.

"ANTARA BLOG TERBAIK DI NATIONAL EDUCATIONAL BLOGGING SUMMIT 2011"


MORE THAN A MILLION HITS !

Statistik

SPSS - STATISTIK PENYELIDIKAN SECARA SANTAI

BENGKEL ANJURAN DR OT:

(1) TULIS TESIS CEPAT & PENGURUSAN ARTIKEL MENDELEY

(2) PENGENALAN ANALISIS DATA KUANTITATIF SPSS

(3) ANALISIS DATA KUALITATIF DGN ATLAS.ti

(4) BENGKEL BINA DAN ANALISIS SOAL SELIDIK

Ingin anjur bengkel ditempat anda? Email ke:

zahinothman@gmail.com



-------------------------------------------------------------------------------------------------------------------------------------------------------

Sila joint dan sign-in. Anda FOLLOWER kehormat drotspss...

Saya klik Follow dan BANGGA menjadi follower drotspss...

Tuesday, January 27, 2015

SIJIL ONE BORNEO K KINABALU

SIJIL UTK PESERTA DI ONE BORNEO Kota Kinabalu:

Sila klik dan download sijil dilink berikut:

Klik Link Ini !!

Terima kasih

Thursday, January 8, 2015

Tajuk 707: Apakah dosa analisis non-parametric sehingga......?

Data yang dipungut sebagai DV dalam reality berkemungkinan tidak normal. Ini adalah sesuatu yang normal. Namun aku hampir tidak mendengar presentation atau membaca kerja pelajar yang guna analisis non-parametrik spt Wilcoxon signed rank test, Whitney-Mann-Wilcoxon, Kruskal-Wallis test, Friedman's test dll yang juga terdapat dalam SPSS. Ini macam tak normal pulak.

Bagi aku, jika data INTERVAL sekalipun yang tak normal selepas dijalankan beberapa langkah EDA spt eliminate extreme data / outliers, maka analisis non-parametrik adalah selayaknya. Apatah lagilah jika guna ordinal data.

Ramai pelajar termasuk PG yang takut dgn analisis non-parametrik, sebab dilihat “less power” kerana ranked order based dan kununnya akan menjejaskan quality kajian yang dijalankan – betulkah begitu ?



Abis…. dah sendiri awal2 guna less power scale utk DV spt ordinal scale….atau nominal atau ambil sample relatively kecil…. maka data tidak akan normal….. then tak nak pulak guna less power non-parametrik yang lebih appropriate dan robust ! Ini namanya “sendiri lupa diri”…

Bukanlah satu “kekurangan” guna non-parametrik jika memang itulah selayaknya utk menganalisis data anda yang tak normal …. selepas anda menjalankan data collection dgn langkah2 sewajarnya…. termasuklah ada kemungkinan DV yang dianalisis secara parametrik (tertabur normal) dan ada DV yang dianalisis secara nonpara (didapati terlalu skewed)…. wpun dalam satu research yang sama….

Jadi lebih besar bahayanya guna parametric analysis kepada data tidak normal yang boleh membawa kepada incorrect conclusion !

Jgnlah sampai …. dalam bahasa marhein, “aku nak tunjuk power jugak tak kisahlah wpun buat keputusan yang silap “ !!

OT

Tajuk 706 : SPSS dan Normality…. SV pun jadi tak normal !!

Aku bukan statistician… ini pengakuan sebelum ada yang nak saman aku. Aku insan marhein yang sentiasa dalam pencarian !

Aku memiliki sejumlah buku statistic…. tapi bila sampai bab normality dan ordinal data (Likert scale) semuanya tidak memberi penjelasan kepada beberapa isu asas kepada marhein spt aku.
Bila ada argument…. masing2 mula berhujah dgn formula alien yang “ntah apa-apa”. Makin kompleks argument, makin komplekslah formula yang ditunjukkan. yang berhujah tu bukan orang lain…. sesama statistician jugak… manalah aku faham !!

