bab 12 (analisis dan persembahan data kuantitatif)

1 BAB 12: Analisis dan Persembahan Data Kuantitatif

UNIVERSITI PENDIDIKAN SULTAN IDRIS,

35900 TANJONG MALIM, PERAK

TERJEMAHAN BAB 12

(ANALISIS DAN PERSEMBAHAN DATA KUANTITATIF)

PENYELIDIKAN ILMIAH

(SHP 4133)

DISEDIAKAN OLEH:

TONG SIEW CHING D20061027083

PIUS ANAK TUNGKAT D20061027085

WAN ROZIAH BT WAN AHMAD D20061027086

PENDIDIKAN KEMAHIRAN HIDUP (AT31)

FAKULTI SENI DAN MUZIK

SEMESTER 7

KUMPULAN : A

MASA KULIAH :

SELASA (2.00-4.00 PETANG)

DISEDIAKAN UNTUK :

PROF. SUPLI EFFENDI RAHIM


Objektif Bab

Selepas membaca bab ini kamu akan berkebolehan untuk:

Menyediakan data untuk dianalisis.

Memilih format yang sesuai untuk persembahan data.

Memilih teknik yang paling sesuai untuk menghuraikan data (Statistik

Deskriptif)

Memilih teknik yang paling sesuai untuk meninjau hubungan dan

aliran dalam data (korelasi dan statistik inferensi)

Dalam bab sebelum ini, perbezaan antara kajian secara kuantitatif dan kualitatif seringkali

tidak jelas. Contohnya ialah kaedah tinjauan. Ia boleh memberi suatu penjelasan dan huraian

yang tepat (kualitatif), tetapi ianya juga boleh dianalisis secara kuantitatif seperti kutipan data

peribadi responden bagi sesuatu kelompok iaitu antara pengelasan responden dan sikap atau

tabiatnya.

Ciri asas analisis kuantitatif ialah dikatakan terlewat sekiranya menjalankan kajian,

mengumpul data dan berfikir bagaimana untuk menganalisisnya. Proses untuk memilih ujian

statistik perlu dibuat semasa peringkat perancangan kajian bukannya pada peringkat

perlaksanaan. Hal ini kerana, ia lebih mudah untuk mendapatkan data dan ia tidak bermakna

ujian statistik. Menurut Robson (1993), dengan bantuan komputer moden, ia lebih mudah

untuk menghasilkan persembahan yang lebih baik. (GIGO – Garbage In, Garbage Out)

(Robson, 1993:310).

Tujuan utama bab ini adalah untuk memperkenalkan kepada anda mengenai teknik

asas statistik. Ia tidak perlu menghuraikan secara mendalam bagi analisis statistik komplek

kerana terdapat buku teks yang dikhaskan untuk tujuan ini. Ia dianggap seperti mengakses

ANALISIS DAN PERSEMBAHAN DATA KUANTITATIF12


komputer dan perisian yang sesuai untuk mengaplikasi analisis statistik seperti Microsoft

Excel atau SSPS. Maklumat secara terperinci tidak diperlukan untuk menghuraikan

bagaimana menggunakan perisian ini kerana sudah ada buku teks yang sesuai. Jika statistik

baru diketahui, seseorang yang lebih berpengalaman boleh dijadikan pembimbing atau

mentor. Dalam bab ini, aktiviti dan contoh kerja yang menggunakan formula statistik yang

sesuai turut disediakan.

KATEGORI DATA

Proses untuk mengkategori data adalah penting kerana (seperti yang ditulis dalam bab 4)

ujian statistik digunakan untuk menganalisis data dan ia bergantung pada data yang

dikumpul. Langkah pertama untuk mengkategori data ialah dengan mengelaskan data yang

diperoleh kepada satu atau dua kategori iaitu secara mutlak (categorical) atau yang dapat

dijumlahkan (quantifiable) (lihat rajah 12.1). Data mutlak tidak boleh dihitung bilangannya

tetapi boleh diletakkan dalam set atau kategori data nominal atau data ordinal. Data yang

boleh dijumlahkan (quantifiable) boleh dikira bilangannya iaitu lebih persis. Terdapat dua

kategori data yang boleh dijumlahkan iaitu data selang dan data nisbah. Huraian bagi kategori

ini akan dibincangkan dengan lebih terperinci pada tajuk berikutnya. Menurut Saunders et al.

(2000), jika tidak pasti tentang tahap yang perlu untuk membuat kajian, adalah lebih selamat

untuk mengumpul data pada tahap yang lebih tinggi bagi mendapatkan data yang lebih persis.

Darjah kesaksamaan

RAJAH 12.1: JENIS DATA MUTLAK DAN DATA YANG DAPAT DIJUMLAHKAN

Data

Mutlak Dapat dijumlahkan (quantifiable)

Nisbahh

Jeda/selangOrdinal Nominal


Data digunakan untuk menganalisis sesuatu tujuan yang berbeza. Jadual 12.1

menunjukkan cadangan penggunaan tipikal dan ujian statistik yang sesuai digunakan.

Menurut Diamantopoulos dan Schlegelmilch (1997), empat ukuran skala terbaik

disusun dari tahap ukuran yang rendah kepada tahap yang tinggi dan ciri-ciri bagi jenis skala

terendah disimpan. Semua ujian statistik yang sesuai dengan jenis data yang rendah boleh

digunakan dengan jenis data yang tinggi dan jika ditambah ia menjadikan ujian lebih baik.

Tetapi ia tidak berlaku sebaliknya. Jika data selang ditukarkan kepada data ordinal, ujian

yang sesuai digunakan pada asalnya tidak boleh diaplikasikan untuk seterusnya. Untuk

mengkategorikan data, ujian statistik bukan parametrik boleh digunakan tetapi bagi data yang

dapat dijumlahkan, ia menggunakan ujian statistik parametrik. (Lihat rajah 12.1). Dalam

perancangan pengumpulan data, adalah lebih baik untuk mereka bentuk cara penyusunan data

yang dihasilkan bagi data selang dan data nisbah, jika tidak sesuai dengan objektif kajian.

JADUAL 12.1 SKALA UKURAN DAN KEGUNAANNYA

Nominal Ordinal Selang Nisbah

Contoh

Kegunaan

Jenis kilang

Jenis tempat

produk dan

organisasi

Rujukan

pelanggan

Hieraki

organisasi

Sikap

Suhu

Berat

Tekanan darah

Jualan

Kos

Bilangan

pelanggan

Umur pekerja

Ujian statistik Ujian bukan

parametrik

Ujian parametrik

Data Nominal

Data nominal bertujuan untuk menamakan atau menunjukkan sesuatu kategori dan ia sekadar

untuk melabel atau menamakan sesuatu ciri atau kategori sahaja. Contohnya, Jabatan jualan,

jantina, kaum, jenis personaliti dan sebagainya. Jenis soalan yang biasa dihasilkan berkaitan

data nominal ditunjukkan dalam rajah 12.2 manakala keputusan set data ditunjukkan dalam


jadual 12.2. Kita dapat melihat bahawa dengan data nominal, kita boleh mengira frekuensi

mudah bagaimana kategori nominal berlaku.

RAJAH 12.2: JENIS SOALAN YANG MENGHASILKAN DATA NOMINAL

Kategori manakah yang menghuraikan dimana pekerja bekerja? (tandakan satu

sahaja)

Jabatan runcit

Gudang

Akaun

Persendirian

Jabatan / Lokasi Frekuensi

Jabatan runcit 67

Gudang 62

Akaun 15

Persendirian 16

JADUAL 12.2: BILANGAN PEKERJA / JABATAN (SKALA NOMINAL)


RAJAH 12: CARTA BAR BAGI DATA NOMINAL DALAM JADUAL 12.2

RAJAH 12.6: CARTA PAI BAGI DATA NOMINAL DALAM JADUAL 12.2

Data Ordinal

Data ordinal terdiri daripada susunan atau kedudukan nilai, tetapi jarak diantara kedudukan

adalah tidak sama. Contohnya borang soal selidik berkaitan sikap. Jenis soalan yang

dihasilkan berkaitan data ordinal ditunjukkan pada rajah 12.3. Antaranya ialah menggunakan

perkataan ‘kadang-kadang’, ‘tidak pernah’ dan sebagainya. Susunan bagi setiap dapatan

adalah penting tetapi tiada cadangan bahawa perbezaan antara setiap skala adalah sama.

Skala ordinal juga digunakan untuk soalan nisbah bagi sesuatu kualiti seperti ‘sangat baik’,

‘baik’, ‘adil’, ‘lemah’ dan berbentuk persetujuan seperti ‘sangat setuju’, ‘setuju’, dan ‘tidak

setuju’. Keputusan tipikal bagi kutipan data ordinal diambil dari rajah 12.3 dan ditunjukkan

dalam jadual 12.3.

