SSQL STATISTIK UNTUK SAINS SOCIAL

GOH SHING YING 254392

BAB 1 PENGENALAN KEPADA KONSEP ASA STATISTIK, ANALISIS DATA DAN

PENYELIDIKAN

STATISTIK

 Suatu disiplin yang menggunakan angka (nombor) untuk memerihalkan pelbagai aspek
dalam kehidupan
 Juga suatu bidang yang melibatkan pengumpulan & penganalisisan fakta atau data
berbentuk numerik (kuantitatif).
KEGUNAAN STATISTIK

 Meramal permintaan masa depan.

 Menyokong laporan atau hasil dapatan kajian penyelidikan
 Memerihalkan sesuatu isu sosial (maklumat) yang dihadapi dengan lebih rasional.

JENIS / METOD STATISTIK

I. STATISTIK DESKRIPTIF
 Digunakan untuk mengumpul, menyusun, menerang, merumus, dan mempersembahkan
set data (sama ada secara numerik atau penggunaan grafik).
 Menerangkan & merumuskan pembolehubah, nilai atau data sesuatu fenomena sosial.
II. STATISTIK INFERENSI
 Metod mentaksir data. Lazimnya merupakan langkah selepas proses pengumpulan dan
rumusan data.
 Membuat generalisasi (kesimpulan) dari sampel kajian terhadap populasi yang lebih
besar, menguji hipotesis, menentukan sama ada data tersebut adalah konsisten dengan
ramalan penyelidikan.
KONSEP ASAS STATISTIK
I. POPULASI
 Satu set individu, objek, benda atau fenomena yang memiliki ciri / sifat persamaan.
 Contoh ~ Semua pelajar di UUM.
II. SAMPEL
 Merupakan subset / sebahagian daripada populasi.
 Sampel mempunyai ciri-ciri persamaan dlm populasi ~ dpt mewakili populasi tersebut.
 Ditulis sebagai N – 1 di mana
N = jumlah populasi
N – 1 = sample by default

III. PARAMETER
• Nilai / nombor yang menggambarkan (menerangkan) ciri-ciri populasi. Diperoleh dari
nilai populasi.
• Contoh ~ sekiranya 150 orang pelajar statistik adalah populasi kajian dan min tahap math
/ statistics anxiety kesemua 150 orang pelajar tersebut telah diuji, maka jawapan yang
dihasilkan adalah parameter.
• Parameter populasi termasuk dalam jenis statistik deskriptif.
IV. STATISTIK
 Nilai yang menerangkan sampel hasil daripada analisis dan manipulasi data.
 Contoh ~ Tahap math / statistics anxiety di kalangan pelajar statistik diperoleh melalui
min math / statistics anxiety bagi 108 orang pelajar statistik yang dipilih secara
randomness & representativeness. Maka jawapan yang dihasilkan adalah statistik.
 Nilai statistik yang diperoleh bukan sekadar menerangkan nilai sampel tetapi juga
digunakan untuk membuat kesimpulan dan ujian hipotesis.

V. PEMBOLEHUBAH
• Ciri / sifat sesuatu objek, tingkah laku manusia atau fenomena yang boleh diukur,
berbeza dan berubah.
• Contoh ~ jantina, berat badan, tahap kognitif, kelas sosial, sikap, kadar jenayah, kadar
pengangguran dsb.
• Pemahaman terhadap konsep Hubungan (relationships) dan Sebab-Akibat (causes)
adalah penting dalam memahami serta menerangkan fenomena sosial.

a. PEMBOLEHUBAH BEBAS [INDEPENDENT VARIABLES (IV)]

Pembolehubah yang boleh menerangkan, meramal atau membawa perubahan terhadap
pembolehubah terikat (DV).
Dengan erti kata lain ~ penentu kepada pembolehubah terikat.
Contoh ~ Tahap pendidikan dianggap sebagai penentu kategori pendapatan.
 b. PEMBOLEHUBAH TERIKAT [DEPENDENT VARIABLES (DV)]
Pembolehubah yang dipengaruhi oleh pembolehubah bebas.
Contoh ~ Kajian mengenai faktor-faktor yang mempengaruhi kejayaan atau kegagalan
seseorang pelajar dalam kursus statistik. Tabiat membaca dan personaliti pelajar
dikatakan mempunyai pengaruh terhadap gred markah.
IV = Tabiat membaca dan personaliti
DV = Gred markah.

c. PEMBOLEHUBAH KUALITATIF
Juga dikenali sebagai pembolehubah diskrit. Banyak menggunakan perkataan dan
kadang-kadang imej berbanding dengan nombor.
Contoh ~ jantina, agama, tempat lahir, warna kulit dan sebagainya.

d. PEMBOLEHUBAH KUANTITATIF
Bersifat nombor atau nilai angka.
Contoh ~ Jumlah hari pelajar tidak hadir kuliah, jangka hayat dan sebagainya. bermula
dari 1, 2, 3 ……. N hari.

VI. KESAHAN
• Sesuatu jenis pengukuran ~ memastikan kesahan (mengukur apa yg hendak diukur).
• 2 jenis / isu
- Kesahan Dalaman ~ pembolehubah bebas tidak dipengaruhi oleh pembolehubah luar
yang lain dengan mengadakan kawalan.
- Kesahan Luaran ~ pemilihan sampel yang dapat mewakili populasi.

VII. TATACARA PEMBULATAN

• Sekiranya digit tersebut lebih besar daripada 5, campurkan 1 kepada nombor digit ke-2.
• Sekiranya digit tersebut lebih kecil daripada 5, kekalkan nilai nombor ke-2.
• Contoh : 26.234 = 26.23 , 26.236 = 26.24
BAB 2 SKALA PENGUKURAN
• Skala pengukuran adalah penentu kepada pemilihan & penggunaan jenis analisis statistik
(prosedur statistik).

