📊 Jadual Ringkas Pelaporan Statistik Inferensi

 

Jenis Ujian	Tujuan	Format Pelaporan (APA)	Contoh Ayat	Interpretasi
Ujian-t (t-test)	Bandingkan 2 kumpulan	t(df) = nilai, p = …	“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.”	Perempuan lebih stres daripada lelaki, beza signifikan kerana p < 0.05.
ANOVA	Bandingkan ≥3 kumpulan	F(df1, df2) = nilai, p = …	“ANOVA sehala menunjukkan terdapat perbezaan signifikan pencapaian akademik berdasarkan tahap sosioekonomi, F(2, 87) = 4.56, p = .013.”	Ada perbezaan antara kumpulan. Post-hoc diperlukan untuk tahu kumpulan mana berbeza.
Korelasi (Pearson r)	Lihat hubungan antara 2 pemboleh ubah	r(df) = nilai, p = …	“Terdapat hubungan positif signifikan antara motivasi dan pencapaian akademik, r(110) = .46, p < .01.”	Hubungan sederhana, semakin tinggi motivasi semakin tinggi pencapaian.
Regresi	Uji kesan pemboleh ubah peramal terhadap outcome	β = nilai, t = …, p = …, R² = …	“Motivasi belajar meramalkan pencapaian akademik, β = 0.52, t = 5.67, p < .001, R² = .27.”	Motivasi menyumbang 27% variasi pencapaian, kesan signifikan.

---

⚡ Tips Penting untuk tesis:

1. Sentiasa laporkan min & SP sebelum statistik inferensi.
2. Nilai p ditulis tanpa “0” depan (contoh: p = .032, bukan p = 0.032).
3. Sentiasa kaitkan dapatan dengan hipotesis kajian dan literatur lepas.
4. Jika dapatan tidak signifikan, tetap dilaporkan, contohnya: “tiada perbezaan signifikan … p = .271.”

 

📊 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 = …”

✍️ Pelaporan dan Interpretasi Data Kuantitatif

1. Pengenalan

Dalam penyelidikan kuantitatif, pengumpulan data sahaja tidak cukup. Data perlu dilaporkan dengan jelas supaya pembaca faham, dan seterusnya ditafsirkan (interpretasi) bagi menjawab persoalan kajian. Pelaporan melibatkan penyusunan angka, jadual, graf, dan ringkasan statistik. Interpretasi pula ialah proses memberi makna kepada keputusan statistik berdasarkan konteks kajian.

---

2. Pelaporan Data Deskriptif

Statistik deskriptif digunakan untuk menerangkan ciri-ciri asas data. Ia biasanya memfokus pada:

• Kecenderungan pusat: min, median, mod

• Variasi data: julat, sisihan piawai, varians

• Persembahan visual: jadual frekuensi, carta pai, histogram

Contoh pelaporan:
“Min skor motivasi pelajar ialah 3.85 (SP = 0.54), menunjukkan tahap motivasi yang sederhana tinggi.”

Interpretasi di sini: pelajar secara umum mempunyai motivasi yang baik kerana nilai min hampir ke arah tinggi.

---

3. Pelaporan Statistik Inferensi

Statistik inferensi digunakan untuk menguji hipotesis dan membuat kesimpulan tentang populasi berdasarkan sampel.

a) Ujian-t (t-test)

Digunakan untuk membandingkan dua kumpulan.

Contoh pelaporan:
“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 < 0.01.”

Interpretasi: Pelajar perempuan melaporkan tahap stres yang lebih tinggi berbanding pelajar lelaki.

---

b) Ujian ANOVA

Digunakan untuk membandingkan lebih daripada dua kumpulan.

Contoh pelaporan:
“ANOVA sehala mendapati terdapat perbezaan signifikan dalam pencapaian akademik berdasarkan tahap sosioekonomi, F(2, 87) = 4.56, p < 0.05.”

Interpretasi: Tahap sosioekonomi mempengaruhi pencapaian pelajar. Analisis post-hoc diperlukan untuk mengenal pasti kumpulan mana yang berbeza.

---

c) Ujian Korelasi

Digunakan untuk melihat hubungan antara dua pemboleh ubah.

Contoh pelaporan:
“Terdapat korelasi positif yang signifikan antara motivasi belajar dan pencapaian akademik, r(110) = .46, p < 0.01.”

