13 BBRC4103 Topik 9 -...

� PENGENALAN

Tujuan utama kebanyakan penyelidikan adalah untuk menyediakan maklumat. Terdapat perbezaan antara data mentah dan maklumat. Maklumat merujuk kepada kerangka fakta-fakta dalam format yang sesuai bagi membuat keputusan, sementara data hanyalah ukuran yang direkodkan bagi fenomena tertentu. Data mentah yang dikumpulkan mestilah ditransformasikan kepada maklumat yang boleh memberi maklumat kepada soalan-soalan pengurus. Perubahan data mentah kepada maklumat memerlukan data disunting dan dikodkan agar ia boleh dipindahkan ke dalam komputer atau tempat penyimpanan yang lain. Topik ini memperkenalkan proses analisa data. Ini mengandungi beberapa prosedur yang saling berkaitan untuk meringkaskan dan menyusun semula data. Pengkaji menyunting dan mengekodkan data bagi memberi input yang menghasilkan maklumat dalam bentuk jadual bagi menjawab persoalan kajian. Dengan input ini, pengkaji boleh menjelaskan dapatan kajian secara logik dengan statistik.

TTooppiikk

99 � Analisis Data

Pada akhir topik ini, anda seharusnya dapat:

1. Menerangkan proses penyuntingan data dan pengekodan;

2. Menilai proses meringkaskan, menyusun semula, mengatur dan memanipulasi data;

3. Menganalisis deskriptif; dan

4. Menghuraikan pengujian hipotesis.

HASIL PEMBELAJARAN

TOPIK 9 ANALISA DATA �

145

PEMERIKSAAN DAN PENYUNTINGAN DATA

Setelah data dikumpulkan dan sebelum ia dianalisis, pengkaji perlu menelitinya terlebih dahulu bagi mengesahkannya. Respons yang kosong atau dipanggil data hilang mesti diuruskan. Sekiranya soalan telah dikodkan sebelumnya, ia boleh dipindahkan terus ke pangkalan data. Sekiranya belum, satu sistem perlu dibangunkan agar ia boleh dimasukkan ke dalam pangkalan data. Tugas-tugas biasa yang perlu dilakukan ialah penyuntingan data, iaitu mengurus data hilang, pengekodan, transformasi dan memasukkan data.

9.1.1 Penyuntingan Data

Sebelum data yang dikumpulkan boleh digunakan, ia mestilah disunting terlebih dahulu. Ia mesti diperiksa sama ada lengkap dan konsisten. Sekiranya ada yang tidak konsisten, ia masih boleh dibetulkan pada peringkat ini. Penyuntingan juga melibatkan pemeriksaan sama ada responden memahami soalan dan mengikut turutan soalan yang diberikan. Sebagai contoh, andaikan seorang pengkaji menggunakan reka bentuk eksperimen dengan dua rawatan. Satu rawatan direka bagi persekitaran kerja yang kondusif dan satu lagi rawatan dengan persekitaran kerja yang tidak kondusif. Untuk mengesahkan bahawa responden mentafsir rawatan dengan betul, pengkaji boleh melakukan pemeriksaan manipulasi. Selepas responden menjawab soalan, beliau diminta memberi komen tentang kedua-dua jenis persekitaran kerja. Sekiranya responden menjawab bahawa kedua-dua persekitaran kerja adalah sama, ini bermakna beliau tidak memberi respons yang wajar kepada rawatan. Dalam situasi begini, pengkaji mungkin terpaksa mengetepikan responden tersebut daripada analisa data kerana beliau tidak dapat membezakan dua jenis persekitaran kerja. Akhir sekali, penyuntingan boleh menyebabkan soal selidik dibuang. Sebagai contoh, kehilangan data yang terlalu banyak akan menyebabkan soal selidik terpaksa dibuang dari pangkalan data. Pada masa yang sama, soalan tapisan mungkin menyebabkan soal selidik dibuang. Sebagai contoh, anda ingin

9.1

Apakah itu data mentah? Bagaimanakah ia berbeza dengan data primer dan data sekunder?

AKTIVITI 9.1

� TOPIK 9 ANALISA DATA

146

menemu bual individu yang mempunyai rumah sendiri. Apabila responden yang menjawab ialah penyewa, soal selidik tidak boleh digunakan dan dimasukkan dalam analisa data.

9.1.2 Penyuntingan Lapangan

Proses penyuntingan boleh dilakukan di lapangan. Tujuan penyuntingan lapangan pada hari yang sama temu bual dijalankan adalah untuk mengesan kehilangan teknikal (seperti kertas kosong di dalam soal selidik temu bual), memeriksa sama ada tulisan tangan boleh dibaca dan menjelaskan respons yang tidak konsisten secara logik dan konseptual. Sekiranya penyuntingan lapangan dilakukan setiap hari, penyelia yang menyunting soal selidik akan dapat membuat pembetulan dengan menyoal penemubual yang masih mengingati kandungan temu bual. Jumlah Âtiada jawapanÊ atau respons tidak lengkap boleh dikurangkan dengan susulan yang cepat yang dirangsang oleh penyuntingan lapangan. Penyuntingan lapangan harian membolehkan responden dihubungi semula untuk mengisi jawapan yang tertinggal sebelum situasi berubah. Tambahan pula, penyuntingan lapangan boleh memberi penunjuk sama ada latihan penemubual perlu terus diberikan. Sebagai contoh, penyunting lapangan seharusnya menyemak respons terbuka bagi melihat kedalaman penyiasatan dan sama ada ia dilakukan dengan betul. Apabila temu bual tidak sempurna disebabkan tiadanya penyiasatan, penyelia seharusnya terus melatih penemubual.

9.1.3 Penyuntingan Dalaman

Walaupun penyuntingan lapangan amat digalakkan, dalam banyak keadaan (terutamanya dengan soal selidik pos), penyemakan data pada peringkat awal tidak dapat dilakukan. Penyuntingan dalaman menyiasat secara terperinci keputusan pengumpulan data. Jabatan penyelidikan biasanya mempunyai staf pengurusan berpusat bagi melakukan kerja penyuntingan dan pengekodan. Rajah 9.1 meringkaskan peraturan yang perlu dipatuhi ketika penyuntingan.


147

Rajah 9.1: Antara peraturan penyuntingan

9.1.4 Data Hilang

Data hilang boleh memberi kesan kepada kesahan dapatan pengkaji. Oleh itu, ia mesti dikenal pasti agar masalah dapat diatasi. Data hilang biasanya terjadi disebabkan pengumpulan data atau masalah semasa memasukkan data. Pengkaji mesti menilai sejauh mana masalah data hilang dan sama ada ia bersistematik atau rawak. Sekiranya masalah dalam skop yang kecil, penyelesaian biasa ialah dengan membuang responden atau soalan yang mempunyai data hilang. Apabila data hilang lebih banyak, pengkaji perlu mengambil tindakan berbeza dengan membuang responden yang mempunyai data hilang. Saiz sampel akan menjadi sangat kecil bagi memberikan dapatan yang bermakna. Beberapa pendekatan yang boleh di ambil untuk menyelesaikan data hilang: (a) Kenal pasti responden dan pemboleh ubah yang mempunyai data hilang

yang banyak. Buang responden dan/atau pemboleh ubah ini.

