PMC500 : PENAAKULAN STATISTIK DALAM Parameter & Statistik

PENYELIDIKAN PENDIDIKAN Parameter Statistik

• angka yang • angka yang
UNIT 1: PENGANTAR STATISTIK DESKRIPTIF menghuraikan aspek menghuraikan suatu
tertentu populasi, sampel, nilai boleh
Pengenalan nilai ini selalunya berubah dari satu
tidak diketahui sampel ke sampel
yang lain, digunakan
Definisi Statistik untuk menganggar
parameter yang
• Fakta numerik nilainya tidak
• Satu disiplin ilmu: merangkumi sekumpulan diketahui
kaedah yang digunakan untuk mengumpul,
menganalisis, membentang dan mentafsir
data serta membuat keputusan
• Proses penyelesaian masalah, mencari
jawapan kepada soalan dengan
menggunakan data, yang dikumpul
berdasarkan pelan sistematik (rekabentuk
kajian)
• Satu set prosedur untuk menghurai dan
merumus data, atau membuat generalisasi
tentang sesuatu populasi berdasarkan hasil
analisis bagi data sampel

Kepentingan Statistik
Memberikan bukti empirik untuk menolak atau tidak
menolak sesuatu teori

Menerangkan dapatan kajian

Menilai laporan kajian dalam tinjauan literatur

Merancang dan melaksanakan penyelidikan

• Mendapat maklumat yang lebih bermakna

Konsep-konsep Berkaitan Statistik

Individu & Variabel
Populasi & Sampel
• Objek yang dijelaskan
Populasi Sampel Individu menggunakan satu set data
• Cth: manusia, haiwan, benda
• keseluruhan • sekumpulan individu
kumpulan individu yang dipilih untuk
yang memiliki ciri-ciri mewakili populasi • Sebarang ciri individu yang
yang sama, atau • maklumat diperolehi Variabel diukur/dicerap
data yang diperolehi daripada sampel • Cth: berat, tinggi, kelas
daripada kumpulan supaya kesimpulan
ini tentang populasi
boleh dibuat
(generalisasi)
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 1
Jenis Variabel Kuantitatif & Kualitatif Skala Pengukuran
Variabel Kuantitatif Variabel Kualitatif Terdapat empat jenis:
 dihuraikan secara  dihuraikan secara 1. Skala nominal
berangka kategori
 Cth: tinggi, berat,  Cth: jantina, jenis • Variabel bebas
pendapatan bulanan, kereta, jenis uniform • Mengklasifikasi variabel ke dalam kategori
• Tiada nilai tertentu
skor dalam ujian, suhu
• Cth: Jantina – lelaki, perempuan
bilik
2. Skala ordinal
Jenis Variabel : Selanjar & Diskret
• Variabel bebas
• Susunan kategori ada tertib, selang tidak
sama saiz
• Cth:
• Gred gaji : DG 32, DG 41, DG 44, …
• Gred Statistik : A, A- , B+, B …

3. Skala selang

• Variabel bebas
• Susunan kategori ada tertib
• Selang yang sama di antara dua kategori
• Cth:
• Suhu – 10°C, 20°C, 30°C, ...
• Perbezaan antara 20°C dan 21°C adalah
sama dengan perbezaan antara 31°C dan
32°C

4. Skala nisbah

• Variabel bebas
• Selang yang sama
Jenis Variabel : Bebas & Bersandar • Mempunyai nilai sifar sebenar (absolute
zero)
• Cth:
• Masa, Darjah Kelvin, tinggi, berat
• Tinggi – 0 m, 10 m, 20 m, etc.

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 2

Statistik Deskriptif & Inferensi UNIT 2 : STATISTIK DESKRIPTIF - MERINGKASKAN
DAN MEMPAMERKAN DATA

Frekuensi (Kekerapan)

Jadual Kekerapan Tidak Terkumpul

Statistik Parametrik & Bukan Parametrik

Jadual Kekerapan Terkumpul
Statistik Bukan
Statistik Parametrik  Kekerapan disenaraikan bagi julat tertentu dalam set
Parametrik
data
Variabel diukur dengan Variabel diukur
 Data diringkaskan lagi dengan meletakkan frekuensi
skala selang/ nisbah menggunakan skala
ke dalam selang kelas tertentu
nominal / ordinal
 Ianya bukan lagi merujuk kepada satu nilai tertentu
Skor bertaburan secara Skor tidak bertaburan
normal secara normal

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 3

Selang Kelas Membina Rajah / Carta / Graf / Plot

1. Plot titik

Membina Jadual Kekerapan Terkumpul  Menunjukkan kekerapan setiap kategori dalam

variabel diskret
 Pembinaan
o Lukis satu garis mengufuk
o Setiap kategori ditandakan pada jarak
yang sama
o Bilangan titik yang mewakili frekuensi
sesuatu kategori dilakar di atas kategori
tersebut

2. Carta Bar

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 4

3. Histogram 5. Ogif

Membina Ogif

4. Poligon Kekerapan
Membina Poligon Kekerapan

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 5

6. Plot Batang & Daun (Stem & Leaf) Langkah 2: Dapatkan nilai Pagar Bawah dan Pagar Atas
Pagar bawah = Q1 – (1.5 x IQR)

Pagar Atas = Q3 + (1.5 x IQR)

Langkah 3: Tentukan Nilai terkecil dan terbesar

berdasarkan julat antara Pagar Bawah ke Pagar Atas
Nilai terkecil dan terbesar dilihat pada data mentah
7. Boxplot (yang dalam lingkungan 41 – 137)

144 tidak dikira kerana luar daripada lingkungan 41 –

137.