RAJAH 12.3: JENIS SOALAN UNTUK DATA ORDINAL

Berapa kerapkah anda dihina oleh pelanggan? (Tandakan satu sahaja)

Setiap hari

Sekali seminggu

Kadang-kadang


Tidak pernah

Kecenderungan kakitangan dihina oleh

pelanggan

Bilangan tanggapan

Setiap hari 10

Sekali seminggu 15

Kadang-kadang 11

Tidak pernah 4

JADUAL 12.3: JADUAL FREKUENSI YANG MENUNJUKKAN BILANGAN TANGGAPAN

BAGI SOAL SELIDIK (ORDINAL)

Data Selang

Ukuran yang tidak dapat dikira dikenali sebagai data selang. Nilai angka ditentukan antara

skala selang iaitu bagi selang yang sama, tetapi tiada nilai sifar bila sesuatu sifat yang diukur

tidak wujud. Contohnya, nilai sifar bagi ujian IQ tradisional tidak mempunyai sebarang

makna. Hal ini kerana nilai IQ tradisional adalah nilai kasar yang ditukarkan kepada umur

kemudian dibahagikan dengan umur kronologikal. Ciri lain bagi data selang ialah perbezaan

antara skor 14 dan 15 perlu sama dan memasukkan perbezaan bagi skor 91 dan 92.

Berbanding data ordinal, perbezaan antara kategori adalah sama. Keputusan dari data selang

ditunjukkan dalam jadual 12.4. Ia menunjukkan pengagihan normal bagi nilai syarikat

mengenai penilaian bakat bagi staf.

JADUAL 12.4 : JADUAL MENUNJUKKAN FREKUENSI SKOR BILANGAN PEKERJA DENGAN PELBAGAI

JULAT BAGI UJIAN IQ

Skor Frekuensi

76-80 1

81-85 0

86-90 4

91-95 10

96-100 21

101-105 25


106-110 48

111-115 18

116-120 11

121-125 4

126-130 1

131-135 2

136-140 1

Data Nisbah

Data nisbah adalah subset bagi data selang tetapi skalanya adalah skala data selang. Data

nisbah bernilai mutlak sifar yang menjelaskan maksud tertentu. Contohnya, skor ujian

pencapaian. Sekiranya seseorang majikan membuat ujian kepada pekerjanya, didapati

skornya adalah sifar. Hal ini menunjukkan bahawa kurangnya pengetahuan yang lengkap atau

kebolehan dalam subjek ini. Contoh data nisbah ditunjukkan dalam jadual 12.5.

Pengasingan skim klasifikasi ini adalah penting kerana ia mempengaruhi cara

bagaimana data dianalisis dan cara ujian statistik dibuat. Perubahan digabungkan dalam skim

klasifikasi ini, kemudian melihat bagaimana data dikumpul dan diletakkan sebelum dianalisis

dan disembahkan.

JADUAL 12.5: PENGAGIHAN FREKUENSI BAGI SKOR PEKERJA

Julat skor Frekuensi0-4 45-9 13

10-14 1515-19 1220-24 8

MASUKAN DATA, SUSUN ATUR DAN KUALITI

Masukan data melibatkan bilangan peringkat yang dimulakan dengan data yang bersih,

perancangan dan membuat masukan data biasa serta membuat pembahagian bagi data yang

hilang. Cara untuk mengelakkan data yang hilang juga akan dibincangkan.


Data Bersih

Analisis data hanya boleh dipercayai jika kutipan data yang diperoleh dari data yang bersih

dan data dimasukkan ke dalam komputer dengan tepat. Jika data yang dimasukkan

mengandungi pelbagai nombor bernilai besar dan banyak rekod individu, ia adalah mudah

untuk dimasukkan dengan rajah yang salah atau hilang. Penyelesaian untuk dua orang yang

memasukkan data secara berasingan dan membandingkan keputusan daripada kedua-duanya,

tetapi cara ini adalah sukar dilakukan. Pendekatan lain dengan menggunakan frekuensi

analisis pada kolum dan rajah palsu pada kedudukan menegak. Contohnya, dengan

menggunakan nombor 1 hingga 5 untuk menggambarkan kepelbagaian kod individu bagi

setiap nombor tersebut, analisis frekuensi mungkin menunjukkan bahawa nombor 8 juga

dimasukkan dan ia menunjukkan kesalahan yang ketara. Sekiranya ada percanggahan atau

melangkau soalan, ia perlu diperiksa bahawa responden dapat menjawab soalan dengan

cermat. Contohnya, mereka perlu menjawab setiap bahagian dengan lengkap tanpa

meninggalkan sebarang bahagian.

Pengkodan data dan rekabentuk

Pengkodan selalunya melibatkan peruntukan nombor kepada data. Pengkodan ialah satu

proses memberikan satu nilai numerik pada sesuatu jawapan yang diberikan oleh responden.

Pengkodan hanyalah cara untuk menghuraikan data. Apabila pengkodan telah siap, adalah

sukar untuk mengumpul data ke dalam kumpulan yang dikategorikan. Oleh itu, kes belajar

12.1 menunjukkan kategori yang perlu direkod seperti sah, kewangan, kesihatan dan

keselamatan.

Pendekatan yang lebih jelas untuk susun atur data adalah dengan menggunakan

jadual dalam bentuk data matrik. Dengan data matrik, kolum akan disembahkan dengan

pelbagai maklumat ringkas, manakala setiap baris menunjukkan kes atau profil. Jadual 12.6

menunjukkan contoh data dari kajian kenal diri, melihat pengkaji menyemak kembali kajian

asal sekiranya terdapat kesalahan. Kolum berikutnya mengandungi nombor yang setiapnya


menunjukkan jabatan khas. Panjang kajian yang dapat dijumlahkan datanya menghasilkan

tahun sebenar dalam organisasi. Nilai nombor adalah berbeza maksudnya untuk pelbagai

perbezaan. Jadual 12.6 menunjukkan data matrik yang telah disediakan dalam software

program Excel yang telah sedia untuk digunakan untuk formula statistik.

JADUAL 12.6: DATA MATRIK DARIPADA KAJIAN YANG MENUNJUKKAN PENGKODAN DATA BAGI

SETIAP PEMBOLEHUBAH

Kes Id Jabatan Masa

perkhidmatan

Pangkat

tertinggi

Kes 1 1 5 3 2

Kes 2 2 2 1 3

Kes 3 3 3 12 2

Kes belajar 12.1 menunjukkan susuatu kajian dan struktur yang menghasilkan

data yang sesuai untuk data matrik (disembahkan pada akhir kes belajar). Kemudian, pelbagai

nisbah dan struktur tindak balas yang setiapnya boleh dikod.

Kes belajar 12.1 daripada kajian kepada data matrik

Persatuan sukarela memberikan nasihat kepada orang awam dan cuba menemui kajian yang

manakah digunakan lebih tinggi. Tujuan kajian adalah untuk membahagikan kepada empat

kawasan potensi iaitu undang-undang, kewangan, kesihatan dan keselamatan di rumah.

Soalan : Sila lihat kajian di bawah dan tandakan yang manakah digunakan pada 12 bulan yang

lepas.


Nasihat undang-

undang

Nasihat kewangan

Nasihat kesihatan

Nasihat mengenai

keselamatan di rumah

Ya Tidak Tidak pasti

Data yang dikumpul dari 100 responden dan data matrik dibawah menggunakan kod nombor:

1=Ya, 2=Tidak, 3=Tidak pasti, 0=Tiada data/tiada tindakbalas.

Id

Responden 1

Responden 2

Responden 3

Undang-

undang

1

2

2

Kewangan

2

1

0

Kesihatan

2

1

0

Keselamatan

2

1

0

Nota bagi kes belajar 12.1 bagi responden 3 ditanda dalam kotak untuk nasihat undang-

undang tetapi gagal untuk melengkapkan yang lain, kemudian nilai 0 untuk tiada data yang

dimasukkan ke dalam matrik.

Bahagian kehilangan data

Oppenheim (1992) menyatakan bahawa pendekatan terbaik kepada bahagian yang kehilangan

data ialah tidak ada apa. Langkah perlu diambil untuk memastikan data yang dikumpul dari

semua sampel cadangan dan tiada tindak balas minimum disimpan. Tetapi, untuk latihan, kita

perlu tahu bahawa ia adalah suatu kes dimana responden tidak membalas atau menjawab

soalan. Isunya adalah kerana terdapatnya kecondongan atau berat sebelah. Responden


meninggalkan beberapa soalan yang mereka rasa sukar untuk dijawab. Contohnya, kajian

yang dilakukan pada kakitangan mengenai latihan pekerjaan mendapati bahawa mereka

meninggalkan soalan yang berkaitan rekod tidak baik dan ketidakhadiran.

Ia digunakan untuk membezakan antara empat jenis perbezaan bagi nilai yang hilang

iaitu tidak boleh digunakan (NA), enggan (RF), tidak tahu (DK) dan terlupa menjawab (FA).

Perbezaan yang dibuat dapat membantu strategi menyalin data yang hilang. Jadual 12.7

menunjukkan contoh respons yang telah dibuat kajian.

JADUAL 12.7 MEMBEZAKAN ANTARA PERBEZAAN JENIS TIADA TINDAK BALAS.