(b) Anggar data hilang dan tukarkannya dengan min. Teknik ini hanya sesuai untuk pemboleh ubah yang mempunyai ukuran metrik. Apabila pemboleh ubah tidak metrik mempunyai data hilang, responden/soalan mesti dibuang daripada analisa.


148

(c) Berikan item yang tiada datanya, nilai min bagi kesemua respons yang diberikan untuk item tersebut.

(d) Beri item min respons bagi responden tertentu untuk soalan-soalan lain yang mengukur pemboleh ubah tersebut.

(e) Berikan respons yang hilang nombor rawak dalam julat skala tersebut.

(f) Berikan respons yang hilang penengah bagi item berskala selang.

PENGEKODAN

Sekiranya pengimbas soal selidik digunakan, respons dimasukkan ke dalam komputer adalah secara terus tanpa perlu menaip secara manual. Sekiranya ini tidak dapat dilakukan, adalah lebih baik menggunakan helaian pengekodan dahulu untuk mentranskripsikan data dan kemudian memasukkannya ke dalam komputer. Kaedah ini, berbeza dengan menyelak setiap helaian soal selidik bagi setiap item, dan mengelakkan kekeliruan apabila terdapat banyak soalan dan soal selidik yang terlibat. Respons boleh dikodkan sama ada sebelum atau selepas data dikumpulkan. Adalah lebih baik melakukannya terlebih dahulu. Pengekodan bermaksud memberi nombor kepada respons tertentu. Sebagai contoh, bagi skala lima titik, Setuju-Tidak Setuju, keputusan mesti dibuat sama ada SSangat Bersetuju perlu dikodkan sebagai 1 atau 5. Kebanyakan penyelidik akan memberikan nombor yang paling besar kepada SSangat Bersetuju dan nombor yang paling kecil untuk Sangat Tidak Setuju dengan respons di antaranya nombor 2, 3 dan 4. Dalam situasi di mana pengkaji mempunyai dua kategori seperti jantina, kebanyakan pengkaji memberi 1 = lelaki dan 2 = perempuan. Dalam kes begini, dicadangkan agar kod 1 diberi pada satu kategori dan 0 kepada kategori yang lain. Ini dapat memberikan analisa data yang lebih fleksibel dan dikenali juga sebagai pengekodan pemboleh ubah dami (dummy). Apabila temu bual dilengkapkan menggunakan bantuan komputer, respons dimasukkan secara terus ke dalam pangkalan data. Apabila soal selidik yang diisi sendiri digunakan, adalah lebih baik menggunakan pengimbas kerana respons boleh dimasukkan secara terus ke dalam pangkalan data. Dalam keadaan lain, data mentah boleh dimasukkan secara manual ke dalam perisian popular seperti SPSS yang mempunyai Data Editor yang menyerupai helaian lejar bagi memasukkan data, menyunting dan memaparkan isi kandungan pangkalan data. Data hilang biasanya diwakili oleh satu titik di dalam sel (.) dan ia perlu dikodkan dengan cara tertentu seperti yang dibincangkan sebelum ini.

9.2


149

Kesilapan manusia boleh terjadi semasa melengkapkan soal selidik, pengekodan atau semasa memasukkan data. Oleh itu, paling kurang 10 peratus soal selidik yang dikodkan, dan juga pangkalan data perlu disemak dari segi pengekodan dan kemasukan data. Soal selidik yang perlu disemak dipilih menggunakan proses pensampelan rawak yang bersistematik. Pengekodan dalam penyelidikan kualitatif adalah berbeza dari penyelidikan kuantitatif. Dapatan kajian dalam bentuk data mentah perlu diklasifikasikan dan ditransformasikan ke dalam kategori atau pemboleh ubah. Data mentah dalam penyelidikan kualitatif amat sukar ditukarkan ke dalam bentuk berangka. Oleh itu, pengkaji tidak boleh memberikan nombor kepada data. Konsep sistem pengekodan secara terbuka, menegak dan terpilih boleh digunakan untuk mengendalikan data kualitatif, pentafsiran dan pembangunan teori. Dalam penyelidikan kualitatif, pengkaji biasanya mempunyai data yang amat banyak pada akhirnya. Ini menyebabkan data dikodkan bagi mengelakkan data terlebih bebanan (overload) dan membolehkan analisa data yang seterusnya dibuat bagi pembangunan teori. Sistem pengekodan terbuka digunakan untuk mengenal pasti kategori yang didapati dari konsep-konsep yang dihasilkan oleh kajian. Dalam sistem pengekodan ini, dimensi dan sifat konsep dikenal pasti dari data mentah bagi mengumpulkan konsep tertentu dalam kategori tertentu. Kategori-kategori ini mencerminkan konsep yang lebih abstrak atau lebih tinggi. Pengekodan menegak digunakan untuk mengaitkan kategori dengan sub kategori. Dalam kata lain, pengekodan menegak digunakan bagi mengaitkan konsep pada peringkat dimensi dan sifat bagi memberi penjelasan yang lengkap dan tepat. Sistem pengekodan terpilih digunakan sebagai asas bagi pembangunan teori. Dalam sistem pengekodan ini, kategori disusun dan diatur bagi mengaitkan mereka pada konsep tunjang. Konsep tunjang akan membentuk kerangka atau model baru yang dapat menjelaskan fenomena yang dikaji. Kerangka dan model yang dibangunkan dari kategori dan sub kategori adalah pencapaian penting dalam pembangunan teori, kerana ia membantu proses pengumpulan data yang seterusnya bagi menguji kerangka atau model tersebut.

Jelaskan dengan ringkas kegunaan pengekodan dan bila ia digunakan.

AKTIVITI 9.2


150

MEMASUKKAN DATA

Kemasukan data bermaksud menukar maklumat yang dikumpulkan melalui kaedah primer atau sekunder ke dalam medium yang lebih sesuai bagi paparan dan manipulasi. Kemasukan menggunakan papan kekunci masih menjadi cara utama di kalangan pengkaji untuk mewujudkan fail data dan menyimpannya menggunakan ruang yang minima dalam pelbagai jenis media. Instrumen pengimbas optik, alternatif lain bagi perkhidmatan pengujian dapat meningkatkan kecekapan. Responden menghitamkan bulatan kecil atau membujur, dan garis selari bagi memilih jawapan. Pengimbas optik memproses soal selidik yang mempunyai respons yang dihitamkan ke dalam fail. Teknologi ini sering digunakan oleh pereka soal selidik bagi pengumpulan data. Ia mengurangkan jumlah data yang dikendalikan dan jumlah kesilapan yang mungkin terjadi. Kos teknologi yang kompetitif membolehkan kebanyakan pengkaji mendapat akses komputer meja dan riba atau terminal yang berhubung dengan komputer yang lebih besar. Teknologi ini membolehkan telefon dengan bantuan komputer dan temu bual perorangan dimasukkan secara terus untuk diproses. Ini dapat mengurangkan langkah-langkah pemprosesan di antaranya dan kesilapan. Peningkatan penggunaan panggilan rawak berkomputer telah menggalakkan inovasi pengumpulan data. Sistem pengenalan suara dan respons, walaupun masih baru, menyediakan alternatif yang menarik bagi penemubual telefon. Sistem berikut boleh digunakan dengan perisian yang diprogramkan bagi memanggil tiga-digit pertama dan menghasilkan empat-digit nombor secara rawak bagi menghubungi sampel di dalam kawasan tertentu. Apabila mendapat respons suara, komputer terus memberi soalan-soalan dalam soal selidik. Pada masa ini, sistem diprogramkan untuk merekodkan jawapan lisan tetapi sistem pengenalan suara telah banyak diperbaiki dan tidak lama lagi sistem ini boleh menukar respons lisan kepada fail data. Penemubual lapangan boleh menggunakan komputer mudah alih atau buku nota elektronik selain daripada papan keratan dan pensel. Dengan modem dan rangkaian bersel komunikasi, fail boleh dihantar terus kepada komputer lain di lapangan atau tempat-tempat lain. Ini membantu penyelia untuk memeriksa data secara terus dan meringkaskan pemprosesan data di pusat. Pembaca kod bar digunakan dalam beberapa aplikasi � pada terminal pembelian, pengawalan inventori, pengesanan produk dan jenama, dan lokasi kereta sewa yang sibuk untuk membantu pemulangan kereta dan mengeluarkan invois. Teknologi ini

