BAB 4 DAPATAN KAJIAN. 7. Pada bahagian pertama huraian adalah berdasarkan statistik dekriptif yang

Transcript

1 BAB 4 DAPATAN KAJIAN 4.0 Pendahuluan Bab ini membincangkan dapatan kajian berdasarkan analisis data yang telah ditetapkan. Data yang diperolehi telah dianalisis dengan menggunakan tiga perisian, iaitu perisian SPSS Version 15, Quest, GENOVA dan AMOS version 7. Pada bahagian pertama huraian adalah berdasarkan statistik dekriptif yang akan menyentuh aspek latar belakang responden serta pembelajaran matematik dalam bahasa Inggeris. Kemudian, perbincangan akan berkisar kepada analisis item menggunakan perisian Quest. Seterusnya perbincangan akan menyentuh komponen varian yang berkait dengan dependability skor pencapaian. Akhir sekali, huraian adalah berdasarkan analisis SEM (Structural Equation Modeling). Secara umumnya huraian dalam bab ini akan menjawab soalan kajian yang telah ditetapkan seperti berikut: 1. Apakah dependability skor ujian pencapaian mata pelajaran matematik KBSM Tingkatan 2 mengikut Teori Generalizabiliti? 2. Apakah sumbangan setiap facet terhadap varians ralat mengikut Teori Generalizabiliti? 3. Sejauhmanakah model cadangan fit data pembolehubah bebas dan pembolehubah bersandar? 169

2 4. Adakah model yang dicadangkan fit dengan jantina lelaki dan perempuan? 5. Adakah model yang dicadangkan fit dengan lokasi sekolah bandar dan luar bandar? 6. Adakah terdapat kesan faktor peramal dalam model yang dicadangkan terhadap skor pencapaian secara signifikan? 4.1 Latar belakang Responden Seramai 500 orang pelajar tingkatan dua telah terlibat dengan kajian ini. Ringkasan maklumat latar belakang responden ditunjukkan dalam Jadual 4.1 di sebelah. Hasil daripada pentadbiran soal selidik dan ujian yang diduduki, seramai 225 (45%) responden adalah lelaki dan 275 (55%) perempuan. Komposisi mengikut kaum pula melibatkan kaum Melayu seramai 385 orang (77%) diikuti kaum Cina 83 orang (16.6%), India 27 (5.4%) orang dan lainlain (yakni Siam) seramai 5 orang (1%). Dari segi pola tempat tinggal responden pula, kebanyakan responden berasal atau tempat tinggal mereka adalah di kampung (N=272, 54.4%). Seramai 135 (27%) orang responden tinggal di bandar dan masing-masing responden dari pekan kecil dan tanah rancangan seramai 88 orang (17.6%) dan 5 orang (1%) yang tinggal di kawasan rancangan. Walaupun begitu, bilangan responden mengikut kategori sekolah luar bandar dan sekolah bandar adalah seimbang, iaitu masing-masing seramai 250 orang. 170

3 Jadual 4.1 Profil Pelajar Mengikut Jantina, Kaum, Tempat Tinggal dan Lokasi Sekolah Perbezaan Individu Kekerapan (%) Jantina Lelaki Perempuan 225 (45) 275 (55) Jumlah 500 (100) Kaum Melayu Cina India Lain-lain 385 (77) 83 (16.6) 27 (5.4) 5 (1) Tempat Tinggal Lokasi Sekolah Jumlah 500 (100) Kampung 272 (54.4) Pekan kecil 88 (17.6) Bandar 135 (27) Tanah Rancangan 5 (1) Jumlah 500 (100) Luar Bandar 250 (50) Bandar 250 (50) Jumlah 500 (100) Dari segi pencapaian responden dalam mata pelajaran Bahasa Inggeris pada peringkat UPSR, kebanyakan responden mendapat gred yang baik, iaitu Gred A (N=90, 18 %) dan Gred B (N=170, 34%). Sementara yang mendapat Gred D dan Gred E masing-masing seramai 52 (10.4%) dan 38 (7.6%). Maklumat gred responden ditunjukkan dalam Jadual 4.2 di bawah. Jadual 4.2 Gred Bahasa Inggeris UPSR Gred Bahasa Inggeris Jumlah (%) Gred A 90 (18.0) Gred B 170 (34.0) Gred C 150 (30.0) Gred D 52 (10.4) Gred E 38 (7.6) Jumlah 500 (100) 171

4 Walaupun gred pencapaian pelajar yang diperolehi oleh responden agak baik, seperti yang ditunjukkan dalam Jadual 4.2, namun apabila diminta menanda dalam soal selidik berhubung kemahiran bahasa masing-masing, dapatan kajian menunjukkan kemahiran bahasa responden perempuan lebih tinggi daripada responden lelaki (Perempuan: M = 3.16., SD = 0.77; Lelaki: M = 3.03, SD = 0.96). Jadual 4.3 menunjukkan kemahiran bahasa Inggeris responden. Jadual 4.3 Kemahiran Bahasa Inggeris Megikut Jantina Kemahiran BI Jantina Lelaki Perempuan Min N Std.Dev. Min N Std.Dev Lokasi sekolah Luar bandar Bandar Min N Std.Dev. Min N Std.Dev Manakala kamahiran mengikut lokasi sekolah pula seperti yang ditunjukkan dalam Jadual 4.3 di atas, kemahiran bahasa Inggeris responden yang bersekolah di bandar lebih tinggi daripada responden luar bandar. Skor min 172

5 dan sisihan piawai bagi kumpulan bandar ialah 3.18 dan 0.80; manakala skor min dan sisihan piawai bagi pelajar luar bandar ialah 3.06 dan Sikap Pelajar terhadap mata pelajaran Dapatan kajian yang dijalankan menunjukkan sikap sebenar responden kajian ini terhadap bahasa Inggeris dan sikap mereka terhadap mata pelajaran matematik. Skor min sikap responden terhadap kedua-dua mata pelajaran berkenaan ditunjukkan dalam Jadual 4.4 di bawah. Jadual 4.4 Sikap Pelajar Terhadap Mata pelajaran Mengikut Jantina Jantina Sikap BI Sikap Mat Lelaki Min N Std.Dev Perempuan Min N Std.Dev Dapatan kajian menunjukkan bahawa sikap responden perempuan adalah lebih positif berbanding responden lelaki bagi kedua-dua mata pelajaran berkenaan. Bagi mata pelajaran bahasa Inggeris skor min dan sisihan piawai bagi responden perempuan ialah 4.20 dan 1.07 berbanding responden lelaki 3.70 dan Bagi mata pelajaran matematik pula skor min dan sisihan piawai 173

