Penyelidikan Tindakan: Analisis Data

Data Kuantitatif

Data Kuantitatif

Analisis deskriptif: Frekuensi, peratusan, min, mod, median, sisihan piawai, pekali korelasi

PETA MINDA
Reka Bentuk kajian Alat Kajian Kajian Kuantitatif

Kutipan Data
Analisis Data

Kajian Kuantitatif Rekabentuk kes Rekabentuk siri-kes Kajian Deskriptif Reka Bentuk Silang/keratan lintang Reka bentuk Kohot atau Perspektif Kajian Kuantitatif Reka bentuk retrospektif Reka bentuk Eksperimen Kajian Eksperimen Reka bentuk quasieksperimen .

Berikut adalah dua proses dalam menganaliss data: (a) Memproses data dari borang soal selidik (b) Memproses data dari inventori  Anda perlu mengolah data kepada kategori.ANALISIS DATA  Biasanya alat kajian kuantitatif akan menghasilkan data yang besar saiznya. min dan sisihan piawai. Sebagai pengkaji. Berikut adalah Iangkah-Iangkah dalam analisis data: (a) Fasa pra-analisis (b) Fasa pengurangan saiz data (c) Fasa paparan data (d) Fasa pengesahan data (e) Fasa dapatan . anda bertanggungjawab untuk mengolah data itu kepada format yang sesuai dengan kaedah analisis data dan boleh ditafsir kemudiannya. peratus.

dan disempurnakan. Mereka hendaklah disusun tertib mengikut keperluan teori analisis. Dalam fasa pra-analisis. segala penjelasan tentang variabel kajian hendaklah dibaca dan difahami. dikemaskini. Anda mesti yakin yang pemboleh ubah penting/utama dilabel dengan betul mengikut jenis atau kategori. .

(c) Apabila sampel telah dikenal pasti. borang soalselidik/inventori diedarkan dan meminta mereka yang berkenaan mengisikannya. data dikutip dan dikemaskan melalui prosidur berikut: (a) Surat memohon kebenaran membuat kajian hendaklah dihantar kepada pentadbir sekolah berserta dengan surat kebenaran daripada Kementerian Pelajaran. Maklumat latar belakang kelas juga perlu diketahui sebelum memulakan kajian.Pemprosesan Data  Seperti yang dinyatakan dalam topik lepas. (b) Selepas mendapat kebenaran dari pengetua. satu temu janji hendak dibuat dengan guru kelas untuk membincang jadual waktu bagi anda melakukan kajian. .

pengkaji boleh mula menganalisis data kajian untuk menjawab soalan-soalan dan/atau hipotesis-hipotesis kajian. maka semakan ketepatan harus dilakukan. misalnya. jumlah gaji dan lokasi sekolah. Jika nilai skor diperoleh secara manual. (e) Data daripada alat kajian. perlu diubah kepada skor variabelvariabel kajian. peratus pelajar mengikut jantina. seperti soalselidik/inventori. (f) Selepas semua maklumat tentang latar belakang subjek kajian dan semua skor variabel kajian diperoleh. . data mentah yang diperoleh itu hendaklah diproses terlebih dahulu untuk mendapatkan latar belakang subjek kajian. seperti mengira jumlah atau min item-item tertentu untuk mengira skor bagi variabel "sikap". tahap sosioekonomi ibu baps. Ini biasanya dibuat dengan menggunakan pengiraan.(d) Sebelum analisis dibuat.

Analisis Data Kuantitatif Kekerapan & Peratusan Analisis deskriptif Min &Sisihan Piawai Korelasi Linear & Regresi Mudah Ujian Khi-Kuasa Dua Analisis Data Kuantitatif Pengujian hipotesis bagi hubungan Pengujian hipotesis bagi perbezaan min UjianKorelasi Linear Ujian Regresi Mudah Ujian Khi-Kuasa Dua Ujian Korelasi Lirear Ujian Regresi Mudah .

.ANALISIS DESKRIPTIF  Analisis deskriptif adalah kaedah analisis bagi tujuan menerangkan statistik sampel tanpa membuat sebarang pentaabiran ke atas parameter populasi.