9.3


151

memudahkan peranan penemubual sebagai pengekod data. Daripada menulis (atau menaip) maklumat berkenaan responden dan jawapan mereka, penemubual boleh mengimbas jawapan menggunakan kod bar yang tertentu. Data direkodkan dalam unit yang kecil dan ringan bagi pentafsiran kemudiannya. Walaupun masa antara pengumpulan dan analisa data telah dikurangkan menggunakan teknik-teknik di atas, inovasi dalam teknologi multimedia sedang dibangunkan oleh bisnes komputer persendirian. Keupayaan untuk mengintegrasikan imej visual, audio dan data mungkin akan menggantikan peralatan video bagi merekodkan eksperimen, temu bual dan kumpulan fokus. Salinan respons dapat diekstrak untuk analisa data tetapi audio dan imej visual tetap tidak berubah sehingga penilaian seterusnya.

TRANSFORMASI DATA

Proses menukar data dari format asal kepada format baru dipanggil transformasi data. Proses ini biasanya dibuat supaya data boleh difahami dengan mudah bagi memenuhi objektif kajian. Sebagai contoh, apabila data diukur dengan skala, penyataan yang diberi boleh menjadi penyataan negatif dan positif. Dalam kes berikut, pengkaji perlu menukar kod soalan negatif kepada positif agar skala yang dijumlahkan boleh mentafsir dapatan. Sekiranya skala 5 digunakan, ia akan ditukar kepada 1 dan 4 kepada 2, dan 3 tidak perlu ditukar. Transformasi data biasanya dibuat untuk mengurangkan bias. Contohnya umur responden. Bagi mengurangkan respons yang bias, responden diminta memberi tahun kelahiran mereka. Pengkaji seterusnya hanya perlu membuat transformasi tahun kelahiran kepada umur sebenar responden. Transformasi data diperlukan apabila pengkaji ingin mewujudkan pemboleh ubah yang baru dengan mengklasifikasikan semula data mengikut transformasi yang logik. Dalam kebanyakan kes, skala Likert dijumlahkan menjadi skala rating (summated rating). Biasanya pemboleh ubah yang telah ditransformasikan melibatkan

9.4

Dewasa ini, orang ramai tertarik dengan iklan pembekal perkhidmatan SMS, sama ada bagi perkhidmatan nada dering atau pertandingan. Stesen televisyen juga menggunakan perkhidmatan ini untuk mendapatkan maklumat tinjauan bagi soalan-soalan tertentu. Mengapakah fenomena ini mendapat penerimaan meluas dari orang ramai walaupun ia mahal?

AKTIVITI 9.3


152

penjumlahan dua skor (data mentah) bagi beberapa kenyataan sikap kepada satu skor yang dijumlahkan. Pengkaji boleh mengira purata skor yang dijumlahkan dengan membahagi jumlah keseluruhan skor dengan jumlah pemboleh ubah. Sebagai contoh, sekiranya terdapat tiga pernyataan berskala 5, jumlah keseluruhan jumlah ialah 4 + 4 + 5 = 13. Menggunakan purata skor yang dijumlahkan, ia menjadi 4 + 4 + 5 / 3 = 4.3.

ANALISA DATA

Tujuan analisa data boleh dilihat dari tiga aspek; untuk memahami data, untuk menguji kebaikan data dan untuk menguji hipotesis yang dibina untuk penyelidikan. Data boleh difahami dengan memeriksa min, julat, sisihan piawai dan varians data. Statistik ini akan memberi gambaran bagaimana reaksi responden kepada setiap item dalam soal selidik dan sejauh mana item dan pengukuran berkesan. Katakan seorang pengkaji menyedari item dalam set data tidak mempunyai serakan yang baik (julat) dan kurang kepelbagaian. Pengkaji kemudiannya boleh mengagak bahawa soalan tersebut tidak begitu difahami oleh responden disebabkan oleh perkataan yang tidak sesuai atau responden tidak begitu faham tujuan soalan tersebut. Sekiranya responden memberikan jawapan yang sama bagi semua item, pengkaji mungkin perlu menyemak bias (contohnya, sekiranya responden hanya menjawab pada skala yang sama). Objektif analisa deskriptif ialah untuk menggambarkan profil individu, peristiwa atau situasi yang tepat. Analisa boleh menjadi tambahan atau permulaan bagi penyelidikan eksplorasi. Jadual 9.1 meringkaskan persembahan data mengikut jenis data.

9.5

1. Mengapakah kita perlu membuat transformasi data asal?

2. Apakah langkah yang perlu diambil untuk mengurangkan dan mengelakkan bias semasa peringkat analisa data?

SEMAK KENDIRI 9.1


153

Jadual 9.1: Persembahan Data Mengikut Jenis Data

Kegunaan Data Berkategori Kuantitatif

Deskriptif Urutan Selanjar Diskret

Menunjukkan satu pemboleh ubah agar sebarang nilai spesifik dapat dibaca dengan mudah.

Jadual/Taburan kekerapan (data dalam kumpulan)

Menunjukkan kekerapan kategori/nilai bagi satu pemboleh ubah agar nilai tertinggi dan terendah jelas dilihat.

Carta Bar (data mungkin perlu

kumpulan)

Histogram/ Poligon

kekerapan (data mesti dalam kumpulan

Carta Bar/ Piktogram (data mungkin perlu

kumpulan)

Menunjukkan trend sesuatu pemboleh ubah.

Graf Garisan/ Carta Bar

Graf Garisan/ Histogram

Graf Garisan = Graf/Carta Bar

Menunjukkan perkadaran kategori/nilai bagi satu pemboleh ubah.

Carta Pai/ Carta Bar (data

mungkin memerlukan kumpulan)

Histogram/Carta Pai (data

memerlukan kumpulan)

Carta Pai/Carta Bar (data mungkin


Menunjukkan taburan nilai-nilai bagi satu pemboleh ubah.

Poligon kekerapan,

Histogram (data memerlukan

kumpulan atau plot kotak)

Poligon kekerapan/

Carta Bar (data mungkin


Menunjukkan kesalingbergantungan antara dua/lebih pemboleh ubah agar sebarang nilai spesifik boleh dibaca dengan mudah.

