Cara Analisis Data SPSS Untuk Thesis — Panduan Lengkap Malaysia
IBM SPSS Statistics kekal sebagai perisian analisis statistik yang paling meluas digunakan dalam kajian akademik di Malaysia, khususnya dalam bidang sains sosial, pendidikan, kesihatan, dan pengurusan. Walaupun kemunculan perisian alternatif seperti R dan Python, SPSS masih menjadi pilihan utama pelajar PhD dan Master kerana antara muka yang intuitif dan penerimaan yang luas dalam komuniti akademik tempatan.
Artikel ini membentangkan aliran kerja analisis SPSS yang komprehensif untuk kajian kuantitatif peringkat PhD dan Master, merangkumi semua peringkat dari semakan kualiti data hingga kepada pengujian hipotesis utama.
Nota Versi: Panduan ini berdasarkan SPSS Statistics versi 25 ke atas. Prosedur asas adalah konsisten merentasi versi 25, 26, 27, dan 28. Versi terkini menawarkan antaramuka yang lebih baik namun langkah-langkah analisis kekal sama secara substantif.
Peringkat 1: Semakan Kualiti Data (Data Quality Check)
Sebelum sebarang analisis statistik dijalankan, integriti data perlu dipastikan. Field (2024) menegaskan bahawa analisis yang canggih sekalipun akan menghasilkan dapatan yang tidak boleh dipercayai sekiranya kualiti data tidak terjamin.
Semakan Data Hilang (Missing Values)
Analyze → Descriptive Statistics → Frequencies. Kenal pasti pemboleh ubah dengan nilai hilang melebihi 5% daripada jumlah kes. Untuk data hilang rawak (MCAR/MAR), pertimbangkan imputasi pelbagai (multiple imputation) atau pendekatan Expectation-Maximization (EM) dalam SPSS Missing Values Analysis.
Pengesanan Outlier
Analyze → Descriptive Statistics → Explore → Plots → Boxplots. Outlier univariat yang melebihi ±3 sisihan piawai perlu dikaji sama ada ia ralat data atau kes yang sah. Untuk outlier multivariat, gunakan Mahalanobis Distance melalui regresi linear dengan semua pemboleh ubah peramal.
Semakan Input Data
Pastikan kod pemboleh ubah konsisten (1=Lelaki, 2=Perempuan, bukannya gabungan 1, 2, dan "L", "P"). Semak nilai luar julat yang dijangkakan — contohnya nilai Likert yang bernilai 6 apabila skala adalah 1-5 menandakan ralat kemasukan data.
Peringkat 2: Analisis Deskriptif
Statistik deskriptif memberikan gambaran umum tentang taburan dan ciri-ciri data. Ia bukan sekadar pelengkap formaliti — statistik deskriptif yang terperinci membolehkan pembaca menilai representativeness sampel kajian.
Analyze → Descriptive Statistics → Descriptives (untuk min dan sisihan piawai) dan Analyze → Descriptive Statistics → Frequencies (untuk frekuensi dan peratusan data demografi).
Untuk data demografi, laporkan frekuensi dan peratusan. Untuk pemboleh ubah kajian, laporkan min (M), sisihan piawai (SD), dan had minimum-maksimum. Nilai kepencongan (skewness) dan kurtosis juga membantu dalam menilai normaliti secara deskriptif.
Peringkat 3: Ujian Normaliti
Kebanyakan ujian statistik parametrik memerlukan andaian normaliti dipenuhi. Terdapat dua pendekatan utama untuk menguji normaliti:
Ujian Statistik Formal
Analyze → Explore → Plots → Normality plots with tests. SPSS menyediakan dua ujian: Kolmogorov-Smirnov (sesuai untuk n > 50) dan Shapiro-Wilk (lebih berkuasa untuk n ≤ 50). Keputusan p > .05 menunjukkan data bertaburan normal.
Amaran Penting: Ujian Kolmogorov-Smirnov dan Shapiro-Wilk sangat sensitif kepada saiz sampel besar. Untuk n > 200, ujian ini cenderung menolak hipotesis null normaliti walaupun penyelewengan dari normaliti adalah kecil dan tidak memberi kesan praktikal kepada analisis. Dalam kes sedemikian, nilai kepencongan dan kurtosis (±2) serta pemeriksaan visual histogram dan Q-Q plot adalah lebih bermakna (Field, 2024).