Justeru,
Nilai Terkecil antara dua pagar = 69
Nilai Terbesar antara dua pagar = 112

Langkah 4 : Memplot Boxplot

Nilai Q1 Q3 Nilai
terkecil terbesar
Ringkasan 5 Angka (RLN): antara antara 2
2 pagar pagar
 Nilai Minimum
 Kuartil Bawah (Q1)
 Median
 Kuartil Atas (Q3)  Outlier ditandakan berasingan
 Nilai Maksimum  Outlier adalah nilai yang melebihi 1.5*IQR daripada
kuartil terdekat
Membina Boxplot  Outlier “ekstrim” adalah nilai yang melebihi 3*IQR
Langkah 1: Cari Median, Q1, Q3 dan IQR (Julat Antara daripada kuartil terdekat
Kuartil)

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 6

UNIT 3 : STATISTIK DESKRIPTIF - MENGHURAIKAN Sifat Min, Mod dan Median
TABURAN

Sukatan Kecenderungan Memusat

 menunjukkan kedudukan pusat suatu set data

 memperihalkan maklumat keseluruhan data dengan
satu nilai sahaja
 3 jenis lazim:
o Mod
o Median
o Min

Mod

Median

Min

Sukatan Serakan
 Sukatan yang menunjukkan sejauh mana nilai-nilai
dalam suatu set data berbeza antara satu sama lain
atau dari kedudukan pusat set data itu
 Sukatan serakan yang biasa digunakan:
o Julat
o Julat antara kuartil
o Varians
o Sisihan piawai

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 7

Julat

Julat antara kuartil

 Istilah berkaitan:

 Mencari JAK / IQR:

Sifat Julat, JAK / IQR, Varians & Sisihan Piawai

Varians & Sisihan Piawai

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 8

  Taburan Pencong Ke Kanan / Pencong Positif
(Positive-skewed)
o Nilai-nilai lanjut ke arah nilai-nilai yang lebih
besar

 Taburan Pencong Ke Kiri / Pencong Negatif

(Negative-skewed)
o Nilai-nilai lanjut ke arah nilai-nilai yang lebih kecil

Menentukan Kepencongan, Taburan Normal Dan

Skor Z

Kepencongan Taburan
 Kenal pasti pola dan pesongan pola tersebut
 3 komponen penting dalam pola: pusat, serakan, dan
bentuk
 Outlier - nilai tertentu yang terkeluar dari pola
 Taburan Normal:
Taburan Normal
 Taburan variabel (selanjar) menghasilkan keluk
berbentuk loceng
 Banyak fenomena, terutamanya ukuran fizikal,
menghasilkan keluk berbentuk loceng
 Apabila banyak sampel rawak diambil dari satu
populasi, pola variasi juga menghasilkan keluk
berbentuk loceng
 Ciri penting taburan normal: min (μ) dan sisihan
piawai (σ)
o Min (μ) menunjukkan kedudukan memusat dan
puncak taburan
o Sisihan piawai (σ) adalah jarak dari min ke
lokasi keluk berubah

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 9

 Luas Rantau / Kawasan Berlorek Di Bawah
Lengkung Taburan:
o 100% atau 1.0

o 50% atau 0.5

o 95% nilai berada dalam lingkungan dua sisihan

piawai daripada min
 Tiga lengkung taburan normal yang punyai nilai min
yang sama maksud tetapi berbeza sisihan piawai:

 Contoh-contoh luas rantau bawah lengkung taburan:

o 68% nilai berada dalam lingkungan satu sisihan
piawai daripada min

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 10

 o 99.7% nilai berada dalam lingkungan tiga
sisihan piawai daripada min
 Kiraan keluasan di bawah lengkung antara julat nilai
tertentu:
o Mempiawaikan x: tolak min dan bahagi dengan
sisihan piawai untuk mendapat variabel piawai
normal (skor z)
o Gunakan jadual standard normal probabilities
(min 0, s.p. 1), yang memberikan keluasan di
bawah keluk di sebelah kanan nilai tersebut

 Rumus mencari skor-z:

=
Dimana,
X = nilai variabel rawak bagi taburan
= Min bagi taburan normal
= Sisihan piawai bagi taburan normal

 Contoh:

 Untuk mengira keluasan rantau bi bawah lengkung

taburan, perlu mempiawaikan x sebagai skor-z.

