
1 kepuasanp . Stepwise (Criteria: Probability-of-F-to-enter <= .050,
enggunaan Probability-of-F-to-remove >= .100).
JERI
2 penglibatan . Stepwise (Criteria: Probability-of-F-to-enter <= .050,
penggunaa Probability-of-F-to-remove >= .100).
nJERI
3 kefahaman . Stepwise (Criteria: Probability-of-F-to-enter <= .050,
Probability-of-F-to-remove >= .100).
4 kekuatanJE . Stepwise (Criteria: Probability-of-F-to-enter <= .050,
RI Probability-of-F-to-remove >= .100).
a. Dependent Variable: gayapengurusan

Model Summary
Std. Change Statistics
R Adjuste Error of R
Mode Squar dR the Square F Sig. F
l R e Square Estimate Change Change df1 df2 Change
1 .450 .203 .202 .53250 .203 160.03 1 629 .000
a 2
2 .495 .245 .243 .51851 .043 35.393 1 628 .000
b
3 .507 .257 .253 .51495 .012 9.723 1 627 .002
c

4 .514 .264 .259 .51287 .007 6.089 1 626 .014

d

a. Predictors: (Constant), kepuasanpenggunaanJERI

b. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI
c. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI,
kefahaman
d. Predictors: (Constant), kepuasanpenggunaanJERI, penglibatanpenggunaanJERI,
kefahaman, kekuatanJERI

ANOVAe
Sum of Mean
Model Squares df Square F Sig.
1 Regressio 45.378 1 45.378 160.032 .000a
n
Residual 178.356 629 .284
Total 223.733 630
2 Regressio 54.893 2 27.447 102.088 .000b
n
Residual 168.840 628 .269
Total 223.733 630
3 Regressio 57.471 3 19.157 72.245 .000c
n
Residual 166.262 627 .265
Total 223.733 630
4 Regressio 59.073 4 14.768 56.145 .000d
n
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
Standardi
zed
Unstandardized Coefficient 95.0% Confidence
Model Coefficients s t Sig. Interval for B
 Std. Lower Upper
B Error Beta Bound Bound
1 (Constant) .804 .151 5.31 .000 .507 1.101
5
kepuasanp .604 .048 .450 12.6 .000 .510 .697
enggunaan 50
JERI
2 (Constant) .339 .167 2.03 .042 .012 .667
6
kepuasanp .458 .053 .341 8.71 .000 .355 .561
enggunaan 1
JERI
penglibatan .304 .051 .233 5.94 .000 .203 .404
penggunaa 9
nJERI
3 (Constant) 1.245 .334 3.72 .000 .589 1.902
4
kepuasanp .463 .052 .346 8.87 .000 .361 .566
enggunaan 2
JERI
penglibatan .297 .051 .228 5.85 .000 .197 .397
penggunaa 3
nJERI
kefahaman -.492 .158 -.107 - .002 -.801 -.182
3.11
8
4 (Constant) 1.439 .342 4.20 .000 .767 2.111
7
kepuasanp .554 .064 .413 8.70 .000 .429 .679
enggunaan 2
JERI
penglibatan .301 .051 .231 5.94 .000 .201 .400
penggunaa 8
nJERI
kefahaman -.487 .157 -.106 - .002 -.795 -.178
3.09
9
kekuatanJE -.158 .064 -.109 - .014 -.284 -.032
RI 2.46
8
a. Dependent Variable: gayapengurusan
 Excluded Variablesd
Collinearity
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
1 kekuatanJERI -.103a -2.250 .025 -.089 .602
penglibatanpenggun .233a 5.949 .000 .231 .782
aanJERI
kefahaman -.116a -3.283 .001 -.130 1.000
2 kekuatanJERI -.111b -2.490 .013 -.099 .601
kefahaman -.107 b -3.118 .002 -.124 .998
3 kekuatanJERI -.109 c -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. Change Statistics

R Error of
Square 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
Std. Change Statistics
R Error of Sig. F
Squar Adjusted the R Square F Chang
Model R e R Square Estimate Change Change df1 df2 e
 1 .450a .203 .202 .53250 .203 160.032 1 629 .000
2 .495 b .245 .243 .51851 .043 35.393 1 628 .000
3 .507 c .257 .253 .51495 .012 9.723 1 627 .002
4 .514 d .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
Sum of Mean
Model Squares df Square F Sig.
1 Regressio 45.378 1 45.378 160.032 .000a
n
Residual 178.356 629 .284
Total 223.733 630
2 Regressio 54.893 2 27.447 102.088 .000b
n
Residual 168.840 628 .269
Total 223.733 630
3 Regressio 57.471 3 19.157 72.245 .000c
n
Residual 166.262 627 .265
Total 223.733 630
4 Regressio 59.073 4 14.768 56.145 .000d
n
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
Standardiz
Unstandardiz ed 95.0%
ed Coefficient Confidence
Model Coefficients s t Sig. Interval for B
 Std. Lower Upper
B Error Beta Bound Bound
1 (Constant) .804 .151 5.31 .000 .507 1.101
5
kepuasanpenggunaanJ .604 .048 .450 12.6 .000 .510 .697
ERI 50
2 (Constant) .339 .167 2.03 .042 .012 .667
6
kepuasanpenggunaanJ .458 .053 .341 8.71 .000 .355 .561
ERI 1
penglibatanpenggunaa .304 .051 .233 5.94 .000 .203 .404
nJERI 9
3 (Constant) 1.24 .334 3.72 .000 .589 1.902
5 4
kepuasanpenggunaanJ .463 .052 .346 8.87 .000 .361 .566
ERI 2
penglibatanpenggunaa .297 .051 .228 5.85 .000 .197 .397
nJERI 3
kefahaman -.492 .158 -.107 - .002 -.801 -.182
3.11
8
4 (Constant) 1.43 .342 4.20 .000 .767 2.111
9 7
kepuasanpenggunaanJ .554 .064 .413 8.70 .000 .429
. .679
ERI 2
penglibatanpenggunaa .301 .051 .231 5.94 .000 .201 .400
nJERI 8
kefahaman -.487 .157 -.106 - .002 -.795 -.178
3.09
9
kekuatanJERI -.158 .064 -.109 - .014 -.284 -.032
2.46
8
a. Dependent Variable: gayapengurusan