Tindak balas Nilai rekod

Menjawab soalan dengan salah atau orang

yang tidak sesuai.

Maklumat yang kasar dari respon

Semua soalan dijawab kecuali satu soalan

Semua soalan dijawab dengan tepat tetapi

meninggalkan satu kosong.

Tidak dapat diguna

Enggan

Terlupa menjawab

Tidak tahu

Kategori untuk tiada respon yang dipilih bergantung pada kesimpulan awal pengkaji.

Bagaimana kita ingin tahu bahawa ada yang terlupa menjawab atau tidak tahu menjawab?

Sudah tentu, jika ramai orang yang gagal menjawab soalan yang sama, ia mungkin

mempunyai sesuatu yang tidak disukai oleh responden pada soalan tersebut. Dalam kes ini, ia

boleh ditafsirkan sebagai enggan menjawab. Keputusan untuk mengabaikan atau memisahkan

kategori ini perlu dibuat dan menggunakan label tiada jawapan. Kemungkinan lain ialah nilai

perlu diambil dengan mengambil purata bagi respon lain. Ia adalah berbahaya, bagaimanapun

dengan pendekatan ini, ia menggunakan soalan mudah. Sesetengah statistik meluangkan lebih

masa untuk memikirkan isu ini. Ia adalah selamat sekiranya data hilang dan telah dimasukkan

sebagai sub-soalan yang mengandungi satu nombor sub-soalan (data yang sesuai). Adalah


tidak munasabah jika ramai yang tidak memberi respon pada soalan yang sama, ia perlu

ditinggalkan pengiraannya bergantung pada sampel yang kecil.

Elakkan merendahkan data

Ia adalah tidak adil bila tiada respon berlaku, tetapi adalah sukar untuk bertolak ansur

mendapatkan kualiti dengan proses merendahkan data. Pengukuran umur peribadi adalah

penting pada pekerja pada borang soal selidik (ditunjukkan pada rajah 12.4). Satu masalah

adalah kategori umur adalah tidak sama. Contohnya, umur 18-24 dibandingkan dengan umur

25-24. Tetapi, ia menjadi sukar sekiranya maklumat hilang dengan pengumpulan data secara

ini. Ia boleh diakhiri dengan ukuran ordinal dengan mencari data nisbah dan tidak boleh

mengira purata umur bagi pekerja. Lebih baik bertanya pada setiap orang umur yang tepat

(misalnya, bertanya tentang tarikh lahir) dan tarikh soal selidik perlu lengkap. Selepas ini,

kita boleh mengira purata umur (min), umur modal (berlaku lebih tepat), kenalpasti siapa

yang lebih tua dan muda di kalangan pekerja.

RAJAH 12.4: BAHAGIAN SOAL SELIDIK YANG TERDIRI DARIPADA UMUR

PERIBADI

Sila tandakan (/) pada umur kamu yang sesuai dalam kotak tersebut :

18-24

25-34

35-44

45-54

55-64

65+


PERSEMBAHAN DATA MENGGUNAKAN STATISTIK DESKRIPTIF

Satu tujuan statistik deskriptif ialah untuk menghuraikan ciri-ciri belajar yang menggunakan

analisis grafik. Statistik deskriptif dibezakan dari statistik inferen dimana ia cuba

menunjukkan data, manakala statistik inferen cuba membuat kesimpulan bagi data tersebut.

Contohnya, kesimpulan mengenai populasi yang difikir pada data sampel.

Statistik deskriptif selalunya menggunakan carta atau graf untuk melengkapkan

potensi komunikasi format data yang diperoleh tetapi, sebaiknya grafik yang digunakan akan

bergantung pada jenis data yang dipersembahkan. Hal ini menunjukkan bahawa mengapa

permulaan bab ini dimulakan dengan memberi fokus pada klasifikasi data kepada kategori

nominal, ordinal, selang dan nisbah. Bukan semua jenis graf adalah sesuai untuk digunakan

pada semua data. Black (1999) menyatakan bahawa rumusan yang teratur akan menentukan

kesesuaianya. (Lihat jadual 12.8).

JADUAL 12.8: CARTA DAN GRAF YANG SESUAI UNTUK FREKUENSI DATA

Carta bar Carta pai Histogram Frekuensi

polygon

Nominal + +

Ordinal +

Selang + +

Nisbah + +

Sumber: didapati dari Black, 1999:306

Data nominal dan ordinal – kumpulan individu

Seperti yang kita lihat sebelum ini, data nominal direkod mengikut kategori atau nama,

dengan tiada cadangan penambahan atau kedudukan manakala data ordinal pula mempunyai

tujuan dan mengikut kategori. Data nominal boleh dilihat pada jadual 12.2 dan ia boleh

disembahkan pada carta bar seperti rajah 12.5 untuk mengira frekuensi kakitangan bagi

jabatan yang berlainan.


Rajah 12.6 menunjukkan set data yang sama dan boleh juga disembahkan dalam

bentuk carta pai. Carta pai adalah sesuai untuk menggambarkan data nominal tetapi ianya

tidak sesuai untuk data ordinal. Hal ini kerana, jumlah kadar persembahannya tidak termasuk

dalam kategori.

Data selang dan nisbah – kumpulan individu

Data selang dan nisbah menghuraikan skor bagi ujian, umur, berat, pendapatan tahunan dan

lain-lain lagi untuk kumpulan individu. Nombor ini kemudiannya diterjemah kedalam jadual

frekuensi seperti jadual 12.2 dan 12.3. Peringkat pertama untuk membuat keputusan bagi

nombor dalam data selang. Black (1999) mencadangkan bahawa antara 10 dan 20 adalah

sesuai, dan apabila membuat susunan, ia akan membentuk lengkuk histogram atau frekuensi

poligon. Data bagi umur peribadi untuk seluruh pekerja dalam sesuatu organisasi ditunjukkan

dalam jadual 12.9. Susunan umur adalah dari 22 hingga 43 iaitu berbeza dengan 21. Jika

susunan selang bagi 3, ia hanya akan beri set bagi kedudukan umur 7 tahun. Black (1999)

mencadangkan bahawa hanya kedudukan yang minimum iaitu 10 yang sesuai.

Walaubagaimanapun, dua kedudukan selang perlu diakhiri dengan 11 set selang seperti

jadual 12.10 dimana ia adalah lebih sesuai. Data ini dipersembahkan dalam bentuk grafik

iaitu histogram seperti rajah 12.7.

JADUAL 12.9: UMUR PERIBADI PEKERJA SYARIKAT.

Umur Frekuensi Umur Frekuensi

22 1 33 10

23 2 34 4

24 3 35 3

25 6 36 2

26 5 37 4

27 11 38 2

28 15 39 2

29 7 40 0

30 9 41 0


31 3 42 1

32 4 43 0

Data nominal – membandingkan kumpulan

Setakat ini, kita telah melihat persembahan set data yang hanya mengandungi satu data.

Tetapi penyelidikan sering memerlukan kita untuk mengumpul data pada sejumlah ciri-ciri

yang berkaitan dan ia adalah berguna untuk dapat dibandingkan secara grafik. Sebagai

contoh, kembali kepada Jadual 12.2 dan jumlah pekerja-pekerja setiap jabatan, ini mungkin

mengumpulkan kekerapan, berdasarkan penyebaran pekerja kedua-dua lelaki dan perempuan

setiap jabatan, seperti dalam Gambarajah 12.8.

Satu lagi cara mempersembahkan jenis data ini ialah di mana ia adalah berguna bagi

menunjukkan bukan sahaja taburan antara kumpulan, tetapi jumlah saiz setiap kumpulan itu,

seperti dalam Gambarajah 12.9.

JADUAL 12.10: DATA KEKERAPAN UNTUK JUAT UMUR (SELANG)

Julat umur Kekerapan Julat umur Kekerapan

22-23 3 34-35 7

24-25 9 36-37 6

26-27 16 38-39 4

28-29 22 40-41 0

30-31 12 42-43 1

32-33 14


RAJAH 12.7: ILUSTRASI HISTOGRAM BAGI DATA SELANG DALAM JADUAL 12.10

RAJAH 12.8: CARTA BAR UNTUK DATA NOMINAL DENGAN PERBANDINGAN

ANTARA KUMPULAN


RAJAH 12.9: CARTA BAR LONGGOKAN BAGI DATA NOMINAL DENGAN

PERBANDINGAN ANTARA KUMPULAN

Data Selang dan Nisbah – membandingkan kumpulan-kumpulan

Ia kadang-kadang perlu untuk membandingkan dua kumpulan untuk sifat-sifat yang

diukur sebagai data selanjar. Manakala latihan ini adalah, seperti kita pernah lihat, agak

mudah untuk data nominal iaitu berhati-hati, selang dan data nisbah adalah selanjar, jadi dua

set data mungkin bertindih dan satu menyembunyikan yang lain. Penyelesaian adalah untuk

menggunakan satu poligon kekerapan. Sebagai kita boleh lihat pada Gambarajah 12.10, kita

mempunyai dua set data selanjar untuk markah ujian, satu set untuk kumpulan pekerja-

pekerja yang menerima latihan dan satu lagi untuk mereka yang belum. Poligon kekerapan itu

membolehkan kita untuk melihat kedua-dua hasil set serentak dan untuk membandingkan

tren-tren itu.


