📊 Pelaporan Statistik Inferensi

Statistik inferensi digunakan untuk menguji hipotesis dan membuat kesimpulan tentang populasi berdasarkan sampel. Dalam tesis atau artikel, pelaporan biasanya ikut format tertentu:

(a) Nilai min dan sisihan piawai
(b) Nilai statistik ujian (t, F, r, β)
(c) Darjah kebebasan (df)
(d) Nilai p (signifikan atau tidak)
(e) Interpretasi keputusan

---

1. Pelaporan Analisis Ujian-t

Digunakan untuk menguji perbezaan min antara dua kumpulan (contoh: lelaki vs perempuan).

Contoh pelaporan (APA style):
“Ujian-t sampel bebas menunjukkan terdapat perbezaan signifikan tahap stres antara lelaki (M = 2.45, SP = 0.62) dan perempuan (M = 2.98, SP = 0.71), t(120) = -3.24, p = .002.”

🔎 Cara interpretasi:

• Ada perbezaan tahap stres berdasarkan jantina.

• Perempuan lebih stres berbanding lelaki kerana nilai min lebih tinggi.

• p < 0.05 → keputusan signifikan.

---

2. Pelaporan Analisis Ujian ANOVA

Digunakan untuk menguji perbezaan min antara lebih daripada dua kumpulan (contoh: tahap sosioekonomi rendah, sederhana, tinggi).

Contoh pelaporan:
“ANOVA sehala menunjukkan terdapat perbezaan signifikan dalam pencapaian akademik berdasarkan tahap sosioekonomi, F(2, 87) = 4.56, p = .013.”

🔎 Cara interpretasi:

• Terdapat perbezaan min pencapaian akademik antara kumpulan sosioekonomi.

• Post-hoc test (contohnya Tukey) digunakan untuk tentukan kumpulan mana yang berbeza.

• Jika pelajar sosioekonomi tinggi > rendah, maka boleh simpulkan tahap sosioekonomi mempengaruhi pencapaian.

---

3. Pelaporan Analisis Korelasi

Digunakan untuk menguji hubungan antara dua pemboleh ubah (contoh: motivasi belajar dengan pencapaian akademik).

Contoh pelaporan:
“Analisis korelasi Pearson menunjukkan terdapat hubungan positif yang signifikan antara motivasi belajar dan pencapaian akademik, r(110) = .46, p < .01.”

🔎 Cara interpretasi:

• Nilai r = 0.46 → hubungan sederhana (0.30–0.50).

• Hubungan positif → semakin tinggi motivasi, semakin tinggi pencapaian.

• p < 0.01 → signifikan.

---

4. Pelaporan Analisis Regresi

Digunakan untuk melihat kesan pemboleh ubah peramal (predictor) terhadap pemboleh ubah bersandar (outcome).

Contoh pelaporan:
“Analisis regresi linear menunjukkan motivasi belajar meramalkan pencapaian akademik secara signifikan, β = 0.52, t = 5.67, p < .001. Sebanyak 27% variasi dalam pencapaian akademik dijelaskan oleh motivasi belajar (R² = .27).”

🔎 Cara interpretasi:

• β = 0.52 → motivasi memberi kesan positif kuat kepada pencapaian.

• R² = 0.27 → 27% variasi pencapaian dapat diterangkan oleh motivasi.

• p < 0.001 → signifikan.

---

📌 Ringkasan Cara Melapor

• Ujian-t → “Terdapat perbezaan min … t(df) = …, p = …”

• ANOVA → “Terdapat perbezaan signifikan … F(df1, df2) = …, p = …”

• Korelasi → “Terdapat hubungan signifikan … r(df) = …, p = …”

• Regresi → “Pemboleh ubah X meramalkan Y … β = …, R² = …, p = …”