Kaedah Penterjemahan merupakan medium yang paling penting dalam proses penterjemahan. Proses Penterjemahan yang baik memerlukan kaedah-kaedah yang tertentu bagi menghasilkan suatu terjemahan yang menepati kehendak pembaca sasaran.
Kaedah Penterjemahan merupakan medium yang paling penting dalam proses penterjemahan. Proses Penterjemahan yang baik memerlukan kaedah-kaedah yang tertentu bagi menghasilkan suatu terjemahan yang menepati kehendak pembaca sasaran.
Jurnal hubungan motivasi , gaya pembelajaran dengan pencapaianmatematik kejur...Ummi Azilla
Kajian ini dijalankan untuk mengenalpasti hubungan motivasi, gaya pembelajaran dengan pencapaian Matematik Kejuruteraan pelajar-pelajar semester akhir Diploma Kejuruteraan di Politeknik Kementerian Pengajian Tinggi Malaysia. Seramai 226 orang pelajar semester 6 yang mengambil modul Matematik Kejuruteraan 5 telah dipilih sebagai sampel. Instrumen yang digunakan ialah Inventori Pembelajaran di Sekolah dalam Norlia et al (2006) yang telah mengemukakan empat gaya pembelajaran iaitu Gaya Pembelajaran Permukaan, Gaya Pembelajaran Mendalam, Gaya Pembelajaran Terancang dan Gaya Pembelajaran Gigih Usaha. Gaya kelima pembelajaran iaitu gaya dorongan telah diubahsuai untuk mengukur dorongan Motivasi Dalaman dan Motivasi Luaran. Data dianalisis secara deskriptif dan inferensi menggunakan perisian SPSS (Statistical Packages for Social Sciences v18.0). Hasil analisis deskriptif mendapati skor min bagi gaya pembelajaran yang diamalkan pelajar berada pada tahap yang sederhana dan nilai min untuk gaya permukaan lebih tinggi berbanding dengan gaya mendalam, terancang dan gigih usaha. Bagi faktor motivasi, didapati nilai min bagi motivasi dalaman lebih tinggi berbanding dengan motivasi luaran. Hasil analisis inferesi menunjukkan hubungan yang lemah antara gaya pembelajaran dengan pencapaian pelajar. Namun ujian signifikan menunjukkan terdapat hubungan yang bermakna antara gaya pembelajaran mendalam, terancang dan gigih usaha dengan pencapaian pelajar. Bagi faktor motivasi pula, hasil analisis menunjukkan terdapat hubungan yang signifikan antara gaya pembelajaran dengan motivasi dalaman dan luaran. Hasil analisis ujian – t mendapati tidak terdapat perbezaan yang signifikan keempat-empat gaya pembelajaran dengan pencapaian Matematik Kejuruteraan pelajar.
PPT LANDASAN PENDIDIKAN.pptx tentang hubungan sekolah dengan masyarakat
Note spss research project
1. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
STATISTIK DESKRIPTIF
1.
ANALISIS DESKRIPTIF DATACATEGORICAL
1.1
Klik AnalyzePilihDescriptive StatisticsPilihFrequencies.
1.2
Pilih pemboleh ubah categorical yang diingini dan masukkan ke dalam Variables
box. Kemudian klik OK
1.3
2.
Interpretasi:
1.3.1 Nyatakan bilangan dan peratus.
1.3.2 Nyatakan bilangan keseluruhan sampel.
ANALISIS DESKRIPTIF DATA CONTINUOUS
2.1
Klik AnalyzePilihDescriptive StatisticsPilihDescriptives.
2.2
Pilih pemboleh ubah continuous yang diingini dan masukkan ke dalam Variables
box.
2.3
Klik pada Options dan pilih mean, maximum, minimum dan standard deviation.
2.4
3.
Interpretasi:
2.4.1 Nyatakan min, julat dan sisihan piawai pemboleh ubah tersebut.
NORMALITI
3.1
Klik AnalyzePilihDescriptive StatisticsPilih Explore.
3.2
Pilih pemboleh ubah continuous yang diingini dan masukkan ke dalam
Dependent Listbox. Pada Label Cases by box, masukkan ID pemboleh ubah.
