Professional Documents
Culture Documents
Menganalisis Dan Menterjemah Data
Menganalisis Dan Menterjemah Data
5.1
Pengenalan
Bab ini akan memperkenalkan bidang Statistik yang asas. Di sini, beberapa analisis data yang mudah akan dijalankan Data- data ini akan dikumpul dan diringkaskan dalam jadual dan diwakilkan dengan perwakilan- perwakilan seperti carta dan graf. Seterusnya perwakilan ini akan diterjemahkan melalui penerangan yang berkaitan seperti mengenalpasti ukuran kecenderungan memusat, serakan atau jenis taburan dan ini akan memberi makna dan gamabaran yang jelas. Kemahiran ini amat perlu diterapkan dalam pendidikan guru khususnya dan sangat berguna dalam kehidupan seharian.
5.2 Pembahagian Data Data kuantitatif boleh dibahagi kepada 4 jenis menggunakan empat jenis skala pengukuran. Skala boleh ditakrifkan sebagai angka yang digunakan untuk mengkelas atau menunjukkan tahap/nilai sesuatu ukuran. Suatu data dikelaskan dalam skala nominal, ordinal, sela, dan nisbah.
5.2.1
Data Nominal
Nominal ialah skala yang dianggap paling mudah dan mempunyai ketepatan yang paling rendah. Skala ini mengkategorikan pemboleh ubah berdasarkan persamaan dan seterusnya memberikan nama kepada pemboleh ubah berkenaan. Jantina, ras dan warna adalah contoh data nominal. Jantina diwakilkan dengan 1 bagi lelaki dan 2 bagi perempuan. Nilai nombor 1 bukan bermaksud lebih kecil dari 2 atau lebih baik dari 2. Nilai nombor 1 dan 2 hanyalah melambangkan atau mewakili kategori bagi lelaki dan perempuan. Begitu juga bagi ras dimana 1 mewakili kaum Melayu, 2 mewakili kaum Cina, 3 mewakili kaum India dan 4 mewakili kaum-kaum lain. Nombor hanya perwakilan sesuatu kumpulan data. Serupa juga bagi warna dimana kita boleh menyatakan 1 sebagai Merah, 2 sebagai kuning, 3 sebagai hijau dan sebagainya.
Ciri-ciri utama skala nominal adalah: i. Setiap ahli hanya dimiliki oleh satu kategori sahaja, misalnya, individu yang dikelaskan ke dalam kategori lelaki tidak boleh menjadi ahli kategori jantina lain.
ii. Nombor yang mewakili setiap kategori tidak mempunyai nilai pemeringkatan, tetapi dianggap sebagai nama kategori sahaja.
iii. Pengkelasan data asal bagi data nominal bersifat satu kepada satu.
5.2.2
Data Ordinal
Ordinal ialah skala yang memberikan nilai pemeringkatan atau pangkatan. Data ordinal boleh disusun sama ada daripada yang terendah kepada nilai yang tertinggi atau daripada yang lemah kepada yang cemerlang. Nombor atau kategori yang diguna menggambarkan ukuran asal pemboleh ubah mengikut susunan daripada kecil kepada yang besar atau dari kategori yang kurang baik kepada kategori yang lebih baik. Kedudukan, gred dan jawatan adalah contoh data ordinal. Pelajar yang mendapat nombor 1 dalam kelas tentunya lebih baik dari pelajar yang mendapat nombor 2, 3 dan seterusnya. Gred A juga lebih baik dari gred B, C dan D. Sarjan lebih berpangkat berbanding koperal dan lans-koperal.
Ciri-ciri utama data ordinal adalah : I. II. III. Kategori yang digunakan bagi mengkelaskan data ordinal adalah saling eksklusif. Ukuran yang digunakan, memperlihatkan pemeringkatan secara logik. Ukuran mempunyai pemberat dimana setiap kategori mempunyai pemberat yang kurang atau lebih berbanding kategori lain.
Markah, ketinggian, berat, gred, dan jawatan adalah contoh data ordinal. Markah 80% tentunya lebih baik dari 50%. 160 cm sudah pasti lebih tinggi dari 100 cm. Benda yang beratnya 60 kg tentunya lebih berat dari 25 kg.
I.
Kategori yang digunakan bagi mengkelaskan data sela adalah saling eksklusif. II. Ukuran yang diguna menggambarkan susunan pemeringkatan secara logik. III. Ukuran yang diguna mempunyai pemberat, iaitu sesuatu ukuran sama ada lebih kecil atau lebih besar daripada yang lain. IV. Ukuran dalam skala sela bernilai arbitrari (tidak mutlak). Nilai sifar (0) juga adalah arbitrari. V. Perbezaan satu unit ukuran mempunyai nilai yang sama bagi semua perbezaan ukuran.