• Terdapat 4 jenis skala pengukuran (data) asas ~ berasal dari penyelidikan pakar psikologi
S. S. Steven 1964 :
o Skala Nominal
o Skala Ordinal
o Skala Sela / Selang (Interval)
o Skala Nisbah (Ratio)

a. SKALA NOMINAL
• Mengkategorikan pembolehubah berdasarkan kepada ciri-ciri kesamaan (nama /
kumpulan / kategori) & melabelkannya.
• Mengkaji pembolehubah kualitatif (kategori).
• cth ~ Jantina (lelaki & perempuan), Warna (biru, hijau, kuning, merah)
• Kategori atau nombor tidak mempunyai susunan peringkat data tetapi dianggap setara.
Kod 1 = 2 = 3 = 4

b. SKALA ORDINAL
• Daripada peringkat paling rendah sehingga paling tinggi dan sebaliknya.
• Mengkaji pembolehubah kualitatif & kuantitatif. (cth ~ kelas sosial, kedudukan dlm
pertandingan memancing)
• cth 1 ~ Kedudukan dalam suatu perlawanan (tanpa maklumat / keterangan perbezaan
masa)
• Peserta yang mendapat tempat pertama adalah lebih laju berbanding dengan
perserta kedua & ketiga.
• Data ordinal mempunyai pemberat. Kedudukan yang lebih tinggi @ rendah.
(A > B, A = B @ A < B)
c. SKALA INTERVAL
• Nama lain ~ Skala Sela / Skala Selang.
• Nilai 0 yang tidak mutlak (arbitrari).
• cth ~ perbezaan suhu di antara 20º dengan 30º adalah sama dengan perbezaan di antara
30º dengan 40º.
• Kedua-duanya berbeza sebanyak 10º.
• Tetapi harus beri perhatian bahawa suhu 40º tidak sama dengan 2 kali ganda suhu 20º.
• Nilai dalam skala interval adalah arbitrari. (nilai 0 mempunyai makna).

d. SKALA RATIO
• Skala pengukuran yang paling mantap. Menggunakan pembolehubah kuantitatif.
• Mempunyai nilai 0 yang mutlak ~ menandakan sifat atau titik permulaan (point of origin)
sesuatu pengukuran. (nilai 0 yang tidak mempunyai makna atau dgn perkataan lain =
tiada)
cth. 0 pendapatan = tiada pendapatan
BAB 3 METOD PEMERIHALAN DATA

PEMERIHALAN DATA
Tujuan ~ menggunakan metod & teknik menerangkan angka
i. Taburan Kekerapan (membentuk jadual taburan & memperihalkan data)
ii. Ukuran Kecenderungan Memusat (cth. min,median & mod)
iii. Ukuran Serakan (cth julat, min sisihan, sisihan piawai & varians )
iv. Transformasi Data (cth persentil, pangkat persentil & skor z & T)

TABURAN KEKERAPAN / FREKUENSI

 Mengelompokan data mentah atau data yang tidak teratur ke dalam kategori tertentu.
 Markat akan disusun mengikut turutan, dgn. markat yang paling rendah atau tertinggi
diletakkan di bawah susunan.
 Kekerapan (k) [frequency (f)]  bilangan markat (skor) yang muncul / timbul.
 N  jumlah data mentah (cerapan) / bilangan kes.
 cth Jadual Taburan Kekerapan (Data Tidak Terkumpul)
TABURAN KEKERAPAN BAGI DATA TERKUMPUL
 Dapatkan nilai yang paling rendah dan tertinggi. Susunkannya mengikut urutan dari yg
paling rendah hingga tinggi atau sebaliknya.
 Kelas yang dibentuk mesti merangkumi nilai yang paling rendah & tinggi dlm sesuatu
taburan.
 Jenis Kelas ~ bilangan kelas, selang kelas, & had sebenar kelas, nilai titik tengah kelas
dsb.

LANGKAH PEMBENTUKAN JADUAL TABURAN KEKERAPAN:

1. Tentukan Bilangan Kes/bil Ss (N).
2. Tentukan skor / nilai terendah & nilai tertinggi.
3. Susunkan data dari skor terendah ke nilai tertinggi atau sebaliknya.
4. Hitungkan Kekerapan masing-masing skor.
5. Kirakan Bilangan Kelas.
6. Kirakan Selang Kelas.
7. Kirakan Nilai Had Sebenar (nilai had rendah & had tinggi).
8. Kirakan Nilai Titik Tengah (x).
9. Bentukkan Kekerapan (k).
10. Kirakan Kekerapan Kumulatif (kk).
11. Kirakan Peratus Kekerapan (%).
12. Kirakan Peratus Kekerapan Kumulatif (%k).

BILANGAN KELAS
• Bergantung kpd jumlah bilangan kes (N) taburan. Idealnya 10 – 20 (sekiranya tidak
menggunakan formula)
• Hukum Struge: Bilangan Kelas = 1 + 3.3 log (N)
N = bilangan kes
SELANG KELAS (SK)
 Dapatkan julat = perbezaan markat tertinggi dgn markat terendah.
 Idealnya: 5 – 15 selang kelas (sekiranya tidak menggunakan formula).
 SK = Julat / Bilangan Kelas.

NILAI HAD SEBENAR KELAS

• Ada 2 jenis  nilai had terendah (bawah) & had tinggi (atas).
• Cth Pengiraan : Jika Sela Kelas  45 – 52
• Dapat nilai sebelum 45 iaitu 44 dan tambahkan kpd 45
 (44 + 45) / 2 = 44.5 utk nilai had sebenar yang terendah.
• Dapat nilai selepas 52 iaitu 53 dan tambahkan kpd 52
 (52 + 53) / 2 = 52.5 utk nilai had sebenar yang tertinggi.

NILAI TITIK TENGAH (TT)

 Formula : (Nilai Tinggi + Rendah)/2
 Cth pengiraan: Bagi kelas 45 – 52
 (45 + 52)/2 = 48.5

KEKERAPAN (K)
• Jumlah bilangan (berapa kali) sesuatu nilai / markat / skor yang terdapat dalam sesauatu
SK.
• Apabila kesemua Kekerapan ini dijumlahkan hasilnya mesti bersamaan dengan N.