6 responden perempuan ialah 4.43 dan Manakala skor min dan sisihan piawai bagi responden lelaki ialah 4.16 dan Bagi sikap terhadap mata pelajaran mengikut lokasi sekolah pula Jadual 4.5 di bawah memaparkan sikap responden terbabit. Skor min bagi sikap responden sekolah lokasi bandar dan luar bandar adalah sama, iaitu masing-masing Sikap matematik pula menunjukkan sikap responden sekolah bandar lebih tinggi daripada sekolah luar bandar. Skor min dan sisihan piawai bagi sekolah lokasi bandar ialah 4.32 dan Sementara skor min dan sisihan piawai bagi sekolah lokasi luar bandar ialah 4.29 dan Jadual 4.5 Sikap Pelajar Terhadap Mata pelajaran Mengikut Lokasi sekolah Lokasi sekolah Sikap BI Sikap Mat Luar bandar Min N Std.Dev Bandar Min N Std.Dev Pembelajaran Matematik Dalam Bahasa Inggeris Bagi mengetahui pengendalian pengajaran dan sama ada responden seronok atau sukar mengikuti pembelajaran matematik dalam bahasa Inggeris, Jadual 4.6 di sebelah menunjukkan keadaan demikian. 174

7 Jadual 4.6 Pembelajaran Matematik dalam Bahasa Inggeris Tidak Bersetuju Tidak pasti Bersetuju Saya seronok belajar matematik dalam BI. 261 (52.2%) 142 (28%) 97 (19.4%) Saya sukar mengikuti pembelajaran matematik dalam BI. 132 (26.4%) 166 (33.2%) 202 (40.4%) Guru matematik saya mengajar menggunakan bahasa Inggeris dan bahasa Melayu 16 (3.2%) 55 (11.0%) 429 (85.8%) Responden menunjukkan kecenderungan untuk Tidak bersetuju bahawa mereka seronok belajar matematik dalam bahasa Inggeris (N = 261, 52.2%) berbanding dengan bilangan responden yang Bersetuju (N = 97, 19.4%). Responden juga mengakui bahawa mereka sukar mengikuti pembelajaran matematik dalam bahasa Inggeris. Jadual 4.6 dia atas memaparkan 202 (40.4%) responden Bersetuju bahawa mereka sukar mengikuti pembelajaran berbanding hanya 132 (26.4%) responden berpendapat mereka tidak sukar dalam mengikuti pembelajaran berkenaan. Seiring dengan dapatan tersebut, kajian ini juga menunjukkan bahawa pengajaran dan pembelajaran matematik masih lagi dikendalikan secara tidak sepenuhnya dalam bahasa Inggeris kerana responden sendiri sukar mengikuti pengajaran dalam bahasa 175

8 Inggeris. Lebih 80 peratus pelajar bersetuju bahawa pengajaran masih disampaikan dalam bahasa Melayu dan bahasa Inggeris. 4.4 Analisis Item Ujian Kualiti sesuatu item dapat ditentukan berdasar kepada indeks kesukaran dan indeks diskriminasi. Indek kesukaran merujuk kepada nisbah jawapan calon yang menjawab dengan betul berbanding dengan keseluruhan bilangan calon yang menduduki sesuatu ujian berkenaan. Nilai yang ditunjukkan adalah antara kosong (sifar) hingga satu (0 hingga 1). Jika nilai yang diperolehi ialah satu bermakna semua calon menjawab dengan tepat atau betul. Ujian yang baik seharusnya memiliki nilai indeks kesukaran antara 0.3 hingga 0.7 (Kaplan & Saccuzzo, 2001). Pekali Point-Biserial merujuk kepada hubungan antara skor item dengan skor ujian. Ia memberikan petunjuk kekuatan sesuatu item berkenaan dalam membezakan pelajar mengikut kumpulan pencapaian sesuatu ujian. Nilai indeks Point-Biserial yang tinggi menunjukkan item tersebut berpotensi dijawab dengan betul oleh kebanyakan pelajar yang cerdik berbanding dengan pelajar yang lemah. Ujian yang baik nilai indeks Point-Biserial berada di antara 0.3 hingga 0.6 (Bond & Fox, 2001). Jadual 4.7 menunjukkan 15 item yang ditadbir dalam ujian pencapaian matematik Tingkatan 2. Ujian ini melibatkan 10 item berbentuk objektif dan 5 176

9 item berbentuk soalan subjektif. Hasil daripada jawapan yang diberikan pelajar telah dianalisis menggunakan perisian Quest. Dapatan analisis berasaskan pekali kesukaran dan Point-Biserial. Item Jadual 4.7 Indeks Kesukaran dan Point-Biserial Ujian Asal Indeks Point-Biserial Catatan Kesukaran Perlu dibaiki Diterima Perlu dibaiki Diterima Diterima Diterima Diterima Diterima Perlu dibaiki Diterima Diterima Digugurkan Diterima Diterima Diterima Secara umumnya kebanyakan item dalam ujian asal ini boleh diterima. Sementara item 12 perlu digugurkan kerana tergolong dalam item yang dianggar terlalu mudah kerana semua responden dapat menjawab dengan betul. Terdapat tiga item perlu dibaiki semula iaitu item 1, item 3 dan item 9. Item yang dianggap paling sukar ialah item

10 Jadual 4.8 Indeks Kesukaran dan Point-Biserial Ujian Ubah suai Item Indeks Kesukaran Point-Biserial Catatan Digugurkan Diterima Diterima Diterima Diterima Diterima Diterima Diterima Dibaiki Diterima Diterima Digugurkan Diterima Diterima Diterima Bagi ujian yang diubah suai pula, Jadual 4.8 menunjukkan item 1 dan item 12 perlu digugurkan. Sementara hanya satu item, iaitu item 9 perlu dibaiki. Itemitem lain boleh diterima kerana berada dalam lingkungan indeks kesukaran dan Point-Biserial yang boleh diterima. Jika dibandingkan ujian asal dengan ujian ubah suai, didapati kebanyakkan nilai indeks kesukaran item dalam ujian yang diubah suai didapati lebih tinggi daripada item ujian asal. Keadaan ini menunjukkan item yang diubah suai lebih mudah berbanding item ujian asal. Rajah 4.1 di bawah menunjukkan perbezaan nilai indeks kesukaran bagi kedua-dua ujian berkenaan. 178

11 Rajah 4.1 Graf Indeks Kesukaran Ujian Asal dan Ubah Suai Daripada Rajah 4.1 di atas didapati hanya item 10 dan item 12 yang nilai indeks kesukarannya yang berada lebih rendah daripada ujian asal. Manakala item lain, nilai indeks kesukaran adalah menunjukkan lebih baik daripada ujian asal. Rajah 4.2(a) dan 4.2(b) menunjukkan Keluk Ciri Item (ICC) bagi soalan ujian asal dan soalan ujian ubah suai. 179

12 Probability Ability Rajah 4.2(a) Keluk ICC Ujian Asal Rajah 4.2 (a) menunjukkan keluk Ciri Item bagi ujian asal. Setiap keluk menunjukkan tahap diskriminasi yang sama tetapi aras kesukaran yang berbeza. Keluk yang paling kiri, iaitu bagi item 7 menunjukkan item yang paling mudah. Keluk yang terletak di tengah-tengah menunjukkan item yang lebih sederhana kesukarannya dan keluk yang paling kiri, yang ditunjukkan oleh item 5 adalah item yang lebih sukar. Berdasarkan rajah ini, didapati item 7 ialah item yang paling mudah kerana kemungkinan pelajar menjawab betul adalah tinggi berdasarkan hanya memerlukan kebolehan responden calon yang 180