Coefficientsª

Standardi 95% Confidence Interval

Unstandardi zed for B
zed Coefficien Lower Upper
Coefficients ts Bound Bound
Model B Std. Beta t Sig.
error
1 .739 .088 .000 .566 .913
(Constant) 8.360
 KP .742 .028 .728 26.59 .000 .687 .797
6
2 .355 .095 .000 .170 .541
(Constant) 3.754
KP .622 .030 .609 20.82 .000 .563 .680
2
PP .251 .029 .253 .000 .194 .308
8.656
3 .079 .103 .442 -.123 .282
(Constant) .769
KP .499 .036 .489 14.02 .000 .429 .569
4
PP .246 .028 .248 .000 .191 .302
8.712
KS .215 .036 .195 .000 .145 .285
5.996
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
Excluded 0 .0
a

Total 631 100.0

 Case Processing Summary
N %
Cases Valid 631 100.0
Excluded 0 .0
a

Total 631 100.0

a. Listwise deletion based on all
variables in the procedure.

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

Item Statistics
Std.
Mean Deviation N
kekuatanJERI 3.1489 .41075 631
masalahJERI 1.5110 .52226 631
gayapengurusan 2.6977 .59593 631
penglibatanpenggun 3.0365 .45758 631
aanJERI
kepuasanpenggunaa 3.1374 .44457 631
nJERI
kejayaanpenggunaa 3.0680 .45356 631
nJERI
kefahaman 1.8363 .13026 631

Inter-Item Correlation Matrix

penglib kepuas
masal gayap atanpe anpeng kejayaanpen
kekuat ahJE engur ngguna gunaan ggunaanJER kefahama
anJERI RI usan anJERI JERI I n
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
penglibatanpenggun .315 -.067 .393 1.000 .467 .538 -.030
aanJERI
kepuasanpenggunaa .631 -.274 .450 .467 1.000 .728 .016
nJERI
kejayaanpenggunaa .581 -.188 .358 .538 .728 1.000 .051
nJERI
kefahaman .019 -.029 -.109 -.030 .016 .051 1.000
Item-Total Statistics
Scale Scale Cronbach'
Mean if Variance if Corrected Squared s Alpha if
Item Item Item-Total Multiple Item
Deleted 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
penglibatanpengguna 15.3993 2.144 .530 .339 .519
anJERI
kepuasanpenggunaan 15.2983 2.038 .651 .645 .477
JERI
kejayaanpenggunaan 15.3677 2.014 .655 .605 .473
JERI
kefahaman 16.5994 3.061 -.032 .023 .647

Scale Statistics
Varianc Std. N of
Mean e Deviation Items
18.435 3.063 1.75015 7
7

Intraclass Correlation Coefficient

95% Confidence Interval F Test with True Value 0
Intraclass Lower Upper
Correlation a Bound Bound Value df1 df2 Sig
Single .191b .163 .222 2.655 630 3780 .000
Measures
Average .623c .577 .667 2.655 630 3780 .000
Measures
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 Cronbach's Alpha Based on Stpenyelidikrdized
Alpha 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 Min Median Mod Sisihan Piawai Kepencungan

ubah
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
 Std.
Statistic Error
Kompetensikeseluru Mean 3.4507 .02153
han 95% Confidence Lower Bound 3.4084
Interval for 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 Mean 3.1374
Paramatersa,b Std. Deviation .44457
Most Extreme Absolute .168
Differences 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
kepuasanpenggunaa 631 100.0% 0 .0% 631 100.0%
nJERI

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
kepuasanpenggunaa .168 631 .213 .944 631 .154
nJERI
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
KompetensiPenguru 315 100.0% 0 .0% 315 100.0%
san

Descriptives
Std.
Statistic Error
KompetensiPenguru Mean 3.2905 .02974
san 95% Confidence Lower Bound 3.2320
Interval for 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
KompetensiPenguru Highest 1 60 4.90
san 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.
KompetensiPenguru .059 315 .010 .993 315 .118
san
a. Lilliefors Significance Correction
 Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic Df Sig.
KompetensiPenguru .059 315 .010 .993 315 .118
san

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 ± Signifikan
1.96
Standardized regression weights Tinggi > .50 Signifikan
Model fit summary (NFI, RFI, IFI, TLI, > .90 Signifikan
CFI)
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
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 .900
Adequacy.
Bartlett's Test of Approx. Chi-Square 11690.58
Sphericity 3
df 528
Sig. .000
Rotated Component Matrixa
Component
1 2 3 4
dc7berubah .761
dc3berjaya .711
dc2halanga .690
n
da7emosi .669
dc9ide .645
dc4emosi .622
dc5sedar .617 .517
dc6positif .617 .514
dd1bantu .601
dd4memuji .583 .511
dc10fikiran .581
dc1tahu .554
db5motivasi .527
dd5peristiw .527
a
dd7kecewa .522
da8mesej .764
db4cara .689
db1orang .681
dd3ekspresi .664
dd2mesej .507 .630
dd6perassa .529 .558
n
dc8mengaw .544
al
db6suara .533
da5fikiran .808
da1peristiw .759
a
da6ide .750
da4aktiviti .723
da3perkara .716
da2suasana .662
db2sukar .867
db7perassa .851
n
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).