RAJAH 12.10: POLIGON FREKUENSI UNTUK DUA SET SAMBUNGAN DATA BAGI

SKOR UJIAN

Dua pembolehubah untuk satu kumpulan

Anda mungkin juga hendak membandingkan dua pembolehubah untuk satu kumpulan.

Kembali lagi untuk contoh kita bagi jabatan-jabatan, kita mungkin melihat umur setiap

pekerja. Gambarajah 12.11 menunjukkan hasilnya.

MENGANALISIS DATA MENGGUNAKAN STATISTIK DESKRIPTIF

Satu tumpuan deskriptif melibatkan penciptaan satu gambaran ringkas satu sampel atau

populasi dalam soal pembolehubah-pembolehubah utama untuk dikaji. Ini mungkin

melibatkan penyampaian data dalam bentuk graf (seperti dalam bahagian terdahulu) atau

penggunaan statistik deskriptif itu, seperti dibincangkan di sini.

Taburan kekerapan dan kecenderungan memusat

Taburan kekerapan adalah satu daripada kebanyakan kaedah biasa untuk menganalisis data,

terutamanya untuk analisis data tinjauan. Kekerapan hanya bermakna jumlah misalnya dalam

satu kelas, dan dalam kajian-kajian ia selalu dikaitkan dengan penggunaan Skala Likert . Jadi,


sebagai contoh, satu kajian mungkin mengukur kepuasan pelanggan untuk satu produk

tertentu lebih daripada tempoh dua tahun.

Bagi menjadikan rasa data, kedua-dua pendekatan perlu diterima.

Penggunaan semua data, bukan sahaja pilih angka-angka yang bertemu dengan

agenda-agenda penyelidik.

Satu cara menjumlahkan keputusan-keputusan itu dengan menggunakan satu angka

wakil.

Kaedah pengiraan ini melibatkan pengiraan satu skor min untuk setiap set data. Oleh itu,

kategori-kategori itu boleh diberikan satu markah, seperti diilustrasi dalam Jadual 12.12.

JADUAL 12.11 PERATUSAN RESPONDEN MENJAWAB UNTUK SETIAP KATEGORI

BAGI TEMPOH DUA TAHUN

Sangat Setuju Setuju Tidak Setuju Sangat Tidak Setuju Jumlah

2002 14 40 32 14 100

2003 21 33 26 20 100

JADUAL 12.12 CARA PERMARKAHAN SETIAP KATEGORI RESPON UNTUK MENGUKUR SKOR MIN

Sangat

Setuju

Setuju Tidak Setuju Sangat Tidak Setuju

SKOR 4 3 2 1


Sejak data boleh digambarkan oleh min, satu gambaran, ia menjadi mungkin bagi

menjadikan perbandingan-perbandingan antara bahagian lain data atau jika dua kajian

dilaksanakan pada tempoh yang berbeza, merentasi masa. Tetapi, wujud juga bahayanya

penggunaan kaedah ini. Min hanya satu pengukuran kecenderungan memusat,yang lain

termasuk juga median dan mod. Median ialah nilai pusat apabila nilai yang lain disusun

secara teratur. Mod pula ialah nilai yang paling banyak kekerapannya. Jika skor median dan

mod adalah lebih kurang daripada min, taburan skor akan terpesong ke sebelah kiri

(pencongan posotif). Jika skor median dan mod lebih besar daripada min, taburan skor itu

akan terpesong ke sebelah kanan (pencongan negatif). Jadi, apabila dua skor min seiras, ini

tidak bermaksud dua set itu skor adalah sama, kerana setiap skor mungkin mempunyai

pengagihan yang berbeza.

Dengan membuat syarat-syarat ini, kaedah permarkahan ini masih boleh digunakan,

tetapi adalah lebih baik menggunakan lebih daripada satu set skor dari hanya satu set. Ia juga

paling selamat digunakan untuk deskriptif daripada berdasarkan inferens perangkaan-

perangkaan.

Penyukatan Penyerakan

Bagi penambahan dalam mengukur kecenderungan memusat, ia juga penting untuk

mengukur penyebaran respon sekitar min bagi menunjukkan sama ada min mewakili respon

itu atau tidak. Terdapat beberapa cara mengukur ini:

Julat - perbezaan antara skor tertinggi dan terendah.

Antara kuartil julat - perbezaan antara skor yang mempunyai satu perempat di bawah

skor (sering dikenali sebagai kuartil pertama atau persentil ke-25) dan skor yang tiga per

empat di bawah skor (persentil ke-75).

Varians - Satu pengukuran purata sisihan kuasa dua skor individu itu dari min.


Sisihan piawai – Satu pengukuran takat di mana respon berubah dari min, dan adalah

diperolehi dengan mengira varian dari min, kuasa duakan mereka, menambah mereka

dan mengira punca kuasa dua. Seperti min, kerana anda boleh mengira satu perangkaan,

ia membenarkan perbandingan antara bahagian yang berlainan dalam satu kajian dan

merentasi tempoh masa.

Taburan Normal

Lengkung taburan normal adalah berbentuk loceng, iaitu adalah simentri di sekitar

min, di mana ia bermaksud terdapat satu jumlah nombor sama di atas dan di bawah min (X).

Bentuk lengkung juga menunjukkan kadar subjek pada setiap sisihan piawai itu(S,1S ,etc) di

atas dan di bawah min.

Dalam dunia sebenar, bagaimanapun ia sering berlakunya kes pengagihan tidak

normal, tetapi terpencong, dan ini akan memberikan kesan untuk hubungan antara min, mod

dan median. Jika taburan adalah secara pencongan positif, majoriti subjek itu adalah di atas

min dalam soal sifat atau sikap yang sedang diukur; untuk taburan secara pencongan negatif,

majoriti adalah di bawah min.

PROSES PENGUJIAN HIPOTESIS: BERDASARKAN INFERENS PERANGKAAN

Kita sudah melihat pada bab 4 bahawa proses kajian mungkin melibatkan perumusan satu

hipotesis yang menghuraikan hubungan antara dua pembolehubah. Dalam bahagian ini kita

akan mengkaji semula pengujian hipotesis dalam beberapa peringkat, yang terdiri daripada:

Perumusan hipotesis

Spesifikasi paras kepentingan ( untuk melihat sejauh manakah ia selamat untuk

menerima atau menolak hipotesis)

Pengenalpastian taburan kebarangkalian dan takrif penolakan itu

Pemilihan ujian-ujian statistik yang sesuai

Pengiraan ujian statistik dan penerimaan atau penolakan hipotesis


Rumusan hipotesis

Seperti yang kita lihat dalam bab 4, hipotesis adalah satu kenyataan berkaitan dengan

satu sampel (atau populasi) itu mungkin atau mungkin tidak benar, dan dijadikan satu

kesimpulan atau kesimpulan tentang satu populasi, dilukis daripada sampel maklumat.

Sebagai contoh, kita berkhidmat dalam satu syarikat pemasaran untuk menjalankan beberapa

kajian tentang pemilikan komputer di Eropah Barat. Kita mendugakan pemilikan per kapita

di UK mungkin lebih besar daripada di Perancis. Jika kami mempunyai had masa dan

sumber-sumber yang tidak terhad, kita boleh mengkaji kedua-dua populasi. Untuk

pertimbangan praktikal , sudah tentu, kami mempunyai satu sampel. Jika kami mengambil

sampel secara rawak untuk kedua-dua populasi UK dan Perancis dan didapati pemilikan itu

adalah 18 peratus di UK dan 12 peratus di Perancis, tekaan kita akan disahkan oleh bukti.

Pertama, kita perlu elakkan dari ralat persampelan , dengan saiz sampel yang lebih kecil,

lebih besar potensi untuk ralat ini. Keduanya, kita tidak boleh 'membuktikan' sesuatu mesti

benar, kerana selalu tinggal satu kemungkinan sehingga satu hari seseorang akan muncul

dengan satu penyangkalan. Oleh itu, untuk tujuan penyelidikan , kita biasanya buat satu

hipotesis dalam bentuk nolnya(negatif). Jadi, lebih baik menyatakan:

Pemilikan computer akan lebih banyak di UK daripada di Perancis.

Kita mengatakan:

Pemilikan komputer tidak akan lebih di UK daripada di Perancis.

Kemudian, jika kita mendapati bahawa data untuk pemilikan adalah lebih besar untuk UK

daripada di Perancis, kita dapat menolak hipotesis nol.

Hipotesis wujud dengan dasarnya tiga bentuk. Iaitu:

Memeriksa ciri-ciri bagi populasi individu (dan mungkin melibatkan mengira min,

median, sisihan piawai dan bentuk taburan).