5.2.3
Data Sela
Skala sela ini mempunyai ciri pemeringkatan dan juga mempunyai perbezaan bagi setiap unit sela yang sama nilai. Skala ini berupaya menunjukkan perbezaan antara beberapa kategori dan ia boleh menunjukkan kesamaan dalam unit ukuran yang digunakan. Contoh ukuran berskala sela ialah ukuran suhu. Dalam hal ini, perbezaan suhu antara 25C dengan 35C adalah sama dengan perbezaan suhu antara 5C dengan 15C, iaitu perbezaan 10 darjah. Nilai perbezaan ini sama kerana ia dikira dari titik origin iaitu 0C. Nilai sifar (0) merupakan suatu nilai yang arbitrari, yang tidak menggambarkan nilai kuantiti kosong, iaitu skala sela tidak mempunyai nilai mutlak. Misalnya, suhu 0C merupakan nilai permulaan sistem pengukuran suhu dalam C. Suhu 0C di sini bukan bermakna tidak ada kepanasan. Begitu juga dengan markah pencapaian. Katakan pelajar A mendapat markah 90 dan pelajar B mendapat markah 75. Bezanya adalah 15 markah. Jika pelajar C mendapat 60 markah dan pelajar D mendapat 45 markah, bezanya juga adalah 15 markah. Kita boleh kata perbezaan pelajar A dengan B dan perbezaan C dengan D adalah sama. Kita tidak boleh katakan kepandaian pelajar A dua kali ganda pelajar D walau pun pelajar A mendapat 90 markah dan pelajar D mendapat 45 markah. Sekiranya seorang pelajar memperolehi 0 markah, tidak bererti dia tiada kepandaian kerana nilai sifar (0) ini bukan mutlak dan hanya sebagai permulaan ukuran sahaja.
5.2.4 Data Nisbah Skala nisbah ialah skala yang mempunyai semua ciri skala sela dan juga nilai mutlak. Dalam skala nisbah nilai sifar (0) adalah kosong dan mutlak. Jarak, berat dan wang adalah contoh data berskala nisbah. Jarak 6 km adalah dua kali jarak 3 km. Nilai wang RM10 adalah dua kali ganda nilai wang RM5. Nilai sifar (0) bagi jarak 0 km dan RM0 adalah benarbenar tiada jarak dan tiada wang.
5.3 5.3.1
Data asal atau data mentah boleh samaada digunakan terus atau dikumpulkan untuk diwakilkan dalam bentuk yang dikehendaki. Data yang digunakan terus atau tidak perlu dikumpulkan biasanya adalah dalam kuantiti yang kecil atau mempunyai julat yang kecil. Misalnya data mengenai cita-cita pelajar dalam sesuatu kelas. Perwakilan data boleh digambarkan secara terus samada melalui piktograf, carta palang atau apa saja perwakilan yang sesuai.
Bagi kuantiti data yang banyak atau besar julatnya, maka adalah lebih baik dikumpulkan dahulu data tersebut dalam sela mengikut saiz kelasnya. Perwakilan data boleh digambarkan melalui histogram atau apa saja perwakilan yang sesuai. Misalnya data mengenai umur orang yang datang ke dewan orang ramai. Data ini elok dikumpulkan dahulu. Jika umur 1-5 tahun dikumpulkan, maka saiz kelasnya adalah 5. Secara umum data dikumpul dalam kelas umur mengikut jadual berikut:
Gundalan/kekerapan 3 8 12
16 - 20
12
5.3.2 Perwakilan Data Perwakilan data boleh dibuat dalam bentuk seperti carta dan graf. Di antaranya ialah piktograf, carta palang, histogram, graf garis, carta pai dan ogif. Kita perlu tahu membaca data, memilih dan membina perwakilan data dan boleh menterjemah data tersebut. Lihat contoh contoh di bawah:
Piktograf
Carta Palang
Histogram
Graf Garis
Poligon Kekerapan
Ogif
Terdapat empat jenis analisis, yakni analisis domain, analisis taksonomi, analisis komponen, dan analisis tema.
Pattern Coding
Disebut juga dengan pengkodan inferensial atau penjelasan (explanatory) iaitu merupakan cara mengelompokkan kesimpulan-kesimpulan ke dalam bentuk-bentuk yang lebih kecil berupa tema atau konstruk. Setelah tema, pola dan penjelasan dari latar telah diidentifikasi, peneliti mengumpulkan data untuk dimasukkan kedalam satuan-satuan analisis yang esensial dan bermakna (meta-code). Langkah pertama pengkodean adalah sebagai alat menyimpulkan segmen-segmen data.
Memoing
Memo dalam hal ini bukan hanya merupakan data yang terhimpun dari penelitian , namun mereka merupakan satu kesatuan yang saling terkait yang merepresentasikan suatu konsep yang utuh.