Interpretasi: Semakin tinggi motivasi pelajar, semakin tinggi juga pencapaian akademik mereka.

---

d) Ujian Regresi

Digunakan untuk melihat pengaruh satu atau lebih pemboleh ubah peramal terhadap pemboleh ubah bersandar.

Contoh pelaporan:
“Analisis regresi menunjukkan bahawa motivasi belajar meramalkan pencapaian akademik secara signifikan, β = 0.52, t = 5.67, p < 0.001, dengan 27% varians dijelaskan (R² = 0.27).”

Interpretasi: Motivasi pelajar menyumbang 27% kepada variasi pencapaian akademik.

---

4. Kesimpulan

Pelaporan data kuantitatif melibatkan penyusunan hasil dalam bentuk angka, jadual, dan graf yang jelas. Interpretasi pula memberi makna kepada angka, menjawab persoalan kajian, dan menghubungkan dapatan dengan teori atau literatur.

Dengan gabungan pelaporan dan interpretasi yang baik, penyelidik bukan sahaja menunjukkan apa yang ditemui, tetapi juga menjelaskan mengapa ia penting.

📘 BAB 5 PERBINCANGAN KAJIAN

5.1 Pendahuluan

Bab ini membincangkan dapatan kajian yang diperoleh dalam Bab 4 berdasarkan objektif kajian. Perbincangan ini dilakukan dengan merujuk kepada literatur lepas, teori yang berkaitan, dan konteks kajian. Di samping itu, bab ini juga menghuraikan implikasi kajian, keterbatasan, serta cadangan untuk kajian masa hadapan.

---

5.2 Perbincangan Dapatan Kajian

5.2.1 Tahap Motivasi Belajar Pelajar

Dapatan menunjukkan bahawa tahap motivasi belajar pelajar berada pada tahap tinggi (Min = 3.82, SP = 0.45). Keputusan ini selaras dengan dapatan kajian oleh Creswell & Creswell (2018) yang menegaskan bahawa motivasi intrinsik pelajar memainkan peranan penting dalam meningkatkan pencapaian akademik.

👉 Huraian:
Ini bermakna pelajar dalam kajian ini secara umum mempunyai keinginan yang kuat untuk mencapai kejayaan akademik, walaupun mereka mungkin berdepan dengan cabaran seperti beban tugasan dan kekangan masa.

---

5.2.2 Perbezaan Motivasi Mengikut Jantina

Ujian-t menunjukkan terdapat perbezaan signifikan tahap motivasi antara pelajar lelaki dan perempuan, dengan perempuan lebih bermotivasi (t(118) = -3.25, p < 0.01).

👉 Huraian:
Dapatan ini menyokong kajian oleh Pallant (2020) yang mendapati pelajar perempuan cenderung mempunyai tahap komitmen akademik lebih tinggi. Faktor budaya dan sosial mungkin menyumbang, di mana pelajar perempuan sering diasuh untuk lebih berdisiplin dan tekun dalam pembelajaran.

---

5.2.3 Perbezaan Tahap Stres Mengikut Tahun Pengajian

ANOVA menunjukkan perbezaan signifikan tahap stres berdasarkan tahun pengajian, di mana pelajar Tahun 3 melaporkan stres lebih tinggi berbanding Tahun 1.

👉 Huraian:
Keputusan ini selari dengan dapatan Field (2018) yang menyatakan bahawa stres akademik meningkat apabila pelajar semakin hampir menamatkan pengajian. Beban tugasan, persediaan peperiksaan akhir, dan perancangan kerjaya menjadi faktor penyumbang utama.

---

5.2.4 Hubungan Antara Motivasi Belajar dan Pencapaian Akademik

Ujian korelasi menunjukkan hubungan positif signifikan antara motivasi belajar dan pencapaian akademik (r = 0.52, p < 0.01).

👉 Huraian:
Ini bermakna semakin tinggi motivasi pelajar, semakin baik pencapaian akademik mereka. Dapatan ini menyokong teori Self-Determination oleh Deci & Ryan (1985), yang menekankan bahawa motivasi intrinsik merupakan pemacu utama kepada prestasi pelajar.

---

5.2.5 Motivasi Sebagai Peramal Pencapaian Akademik

Analisis regresi linear menunjukkan motivasi belajar adalah peramal signifikan kepada pencapaian akademik (R² = 0.27, F(1,118) = 43.62, p < 0.01, β = 0.45).