Meneroka kontras dan perbandingan antara kumpulan.


Memeriksa persatuan dan hubungan antara kumpulan.

Untuk satu pembelajaran kajian, ia menjadi perlu bagi merumuskan sejumlah hipotesis nol

menggabungkan kenyataan tentang pengagihan, skor, kekerapan, persatuan dan menghubung

kait.

Spesifikasi paras kepentingan

Dengan merumuskan hipotesis nol, seterusnya kita mesti memutuskan keadaan yang mana

akan diterima atau ditolak. Sejak kita tidak tahu dengan mutlak sama ada hipotesis itu benar

atau palsu, dengan unggul, kita perlu menolak hipotesis nol apabila ia palsu dan menerima ia

apabila benar. Bagaimanapun, kerana tidak ada benda memang sempurna (terutama dalam

dunia sebenar), sentiasa ada peluang menolak hipotesis nol walaupun ia adalah benar

(dipanggil Type I error) dan menerima ia walaupun fakta ia adalah palsu (Type II error).

Jadual 12.14 menunjukkan satu rumusan hasil yang mungkin.

JADUAL 12.14 KESILAPAN-KESILAPAN POTENSI DALAM PENGUJIAN HIPOTESIS

Keadaan Dalam Populasi

Keputusan dibuat dalam

hipotesis nol

Hipotesis adalah benar Hipotesis adalah tidak

benar

Hipotesis ditolak Type I error Keputusan yang betul

Hipotesis tidak ditolak Keputusan yang betul Type II error

Apakah kesan impak kesilapan-kesilapan ini? Sebagai contoh, kita mengukur sama ada

satu program latihan baru meningkatkan sikap kakitangan terhadap pelanggan-pelanggan, dan

kita menyatakan ini dalam syarat-syarat nol (latihan tidak mempunyai kesan).Jika kita

membuat Type II error kemudian kita adalah menolak hipotesis nol , oleh itu tuntutan

bahawa latihan boleh mempunyai satu kesan, sebenarnya ,ini tidak benar. Kita tidak syak,

mengenali bahawa kita tidak mahu menjadikan tuntutan untuk kesan mandiri pembolehubah-

pembolehubah itu yang sebenarnya adalah palsu. Fikirkan implikasi-implikasi itu jika kita


membuat Type I error apabila menguji suatu ubat baru! Kami juga perlu mengelakkan

kesilapan-kesilapan Type II, kerana di sini kita akan menerima hipotesis nol dan oleh kerana

itu gagal untuk memerhatikan kesan yang ada pada pembolehubah bebas.

Kesilapan-kesilapan Jenis I dan Type II adalah terbalik antara satu sama lain. Seperti

pemerhatian Fielding dan Gilbert (2000), apa yang kita lakukan bagi mengurangkan

kesilapan Jenis I akan meningkatkan kemungkinan satu ralat Type II ,and dan sebaliknya.

Mana-mana ralat adalah paling mungkin bergantung kepada bagaimana kita menyediakan

paras kepentingannya (lihat seterusnya).

Pengenalpastian taburan kebarangkalian

Apakah peluang untuk membuat ralat Jenis I? Ini diukur dengan apa dipanggil paras

kepentingan, iaitu mengukur kebarangkalian itu membuat kesilapan. Paras kepentingan selalu

ditetapkan sebelum satu ujian dijalankan, dan adalah secara tradisi ditetapkan pada sama ada

0.05,0.01 ,atau 0.001. Oleh itu, jika kita menyediakan paras kepentingan kita pada 5 peratus

(p=0.05), kita bersedia untuk mengambil risiko menolak hipotesis nol apabila malah ia adalah

betul 5 kali daripada 100.

Semua ujian-ujian statistik adalah berdasarkan satu bidang penerimaan dan satu bidang

menolak. Untuk apa yang dinamakan satu ujian satu hujung , kawasan penolakan adalah

sama ada atas atau bawah taburan. Satu ujian satu hujung adalah digunakan apabila hipotesis

adalah berarah, iaitu, ia meramalkan satu hasil pada akhir sama ada lebih tinggi atau lebih

rendah dari taburan. Tetapi mungkin ada kes apabila ia tidak mungkin dijadikan seperti satu

ramalan. Dalam keadaan-keadaan ini, satu ujian dua hujung adalah digunakan, untuk yang

terdapat dua kawasan penolakan- kedua-dua atas dan bawah hujung. Sebagai contoh, untuk

taburan z di mana p=0.05 dan satu ujian dua hujung , jadual-jadual statistic menunjukkan

kawasan penerimaan itu untuk hipotesis nol adalah pusat 95 peratus daripada taburan dan

kawasan bagi penolakan adalah 2.5 peratus untuk setiap hujung ( lihat rajah 12.13). Oleh itu,


jika ujian statistik adalah kurang daripada 1.96 atau lebih besar daripada 1.96 hipotesis nol itu

akan ditolak.

Pemilihan ujian-ujian statistik yang sesuai

Pemilihan ujian-ujian statistik yang sesuai untuk setiap hipotesis boleh dijadikan satu ciri

yang paling mencabar dengan menggunakan perangkaan tetapi juga paling penting. Ia semua

terlalu mudah bagi merumuskan satu hipotesis sahih hanya bagi memilih satu ujian yang

tidak sesuai, dengan hasil- statistik karut! Jenis ujian statistic yang digunakan akan

bergantung pada pelbagai faktor.

Pertama, jenis hipotesis - sebagai contoh, hipotesis mengambil kira ciri-ciri bagi

kumpulan, dibandingkan dengan hubungan antara pembolehubah. Ujian lain juga mungkin

diperlukan dalam hipotesis kumpulan yang luas ini. Jadi satu ujian untuk membandingkan

perbezaan antara min juga akan berbeza dengan membandingkan perbezaan antara median.

Juga untuk sampel yang sama, ujian lain boleh digunakan adalah bergantung pada saiz

sampel.

Keduanya ,andaian tentang taburan populasi akan menjejaskan jenis ujian statistik yang

digunakan. Sebagai contoh, ujian lain akan digunakan untuk populasi bagi yang data tersebar

sama rata dibandingkan dengan yang tidak.

Pertimbangan yang ketiga adalah tahap pengukuran pembolehubah dalam hipotesis.

Sebagai yang kita lihat lebih awal, ujian lain adalah sesuai untuk nominal ,ordinal, selang dan

data nisbah, dan hanya tak berparameter ujian-ujian adalah sesuai untuk data nominal dan

ordinal, tetapi hanya ujian-ujian berparameter yang boleh digunakan dengan selang dan data

nisbah. Ujian berparameter juga paling baik digunakan dengan sampel banyak (sekurang-

kurangnya 30 pemerhatian setiap pembolehubah atau kumpulan) dan lebih baik daripada

ujian tak berparameter. Ini bermakna bahawa mereka adalah lebih cenderung untuk menolak

hipotesis nol apabila ia patut ditolak, mengelakkan ralat Jenis I. Motulsky (1995)

menasihatkan bahawa ujian-ujian berparameter harus sentiasa dipilih jika anda yakin bahawa


populasi adalah tertabur secara normal. Jadual 12.15 menyediakan satu rumusan tentang

jenis-jenis bagi ujian statistik yang didapati dalam pelbagai keadaan yang digambarkan.


JADUAL 12.15: PETUNJUK UNTUK PEMILIHAN UJIAN-UJIAN

Objektif-

objektif

tinjauan

Jenis data

Pembolehubah bebas Pembolehubah

bersandar

Ujian statistik potensi

Untuk objektif-objektif dengan satu pembolehubah bersandar dan satu pembolehubah bebas

Perbandingan

jabatan-

jabatan dalam

frekuensi isu

amaran-

amaran

bertulis.

Nominal:Kumpulan-kumpulan

(jabatan-jabatan)

Nominal (jumlah

amaran-amaran

bertulis)

Chi-square, Fisher’s exact test

Bandingkan

satu

eksperimen

dan kumpulan

kawalan

dalam sikap

mereka

selepas

kempen 'anti-

merokok'

Nominal (dikotomi):

Kumpulan-kumpulan

(Eksperimen dan kawalan)

Dapat

Dikuantifikasikan

(skor sikap)

Satu sampel ujian-t , ujian- t

bersandar dan ujian-t bebas;

Wilcoxon signed-ranks test;

Wilcoxon rank-sum test

Perbandingan

sikap-sikap

merentasi

lima jabatan-

jabatan

syarikat untuk

amalan kerja

baru

Nominal: Lebih daripada dua

nilai

Dapat

Dikuantifikasikan

(skor sikap)

Analisis varians sehala

(menggunakan Ujian- F)

Menentukan

jika

Dapat dikuantifikasikan (skor Dapat

Dikuantifikasikan

Regresi ( Apabila mahupun

pembolehubah adalah


pencapaian

yang tinggi

tentang

pengukuran

keyakinan

meramalkan

pencapaian

yang tinggi

dalam ujian

keupayaan

sikap) (skor pengetahuan) bersandar atau bebas ,gunakan

korelasi)

Untuk objektif-objektif dengan dua atau lebih pembolehubah yang bebas

Perbandingan

buku panduan

dan

kakitangan

kolar putih

dalam

eksperimen

dan kumpulan

kawalan

terhadap

sikap-sikap

nominal(buku panduan dan

kolar putih)

Dapat

Dikuantifikasikan

(skor sikap)

Analisis varians (ANOVA)

Menentukan

jika tempoh

perkhidmatan

dan tahap gaji

berkaitan

dengan sikap

Dapat Dikuantifikasikan

(tempoh perkhidmatan dan

tahap gaji)

Dapat

Dikuantifikasikan

(skor sikap)

regresi berganda

Perbandingan

lelaki dan

wanita dalam

kumpulan

Nominal (jantina dan

kumpulan)dengan faktor-

faktor yang dibimbangkan

(tahap gaji)

Dapat

Dikuantifikasikan

(skor sikap)

analisis kovarians (ANCOVA)


kawalan

dalam sikap

mereka

apabila tahap

gaji mereka

adalah

terkawal.

