Ringkasan dokumen:
1. Dokumen menjelaskan penggunaan analisis korelasi dan regresi untuk mengkaji hubungan antara variabel pendapatan keluarga, motivasi belajar, dan prestasi pelajar dalam ujian Bahasa Melayu.
2. Hasil analisis menunjukkan terdapat korelasi yang signifikan antara motivasi belajar dengan prestasi, tetapi tidak ada korelasi antara pendapatan keluarga dengan prestasi.
3. Regresi berganda menunjukkan motivasi
1. APLIKASI STATISTIK DALAM KAJIAN PENDIDIKAN
ANALISIS DATA MENGGUNAKAN SPSS
4. Korelasi
4. a) Korelasi Pearson
Data
Jadual 1 di bawah menunjukkan data pendapatan keluarga dan markah ujian Bahasa Melayu
kelas 6 Nilam. Saya ingin mengkaji hubungan antara pendapatan keluarga dan markah ujian
Bahasa Melayu murid kelas 6 Nilam.
BIL. RESPONDEN PENDAPATAN MARKAH BM
1 2000 80
2 2100 85
3 2000 80
4 1900 80
5 1900 78
6 1700 76
7 2200 60
8 1400 64
9 1300 60
10 1500 80
11 2000 90
12 2900 50
13 1300 60
14 1000 70
15 1200 74
16 2100 88
17 1400 78
18 1800 78
19 1800 74
20 1700 78
21 2000 90
22 3000 60
23 1700 66
24 1600 76
25 1800 78
26 2400 80
27 2400 80
28 2800 90
29 2500 80
30 3000 90
Jadual 1: Pendapatan keluarga dan markah ujian Bahasa Melayu kelas 6 Nilam.
2. Correlations
PENDAPATAN BM
PENDAPATAN Pearson Correlation 1 .156
Sig. (2-tailed) .410
N 30 30
BM Pearson Correlation .156 1
Sig. (2-tailed) .410
N 30 30
Hasil analisis SPSS menunjukkan tidak terdapat korelasi antara pendapatan keluarga dan
markah ujian Bahasa Melayu kelas 6 Nilam kerana nilai signifikannya ialah 0.410 iaitu
melebihi nilai alfa 0.05.
4. b) Korelasi Spearman
Dalam ujian korelasi spearman, saya ingin melihat sama ada tahap motivasi pelajar
mempengaruhi atau mempunyai hubungan dengan markah ujian Bahasa Melayu murid kelas
6 Nilam. Nilai tahap motivasi murid diukur secara skala likert kerana data tersebut merupakan
data non parametrik seperti dalam jadual di bawah.
Data
BIL. RESPONDEN TAHAP MOTIVASI MARKAH BM
1 SANGAT SETUJU 80
2 SANGAT SETUJU 85
3 SANGAT SETUJU 80
4 SANGAT SETUJU 80
5 SETUJU 78
6 SETUJU 76
7 TIDAK PASTI 60
3. 8 TIDAK PASTI 64
9 TIDAK PASTI 60
10 SETUJU 80
11 SANGAT SETUJU 90
12 TIDAK SETUJU 50
13 TIDAK PASTI 60
14 TIDAK PASTI 70
15 TIDAK PASTI 74
16 TIDAK PASTI 88
17 TIDAK PASTI 78
18 TIDAK PASTI 78
19 TIDAK PASTI 74
20 TIDAK PASTI 78
21 TIDAK PASTI 90
22 TIDAK SETUJU 60
23 TIDAK SETUJU 66
24 TIDAK PASTI 76
25 TIDAK PASTI 78
26 SETUJU 80
27 SETUJU 80
28 SANGAT SETUJU 90
29 SETUJU 80
30 SANGAT SETUJU 90
Jadual 2: Tahap motivasi dan markah ujian Bahasa Melayu kelas 6 Nilam
Skala Likert:
1= Sangat tidak setuju
2= Tidak setuju
3= Tidak pasti
4= Setuju
5= Sangat setuju
4. Correlations
MOTIVASI BM
Spearman's rho MOTIVASI Correlation Coefficient 1.000 .742**
Sig. (2-tailed) . .000
N 30 30
BM Correlation Coefficient .742**
1.000
Sig. (2-tailed) .000 .
N 30 30
**. Correlation is significantatthe 0.01 level (2-tailed).
Berdasarkan keputusan SPSS, terdapat hubungan yang signifikan antara tahap motivasi dan
markah ujian Bahasa Melayu kelas 6 Nilam. Ini berdasarkan nilai correlation coefficient iaitu
0.742 iaitu menunjukkan hubungan yang tinggi antara tahap motivasi dan markah ujian
Bahasa Melayu kelas 6 Nilam. Manakala nilai signifikan 0.00 kurang daripada nilai alfa 0.05
menunjukkan terdapat korelasi antara tahap motivasi dan markah ujian Bahasa Melayu kelas
6 Nilam.
5. Regresi Linear
a) Regresi mudah
Saya ingin melihat hubungan antara pendapatan dan markah ujian Bahasa Melayu kelas 6
Nilam di mana pendapatan ialah pembolehubah bebas dan markah Bahasa Melayu ialah
pembolehubah bersandar. Data yang digunakan sama seperti di dalam Jadual 1.