Pilih Both pada bahagian Display.
3.3
Klik butang Statistics Pilih Descriptives dan Outliers Klik Continue.
3.4
Klik butang Plots Pilih histogram pilih Normality plots with tests Klik
Continue Klik OK
3.5
Interpretasi
3.5.1
Maklumat mengenai pemboleh ubah anda akan dipaparkan pada jadual
Descriptives, seperti mean, median, std deviation, minimum, maximum
dan lain-lain.
1
2. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
3.5.2
3.5.3
Nilai 5% Trimmed Mean(SPSS memotong 5% skor di atas dan di
bawah dari keseluruhan skor) menunjukkan sejauh mana nilai skor
ekstrem mempengaruhi nilai min asal. Sekiranya nilai terlalu berbeza
anda perlu memeriksa skor ekstrem ini dengan lebih lanjut lagi. ID skor
ekstrem dipaparkan pada jadual Extreme Value.
Nilai Skewness dan Kurtosis menunjukkan bagaimana skor tertabur.
3.5.4 Pada jadual Test of Normality dipaparkan nilai statistik KolmogorovSmirnov dan Shapiro-Wilk yang mengukur normality taburan skor yang
diuji. Nilai Sig. lebih dari 0.05 menunjukkan skor bertaburan normal. Nilai
Sig. kurang dari 0.05 menunjukkan data tidak bertaburan normal.
3.5.5 Taburan skor juga boleh dilihat menerusi Histogram, Normal Q-Q Plot
(nilai skor sebenar diplot melawan nilai skor yang dijangka dari taburan
normal), Detrended Normal Q-Q Plots (memplot nilai sisihan sebenar
skor dari garis lurus.
3.5.6 Pada paparan boxplot, rajah segi empat mewakili 50% dari skor dengan
garis yang keluar dari segi empat tersebut menuju ke arah nilai skor
terkecil dan terbesar. Ada kalanya terdapat bulatan dengan nombor item
di hujung garis ini yang menunjukkan nilai outliers (sesuatu skor melebihi
majoriti skor-skor yang lain). Pastikan skor outliers ini adalah skor outliers
sebenar dan bukannya kesilapan semata-mata. Untuk mengatasi
masalah outliers, ada ahli statistik yang mencadangkan agar skor ini
dibuang. Ada yang mencadangkan agar nilai skor ini digantikan dengan
nilai skor yang kurang ekstrem. Kaedah untuk menggugurkan atau
mengubah skor outliers ialah dengan pergi ke data editor, pilih lajur
pemboleh ubah yang terlibat, sort sama ada ascending atau descending
dan kemudian laksanakan tindakan terlibat.
4.
CROSSTABS
Nota:
1.
Digunakan untuk menganalisis perkaitan di antara dua atau lebih pemboleh
ubah.
4.1
Klik AnalyzePilihDescriptive StatisticsPilih Crosstabs.
4.2
Pilih satu pemboleh ubah untuk dimasukkan ke dalam Row box. (biasanya
pemboleh ubah bersandar)
2
3. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
4.3
Pilih satu pemboleh ubah untuk dimasukkan ke dalam Column box. (biasanya
pemboleh ubah bebas)
4.4
Klik butang Cells. Pilih Observed pada bahagian Counts. Pilih Column pada
bahagian Percentages. Klik Continue. Klik OK.
3
4. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
MEMANIPULASI DATA
Nota:
1.
Pastikan data telah disemak, dicuci dan dibetulkan dahulu.
2.
Data dimanipulasi untuk memudahkan analisis dijalankan.
1.
MENGIRA JUMLAH SKOR
1.1
MENUKAR ITEM NEGATIF KEPADA POSITIF:
1.1.1
Klik Transform Klik Recode into different Variables.
1.1.2
Pilih itemyang ingin ditukar dan masukkan ke dalam Numeric
Variable-Output Variable box.
1.1.3
Pada Output variable, taipkan nama yang baru bagi item tersebut.Pada
Label taipkan penerangan bagi nama baru tersebut. Klik Change.
