P. 1
Data Kuantitatif

Data Kuantitatif

|Views: 4|Likes:
Published by Nadiah Kamal

More info:

Published by: Nadiah Kamal on Aug 14, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPTX, PDF, TXT or read online from Scribd
See more
See less

07/22/2014

pdf

text

original

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 .

Sebagai pengkaji. anda bertanggungjawab untuk mengolah data itu kepada format yang sesuai dengan kaedah analisis data dan boleh ditafsir kemudiannya.ANALISIS DATA  Biasanya alat kajian kuantitatif akan menghasilkan data yang besar saiznya. peratus. 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 . 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. min dan sisihan piawai.

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

. satu temu janji hendak dibuat dengan guru kelas untuk membincang jadual waktu bagi anda melakukan kajian. (c) Apabila sampel telah dikenal pasti. Maklumat latar belakang kelas juga perlu diketahui sebelum memulakan kajian. 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. borang soalselidik/inventori diedarkan dan meminta mereka yang berkenaan mengisikannya.Pemprosesan Data  Seperti yang dinyatakan dalam topik lepas. (b) Selepas mendapat kebenaran dari pengetua.

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

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. .

2 menunjukkan bagimana 120 orang pekerja itu diagihkan kepada 4 kelas pendapatan bulanan. seramai 40 orang pelajar adalah pekerja syarikat swasta dan seramai 10 orang bekerja dengan kerajaan negeri.1 menunjukkan bagaimana kekerapan yang jumlahnya 80 orang pelajar itu ditabur kepada pelbagai kategori. terdapat 20 orang yang mempunyai pendapatan dalam kelas RM7.1 dan 8.Kekerapan dan Kekerapan Relatif      Set data. Bagi data kualitatif.990.2.000 — RM7. boleh dipaparkan dalam bentuk jadual taburan kekerapan seperti pada Jadual 8. Manakala untuk data kuantitatif pula. Umpamanya. Jadual 8. sama ada dari jenis kualitatif atau kuantitatif. . Jadual 8. Umpamanya.

0625x100 = 6.50 5/80 = 0.0625 0.5000 0.5x100 = 50.1250x100 = 12.00 25/80 = 0.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 = 0.1250 0.000 100 .3125x100 = 31.25 Jumlah 80 1.25 10/80 = 0.3125 0.

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

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

167 40/120 = 0.167x100 = 16.5 649.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 .5 549.333 20/120 = 0.3 0.333x100 = 33.5 749.167 Kekerapan Relatif (%) 0.333x100 = 33.3 0.7 0.333 40/120 = 0.5 Jumlah 120 1.167x100 = 16.7 Titik Tengah Kelas (RM x 10) 449.

. titik tengah kelas ketiga = (600 + 699)/2 = 649. dan akan diguna dalam menghitung anggaran min dan juga sisihan piawai taburan data tersebut. atau RM 6495 Titik tengah kelas adalah nombor-nombor penting bagi masing-masing kelas.5. Mereka mewakili nombor-nombor asal dalam masingmasing kelas.   Oleh itu. 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.

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

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.  Pada paksi data.Min Min . 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  .

Jika jumlah angka ialah N.  Median ialah angka yang berada di tengah-tengah susunan angka yang diatur daripada kecil kebesar.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. maka median ialah angka yang ke (N+1)/2  .

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

. 20. 30. 55. 40.Contoh 8. 35. 65. 70  Min data di atas adalah:  Min=(50+30+40+60+20+45+35+55+6 5+70)/10=47. 45. 60.1 Dapatkan min bagi set cerapan berikut: 50.

.... . 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... Sementara.... f2. fK adalah kekerapan bagi masing-masing kelas...x2.  f K  Yang xl..Min Data Terkumpul  Untuk data kuantitatif yang dikumpulkan kepada K kelas.  f K xK  f1  f 2  ...

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

 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.

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

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

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

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

varians diberi oleh 2 ( x ) (470) 2 24400  x  N 2 10  231    N 10 2 Sisihan piawai diberi oleh    2  231  15.1. 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  Daripada rumus (i).20 .Contoh 3  Dapatkan varians bagi data dalam Contoh 8.198  15.

5 549.  449. Elok Tanda Kelas Bilangan fx2 (x) (RM x 10) Pekerja (f) guna rumus (iv).5 749.Contoh 4 Dapatkan varians bagi data dalam Jadual 2.5 649.  Data dalam Jadual 8.5 Jumlah 20 40 40 20 120 8990 21980 25980 14990 71940 4041005 12078010 16874010 11235005 44228030 .2 adalah terkumpul kepadafx K = 4 kelas.

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

Korelasi Linear dan Regresi Linear Mudah (a) Korelasi Linear  Korelasi linear digunakan untuk mengukur kekuatan hubungan linear antara dua variabel.dan -1 ≤ r ≤ +1 .  Pekali korelasi untuk populasi menggunakan simbol r (huruf Greek berbunyi rho) dan untuk sampel menggunakan simbol r. -1 ≤ r ≤ +1.3. Jadual 8. iaitu. memaparkan beberapa nilai pekali bersama interpretasinya. Nilai pekali ini berada antara -1 kepada +1.

5 + 0.5 < r ≤ +1.5 r=0 .0.0.5 < r ≤ 0 0 < r ≤ + 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 -1.0 .Jadual 8.0 < r ≤ .

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

Contoh 5 Jadual berikut memaparkan enam (6) pasang umur suami isteri. 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 . 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   0.85 Nilai r ini menunjukkan terdapat satu korelasi/hubungan yang kuat antara umur isteri dan umur suami. Daripada Rumus (8.2).

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->