FYP·2025

PROJEK TAHUN AKHIR · UPSI · 2025

Penggunaan Teknologi Kecerdasan Buatan (AI) dalam Pembelajaran Perakaunan di Kalangan Pelajar Sekolah

Tinjauan kuantitatif 111 pelajar Tingkatan 4 dan 5, SMK Tinggi St. David Melaka. Kerangka SAALE. Analisis SPSS 27.

Penyelidik Badrul Haziq bin Badrulsham D20221103783 · Jabatan Perakaunan · FPE
Penyelia Profesor Madya Dr. Noor Lela binti Ahmad Universiti Pendidikan Sultan Idris
Responden
111
Kesediaan
min 3.61
Kemahiran
min 3.36
R² model
65%
Faktor dominan
Kemahiran · β 0.391
Hipotesis
H1–H4 disokong

Bab 1 · Latar Belakang

Prinsip Perakaunan sukar — AI sudah sampai ke sekolah

Subjek Prinsip Perakaunan membina asas kewangan, tetapi pelajar sering goyah pada konsep debit, kredit dan kitaran perakaunan. Kaedah tradisional kurang interaktif. AI seperti ChatGPT, Deepseek, Gemini dan Perplexity sudah digunakan pelajar — tetapi bukti di peringkat sekolah masih nipis.

Buku jurnal perakaunan dan cahaya digital
Pembelajaran perakaunan tetap berasaskan rekod, keseimbangan dan konsep. AI hanya alat sokongan.

Cabaran semasa

📘Konsep abstrak
👩‍🏫PdP tradisional
⚠️Kurang bimbingan individu

Soalan kajian

👁Persepsi
+
🧠Pengetahuan
+
🔋Kesediaan
+
🛠Kemahiran

Mengapa perakaunan sekolah?

Jayakumar, Norlia dan Rosmini (2022) menyatakan pelajar sering anggap perakaunan sukar kerana ia menuntut prinsip, prosedur dan aplikasi. Fadzillah dan Bahari (2019) menegaskan konsep asas yang goyah merosakkan pembelajaran seterusnya.

Mengapa AI sekarang?

Syed Syahrul Zarizi (2023) mendapati 161 daripada 168 responden (95.8%) tahu tentang AI. ICETSS (2024) dan Pillai et al. (2025) menunjukkan AI sudah masuk tugasan dan kemahiran abad ke-21 — tetapi bukti sekolah menengah untuk perakaunan masih kurang (Chen, 2020).

Bab 1 · Pernyataan Masalah

Bukti AI perakaunan tertumpu di IPT, bukan sekolah

1

Pembelajaran perakaunan di sekolah menuntut teori dan kemahiran praktikal. Debit, kredit dan kitaran perakaunan kerap menjadi titik lemah.

2

Pelajar sudah menggunakan ChatGPT, Deepseek, Gemini dan Perplexity. Sekolah pula hanya 5.4% sumber pertama mereka tahu tentang AI.

?

Adakah persepsi, pengetahuan, kesediaan dan kemahiran pelajar mempengaruhi penggunaan AI dalam pembelajaran perakaunan?

Penyempitan jurang

AI dalam pendidikan
AI dalam IPT / STEM
Pembelajaran perakaunan
Sekolah menengah Malaysia
PRINSIP PERAKAUNAN · SMK TINGGI ST. DAVID

Masalah

Kebanyakan kajian AI tertumpu di pendidikan tinggi atau bidang sains dan teknologi (Chen, 2020). Jurang kekal tentang kesesuaian AI membantu pelajar sekolah memahami perakaunan, serta kesediaan institusi menyediakan infrastruktur dan kemahiran.

Skop

Kajian menilai penggunaan AI dalam pembelajaran perakaunan di kalangan pelajar Tingkatan 4 dan 5. Lokasi sebenar pengumpulan data: SMK Tinggi St. David, Melaka. n = 111. Instrumen soal selidik Likert 5 mata.

Batasan

Saiz sampel satu sekolah tidak mewakili seluruh populasi. Akses teknologi, kemahiran guru, motivasi pelajar, tekanan peperiksaan dan emosi tidak dikawal sepenuhnya. Reka bentuk keratan rentas tidak membuktikan sebab-akibat.

Sumbangan

Memberi bukti sekolah menengah Malaysia bahawa kemahiran praktikal AI lebih menentukan penggunaan berbanding pengetahuan semata-mata. Implikasi: latihan amali, infrastruktur, dan bimbingan guru.