Aku cuma berminat dgn data ordinal spt questionnaire (likert scale) dan beberapa istilah asas spt normality yang kerap digunakan oleh PG social sciences dan sebahagian PG dari hard sciences. Isu ini telah dibahaskan oleh ramai SV dalam social sciences …. A kata "para", B kata "non para…" C kata "U baca lagi".... D kata "saya geng quali" , E kata "This is your research not mine"... dan F kata "saya SV baru...." lebih kuranglah....jadi apa pilihan anda ?

Skang aku nak bagi pendapat… nak ikut silakan, tak ikut pun tak ada paksaan. Aku nak permudahkan beberapa istilah dalam bahasa marhein:

Pertama: Normality
Kenapa sibuk2 pasal normality? Sebabnya… data populasi tertabur secara normal dgn majority data tertabur ditengah – paling perfect bila median = mean, terbentuklah bell shape !! Bila ambil sampel, maka data sampel mestilah represent taburan populasi. Kajian quantitative hanya bermakna jika melibatkan majoriti populasi yang mean apa sahaja variable berada ditengah-tengah... sebab kalau berminat dgn beberapa individu jer, buatlah kajian qualitative !!

Bila ambil sample, maka sample perlulah approximately normal – bukanlah perfectly normal - inilah yang normal. Data interval (spt skor IQ) atau data ratio (spt pendapatan) bukan sahaja ada order (dari tinggi ke rendah) tapi juga ada frekuensi yang perlu tertabur approximately normal (data byk tertabur ditengah, sekitar mean).

Pengiraan statistic hanya bermakna jika sebahagian data tertabur menghampiri mean, sebab inilah reality dalam populasi, maka data yang kelihatan spt normal (bell shape) tapi skewed kekiri atau kanan perlu diteliti julat skewnessnya .

Semua data yang approximately normal perlu tandakan sbg SCALE dalam SPSS (gambar pembaris) sebab SPSS tak ada INTERVAL atau RATIO dan layak utk analisis parametrik.

Kedua : Likert scale dan normality.
Data yang diperolehi dari questionnaire (katakan Likert 5-point) tidak akan normal jika diambilkira individu item. Dalam kes ini, saya setuju Likert scale pada dasarnya adalah ordinal dan hanya layak dianalisis dgn non para. Walau bagaimanapun, dgn sample size yang besar (sekurang2 minimum ke atas mengikut perkiraan) maka analisis para boleh dijalankan – sila baca (Knap, 1990). 



Aku membaca Sakaran (2003) yang mencadangkan semua item ordinal (Likert scale) dijumlahkan bagi setiap responden utk menghasilkan summated variable. Jika summated variable ini normal, boleh dianalisis spt SCALE dalam SPSS utk analisis paramatrik.

Begitu juga data responden wpun interval atau ratio tetapi tidak normal, tidak boleh berada dalam SCALE SPSS maka layaknya adalah utk analisis non para.

Ketiga: Normality dan skewness
Jika normality test hasilkan p < 0.05, iaitu tidak normal, sila lihat pula pada skewness. Jika nilai skewness antara -1 dan +1, ciri data tersebut approximately normal dan boleh dikategorikan sebagai SCALE, termasuklah summated variable dari data Likert Scale.

Jadi jgn awal2 dah tandakan data dalam “Variable View” SPSS sebagai SCALE, selagi belum menguji kernormalan dan skewness. Malah jika nilai skewness keluar sedikit spt -1.001 atau +1.002, bolehlah dilihat pada HISTOGRAM pula…. kalau dah kelihatan skewed skit jer dari mean tapi masih jelas bell shape – approximate normal lah tu !!

Yang penting HAPPY !!

OT

Tuesday, January 6, 2015

Tajuk 705: Betul kah PG sekarang amalkan budaya copy-paste ?

Terbaca akan aku satu komen seorang sarjana bahawa PG sekarang adalah generasi “copy-paste”…. Bukan saja di sini… di mana-manapun aku terbaca komen yang hampir sama.