Descriptive Statistics
Mean Std. Deviation N
BM 75.77 10.385 30
PENDAPATAN 1946.67 530.279 30
Correlations
5. BM PENDAPATAN
Pearson Correlation BM 1.000 .156
PENDAPATAN .156 1.000
Sig. (1-tailed) BM . .205
PENDAPATAN .205 .
N BM 30 30
PENDAPATAN 30 30
Output di atas memberi nilai korelasi antara pembolehubah. Korelasi antara pendapatan dan
markah ujian Bahasa Melayu adalah 0.156 iaitu nilai tersebut menunjukkan korelasi yang
rendah antara pendapatan dan markah ujian Bahasa Melayu.
Variables Entered/Removeda
Model
Variables
Entered
Variables
Removed Method
1 PENDAPATANb
. Enter
a. DependentVariable:BM
b. All requested variables entered.
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .156a
.024 -.010 10.439
a. Predictors:(Constant),PENDAPATAN
b. DependentVariable:BM
Pada output ini , nilai yang perlu diperhatikan adalah pada R Square = 0.024. Nilai tersebut
dinamakan nilai determinasi, iaitu nilai peratus kontribusi pembolehubah bebas terhadap
pembolehubah bersandar. Dalam hal ini nilai determinasi = 0.024 = 0.02% , bererti
pembolehubah markah ujian Bahasa Melayu 0.024% disebabkan oleh pembolehubah
pendapatan.
6. Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 69.816 7.367 9.477 .000
PENDAPATAN .003 .004 .156 .836 .410
a. DependentVariable:BM
Pada output ini merupakan inti analisis regresi, kerana pada output ini kita boleh membuat
persamaan regresi. Nilai yang penting adalah pada kolum B. Nilai – nilai tersebut digunakan
untuk menyusun persamaan regresi. Dari nilai tersebut , akan didapatkan persamaan regresi
sebagai berikut :
Y = 69.816 + 0.003X
dengan
Y = markah Bahasa Melayu
X = pendapatan
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 76.194 1 76.194 .699 .410b
Residual 3051.172 28 108.970
Total 3127.367 29
a. DependentVariable:BM
b. Predictors:(Constant),PENDAPATAN
Dengan nilai df= 1, 28 dan = 0.05 , nilai kritikal bagi F-ratio ialah 4.10. Hasilnya, hipotesis
nul diterima dan menyimpulkan bahawa persamaan regresi tidak meramalkan sebahagian
besar varians untuk skor Y.
7. b) Regresi Pelbagai
Dalam kajian regresi pelbagai, saya ingin melihat hubungan antara pembolehubah bebas iaitu
pendapatan dan tahap motivasi dengan pembolehubah bersandar iaitu markah ujian Bahasa
Melayu seperti data dalam Jadual 1 dan 2.
Descriptive Statistics
Mean Std. Deviation N
BM 75.77 10.385 30
PENDAPATAN 1946.67 530.279 30
MOTIVASI 3.57 .971 30
Correlations
BM PENDAPATAN MOTIVASI
Pearson Correlation BM 1.000 .156 .684
PENDAPATAN .156 1.000 .221
MOTIVASI .684 .221 1.000
Sig. (1-tailed) BM . .205 .000
PENDAPATAN .205 . .120
MOTIVASI .000 .120 .
N BM 30 30 30
PENDAPATAN 30 30 30
MOTIVASI 30 30 30
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .684a
.467 .428 7.856
a. Predictors:(Constant),MOTIVASI, PENDAPATAN
b. DependentVariable:BM
8. Output ini menunjukkan nilai determinasi iaitu 0.467.
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 49.556 7.002 7.078 .000
PENDAPATAN 9.8655 .003 .005 .035 .972
MOTIVASI 7.295 1.540 .682 4.738 .000
a. DependentVariable:BM
Output ini menunjukkan persamaan regresi berganda. Koefisien regresi menggunakan nilai
yang terdapat pada kolum B.
Dari nilai – nilai tersebut, persamaan regresi berganda yang dibentuk adalah :
Y = 49.556 + 9.8655X1 + 7.295X2
dengan :
Y = markah Bahasa Melayu
X1 = pendapatan
X2 = motivasi
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 64.31 86.33 75.77 7.098 30
Residual -14.432 18.362 .000 7.580 30
Std. Predicted Value -1.613 1.488 .000 1.000 30
Std. Residual -1.837 2.337 .000 .965 30
a. DependentVariable:BM
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1461.220 2 730.610 11.840 .000b
Residual 1666.146 27 61.709
9. Total 3127.367 29
a. DependentVariable:BM
b. Predictors:(Constant),MOTIVASI, PENDAPATAN
Dengan nilai df= 2, 27 dan α = 0.05 , nilai kritikal bagi F-ratio ialah 3.35. Oleh itu, kita gagal
untuk menolak hipotesis nul dan membuat kesimpulan bahawa persamaan regresi tidak
meramalkan sebahagian besar varians untuk skor Y.
LAMPIRAN SPSS