Bab 2 · Kajian Literatur

Dari SAALE ke bukti sekolah Malaysia

Literatur tesis disusun semula mengikut kluster yang menyokong kerangka: AI perakaunan, SAALE, persepsi, pengetahuan dan kesediaan, kemahiran, konteks sekolah Malaysia, kaedah, dan beberapa rujukan sokongan tambahan.

Hubungan kluster literatur FYP AI Perakaunan ModelSAALE Persepsi PengetahuanKesediaan Kemahiran Sekolah MY Sokongan FYPSAALE

Pilih kluster untuk menonjolkan kad kajian.

Kluster 1 · AI dalam pembelajaran perakaunan

Kluster 2 · Model SAALE

Kluster 3 · Persepsi pelajar

Kluster 4 · Pengetahuan dan kesediaan

Kluster 5 · Kemahiran pelajar

Kluster 6 · Sekolah / Malaysia

Kluster 7 · Kaedah penyelidikan

Kluster 8 · Rujukan sokongan tambahan

Kad kajian diambil daripada senarai rujukan tesis. Wood et al. (2023) ditambah sebagai sokongan prestasi AI dalam item perakaunan — ia bukan rujukan teras tesis. Badge pangkalan data hanya dipaparkan selepas pengesahan Scopus/MyCite.

Bab 1 · Objektif, Hipotesis dan Kerangka

Model SAALE: dari ciri pelajar ke penggunaan AI

Visual konsep tiga ruang pembelajaran yang bertemu di teras emas
Ilustrasi konsep SAALE — adaptasi persekitaran, pengajaran dan penilaian. Bukan model empirikal SPSS.

Objektif kajian

    Persoalan kajian

      Kerangka konseptual · adaptasi Model SAALE

      Persepsi
      Pengetahuan
      Kesediaan
      Kemahiran
      Demografi
      PB Penggunaan Teknologi AI dalam Pembelajaran Perakaunan

      Rajah 1.1 tesis: diadaptasi daripada Model SAALE (Ellis & Goodyear, 2010). Wood (2002) dan Jensen et al. (2021) digunakan untuk komponen adaptasi dan agency.

      Definisi operasional

      Kecerdasan buatan (AI)
      Sistem perisian yang menganalisis data pembelajaran dan memberi sokongan tersuai (Chen et al., 2020, seperti digunakan dalam tesis).
      Persepsi pelajar
      Cara pelajar melihat keberkesanan AI — sama ada sebagai bantuan atau cabaran.
      Pengetahuan pelajar
      Tahap pemahaman konsep AI dan penggunaannya dalam pendidikan perakaunan.
      Kesediaan pelajar
      Keupayaan menerima dan menggunakan teknologi AI.
      Kemahiran pelajar
      Keupayaan mengendalikan AI secara berkesan, termasuk alat digital dan konsep perakaunan.
      Penggunaan AI
      Pembolehubah bersandar: penggunaan teknologi AI dalam pembelajaran perakaunan.

      Bab 3 · Metodologi

      Tinjauan kuantitatif di satu sekolah Melaka

      Reka bentuk kuantitatif, soal selidik berstruktur, 111 pelajar Prinsip Perakaunan Tingkatan 4 dan 5 di SMK Tinggi St. David Melaka. Analisis SPSS 27: deskriptif, normaliti, ujian-t, regresi linear berganda.

      Bangunan sekolah gaya kolonial di Melaka pada waktu senja
      Ilustrasi suasana sekolah bersejarah di Melaka. Bukan foto rasmi SMK Tinggi St. David.
      1Literatur
      2Instrumen
      3Kajian rintis
      4Kutipan data
      5SPSS 27
      6Deskriptif
      7Ujian-t
      8Regresi

      Reka bentuk

      • Pendekatan — Kuantitatif
      • Reka bentuk — Tinjauan keratan rentas
      • Lokasi — SMK Tinggi St. David, Melaka
      • Populasi — Pelajar Tingkatan 4 dan 5 Prinsip Perakaunan
      • Sampel — 111 responden
      • Perisian — IBM SPSS 27

      Instrumen

      • A — Demografi
      • B — Persepsi pelajar (5 item)
      • C — Pengetahuan pelajar (5 item)
      • D — Kesediaan pelajar (5 item)
      • E — Kemahiran pelajar (5 item)
      • Skala — Likert 5 mata