13 rendah. Berbeza dengan item 5 yang didapati lebih sukar kerana kemungkinan calon untuk menjawab dengan betul berdasarkan kebolehan pada tahap 4 sebanyak Probability Ability Rajah 4.2(b) Keluk ICC Ujian Ubah Suai Seperti Rajah 4.2 (a) untuk ujian asal, Rajah 4.2(b) turut menunjukkan keadaan yang sama; dengan item 7 masih dianggap sebagai mudah dan item 5 dianggap sebagai item yang sukar. Perbezaan antara Rajah 4.2(a) dan Rajah 4.2(b) ialah pergerakan keluk telah beralih ke sebelah kiri. Dalam erti kata yang lain pergerakan dari kanan ke kiri (Rajah 4.2(a)) ke kiri (Rajah 4.2(b) 181

14 menunjukkan darjah atau tahap kesukaran telah menjadi semakin mudah. Misalnya, dalam Rajah 4.2(a) bagi item 5 didapati kemungkinan pelajar yang menjawab dengan betul dengan abiliti pada tahap 4 ialah Namun, telah berubah kepada abiliti 3.6 untuk menjawab dengan betul pada tahap yang sama. Begitu juga dengan item yang lain. Keadaan ini menunjukkan bahawa penggunaan item yang diubah suai adalah lebih mudah berbanding item asal. 4.5 Analisis Skor Ujian Daripada jawapan responden yang diterima, responden cenderung kepada berpendapat soalan ujian asal lebih sukar berbanding dengan soalan ujian yang diubah suai struktur ayatnya. Jadual 4.9 memaparkan pendapat mereka tentang kedua-dua ujian berkenaan. Jadual 4.9 Pandangan Tentang Soalan Ujian Sukar Sederhana Mudah Secara keseluruhan soalan ujian ini (Asal) 182 (36.4%) 273 (54.6%) 45 (9.0%) Secara keseluruhan soalan ujian ini (Ubah suai) 72 (14.4%) 303 (60.6%) 125 (25.0%) 182

15 Daripada data yang ditunjukkan dalam jadual di atas, lebih 30% responden berpendapat soalan ujian asal adalah sukar berbanding hanya 14% sahaja yang berpendapat soalan ujian yang telah ubah suai adalah sukar. Bagi soalan ujian asal, responden yang berpendapat sederhana ialah 54.6 % dan 60 % bagi soalan ubah suai. Sementara responden yang berpendapat soalan ujian asal adalah mudah ialah 9 % dan bagi soalan ujian yang diubah suai ialah 25%. Keadaan menunjukkan bahawa ujian yang diubah suai adalah lebih mudah berbanding soalan ujian asal. Dari segi skor pencapaian responden dalam kedua-dua ujian berkenaan Jadual 4.10 di bawah menunjukan perbezaan skor min kedua-dua ujian berkenaan. Jadual 4.10 Perbezaan Skor Min Ujian Ujian Asal N 500 Min 5.62 Mod 6 Std.Dev Minimum 0 Maksimum 13 Skewness Kurtosis Ujian Ubah suai Berdasarkan jadual di atas, skor min bagi ujian asal ialah 5.62 dan skor min bagi ujian yang diubah suai meningkat kepada ini menunjukkan wujudnya peningkatan dalam skor min sebanyak Skor maksimum yang 183

16 diperolehi dalam ujian asal ialah 13 manakala bagi ujian ubah suai ialah 14. Rajah 4.3 (a) dan Rajah 4.3 (b) di sebelah menunjukkan keluk normal dan taburan skor setiap ujian berkenaan Frequency Mean =5.62 Std. Dev. =2.774 N =500 Skor ujian soalan asal Rajah 4.3 (a) Carta Skor Ujian Asal Frequency Mean =7.45 Std. Dev. =2.795 N =500 Skor ujian soalan ubah suai Rajah 4.3 (b) Carta Skor Ujian Ubah Suai 184

17 Bagi mengetahui adakah wujud perbezaan yang signifikan di antara kedua-dua ujian tersebut, Ujian-t dijalankan dan dapatan seperti dalam Jadual Jadual 4.11 Ujian t Soalan Asal dan soalan Ubah suai Paired Diffrences Skor Ubah Suai Skor asal Mean Std. Dev. Std. Error 95% C.I Sig. (2- Mean t df tailed) Daripada jadual di atas, bagi sampel kajian ini (n = 500), min skor ujian soalan ubah suai (M = 7.45, SD = 2.80, n = 500) lebih tinggi daripada min skor ujian asal (M = 5.62, SD = 2.77, n = 500). Keputusan ujian t menunjukkan min skor pencapaian ujian asal adalah berbeza secara signifikan ( t (499) = 36.52, p<0.001) dengan perbezaan min sebanyak Keadaan ini juga menunjukkan bahawa ujian ubah suai lebih membantu pelajar dalam memahami kehendak soalan berbanding ujian asal. Jika ditinjau secara lebih lanjut antara bentuk soalan objektif dan soalan subjektif, Jadual 4.12 menunjukkan perbezaan kedua-dua bentuk soalan tersebut. Daripada ujian t yang dijalankan bagi melihat perbezaan antara soalan berbentuk objektif dan subjektif bagi kedua-dua ujian berkenaan, didapati terdapat perbezaan yang signifikan antara soalan objektif dan soalan subjektif bagi kedua-dua ujian berkenaan. Daripada Jadual 4.12, bagi sampel 185

18 kajian ini (n = 500), skor soalan objektif ujian asal (M = 4.23, SD = 2.41, n = 500) lebih tinggi daripada skor ujian asal soalan subjektif (M = 1.39, SD = 1.11, n = 500). Keputusan ujian t menunjukkan min skor pencapaian ujian asal soalan objektif adalah berbeza secara signifikan dengan skor ujian asal soalan subjektif ( t (499) = 25.06, p<0.001) dengan perbezaan min sebanyak Begitu juga dengan soalan objektif ujian ubah suai (M = 5.49, SD = 2.46, n = 500) lebih tinggi dari skor soalan subjektif (M = 1.95, SD = 1.28, n = 500). Ujian t menunjukkan min skor pencapaian adalah berbeza secara signifikan ( t (499) = 28.86, p<0.001) dengan perbezaan min sebanyak Jadual 4.12 Ujian -t bagi Soalan Objektif dan Subjektif Asal dan ubah suai Paired Diffrences Mean Std. Dev. Std. Error Mean 95% C.I T df Sig. (2- tailed) Oriobj Orisubj Modiobj Modisubj Modiobj Oriobj Orisubj Modisubj Oriobj = Skor soalan objektif asal Orisubj = Skor soalan subjektif asal Modiobj = Skor soalan objektif ubah suai Modisubj = Skor soalan subjektif ubah suai 186