1.1.3
Klik butang Old and New Value.
pada bahagian ‘Old value’, taipkan ‘1’ dalam ‘Value box’
pada bahagian ‘New value’, taipkan ‘5’ dalam ‘Value box’.
1.14
1.2
Klik pada Add. Bila selesai klik Continue. Kemudian klik Ok.
MENAMBAH ITEM UNTUK MENCARI JUMLAH SKOR:
1.2.1
1.2.2
Pada kotakTarget Variable, taipkan nama bagi pemboleh ubah baru itu.
1.2.3
Klik pada butang Type and Label. Klik kotak label dan taipkan
penerangan bagi pemboleh ubah itu. Klik Continue.
1.2.4
Pada kotak Numeric Expression taipkan item yang ingin ditambah.
1.2.5
2.
Klik Transform Klik Compute.
Setelah selesai klik Ok.
MENGUBAH PEMBOLEH UBAH CONTINUOUS KE DALAM KATEGORI
2.1
Klik TransformPilihVisual Binning.
4
5. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
2.2
2.3
Masukkan pemboleh ubah yang diingini ke dalam kotak Variables to Bin. Klik
Continue.
Pada bahagian Binned Variable, taipkan nama pemboleh ubah baru yang akan
dibentuk.
2.4
2.5
3.
Klik butang Make Cutpoints. Klik pada pilihan Equal Percentiles Based on
Scanned Cases. Pada kotak Number of Cutpoints, taipkan bilangan kumpulan
yang diingini – 1. Klik Apply.
Klik butang Make Labels. Klik Ok.
MEMBENTUK KUMPULAN BARU BAGI DATA ORDINAL
3.1
Klik TransformRecode into Different Variables.
3.2
Pilih pemboleh ubah ordinal yang diingini (Bangsa). Pada kotak Name, taipkan
nama baru bagi pemboleh ubah yang ingin dibentuk. Pada bahagian Label,
taipkan penerangannya. Klik Change.
3.3
Klik pada butang Old and New Values. Pada bahagian Old Value, taipkan nilai
terendah (1). Pada New Value, taipkan nilai yang diingini (2). Klik Add. Ulang
untuk (2 2), (3 2) dan (4 2). Klik Continue. Klik Ok.
3.4
Pada Variable View (Data Editor), labelkan perwakilan baharu tersebut. Contoh
1 – Bumiputera, 2 – Bukan Bumiputera.
5
6. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
TRANSFORMASI PEMBOLEH UBAH
Nota:
1.
Tahap kenormalan suatu taburan data akan mempengaruhi pemilihan
analisis yang dilakukan seterusnya memungkinkan sama ada data dapat
digeneralisasikan terhadap populasi.
1.
Klik Transform Klik Compute Variable.
2.
Pada kotak Target Variable, taipkan nama baru bagi pemboleh ubah tersebut. Klik
butang Type & Label. Pada bahagian Label, taipkan penerangan tentang pemboleh
ubah tersebut. Pada bahagian Type, pilih jenis pemboleh ubah baru tersebut. Klik
Continue.
3.
Lihat bentuk taburan di bawah, dan bandingkan dengan data anda. Pada bahagian
Function Group, pilih jenis transformasi yang paling sesuai dengan pemboleh ubah
anda itu.
6
7. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
4.
Transformasi melibatkan square root atau logarithm:
4.1
Pada kotakFunction group, klik Arithmetic. Pada kotakFunctions and
Special Variablespilih formula yang diperlukan (Sqrt atau Lg10). Masukkan
formula tersebut ke dalam kotak Numeric Expression.
5.
Transformasi melibatkan Reflect:
5.1
5.2
Pada kotak Function group, klik Arithmetic. Pada kotak Functions and
Special Variablespilih formula yang diperlukan (Lg10). Masukkan formula
tersebut ke dalam kotak Numeric Expression.
5.3
Reflect and Square root: P/ubah baru = SQRT (K – pemboleh ubah lama)di
mana K = (nilai terbesar bagi p/u ) + 1.
5.4
Reflect and logarithm: P/ubah baru = LG10 (K – pemboleh ubah lama)di
mana K = (nilai terbesar bagi p/u ) + 1
5.5
6.