Manakala untuk data kuantitatif pula.2 menunjukkan bagimana 120 orang pekerja itu diagihkan kepada 4 kelas pendapatan bulanan. Umpamanya.990. boleh dipaparkan dalam bentuk jadual taburan kekerapan seperti pada Jadual 8. Jadual 8. Jadual 8. seramai 40 orang pelajar adalah pekerja syarikat swasta dan seramai 10 orang bekerja dengan kerajaan negeri.2. sama ada dari jenis kualitatif atau kuantitatif.1 menunjukkan bagaimana kekerapan yang jumlahnya 80 orang pelajar itu ditabur kepada pelbagai kategori. Umpamanya. .1 dan 8. terdapat 20 orang yang mempunyai pendapatan dalam kelas RM7.000 — RM7. Bagi data kualitatif.Kekerapan dan Kekerapan Relatif      Set data.

000 100 .Contoh 1 : Jenis Pekerjaan Pelajar di Sebuah Pusat Pembelaiaran OUM Jenis Pekerjaan Syarikat swasta Kerajaan pusat Kerajaan negeri Perniagaan sendiri Bilangan Pelajar (f) 40 25 10 5 Kekerapan Relatif Kekerapan Relatif (%) 40/80 = 0.0625 0.3125 0.5x100 = 50.1250x100 = 12.5000 0.3125x100 = 31.50 5/80 = 0.00 25/80 = 0.1250 0.25 Jumlah 80 1.25 10/80 = 0.0625x100 = 6.

dan nilainya dalam peratusan juga diberikan dalam jadual yang sama. (d) Perniagaan sendiri.1. Dalam jadual di atas. (b) Kerajaan persekutuan. Merujuk kepada Jadual 8. "Jenis pekerjaan" adalah contoh variabel kualitatif yang nilainya (bukan nilai angka) adalah: (a) Syarikat swasta. . Kekerapan relatif. setiap kategori mempunyai kekerapan masing-masing. (c) Kerajaan negeri.  Setiap nilai di atas dinamakan juga sebagai kategori.

setiap kelas mempunyai had bawah dan had atas. Oleh itu. titik tengah antara 499 dengan 500 merupakan sempadan sepunya yang memastikan kelas pertama tidak bertindan dengan kelas kedua.  Dalam pernyataan ini. Dengan demikian. Secara umumnya. di mana dua (2) kelas berjiran dipisahkan oleh sempadan kelas. Oleh sebab nilainya pelbagai dan banyak. setiap kelas mempunyai titik sempadan bawah dan titik sempadan atas.Jadual 8. had atas kelas pertama ialah 499 sedang kelas kedua mempunyai had bawah 500. Kelas pertama ialah dari RM4000 hingga RM4990. RM4000 merupakan "had bawah".  Begitulah halnya dengan kelas-kelas yang lain.2 berikut memaparkan taburan kekerapan variabel kuantitatif.  Ini bermaksud. dan "RM4990" pula merupakan "had atas" kelas pertama. manakala kelas ke-4 ialah RM7000 hingga RM7990.  . sebagai contoh. iaitu pendapatan bulanan bagi 120 orang pekerja. maka is dibahagikan kepada empat (4) kelas gaji bulanan. dan tidak ada dua (2) kelas bersebelahan itu bertindan antara satu dengan lain.

333x100 = 33.333 40/120 = 0.167 40/120 = 0.333 20/120 = 0.Cotoh 2 : Pendapatan Bulanan 120 Orang Pekerja Sebuah Syarikat Pendapatan Bilangan Bulanan Pekerja (RM x 10) 400 to 499 500 to 599 600 to 699 700 to 799 20 40 40 20 Kekerapan Relatif 20/120 = 0.000 100 .167x100 = 16.3 0.167x100 = 16.7 0.5 Jumlah 120 1.7 Titik Tengah Kelas (RM x 10) 449.3 0.5 749.5 649.5 549.167 Kekerapan Relatif (%) 0.333x100 = 33.

5. . Mereka mewakili nombor-nombor asal dalam masingmasing kelas. dan akan diguna dalam menghitung anggaran min dan juga sisihan piawai taburan data tersebut.   Oleh itu. titik tengah kelas ketiga = (600 + 699)/2 = 649. Dalam jadual yang sama juga diberikan lajur "Titik tengah kelas" yang dihitung seperti dalam contoh berikut: Titik tengah kelas = (had bawah kelas + had atas kelas)/2. atau RM 6495 Titik tengah kelas adalah nombor-nombor penting bagi masing-masing kelas.