Untuk objektif-objektif dengan dua atau lebih pembolehubah bebas dan pembolehubah bersandar

Perbandingan

lelaki dan

wanita dalam

eksperimen

dan kumpulan

kawalan pada

skor sikap

dan

pengetahuan

mereka.

Nominal (jantina dan

kumpulan)

Dapat

Dikuantifikasikan

(skor dalam dua

penyukatan: sikap-

sikap dan

pengetahuan)

analisis varians multivariat

(MANOVA)

Menghitung ujian statistik dan menerima atau menolak hipotesis.

Asalkan peringkat di atas telah dilakukan secara tepat, peringkat akhir yang menggunakan

program perisian statistik yang sesuai haruslah berkesinambungan terus. Setelah ujian statistik

dihitung perkara yang terakhir adalah membandingkannya dengan nilai hipotesis. Jika ujian

statistik tidak mencapai nilai ini,maka hipotesis nol harus diterima.


Contoh Latihan 12.1

Sebuah jabatan kerajaan telah menetapkan tentang kajian untuk belajar meneliti kemungkinan

hubungan di antara ciri-ciri keperibadian dan ketiadaannya. Menggunakan sampel daripada 22

pekerja,menetapkan tahap signifikasi di p ≤ 0.05. Menganalisis data menggunakan produk orang

semasa mencapai nilai korelasi untuk persatuan ini daripada r = 0.287. Undian khusus ini dapat

dilihat didalam jadual khusus iaitu nilai kritis untuk ujian khusus ini. (NB:Jadual nilai kritikal

boleh ditemui dalam banyak buku teks statistik.). Nilai kritikal bagi ujian satu sisi dengan 20

darjah kebebasan (i.e.n-2) ditemui 0.360. Kerana itu, korelasi antara sifat-sifat keperibadian dan

ketiadaanya tidak dijumpai secara signifikasi.

Pada bahagian seterusnya,kita akan mengambil beberapa contoh dari rajah 12.5 dan

menggambarkankannya untuk tujuan ilustrasi.

ANALISIS STATISTIK:MEMBANDINGKAN PEMBOLEHUBAH

Dalam bahagian ini dan salah satu daripadanya kita akan melakukan beberapa jumlah ujian

statistik. Ini dianggap bahawa sebahagian besar pembaca berpotensi dalam mengakses,jadi

program lain akan digunakan seperti SPSS. Namun kadang-kadang dalam menggunakan excel

untuk menghitung juga adalah sangat susah sehinggakan dalam kes seperti ini perhitungannya

digambarkan dalam bentuk teks.

Data Nominal - satu sampel

Pada bahagian seterusnya kita akan membandingkan hubungan diantara pembolehubah-

pembolehubah tetapi disini kita juga akan menghadkan dalam menerokai edaran daripada

pembolehubah ini. Pertama jika telah menganggap sebuah edaran memang telah ditetapkan

sebelumnya (seperti pengedaran muzik) kita boleh membandingkan pengamatan (data aktual)


frekuensi yang berlawanan diharapkan (teori) frekuensi untuk mengukur kebaikan daripada

kebiasaan.

Mari kita mengatakan terdapat sebuah syarikat yang berminat membandingkan masalah

disiplin di empat tempat pengeluaran dengan merujuk kepada surat amaran yang dikeluarkan

dalam dua tahun yang terakhir. Kita mungkin menganggap bahawa daripada setiap jumlah

pekerja masing-masing telah menerima 25 peratus amaran.

JADUAL 12.6: KONTINGENSI DATA UNTUK DIANALISIS

Bahagian

Kes

Kajian Q¡ Jangkaan E¡

A 12 29

B 68 29

C 14 29

D 22 29

Total 116 116

Bahagian Kajian Q¡ Jangkaan E¡

(Q¡ - E¡ ) ²

------------

E¡


A 12 29 9.97

B 68 29 52.45

C 14 29 7.76

D 22 29 1.69

Total 116 116 71.86

JADUAL 12.7: ANALISIS DATA DARI JADUAL 12.6

Oleh kerana jumlah amaran bertulis yang tercatat adalah 116 (lihat pada jadual 12.6) ini

diharapkan dapat mewakili 29 amaran daripada setiap bahagian. Data dikumpul (diamati

frekuensi) untuk melihat adakah data berpadanan dengan frekuensi yang diharapkan. Hipotesis

nol pula menyatakan bahawa tiada perbezaan frekuensi yang akan dijangka dan diharapkan.

Mengikut saranan terdahulu telah menetapkan tingkat signifikasi di hadapan. Dalam kes ini telah

menyatakan bahawa dengan meletakkan pada p=0,005. Jika ada terdapat perbezaan yang


signifikasi yang ditemui maka hipotesis nol akan ditolak. Jadual 12.6 telah menunjukkan data

yang disebut sebagai jadual kontingensi.

Ujian yang tepat di sini adalah statistik kuasa dua. Untuk setiap kes kami akan

mengurangkan kekerapan yang dijangka daripada frekuensi yang di amati dan keputusan persegi

dan dibahagikan dengan frekuensi yang dijangka : kuasa dua statistik adalah jumlah semua (lihat

jadual 12.17)

Adakah statistik kuasa dua dari 71,86 untuk mengetahui gambar rajah di jadual statistik

yang sesuai untuk statistik kuasa dua. Undian yang akan digunakan akan di medan untuk p =

0,05 dan untuk 3 darjah kebebasan (jumlah kategori dikurangkan satu). Angka ini berubah

menjadi 7.81, yang terlalu jaug bezanya disebabkan chi-square gambar rajah. Oleh kerana itu

kita boleh mengatakan bahawa perbezaan dan kita boleh menolak hipotesis bahawa tidak ada

perbezaan antara masalah antara amaran bertulis dengan bahagian.

Namun perhatikan bahawa frekuensi yang diharapkan tidak harus sama. Katakanlah kita

ketahui melalui beberapa kajian sebelumnya dibahagian B adalah seperti mengeluarkan amaran

sebagai bahagian .jadual 12,18 lain menunjukkan data baru.

Di sini kita mendapati bahawa statistik chi-square baru hanya 6,34,statistik yang tidak

signifikan. Diamantopoulos dan schlegelmilch (1997) amaran bahawa ketika jumlah kategori

dalam pemboleh ubah lebih besar daripada dua kuasa dua tidak boleh digunakan di mana.

JADUAL 12.8: CONTOH DARIPADA SALAH SATU CONTOH UJIAN KUASA DUA

DENGAN PURATA FREKUENSI YANG DIJANGKA.

Bahagian Kajian Q¡ Jangkaan E¡

(Q¡ - E¡ ) ²

------------


E¡

A 12 19.33 2.78

B 68 58.00 1.72

C 14 19.33 1.47

D 22 19.33 0.37

Total 116 116 6.34

lebih daripada 20 peratus daripada frekuensi yang dijangka lebih kecil daripada 5

sebarang frekuensi yang dijangka kurang dari satu

Jika jumlah nombor dengan sel-sel adalah kecil dan ini mungkin untuk menggabungkan

kategorinya yang berdekatan maka digalakan untuk melakukannya. Misalnya jika sebahagian

daripada kita menjangka pada jadual frekuensi 12,14 agak kecil tapi bahagian A dan B berada di

England dan Strategi C dan D di Jerman kita boleh menggabungkan A dengan B dan C dengan D

dalam rangka membuat kajian perbandingan antarabangsa.


Kumpulan Nominal Dan Data Kuantitatif (Biasanya Diedarkan)

Mari mengatakan bahawa anda hendak bandingkan prestasi dua kumpulan atau untuk

bandingkan prestasi satu kumpulan melalui satu tempoh masa menggunakan pembolehubah

dapat dikuantifikasikan seperti skor. Dalam keadaan-keadaan ini kami boleh menggunakan satu

ujian-t berpasangan. T-tests menganggap yang data tertabur secara normal dan yang dua

kumpulan telah varians sama ( sisihan piawai itu selaras). Jika data tidak tertabur secara normal

kemudian biasanya satu tak berparameter ujian, wilcoxon ditandatangani pangkat ujian boleh

digunakan. Ujian t membandingkan cara itu dua kumpulan untuk melihat jika apa-apa perbezaan

di antara mereka adalah signifikan. Jika p nilai dikaitkan dengan t adalah rendah (< 0.05) dan

terdapat bukti untuk menolak hipotesis nol.