👉 Huraian:
Sebanyak 27% variasi dalam pencapaian akademik dapat dijelaskan oleh motivasi belajar. Ini sejajar dengan dapatan Tabachnick & Fidell (2019) yang menunjukkan bahawa faktor psikologi pelajar memberi kesan langsung kepada pencapaian mereka.

---

5.3 Implikasi Kajian

5.3.1 Implikasi Teori

Kajian ini menyokong teori motivasi (Self-Determination Theory) dengan menunjukkan bahawa motivasi intrinsik memberi kesan positif kepada pencapaian akademik.

5.3.2 Implikasi Amalan

Guru dan pihak sekolah perlu merancang strategi pengajaran yang dapat meningkatkan motivasi pelajar, contohnya melalui penggunaan teknologi pembelajaran interaktif, penghargaan, dan bimbingan akademik.

5.3.3 Implikasi Dasar

Pihak pentadbir pendidikan boleh menggunakan hasil kajian ini untuk merangka program sokongan psikososial bagi pelajar tahun akhir yang menghadapi stres tinggi.

---

5.4 Keterbatasan Kajian

1. Kajian hanya melibatkan sampel 120 pelajar dari satu lokasi, maka generalisasi terhad.

2. Data diperoleh melalui soal selidik kendiri, yang mungkin dipengaruhi bias jawapan.

3. Kajian hanya menumpukan kepada faktor motivasi, sedangkan terdapat faktor lain seperti sokongan keluarga dan persekitaran sekolah yang juga boleh mempengaruhi pencapaian.

---

5.5 Cadangan Kajian Akan Datang

1. Menjalankan kajian dengan sampel yang lebih besar dan pelbagai lokasi.

2. Menggunakan kaedah campuran (mixed-methods) dengan gabungan temu bual untuk mendapatkan data kualitatif.

3. Mengkaji faktor lain seperti sokongan sosial, strategi pembelajaran, dan kecerdasan emosi dalam mempengaruhi pencapaian pelajar.

---

5.6 Rumusan Bab

Bab ini telah membincangkan dapatan kajian secara terperinci dengan merujuk kepada teori dan kajian lepas. Secara ringkas, motivasi belajar didapati berada pada tahap tinggi, wujud perbezaan motivasi mengikut jantina, tahap stres meningkat mengikut tahun pengajian, dan motivasi terbukti mempunyai hubungan serta kuasa ramalan terhadap pencapaian akademik. Dapatan ini membawa implikasi penting kepada guru, pelajar, dan pihak pentadbiran pendidikan.

📘 BAB 4 DAPATAN KAJIAN

4.1 Pendahuluan

Bab ini membentangkan dapatan kajian berdasarkan objektif yang telah digariskan. Analisis data dibahagikan kepada dua bahagian utama iaitu (i) pelaporan data deskriptif, yang merangkumi profil responden dan analisis deskriptif pemboleh ubah, serta (ii) pelaporan statistik inferensi, yang melibatkan analisis ujian-t, ANOVA, korelasi, dan regresi.

---

4.2 Analisis Profil Responden

Jadual 4.1 menunjukkan taburan responden mengikut jantina.

Jadual 4.1
Taburan responden mengikut jantina

Jantina	Bilangan	Peratus (%)
Lelaki	48	40.0
Perempuan	72	60.0
Jumlah	120	100

Interpretasi: Majoriti responden adalah perempuan (60%), manakala lelaki adalah 40%. Ini menunjukkan penglibatan pelajar perempuan lebih tinggi dalam kajian ini.

---

4.3 Analisis Deskriptif Pemboleh Ubah

Jadual 4.2 menunjukkan skor min dan sisihan piawai bagi tahap motivasi belajar.

Jadual 4.2
Min dan sisihan piawai skor motivasi belajar

Pemboleh Ubah	Min	SP	Tahap
Motivasi Belajar	3.82	0.45	Tinggi

Interpretasi: Skor min motivasi belajar adalah 3.82 (SP = 0.45), menunjukkan tahap motivasi pelajar berada pada kategori tinggi.

---

4.4 Analisis Statistik Inferensi

4.4.1 Ujian-t Sampel Bebas

Analisis ujian-t dijalankan untuk melihat perbezaan tahap motivasi antara pelajar lelaki dan perempuan.