      Tafsiran min

      • 1.00–2.33 · Rendah
      • 2.34–3.66 · Sederhana
      • 3.67–5.00 · Tinggi
      • Sumber tafsiran dalam Bab 4: Alghamdi (2025)

      Analisis

      • Frekuensi, peratus, min, sisihan piawai
      • Normaliti: skewness & kurtosis (−2 hingga +2; Hair et al., 2010)
      • Ujian-t bebas untuk jantina (H4)
      • Regresi linear berganda untuk H1–H3

      Bab 4 · Dapatan Kajian

      111 pelajar. Empat konstruk. Tiga prediktor signifikan.

      DATA TESIS Jadual 4.1–4.15 n = 111

      Responden111
      Persepsi3.54
      Pengetahuan3.55
      Kesediaan3.61
      Kemahiran3.36
      65%

      Nilai min konstruk daripada Jadual 4.6–4.9. Abstrak tesis membulatkan lebih tinggi; carta ini ikut jadual Bab 4.

      Demografi

      Jantina · Rajah 4.1

      Bangsa · Rajah 4.2

      Peranti digital sendiri · Jadual 4.1

      Minat Prinsip Perakaunan · Jadual 4.2

      Pernah guna AI · Jadual 4.3

      Gred tertinggi perakaunan · Rajah 4.3

      A 34.2% · Tidak pasti 18.9%

      Sumber pertama tahu AI · Jadual 4.4

      Media sosial 69.4% · Sekolah hanya 5.4%

      Frekuensi guna AI · Jadual 4.5

      Tahap konstruk

      Min konstruk

      Skala 1–5 · 3.67 ke atas = tinggi

      Persepsi · item B1–B5

      STS · TS · AS · S · SS

      Pengetahuan · item C1–C5

      Kesediaan · item D1–D5

      Kemahiran · item E1–E5

      Inferensi

      Ujian-t jantina · Jadual 4.10

      Semua p > 0.05 · H4 disokong

      Varians diterangkan · Jadual 4.12

      R = 0.806 · R² = 0.650 · Adj. R² = 0.641

      Beta piawai · Jadual 4.14

      Kemahiran paling dominan (β = 0.391, p = 0.000). ANOVA F = 66.362, p = 0.000.

      Dapatan 01

      Kesediaan tertinggi (3.61), kemahiran terendah (3.36). Pelajar mahu, tetapi belum mahir.

      Dapatan 02

      69.4% pertama kali tahu AI melalui media sosial; sekolah hanya 5.4%.

      Dapatan 03

      Tiga prediktor signifikan. Kemahiran (β = 0.391) > kesediaan (0.298) > pengetahuan (0.189).

      Dapatan 04

      Tiada perbezaan jantina. H1, H2, H3 dan H4 semuanya disokong.

      Bab 5 · Perbincangan dan Rumusan

      Latihan kemahiran, bukan sekadar tahu tentang AI

      Teori

      SAALE membantu membaca bagaimana ciri pelajar dan persekitaran digital berkaitan dengan penggunaan AI. Dapatan mengesahkan ketiga-tiga prediktor, dengan kemahiran paling kuat.

      Praktikal

      Sekolah dan guru perlu latihan amali AI dalam tugasan perakaunan, bukan ceramah definisi semata-mata. Infrastruktur dan bimbingan guru diperlukan.

      Dasar

      Integrasi AI dalam kurikulum, peningkatan kapasiti guru, dan kajian kualitatif lanjutan tentang pengalaman sebenar pengguna.

      RUMUSAN TESIS KEMAHIRAN PRAKTIKAL
      MENENTUKAN PENGGUNAAN AI.

      Rujukan akademik

      Senarai ini ialah subset kerja tesis + satu rujukan sokongan tambahan (Wood et al., 2023). Tesis penuh ada di PDF. APA 7. Badge hanya selepas pengesahan pengindeksan.

      Penyelidik

      Badrul Haziq bin Badrulsham

      D20221103783 · Jabatan Perakaunan · Fakulti Pengurusan dan Ekonomi · UPSI

      Penyelia

      Profesor Madya Dr. Noor Lela binti Ahmad

      Universiti Pendidikan Sultan Idris · 2025

      AINNA
      CLICK ME
      Rotating Earth

      Site Sections

      No section data available yet.

      Sites with documented sections will appear here.