Aku ingin memberi sedikit respon dgn komen simplistic tersebut:

Pertama:
Adakah generasi dahulu, tidak pernah melakukan “copy-paste”? Adakah budaya ini hanya muncul ketika ini – ketika mudahnya diperolehi bahan dari sumber digital?
Aku percaya, budaya copy-paste telah lama berlaku, turun temurun diamalkan bagi oleh "segelintir pelajar" di Timur mahupun di Barat…cuma caranya sahaja yang berbeza.



Aku juga percaya,….segelntir PG dahulupun pernah melakukannya apatah lagi bila terdapat ratusan artikel dalam senarai references yang aku percaya sebahagiannya tidak dimiliki oleh PG tersebut, sekadar membaca dari sumber lain diikuti dgn "copy-paste" cara manual menulisnya kembali seperti dia yang membaca dari sumber tersebut.

Bezanya, PG dahulu tidak boleh copy-paste direct daei sumbernya kerana type writer yg digunakan tiada fungsi tersebut….. ditambah tiada TURN-IT-IN utk mengesan amalan tersebut !

Kedua:
Tentulah tidak logic ada mana2 individu yang tidak pernah menggunakan fungsi copy-paste la ni. Jadi copy-paste memang satu budaya….tambahan copy-paste adalah fungsi WAJIB dan PENTING dalam mana2 perisian computer….

Ketiga:
Dalam dunia PG… budaya copy-paste memang sedia maklum…. bezanya copy-paste (termasuk PG yang buat jadual… rubric utk preparation LR) ini perlu diikuti dgn paraphrase dan sintesis idea dari perbagai sumber supaya difahami perkaitannya antara satu sama lain dan hubungannya dgn kajian yang dilakukan….serta membuat komentar dan extrapolation bagi menggambarkan pemahaman PG tersebut.

Keempat:
Adakah wujud kelas atau pengajaran peringkat PG yang mengajar bagaimana utk lakukan paraphrasing, rewording, summarizing, rephrasing dari pelbagai sumber... diikuti dgn synthesizing.... sedang hampir semua PG tak tahu amende semua ini dan bagaimana nak lakukan dgn betul.
Kenapa kemahiran ini tidak diajar? Adakah kemahiran ini sesuatu yang remeh atau kemahiran "pandai-pandailah sendiri" sedang jika tersilap langkah akan membawa padah !

Kelima:
Last sekali.... bukan sahaja copy-paste, apa sahaja budaya dalam research pun boleh menjadi satu kesalahan jika disalahgunakan - termasuk meminta meletakkan nama dalam senarai pengarang wpun tanpa sumbangan... malah budaya inilah "ibu" kpd segala copy-paste!

OT

Monday, January 5, 2015

Tajuk 704: PhD / Master – Think INSIDE the box pls !

Tag “Think Outside the box” membawa maksud spt “think creatively” or “think from a new perspective”.... maka berlumba2lah nasihat diberi supaya PG "think outside the box" lebih2 lagi bila dikaitkan dgn originality, novelty dan "buat sesuatu yang xpernah orang lain buat". Aku tak nak kupas lagi, bacalah post aku yang lepas tentang 3 benda ni.

Sebagai PG yang masih asing dgn topic kajian, dgn pengetahuan yang masih dangkal, kemahiran membuat research yang masih “zero”, anda disarankan “think inside the box” kerana dunia scholar memerlukan anda menguasai apa sahaja “dalam kotak” topik kajian anda !



Jadi masuk ke dalam kotak bidang kajian anda…. belajar secara sistematik semua pengetahuan dan kemahiran membuat research. Selongkar apa sahaja yang ada dalam kotak tersebut….jgn sampai ada yang tertinggal atau terkurang..

Ini bukan bermakna jadi katak melalak dalam kotak…. Sebab anda masih boleh bina networking, discussion tetapi dgn kotak yang mpunyai paradigm yang sama…

Setelah memahami bidang kajian dan mendalaminya terlebih dahulu… barulah anda boleh berfikir sesuatu perkara tersebut dari perspective anda… dari dalam kotak.