Jadual 4.3
Perbezaan motivasi mengikut jantina

Jantina	Min	SP
Lelaki	3.65	0.42
Perempuan	3.92	0.38

Ujian-t menunjukkan terdapat perbezaan signifikan antara jantina, t(118) = -3.25, p < 0.01.

Interpretasi: Pelajar perempuan mempunyai tahap motivasi yang lebih tinggi berbanding pelajar lelaki.

---

4.4.2 Ujian ANOVA

Analisis ANOVA dijalankan untuk melihat perbezaan tahap stres berdasarkan tahun pengajian.

Jadual 4.4
Tahap stres mengikut tahun pengajian

Tahun Pengajian	Min	SP
Tahun 1	3.65	0.38
Tahun 2	3.80	0.36
Tahun 3	4.05	0.40

Hasil analisis menunjukkan terdapat perbezaan signifikan tahap stres antara kumpulan, F(2,117) = 5.42, p < 0.01. Analisis post-hoc Tukey mendapati pelajar Tahun 3 mempunyai tahap stres lebih tinggi berbanding pelajar Tahun 1.

Interpretasi: Semakin hampir ke tahun akhir, tahap stres pelajar meningkat.

---

4.4.3 Ujian Korelasi

Ujian korelasi dijalankan untuk mengukur hubungan antara motivasi belajar dan pencapaian akademik.

Dapatan menunjukkan terdapat hubungan positif signifikan, r = 0.52, p < 0.01.

Interpretasi: Semakin tinggi motivasi pelajar, semakin baik pencapaian akademik mereka.

---

4.4.4 Ujian Regresi

Analisis regresi linear dijalankan untuk menguji sama ada motivasi belajar boleh meramal pencapaian akademik.

Dapatan menunjukkan motivasi belajar merupakan peramal signifikan pencapaian akademik, R² = 0.27, F(1,118) = 43.62, p < 0.01. Nilai pekali regresi adalah β = 0.45.

Interpretasi: Sebanyak 27% variasi dalam pencapaian akademik dapat dijelaskan oleh motivasi belajar.

---

4.5 Rumusan Bab

Secara keseluruhan, dapatan kajian menunjukkan:

1. Responden majoritinya adalah perempuan.
2. Tahap motivasi pelajar berada pada tahap tinggi.
3. Terdapat perbezaan signifikan motivasi mengikut jantina, dengan perempuan lebih bermotivasi.
4. Tahap stres pelajar berbeza mengikut tahun pengajian, di mana pelajar Tahun 3 lebih stres.
5. Motivasi belajar mempunyai hubungan positif dengan pencapaian akademik.
6. Motivasi belajar bertindak sebagai peramal signifikan kepada pencapaian akademik.

Dapatan ini akan dibincangkan dengan lebih mendalam dalam Bab 5 (Perbincangan Kajian).

 

📊 Apa Maksud Pelaporan dan Interpretasi Data Kuantitatif?

 

1. Pelaporan data kuantitatif
   👉 Proses menyampaikan hasil analisis data dalam bentuk angka, jadual, graf, atau statistik.
   Tujuannya ialah menunjukkan dapatan kajian secara jelas, sistematik dan mudah difahami.

2. Interpretasi data kuantitatif
   👉 Proses mentafsir makna angka-angka tersebut. Bukan sekadar melaporkan nombor, tetapi menjelaskan:

   • Apa maksud nilai statistik itu?

   • Bagaimana ia menjawab persoalan kajian?

   • Apa implikasi dapatan kepada teori atau amalan?

📌 Mudahnya: Pelaporan = tunjuk nombor/statistik, Interpretasi = jelaskan maksud nombor/statistik.

---

📝 1. Pelaporan Data Deskriptif

Digunakan untuk gambaran ringkas tentang sampel atau pemboleh ubah.

• Ukuran utama: min, median, mod, sisihan piawai, julat, peratusan.

• Biasanya dilapor dalam bentuk jadual, carta atau ayat ringkas.

Contoh laporan deskriptif:

Daripada 200 responden, 60% ialah perempuan manakala 40% lelaki. Skor min tahap kepuasan pelajar ialah 3.95 (SP = 0.48), menunjukkan tahap kepuasan yang tinggi.

📌 Interpretasi: Pelajar umumnya berpuas hati dengan pengalaman pembelajaran mereka.