Mengatakan bahawa kami mahu memeriksa keberkesanan satu tekanan kaunseling

program. Bab 4 menyatakan tentang bentuk penyelidikan di mana kami melihat bahawa kami

harus mengelak menggunakan satu prauji / reka bentuk pasca ujian kerana akan mengelirukan

pembolehubah-pembolehubah. Jadual 12.9 Oleh kerana itu menunjukkan bahawa kita

dibahagikan secara rawak sampel daripada pekerja untuk menjadi dua kumpulan eksperimen dan

kawalan dan undian taraf tekanan setiap kumpulan masing-masing sebelum dan selepas program.

Tentu saja hanya kumpulan eksperimen menerima tekanan program. Setiap pekerja dalam

sampel pronides diri undian skor tingkat adalah tekanan mereka pada skala 1-20 dan 20 adalah

yang maksimum.

Kita boleh melihat daripada jadual 12,19 yang dalam sejumlah kes tingkat tekanan sebenarnya telah meningkat tetapi dalam banyak kes terutama di tingkat tekanan kumpulan percubaan telah jatuh dalam beberapa kes cukup tajam. Contoh latihan ditunjukkan jadual 12.2

Skor Tekanan A (1)

Pra-Kaunseling

Skor Tekanan A (2)

Pacsa Kanseling

Skor yang

diperolehi

A (2) - A (1)

Kumpulan eksperimen

(Menerima kaunseling)

Pekerja A 15 9 -6


Pekerja B 18 14 -4

Pekerja C 4 6 2

Pekerja D 8 7 -1

Pekerja E 16 8 -8

Pekerja F 15 4 -11

Pekerja G 20 10 -10

Pekerja H 17 10 -7

Kumpulan yang dikawal

(tidak menerima kaunseling)

Pekerja J 13 11 -2

Pekerja K 16 17 1

Pekerja L 7 9 2

Pekerja M 4 4 0

Pekerja N 14 11 -3

Pekerja O 16 15 -1

Pekerja P 9 8 -1

Pekerja Q 8 9 1

JADUAL 12.20: SKOR STRES DATA UNTUK EKSPERIMEN DAN KUMPULAN

KAWALAN SEBELUM DAN SESUDAH KAUNSELING STRES.

Kumpulan nominal dan data kuantitatif (Tidak diedarkan secara normal)

Dalam seksyen di atas kami memandang perbezaan dalam biasanya data teragih antara

kumpulan. Tapi bagaimana jika data tidak memenuhi kehendak yang diperlukan untuk uji

statistik berdasarkan edaran normal. Mari kita berkata, bahawa kita bekerja untuk sebuah kedai

runcit yang ingin menilai kesan daripada dua alternatif layout untuk jabatan pakaian. Dua

bahagian daripada jabatan yang direka semula dan selama dua tempoh minggu sampel rawak

daripada pelanggan membeli produk dalam setiap bahagian diminta untuk penghargaan skor

daripada 100 untuk kualiti yang baik. Jadual 12,20 menunjukkan penemuan dimana masing-

masing diset mengikut kedudukan. Kedudukan ini secara automatik dihasilkan di excel dengan


menggunakan Pencetak / data Analisis / kedudukan dan ciri persentil. Perhatikan bahawa di

mana skor terikat (ciri yang umum dari data ordinal) program di ikuti secara atomatik kedudukan

mereka yang sama-dalam hal ini kedua nilai adalah 50 yang di letakkan di kedudukan 8.

Hipotesis nol adalah bahawa tidak akan ada perbezaan antara kedua set nilai skor.

Data jenis ini Witney U Mann-test ini berlaku

JADUAL 12.20: KEDUDUKAN DUA CIRI KEDAI RUNCIT YANG DIDASARKAN PADA

PENILAIAN PELANGGAN.

Skor Bahagian A Kedudukan Skor Bahagian B Kedudukan

60 5 42 10

92 1 50 8

50 8 38 11

35 12 58 6

75 4 55 7

84 3 26 13

88 2

Total 35 55

Organisasi Mengukur

Antara dua pembolehubah nominal cramer

Antara dua pembolehubah ordinal Penombak korelasi mengikut kedudukan (Di

mana hubungan tidak linear)

Antara dan / atau nisbah skala

pembolehubah.

korelasi produk dalam jangka masa yang

sangat pendek.

( Di mana hubungan yang linear)


JADUAL 12.21: ABSTRAK DARIPADA UJIAN STATISTIK YANG SEDIA UNTUK

MENGUKUR HUBUNGAN ANTARA DUA PEMBOLEHUBAH

Perhatikan bahawa Mann Witney U-ujian ini juga digunakan dalam situasi lain sebagai contoh,

kita akan menggunakan dua perbezaan program latihan yang mengajarkan topik yang sama dan

ingin mengetahui yang mana yang paling berkesan. Jika tidak boleh, anggapkan bahawa data

berasal dari distribusi normal, kita akan menggunakan Mann Witney U-test untuk

membandingkan nilai ujian daripada dua set pelajar.

ANALISIS STATISTIK: PERSATUAN-PERSATUAN ANTARA PEMBOLEHUBAH-

PEMBOLEHUBAH

Bahagian ini memeriksa keadaan di mana kajian itu mengandungi dua pembolehubah-

pembolehubah jenis bebas (nominal, ordinal ,antara/ nisbah). Jadual 12.21 menjelaskan yang

berlainan jenis bagi ukuran persatuan antara dua pembolehubah-pembolehubah yang bergantung

pada jenis pembolehubah yang terlibat.

Organisasi antara dua pembolehubah-pembolehubah nominal

Kadang-kadang kami mungkin akan menyiasat hubungan-hubungan antara dua nominal

pembolehubah-pembolehubah untuk contoh:

Pencapaian pendidikan dan pilihan kerjaya.

Jenis pengambilan (graduan / tidak graduan) dan tahap tanggungjawab dalam sebuah

organisasi

Anda akan ingat dalam perbincangan-perbincangan mengenai kuasa dua di atas bahawa kita

menggunakan statistik untuk melihat apakah edaran daripada pembolehubah berlaku secara

kebetulan atau tidak Cramer's V (yang merupakan peluasan daripada statistik kuasa dua)

pengambilan peringkat ini lebih jauh dan menentukan kekuatan hubungan


JADUAL 12.22: PEMERHATIAN DAN JANGKAAN NILAI TANGGUNGJAWAB

PEKERJA DI SESEBUAH ORGANISASI MENGIKUT PERINGKAT

TANGGUNGJAWABNYA DI ANTARA YANG BERKELULUSAN SARJANA DAN YANG

BUKAN SARJANA

Pencapaian Pendidikan

Sebenar Bukan Kelulusan

Sarjana

Kelulusan sarjana Jumlah

Eksekutif 2 10 12

Pengurus 20 80 100

perniaga 70 64 134

Manual 240 4 244

Jumlah 332 158 490

Dijangka

Eksekutif 8.13 3.87 12

Pengurus 67.76 32.24 100

Perniaga 90.79 43.21 134

Manual 165.32 78.68 244

Jumlah 332 158 490

Di sini anda membahagikan kuasa dua nilai sebagai (saiz sampel) berganda-ganda dengan (k 1)

di mana k adalah lebih kecil bilangan ruangan itu atau baris-baris dalam jadual kontingensi asal.

Anda kemudian mengambil punca kuasa dua angka ini. Mari kita mengatakan bahawa syarikat

berniat untuk menilai dasar permohonan yang lulus dengan membandingkan sejauh manakah

yang kelulusan sarjana dengan yang berkelulusan sarjana dalam hal tingkat tanggungjawabnya

yang mencapai dalam organisasi. Hipotesis nol adalah bahawa akan tiada perbezaan antara tahap

senioriti siswazah berbanding yang tidak siswazah. Jadual 12.22 menyatakan data pada kedua-


duanya yang diperhatikan dan nilai-nilai yang dijangka. Nilai-nilai yang dijangka itu dikira

disebelah lajur jumlah oleh jumlah besar ketika mendarabkan oleh jumlah baris. Oleh itu untuk

eksekutif yang bukan siswazah ,pengiraan adalah 332/490 x 12 =8.13

Analisis korelasi : prinsip pengukuran

Analisis korelasi berkaitan dengan hubungan antara pembolehubah-pembolehubah. Korelasi

adalah sesuatu kekeliruan dengan regresi. Sebagai Fink(1995c) membuat korelasi Namun jelas

dalam menggambarkan berkaitan dengan hubungan (misalnya antara X dan Y) sedangkan regresi

menganggarkan nilai (katakanlah X berdasarkan satu nilai Y). ketika sebuah organisasi diukur

secara numerik kita mendapatkan pekali korelasi yang memberikan kekuatan hubungan kita

mungkin juga akan menarik ke arah persatuan. Hubungan seperti ini boleh menjadi asas daripada

beberapa soalan yang sangat penting dalam analisis organisasi. Sebagai contoh,

Adakah pengenalan teknik-teknik pengurusan prestasi kumpulan tertentu meningkatkan

semangat kerja pekerja berbanding dengan kumpulan lain? (Hubungan, pengurusan

prestasi / semangat kerja)

Apakah ada hubungan antara saiz syarikat (diukur dengan output per pekerja) (hubungan

saiz syarikat / kecekapan)

Adakah langkah-langkah untuk improne kesihatan dan keselamatan tidak dapat dielakkan

mengurangkan pengeluaran?