KEKERAPAN KUMULATIF (KK)

 Hasil tambah secara zig-zag atau menegak kekerapan setiap kelas yg bermula dari sela
kelas yang paling rendah.
  Nilai kekerapan kumulatif pada sela kelas yang tinggi mesti bersamaan dengan N.

PERATUS (%K)
 Formula : (kekerapan/N)100
 Jumlah Peratus mesti bersamaan dengan 100.

PERATUS KUMULATIF (%KK)

• Hasil tambah secara zig-zag ke atas/ke bawah ikut nilai setiap sela kelas yg terendah atau
yang paling rendah.
• Nilai peratus kumulatif pada kelas yang paling tinggi mesti bersamaan dengan 100.

PEMERIHALAN DATA DENGAN MENGGUNAKAN GRAF & GAMBARAJAH

CARTA TURUS / CARTA BAR / CARTA PALANG (COLUMN CHART / BAR CHART)
• Menggambarkan data jenis nominal & ordinal (menggunakan data kualitatif ~ diskrit).
• Mewakili setiap kategori yg bersifat saling eksklusif.
• Setiap turus berpisah dengan turus yg lain.

Carta Bulatan / Carta Pai (Pie Chart)

• Menunjukkan perbandingan kategori dalam data nominal atau ordinal.
• Keluasan (saiz) dilukis berdasarkan kekerapan atau peratus kekerapan sesuatu kategori.
• Keluasan bahagian dikira dlm bentuk sudut / darjah (º).
HISTOGRAM
• Menggambarkan data jenis interval atau ratio (menggunakan data kuantitatif [selanjar]).
• Menggunakan Nilai Had Sebenar dalam jadual kekerapan sebagai panduan.

POLIGON (Frequency Polygon)

• Menggambarkan data interval atau ratio.
• Menggunakan Nilai Titik Tengah bagi mewakili setiap kelas taburan.
• Garisan graf dilukis melalui setiap titik tengah dalam bentuk garisan lurus.
GRAF OGIF (OGIVE / CUMULATIVE FREQUENCY OR PERCENTAGE CURVE)
• Menggambarkan nilai kumulatif kekerapan atau peratus kumulatif kekerapan.
• Menggunakan Nilai Had Sebenar sebagai paksi x.
• Titik (plot) yg terakhir adalah sama nilai dgn jumlah kes atau 100%.

NILAI ASAS & NILAI HUJUNG (STEM & LEAF DIAGRAMS)

• Berguna dlm merumuskan & menerangkan sampel data / data mentah (kurang drpd 100
skor).
• Menggabungkan teknik taburan kekerapan dan gambaran taburan setiap kes (markat)
bermula dari markat yg paling kecil sehingga markat yg paling besar.
• Paksi menegak ~ nilai asas (digit pertama markat) disusun mengikut urutan pada sebelah
kiri.
 • Nilai hujung diletak di sebelah kanan nilai asas dan susun mengikut urutan (berbentuk
garisan melintang).

DATA OUTLIER
• Data yg terpencil jauh (terlalu tinggi atau terlalu rendah ~ markat ekstrim) daripada
kebanyakan data.
• Dpt mempengaruhi gambaran sebenar taburan data dan keputusan seperti min, varians &
sisihan piawai.
• Sebab terjadinya data outlier - Silap pilih Subjek / sampel kajian yg tidak dpt mewakili
populasi (wajar keluarkan subjek tersebut).

BENTUK TABURAN KEKERAPAN

• Taburan Semukur (Symmetrical)
• Taburan Normal (bell-shaped)
• Taburan Segi Empat Tepat (rectangular or uniform)
• Taburan U-Shaped
• Taburan J-Shaped
• Leptokurtosis
• Platikurtosis
• Mesokurtosis
• Taburan Herot (Skewed)
• Taburan Herot Positif (positively skewed)
• Taburan Herot Negatif (negatively skewed)
BAB 4 UKURAN KECENDERUNGAN MEMUSAT

ASAS OPERASI / FORMULA MATEMATIK ATAU STATISTIK

• Rules of algebraic order ~
1. Parentheses [Tanda kurungan] ( ) [cth X – Y]
2. Exponentation (x2)
3. x dan / atau ÷
4. + dan / atau –
• Σx = Jumlah x (sum of x)
• Σ = Sigma
• x = Pembolehubah yg diukur

UKURAN KECENDERUNGAN MEMUSAT

• Penting dlm mengenal pasti markat purata dan indeks kepusatan sesuatu taburan data.
• Menerangkan & merumuskan keseluruhan set data dengan menggunakan satu nilai
(markat) yg terletak pada atau berdekatan dengan kepusatan taburan data tersebut.
• Cth ~ eksperimen penentuan statistics anxiety di kalangan pelajar lelaki dan perempuan.

MIN (THE ARITHMETIC MEAN)

 • Jumlah semua markat dalam taburan dibahagikan dengan jumlah kes.
• Tidak boleh digunakan dalam mengukur data nominal tetapi data interval atau ratio.
• Simbol ~ μ (mew) – Min Populasi
M atau X (X bar) – Min Sampel

MIN KUMPULAN BERGABUNG (WEIGHTED MEAN / OVERALL MEAN)

• Juga dikenali sebagai min pemberat (Mp) atau xw (weighted mean).
• Gabungan min markat utk beberapa kumpulan (tidak mempunyai bilangan kes yg sama)
dan mendapatkan min keseluruhan sampel.

SIFAT MIN
• Min dipengaruhi oleh sebarang perubahan nilai (exact value) dalam taburan.
~ dipengaruhi oleh data yg ekstrem (nilai terendah atau tertinggi) & data outlier.
• Jumlah skor atau markat sisihan dari min bersamaan dengan sifar. (Σ(X1 – X) = 0)
~ Markat sisihan = perbezaan di antara sesuatu markat dalam taburan dgn min taburan
tersebut.