---

🧪 2. Pelaporan Statistik Inferensi

Statistik inferensi digunakan untuk menguji hipotesis dan membuat generalisasi kepada populasi.

a) Ujian-t

• Membandingkan dua kumpulan (contoh: lelaki vs perempuan).

• Pelaporan: nilai t, df, p.

• Interpretasi: adakah terdapat perbezaan signifikan antara kumpulan?

Contoh:

Ujian-t sampel bebas menunjukkan perbezaan signifikan motivasi pelajar lelaki (M = 3.65) dan perempuan (M = 3.92), t(118) = -3.25, p < 0.01.

📌 Interpretasi: Perempuan lebih bermotivasi berbanding lelaki.

---

b) Ujian ANOVA

• Membandingkan tiga kumpulan atau lebih.

• Pelaporan: nilai F, df, p, dan ujian post-hoc jika signifikan.

Contoh:

ANOVA menunjukkan terdapat perbezaan signifikan tahap stres mengikut tahun pengajian, F(2,117) = 5.42, p < 0.01. Analisis post-hoc mendapati pelajar tahun akhir lebih stres berbanding tahun pertama.

📌 Interpretasi: Tahun pengajian memberi kesan terhadap tahap stres.

---

c) Ujian Kolerasi

• Mengukur hubungan antara dua pemboleh ubah.

• Pelaporan: nilai r dan p.

Contoh:

Terdapat hubungan positif signifikan antara motivasi belajar dan pencapaian akademik, r = 0.52, p < 0.01.

📌 Interpretasi: Semakin tinggi motivasi, semakin baik pencapaian.

---

d) Ujian Regresi

• Melihat pemboleh ubah peramal yang mempengaruhi pemboleh ubah bersandar.

• Pelaporan: nilai R², F, p, pekali regresi (β).

Contoh:

Regresi linear menunjukkan motivasi belajar meramal pencapaian akademik secara signifikan, R² = 0.27, F(1,118) = 43.62, p < 0.01. Pekali regresi β = 0.45.

📌 Interpretasi: 27% variasi pencapaian akademik boleh dijelaskan oleh motivasi belajar.

---

🎯 Kesimpulan

• Pelaporan = tunjuk hasil analisis (nombor, jadual, graf).

• Interpretasi = terangkan maksud hasil itu dalam konteks kajian.

• Kedua-duanya perlu digabungkan supaya pembaca faham bukan sahaja “apa dapatan”, tetapi juga “apa maknanya”.

 Pelaporan dan Interpretasi Data Kuantitatif:

1. Pelaporan data deskriptif

2. Pelaporan statistik inferensi:

   • Pelaporan analisis Ujian-t

   • Pelaporan analisis Ujian ANOVA

   • Pelaporan analisis Ujian Kolerasi

   • Pelaporan analisis Regresi

---

📊 Pelaporan dan Interpretasi Data Kuantitatif

Dalam penyelidikan kuantitatif, pengumpulan data sahaja tidak mencukupi. Data yang diperoleh perlu dilaporkan dan ditafsirkan agar dapat menjawab persoalan kajian serta mencapai objektif yang ditetapkan. Pelaporan data kuantitatif terbahagi kepada dua kategori utama iaitu pelaporan data deskriptif dan pelaporan statistik inferensi.

---

1. Pelaporan Data Deskriptif

Data deskriptif digunakan untuk menggambarkan ciri-ciri sampel atau pemboleh ubah kajian tanpa membuat kesimpulan ke atas populasi. Ia biasanya merangkumi ukuran:

• Kecenderungan pusat: min, median, mod

• Keterencaman/penyebaran: julat, sisihan piawai, varians

• Peratusan dan kekerapan

Cara melapor:

• Gunakan jadual, graf atau carta untuk memudahkan pemahaman.

• Nyatakan nilai min, sisihan piawai, atau peratusan dengan jelas.

• Elakkan hanya menyenaraikan nombor tanpa penerangan.

Contoh:

Seramai 120 orang pelajar terlibat dalam kajian ini. Majoriti responden ialah perempuan (65%) berbanding lelaki (35%). Skor min tahap motivasi pelajar ialah 3.82 (SP = 0.45), menunjukkan tahap motivasi yang tinggi.