Skor Piawai (skor-z)

Skor z adalah skor piawai:
• menyatakan kedudukan skor individu
• mengukur skor sebagai bilangan sisihan piawai
skor melebihi atau kurang daripada min taburan
tersebut

 Keluasan di bawah keluk taburan normal = 1 (atau

100%)
 Keluasan di bawah lengkung di antara nilai nilai
tertentu menunjukkan:
o bahagian (proportion) nilai-nilai dalam julat
tersebut
o kebarangkalian satu unit pemerhatian yang dipilih
secara rawak berada dalam julat tersebut

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 11

UNIT 4 : PENGANTAR STATISTIK INFERENSI

Populasi & Sampel

Pensampelan Rawak
 proses pemilihan sampel dalam mana semua
individu dalam populasi mempunyai peluang yang
sama dan bebas dipilih sebagai sampel
o Setiap individu mempunyai kebarangkalian yang
sama untuk dipilih,
o pemilihan satu individu tidak menpengaruhi
pemilihan individu yang lain

Ralat Pensampelan

 Semakin banyak sampel, semakin kecil Ralat

Pensampelan (ianya menghampiri 0)
Parameter & Statistik

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 12

Inferens Statistik Taburan Persampelan Min
 Taburan kebarangkalian teoretikal terdiri dari semua
nilai min sampel yang mungkin apabila sejumlah
sampel yang infinit dengan saiz sama diambil dari
satu populasi

Menganggar Parameter Populasi – Anggaran Titik

 Ciri-ciri Taburan Pensampelan Min

Menganggar Parameter Populasi – Anggaran Selang

Teorem Had Tengah

 Selang keyakinan bagi min adalah satu selang atau

julat nilai yang mengandungi min sebenar populasi

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 13

 Terdapat 2 cara membina selang keyakinan:
o apabila sisihan piawai populasi diketahui
o apabila sisihan piawai populasi tidak diketahui

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 14

 UNIT 5 : PENGUJIAN HIPOTESIS

Konsep
 Ujian hipotesis adalah prosedur yang digunakan
untuk membuat inferens tentang kebenaran atau
kesilapan hipotesis.

Hipotesis Nol & Alternatif

Hipotesis Nol (H0)

 Hipotesis nol ialah yang membawa kepada nilai yang
dijangkakan yang boleh disahkan atau ditolak
dengan menganalisa data daripada sampel yang
bersesuaian

Hipotesis Alternatif (HA / H1)

 Bertentangan dengan hipotesis nol

Hipotesis Alternatif Hipotesis Nol

Membukti Hipotesis
 Kriteria menolak hipotesis:

Ralat Jenis I & Jenis II

 Ralat Jenis I (ralat jenis ): menolak hipotesis nol
apabila benar, P=0.05, ralat menolak H0 adalah lebih
kurang 5%
 Ralat jenis II (Ralat ) : Gagal menolak hipotesis nol
apabila palsu
 Ralat jenis I boleh dikurangkan dengan mengecilkan
tetapi ralat jenis II mungkin bertambah
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 15
Nilai P / Aras Signifikan

• Nilai P adalah kebarangkalian,

sekiranya hipotesis nol itu benar, Contoh 2:
bahawa nilai yang diperolehi dari
sampel adalah sama atau lebih
jauh dari nilai yang dicerap
Nilai P
• Nilai p boleh dikira dari taburan
sampel
• Semakin kecil nilai p, semakin
kuat bukti untuk menolak
hipotesis nol

• Aras signifikan α adalah aras

Aras menentukan nilai p terkecil untuk
signifikan menolak hipoteis nol
α • Lazimnya nilai ini adalah 0.05 dan
0.01
Prosedur Asas Ujian Hipotesis

Saiz Sampel Dalam Ujian Statistik 1. Tetapkan hipotesis

 Saiz sampel penting dalam ujian statistik
 Sampel yang besar dapat mengesan perbezaan • Hipotesis nol
yang kecil • Hipotesis alternatif
 Sampel yang kecil mungkin gagal mengesan
perbezaan, walaupun perbezaan itu besar 2. Tentukan aras signifikan

Andaian Dalam Ujian Statistik • Sama ada = 0.01 atau = 0.05

 Andaian adalah penting untuk menentukan taburan • Tetapkan kriteria menolak hipotesis nol
• ≤ , H0 ditolak
persampelan bagi statistik ujian
• > , H0 gagal ditolak (Andaian ...
 Aras signifikan yang tepat hanya boleh dikira apabila dipenuhi)
taburan telah ditentukan
 Andaian seharusnya dijadikan sebahagian dari
3. Tentukan statistik ujian
prosedur ujian hipotesis
• Tentukan taburan sampel berdasarkan
Penolakan Hipotesis Nol Berdasarkan Ujian Statistik output ujian statistik SPSS

Contoh 1: 4. Buat keputusan

• Buat keputusan berdasarkan aras signifikan

dan kriteria yang telah ditetapkan

5. Buat kesimpulan

• Nyatakan kesimpulan dengan menyatakan

hipotesis yang diterima

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 16

Ringkasan Ujian Statistik

(Statistik Deskriptif)