Peringkat 4: Kebolehpercayaan dan Kesahan Instrumen
Analisis Kebolehpercayaan (Cronbach's Alpha)
Analyze → Scale → Reliability Analysis → Alpha. Semak nilai Alpha keseluruhan dan "Corrected Item-Total Correlation" setiap item. Item dengan nilai korelasi di bawah 0.30 wajar dikaji semula untuk kemungkinan dikeluarkan, bergantung kepada justifikasi kandungan.
| Nilai Cronbach's Alpha | Interpretasi | Tindakan |
|---|---|---|
| ≥ 0.90 | Cemerlang | Teruskan analisis |
| 0.80 – 0.89 | Baik | Teruskan analisis |
| 0.70 – 0.79 | Boleh diterima | Teruskan analisis |
| 0.60 – 0.69 | Lemah | Semak semula item bermasalah |
| < 0.60 | Tidak diterima | Semak semula keseluruhan skala |
Analisis Faktor Penerokaan (Exploratory Factor Analysis)
Analyze → Dimension Reduction → Factor. Gunakan Principal Axis Factoring dengan Promax rotation (untuk faktor yang berkorelasi) atau Varimax rotation (untuk faktor yang tidak berkorelasi). Kaiser-Meyer-Olkin (KMO) > 0.60 dan Bartlett's Test of Sphericity yang signifikan (p < .05) diperlukan sebelum EFA dijalankan. Faktor loading ≥ 0.40 dianggap bermakna (Hair et al., 2019).
Peringkat 5: Ujian Hipotesis Utama
Korelasi Pearson
Analyze → Correlate → Bivariate. Sesuai untuk menguji hubungan antara dua pemboleh ubah berterusan yang bertaburan normal. Laporkan koefisien korelasi (r), nilai p, dan saiz sampel. Cohen (1988) mencadangkan r = .10 (kecil), .30 (sederhana), dan .50 (besar) sebagai panduan saiz kesan.
Regresi Linear Berganda
Analyze → Regression → Linear. Kaedah Enter digunakan apabila semua peramal telah dijustifikasikan secara teori. Semak andaian: tiada multikolineari (VIF < 10, Tolerance > .10), kebebasan ralat (Durbin-Watson 1.5-2.5), dan homoskedastisiti melalui plot residual.
Laporkan: R², F-statistic, p-value keseluruhan model, dan β (beta pekali standard) dengan t-statistic dan p-value untuk setiap peramal. Beta pekali tidak standard (B) dilaporkan apabila membandingkan unit pengukuran yang sama.
Perlukan Bantuan Analisis SPSS Untuk Tesis Anda?
Kami membantu pelajar PhD dan Master Malaysia menjalankan analisis SPSS yang lengkap dan menepati piawaian akademik. Turnaround 3–5 hari bekerja. Bermula RM1,000.
WhatsApp Servis Data →Pelaporan Hasil SPSS: Standard APA
Pelaporan hasil analisis SPSS perlu menepati format American Psychological Association (APA) edisi ke-7, yang kini diterima pakai secara meluas oleh universiti di Malaysia. Format yang konsisten memudahkan pemeriksa menilai ketepatan interpretasi penyelidik.
| Analisis | Elemen Wajib Dilaporkan |
|---|---|
| Cronbach's Alpha | α, bilangan item, M, SD bagi setiap skala |
| Korelasi Pearson | r(df), p, saiz kesan (kecil/sederhana/besar) |
| Regresi Berganda | R², F(df1, df2), p, β, t, p bagi setiap peramal |
| t-test bebas | t(df), p, Cohen's d, M dan SD setiap kumpulan |
| ANOVA satu hala | F(df antara, df dalam), p, η² (eta-squared), post-hoc |
Soalan Lazim (FAQ)
Kesimpulan
Analisis SPSS yang berkesan bukan sekadar mengetahui urutan menu yang perlu diklik, tetapi melibatkan pemahaman tentang andaian setiap ujian statistik, keperluan pelaporannya, dan interpretasi yang tepat dalam konteks kajian. Penyelidik yang memahami logik statistik di sebalik setiap prosedur akan lebih yakin mempertahankan dapatan mereka semasa viva voce, dan lebih berkeupayaan untuk menjawab cabaran metodologi daripada pemeriksa.
Rujukan
- American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
- Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). Sage Publications.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
- IBM Corp. (2023). IBM SPSS Statistics for Windows, Version 29.0. IBM Corp.
- Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
- Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Open University Press.
Ada Soalan Tentang Analisis SPSS Tesis Anda?
Hubungi kami untuk konsultasi percuma. Kami bantu pastikan analisis anda tepat dan interpretasi selaras dengan piawaian akademik semasa.
WhatsApp Kami Sekarang →