---

2. Pelaporan Statistik Inferensi

Statistik inferensi digunakan untuk membuat generalisasi daripada sampel kepada populasi. Ia membantu penyelidik membuat keputusan sama ada hipotesis kajian diterima atau ditolak.

Beberapa ujian yang biasa digunakan ialah Ujian-t, ANOVA, korelasi dan regresi.

---

a) Pelaporan Analisis Ujian-t

Ujian-t digunakan untuk membandingkan min dua kumpulan.

Cara melapor:

• Nyatakan nilai min dan sisihan piawai setiap kumpulan.

• Laporkan nilai t, darjah kebebasan (df), nilai p, dan tafsiran.

Contoh:

Analisis ujian-t sampel bebas menunjukkan terdapat perbezaan signifikan tahap motivasi antara pelajar lelaki (M = 3.65, SP = 0.42) dan pelajar perempuan (M = 3.92, SP = 0.38), t(118) = -3.25, p < 0.01. Ini menunjukkan pelajar perempuan mempunyai tahap motivasi yang lebih tinggi berbanding pelajar lelaki.

---

b) Pelaporan Analisis Ujian ANOVA

ANOVA digunakan untuk membandingkan min lebih daripada dua kumpulan.

Cara melapor:

• Nyatakan min setiap kumpulan.

• Laporkan nilai F, df, p, dan jika signifikan, jalankan ujian post-hoc.

Contoh:

Analisis ANOVA sehala menunjukkan terdapat perbezaan signifikan dalam tahap stres pelajar berdasarkan tahun pengajian, F(2, 117) = 5.42, p < 0.01. Analisis post-hoc Tukey mendapati pelajar tahun akhir (M = 4.05, SP = 0.40) melaporkan tahap stres yang lebih tinggi berbanding pelajar tahun pertama (M = 3.65, SP = 0.38).

---

c) Pelaporan Analisis Ujian Kolerasi

Korelasi mengukur kekuatan dan arah hubungan antara dua pemboleh ubah.

Cara melapor:

• Laporkan pekali korelasi (r), nilai p, arah dan kekuatan hubungan.

Contoh:

Dapatan kajian menunjukkan terdapat hubungan positif yang signifikan antara motivasi belajar dan pencapaian akademik, r = 0.52, p < 0.01. Ini bermakna semakin tinggi motivasi pelajar, semakin baik pencapaian akademik mereka.

---

d) Pelaporan Analisis Regresi

Regresi digunakan untuk meramal nilai pemboleh ubah bersandar berdasarkan pemboleh ubah peramal.

Cara melapor:

• Nyatakan nilai R, R², F, p, serta pekali regresi (β).

• Terangkan sejauh mana pemboleh ubah bebas menyumbang kepada variasi pemboleh ubah bersandar.

Contoh:

Analisis regresi linear menunjukkan bahawa motivasi belajar adalah peramal signifikan kepada pencapaian akademik, R² = 0.27, F(1, 118) = 43.62, p < 0.01. Nilai pekali regresi menunjukkan bahawa setiap peningkatan satu unit skor motivasi meningkatkan pencapaian akademik sebanyak 0.45 unit.

---

Kesimpulan

Pelaporan dan interpretasi data kuantitatif yang baik perlu:

• Menggunakan statistik yang sesuai dengan persoalan kajian.

• Menyertakan nilai statistik, darjah kebebasan, dan aras signifikan.

• Disokong dengan tafsiran yang jelas dalam bentuk ayat, bukan sekadar angka.

Dengan pelaporan yang sistematik, hasil kajian bukan sahaja lebih mudah difahami tetapi juga lebih meyakinkan untuk dijadikan rujukan akademik.

Ujian Regresi

Pengenalan

Ujian regresi merupakan satu teknik statistik yang digunakan untuk meramal (predict) atau menjelaskan hubungan antara satu variabel bersandar (dependent variable) dengan satu atau lebih variabel bebas (independent variable).

• Jika melibatkan satu variabel bebas → dipanggil Regresi Linear Sederhana.
• Jika melibatkan dua atau lebih variabel bebas → dipanggil Regresi Linear Berganda.

Contoh persoalan kajian:

• Adakah tahap motivasi boleh meramal pencapaian akademik pelajar?
• Adakah gaya pembelajaran dan sokongan keluarga mempengaruhi prestasi pelajar di sekolah?