Sumber: https://cikguamirul.wordpress.com/2011/10/31/t-test-kuliah-gb6323-minggu-ke-7
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 17
UNIT 6 : UJIAN T (T-TEST) Ujian T Sampel Berpasangan

• Digunakan apabila setiap individu

Ujian T Satu Sampel
• Membandingkan min 1 kumpulan
Tujuan
sampel dengan min populasi
• Sampel dipilih secara rawak
daripada populasi dan setiap skor
variabel adalah bebas daripada
satu sama lain.
Andaian
• Skor-skor variabel adalah
bertaburan secara normal dalam
populasi (Ujian Normality
Andaian
Kolmogorov-Smirnov)
• Membandingkan min kandungan
Contoh merkuri dalam ikan bagi sampel
dengan min populasi sebenar
*Rujuk Tutorial 4 untuk Pengujian Hipotesis Ujian T Satu
Sampel
dalam sampel diukur dua kali dan
kedua-dua data pengukuran
digunakan untuk dibuat
Tujuan perbandingan.
• Ujian t sampel berpasangan
digunakan bila dua set data datang
daripada hanya satu kumpulan
subjek yang sama (1 sampel).
• Sampel dipilih secara rawak
daripada populasi dan setiap skor
variabel adalah bebas daripada
satu sama lain.
• Skor-skor variabel bersandar
adalah bertaburan secara normal
dalam populasi (Ujian Normality
Kolmogorov-Smirnov)
• Membandingkan pasangan min
Contoh markah uji pra dan pos bagi
Matematik

Contoh Output SPSS *Tidak termasuk dalam Rancangan Pengajaran

(sekadar pengetahuan sahaja)

Ujian T Sampel Bebas

• Membandingkan min 2 kumpulan

Tujuan
berbeza bagi 1 sampel bebas

• Sampel dipilih secara rawak

daripada populasi dan setiap skor
 Untuk membanding dengan 𝛼, lihat nilai Sig. (2- variabel adalah bebas daripada
tailed) satu sama lain.
• Skor-skor variabel bersandar
 Lihat pada nilai t, df dan Sig. (2-tailed) untuk adalah bertaburan secara normal
dilaporkan pada kesimpulan Andaian
dalam populasi (Ujian Normality
Kolmogorov-Smirnov)
Cara tulis laporan ujian statistik pada kesimpulan: • Skor-skor variabel bersandar bagi
setiap kumpulan mempunyai
varians yang sama dalam populasi
(Ujian Kesamaan Varians Levene)

• Membandingkan min markah

Contoh Matematik bagi kumpulan murid
lelaki dan perempuan
*Rujuk Tutorial 5 untuk Pengujian Hipotesis Ujian T
Sampel Bebas

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 18

Saiz Kesan UNIT 7: ANOVA SATU HALA
 Saiz kesan menunjukkan berapa peratus daripada
varians dalam skor-skor variabel bersandar dapat
dijelaskan oleh variabel
 bebas • Membandingkan min bagi tiga atau
Tujuan lebih kumpulan variabel bagi satu
 Bagi ujian t sampel bebas, saiz kesan boleh diukur variabel bebas
dengan menggunakan 𝜂 2 (kuasa dua eta):

• Sampel dipilih secara rawak

daripada populasi dan setiap skor
variabel adalah bebas daripada
satu sama lain.
Contoh Output SPSS • Skor-skor variabel bersandar
adalah bertaburan secara normal
Andaian
dalam populasi (Ujian Normality
Kolmogorov-Smirnov)
• Skor-skor variabel bersandar bagi
setiap kumpulan mempunyai
varians yang sama dalam populasi
(Ujian Kesamaan Varians Levene)

• Membandingkan min sikap

Contoh terhadap matematik bagi tiga kelas
(Kelas I, Kelas II & Kelas III)
 Terdapat dua baris ujian statistik, lihat pada Ujian
Levene dahulu:
 ANOVA Satu Hala digunakan apabila:
o Jika kesamaan varians dipenuhi, lihat baris atas.
o Variabel bebas – kategori,
o Jika kesamaan varians tidak dipenuhi, lihat baris
o Variable bersandar – kuantitatif
bawah
o Untuk membandingkan lebih daripada dua
o Dalam contoh di atas, kesamaan varians dipenuhi
kategori
kerana 𝑝 < 𝛼. Justeru, baris atas digunakan.
o ANOVA adalah ujian yang membandingkan
 Untuk membanding dengan 𝛼, lihat nilai Sig. (2-
semua kategori serentak
tailed)
 Sekiranya hasil ujian ANOVA signifikan, maka
 Lihat pada nilai t, df dan Sig. (2-tailed) untuk
sekurang-kurangnya dua kumpulan mempunyai min
dilaporkan pada kesimpulan
yang berbeza
 Namun, tidak ada laporan tentang kumpulan yang
Cara tulis laporan ujian statistik pada kesimpulan
mana berbeza