19 Di samping perbezaan pencapaian berdasarkan soalan asal dan soalan ubah suai, perbezaan juga ditunjukkan berdasarkan format soalan. Pencapaian responden bagi soalan objektif lebih tinggi daripada soalan subjektif. Jadual di atas memaparkan ujian-t bagi soalan objektif dan soalan subjektif. Bagi soalan objektif ubah suai, skor min (M =5.50, SD = 2.46, n = 500) lebih tinggi daripada skor min soalan objektif asal (M = 1.95, SD = 1.28, n = 500). Ujian t menunjukkan min skor adalah berbeza secara signifikan ( t (499) = 18.31, p<0.001 dengan perbezaan min sebanyak Apabila korelasi dijalankan bagi kedua-dua ujian berkenaan, dapatan menunjukkan kedua ujian mempunyai hubungan positif yang kuat ( r = 0.92, p<0.01) seperti ditunjukkan dalam Jadual Jadual 4.13 Korelasi Antara Ujian Asal dan Ujian Ubah suai Skor ujian ubah suai Skor ujian asal Pearson.919(**) Correlation Sig. (2-tailed).000 N 500 ** Correlation is significant at the 0.01 level (2-tailed). Hubungan kedua ujian berkenaan juga dapat dilihat dengan jelas dalam Rajah 4.4 di sebelah. 187

20 188 Rajah 4.4 Scatter plot Ujian Asal dan Ujian Ubah suai Memandangkan dapatan yang dijelaskan oleh responden yang berpendapat kedua-dua ujian ini masih sukar (lebih 35% berpendapat ujian asal sukar dan 15% berpendapat ujian ubah suai sukar ), responden juga berpendapat mereka lebih cenderung untuk menjawab soalan matematik dalam bahasa Melayu. Jadual 4.14 di sebelah menunjukkan kecenderungan responden Skor ujian soalan asal Skor ujian soalan ubah suai

21 Jadual 4.14 Kecenderungan Responden Untuk Memilih Bahasa Pengantar Soalan Ujian Bahasa Bahasa Melayu Inggeris Pilihan bahasa pengantar 372 (74.4%) 128 (25.6%) Jadual 4.14 di atas menunjukkan kecenderungan responden yang lebih suka untuk soalan ujian menggunakan bahasa Melayu. Lebih 70% pelajar memilih untuk menjawab ujian matematik dalam bahasa Melayu berbanding hanya 25.6% yang cenderung kepada soalan dalam bahasa Inggeris. Apabila ditanya tentang kecenderungan untuk memilih menjawab antara kedua-dua ujian berkenaan, didapati majoriti responden (91.2%) memilih untuk menjawab dengan menggunakan soalan yang telah diubah suai. Jadual 4.15 menunjukkan kecenderungan responden untuk memilih bentuk soalan ujian. Jadual 4.15 Kecenderungan Responden Untuk Memilih Bentuk Soalan Ujian Ujian asal Ujian Ubah suai Pilihan bentuk soalan 44 (8.8%) 456 (91.2%) 189

22 4.6 Analisis GENOVA Analisis data berdasarkan Teori Generalizabiliti dilaksanakan menerusi dua langkah, iaitu kajian generalizabiliti (Kajian -G) dan kajian keputusan (Kajian -D). Kajian -G mengambil kira anggaran kesan setiap komponen varian yang secara relatif terhadap skor responden. Sementara kajian -D pula melibatkan kepelbagaian pengaplikasian reka bentuk yang telah ditentukan hasil manipulasi komponen varian dalam kajian -G (Brennan, 1993; Shavelson & Webb, 1991) Kajian -G Dalam kajian ini, objek pengukuran ialah responden. Reka bentuk kajian -G adalah p x i dan komponen varian bagi item ujian asal dan item ujian ubah suai seperti yang dipaparkan dalam jadual 4.16 di bawah bagi ujian asal dan Rajah 4.17 bagi ujian ubah suai. Jadual 4.16 Komponen Varian Ujian Asal Min Kuasa dua Facet df Jumlah Kuasa dua Komponen Varian % Varian σ²(p) σ²(i) σ²pi + e Koeffisien G (Êp²) = Jadual 4.16 menunjukkan komponen varian setiap facet yang menyumbang kepada perbezaan skor pelajar. Komponen varian p (pelajar) menyumbang 190

23 peratusan yang tertinggi daripada jumlah keseluruhan varian, yakni sebanyak 62%, diikuti dengan kombinasi facet σ²pi + e sebanyak 29%. Manakala item menyumbang 9% daripada jumlah keseluruhan. Jadual 4.17 Komponen Varian Ujian Ubah Suai Min Kuasa dua Facet df Jumlah Kuasa dua Komponen Varian % Varian σ²(p) σ²(i) σ²pi + e Koeffisien G (Êp²) = Sementara hasil ujian ke atas yang diubah suai, masih menunjukkan bahawa komponen varian yang disumbangkan oleh p masih lagi tinggi berbanding facet yang lain. Jadual 4.17 menunjukkan σ²p menyumbang sebanyak 63% daripada jumlah varian keseluruhan. Perbezaan disebabkan item (σ²i) pula menyumbang sebanyak 7% serta kombinasi σ²pi + e menyumbang 30% perbezaan dalam pencapaian. Daripada kedua-dua ujian ini di dapati varian pelajar adalah tinggi kerana ini menunjukkan secara sistematik berdasarkan kebolehan pelajar berkenaan. Dalam hal ini, skor pelajar menunjukkan variabiliti skor yang memberikan gambaran bahawa komponen p menyumbang kepada variabiliti skor. Peratusan yang tinggi bagi komponen p menunjukkan skor yang diperolehi disumbangkan oleh faktor pelajar sendiri secara sistematik. Misalnya, seperti 191

24 faktor pembelajaran yang dilalui. Penurunan peratusan sumbangan facet item daripada 9% kepada 7% menunjukkan penurunan ralat yang disumbangkan oleh item yang menunjukkan item yang telah ubah suai lebih mudah difahami oleh responden. Pertambahan varian kombinasi p,i dan e menunjukkan adanya kemungkinan interaksi antara item dengan pelajar, yakni ada sebilangan item tertentu menjadi lebih mudah kepada pelajar tertentu misalnya kepada pelajar bandar. Sesetengah item pula masih tidak memberikan kelebihan kepada pelajar lain. Keadaan ini juga menunjukkan wujud pengaruh faktor lain yang tidak dikaji seperti masalah alat tulis yang dihadapi pelajar dan sebagainya. Lampiran J dan Lampiran K menunjukkan contoh min sampel item ujian asal dan ujian ubah suai. Rajah 4.5 (a) dan Rajah 4.5(b) menunjukkan pecahan komponen varian bagi kedua-dua ujian tersebut. Kombinasi Pelajar, Item dan ralat lain 29% Item 9% Pelajar 62% 192

25 Rajah 4.5(a) Sumber Varian Ujian Asal Kombinasi Pelajar, Item dan ralat lain 30% Item 7% Pelajar 62% Rajah 4.5(b) Sumber Varian Ujian Ubah suai Dalam hal ini, kesan komponen varian terhadap kebolehpercayaan pengukuran bergantung kepada pertimbangan berikut (Brennan, 1983): i. nilai generalizabiliti secara umum dan sama ada sumber facet yang ditunjukkan dalam kajian adalah mencerminkan keadaan sebenar sampel atau semua populasi. ii. reka bentuk pengukuran atau bagaimana pengukuran itu dijalankan; dan iii. keputusan yang ingin dibuat Kajian -D Dalam kajian G, koeffisien G (Êp²) memaparkan tahap perbezaan secara relatif bagi varian ralat (relative error variance). Dalam kajian D koeffisien 193