MEDIAN
 • Menggambarkan nilai titik tengah seluruh taburan data.
• Nilai penengah ~ bahagikan taburan kepada 2 iaitu 50% markat di atas & 50% markat di
bawah.
• Simbol penulisan ~ Mdn
~ Mdnμ = Median Populasi Mdnx = Median Sampel

MOD (MODE)
• Markat (skor) yg mempunyai kekerapan yg paling banyak dlm taburan data.
• Indeks yg paling mudah dlm menggambarkan ukuran kecenderungan memusat.
• Moμ = Mod Populasi Mox = Mod Sampel

PERBANDINGAN DI ANTARA MIN, MEDIAN & MOD

• Data Nominal (sifat kualitatif) ~ Mod
• Data Ordinal ~ Median & Mod
• Data Interval & Ratio ~ Min, Median & Mod
• Membuat inferensi kpd populasi ~ Min (dpt manipulasi statistik terhadap min)
BAB 5 UKURAN SERAKAN DATA

UKURAN SERAKAN
• Ukuran Kecenderungan Memusat ~ jelaskan purata & keadaan kepusatan markat dlm
taburan.
• Ukuran Serakan ~ gambaran ttg perbezaan (keseragaman) & serakan (jarak) markat dlm
taburan.
• Kepentingan ukuran serakan ~ penggunaan ujian statistik inferensi & mengkaji perbezaan
atau keberkesanan sesuatu program.

JULAT
• Julat = Markat Tertinggi – Markat Terendah
• Perbezaan di antara markat maksimum dengan markat minimum dlm sesuatu taburan.
• Dipengaruhi oleh extreme scores ~ mudah berubah dari sampel ke sampel.

MIN SISIHAN
 • Setiap markat dlm sesuatu taburan mempunyai sisihan drpd min. (sisihan = jarak di
antara markat dgn min)
• Menggunakan nilai mutlak markat sisihan piawai drpd min ([X-M]).

VARIANS
• Merupakan min (purata) kpd jumlah kuasa dua markat sisihan drpd min. (jumlah kuasa
dua setiap markat – nilai min)
• Varians Sampel sering digunakan & merupakan anggaran kepada Varians Populasi.
• Semakin besar nilai varians ~ semakin besar perbezaan & keseragaman markat.

SISIHAN PIAWAI
• Sisihan Piawai dikira dari nilai varians dgn melakukan punca kuasa dua kpd nilai varians
tersebut.
 • Sisihan piawai dpt menggambarkan perbezaan & kepelbagaian dlm bentuk unit yg sama
dgn markat asal ~ kenal pasti keadaan serakan data dlm taburan.
• 2 jenis sisihan piawai ~
Parameter Populasi (σ) & Statistik Sampel (s)

BAB 6 TRANSFORMASI DATA

TRANSFORMASI DATA
• Pemerihalan markat / data secara kumpulan dgn menggunakan Ukuran Kecenderungan
Memusat & Ukuran Serakan masih dianggap tidak mencukupi.
• Membandingkan & merumuskan markat (secara individu) drpd keseluruhan set data
mengikut norma rujukan markat.
• cth ~ Ingin ketahui prestasi setiap individu dlm kumpulan yg dikaji atau berminat utk
teliti kepelbagain dan perbezaan kes demi kes.

PERSENTIL
• Markah yg terletak pada atau di bawah % yd d tentukan dalam sesuatu taburan
• P60 ~ sebanyak 60% markah terletak pada & di bawah persentil tersebut.
• cth ~ katakan P82 menggambarkan market exam statistik 50 - maka sebanyak 82%
pelajar memperoleh markah 50 ke bawah.
PANGKAT PRESENTIL
• Kedudukan relatif sesuatu skor dalam sesuatu taburan
• Merupakan bilangan markat atau kes yg berada pada sesuatu markat @ di bawah markat
tersebut.

MARKAT PIAWAI
 • Metod utk mempiawaikan atau transformasi markah dgn menguna min dan sisihan
piawai.
• Membandingkan markat yg terdpt dalam pelbagai taburan.
• Nisbah antara markah sisihan dgn sisihan piawai.
Markat mentah - Min
• Formula ~ Markat Piawai (z) = Sisihan Piawai
• tanda –ve = markat mentah yg asal lebih rendah drpd min kumpulan
tanda +ve = markat mentah yg asal lebih tinggi drpd min kumpulan
bersamaan 0 = markat mentah yg asal sama dgn min kumpulan

MARKAT TRANSFORMASI ~ MARKAT T

• Markat T = (Markat z * 10) + 50
• Kelebihan Markat T ~ menghilangkan tanda –ve markat z

BAB 7 HYPOTHESIS TESTING

Steps in Hypotesis Testing (Correlation Method)

1 Step: State the null hypothesis (Ho) for the problem . We can also use the alternative hypotesis
(H1). No need to use both.
‘there is no correlation between motivation and performance’

2 Step: Next, we select/ choose the appropriate significant level (aras kesignifikanan, α (alpha
level). The α commonly used is .05. Thus :
Written Simply : α = .05

3 Step: We have to find the degree of freedom, df/ darjah kebebasan, dk. It’s would depend on
the statistical method used. IN Pearson correlation, df/dk = n-2
4 Step: Normally it’s a long and sometime tiring and confused steps to calculate the value, rcalc..
• let’s say the calculated value is rkir/cal. = + 0.82

Steps 5: To decide the status of Ho: we have to find the critical value with the use of df/dk
value and the α value (decided as .05).
• With dk = 8 and α = .05 the value of rcrit. is equal to 0.632 ( rcrit. = 0.632).