Contoh Output SPSS

 Ujian Lavene (Kesamaan Varians)
Levene's Test of Equality of Error Variancesa

Ringkasan Dependent Variable: Age of Respondent

 Dalam ujian t sampel bebas (independent samples t F df1 df2 Sig.
1.171 2 1511 .310
test), kedua-dua sampel bebas (saling tidak
Tests the null hypothesis that the error variance of
berkaitan) mempunyai taburan normal the dependent variable is equal across groups.
 Sekiranya taburan tidak normal, saiz sampel mesti a. Design: Intercept+REGION
cukup besar (n>30)

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 19

 ANOVA

o Untuk membanding dengan 𝛼, lihat nilai Sig. (2-

tailed)  Homogenous Subsets
o Lihat pada nilai F, df, Sig. (2-tailed) untuk o Melaporkan beberapa subset berbeza bagi
dilaporkan pada kesimpulan variabel bebas
o Partial Eta Square (𝜂2 ) tidak perlu dikira, boleh o Perbezaan signifikan antara min dua kumpulan
dilihat pada jadual (ruangan paling hujung, kanan) sekiranya tidak terkumpul dalam subset yang
sama
Ujian Pos Hoc
 Ujian untuk membandingkan min kumpulan dalam
ANOVA
 Ujian mengekalkan familywise error rate kurang
daripada α
 Lazim digunakan:
o Scheffe
o Tukey
o SNK (Student-Newman-Keuls)

Multiple
Comparisons
Hasil Ujian:
Homogenous
Subsets

 Multiple Comparisons
o Melaporkan perbezaan antara pasangan min
yang mungkin, dan menguji kesignifikanan
perbezaan itu
o Melaporkan selang keyakinan 95% bagi
perbezaan antara min

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 20

UNIT 8 : ANOVA DUA HALA

• Menentukan kesan dua

pembolehubah tak bersandar (atau
Tujuan
faktor) terhadap satu
pembolehubah bersandar

• Sampel dipilih secara rawak

daripada populasi dan setiap skor Contoh 2
variabel adalah bebas daripada
satu sama lain.
• Skor-skor variabel bersandar
adalah bertaburan secara normal
Andaian
dalam populasi (Ujian Normality
Kolmogorov-Smirnov)
• Skor-skor variabel bersandar bagi
setiap kumpulan mempunyai
varians yang sama dalam populasi
(Ujian Kesamaan Varians Levene)

• Menentukan kesan kaedah

pengajaran (Kaedah I & II) dan IQ
Contoh
(Tinggi & Rendah) terhadap
pencapaian Sains

Konsep ANOVA Dua Hala

 ANOVA dua hala ialah kaedah statistik yang
digunakan untuk menentukan kesan dua
pembolehubah tak bersandar (atau faktor)
terhadap satu pembolehubah bersandar. Contoh 3
 Pembolehubah tak bersandar (pembolehubah
kategori) terdiri daripada dua atau lebih peringkat.
 Pembolehubah bersandar (pembolehubah
selanjar) yang diukur dengan skala sela atau
skala nisbah

Contoh 1
 Seorang penyelidik ingin menentukan kesan kaedah
pembelajaran dan jantina terhadap bilangan
perkataan Bahasa Inggeris yang dapat diingat oleh
pelajar.

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 21

Kesan Utama dan Kesan Interaksi
 ANOVA dua hala digunakan untuk menentukan dua
jenis kesan terhadap pembolehubah bersandar yang
dihasilkan oleh dua faktor sama ada secara individu
atau secara bergabung:
o Kesan utama
o Kesan interaksi
Kesan Utama
 Kesan utama suatu faktor ialah kesan faktor itu
terhadap pembolehubah bersandar bebas daripada
faktor lain dalam sesuatu kajian.
 Dalam ANOVA dua hala, terdapat dua jenis kesan
utama:
o Kesan utama faktor A
o Kesan utama faktor B
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 22
Kesan Interaksi
 Kesan interaksi antara faktor A dan faktor B ialah
kesan gabungan kedua-dua faktor itu terhadap
pembolehubah bersandar.
 Ini bermakna kesan satu faktor terhadap
pembolehubah bersandar adalah tidak sama pada
setiap peringkat faktor yang satu lagi
Pengujian Hipotesis dengan Menggunakan SPSS
Hipotesis
 Tiga set hipotesis ditulis:
o Bagi kesan utama faktor A
o Bagi kesan utama faktor B
o Bagi kesan interaksi antara Faktor A & B
Output SPSS
 Ujian Lavene
 Ujian F Perbandingan Berganda

 Bagi ANOVA dua hala, apabila pembolehubah tak

bersandar mempunyai lebih daripada dua peringkat
dan terdapat kesan utama yang signifikan, maka
perbandingan berganda dengan menggunakan ujian
Post Hoc dijalankan untuk menentukan pasangan
min yang berbeza.