Carikan nilai K bagi pemboleh ubah anda. K = (nilai terbesar bagi p/u ) + 1.
Reflect and inverse: P/ubah baru = 1 / (K – pemboleh ubah lama)di mana
K = (nilai terbesar bagi p/u ) + 1
Transformasi melibatkan Inverse:
6.1
Bahagikan skor anda dengan 1. Pada kotak Numeric Expression, taipkan
1/(pemboleh ubah anda).
7.
Klik Ok.
8.
Lakukan ujian normality semula. Lihat nilai kurtosis dan skewness.
7
8. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
MEMERIKSA KEBOLEHPERCAYAAN SKALA
Nota:
Sebelum analisis dijalankan, pastikan:
1.
Semua item negatif telah dipositifkan.
2.
mempengaruhi nilai Cronbach Alpha.
1.
Klik Analyze Pilih Scale Pilih Reliability Analysis
2.
Masukkan semua item individu yang membentuk skala ke dalam kotak Items.
3.
Pada bahagian Model, pilih Alpha.
4.
Pada kotak Scale label, taipkan nama skala/sub skala.
5.
Klik pada butang Statistics. Pada bahagian Descriptives for, pilih Item, Scale, dan
Scale if item deleted. Pada bahagian Inter-Item, klik pada Correlations. Pada
bahagian Summaries, klik pada Correlations.
6.
Klik pada Continue. Klik Ok.
7.
Interpretasi:
7.1
Semak bilangan item pada jadual Reliability Statistics.
7.2
Semak Inter-Item Correlation Matrix. Adakah terdapat nilai negatif? Semua
nilai seharusnya positif menunjukkan ia mengukur aspek yang sama. Kehadiran
item negatif menunjukkan item-item tersebut masih belum dipositifkan.
7.3
Semak nilai Cronbach’s Alpha pada jadual Reliability Statistics. Nilai 0.7 dan
ke atas adalah diterima.
7.4
Nilai Corrected Item-Total Correlation pada jadual Item-Total Statistics
menunjukkan korelasi bagi setiap item dengan jumlah keseluruhan skor. Nilai
kurang dari 0.3 menunjukkan item tersebut mengukur sesuatu yang berbeza dari
skala secara keseluruhan. Sekiranya nilai Cronbach Alpha anda terlalu rendah
(kurang dari 0.7) anda mungkin perlu menggugurkan item dengan nilai item-total
correlations yang rendah.
7.5
Pada lajur Alpha if Item Deleted, kesan menggugurkan setiap item dari skala
ada diberikan. Bandingkan nilai ini dengan keseluruhan alpha yang diperoleh.
Sekiranya terdapat nilai yang lebih tinggi berbanding nilai keseluruhan alpha,
8
9. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
anda mungkin perlu mempertimbangkan untuk menggugurkan item tersebut.
(Hanya untuk proses membina skala, sekiranya menggunakan skala yang telah
established, tindakan membuang item ini menyebabkan anda tidak dapat
membandingkan keputusan anda dengan kajian terdahulu).
7.6
7.7
Untuk skala dengan bilangan item yang sedikit (contohnya kurang dari 10), ada
kalanya sukar untuk mendapatkan nilai alpha yang memuaskan dan anda
mungkin perlu melaporkan nilai min inter-item correlation pada jadual
Summary Item Statistics.
Contoh pelaporan:
Menurut A (2009), skala pemikiran kritikal mempunyai ketekalan dalaman yang
baik dengan nilai pekali Cronbach alpha 0.8. Dalam kajian ini, nila pekali
Cronbach alpha yang diperolehi ialah 0.86.
9
10. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
KORELASI
Nota:
1.
Analisis korelasi digunakan untuk menerangkan kekuatan dan arah
hubungan linear antara dua pemboleh ubah.
2.
Korelasi Pearson product-moment, r = dua pemboleh ubah continuous
atau satu continuous dan satu dichotomous (jantina).
3.
Korelasi Spearman rho, ρ = pemboleh ubah ordinal.
4.
Terdapat dua jenis korelasi:
a)
Bivariate Correlation = korelasi antara dua pemboleh ubah
b)
Partial Correlation = meneroka hubungan dua pemboleh ubah dan
pada masa yang sama mengawal pemboleh ubah lain.