26 phi (Ф) menunjukkan darjah perbezaan secara mutlak varian ralat (absolute error variance). Berdasarkan Jadual 4.18 dan 4.19 di sebelah menunjukkan perbezaan sumbangan setiap komponen facet dalam menyumbang kepada ralat pengukuran apabila bilangan item bertambah. Jadual 4.18 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Ujian Asal Item Sumber σ²p σ²i σ²pi + e Koeffisiens Generalizabiliti Êp² Ф Berdasarkan Jadual 4.18, apabila bilangan item ujian bertambah, didapati nilai koeffisien (Êp² dan Ф) semakin meningkat. Daripada Jadual di atas memperlihatkan pertambahan nilai koeffisien semakin berkurangan apabila bilangan item melebihi 40 item. Dengan itu, jumlah item yang dianggap sesuai ialah sebanyak 30 item. Ini kerana walaupun berlakunya pertambahan item lebih daripada 40 item, didapati nilai perbezaan adalah kecil sahaja. 194

27 Jadual 4.19 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Ujian Ubah Suai Item Sumber σ²p σ²i σ²pi + e Koeffisiens Generalizabiliti Êp² Ф Sebagaimana Jadual 4.18, apabila berlaku pertambahan item semakin meningkat nilai koeffisien ujian berkenaan. Daripada Jadual 4.19 didapati nilai Êp² dan Ф telah meningkat. Kesesuaian item berlaku pada tahap bilangan item sebanyak 30 item. Walau bagaimanapun, apabila analisis lebih terperinci yang melibatkan pemisahan antara soalan objektif dan soalan subjektif bagi kedua-dua ujian berkenaan, terdapat sedikit perbezaan dari segi kesesuaian bilangan item. Jadual menunjukkan perbezaan peratusan sumbangan varian mengikut facet dengan jelas. 195

28 Jadual 4.20 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Objektif Ujian Asal Sumber Item σ²p σ²i σ²pi + e Koeffisiens Generalizabiliti Êp² Ф Berdasarkan jadual di atas, kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 30 item bagi ujian asal. Jadual 4.21 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Subjektif Ujian Asal Sumber Item σ²p σ²i σ²pi + e Koeffisiens Generalizabiliti Êp² Ф

29 Sementara bagi item subjektif untuk soalan asal kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 20 item. Jadual 4.22 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item objektif Ujian Ubah suai Sumber Item σ²p σ²i σ²pi + e Koeffisiens Generalizabiliti Êp² Ф Bagi item objektif untuk soalan ubah suai, kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 20 item. Jadual 4.23 Komponen Varian Kajian D Berdasarkan Pertambahan Bilangan Item Subjektif Ujian Ubah suai Sumber Item σ²p σ²i σ²pi + e Koeffisiens Generalizabiliti Êp² Ф

30 Bagi item subjektif untuk soalan asal kesesuaian item dengan rater berlaku pada tahap bilangan item sebanyak 20 item. Daripada kajian D yang dijalankan ini jelas menunjukkan bahawa penentuan bilangan item yang sesuai bagi sesuatu ujian dapat dikenal pasti dengan lebih tepat dengan berasaskan data yang telah diperolehi. Dalam hal ini terpulang kepada penggubal atau guru untuk menentukan bilangan item untuk ditadbir kepada pelajar dalam mengukur pencapaian pelajar dan seterusnya melaksanakan aktiviti susulan atau lanjutan. Rajah 4.6 menunjukkan nilai koeffisien G (Êp) dan koeffisien phi (Ф) bagi pertambahan item. 100 Nilai Koeffisien Koeffisien G Koeffisien Phi Bilangan Item Rajah 4.6 Nilai Koeffisien Ujian 198

31 4.7 Analisis Model Persamaan Struktural (SEM) Bagi menentukan skor pencapaian ujian yang mana lebih tinggi antara soalan asal dan soalan ubah suai, skor kedua dua ujian berkenaan di ujian menggunakan perisian Amos. Hasil ujian seperti dalam Rajah 4.7 di bawah. 5.62, , , 7.45, Soalan asal Soalan ubah suai Rajah 4.7 Min dan Varian Ujian Asal dan Ujian Ubah suai Merujuk Rajah 4.7 di atas, didapati min bagi soalan asal adalah lebih rendah daripada min ujian yang telah diubah suai (min ujian asal = 5.62, min ujian ubah suai = 7.45). Begitu juga dengan nilai varian soalan asal (varian soalan asal = 7.68, varian soalan ubah suai = 7.80). Berdasarkan ujian Amos yang menunjukkan skor pencapaian ujian ubah suai lebih tinggi daripada skor ujian asal, berikutnya analisis model model cadangan skor pencapaian responden dalam ujian matematik dalam kajian ini. Rajah 4.8 di bawah menunjukkan model cadangan yang akan diuji 199

32 menggunakan Analisis Model Persamaan Struktural (SEM) dengan perisian AMOS. 1 e3 1 e2 1 e1 F C B r3 1 KBI r1 1 Gred BI Obj 1 e13 1 e7 1 e6 1 e5 1 e4 BI1 BI6 BI9 BI15 AtBI SkorMat 1 r2 Subj 1 e14 AtMat Mat1 1 e12 Mat5 1 e11 Mat11 1 e10 Mat13 1 e9 Mat15 1 e8 Rajah 4.8 Model Penuh Skor Pencapaian Ujian Matematik 200

33 Berdasarkan rajah di sebelah persamaan struktural boleh dinyatakan seperti berikut: Gred BI = β1 Kem.BI + β2 AttBI + r1 KBI = β1 AttBI + r3 Skor Mat = β1gred BI + β2 Kem.BI + β3 AttBI + β4 AttMat + r2 4.8 Analisis Model Cadangan Beberapa prosedur telah dijalankan bagi analisis awal terhadap model yang dicadangkan. Pertama, spesifikasi model telah diteliti bagi mengenal pasti ciriciri pemboleh ubah sebelum proses estimasi dijalankan. Jadual 4.24 menunjukkan penerangan ringkas tentang pemboleh ubah dalam model cadangan. 201

34 Jadual 4.24 Pemboleh ubah-pemboleh ubah Model Cadangan Konstruk Penerangan Kod Skor ujian Gred BI AttMat Kemahiran BI AttBI Skor ujian yang diduduki responden. Gred bahasa Inggeris dalam UPSR. 1. Matematik bukanlah mata pelajaran yang menarik. 5. Saya kurang berminat mempelajari matematik. 11. Belajar matematik adalah membosankan. 13. Matematik adalah salah satu daripada mata pelajaran yang menakutkan saya. 15. Saya tidak mahu mengambil mata pelajaran matematik melainkan diwajibkan mengambil. Memahami bahasa Inggeris. Bercakap dalam bahasa Inggeris Membaca dalam bahasa Inggeris. 1. Bahasa Inggeris bukanlah mata pelajaran yang menarik. 6. Saya tidak akan belajar bahasa Inggeris melainkan diwajibkan mempelajarinya. 9. Saya kurang berminat mempelajari bahasa Inggeris. 15. Bahasa Inggeris adalah salah satu mata pelajaran yang menakutkan saya. Skor Mat Gred BI Mat1 Mat5 Mat11 Mat13 Mat15 M C B BI1 BI6 BI9 BI15 Dari aspek spesifikasi model ini adalah seperti berikut: Konstruk Eksogenious Kemahiran Bahasa Inggeris F = λkem.bi + e3 C = λkem.bi + e2 B = λkem.bi + e1 Konstruk Eksogenious Sikap terhadap bahasa Inggeris 202