Jadual kontingensi/penjadualan silang (data biasanya memerlukan kumpulan)

Membandingkan kekerapan kategori/nilai bagi dua/lebih pemboleh ubah agar nilai tertinggi dan terendah jelas dilihat.

Carta Bar Berganda (Data selanjar memerlukan kumpulan, data lain mungkin memerlukan kumpulan)

Membandingkan trend bagi dua/lebih pemboleh ubah agar perhubungan jelas.

Graf Garis Berganda/Carta Bar Berganda


154

Membandingkan perkadaran kategori/nilai bagi dua/lebih pemboleh ubah.

Carta Pai Bertingkat/Carta Bar dengan Komponen Peratusan (data selanjar memerlukan kumpulan, data lain mungkin memerlukan kumpulan)

Membandingkan taburan nilai bagi dua/lebih pemboleh ubah.

Plot Kotak Berganda

Membandingkan kekerapan kategori/nilai bagi dua/lebih pemboleh ubah akar jumlahnya jelas.

Carta Bar Majmuk (data selanjar memerlukan kumpulan, data lain mungkin memerlukan kumpulan)

Membandingkan perkadaran dan jumlah kategori/nilai bagi dua/lebih pemboleh ubah.

Carta Pai Berkadaran Berperingkat (data selanjar memerlukan kumpulan, data lain mungkin memerlukan kumpulan)

Menunjukkan hubungan antara kes-kes bagi dua pemboleh ubah.

Plot serakan/Graf serakan

Sumber: Diadaptasi dari Saunders, Lewis dan Thornhill (2003)

9.5.1 Statistik Deskriptif

Dalam bahagian pertama topik ini, kita telah berbincang bagaimana respons dikodkan dan dimasukkan. Apabila pengukuran nominal digunakan, setiap kategori diwakili oleh kod berangka tersendiri. Dengan data ordinal, kedudukan item dari tinggi ke rendah dimasukkan ke dalam sistem. Begitu juga dengan skor selang dan nisbah. Apabila data telah dimasukkan ke dalam jadual, ia mempunyai jajaran skor dari rendah ke tinggi. Ini akan membentuk taburan nilai dan juga menunjukkan kekerapan pemerhatian. Kebanyakan pemboleh ubah yang menarik minat mempunyai taburan yang menyerupai taburan normal. Taburan normal adalah piawai perbandingan bagi menggambarkan taburan data sampel dan digunakan sebagai andaian di dalam statistik inferens. Taburan digambarkan melalui kedudukan, serakan dan

Apakah faktor-faktor yang menentukan pilihan analisa data? Bandingkan jawapan anda dengan rakan sekelas.

AKTIVITI 9.4


155

bentuknya di mana definisi, aplikasi dan formulanya diletakkan di bawah statistik deskriptif. Walaupun definisi-definisi tersebut adalah biasa bagi kebanyakan pembaca, ulasannya dalam topik ini mengikut perspektif ciri-ciri taburan berikut: (a) Bentuk taburan ditunjukkan oleh kedudukan dan serakan data.

(b) Gambaran visual adalah lebih baik dari gambaran berangka bagi meneroka

bentuk taburan.

(c) Pemilihan ringkasan statistik tertentu bagi memerihalkan satu pemboleh ubah bergantung kepada kesesuaian statistik tersebut bagi bentuk taburannya.

Berikut adalah antara beberapa cara bagaimana respons dikodkan dan dimasukkan: (a) Ukuran Kedudukan Ukuran biasa kedudukan atau kerap dipanggil kecenderungan memusat

atau penengah merangkumi min, median dan mod. (b) Min Min adalah purata aritmetik. Ia merupakan jumlah keseluruhan nilai-nilai

dalam taburan yang dibahagi dengan jumlah pemerhatian. Ia adalah pengukuran kedudukan yang paling kerap digunakan bagi data selang-nisbah tetapi boleh mengelirukan apabila taburan mengandungi skor ekstrem, besar atau pun kecil.

Min populasi dinyatakan sebagai (�) dan ditakrifkan seperti berikut:

(c) Median Median ialah titik tengah taburan. Separuh dari pemerhatian di dalam

taburan akan berada di atas median dan separuh lagi akan berada di bawahnya. Apabila taburan mempunyai pemerhatian genap, median adalah purata dua skor di tengah-tengah. Median adalah sesuai untuk mengenal pasti kedudukan bagi data ordinal. Ia tidak terpengaruh dengan skor ekstrem, dan oleh itu, menjadikan ia pengukuran yang lebih disukai bagi data selang terutamanya yang mempunyai taburan yang tidak simetri.

Formula:

� � � x/N


156

(d) Mod Mod ialah nilai yang mempunyai kekerapan paling tinggi. Apabila

terdapat lebih dari satu skor yang mempunyai nilai tertinggi dan mempunyai kekerapan yang sama, taburan menjadi bimodal atau multi modal. Apabila setiap skor mempunyai jumlah pemerhatian yang sama, maka tiadalah mod. Mod ialah kedudukan bagi data yang normal dan titik rujukan seperti median dan min bagi meneliti serakan dan bentuk taburan.

(e) Ukuran Serakan Ukuran biasa bagi mengukur serakan adalah varians, sisihan piawai, julat,

julat inter kuartil, dan sisihan kuartil. Ia menjelaskan bagaimana skor berkelompok atau berserakan dalam taburan.

(f) Varians Varians adalah purata skor sisihan piawai yang dikuasai duakan dari min

taburan. Ia merupakan ukuran serakan skor dari min. Sekiranya semua skor ialah 0, varians ialah 0. Semakin besar serakan skor, semakin besar varians. Varians dan sisihan piawai digunakan bagi data selang-nisbah. Simbol bagi varians sampel ialah (s2) dan simbol bagi varians populasi ialah huruf Greek sigma kuasa dua (�2).

(g) Sisihan Piawai Sisihan piawai adalah varians punca kuasa dua. Ia ukuran biasa bagi

mengukur serakan. Tafsiran lebih mudah kerana ia menyingkirkan kuasa dua dan menunjukkan sisihan dalam unit sebenar. Seperti min, sisihan piawai boleh dipengaruhi oleh skor ekstrem. Simbol untuk sampel sisihan piawai ialah (s) dan sisihan piawai populasi ialah (�).

Formula:

Varians sampel,

� ��

�

22 (Xi Xj)

sn 1

Varians Populasi,

� ��

22 (Xi Xj)

N


157

(h) Julat Julat ialah perbezaan antara skor yang paling tinggi dan yang paling

rendah dalam taburan. Tidak seperti sisihan piawai, ia mengira hanya skor maksimum dan minimum. Oleh itu, ia merupakan ukuran serakan kasar. Apabila menggunakan julat sebagai rujukan, taburan homogen (sisihan piawai yang kecil) atau heterogen (sisihan piawai yang besar) dapat diagakkan. Bagi taburan yang homogen, nisbah julat kepada sisihan piawai mestilah di antara dua hingga enam. Nilai melebihi enam bermaksud tahap heterogen yang tinggi. Julat memberi maklumat berguna tetapi terhad bagi semua jenis data. Bagaimanapun ia ialah ukuran wajib bagi data ordinal.

(i) Julat antara Kuartil Julat antara kuartil ialah perbezaan antara kuartil pertama dan kedua

dalam taburan. Ia juga dipanggil serakan penengah. Data ordinal menggunakan ukuran ini bersama dengan median. Ia juga digunakan bagi data selang-nisbah sekiranya taburan tidak simetri atau untuk analisa eksplorasi.