Tak faham?

Anda berminat dalam bidang multimedia. Jadi anda kena masuk dalam kotak multimedia dan menyelongkar apa sahaja pengetahuan dalam kotak tersebut… membaca dan membina network dalam kotak tersebut. Selepas anda menguasainya, barulah anda boleh melihat apa sahaja dari perspektif multimedia…. bukan dari perspektif berbeza kerana yang berbeza tu apabila dilihat oleh orang lain…. BUKAN ANDA ! Anda masih ada dalam kotak. Semakin anda mendalami bidang multimedia, semakin luas pula kotak anda.

Contoh:
Adakah Steve Jobs berfikir luar kotak spt yang ditulis oleh hampir semua "best seller book" serata dunia?

Steve Jobs mengasaskan computer peribadi bersama APPLE kerana itu kotak dia….wpun dia bukan Professor…. dia berfikir dalam kotak… macamana computer peribadi boleh dipermudahkan sehingga keyboard akhirnya tinggal satu button sahaja ! Ini adalah kerja dan idea dalam kotak...

Anda mungkin berfikir setelah menguasai bidang multimedia…supaya anak down syndrome boleh di ajar dgn multimedia atau menjadikan mezium satu tempat yang interaktif utk anak2 zamam ICT dll. Jadi anda tetap berfikir dari “dalam kotak” anda utk memberikan sesuatu yang dilihat berbeza dari perspektif orang lain sedang anda masih berada dalam kotak anda... sambil mengembangkan lagi kepakaran anda dalam kotak tersebut.

Anda juga boleh menguasai beberapa bidang…. jadi anda mesti berada dalam beberapa kotak… dan ini lebih mmberikan kelebihan utk anda memberikan sesuatu yang berbeza dari perspektif orang lain…. bukan anda !!

OT - Yang ini kalau tak faham... tak apa, sebab anda berfikir secara "luar kotak" !

Tajuk 703: Correlation - RQ favorite social science !

Fakulti aku baru selesai seminar / presentation project..... fuhh.... RQ correlation spt satu yang wajib. Ini sedikit respon aku kepada semua yang guna correlation:

Pertama:
Secara umum, coefficient correlation adalah purata bagi hasil darab perbezaan antara individual skor X dan individual skor Y dgn min masing2 (variance) lalu memberikan satu nilai hubungan antara X dan Y (sila lihat sendiri persamaan tersebut dalam buku). Jika hasil darab variance X dan Y ini adalah positif, maka coefficient, r adalah positif dan seterusnya.

Kedua:
Jika coefficient correlation antara X dan Y adalah r = 0.5, maka X menjelaskan (explained) sebanyak r2 = 0.25 (atau 25%) dari variance pada Y. Elakkan mengguna perkataan X mempengaruhi Y atau X memberi kesan kepada Y. Guna perkataan X mempunyai hubungan atau perkaitan dengan Y.

Ketiga:
Wpun X dan Y mempunyai r yang tinggi, tidak bermakna X mempengaruhi / memberi kesan kepada Y. Ini hanya berlaku dalam experiment sains bila X di manipulasi sambil variable lain dikawal sehingga menyebabkan perubahan pada Y.

Keempat:
Hubungan antara X dan Y mestilah linear. Ini bermakna coefficient correlation tidak dapat menjelaskan jika X berkait secara positive dgn Y pada peringkat awal kemudian berkurang dan akhirnya berkait secara negative. Contohnya motivasi belajar guna ICT yang mulanya meningkat dan kemudian turun.



Kelima:
Correlation juga tidak sesuai jika julat skor X dan Y sangat kecil. Contohnya X = CGPA (1 – 4) dengan Y = Tahap kemahiran (1 – 5) kerana sudah pasti variance kedua2 X dan Y juga kecil lalu menghasilkan coefficient correlation yang kecil sedangkan kedua2 variable X dan Y pada prinsipnya mempunyai hubungan yang kuat.