 Plot Profil

Dua garis lurus itu tidak selari. Maka, terdapat kesan

interaksi antara kaedah pembelajaran dan jantina yang
signifikan

Saiz kesan
 Dapat dilihat pada ruangan hujung sebelah kanan.
 Bagi ANOVA dua hala, saiz kesan ialah satu ukuran
bagi kekuatan kesan suatu rawatan yang signifikan.
 Saiz kesan diukur dengan menggunakan kuasa dua
eta separa, 𝜂2 (partial eta squared ).
 Nilai 𝜂2 adalah dari 0 hingga 1
 Klasifikasi Cohen tentang saiz kesan:

 Perlu laporkan bagi ketiga-tiga:

o Bagi kesan utama faktor A (39.9% - besar)
o Bagi kesan utama faktor B (78.7% - besar)
o Bagi kesan interaksi antara Faktor A & B (29.7% -
besar)
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 23
UNIT 9 : UJIAN KHI KUASA DUA (CHI-SQUARE) DAN
KROSTABULASI
Khi kuasa dua satu
sampel (Goodness-
of-fit test)
Ujian Khi Kuasa Dua
Khi kuasa dua bebas
Khi Kuasa Dua Satu Sampel (Goodness-of-fit Test)
 Ujian ini digunakan untuk meramalkan frekuensi
(kekerapan) bagi kes hanya dikategorikan pada satu
dimensi atau satu pembolehubah sahaja
 Contoh:
o Kemasukan pesakit baru ke dalam unit kesihatan
mental mengikut fasa bulan (satu kategori)
o Terdapat Nilai Yang Diperhatikan dan Nilai
Ramalan / Dijangka:
 Nilai diperhati adalah data yang dikumpul oleh
penyelidik
 Nilai yang dijangka adalah nilai teori yang
dibuat berdasarkan hipotesis
o Ujian Khi Kuasa Dua Satu sampel dijalankan
untuk melihat sama ada perkaitan kemasukan
pesakit baru ke dalam unit kesihatan mental
dengan fasa bulan. (Adakah kemasukan
bergantung pada fasa bulan?)
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 24
Analisis Menggunakan SPSS
Keputusan
 Keputusan menunjukkan ujian adalah signifikan,
χ2 (df = 3, N = 40) = 12.8, p = 0.005
 Hipotesis nol ditolak (p < 0.05)
 Kemasukan pesakit baru ke dalam unit kesihatan
mental dan fasa bulan adalah saling bersandar
 Oleh yang demikian, tingkahlaku tidak normal lebih
cenderung berlaku pada bulan penuh
Khi Kuasa Dua Bebas & Krostabulasi
 Untuk menentukan sama ada dua pembolehubah
bebas mempunyai perkaitan
 Tujuan krostabulasi:
o Untuk menunjukkan bahawa dalam format tabular
tentang perhubungan antara dua atau lebih
pembolehubah kategorikal
Contoh Pembolehubah Kategorikal
• Jantina (lelaki, perempuan)
• Etnik (Asia, Kulit Putih, Hispanik)
• Tempat tinggal (pedalaman, bandar)
• Respons (Ya, Tidak)
• Gred (A, B, C, D, F)
Contoh Krostabulasi
 Terdapat lima orang Amerika dan 20 orang Asia (dan
terdapat 15 orang perempuan dan 10 orang lelaki)
 Berdasarkan maklumat berkenaan, berapa bilangan
perempuan Asia dan lelaki Kulit Putih?
 Gunakan Krostabulasi untuk “menyilangkan” dua
pembolehubah berkenaan bagi menjawab persoalan
 UNIT 10 : KORELASI

Konsep
 Thorne and Giesen (2003): Korelasi adalah darjah
hubungan linear antara dua variabel
Contoh: 2 lelaki Amerika, 3 perempuan Amerika, 8  Contoh:
lelaki Asia, 12 perempuan Amerika o Hubungan linear antara skor Matematik dan skor
Soalan: Adakah terdapat perhubungan antara Fizik
jantina dan etnik?

 Bagi menjawab soalan tersebut, kita perlu

menganalisa nilai yang diramalkan
 Nilai yang diramalkan adalah bersandarkan kepada
andaian bahawa dua pembolehubah adalah saling
tidak bersandar antara satu sama lain
 Ujian Khi Kuasa Dua Sampel Bebas perlu dijalankan.

Analisis SPSS
Nilai Ramalan (Expected Count) bagi setiap krostabulasi
mestilah 5 atau melebihi 5. Jika kurang dari 5, perlu
gunakan Fisher’s Exact Test.
 Secara amnya,
o Murid yang mendapat skor Matematik yang tinggi
juga mendapat skor Fizik yang tinggi
o Murid yang mendapat skor Matematik yang
rendah juga mendapat skor Fizik yang rendah
 Corak ini menunjukkan bahawa terdapat hubungan
antara skor Matematik dengan skor Fizik
Plot Serakan (Scatter Plot)
 Hubungan antara skor Matematik dengan skor Fizik
lebih mudah diperhatikan dengan menggunakan plot
serakan (scatter plot)
 Plot serakan terdiri daripada satu set titik yang
mewakili hubungan antara dua variabel
 Setiap titik dalam suatu plot serakan mewakili nilai
bagi variabel X dan variabel Y bagi setiap subjek

Keputusan
 Keputusan menunjukkan ujian adalah tidak
signifikan, χ2 (df =1, N = 31) = 0.88, p = 0.347
 Hipotesis nol gagal ditolak (p > 0.05)
 Tiada hubungan yang signifikan antara etnik dan
jantina.