Kuartil pertama (Q1) adalah persentil ke-25, atau dikenali sebagai Âlower

hingeÊ dalam plot kotak. Median atau Q2, adalah sebagai persentil ke-50. Kuartil ketiga (Q3) ialah persentil ke-75; atau dikenal sebagai Âupper hingeÊ. Julat antara kuartil ialah jarak antara lower hinge dan upper hinge.

(j) Julat Separa antara Kuartil Julat separa antara kuartil dinyatakan sebagai:

Julat separa antara kuartil sering digunakan bersama median bagi data ordinal. Ia juga membantu data selang-nisbah yang bersifat terpencong. Dalam taburan normal, sisihan kuartil (Q) di setiap bahagian mengandungi 50 peratus dari pemerhatian. Lapan kuartil (Qs) dianggar merangkumi julat. Hubungan Qs dengan sisihan piawai adalah malar (Q = 0.6745s) apabila skor bertaburan normal.

Formula:

Q = (Q1 � Q3)/2

Formula:

s Varians�


158

(k) Ukuran Bentuk Ukuran bentuk iaitu kepencongan dan kurtosis menerangkan sejauh mana

taburan tidak simetri dan lengkung mendatar (puncak). Ia berkait dengan statistik yang dikenali sebagai momen. Momen menggunakan skor sisihan piawai � � .iX X� Varians, sebagai contoh, ialah momen kuasa kedua.

(i) Ukuran bentuk menggunakan pengiraan kuasa ke tiga dan ke empat

sukar untuk ditafsirkan apabila terdapat skor ekstrem dalam taburan.

(ii) Kepencongan adalah ukuran sejauh mana taburan tidak simetri. Dalam taburan yang simetri, min, median dan mod adalah pada kedudukan yang sama. Taburan yang mempunyai kes-kes yang tertumpu ke salah satu arah dipanggil pencongan.

(iii) Kurtosis ialah ukuran sejauh mana kedataran lengkung taburan. Taburan yang mempunyai skor terhimpun di tengah-tengah (bersama dengan lebih banyak pemerhatian di hujung yang ekstrem) adalah leptokurtik. Taburan yang rata dengan skor yang lebih kurang sama dan hujung yang lebih rata daripada taburan normal dipanggil platikurtosis. Taburan mesokurtik tidak terlalu tajam puncaknya dan tidak juga terlalu rata. Simbol bagi kurtosis ialah (ku).

APA ITU HIPOTESIS?

Dalam statistik, hipotesis ialah anggapan atau andaian yang belum dibuktikan yang menjelaskan secara tentatif fakta atau fenomena tertentu. Hipotesis boleh menjadi andaian tentang sifat sesuatu situasi. Teknik statistik membolehkan kita menentukan sama ada hipotesis yang dicadangkan boleh disahkan oleh bukti empirikal. Hipotesis dibangunkan sebelum pengumpulan data, dan menjadi sebahagian dari perancangan penyelidikan. Hipotesis membolehkan pengkaji menjelaskan dan menguji fakta atau fenomena. Berikut adalah langkah-langkah umum dalam pengujian hipotesis: (a) Buat andaian permulaan;

(b) Tulis hipotesis nul dan alternatif;

(c) Tentukan tahap signifikan/tahap keertian;

9.6


159

(d) Kumpul bukti dan jalankan analisa statistik; dan

(e) Berdasarkan bukti yang ada, buat keputusan sama ada andaian awal boleh diterima dan tulis rumusan.

9.6.1 Hipotesis Nul dan Alternatif

Hipotesis nul menyatakan tiada perubahan atau perbezaan pada min kumpulan. Ia berdasarkan tanggapan bahawa sebarang perubahan sebelum ini disebabkan ralat rawak. Nilai populasi tidak berubah dari satu masa ke satu masa yang lain atau statistik sampel tidak berubah secara signifikan dari andaian parameter populasi. Berikut ialah contoh hipotesis nul.

Hipotesis alternatif (atau kadangkala dipanggil hipotesis kajian) adalah hipotesis yang bertentangan dengan hipotesis nul. Ia biasanya ditulis sebagai Ha. Hipotesis alternatif akan menunjukkan arah perbezaan, hubungan atau kedudukan neutral. Sekiranya arah ditekankan dalam hipotesis alternatif, kita memanggilnya sebagai ujian satu hujung. Sebaiknya, ujian menjadi dua hujung. Berikut ialah contoh hipotesis alternatif.

Satu Sampel Skor min keutamaan jenama di kalangan guru lelaki berumur 35 hingga 40 tahun tidak bersamaan dengan 85. Dua Sampel Terdapat perbezaan di antara skor min keutamaan jenama di antara guru lelaki dan perempuan berumur di antara 35 hingga 40 tahun.

Satu Sampel Min keutamaan jenama skor di kalangan guru lelaki berumur 35 tahun hingga 40 tahun ialah 85. Dua Sampel Tidak terdapat perbezaan antara skor min keutamaan jenama antara guru lelaki dan perempuan yang berumur 35 tahun hingga 40 tahun.


160

9.6.2 Hipotesis Berarah dan Hipotesis Tidak Berarah

Hipotesis boleh dinyatakan secara berarah atau tidak berarah. Sekiranya anda menggunakan istilah seperti lebih daripada, kurang daripada, positif atau negatif dalam menyatakan hubungan di antara dua kumpulan atau dua pemboleh ubah, hipotesis menjadi hhipotesis berarah. Contoh hipotesis berarah ialah „Lebih tinggi tekanan dialami di tempat kerja, semakin cenderung pekerja mencari kerja di tempat lain‰. Cara lain untuk menyatakan hipotesis berarah ialah penggunaan pendekatan ÂJika-MakaÊ: ÂJika pekerja diberi lebih latihan, maka mereka akan mengalami kurang kemalanganÊ.

Hipotesis tidak berarah menyatakan perbezaan atau hubungan tetapi tidak menyatakan arah perbezaan atau hubungan. Kita mungkin menyatakan terdapat hubungan signifikan di antara dua kumpulan atau pemboleh ubah tetapi kita tidak mengetahui sama ada hubungan itu positif atau negatif. Contoh hipotesis tidak berarah adalah „Terdapat hubungan antara tekanan yang dialami di tempat kerja dan kebarangkalian pekerja mencari kerja lain‰. Contoh lain adalah „Terdapat hubungan antara komitmen kerja dan kecenderungan mencari kerja lain‰.

9.6.3 Statistik Sampel dan Statistik Populasi

Statistik inferens membantu kita membuat penilaian tentang populasi daripada sampel. Statistik sampel ialah ringkasan nilai sampel dan dikira menggunakan semua pemerhatian di dalam sampel. Parameter populasi ialah ringkasan nilai populasi tetapi ia jarang diketahui. Ini adalah sebab utama mengapa statistik sampel digunakan untuk membuat inferens pada parameter populasi.

Hipotesis nul merujuk kepada parameter dan bukannya statistik sampel. Berdasarkan data sampel, pengkaji boleh menolak hipotesis nul atau menerima hipotesis alternatif. Iaitu sama ada terdapat perbezaan bermakna atau tidak antara kumpulan.