35 BI1 = λ BI1Att.BI + e7 BI6 = λbi6 Att.BI + e6 BI9 = λbi9att.bi + e5 BI15 = λbi15att.bi + e4 Konstruk Endogenious Sikap terhadap matematik Mat1 = λ Mat1Att.Mat + e12 Mat5 = λmat5 Att.Mat + e11 Mat11 = λmat11att.mat + e10 Mat13 = λmat13att.mat + e9 Mat15 = λmat15att.mat + e8 Model recursive ini diuji dengan sampel responden seramai 500 orang. Model ini mengandungi 18 parameter yang jelas untuk dianggarkan dengan 84 darjah kebebasan (df). Lineariti sampel data telah disemak menerusi taburan plot bivariat semua pasangan pemboleh ubah yang terlibat dan menunjukkan normal. Sebarang data yang outliers telah dikenal pasti dan diketepikan bagi mengelakkan daripada menjejaskan nilai statistik. Taburan normaliti sampel data turut dijalankan bagi memenuhi keperluan aplikasi SEM. 203

36 4.9 Normaliti Andaian asas dalam SEM dan ujian statistik melibatkan taburan data yang normal. Dengan itu normaliti multivariat bagi pemboleh ubah yang terdapat dalam model ini ditentukan terlebih dahulu. Normaliti multivariat mengandaikan bahawa semua pemboleh ubah dan kombinasi semua pemboleh ubah dalam taburan normal. Taburan yang normal analisis multi variat setiap pemboleh ubah dikira normal apabila nilai skewness dan kurtosis adalah sifar (Anderson & Gerbing, 1988). Sebelum analisis normaliti menggunakan perisian Amos, hasil ujian normaliti menggunakan perisian SPSS didapati semua item yang dikaji memenuhi taburan normal. Seterusnya, normaliti bagi setiap pemboleh ubah berkenaan dianalisis menggunakan perisian Amos bagi menentukan nilai skewness dan kurtosis bagi setiap pemboleh ubah terlibat. Jadual 4.25 di bawah memaparkan ringkasan nilai skewness dan kurtosis serta multivariat. 204

37 Jadual 4.25 Normaliti Pemboleh ubah Pemboleh ubah skewness c.r. kurtosis c.r. BI Skor Obj Skor Subj BI BI BI BI Mat Mat Mat Mat Mat FahamBI CakapBI BacaBI Multivariate Pada peringkat univariat, nilai normal bagi skewness dan kurtosis seharusnya antara +2 hingga 2 (Anderson & Gerbing, 1988). Jadual 4.25 memaparkan kebanyakan pemboleh ubah berada dalam lingkungan taburan normal. Kebanyakan pemboleh ubah adalah pencong negatif melainkan pemboleh ubah kemahiran bahasa Inggeris, gred bahasa Inggeris dan skor ujian. Sementara nilai kurtosis kebanyakan item adalah mempunyai nilai positif. Analisis multinormaliti terhadap data menggunakan anggaran normal koeffisien Mardia`s (1974) yang terdapat dalam perisian AMOS turut dilaksanakan. Statistik Mardia adalah berdasarkan fungsi skewness dan kurtosis pemboleh ubah dalam kajian ini. 205

38 Jadual 4.25 juga menunjukkan nilai kurtosis bagi multivariat, iaitu merupakan nilai koeffisien Mardia. Nilai ini perlu dibandingkan dengan nilai kritikal (c.r), iaitu Jika nilai nilai koeffisien Mardia rendah daripada nilai kritikal (c.r) maka data dikategorikan sebagai multivariat yang normal. Dalam hal ini, nilai koeffisien Mardia, adalah lebih besar daripada nilai kritikal (c.r), Dalam hal ini taburan data bagi sampel ini adalah tidak normal. Setelah memastikan normaliti data, model cadangan kajian ini dinilai bagi menentukan kesepadanan model (model fit) Analisis model fit Model Cadangan Analisis taburan normaliti jelas menunjukkan bahawa sampel data ini adalah berada dalam taburan tidak normal bagi peringkat multivariat. Keadaan ini memungkinkan statistik khai kuasa dua untuk keseluruhan fit model akan bertambah dan standard error yang digunakan untuk menguji signifikan daripada anggaran setiap parameter akan menurun (Anderson & Gebing, 1988). Bagi menangani masalah ini, perisian Amos untuk menyenaraikan beberapa langkah yang boleh diambil (ACITS, 2000): i. menggunakankan Bootsrapping bagi menentukan kaedah anggaran yang sesuai digunakan; ii. melakukan trianggulasi lebih daripada satu kaedah bagi memilih kaedah yang terbaik; 206

39 iii. menilai fit model keseluruhan dengan menggunakan pembetulan nilai p Bollen-Stine; dan iv. menggunakan Bootstrapping untuk menghasilkan anggaran parameter yang terbaik, standard error daripada anggaran teknik parameter dan ujian yang signifikan bagi setiap parameter Bootsrapping Bootsrapping dijalankan bagi menguji data multivariat yang tidak normal. Teknik ini diperkenalkan oleh Elfron (1979, 1982) dan seterusnya dikembangkan oleh Kotz dan Johnson (1992). Teknik ini adalah prosedur persampelan semula sampel asal sebagai populasi. Kepelbagaian sub sampel dengan ujkuran sampel yang sama dengan sampel asal kemudian diambil secara rawak; dengan pengganti dari populasi. Unsur utama dari bootsrap ialah penyelidik mencipta kepelbagaian sampel dari data sampel yang asal. Hasil ujian dengan menggunakan Bootsrapping adalah seperti dalam jadual di bawah. Jadual 4.26 Goodness of Fit Model Cadangan χ ² df p GFI TLI RMSEA ML Jadual di atas menunjukan nilai χ ² = Walaupun nilai p menunjukkan nilai < 0.05, namun indeks GFI menunjukkan model berkenaan adalah fit 207

40 yakni melebihi 0.90 (Byrne, 2001). Sementara nilai TLI juga berada melebihi nilai Nilai RMSEA menunjukkan berada di bawah cut-off RMSEA (<0.08). Keadaan ini menunjukkan bahawa model cadangan ini dapat diterima sebagai fit Bollen-Stine Bootsrapping Bagi mengesahkan penerimaan model dengan data sampel, analisis Bollen- Stine Bootsrapping telah dijalankan sebanyak 500 kali bagi taburan data multivariat yang tidak normal. Hasil daripada analisis Bollen-Stine Bootsrapping terdiri daripada tiga bahagian. Antaranya mengandungi maklumat diagnostik. Hasilnya tidak ada sampel yang dibuang disebabkan tidak boleh mendapatkan penyelesaian ataupun disebabkan matrik kovarian yang tunggal. Jadual 4.27 menunjukkan maklumat hasil menggunakan analisis Bollen-Stine Bootsrapping. Nilai p yang masih di bawah cut-off 0.05 yang menunjukkan diskripansi signifikan antara model dengan data. Nilai p di bawah di sebabkan sampel yang besar memberikan kesan kepada nilai χ ² (Byrne, 2001). Jadual 4.27 Bollen-Stine Bootsrapping Model Cadangan χ ² df p Min S.E ML