Decision : The rcalculated/obtained = 0.82. and rcrit. = 0.632 ( rkrit. = 0.632) we ca reject Ho.
• We can conclude that there is a significant correlation (korelasi/hubungan) between
income and student performace., r (8) = 0.82, p < .05.

BAB 8 KORELASI MUDAH

KORELASI
 Hubungan antara pembolehubah atau kaitan di antara faktor ~ perubahan di antara
pembolehubah.
 Metod Korelasi digunakan untuk menentukan tahap keterkaitan magnitud (magnitude)
antara faktor yang dikaji & arah (direction) sesuatu hubungan sama ada positif atau
sebaliknya.
 Hubungan Positif (direct) ~ apabila markat X tinggi maka markat Y juga tinggi (X ↑ Y
↑) dan sebaliknya ketika markat X rendah maka markat Y turut rendah (X ↓ Y ↓).
 Hubungan Negatif (indirect / inverse) ~ apabila markat X tinggi tetapi markat Y rendah
(X ↑ Y ↓) dan sebaliknya ketika markat X rendah maka markat Y tinggi (X ↓ Y ↑
).
 Hubungan Sempurna (perfect) ~ semua markat terletak pada garisan lurus. (jarang
wujud dlm bidang sains sosial)
  Hubungan Tidak Sempurna (imperfect) ~ terdapat hubungan tetapi markat tidak
terletak pada garisan lurus. (curvilinear relationship)
 Tiada Hubungan ~ apabila markat X dan Y tidak mempunyai hubungan (apabila X ↑
tetapi Y tidak semestinya ↑ atau ↓).

PEKALI KORELASI (Correlation Coefficient)

• Indeks numeric yg menggambarkan hubungan linear antara 2 pembolehubah.
• Julat di antara -1.0 hingga +1.0.
• +1.0 ~ hubungan positif yg amat kuat.
• -1.0 ~ hubungan negatif atau songsang yg amat kuat.
• 0 ~ tidak mempunyai hubungan.
• Pearson Correlation ~ kaji hubungan di antara 2 pembolehubah yg bersifat selanjar
(cth. ketinggian, umur, skor, pendapatan dll).
• Point-Biserial Correlation ~ kaji pembolehubah yg bersifat diskrit atau kategori
(cth. bangsa, kelas sosial, sistem politik dll).

INTERPRETASI PEKALI KORELASI

• Nilai pekali korelasi ~ Darjah (kekuatan) hubungan – nilai kecil atau besar
(menghampiri 0 atau 1).
 • Nilai r yg hampiri 0 ~ hubungan lemah.
• Nilai r yg hampiri 1 ~ hubungan tinggi.
• Semakin tinggi nilai r ~ semakin kuat
hubungan.

PENGGUNAAN KONTEKS VARIANS

• Perbezaan (serakan) individu dlm satu pembolehubah dgn pembolehubah yg lain.
• Jumlah varians ~ nilai kuasa dua r (r2).
• Nilai r2 ~ pekali penentuan.
• cth ~ rxy = .70 maka r2xy = .702 atau .49. Ini bermakna 49% varians x berhubung
dengan varians y.

MENGIRA PEKALI KORELASI

Formula Pearson (Pekali Korelasi Pearson r)
• cth ~ rxy – korelasi antara pembolehubah x dengan pembolehubah y.
Formula Spearman (Pekali Korelasi Pangkat)
 Di kenali juga, rho (Spearman rank order correlation coefficient) digunakan jika data
pembolehubah bersifat ordinal (pangkat).
Korelasi Dwisiri Titik
• Apabila salah satu pembolehubah mempunyai data nominal & berbentuk dikotomi
(ukuran 2 aras sahaja) [format binari].
• cth : dikotomi sebenar ~ jantina (lelaki & perempuan), item ukuran psikologi (ya &
tidak).

KORELASI DWISIRI
• Digunakan pada pembolehubah yg menggunakan data jenis dikotomi tiruan &
mempunyai taburan markat yg normal (hampir normal).
KORELASI DWISIRI PANGKAT
 Hampir sama dgn korelasi dwisiri titik.
 Salah satu pembolehubah mempunyai data nominal & bersifat dikotomi.

PEKALI PHI
 Indeks hubungan di antara kedua-dua pembolehubah yg mempunyai data nominal secara
dikotomi.
KORELASI TETRACHORIC
 Kenal pasti ketekalan dalaman (keseragaman & kesinambungan) antara item dlm
penilaian ujian psikometrik.
 Kod 1 ~ jawapan Ya (betul) manakala Kod 0 ~ jawapan Tidak (salah).
PENGUJIAN HIPOTESIS
 Pekali Korelasi Pearson digunakan utk menunjukkan darjah hubungan di antara 2
pembolehubah dlm populasi.

1. Pembinaan Hipotesis

Membentuk hipotesis utk menguji sampel dan keputusan yg diperoleh akan

digerenalisasikan terhadap populasi.
• Hipotesis Nul (H0)
• H0 : Pxy = 0
~ Tidak terdapat hubungan di antara X dgn Y.
~ Merujuk kepada populasi (indirectly tested).
• Hipotesis Pilihan (H1)
• H1 : Pxy ≠ 0
• ~ Terdapat hubungan di antara X dgn Y.
~ Merujuk kepada sampel (directly tested).
• Hipotesis Terarah
~ Nyatakan hubungan +ve atau –ve.
~ Terdapat hubungan yg +ve di antara X dgn Y.

2. Penentuan Kriterium utk Menolak H0

• Memilih Aras Kesignifikanan Pengujian
- Aras kesignifikanan pengujian yg biasa digunakan ~ 0.05 atau 0.01 dan 0.10.
- nilai p ~ probability value
• Penentuan Nilai Kritikal
 - Berdasarkan kpd taburan persampelan (Jadual Nilai Kritikal Pekali Korelasi).
- Bergantung kpd darjah kebebasan (dk) ~ N-2, di mana N merujuk kpd jumlah
pasangan

3. Pengiraan Statistik
 Penggunaan formula ~

Katakan r = +0.88

4. Keputusan
• nilai r lebih besar drpd nilai kritikal 0.632.
~ nilai r = 0.88 berada di kwsn penolakan H0.
~ H0 ditolak tetapi H1 diterima.
~ terdpt hubungan +ve yg signifikan & sederhana tinggi di antara X dgn Y.