*Rujuk Tutorial 8 untuk Pengujian Hipotesis Khi Kuasa

Dua
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 25
Jenis Korelasi o Korelasi sifar
 Tiga jenis korelasi (Thorne and Giesen, 2003): Tiada hubungan linear antara X and Y
o Korelasi positif
Satu hubungan linear langsung antara X dan Y: Contoh:
 nilai X yang tinggi berkait dengan nilai Y Turutan murid menghantar kertas ujian (X) dan
yang tinggi skor ujian (Y)
 nilai X yang rendah berkait dengan nilai Y
yang rendah

Cth:
Jumlah masa belajar Sejarah (X) dan skor
Sejarah (Y)

Pekali Korelasi Pearson, r

 Plot serakan menunjukkan arah hubungan linear
antara dua variabel (korelasi positif, negatif atau sifar)
 Tetapi, ia tidak memberikan satu ukuran magnitud
yang tepat bagi hubungan linear antara dua variabel
(korelasi kuat, sederhana atau lemah)
 Pekali korelasi Pearson (oleh Karl Pearson, 1857-
o Korelasi negatif
1936) ialah satu statistik yang menunjukkan arah dan
Satu hubungan linear songsang antara X dan magnitud hubungan linear antara dua variabel
Y: berskala interval atau nisbah.
 nilai X yang tinggi berkait dengan nilai Y
yang rendah  Pekali korelasi Pearson:
 nilai X yang rendah berkait dengan nilai Y o Diwakili oleh huruf kecil r
yang tinggi o Julat nilai r adalah dari –1.00 hingga +1.00:
−1.00 ≤ 𝑟 ≤ +1.00
Cth: o Tanda ‘ + ’ dan ‘ – ’ mewakili arah hubungan linear
Tinggal di luar kampus (X) dan penglibatan antara dua variabel:
dalam aktiviti kampus (Y)  hubungan linear langsung (+)
 hubungan linear songsang (-)
o Nilai mutlak r mewakili magnitud hubungan linear
antara dua variabel

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 26

 Output SPSS

Korelasi, r = 0.70 (2 t.p.)

Pekali Penentuan
 Pekali penentuan (coefficient of determination) ialah
kuasa dua bagi pekali korelasi Pearson
 Menunjukkan peratus varians dalam satu variabel
yang berkait dengan varians dalam variabel yang
satu lagi.
 Diwakili oleh r2

Pekali Bukan Penentuan

 Pekali bukan penentuan (coefficient of non-
determination):
 Peratus varians dalam Y yang tidak berkait dengan
varians dalam X
 Diwakili oleh 1 - r2

*Rujuk Tutorial 9 untuk Pengujian Hipotesis Korelasi

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 27

UNIT 11: REGRESI LINEAR MUDAH

Konsep
 Regresi linear mudah digunakan untuk meramal
skor bagi satu variabel dengan menggunakan
skor bagi satu variabel yang lain
o Variabel yang digunakan untuk meramal skor
dikenali sebagai variabel bebas atau variabel
peramal (X)
o Variabel yang diramalkan dikenali sebagai  Untuk melukis garis lurus yang terbaik (garis regresi),
variabel bersandar atau variabel kriteria (Y) persamaan bagi lurus yang terbaik (persamaan
regresi) adalah seperti berikut:
Persamaan Regresi

Persamaan Garis Lurus

 Plot Serakan dengan Persamaan Regresi (SPSS):

Persamaan Regresi Menggunakan Kaedah Kuada Dua

Terkecil
 Kaedah kuasa dua terkecil membina garis lurus yang
terbaik supaya jumlah bagi kuasa dua perbezaan
antara nilai sebenar Y dan nilai ramalan Y (iaitu Y’ )
adalah minimum.
 Membina Persamaan Regresi dari Output SPSS:

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 28

Ralat Dalam Ramalan
 Ralat dalam ramalan ialah perbezaan antara skor
sebenar Y dan skor ramalan Y (iaitu Y’)
 Rumus untuk mengira ralat dalam ramalan (e):
Ralat Piawai Anggaran
 Ralat piawai anggaran ialah satu ukuran keseluruhan
bagi sejauh mana nilai-nilai ramalan Y’ berbeza
daripada nilai-nilai sebenar Y
 Iaitu ukuran ketidaktepatan bagi persamaan regresi
dalam meramalkan nilai Y
 Diwakili oleh se
Menentukan Ralat Piawai Anggaran Melalui Output
SPSS
Pekali Korelasi Berganda (R)
 Mengukur kekuatan hubungan antara Y dan Y’
 Nilai R : 0 ≤ R ≤1
o Jika R=1, terdapat hubungan linear yang
sempurna antara Y dan Y’
o Jika R=0, tidak terdapat hubungan linear antara Y
dan Y’
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 29
Pekali Penentuan (R2)
 Saiz kesan bagi regresi linear mudah.
 Menunjukkan peratus varians dalam variabel
bersandar (Y) yang dapat dijelaskan oleh variabel
bebas (X)
 R2 = .542 menunjukkan bahawa 54.2% varians dalam
kreativiti (Y) dapat dijelaskan oleh penaakulan logik
(X)
R2 yang Dilaraskan (Adjusted R2)
 Nilai R2 bagi sampel yang dilaraskan supaya dapat
menganggar nilai R2 bagi populasi dengan lebih baik.
Andaian-andaian Bagi Regresi Linear Mudah
• 1. Sampel dipilih secara rawak
daripada populasi dan skor-skor
variabel bersandar adalah bebas
daripada satu sama lain
Andaian- • 2. Skor-skor variabel bersandar
andaian adalah bertaburan secara normal
bagi regresi dalam populasi bagi setiap skor
linear variabel bebas (Analisis Histogram &
mudah: Normal Q-Q Plot)
• 3. Skor-skor variabel bersandar
mempunyai varians yang sama dalam
populasi bagi setiap skor variabel
bebas (Analisis Residual)
Memenuhi Andaian Bertaburan Secara Normal UNIT 12 : REGRESI LINEAR BERGANDA

Konsep
 Regresi Linear Berganda ialah satu kaedah statistik
yang digunakan untuk membina satah yang terbaik
(satah regresi berganda) berlandaskan kaedah
kuasa dua terkecil yang dapat mewakili hubungan
linear antara dua atau lebih pembolehubah tak
bersandar dan satu pembolehubah bersandar.

Satah Regresi Berganda

 Satah regresi berganda ini digunakan untuk meramal
atau menganggar nilai pembolehubah bersandar
(pembolehubah kriteria) daripada nilai
pembolehubah tak bersandar (pembolehubah
peramal) yang diketahui

Persamaan Regresi Berganda

Memenuhi Andaian Kesamaan Varians  Untuk membina satah regresi berganda, persaman
bagi satah regresi berganda (persamaan regresi
berganda) perlu diketahui.

o Kecerunan satah regresi berganda (b1, b2, b3 atau

bk) dinamakan pekali regresi separa.
*Rujuk Tutorial 10 untuk Pengujian Hipotesis Regresi o Pintasan-Y (a) dinamakan pemalar regresi.
Linear Mudah

Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 30


 Persamaan regresi berganda bagi hubungan linear
antara dua pembolehubah tak bersandar dan
satu pembolehubah bersandar ialah:
𝑌’ = 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑎
Persamaan Regresi Berganda Dari Output SPSS
Ralat Piawai Anggaran
 Semakin kecil ralat piawai anggaran, semakin baik
nilai ramalan pembolehubah bersandar daripada nilai
pembolehubah tidak bersandar.
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 31
Pekali Korelasi Berganda (R), Pekali Penentuan (R2)
dan Pekali Penentuan Yang Dilaras (Adjusted R2)
R = 0.99,
Terdapat hubungan linear yang kuat antara Y dan Y’
R2 = 0.97
Sebanyak 97.4% varians dalam jualan buku dapat
dijelaskan oleh kombinasi linear kos pengiklanan dan
bilangan pelajar.
Adjusted R2 = 0.96
Sebanyak 96% varians dalam jualan buku dapat
dijelaskan oleh kombinasi linear kos pengiklanan dan
bilangan pelajar bagi populasi.
Andaian-andaian Bagi Regresi Linear Mudah
• 1. Sampel dipilih secara rawak
daripada populasi dan skor-skor
variabel bersandar adalah bebas
daripada satu sama lain
• 2. Skor-skor variabel bersandar
Andaian- adalah bertaburan secara normal
andaian dalam populasi bagi setiap kombinasi
bagi regresi peringkat variabel peramal yang
linear mungkin (Analisis Histogram & Normal
berganda: Q-Q Plot)
• 3. Skor-skor variabel bersandar
mempunyai varians yang sama dalam
populasi bagi bagi setiap kombinasi
peringkat variabel peramal yang
mungkin (Analisis Residual)
Cara pengujian untuk memenuhi andaian adalah sama
seperti dalam Regresi Linear Mudah (m/s 30)
*Rujuk Tutorial 11 untuk Pengujian Hipotesis Regresi
Linear Berganda
 Diringkaskan oleh:
Mohd Ridzuan bin Mohd Taib
S-PM0225/15
Student of M.A.(Ed.) Mathematics
http://cikgualkindy.blogspot.com
10.06.2016, 4.41 a.m.
Nota Ulangkaji Ringkas PMC500 (Oleh: Cg Ridzuan, SK Baling) | 32