---

1. Syarat-syarat Regresi

Sebelum menjalankan ujian regresi, beberapa andaian (assumptions) perlu dipenuhi bagi memastikan keputusan analisis adalah sah dan boleh dipercayai.

a. Lineariti

Hubungan antara variabel bebas dan variabel bersandar mestilah linear (bentuk garisan lurus). Ini boleh dilihat melalui scatter plot.

b. Normaliti

Data mestilah mengikut taburan normal, khususnya bagi residual (perbezaan antara nilai ramalan dan nilai sebenar).

c. Homoskedastisiti

Varians residual mestilah seragam (tidak bertabur terlalu jauh atau terlalu rapat pada nilai ramalan).

d. Tiada Multikolineariti

Variabel bebas tidak boleh mempunyai hubungan yang terlalu tinggi antara satu sama lain. Jika VIF (Variance Inflation Factor) > 10, maka terdapat masalah multikolineariti.

e. Residual Bebas (Independence of Errors)

Residual mestilah bebas, biasanya diuji menggunakan Durbin-Watson Test (nilai ideal antara 1.5 hingga 2.5).

---

2. Analisis Data Regresi

a. Regresi Linear Sederhana

Digunakan untuk menguji sejauh mana satu variabel bebas boleh meramal variabel bersandar.

Persamaan umum:

• Y = variabel bersandar (contoh: pencapaian akademik)
• a = pemalar (intercept)
• b = pekali regresi (slope)
• X = variabel bebas (contoh: motivasi)

Jika b signifikan (p < 0.05) → variabel X mempunyai pengaruh terhadap Y.

---

b. Regresi Linear Berganda

Digunakan apabila terdapat lebih daripada satu variabel bebas.

Persamaan umum:

---

c. Analisis dengan SPSS

1. Masukkan data dalam SPSS.
2. Klik: Analyze → Regression → Linear.
3. Pilih variabel bersandar (Dependent) dan variabel bebas (Independent).
4. Klik OK untuk mendapatkan output.

Contoh Output Ringkas:

Model	R²	Beta (β)	Sig.
Motivasi → Pencapaian	0.42	0.65	0.001

Interpretasi:

• R² = 0.42 → 42% variasi pencapaian boleh dijelaskan oleh motivasi.
• β = 0.65, p < 0.05 → motivasi mempunyai pengaruh signifikan terhadap pencapaian.

---

Kesimpulan

• Ujian regresi membolehkan penyelidik membuat ramalan berdasarkan variabel bebas.
• Syarat-syarat regresi perlu dipenuhi untuk menjamin keputusan sahih.
• Analisis regresi melalui SPSS membantu menilai sejauh mana variabel bebas memberi kesan kepada variabel bersandar.

---

Rujukan

• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). Sage.
• Pallant, J. (2020). SPSS survival manual (7th ed.). Routledge.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

 

Ujian Kolerasi

Pengenalan

Ujian kolerasi ialah teknik statistik yang digunakan untuk menilai hubungan antara dua variabel (pemboleh ubah). Tujuannya adalah untuk melihat sama ada perubahan dalam satu variabel mempunyai kaitan dengan perubahan dalam variabel yang lain.

Kolerasi tidak menunjukkan sebab-akibat (causality), tetapi hanya menunjukkan arah dan kekuatan hubungan.

Contoh persoalan kajian:

• Adakah terdapat hubungan antara tahap motivasi pelajar dengan pencapaian akademik?
• Adakah penggunaan media sosial berkait dengan tahap stres pelajar universiti?

---

1. Pekali Kolerasi

Pekali kolerasi ialah satu nilai statistik yang digunakan untuk menggambarkan arah dan kekuatan hubungan antara dua variabel.

Skala Nilai Pekali (r)

• Nilai r berada dalam julat -1.00 hingga +1.00.
• r positif (+): Apabila satu variabel meningkat, variabel lain juga meningkat.
• r negatif (–): Apabila satu variabel meningkat, variabel lain menurun.
• r = 0: Tiada hubungan linear.

Interpretasi Kekuatan Hubungan (Cohen, 1988)

• 0.10 hingga 0.29 → Hubungan lemah
• 0.30 hingga 0.49 → Hubungan sederhana
• 0.50 ke atas → Hubungan kuat

Contoh:
Jika didapati r = 0.65 antara motivasi dan pencapaian akademik → hubungan positif yang kuat.