5.
Julat nilai korelasi = -1 hingga +1. Nilai korelasi ‘0’ menunjukkan tiada
hubungan antara dua pemboleh ubah. Nilai korelasi positif membawa
maksud, apabila satu pemboleh ubah meningkat, pemboleh ubah yang satu
lagi juga akan meningkat. Nilai korelasi negatif membawa maksud, apabila
satu pemboleh ubah meningkat, pemboleh ubah yang satu lagi akan
menurun.
1.
Prosedur melaksanakan analisis korelasi Pearson/Spearman rho:
1.1
1.2
Pilih dua pemboleh ubah yang diingini dan masukkan ke dalam kotak bertanda
Variables.
1.3
Pada bahagian Correlation Coefficients, pilih Pearson atau Spearman rho
atau kedua-duanya.
1.4
Klik pada butang Options. Untuk Missing Values, pilih Exclude cases pairwise.
1.5
2.
Klik Analyze Pilih Correlate Pilih Bivariate.
Klik Continue dan klik Ok.
Interpretasi:
2.1
Nilai korelasi Pearson dipaparkan pada bahagian Correlation. Bagi korelasi
Spearman rho, nilai korelasi ditunjukkan pada bahagian Nonparametric
Correlations.
2.2
Langkah 1: Memeriksa maklumat berkaitan sampel.
Pada jadual Correlations, periksa nilai N. Adakah ia benar? Adakah terdapat
banyak Missing Data?
10
11. SPSS FOR RESEARCH PROJECT by Azli Alip @ 2012 22078Y
2.3
Langkah 2: Tentukan arah hubungan
Adakah terdapat tanda negatif di hadapan nilai pekali korelasi? Sekiranya ada,
maka wujud hubungan korelasi negatif antara dua pemboleh ubah tersebut.
2.4
Langkah 3: Tentukan kekuatan hubungan
Menurut Cohen (1988), nilai korelasi
Julat Korelasi
0.1 hingga 0.29
0.3 hingga 0.49
0.5 hingga 1.0
Kekuatan hubungan
Lemah
Sederhana
Kuat
Kekuatan hubungan korelasi, r = 0.5 dengan r = - 0.5 adalah sama. Cuma arah
hubungan sahaja yang berbeza.
2.5
Langkah 4: Mengira pekali penentuan
Dengan mencari nilai pekali penentuan, anda dapat melihat berapa banyak
varian yang dikongsi oleh kedua-dua pemboleh ubah yang terlibat. Anda hanya
perlu mengkuasa duakan nilai r yang diperoleh atau r2. Kemudian darabkan
dengan 100. (Dalam bentuk peratusan). Contoh, jika r = 0.5, maka r 2 = 0.25 atau
25% varian dikongsi antara kedua-dua pemboleh ubah yang terlibat. Ini
menunjukkan bahawa A membantu menerangkan 25% varian skor responden
dalam B.
2.6
Memeriksa tahap signifikan
Lihat nilai pada Sig. 2 tailed. Nilai ini menentukan sejauh mana tahap keyakinan
kita terhadap keputusan yang diperoleh. Nilai signifikan bagi r atau rho sangat
dipengaruhi oleh saiz sampel. Bagi sampel yang kecil (contohnya n=30) anda
akan memperoleh nilai korelasi yang sederhana dan agak sukar untuk mencapai
nilai signifikan pada tahap p < 0.05. Untuk sampel yang besar (N=100+), nilai
korelasi yang kecil (contohnya r = 0.2) sudah berupaya untuk mencapai nilai
yang signifikan. Dalam melaporkan nilai statistik yang signifikan, anda harus
fokus terhadap kekuatan hubungan dan jumlah varian yang dikongsi oleh keduadua pemboleh ubah.
3.
Melaporkan keputusan dari analisis korelasi:
3.1
Korelasi antara A dan B telah dianalisis menggunakan korelasi Pearson productmoment. Analisis menunjukkan terdapat hubungan yang (positif/negatif) yang
(kuat/sederhana/lemah) antara A dan B (r = ____, n = ______, p <0.05).
11