Dalam kes di atas, pengkaji tidak menemui sebarang perbezaan signifikan antara kumpulan. Adalah penting untuk faham walaupun hipotesis nul tidak ditolak, ia tidak semestinya diterima sebagai benar. Hipotesis nul dibina agar penolakannya akan membawa kepada penerimaan keadaan yang dikehendaki. Hipotesis alternatif mewakili apa yang kita anggap sebagai benar.

Dalam terminologi statistik, hipotesis nul ditandakan sebagai H0 dan hipotesis alternatif ditandakan sebagai Ha. Sekiranya hipotesis nul (Ho) ditolak, maka hipotesis alternatif (Ha) akan diterima. Hipotesis alternatif adalah hipotesis yang ingin anda buktikan.


161

9.6.4 Ralat Jenis I dan Jenis II

Kita sentiasa perlu mengandaikan bahawa risiko kesilapan inferens iaitu dapatan pengkaji berkenaan populasi adalah silap sentiasa ada. Oleh itu, ralat tidak boleh benar-benar dielakkan dan ujian statistik yang dilakukan untuk menolak atau menerima hipotesis nul mungkin juga silap. Oleh itu, pengkaji perlu peka pada dua jenis ralat yang berkaitan dengan pengujian hipotesis iaitu Ralat Jenis I dan Ralat Jenis II.

(a) Ralat Jenis I Ralat Jenis I dipanggil sebagai alfa ( ). Ia berlaku apabila keputusan dari

dapatan sampel membawa kepada penolakan hipotesis nul walaupun ia sebenarnya benar. Kebarangkalian ralat jenis ini, � dirujuk sebagai tahap keertian, ialah jumlah risiko ketepatan ujian yang boleh diterima oleh pengkaji. Oleh itu, tahap keertian ialah kebarangkalian membuat kesilapan apabila menolak hipotesis nul.

Bergantung kepada objektif kajian dan situasi, pengkaji biasanya menetapkan tahap keertian yang boleh diterima pada <0.05 atau <0.01. Pengkaji bersedia menerima risiko yang kecil sekiranya mereka tersilap menolak hipotesis nul. Tahap risiko ditentukan sebelum kajian dilakukan. Sekiranya kajian melibatkan pengujian hubungan di mana risiko untuk membuat kesilapan adalah tinggi, pengkaji boleh menetapkan tahap keertian yang lebih tinggi iaitu <0.01.

Apabila memeriksa hubungan di antara dua jenis bahan kimia yang mungkin meletup atau kadar kegagalan peralatan yang mahal, pengkaji mungkin tidak boleh mengambil risiko yang besar. Dalam keadaan yang lain pula, apabila memeriksa hubungan tingkah laku atau apabila risiko tidak begitu tinggi kosnya, pengkaji mungkin boleh menerima risiko yang besar. Oleh itu, dalam situasi tertentu, pengkaji mungkin boleh menerima tahap keertian 0.10.

(b) Ralat Jenis II Jenis kedua ralat dirujuk sebagai Ralat Jenis II. Ia berlaku apabila,

berdasarkan keputusan sampel, hipotesis tidak boleh ditolak apabila ia sebenarnya adalah betul. Ralat Jenis II pada umumnya dikenali sebagai ralat beta (). Kebiasaannya, pengkaji menetapkan ralat beta awal-awal lagi

Jelaskan perbezaan antara statistik sampel dan parameter populasi.

SEMAK KENDIRI 9.2


162

tetapi ralat beta adalah berdasarkan parameter populasi (min atau kadar) dan/ atau saiz sampel.

Konsep ketiga yang penting dalam pengujian hipotesis bagi keertian statistik ialah kuasa statistik ujian. Kuasa sesuatu ujian ialah kebolehannya untuk menolak hipotesis nul apabila ia sebenarnya salah. Kuasa statistik boleh dijelaskan sebagai 1 � , kebarangkalian menolak hipotesis nul dengan betul. Kebarangkalian ralat Jenis II tidak diketahui tetapi ia berkaitan dengan kebarangkalian ralat Jenis I.

Ralat Jenis I yang amat rendah akan menyebabkan ralat Jenis II yang tinggi (). Oleh itu, perlu ada tolak ansur di antara dua jenis ralat ini. Saiz sampel boleh mengawal kedua-dua jenis ralat. Umumnya, pengkaji akan memilih saiz sampel bagi meningkatkan kuasa ujian dan mengurangkan ralat Jenis I dan Jenis II.

Tolak ansur antara ralat Jenis I dan Jenis II mempunyai dimensi praktikal yang ditentukan oleh kos bagi setiap ralat. Kebiasaannya, perubahan pada status quo akan dikaitkan dengan kos yang tinggi (risiko atau memperjudikan masa depan organisasi dengan teknologi baru, pelaburan baru dalam peralatan dll.). Oleh sebab perubahan mestilah menguntungkan, risiko yang melibatkan alfa mestilah rendah. Walaupun begitu, jika perubahan pada min yang dijangkakan adalah penting, risiko beta () akan menjadi lebih penting. Oleh itu, nilai alfa yang kurang kritikal perlu dipilih.

9.6.5 Langkah-langkah dalam Pengujian Hipotesis

Berikut adalah langkah-langkah dalam pengujian hipotesis:

(a) Nyatakan hipotesis nul dan alternatif.

(b) Buat penilaian terhadap pensampelan taburan populasi dan pilih ujian statistik yang sesuai berdasarkan sama ada andaian data adalah parametrik atau bukan parametrik.

(c) Tentukan tahap keertian yang diingini (p = 0.05, 0.01 atau lain-lain).

(d) Kumpul data dari sampel dan hitung ujian statistik bagi menentukan sama ada tahap keertian dicapai.

(e) Terima atau tolak hipotesis. Tentukan sama ada perbezaan antara nilai sampel dari nilai yang dijangka, terjadi secara kebetulan sahaja (lima kali daripada seratus).


163

STATISTIK INFERENS

Data yang dikumpulkan dari soal selidik atau instrumen yang lain dalam penyelidikan kuantitatif mesti dianalisis dan ditafsirkan. Umumnya, prosedur statistik menggunakan pendekatan kuantitatif. Dalam bahagian ini, kita akan membincangkan pendekatan statistik yang sering digunakan serta menekankan kefahaman konseptual berkenaan analisa data kuantitatif. Rajah 9.2 meringkaskan komponen statistik yang kita akan bincangkan dalam bahagian ini.

Rajah 9.2: Rumusan komponen statistik dalam analisa kuantitatif

9.7


164

Sekarang, mari kita bincang komponen-komponen tersebut satu persatu. (a) Min Min juga dikenali sebagai purata. Min ialah jumlah kesemua skor

dibahagikan dengan bilangan skor. Min digunakan untuk mengukur kecenderungan memusat atau kedudukan tengah skor secara am. Sebagai contoh, min bagi set nombor 3, 4, 5, 7 dan 6 ialah 5. Rajah 9.3 menunjukkan contoh min bagi taburan skor.

Rajah 9.3: Min bagi taburan skor

(b) Sisihan Piawai Sisihan piawai memberi maklumat tentang jarak skor dan min. Seperti di dalam Rajah 9.3, apabila skor berkumpul berhampiran min,

sisihan piawai akan menjadi kecil dan lengkok loceng akan menjadi curam. Apabila skor jauh dari min, sisihan piawai menjadi besar dan lengkok loceng menjadi semakin rata.