---

2. Pengiraan Pekali Kolerasi

a. Kaedah Manual

Formula asas Pearson’s Correlation:

Namun, dalam penyelidikan pendidikan dan sains sosial, pengiraan manual jarang digunakan kerana data biasanya dianalisis dengan perisian.

---

b. Kaedah Menggunakan SPSS

1. Masukkan data ke dalam SPSS (contohnya skor motivasi pelajar sebagai variabel X dan pencapaian akademik sebagai variabel Y).
2. Klik: Analyze → Correlate → Bivariate.
3. Pilih jenis kolerasi:
• Pearson Correlation → untuk data parametrik.
• Spearman’s Rho → untuk data non-parametrik.
4. Klik OK.

Contoh Output SPSS

	Motivasi	Pencapaian
Motivasi	1	0.65**
Pencapaian	0.65**	1

Nota:

• r = 0.65, hubungan positif kuat.
• Sig. = 0.001 < 0.05, maka hubungan adalah signifikan.

---

Kesimpulan

• Ujian Kolerasi membantu penyelidik memahami hubungan antara dua variabel.
• Pekali kolerasi (r) menunjukkan arah (positif/negatif) dan kekuatan hubungan.
• Pengiraan pekali boleh dibuat dengan mudah melalui SPSS.
• Hasil analisis ini sangat berguna dalam kajian pendidikan, psikologi, sains sosial, dan banyak lagi.

---

Rujukan

• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). Sage.
• Pallant, J. (2020). SPSS survival manual (7th ed.). Routledge.

 

 

Contoh Output SPSS dan Tafsiran Ujian ANOVA

1. ANOVA Sehala (One-Way ANOVA)

Situasi Kajian

Seorang guru ingin menguji sama ada terdapat perbezaan min markah Matematik pelajar berdasarkan jenis sekolah (Bandar, Luar Bandar, Swasta).

Output SPSS (contoh)

ANOVA Table

Sumber Variasi	Jumlah Kuasa Dua (SS)	df	Min Kuasa Dua (MS)	F	Sig.
Antara Kumpulan	520.45	2	260.22	6.87	0.003
Dalam Kumpulan	1135.30	30	37.84
Jumlah	1655.75	32

Tafsiran

• Nilai Sig. = 0.003 < 0.05, maka terdapat perbezaan signifikan min markah Matematik antara jenis sekolah.
• Namun, ANOVA tidak beritahu kumpulan mana yang berbeza.
• Untuk mengenal pasti kumpulan spesifik, jalankan Post Hoc Test (contohnya Tukey).

---

2. ANOVA Dua Hala (Two-Way ANOVA)

Situasi Kajian

Seorang penyelidik ingin menguji sama ada jenis sekolah (Bandar vs Luar Bandar) dan jantina (Lelaki vs Perempuan) mempengaruhi pencapaian Sains pelajar.

Output SPSS (contoh)

Tests of Between-Subjects Effects

Sumber Variasi	Jumlah Kuasa Dua	df	Min Kuasa Dua	F	Sig.
Jenis Sekolah	245.60	1	245.60	5.32	0.027
Jantina	310.75	1	310.75	6.73	0.015
Jenis Sekolah × Jantina	122.40	1	122.40	2.11	0.156
Ralat (Error)	1840.50	40	46.01
Jumlah	2519.25	43

Tafsiran

• Jenis Sekolah (Sig. = 0.027 < 0.05): Terdapat perbezaan signifikan pencapaian Sains antara pelajar sekolah bandar dan luar bandar.
• Jantina (Sig. = 0.015 < 0.05): Terdapat perbezaan signifikan pencapaian Sains antara lelaki dan perempuan.
• Interaksi (Sig. = 0.156 > 0.05): Tiada interaksi signifikan antara jenis sekolah dan jantina. Maksudnya, kesan jenis sekolah tidak bergantung pada jantina, dan sebaliknya.

---

Kesimpulan

• ANOVA Sehala: Sesuai untuk menguji perbezaan purata antara lebih daripada dua kumpulan bagi satu faktor.
• ANOVA Dua Hala: Lebih kompleks kerana boleh menguji dua faktor serentak dan melihat sama ada wujud interaksi antara keduanya.
• SPSS membantu: Menyediakan keputusan yang cepat, jelas, dan mudah ditafsir dengan berpandukan nilai Sig. (p-value).