OT

Tajuk 702: Bila PG buat kajian - mana dulu, ayam atau telor ?

Misteri telur dan ayam ini telah lama wujud dan mengundang pelbagai jawapan dari pelbagai dimensi – agama, falsafah, evolusi, logic dan metafizik… malah mjadi bahan lawak dan teka teki sepanjang zaman.

Mana dulu.... telor atau ayam?
Jawapnya - telor.

Mana dulu.... ayam atau telor?
Jawapnya - ayam !

Calon PhD bernasib baik kerana kajian yang dijalankan tidak melibatkan persoalan spt telur VS ayam. Kajian PhD adalah kajian yang focus dan khusus dgn keyword / term index / terminology / definition yang mempunyai huraian yang jelas.

Dalam social science, mungkin wujud sedikit debates terhadap sesuatu teori dgn maksud yang hampir2 sama, tetapi masih boleh difahami dgn mudah dari pelbagai sumber bacaan spt contoh berikut:

1. e-learning vs online learning 
2. web-based learning vs internet-based learning
3. cognitive vs mind vs thinking
4. self-efficacy vs self-esteem vs PBC

Post ini adalah respon kepada PG yang belum apa-apa lagi dah confused ! Belumpun buat pembacaan dah mengeluh… confused !

Di Malaysia HALL LONDON

Jika teori dgn terminology khusus dalam kajian sendiri pun awal2 lagi dah confused, maknanya satu sahaja – anda tidak membuat pembacaan secukupnya… sedang asas calon PhD / master adalah membaca dan menguasai terlebih dahulu bidang kajian masing-masing. Ini baru teori khusus dah confused memanjang, belum lagi statistical analysis !

Terlalu banyak bacaan dan sumber utk dibaca khususnya kepada teori dgn terminology yang dah sgt-sgt lazim dalam sesuatu bidang spt contoh di atas. Kalau ada calon PhD yang masih confused spt antara e-learning dan online learning misalnya, sampai tak tahu nak buat apa-apa….tak payahlah susahkan diri buat PhD, cukuplah dgn master !!

OT

Tajuk 701: Lagi asas pemahaman kenapa (n-1) ….

Kes 1:
Jika anda kira mean satu sample (n=10) sebagai estimation kepada population katakan 100/10 = 10, s.d 1.2. Nilai ini dikatakan sebagai “biased”

Jika anda kira mean sample tersebut (n=10) sebagai estimation kepada population, lalu mengira mean =100/10-1 = 11.1, s.d 1.7. Nilai terhasil selepas n-1 dikatakan sebagai “unbiased”.

Kes 2:
Jika sample bertambah (n=100) : mean = 1000/100 = 10, s.d 1.2 (biased)

Jika anda kira mean = 1000/100-1 = 10.1, s.d 1.4 (unbiased)

Perhatikan:
n = 10, mean = 10, s.d = 1.2 (biased)
n= 100, mean = 10, s.d = 1.2 (biased) ........ X

dan:

n =10, mean = 11.1, s.d = 1.7 (unbiased)
n = 1000, mean = 10.1. s.d = 1.4 (unbiased)
n= 10000, mean =10.01, s.d = 1.2 (unbiased) ...... Y

Tujuan n-1 dilakukan kerana statistician “sengaja” memberikan error (atau biased) yang besar kepada sample yang kecil.

Semakin besar nilai sample, semakin kecil perbezaan biased dgn unbiased. Jadi pada n=10000, nilai biased (mean =10.01, s.d 1.2) pada .... X dan unbiased (mean = 10.01, s.d 1.2) ... Y adalah sama !!

Khusyu , Jepan
Tulah pasal adanya n-1 sebagai asas kepada statistic inferential supaya anda ambil sample besar (atau secukupnya) utk mengurangkan error / biased sebelum membuat estimation kepada population !

OT
Related Posts Plugin for WordPress, Blogger...