165

Rajah 9.4: Contoh sisihan piawai

Bagi memahami sisihan piawai dengan lebih baik, rujuk kepada Rajah 9.4. Min ialah 20 dan sisihan piawai ialah 5. Rajah 9.4 menunjukkan skor yang didapati pada grid ujian terminal dua organisasi menggunakan pengkomputeran kelompok dengan min yang sama iaitu 20.

(i) Satu sisihan piawai (SD = 5) dari min pada mana-mana arah di paksi

melintang merangkumi sebanyak 68% data dalam kumpulan ini. Dalam istilah lain, 68% terminal diperoleh di antara 15 hingga 25 masa optimum.

(ii) Dua sisihan piawai (5 + 5 = 10) dari min adalah lebih kurang 95% terminal. Maksudnya, 95% terminal diperoleh di antara 10 dan 30 masa optimum.

(iii) Tiga sisihan piawai (5 + 5 + 5 = 15) daripada min merangkumi sebanyak 99% terminal. Maksudnya, 99% terminal diambil di antara 5 dan 35 masa optimum.

9.7.1 Pengujian Perbezaan Signifikan antara Dua Min Menggunakan Ujian T (Sampel Tidak Bersandar)

Katakan anda menjalankan kajian untuk membandingkan keberkesanan penggunaan Âprotokol pemulihan perkhidmatanÊ (pemboleh ubah bebas) bagi meningkatkan pengesanan aplikasi rangkaian di rumah. Skor min dan sisihan piawai bagi ujian aplikasi ditunjukkan di dalam Jadual 9.2 dan anda perlu menguji hipotesis nul.


166

Ho = Tidak terdapat perbezaan yang signifikan antara kumpulan rawatan dan kumpulan kawalan dari aspek peningkatan pengesanan aplikasi rangkaian. Bagi menyelesaikannya, anda boleh menggunakan pendekatan statistik dipanggil ujian t sampel tidak bersandar. Sampel tidak bersandar bermaksud dua kumpulan tersebut mempunyai subjek yang berbeza. Ujian t memberi kebarangkalian perbezaan antara dua min disebabkan kebetulan. Bagi menguji keertian, anda perlu menetapkan tahap risiko atau nilai alfa. Dalam penyelidikan sains sosial, nilai alfa ditetapkan pada 0.05. Ini bermaksud keputusan yang didapati ialah signifikan pada tahap 0.05, iaitu kesilapan berpunca dari kebetulan hanya boleh terjadi lima kali dari 100 kali. Jadual 9.2: Min dan Sisihan Piawai Bagi Kumpulan Eksperimen dan Kumpulan Kawalan

NN Min Sisihan Piawai

Kumpulan Eksperimen 10 13.8 2.10

Kumpulan Kawalan 10 11.4 1.96

nilai t = 2.65; darjah kebebasan = 8; p< 0.02

(a) Jadual 9.2 menunjukkan nilai t yang diperoleh iaitu 2.65. Sekiranya anda

menggunakan perisian statistik seperti SPSS atau SAS, nilai kebarangkalian akan diberi (contoh, p < 0.02). Kita juga boleh merujuk kepada jadual nilai kritikal untuk mengetahui sama ada nilai t adalah cukup besar bagi membuat kesimpulan bahawa perbezaan antara kumpulan bukanlah secara kebetulan.

(b) Kita juga boleh menentukan darjah kebebasan (df) bagi ujian iaitu jumlah kesemua terminal dalam kedua-dua kumpulan ditolak dengan 2 (contoh, n-2). Dengan nilai alfa, df dan nilai t diberikan, kita boleh merujuk ke jadual nilai kritikal.

(c) Berdasarkan Jadual 9.3, nilai t yang diperoleh (2.65) adalah lebih besar daripada nilai kritikal (2.1009) bagi 18 darjah kebebasan. Dari sini, kita boleh membuat rumusan bahawa terdapat perbezaan yang signifikan antara min dua organisasi pada nilai keertian 0.05.


167

Jadual 9.3: Petikan dari Jadual Nilai Kritikal

df p =0.05 p = 0.01

17 2.1098 2.8982

18 2.1009 2.8784

19 2.1009 2.8609

(d) Perbezaan ialah TTidak Signifikan pada 0.01 kerana nilai t (2.65) adalah lebih

kecil daripada nilai kritikal (2.8784) bagi 18 darjah kebebasan.

9.7.2 Menguji Perbezaan Signifikan antara Dua Min Menggunakan Ujian T (Sampel Berpasangan)

Andaikan bahawa anda ingin melaksanakan kajian membandingkan keberkesanan penggunaan Âprotokol pemulihan perkhidmatanÊ (pemboleh ubah bebas) dalam meningkatkan aplikasi rangkaian (pemboleh ubah bersandar) bagi Satu rangkaian sahaja (IEEE 802.11). Anda memberi pra ujian dan selepas menguji protokol dengan IEEE 802.11, anda berikan pula ujian pasca. Di sini, kumpulan yang sama diuji dua kali. Skor min dan sisihan piawai yang diperoleh untuk mengesan rangkaian ditunjukkan dalam Jadual 9.4. Anda ingin menguji hipotesis nul. Ho = Tiada perbezaan signifikan antara min pra ujian dan min pasca ujian dari segi peningkatan pengesanan aplikasi rangkaian.

Jadual 9.4: Min dan Sisihan Piawai bagi Pra Ujian dan Ujian Pasca

MMin Sisihan Piawai

Pra Ujian 9.90 1.66

Ujian Pasca 10.90 0.99

N= 10; nilai t = 1.94; Darjah kebebasan= 9; p < 0.09

(a) Dengan menggunakan ujian t bagi sampel berpasangan, nilai 1.94

diperoleh. Dalam kes ini, min kedua-dua ujian di dapati dari kumpulan yang sama.


168

(b) Menurut Jadual 9.5, bagi nilai 9 bagi darjah kebebasan, nilai kritikal ialah 2.2622, iaitu lebih besar daripada nilai t = 1.94. Kita boleh rumuskan bahawa perbezaan min TTidak SSignifikan pada tahap keertian 0.05.

Jadual 9.5: Petikan daripada Jadual Nilai Kritikal

df P = 0.05 p = 0.01

8 2.3060 3.3554

9 2.2622 3.2498

10 2.2281 3.1693

9.7.3 Menguji Perbezaan Menggunakan Analisa Varians Satu Arah (ANOVA)

ANOVA mempunyai mekanisme yang sama dengan ujian t tetapi menggunakan kaedah yang berbeza. Apabila pengkaji ingin membandingkan lebih dari dua min, AAnalisa Varians Satu Arah atau lebih dikenali sebagai ANOVA sering digunakan. Sebagai contoh, anda ingin melakukan eksperimen terhadap tiga jenis kaedah pengimbalan bagi pengaliran video menggunakan peranti mudah alih. Min dan sisihan piawai ditunjukkan dalam Jadual 9.6.