5. Interpretasi Keputusan & Rumusan

PEKALI KORELASI PANGKAT SPEARMAN
• Pengujian signifikan Pekali Korelasi Pangkat Spearman dan Pearson adalah hampir sama.
~ tidak bergantung kepada darjah kebebasan (dk) tetapi berdasarkan kepada jumlah
pasangan data (N) ~ dk = N

1. Pembinaan Hipotesis
• Hipotesis Nul (H0) ~ H0 : Ps = 0
• Hipotesis Pilihan (H1) ~ H1 : Ps ≠ 0
• Hipotesis Terarah ~ nyatakan hbgn +ve atau –ve

2. Kriterium utk Menolak H0

• Bergantung kpd N bukan dk.
• Tentukan aras kesignifikanan sama ada 0.05, 0.01 atau 0.001 tetapi tidak boleh .000
• Tentukan pengujian satu atau dua hujungan.
• Tentukan nilai kritikal bagi Pekali Korelasi Pangkat Spearman (rujuk Jadual Nilai
Kritikal Pekali Korelasi Pangkat Spearman).
3. Pengiraan Statistik

4. Keputusan
• r ~ +ve & tinggi.
• nilai r lebih besar drpd nilai kritikal 0.648.
~ nilai r = 0.92 berada di kwsn penolakan H0.
~ H0 ditolak tetapi H1 diterima.
~ terdpt hubungan +ve yg signifikan & tinggi di antara X dgn Y.
5. Interpretasi Keputusan & Rumusan
• Tuliskan keputusan sebagai ~
• r ~ simbol pekali korelasi

• (10) ~ nilai jumlah pasangan data (N)

• 0.92 ~ nilai pekali korelasi
• P < 0.05 ~ aras pengujian yg digunakan (tuliskan sama ada lebih besar atau lebih kecil
drpd nilai pengujian signifikan yg digunakan)

PEKALI KORELASI DENGAN MENGGUNAKAN TABURAN t

• Penggunaan formula ~

•
~ r = pekali korelasi
~ N = jumlah pasangan markat
• Penggunaan darjah kebebasan (dk) ~ N-2 apabila parameter pekali korelasi p = 0.

1. Pembinaan Hipotesis
 Hipotesis Nul (H0) ~ H0 : Pxy = 0
 Hipotesis Pilihan (H1) ~ H1 : Pxy ≠ 0
 Hipotesis Terarah ~ nyatakan hbgn +ve atau –ve

2. Kriterium utk Menolak H0

 Bergantung darjah kebebasan (dk).
 Tentukan aras pengujian sama ada 0.05, 0.01 atau 0.10.
 Tentukan pengujian satu atau dua hujungan.
 Tentukan nilai kritikal bagi t (rujuk Jadual Taburan t).
cth ~
• dk = N – 2 ~ 10 – 2 = 8
• Aras Kesignifikanan ~ 0.05
• Hala Pengujian ~ 2 hujungan
• Pekali Korelasi (Nilai Kritikal t) ~ 2.306 (rujuk kpd Jadual Taburan t).
• Utk menolak H0 ~ r ≥ +2.306 atau r ≤ -2.306.

3. Pengiraan Statistik

4. Keputusan
• t ~ +ve & sederhana.
• nilai t lebih besar drpd nilai kritikal 2.306.
~ nilai t = 5.24 berada di kwsn penolakan H0.
~ H0 ditolak
~ terdpt hubungan +ve yg signifikan & sederhana di antara X dgn Y.
5. Interpretasi Keputusan & Rumusan
• Tuliskan keputusan sebagai ~

•
• t ~ simbol taburan t
• (8) ~ nilai darjah kebebasan (dk)
• 5.24 ~ nilai taburan t
• P < 0.05 ~ aras pengujian yg digunakan (tuliskan sama ada lebih besar atau lebih kecil
drpd nilai pengujian signifikan yg digunakan)
BAB 9 METOD REGRESI MUDAH

METOD REGRESI
• Digunakan utk menguji ramalan, anggaran atau jangkaan.
• Metod yg berguna dlm penyelidikan tingkah laku sosial.
• Semakin tinggi nilai r (korelasi) ~ semakin tepat ramalan.

REGRESI GARISAN LURUS

• Persamaan Regresi ~ menjelaskan hubungan (+ve atau –ve) 2 pembolehubah &
mengesan perubahan unit dlm markat.
• Berfungsi sebagai model analisis dlm metod regresi.
~ Y’ = a + bX

Y’ = Pembolehubah terikat yg diramal

a = nilai malar yg terletak pada pintasan pembolehubah Y
(pintasan pada paksi Y / malar regresi)
b = kecerunan garisan regresi (pekali regresi)
X = pembolehubah bebas yg digunakan utk meramal

Pintasan Garisan Regresi pada Paksi Y (a)

MARKAT ANGGARAN & RALAT RAMALAN

Ralat Piawai Anggaran

  Penggunaan Y’ utk menggangar markat Y lebih baik drpd penggunaan Y (min Y).
 Nilai pekali korelasi r yg tinggi ~ nilai ralat piawai anggaran lebih rendah.
 Nilai pekali korelasi yg rendah ~ nilai ralat piawai anggaran lebih tinggi.

HUBUNGAN PEKALI REGRESI DENGAN PEKALI KORELASI

 Pekali Regresi (b) berkait dgn Pekali Korelasi (r) ~ apabila r +ve - b +ve dan sebaliknya.
 Pekali Korelasi (r) boleh digunakan utk mengira Pekali Regresi (b) dgn menggunakan
formula ~
 Hubungan di antara Korelasi dan Regresi berkait dgn pengiraan ralat piawai anggaran S y.x
yg boleh dianggar berdasarkan nilai kuasadua pekali korelasi (r 2) atau pekali penentuan
khusus sampel besar.