41 Parameter Model Cadangan Anggaran parameter terhadap skor pencapaian ujian Matematik Tingkatan 2 bagi model kajian ini ditunjukkan seperti dalam Jadual Jadual 4.28 Parameter Model Cadangan Maximum Likelihood Jalur β Beta S.E AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkotMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj * 0.833* * * 1.144* 1.178* 1.255* 1.133* 1.046* * 1.097* 1.351* * Nota: β = standardized regression weight * p < 0.05 Jadual 4.28 di atas menunjukkan ringkasan parameter bagi model cadangan yang telah diuji. Nilai β boleh dibandingkan secara langsung dalam model ini 209

42 kerana ia adalah standardized regression weight. Jadual di atas menunjukkan hubungan antara item-item dengan dengan pemboleh ubah yang dikaji. Nilai loading yang ditunjukkan menunjukkan berada pada paras yang signifikan melebihi nilai 0.60 yang menunjukkan bahawa item berkenaan dapat mencerminkan pemboleh ubah yang dikaji. Manakala dari aspek keboleh percayaan konstruk dan dan ekstraks varian bagi kedua-dua konstruk sikap terhadap bahasa Inggeris dan sikap terhadap matematik ditunjukkan seperti formula di bawah. i. Kebolehpercayaan Konstruk Keboleh percayaan = (Jumlah standard loading)². konstruks (Jumlah standard loading) ² + Jumlah ralat pengukuran Ralat pengukuran = 1 (standard loading) ² Keboleh percayaan konstruk = (2.843) ² = 0.80 sikap bahasa Inggeris (2.843) ² Keboleh percayaan konstruk = (3.916) ² = 0.89 sikap matematik (3.916) ² ii. Variance Extracted Variance = Jumlah kuasa dua standard loading Extracted Jumlah kuasa dua standard loading + jumlah ralat pengukuran Sikap = = 0.94 bahasa Inggeris Sikap = = 0.61 Matematik

43 Berdasarkan nilai kebolehpercayaan di atas, kedua-dua konstruk sikap terhadap bahasa Inggeris dan sikap terhadap matematik ialah masing-masing 0.80 dan 0.89 berada di atas paras yang dicadangkan 0.70 (Byrne, 2001). Sementara Variance Extracted bagi konstruks bahasa Inggeris dan matematik ialah 0.94 dan 0.61 yang melebihi indeks yang dicadangkan (0.50). Jadual 4.28 juga menunjukkan terdapat beberapa faktor peramal yang signifikan terhadap pencapaian ujian matematik Tingkatan 2. Faktor peramal yang mempengaruhi skor pencapaian ujian secara signifikan ialah AttMat (β = 0.629) dan Kem.BI (β = 0.388). Aspek lain seperti kesan yang signifikan Kem.BI terhadap BI (β=0.450), pengaruh AttBI terhadap Kem.BI (β = 0.443). Sementara dari segi korelasi antara AttBI dan AttMat mempunyai hubungan korelasi yang signifikan (r = 0.422) bagi kedua-dua ujian asal dan ubah suai. Jadual 4.29 Squared Multiple Correlation Pemboleh Ubah Endogeneous Pemboleh ubah Terikat R² Kem.BI BI Skor Mat

44 Jadual 4.29 menunjukkan Squared Multiple Correlation atau R² bagi pemboleh ubah endogeneous dengan nilai pecahan varian bagi faktor meramal terhadap pemboleh ubah terikat. Faktor peramal yang menyumbang Kem.BI ialah 20%, sebanyak 18% varian dalam menerangkan BI. 99% varian dapat menerangkan skor pencapaian ujian matematik Penentu Ukuran (Calibration) dan Pengesahan (Validation) Model Cadangan Bagi memastikan model cadangan ini dapat menepati data kajian, model berkenaan dianalisis semula menggunakan data lain untuk penentuan ukuran (calibration) dan pengesahan (validation) model berkenaan. Analisis ini dijalankan bagi memastikan sama ada model berkenaan stabil dan konsisten dan diterima seperti yang dicadangkan oleh Tabachnick & Fidell (1993). Menurut Boomsma (2000) replikasi atau pengesahan silang (cross validation) harus dijalankan terhadap data alternatif atau sebagai bootsrapping bagi memastikan keputusan yang diperolehi adalah tekal Penentu ukuran Model Cadangan (Model Calibration) Bagi memastikan keputusan yang diperolehi tekal, model cadangan yang telah diterima pada peringkat analisis awal telah diuji kepada 250 orang sampel kumpulan pertama yang dipilih secara rawak daripada sampel sebenar. Hasil daripada ujian terhadap model tersebut seperti ditunjukkan dalam Jadual 4.30 di bawah. 212

45 Jadual 4.30 Penentu ukuran (Calibration) Goodness of Fit Model Cadangan Maksimum Likelihood (ML) Bollen-Stine Bootsrap χ ² df p GFI TLI RMSEA Min S.E p Jadual di atas menunjukan nilai χ ² = Walaupun nilai p menunjukkan nilai < 0.05, namun indeks GFI dan TLI menunjukkan model berkenaan adalah fit yakni melebihi 0.90 (Byrne, 2001). Nilai RMSEA menunjukkan berada di bawah cut-off RMSEA (<0.08). Keadaan ini menunjukkan bahawa analisis bagi menentukan ukuran terhadap model cadangan ini dapat diterima sebagai fit data. Jadual 4.31 Parameter Penentu Ukuran Model Cadangan Maximum Likelihood Jalur β Beta S.E AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkotMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI * 0.866* * * 1.057* 1.134* 1.367* 1.147* 1.026* * 1.132* 1.292*

46 AttBI BI15 SkorMat Subj SkorMat Obj * Nota: β = standardized regression weight * p < 0.05 Jadual 4.31 di atas menunjukkan parameter bagi penentu ukuran model cadangan. Didapati parameter pemboleh ubah yang signifikan dalam meramal pencapaian matematik hanyalah sikap terhadap matematik (β = 0.725). Sementara aspek lain yang signifikan ialah Kem.BI terhadap BI (β = 0.866) dan pengaruh AttBI terhadap Kem.BI (β = 0.646). Jadual 4.32 Squared Multiple Correlation Penentu Ukuran Pemboleh Ubah Endogeneous Model Cadangan Pemboleh ubah Terikat R² Kem.BI BI Skor Mat Dari segi pemboleh ubah yang dapat meramal skor ujian pencapaian matematik pula, jadual 4.29 menunjukkan 98% varian dapat menjelaskan skor matematik dan masing-masing 20% dan 23% bagi kemahiran bahasa Inggeris dan gred bahasa Inggeris. Keadaan ini menunjukkan perbezaan yang ketara antara analisis awal model cadangan dengan analisis bagi menentukan ukuran fit ini. 214