Min dan Sisihan Piawai  Selalunya. (ii) Sukatan serakan: Julat. . sisihan piawai. kuartil. mod. varians. pekali variasi. dan lain-lain. median. julat antara kuartil. dan lain-lain. penyelidik cuba menerangkan sesuatu taburan data dengan hanya menggunakan beberapa sukatan penting seperti berikut: (i) Sukatan kecenderungan memusat: Min. desil dan persentil.

.Sukatan kecenderungan memusat   Sukatan kecenderungan memusat adalah sukatan pada paksi mengufuk yang mengandungi data atau cerapan. Setiap sukatan mempunyai tafsiran pengukuran tertentu yang boleh membantu dalam menerangkan taburan data. Paksi ini digelar "paksi data".

merupakan purata data adalah berperanan sebagai pusat taburan.Min Min . min menentukan lokasi sesuatu taburan data.  Min satu himpunan N angka dihitung dengan membahagikan hasil tambah angka-angka itu  .  Pada paksi data.

 Mod ialah angka yang paling kerap diperolehi  .Mod Mod pula merupakan sukatan pada paksi data di mana ia mempunyai kekerapan paling tinggi.

maka median ialah angka yang ke (N+1)/2  .Median Median ialah sukatan pada paksi data di mana sebanyak 50% data berada pada lokasi di bawah median.  Median ialah angka yang berada di tengah-tengah susunan angka yang diatur daripada kecil kebesar. dan 50% lagi berada pada lokasi di atas median. Jika jumlah angka ialah N.

.Min Data Tak Terkumpul  Untuk data yang tidak dikumpulkan kepada beberapa kelas. min diberi seperti berikut: Min = (Jumlah semua nombor) / (bilangan nombor).

35. 30. 20. 65. 60. 55.Contoh 8.1 Dapatkan min bagi set cerapan berikut: 50. 40. 70  Min data di atas adalah:  Min=(50+30+40+60+20+45+35+55+6 5+70)/10=47. . 45.

x2.  f K  Yang xl.... min diberi oleh Min   iK i 1 iK i 1 f i xi fi  f1 x1  f 2 x2  . f1.. Titik tengah ini dinamakan juga tanda kelas....xK adalah titik tengah masingmasing kelas. f2... .. Sementara.. fK adalah kekerapan bagi masing-masing kelas..  f K xK  f1  f 2  ...Min Data Terkumpul  Untuk data kuantitatif yang dikumpulkan kepada K kelas.

Sisihan piawai diperoleh dengan mengira punca gandadua nilai varians dan bertanda positif. Bertambah besar nilai varians bermaksud kedudukan data pada paksi data Iebih terserak daripada min. bermaksud kedudukan data Iebih padat. Umpamanya.5)/(20+40 +40+20) =RM599.5+40x649.2. Kecil nilai varians.2  Dapatkan min bagi data dalam Jadual 8. sukatan varians mengukur kepadatan data relatif kepada min taburan.Contoh 8.5  Sukatan serakan Iazimnya diguna untuk mengukur kepadatan atau serakan data. Varians biasanya diguna untuk melihat bentuk taburan data. .5+20x749. Min=(20x449.5+40x549.

 Sisihan piawai ialah punca kuasa dua varians yang positif  .Varians sesuatu himpunan Skor ialah min kuasa dua sisihan setiap skor daripada min skor-skor itu.

2 ( x )  2 x   2 N   N  N adalah bilangan kesemua cerapan. .Varians bagi data tak terkumpul boleh dihitung dengan rumus berikut:  Untuk populasi.

 Untuk sampel. 2 ( x )  2 x   2 n s  n 1  n adalah saiz sampel .

. N adalah bilangan kesemua data.Varians bagi data terkumpul boleh dihitung dengan rumus berikut:  Untuk populasi. 2 ( xf )  2 x f   2 N   N  X titik tengah kelas.

n adalah saiz sampel . s2   1 K fx2  ( fx) 2 1 K n n 1  X titik tengah kelas. Untuk sampel.