PERBEZAAN MODEL KORELASI DGN REGRESI

 Korelasi Regresi

 Mengaji hubungan antara  Meramal sesuatu pembolehubah

pembolehubah bebas & pembolehubah berdasarkan kepada pembolehubah yg
terikat. lain.

 Sukar membezakan pembolehubah  Mudah membezakan di antara

bebas dan pembolehubah terikat. pembolehubah bebas dan
pembolehubah terikat.

 Taburan Dwiperubah (bivariate  Taburan Y Bersyarat.

distribution).

 Diwakili 5 parameter / statistik ~ min  Diwakili 3 parameter / statistik ~

x, min y, sisihan piawai x, sisihan malar regresi (a), pekali regresi (b) &
piawai y & pekali korelasi r. ralat varians S2y.x.

 Pekali r digunakan sebagai  Pekali r tidak berapa sesuai dijadikan

kesimpulan. sebagai kesimpulan. (penggunaan r2 ~
pekali penentuan).

PENGUJIAN HIPOTESIS (PENGUJIAN SIGNIFIKAN PEKALI REGRESI)

PEKALI REGERSI
 Sekiranya nilai r ~ +1.0 atau -1.0 maka semua titik serakan markat 2 pembolehubah
terletak di atas garisan regresi.
 Sekiranya r = 0 ~ serakan markat tidak menentu, terserak secara rawak ~ sukar utk
meramal kedudukan pembolehubah Y berdasarkan pemblehubah X (tidak terdapat
kecerunan garisan & garisan regresi mendatar).
 Apabila nilai pekali regresi (b = 0) maka malar regresi (a) pada pintasan Y (a = min
pembolehubah Y).
 Maka markat ramalan (Y’ = Y).

Pengujian Signifikanan Pekali Regresi

1. Pembinaan Hipotesis
 Parameter pekali regresi ~ Beta (β).
 H0 : β= 0 (tidak dpt dijangka ~ ramalan adalah sifar)
 H1 : β≠0

2. Statistik
 Uji sama ada parameter β= 0
 Penggunaan Statistik t & Taburan t
 Formula ~

3. Kriterium Menolak H0
• Penggunaan pengujian 2 hujungan.
• Penggunaan Darjah Kebebasan (dk) ~ N-2.
• Tentukan nilai kritikal t pada Jadual Taburan t.
• H0 akan ditolak sekiranya statistik t yg dikira lebih besar atau lebih kecil drpd nilai
kritikal.

4. Pengiraan Statistik t
• Dptkan nilai ~
• JKDx
• Ralat Piawai Pekali Regresi (Sb)
• Ralat Piawai Ramalan (Sy.x)
• Statistik t
 5. Keputusan
• Tengok nilai t lebih besar atau lebih kecil drpd nilai kritikal t.
• Sekiranya nilai t lebih besar ~ H0 ditolak & pekali regresi (b) lebih besar drpd sifar.
• Mampu buat ramalan.

6. Interpretasi
• cth ~ keputusan menunjukkan X mampu meramal Y secara signifikan.
• Perubahan markat X dpt mengesan perubahan markat Y secara signifikan,
t (8) = 5.31, p < 0.05.

Pengujian Signifikan Metod Regresi

1. Pembinaan Hipotesis
• Parameter pekali regresi ~ Beta (β).
• H0 : β= 0 (tidak dpt diramal atau kesan)
• H1 : β≠0

2. Statistik
• Metod Regresi (Statistik F) digunakan
• Formula ~

•
3. Kriterium Menolak H0
• Statistik F mempunyai taburan ~ taburan F.
• Darjah kebebasan (dk) 2 komponen anggaran varians yg mempunyai darjah kebebasan P
& (N-P-1).
• cth ~ data mempunyai 1 pembolehubah bebas (peramal) ~ dk1 = (P = 1).
~ N = 10 ~ dk2 = (N-P-1) = (10 – 1 – 1) = 8
~ darjah kebebasan statistik F ~ 1 & 8
~ katakan α= .10
~ nilai kritikal F = 3.46
~ Sekiranya nilai Statistik F melebih nilai kritikal F ~ H0 ditolak.
• Nilai Statistik F tidak mempunyai nilai –ve ~ kira cara jumlah kuasadua.

4. Pengiraan Statistik F
• Formula ~

5. Keputusan
• Tengok nilai F lebih besar atau lebih kecil drpd nilai kritikal F.
• Sekiranya nilai F lebih besar ~ H0 ditolak & pekali regresi (b) lebih besar drpd sifar.
• Mempunyai kuasa ramalan & kesan.

6. Interpretasi
• cth ~ keputusan menunjukkan X mampu meramal Y secara signifikan.
• Perubahan markat X dpt mengesan perubahan markat Y secara signifikan.
• (F (8) = 29.15, p < 0.10)
PENGUJIAN SIGNIFIKAN PERATUS VARIANS
• Pekali Penentuan – kuasadua pekali korelasi (r2) yg menggambarkan % varians
pembolehubah terikat Y yg disumbangkan oleh pembolehubah bebas.
• Ralat Varians (1 – r2) - % varians yg tidak disumbangkan oleh pembolehubah bebas.
BAB 10 ANALISIS PERBANDINGAN MIN DUA SAMPEL KUMPULAN (ujian t )

Jenis Ujian t –ujian perbezaan

A. PERBANDINGAN MIN DUA SAMPEL BEBAS
B. 1.Varians Seragam atau tidak berbeza
Jika Varians Seragam  Varians kedua-dua kumpulan secara relatifnya sama besar i.e
nisbah varians kumpulan 1 dgn varians kumpulan 2 tidak melebihi 2 kali ganda
nisbahnya (1:2).
C. 2.Varians Berbeza
Jika varians Tidak Seragam  Nisbah varians kumpulan 1 dgn varians kumpulan 2
melebihi 2 kali ganda.