47 Pengesahan Model Cadangan (Model Validation) Model cadangan yang telah dianalisis bagi menentukan ukuran berkenaan diterima melalui analisis selanjutnya bagi memastikan model berkenaan benarbenar sah (valid). Pengesahan model cadangan ini menggunakan 250 responden daripada kumpulan 2 yang dipilih secara rawak daripada sampel sebenar. Hasil analisis bagi menentukan kesahan model itu diterima ditunjukkan dalam jadual di bawah. Jadual 4.33 Pengesahan (Validation) Goodness of Fit Model Cadangan Maksimum Likelihood (ML) Bollen-Stine Bootsrap χ ² df p GFI TLI RMSEA Min S.E p Jadual di atas menunjukan nilai χ ² = Nilai p masih menunjukkan berada pada nilai < 0.05, namun indeks GFI dan TLI menunjukkan model berkenaan adalah fit yakni melebihi 0.90 (Byrne, 2001). Nilai RMSEA menunjukkan berada di bawah cut-off RMSEA (<0.08). Keadaan ini menunjukkan bahawa model cadangan ini dapat diterima sebagai fit. Jadual 4.33 juga menunjukkan maklumat hasil menggunakan analisis Bollen- Stine Bootsrapping. Nilai p berada di atas cut-off 0.05 yang menunjukkan bahawa model fit dengan data (Byrne, 2001). 215

48 Jadual 4.34 Parameter Pengesahan Model Cadangan Maximum Likelihood Jalur β Beta S.E AttBI Kem. BI Kem.BI BI AttBI BI AttBI SkorMat AttMat SkorMat Kem.BI SkorMat BI SkorMat Kem.BI Baca Kem.BI Cakap Kem.BI Faham AttMat Mat1 AttMat Mat5 AttMat Mat11 AttMat Mat13 AttMat Mat15 AttBI BI1 AttBI BI6 AttBI BI9 AttBI BI15 SkorMat Subj SkorMat Obj * 0.787* * 0.804* * 1.255* 1.209* 1.140* 1.106* 1.057* * 1.069* 1.396* * Nota: β = standardized regression weight * p < Jadual 4.34 di atas menunjukkan parameter bagi pengesahan model cadangan. Didapati parameter pemboleh ubah yang signifikan dalam meramal pencapaian matematik ialah sikap terhadap matematik (β = 0.523) dan kemahiran bahasa Inggeris (β = 0.463). Aspek lain yang signifikan ialah Kem.BI terhadap BI (β = 0.432) dan pengaruh AttBI terhadap Kem.BI (β = 0.384). Sementara sikap terhadap bahasa Inggeris tidak signifikan terhadap skor pencapaian matematik. Hubungan antara sikap terhadap matematik dan bahasa Inggeris didapati juga signifikan (β = 0.421). 216

49 Jadual 4.35 Squared Multiple Correlation Pengesahan Pemboleh Ubah Endogeneous Model Cadangan Pemboleh ubah Terikat R² Kem.BI BI Skor Mat Jadual 4.35 menunjukkan nilai Regresi atau R² daripada pemboleh ubah endogenious yang menghasilkan nilai mewakili nisbah varian dalam pemboleh ubah bersandar yang dapat dijelaskan oleh pemboleh ubah bebas. Peramalpermal skor pencapaian matematik (Skor Mat) mampu menganggar sehingga 99.4% aspek yang mempengaruhi skor ujian matematik dan peramal kemahiran bahasa Inggeris dan gred bahasa Inggeris masing-masing sebanyak 18.6% dan 14.2% Ujian Hipotesis Setelah model keseluruhan telah diuji bagi menentukan model fit dengan data utama, model ini diuji secara serentak bagi memastikan sama ada model ini fit data berdasarkan kumpulan sampel lokasi sekolah luar bandar dan sekolah bandar. Sampel pelajar terdiri daripada masing-masing 250 orang responden dari sekolah luar bandar dan sekolah bandar. Analisis serentak dijalankan bagi menguji kumpulan pelajar mengikut jantina. Analisis secara serentak bagi kedua-dua kumpulan telah dijalankan dengan menggunakan perisian Amos 217

50 yang mampu untuk menentukan model fit dengan data daripada pelbagai kumpulan dalam satu masa. Kelebihan menggunakan analisis SEM bagi tujuan analisis dua sampel data secara serentak ialah dapat: 1. menghasilkan parameter yang lebih tepat berbanding dengan analisis secara terpisah untuk setiap kumpulan, dan 2. mengasilkan ujian yang lebih signifikan seandainya terdapat perbezaan antara kumpulan pelajar luar bandar dan pelajar bandar. (Arbuckel & Wothke, 1999) Analisis yang dijalankan ini terbahagi kepada dua model, iaitu Model A dan Model B. Analisis Model A dibuat secara serentak secara menyeluruh bagi memeriksa sama ada model yang telah dicadangkan boleh fit dengan keduadua kumpulan luar bandar dan bandar serta lelaki dan perempuan. Analisis Model B dilakukan dengan tujuan untuk memastikan kewujudan perbezaan perbezaan yang signifikan bagi setiap parameter. Analisis dijalankan dengan memasukkan atau menyamakan (constraint) setiap parameter dalam satu kumpulan kepada kumpulan yang lain Analisis Menyeluruh Model Fit Mengikut Kumpulan Pelajar Lokasi Luar Bandar Dan Bandar Model A Analisis secara serentak bagi kedua-dua kumpulan responden luar bandar (N=250) dan bandar (N=250) ini bertujuan memastikan sama ada model yang 218

51 diubah suai adalah secocok dengan kedua-dua kumpulan. Jadual 4.36 menunjukkan dapatan daripada analisis yang dijalankan oleh AMOS. Jadual 4.36 Goodness of Fit Analisis Serentak Model A Mengikut Lokasi Maksimum Likelihood (ML) Bollen-Stine Bootsrap χ ² df p GFI TLI RMSEA Min S.E p Berdasarkan Jadual 4.36 nilai statistik likelihood ratio chi-square, χ ²=351.92, df=168, p=0.000 menunjukkan bahawa model ini adalah signifikan. Namun begitu nilai GFI dan TLI menunjukkan berada di atas daripada >0.90 dan nilai RMSEA ialah masih berada dibawah cut-off (0.08) yang dibenarkan menunjukkan masih fit (Byrne, 2001). Oleh sebab model ini fit dengan data kedua-dua kumpulan. Dengan itu menunjukkan bahawa data adalah daripada populasi yang sama. Oleh itu hipotesis yang menyatakan bahawa tidak terdapat perbezaan antara kumpulan sampel pelajar sekolah luar bandar dan bandar adalah diterima sebagai benar. Dengan itu model berkenaan boleh menerangkan fenomena yang berlaku dalam ujian pencapaian matematik tingkatan 2 sama ada bagi sekolah luar bandar atau sekolah di bandar Parameter Model A Mengikut Lokasi Sekolah Jadual 4.37 memaparkan anggaran parameter bagi responden sekolah luar bandar dan bandar. Parameter AttMat SkorMat (β = 0.561) adalah 219