Professional Documents
Culture Documents
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
ANALISIS DATA
Biasanya alat kajian kuantitatif akan menghasilkan data yang besar saiznya. Sebagai pengkaji, anda bertanggungjawab untuk mengolah data itu kepada format yang sesuai dengan kaedah analisis data dan boleh ditafsir kemudiannya. 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, peratus, min dan sisihan piawai. 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
Dalam fasa pra-analisis, segala penjelasan tentang variabel kajian hendaklah dibaca dan difahami, dikemaskini, dan disempurnakan. Anda mesti yakin yang pemboleh ubah penting/utama dilabel dengan betul mengikut jenis atau kategori. Mereka hendaklah disusun tertib mengikut keperluan teori analisis.
Pemprosesan Data
Seperti yang dinyatakan dalam topik lepas, 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. (b) Selepas mendapat kebenaran dari pengetua, satu temu janji hendak dibuat dengan guru kelas untuk membincang jadual waktu bagi anda melakukan kajian. Maklumat latar belakang kelas juga perlu diketahui sebelum memulakan kajian. (c) Apabila sampel telah dikenal pasti, borang soalselidik/inventori diedarkan dan meminta mereka yang berkenaan mengisikannya.
(d) Sebelum analisis dibuat, data mentah yang diperoleh itu hendaklah diproses terlebih dahulu untuk mendapatkan latar belakang subjek kajian, misalnya, peratus pelajar mengikut jantina, tahap sosioekonomi ibu baps, jumlah gaji dan lokasi sekolah. (e) Data daripada alat kajian, seperti soalselidik/inventori, perlu diubah kepada skor variabelvariabel kajian. Ini biasanya dibuat dengan menggunakan pengiraan, seperti mengira jumlah atau min item-item tertentu untuk mengira skor bagi variabel "sikap". Jika nilai skor diperoleh secara manual, maka semakan ketepatan harus dilakukan. (f) Selepas semua maklumat tentang latar belakang subjek kajian dan semua skor variabel kajian diperoleh, pengkaji boleh mula menganalisis data kajian untuk menjawab soalan-soalan dan/atau hipotesis-hipotesis kajian.
Analisis deskriptif
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.
Set data, sama ada dari jenis kualitatif atau kuantitatif, boleh dipaparkan dalam bentuk jadual taburan kekerapan seperti pada Jadual 8.1 dan 8.2. Bagi data kualitatif, Jadual 8.1 menunjukkan bagaimana kekerapan yang jumlahnya 80 orang pelajar itu ditabur kepada pelbagai kategori. Umpamanya, seramai 40 orang pelajar adalah pekerja syarikat swasta dan seramai 10 orang bekerja dengan kerajaan negeri. Manakala untuk data kuantitatif pula, Jadual 8.2 menunjukkan bagimana 120 orang pekerja itu diagihkan kepada 4 kelas pendapatan bulanan. Umpamanya, terdapat 20 orang yang mempunyai pendapatan dalam kelas RM7,000 RM7,990.
40/80 = 0.5000 0.5x100 = 50.00 25/80 = 0.3125 0.3125x100 = 31.25 10/80 = 0.1250 0.1250x100 = 12.50 5/80 = 0.0625 0.0625x100 = 6.25
Jumlah
80
1.000
100
Merujuk kepada Jadual 8.1, "Jenis pekerjaan" adalah contoh variabel kualitatif yang nilainya (bukan nilai angka) adalah:
(a) Syarikat swasta. (b) Kerajaan persekutuan. (c) Kerajaan negeri. (d) Perniagaan sendiri.
Setiap nilai di atas dinamakan juga sebagai kategori. Dalam jadual di atas, setiap kategori mempunyai kekerapan masing-masing. Kekerapan relatif, dan nilainya dalam peratusan juga diberikan dalam jadual yang sama.
Jadual 8.2 berikut memaparkan taburan kekerapan variabel kuantitatif, iaitu pendapatan bulanan bagi 120 orang pekerja. Oleh sebab nilainya pelbagai dan banyak, maka is dibahagikan kepada empat (4) kelas gaji bulanan. Kelas pertama ialah dari RM4000 hingga RM4990, manakala kelas ke-4 ialah RM7000 hingga RM7990. Dalam pernyataan ini, RM4000 merupakan "had bawah", dan "RM4990" pula merupakan "had atas" kelas pertama. Secara umumnya, setiap kelas mempunyai had bawah dan had atas, dan tidak ada dua (2) kelas bersebelahan itu bertindan antara satu dengan lain. Ini bermaksud, sebagai contoh, had atas kelas pertama ialah 499 sedang kelas kedua mempunyai had bawah 500. Dengan demikian, titik tengah antara 499 dengan 500 merupakan sempadan sepunya yang memastikan kelas pertama tidak bertindan dengan kelas kedua. Begitulah halnya dengan kelas-kelas yang lain, di mana dua (2) kelas berjiran dipisahkan oleh sempadan kelas. Oleh itu, setiap kelas mempunyai titik sempadan bawah dan titik sempadan atas.
Jumlah
120
1.000
100
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.