( hubungan : kesihatan dan prosedur keselamatan / output)

Paling biasanya digunakan adalah pekali-pekali menganggap satu perhubungan linear antara

pembolehubah-pembolehubah dengan rajah 12.14 menjelaskan satu idea bentuk korelasi linear

sempurna. Diukur dari segi bilangan ini akan memberi satu pekali korelasi yang positif dengan

sempurna 1.0 untuk (satu) dan dengan sempurna perkaitan negatif - 1.0 untuk (b). sangat dengan

kasar jika sebuah organisasi adalah di antara 0 dan 0.4 ia dikatakan sebagai lemah di antara 0.4

dan 0.8 sederhana dan di atas 0.8 rajah 12.15 adalah yang kukuh bagaimanapun menunjukkan

satu jenis yang lebih berkemungkinan banyak korelasi di mana pembolehubah-pembolehubah itu

adalah secara sangat positif berkorelasi.


Titik itu menunjukkan benar-benar jatuh hampir satu cerut yang berbentuk sampul surat.

Pencair sampul surat ini lebih kukuh korelasi manakala lebih luas sampul surat lebih lemah

korelasi. Di mana titik-titik itu adalah berselerak terlalu banyak sebagai untuk kelihatan rawak

sepenuhnya kemudian korelasi adalah kemungkinan akan sifar atau hampir dengannya.

Pekali korelasi itu adalah dikira dalam sejumlah cara bergantung pada jenis data yang ada

digunakan. Bahagian ini menumpukan pada bivariat hubungan iaitu organisasi-organisasi antara

hanya dua pembolehubah-pembolehubah. Satu hubung kait dikira untuk satu set data wajib tetapi

dilaku apabila:

Perkara-perkara itu adalah bebas dan tidak dipilih daripada satu kumpulan

Nilai-nilai untuk X dan Y adalah diukur secara bebas

Nilai-nilai X dan Y ini diambil dari penduduk yang tertabur secara normal

Mahupun nilai-nilai untuk X atau Y adalah terkawal ( dalam keadaan yang ,linear

regresi ,bukan korelasi patut dikira

Organisasi antara dua pembolehubah-pembolehubah ordinal

Kadang-kadang ia tidak mungkin untuk memberi nilai-nilai untuk pembolehubah-

pembolehubah hanya dikedudukan (1st,2nd ,3rd). mari kita ambil contoh kes di mana kita

menilai prestasi lima pejabat baru pentadbir. Dua orang penyelia diminta untuk memberi taraf

prestasi pentadbirnya dengan keputusan-keputusan itu dinyatakan di jadual 12.23

Untuk data yang berada di kedudukan atau dalam keadaan di mana hubungan non-linear,

kedudukan penombak korelasi susunan kumpulan tahu sebagai penombak's rho boleh

menggunkan penghitungan dengan rumus berikut tempat di mana D adalah perbezaan

kedudukan untuk setiap ahli.

Memuat data dalam jadual 12,23 kita boleh memperoleh nilai untuk D² seperti yang ditunjukkan

dalam jadual 12,24

Jadual 12.23 Kedudukan penilaian yang dibuat oleh penyelia pada prestasi lima pentadbir


Penyelia Alice Raj Jo Beth Sid

Mr Jones 5 2 4 3 1

Mrs Smith 4 1 3 5 2

Jadual 12.24 Perbandingan kedudukan perbezaan diantara dua Hakim

Penyelia Alice Raj Jo Beth Sid

Mr Jones 5 2 4 3 1

Mrs Smith 4 1 3 5 2

D 1 1 1 -2 -1

D² 1 1 1 4 1

Hubungan organisasi antara pembolehubah berangka

Hal ini sering terjadi bahawa organisasi penyelidik ingin mengeksplorasi potensi

organisasi antara pembolehubah-pembolehubah seperti pendapatan atau usia dan pelbagai

aktiviti manusia seperti pola pengeluaran Penggunaan lain akan membandingkan angka-angka

penjualan terhadap jumlah penjualan syarikat telah menambahkan wakil jualan supaya dapat

meninglatkan hasil jualan.

Ketika mengeksplorasi hubungan antara data nombor (diantara dan / atau nisbah_ seperti

usia angka penjualan atau pendapatan, maka kita boleh menggunakan produk Pearson, oment

korelasi. Namun perlu dicatat bahawa uji statistik ini hanya sesuai jika hubungan antara

pembolehubah-pembolehubah tapi mungkin hubungan U ∩ atau berbentuk. Produk pada saat

korelasi Pearson tidak akan mampu mengesan hal ini. Non-linear organisasi yang terbaik adalah

menggunakan penombak's rho perhitungan.


GLOSARI

Alternatif (Alternative) Pilihan yang merupakan kemestian.

Carta (Chart) Memberikan maklumat dalam bentuk graf, jadual atau

gambar rajah.

Data (data) Butir atau maklumat yang diketahui atau yang telah

dikumpulkan tentang sesuatu dan dapat dijadikan asas

untuk membuat kajian.

Data Nominal (Nominal Data) Data untuk menamakan atau menunjukkan sesuatu

kategori. Ia adalah sekadar untuk melabel atau menamakan

sesuatu ciri atau kategori sahaja.

Data Nisbah (Ratio Data) Data di mana setiap nombor yang dinyatakan dalam skala

mempunyai perbezaan yang sama.

Data Ordinal (Ordinal Data) Data yang menggambarkan kualiti sesuatu atribut tetapi

tidak memberikan maklumat kuantiti.


Data Selang (Interval Data) Data yang menunjukkan tahap ukuran yang menjelaskan

pemboleh ubah yang bersifat aturan atau pengkadaran dan

mempunyai jarak yang sama serta bersebelahan.

Frekuensi (Frequency) Perihal berulang-ulang atau kekerapan.

Hierarki (Hierarchy) Susunan atau kedudukan tinggi rendah berdasarkan taraf

atau kekuasaan.

Hipotesis (Hypothesis) Sesuatu pendapat yang dianggap benar sebagai alas an

walaupun kebenarannya masih belum dibuktikan.

Histogram (Histogram) Rajah yang terdiri daripada petak-petak segi empat bujur

yang digunakan untuk mewakili taburan sesuatu taburan

kekerapan.

Inferens (Inferens) Kesimpulan yang dibuat berdasarkan fakta tertentu.

Julat (Range) Perbezaan antara skor tertinggi dan terendah.

Korelasi (Correlation) Hubungan atau kaitan secara timbal balik.

Kebarangkalian Pengukuran kemungkinan berlakunya sesuatu dinyatakan

sama ada dalam bentuk pecahan atau peratusan.

Kuantitatif (Quantitative) Berdasarkan kuantiti (jumlah atau bilangan sesuatu)

Kualitatif (Qualitative) Berkaitan dengan kualiti atau mutu.

Kuartil Julat (Inter-Quartile range) Perbezaan antara skor yang mempunyai satu perempat di

bawah skor (sering dikenali sebagai kuartil pertama atau

persentil ke-25) dan skor yang tiga per empat di bawah skor

(persentil ke-75).

Persis (Precise) Ketepatan atau kejituan


Populasi (Population) Sekumpulan indiidu, keluarga, kumpulan, organisasi,

komunti, peristiwa atau apa sahaja yang hendak dikaji oleh

penyelidik.

Poligon (Poligon) Bidang atau rajah yang bersudut lebih daripada empat.

Pengkodan (Coding) Satu proses memberikan satu nilai numeric pada sesuatu

jawapan yang diberikan oleh responden.

Sisihan Piawai (Standard deviation) Satu pengukuran takat di mana respon berubah dari min,

dan adalah diperolehi dengan mengira varian dari min,

kuasa duakan mereka, menambah mereka dan mengira

punca kuasa dua.

Statistik deskriptif (Descriptive Statistic) Digunakan untuk menjelaskan fenomena yang

berkaitan dengan sesuatu populasi kajian atau untuk

membuat anggaran terhadap populasi yang

mempunyai ciri-ciri yang tertentu.

Varian (Variance) Satu pengukuran purata sisihan kuasa dua skor

individu itu dari min.

bab 12 (analisis dan persembahan data kuantitatif)

Documents