20 .1.198  15. kita boleh guna rumus x 50 (i). 30 40 60 20 45 35 55 65 70 Jumlah = 470 x2 25 00 90 0 16 00 36 00 40 0 20 25 12 25 30 25 42 25 49 00 Jumlah = 24400  Daripada rumus (i). Disebabkan semua data digunakan. varians diberi oleh 2 ( x ) (470) 2 24400  x  N 2 10  231    N 10 2 Sisihan piawai diberi oleh    2  231  15.Contoh 3  Dapatkan varians bagi data dalam Contoh 8.

 Data dalam Jadual 8.5 749.  449.Contoh 4 Dapatkan varians bagi data dalam Jadual 2.2 adalah terkumpul kepadafx K = 4 kelas.5 Jumlah 20 40 40 20 120 8990 21980 25980 14990 71940 4041005 12078010 16874010 11235005 44228030 .5 549. Elok Tanda Kelas Bilangan fx2 (x) (RM x 10) Pekerja (f) guna rumus (iv).5 649.

697  120  1  Sisihan piawai diberi oleh.697  96 . Daripada rumus (iv). varians diberikan oleh  fx 1 K 2  ( fx) 2 1 K s2  n n 1 719402 44228030  120  9243. s  9243 .14 .

memaparkan beberapa nilai pekali bersama interpretasinya.dan -1 ≤ r ≤ +1 . Jadual 8.3.  Pekali korelasi untuk populasi menggunakan simbol r (huruf Greek berbunyi rho) dan untuk sampel menggunakan simbol r. Nilai pekali ini berada antara -1 kepada +1. -1 ≤ r ≤ +1.Korelasi Linear dan Regresi Linear Mudah (a) Korelasi Linear  Korelasi linear digunakan untuk mengukur kekuatan hubungan linear antara dua variabel. iaitu.

0.0 < r ≤ .Jadual 8.0 .3: Interpretasi Beberapa Nilai Pekali Korelasi No Nilai r atau r 1 r=-1 r = +1 Penerangan Korelasi linear negatif sempurna Korelasi linear positif sempurna Korelasi linear negatif kuat Korelasi linear positif kuat Korelasi linear negatif lemah Korelasi linear positif lemah Tiada korelasi linear 2 3 4 -1.5 + 0.0.5 < r ≤ 0 0 < r ≤ + 0.5 < r ≤ +1.5 r=0 .

pekali korelasi populasi lazimnya tidak diketahui. Secara praktik. Ia hanya boleh dianggar menggunakan pekali korelasi sampel yang dikira dengan rumus berikut: .

44 38 y 56 50 xy 28 30 x2 20 22 34 32 y2 40 38 1 2 3 4 5 6 Jumlah 44 56 28 20 34 40 222 38 50 30 22 32 38 210 1672 2800 840 440 1088 1520 8360 1936 3136 784 400 1156 1600 9012 1444 2500 900 184 1024 1600 7952 .Contoh 5 Jadual berikut memaparkan enam (6) pasang umur suami isteri. Dapatkan pekali korelasi antara umur Umur Suami (tahun)-x Umur Isteri (tahun)-y Pasangan x mereka.

maka pekali korelasi diberi oleh 6(8360)  (222)(210) [6(9012)  (222) ][6(7952)  (210) ] 2 2 r   0. Daripada Rumus (8.2). .85 Nilai r ini menunjukkan terdapat satu korelasi/hubungan yang kuat antara umur isteri dan umur suami.

rXY mengukur hubungan linear sahaja. Pekali korelasi r adalah simetri. 5. . tetapi tidak termasuk kes hubungan tak linear. termasuk. r = 0. atau ditulis: -1 ≤ r ≤ +1. Nilai r terletak antara +1 dan -1. 2. 4.Pekali korelasi r mempunyai sifat-sifat berikut: 1. bermaksud rXY = rYX la tidak terikat dengan titik asalan X dan Y. tetapi tidak menunjukkan X dan Y tidak mempunyai apa-apa hubungan. 3. hanya menyatakan tiada hubungan linear antara X dan Y.

Sign up to vote on this title
UsefulNot useful