Oleh itu, titik tengah kelas ketiga = (600 + 699)/2 = 649.5, atau RM 6495 Titik tengah kelas adalah nombor-nombor penting bagi masing-masing kelas. Mereka mewakili nombor-nombor asal dalam masingmasing kelas, dan akan diguna dalam menghitung anggaran min dan juga sisihan piawai taburan data tersebut.
Selalunya, penyelidik cuba menerangkan sesuatu taburan data dengan hanya menggunakan beberapa sukatan penting seperti berikut:
(i) Sukatan kecenderungan memusat:
Min, mod, median, kuartil, desil dan persentil, dan lain-lain.
Sukatan kecenderungan memusat adalah sukatan pada paksi mengufuk yang mengandungi data atau cerapan. Paksi ini digelar "paksi data". Setiap sukatan mempunyai tafsiran pengukuran tertentu yang boleh membantu dalam menerangkan taburan data.
Min
Min - merupakan purata data adalah berperanan sebagai pusat taburan. Pada paksi data, min menentukan lokasi sesuatu taburan data. Min satu himpunan N angka dihitung dengan membahagikan hasil tambah angka-angka itu
Mod
Mod pula merupakan sukatan pada paksi data di mana ia mempunyai kekerapan paling tinggi. Mod ialah angka yang paling kerap diperolehi
Median
Median ialah sukatan pada paksi data di mana sebanyak 50% data berada pada lokasi di bawah median, dan 50% lagi berada pada lokasi di atas median. Median ialah angka yang berada di tengah-tengah susunan angka yang diatur daripada kecil kebesar. Jika jumlah angka ialah N, maka median ialah angka yang ke (N+1)/2
Untuk data yang tidak dikumpulkan kepada beberapa kelas, min diberi seperti berikut: Min = (Jumlah semua nombor) / (bilangan nombor).
Contoh 8.1
Dapatkan min bagi set cerapan berikut: 50, 30, 40, 60, 20, 45, 35, 55, 65, 70 Min data di atas adalah:
Min=(50+30+40+60+20+45+35+55+6 5+70)/10=47.
Untuk data kuantitatif yang dikumpulkan kepada K kelas, min diberi oleh
Min
iK
i 1 iK i 1
f i xi fi
f1 x1 f 2 x2 .... f K xK f1 f 2 .... f K
Yang xl,x2,...,xK adalah titik tengah masingmasing kelas. Titik tengah ini dinamakan juga tanda kelas. Sementara, f1, f2,..., fK adalah kekerapan bagi masing-masing kelas.
Contoh 8.2
Sukatan serakan Iazimnya diguna untuk mengukur kepadatan atau serakan data. Umpamanya, sukatan varians mengukur kepadatan data relatif kepada min taburan. Varians biasanya diguna untuk melihat bentuk taburan data. Bertambah besar nilai varians bermaksud kedudukan data pada paksi data Iebih terserak daripada min. Kecil nilai varians, bermaksud kedudukan data Iebih padat. Sisihan piawai diperoleh dengan mengira punca gandadua nilai varians dan bertanda positif.
Varians sesuatu himpunan Skor ialah min kuasa dua sisihan setiap skor daripada min skor-skor itu. Sisihan piawai ialah punca kuasa dua varians yang positif
Varians bagi data tak terkumpul boleh dihitung dengan rumus berikut:
Untuk populasi,
2 ( x ) 2 x 2 N N
Untuk sampel,
2 ( x ) 2 x 2 n s n 1
Untuk populasi,
2 ( xf ) 2 x f 2 N N
Untuk sampel,
s2
fx2
( fx) 2
1
n 1
Contoh 3
Dapatkan varians bagi data dalam Contoh 8.1. Disebabkan semua data digunakan, 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
Contoh 4
Dapatkan varians bagi data dalam Jadual 2. Data dalam Jadual 8.2 adalah terkumpul kepadafx K = 4 kelas. Elok Tanda Kelas Bilangan fx2 (x) (RM x 10) Pekerja (f) guna rumus (iv).
449.5 549.5 649.5 749.5 Jumlah 20 40 40 20 120 8990 21980 25980 14990 71940 4041005 12078010 16874010 11235005 44228030
( fx) 2
1
s2
n 1
3
4
-1.0 < r - 0.5 + 0.5 < r +1.0 - 0.5 < r 0 0 < r + 0.5 r=0
Secara praktik, pekali korelasi populasi lazimnya tidak diketahui. Ia hanya boleh dianggar menggunakan pekali korelasi sampel yang dikira dengan rumus berikut:
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.
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
0.85
Nilai r ini menunjukkan terdapat satu korelasi/hubungan yang kuat antara umur isteri dan umur suami.
5.
Nilai r terletak antara +1 dan -1, termasuk; atau ditulis: -1 r +1. Pekali korelasi r adalah simetri, bermaksud rXY = rYX la tidak terikat dengan titik asalan X dan Y. r = 0, hanya menyatakan tiada hubungan linear antara X dan Y, tetapi tidak menunjukkan X dan Y tidak mempunyai apa-apa hubungan. rXY mengukur hubungan linear sahaja, tetapi tidak termasuk kes hubungan tak linear.