B. PERBANDINGAN MIN DUA SAMPEL BERHUBUNGAN

PERBANDINGAN MIN DUA SAMPEL BEBAS VARIANS SERAGAM

PEMBENTUKAN HIPOTESIS:
 Biasanya guna Hipotesis Nol (H0)
 Min/tahap kemurungan pelajar lelaki tidak berbeza dpd min/tahap kemurungan
pelajar perempuan.
H0 : μ1 = μ2
Atau
H0 : μ1 – μ2 = 0
TAMBAHAN: TIDAK perlu menyatakan hipotesis alternatifnya

KRITERIA UNTUK MENOLAK/MENERIMA Ho

 1. Perlu Menggunakan taburan/Jadual t dengan dua hujungan
 2. Gunakan dknya: Bagi kaedah ujian t sample bebas ini
dk = (N1 – 1) + (N2 – 1)
= N1 + N2 – 2
α = .05
PERBANDINGAN MIN 2 SAMPEL BEBAS VARIANS SERAGAM
Contoh : Tahap Kemurungan yang dialami Pelajar Lelaki Perempuan dari satu kajian.
Perhatikan varians! Kedua-dua nilai didapati tidak sangat berbeza sehingga satu varians itu
melebihi daripada yang lain. Justeru variansnya boleh dianggap seragam.

MENDAPATKAN NILAI KRITIKAL

Nilai dk diperoleh dengan formula :
 1. dk = N1 + N2
= 15 + 17 – 2
= 32 – 2 = 30.
 2. α = .05
Dengan nilai dk dan α tersebut maka kritikal t ialah tkrit = 2.042 (lihat Jadual kritikal t)
Keputusan analisis:
Oleh kerana Nilai tkir = 6.5927 adalah lebih besar drpd Nilai tkrit = 2.042, maka hipotesis nol
ditolak.
Kesimpulannya:
Min kemurungan pelajar perempuan (13.0) adalah lebih tinggi secara signifikannya daripada
min kemurungan pelajar lelaki (7.0).
Ringkasan APA t (30) = 6.5927, p < 0.05.

PERBANDINGAN MIN DUA SAMPEL BEBAS VARIANS TIDAK SERAGAM

cth : Kajian mengenai perbezaan skor kemurungan pelajar yg mempunyai penghargaan
kendiri tinggi dgn pelajar yg mempunyai penghargaan kendiri rendah.
 Metod Analisis yang Ujian t (yg alami 2 pengubahsuaian)
- terhadap nilai Ralat Piawai Perbezaan 2 Min (Sx1-x2) & nilai darjah Kebebasan (dk).

PEMBENTUKAN HIPOTESIS
 Pernyataan Hipotesis Nol (H0)nya ialah :
Min kemurungan pelajar yg mempunyai penghargaan kendiri tinggi tidak berbeza dgn min
kemurungan pelajar yg mempunyai penghargaan kendiri rendah.

Ringkasnya: H0: μ1 = μ2 Atau H0 : μ1 – μ2 = 0

KRITERIUM MENOLAK H0
1. Guna Jadual Taburan t
2. Nilai darjah kebebasan, dk yang digunakan diubahsuai kerana nilai varians 2 kumpulan ini
berbeza sehingga melebihi 2 kali ganda
 Formula dk :

3. α = .05

PENGIRAAN NILAI T BAGI PERBANDINGAN MIN 2 SAMPEL BEBAS VARIANS

BERBEZA
Taburan Min Kemurungan Pelajar Mengikut Kumpulan Penghargaan Kendiri

Keputusan:
Nilai tkir = 2.209 adalah lebih besar drpd Nilai tkrit (2.086) maka hipotesis nol (H0)
ditolak.
Kesimpulan:
Terdapat perbezaan yg signifikan dalam kemurungan di antara pelajar yg memiliki penghargaan
tinggi dengan (27.2) berbeza dgn pelajar yg memiliki penghargaan rendah (19.6).
Ringkasan APA : t (20) = 2.209, p < .05

UJIAN t untuk MIN DUA SAMPEL BERHUBUNGAN

  Cth: Kajian mengenai keberkesanan program motivasi utk membantu meningkatkan
prestasi akademik pelajar.
1. Menggunakan rekabentuk pra (sebelum program motivasi) dan pasca (selepas
program motivasi).
2. Mendapatkan perbezaan skor sebelum & selepas mengikuti program motivasi untuk
memperoleh min yang kemudian dinisbahkan kepada ralat piawai perbezaan.
3. Biasanya apabila skor prestasi selepas program itu lebih tinggi maka program motivasi
itu dikatakan Berjaya.

PEMBINAAN HIPOTESIS

Hipotesis Nol (H0)

Tidak terdapat perbezaan skor pencapaian sebelum dan selepas program motivasi.
atau
Tahap pencapaian pelajar sebelum mengikuti program motivasi tidak berbeza daripada
pencapaian selepas mengikutinya.
H0 : μ1 = μ2

Kriterium Menolak H0
  1. Guna Jadual Taburan t
 2. Nilai darjah kebebasan, dk yang digunakan adalah N-1
 3. α = .05
Dengan masalah yang dikemukakan selepas ini
Nilai dk = 9
yakni :10 – 1
α = 0.05

Markat & Perbezaan Markat Motivasi Pra dan Pasca Program

Keputusan:
Oleh kerana nilai tkir =1.316 lebih kecil drpd nilai tkrit ( 2.262) maka hipotesis nol (H0)
diterima.
Kesimpulan: Min skor prestasi semasa pra program motivasi tidak berbeza secara signifikan
daripada skor prestasi pasca program atau Program peningkatan motivasi dalam kalangan
pelajar secara signifikan tidak berjaya.

Ringkasan APA: (t (9) = 1.316, p > 0.05)