Jadual 9.6: Min dan Sisihan Piawai bagi Tiga Jenis Kaedah Pengimbalan

NN Min Sisihan Piawai

Kaedah Penimbal 1 10 14.6 1.83



Jadual 9.7: Ringkasan Analisa Kaedah Pengimbalan

Rumusan Jumlah Kuasa Dua df Min Kuasa Dua F P

Rawatan 61.066 2 30.533 7.1811 0.003

Antara sampel

114.800 27 -

Jumlah 175.866 29


169

Dalam contoh ini, pengkaji menggunakan ANOVA sehala dan mendapat nilai F 7.1811 yang signifikan pada 0.003 (rujuk Jadual 9.7). Oleh itu, hipotesis nul bahawa tiada perbezaan ditolak. Walau bagaimanapun, mana satu kaedah yang menyebabkan perbezaan tersebut tidak diketahui. Bagi mengatasi masalah ini, terdapat satu lagi pendekatan statistik yang perlu dipertimbangkan. Pengkaji boleh menggunakan perbandingan pos hoc seperti Ujian Scheffe dan Tukey. Ujian-ujian ini biasanya digunakan selepas analisa varians.

Jadual 9.8: Analisa Ujian Tukey

Kaedah Penimbal 1 lwn Kaedah Penimbal 1 Tidak signifikan

Kaedah Penimbal 1 lwn Kaedah Penimbal 3 Signifikan pada p < .01

Kaedah Penimbal 2 lwn Kaedah Penimbal 3 Signifikan pada p < .05

Daripada Jadual 9.8, kita dapat rumuskan bahawa tiada perbezaan signifikan antara prestasi menggunakan kaedah Buffer 1 dan Buffer 2. Kaedah Buffer 3 mempunyai prestasi yang lebih baik dan signifikan pada aras 0.05. Kaedah Buffer 3 juga mengatasi kaedah Buffer 1 pada aras 0.01 tahap keertian.

9.7.4 Pekali Korelasi

Bagi mencari hubungan atau korelasi antara dua pemboleh ubah, pendekatan yang digunakan adalah pekali korelasi. Contohnya, anda telah mengumpul data Âkadar lebar jalurÊ dan juga ÂgetaranÊ untuk kajian anda. Anda ingin mengetahui sekiranya terdapat korelasi antara kadar lebar jalur dan getaran dalam prestasi rangkaian. Korelasi mempunyai arah dan boleh menjadi positif atau negatif. Pekali korelasi Pearson (diwakili oleh ÂrÊ) digunakan untuk melihat hubungan antara dua pemboleh ubah. Pekali boleh berada dalam julat r = +1.00 ke �1.00. Rajah 9.5 menunjukkan nilai pekali yang berbeza.


170

Rajah 9.5: Graf menunjukkan pekali korelasi yang berbeza Rajah 9.5(a) menunjukkan korelasi positif yang sempurna (r = +1) yang bermaksud setiap kenaikan pada pemboleh ubah y akan diikuti dengan peningkatan pada pemboleh ubah x. Rajah 9.5(b) menunjukkan korelasi negatif yang sempurna (r = �1) yang bermaksud kenaikan pada pemboleh ubah y akan diikuti dengan penurunan pemboleh ubah x dan sebaliknya. Rajah 9.5(c) menunjukkan korelasi sifar (r = 0.00) yang bermaksud tiada hubungan antara pemboleh ubah y dan pemboleh ubah x.


171

� Apabila data telah dikumpulkan dan sebelum ia dianalisis, pengkaji perlu memeriksa data tersebut bagi memastikan kesahannya. Respons kosong, atau dipanggil data hilang, mesti diuruskan sewajarnya.

� Sekiranya soalan-soalan telah dikodkan terlebih dahulu, ia boleh dimasukkan terus ke dalam pangkalan data. Sekiranya ia belum dikodkan lagi, satu sistem perlu dibangunkan supaya ia boleh dimasukkan ke dalam pangkalan data.

� Tugas-tugas biasa melibatkan penyuntingan, pengurusan data hilang, pengekodan, transformasi dan memasukkan data.

� Analisa deskriptif merujuk kepada transformasi data mentah ke dalam bentuk yang boleh difahami agar pentafsiran menjadi mudah. Analisa deskriptif meringkaskan, mengelaskan, menyusun semula data bagi mendapatkan maklumat deskriptif.

1. Jelaskan jenis-jenis tinjauan yang menggunakan kaedah penyelidikan kuantitatif.

2. Kenal pasti komponen statistik yang biasa digunakan dalam kaedah kuantitatif.

SEMAK KENDIRI 9.3

1. Bilakah anda akan menggunakan tinjauan longitud dan bukannya tinjauan keratan rentas? Bincangkan.

2. Bincangkan penggunaan Analisa Varians (ANOVA) dalam kajian (menggunakan contoh tajuk penyelidikan anda sendiri).

3. Bincangkan isu etika yang mungkin timbul semasa melakukan kajian tinjauan.

SEMAK KENDIRI 9.4


172

� Penjadualan merujuk kepada penyusunan data agar ia teratur dalam bentuk jadual atau format ringkasan yang lain. Ia berguna untuk menunjukkan peratusan, peratusan kumulatif, dan juga taburan kekerapan. Data boleh diterangkan dalam bentuk kecenderungan memusat seperti min, median dan mod.

� Penjadualan silang menunjukkan bagaimana satu pemboleh ubah berkaitan dengan satu pemboleh ubah yang lain serta menunjukkan perbezaan antaranya. Penjadualan silang sepatutnya dihadkan kepada kategori yang berkaitan dengan persoalan dan tujuan kajian sahaja. Ia juga berguna untuk memaparkan dapatan dalam bentuk peratusan agar perbandingan antara kumpulan dapat dibuat.

� Hipotesis ialah penyataan andaian berkenaan sifat dunia.

� Hipotesis nul ialah penyataan tentang status quo.

� Hipotesis alternatif ialah penyataan yang pertentangan daripada hipotesis nul.

� Dalam pengujian hipotesis, pengkaji menyatakan hipotesis nul tentang min populasi dan kemudiannya cuba menolaknya. Sekiranya min sampel berada di dalam kawasan penolakan, hipotesis nul akan ditolak.

� Terdapat dua jenis ralat dalam ujian statistik: Jenis I, menolak hipotesis nul yang benar dan Jenis II, menerima hipotesis nul yang silap.

� Kaedah kuantitatif berkaitan dengan nombor dan apa-apa juga yang boleh diukur dengan cara bersistematik bagi menyiasat sesuatu fenomena.

� Terdapat tiga reka bentuk deskriptif iaitu pemerhatian, korelasi dan tinjauan.

� Skala Likert ialah skala rating yang paling meluas digunakan dalam soal selidik.

� Terdapat dua jenis tinjauan; soal selidik keratan rentas dan soal selidik longitud/jangka panjang.

� Soal selidik digunakan dengan meluas kerana ia kos efektif dan senang diurus.

� Ujian t digunakan melihat perbezaan signifikan antara min dua kumpulan yang berbeza dan kumpulan yang sama.


173

� ANOVA digunakan untuk membandingkan min antara dua kumpulan atau lebih.

� Pekali korelasi digunakan untuk menguji kekuatan hubungan antara pemboleh ubah.

ANOVA

Korelasi

Median

Membandingkan perbezaan

Min

Mod

Sisihan piawai

Statistik deskriptif

Statistik inferens

Taburan normal

Ujian t

Varians

13 BBRC4103 Topik 9 -...

Documents

Transcript of 13 BBRC4103 Topik 9 -...