1 / 67

BAB II PENGUMPULAN DAN PENGOLAHAN DATA (Pertemuan ke-2)

BAB II PENGUMPULAN DAN PENGOLAHAN DATA (Pertemuan ke-2). Oleh : Andri Wijaya, S.Pd., S.Psi., M.T.I. Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Global Informatika Multi Data Palembang. PENGUMPULAN DAN PENGOLAHAN DATA. DATA DAN DATUM.

Download Presentation

BAB II PENGUMPULAN DAN PENGOLAHAN DATA (Pertemuan ke-2)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. BAB II PENGUMPULAN DAN PENGOLAHAN DATA(Pertemuan ke-2) Oleh : Andri Wijaya, S.Pd., S.Psi., M.T.I. Program StudiSistemInformasi SekolahTinggiManajemenInformatikadanKomputer Global Informatika Multi Data Palembang

  2. PENGUMPULAN DAN PENGOLAHAN DATA

  3. DATA DAN DATUM • Datum adalah bentuk tunggal dari data berupa satu nilai hasil pengamatan atau hasil pengukuran. • Data adalah bentuk jamak dari datum berupa sekumpulan nilai hasil pengamatan atau hasil pengukuran.

  4. ARTI DAN JENIS DATA Dataadalahbahanmentah yang perludiolahsehinggamenghasilkaninformasiatauketerangan, baikkualitatifmaupunkuantitatif yang menunjukkanfakta. Jenis dataterdiridaridua, yaitu • Data kuantitatifadalah data yang berupaangka Contoh : jumlahpegawai, gajipegawai, umur, dll. • Data kualitatifadalah data yang tidakberupaangka Contoh : agama, jeniskelamin, pangkat, status, dll. Data kualitatifdapatdikuantitatifkanmelaluikategorisasi

  5. Jenis kelamin • Warna bunga • Habitat, dll Data Kualitatif • Jumlah kloroplas • Jumlah trombosit • Jumlah sel, dll DATA Data Diskret Data Kuantitatif • Berat badan • Jarak kota • Luas tanah, dll Data Kontinu ARTI DAN JENIS DATA

  6. BAGIAN-BAGIAN DATA • Elemen Unit terkecil dari obyek penelitian. • Karakteristik Sifat-sifat, ciri-ciri atau hal-hal yang dimiliki oleh elemen, atau semua keterangan mengenai elemen. • Variabel atau peubah Sesuatu yang nilainya dapat berubah. Nilai karakteristik suatu elemen merupakan nilai variabel.

  7. VARIABEL (PEUBAH) Peubahmerupakanciripopulasi yang dipelajaridarisatuanamatan, biasanyadilambangkandenganhurufbesarataukapital (misalnya: X, Y, atau Z), dapatmengambilsatudaribeberapanilai . • Diskrit : nilainyaterisolasi, biasanyakarenadidefinisikanataudidapatkandengancaramenghitung. • Jumlahanggotakeluarga, jumlahternak, dll. • Kontinu : nilainyadiperolehkarenasuatupengukuran (menggunakanalatukur) • Luastanah, beratbadan, tabungan, dll.

  8. JENIS VARIABEL Bilapenghasilanditentukanolehjenispekerjaan, makapenghasilanmerupakanvariabeltakbebas (dependent) danjenispekerjaanmerupakanvariabelbebas (independent). Variabelbebasadalahvariabel yang dapatberdirisendiridansifatnyadapatmempengaruhivariabel lain. Variabeltakbebasadalahjenisvariabel yang tidakdapatberdirisendirisehinggasifatnyadipengaruhiolehvariabel lain

  9. PENGUKURAN • Pengukuran adalah proses pemberian angka atau label kepada unit analisis untuk merepresentasikan atribut - atribut konsep. Proses ini seharusnya cukup dimengerti orang walaupun (misalnya) definisinya tidak dimengerti. Hal ini karena antara lain kita sering kali melakukan pengukuran. • Contoh: Angka: “korelasi” Label: “restoran enak”, “restoran enak banget”

  10. SKALA PENGUKURAN SkalaPengukuranadalahsuatuskala yang digunakanuntukmengklasifikasikanvariabel yang akandiukursupayatidakterjadikesalahandalammenentukananalisis data danlangkah-langkahpenelitianselanjutnya. Contoh : Data dariorang; elemen-elemen yang dikumpulkanantara lain jeniskelamin, umur, penghasilan, dll.

  11. DATA NOMINAL : Data yang diperoleh dengan cara kategorisasi atau klasifikasi. CIRI : posisi data setara tidak bisa dilakukan operasi matematika (+, -, x, :) CONTOH : jenis kelamin, jenis pekerjaan DATA ORDINAL : Data yang diperoleh dengan cara kategorisasi atau klasifikasi, tetapi di antara data tersebut terdapat hubungan CIRI : posisi data tidak setara tidak bisa dilakukan operasi matematika (+, -, x, :) CONTOH : kepuasan kerja, motivasi DATA INTERVAL : Data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui. CIRI : tidak ada kategorisasi bisa dilakukan operasi matematika CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender DATA RASIO : Data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui dan mempunyai titik 0 absolut. CIRI : tidak ada kategorisasi bisa dilakukan operasi matematika CONTOH : gaji, skor ujian, jumlah buku

  12. TINGKAT PENGUKURAN

  13. SUMBER PENGUMPULAN DATA • Data yang langsung diambil dari responden yang bersangkutan disebut Data Primer. Contoh : Bila akan meneliti motivasi seseorang maka peneliti secara langsung bertanya/ menyebarkan angket kepada orang tersebut. • Bila peneliti mencari/ mengambil data melalui tangan kedua disebut Data Sekunder. Contoh : Peneliti ingin mengetahui perkembangan motorik anak TK maka peneliti dapat bertanya kepada orang tua anak tersebut/ bertanya kepada gurunya.

  14. Wawancara langsung Wawancara tidak langsung Pengisian kuisioner Data Primer DATA Data dari pihak lain: BPS Bank Indonesia World Bank, IMF FAO dll Data Sekunder SUMBER PENGUMPULAN DATA

  15. METODE PENGUMPULAN DATA Metodepengumpulan data dapatmelalui : • Wawancara • Observasi • Angket • Dokumentasi, dll

  16. TEKNIK PENGUMPULAN DATA • Pengumpulan data statistik dapat dilakukan dengan dua cara, yaitu: • Sensus (census) • Pengambilan sampel (sampling)

  17. POPULASI • Populasi : adalahkeseluruhandarikarakteristik (unit/ individu/ kasus/ barang/ peristiwa) hasilpengukuran yang menjadiobyekpenelitian. Contoh : seluruhpendudukKabupatenBekasi, seluruhpetanipadi yang adadiBekasi, dll • Nilaisebenarnyadarisifatpopulasidisebutdenganparameter populasi, yang biasanyadilambangkandenganhurufYunaniseperti (mu),  (sigma),  (pi),  (rho), dan  (theta). • Notasibiasanyadigunakanuntukmenyatakan parameter nilaitengah (rata-rata) populasi, digunakanuntukmenyatakansimpanganbaku (standardeviasi) populasi, digunakanuntukmenyatakanproporsipopulasidandigunakanuntukmenyatakankorelasiduapopulasi.

  18. SAMPEL • Sampel : merupakanbagiandaripopulasi yang paling tidakmempunyaisatuciri yang samadenganpopulasinyauntukmewakilipopulasi. Contoh : penelitiandilakukanpadakaryawan PEMDA Tk. II Bekasisebanyak 5000 (sebagaipopulasi) denganciri-cirisebagaiberikut : Priadanwanita, Penghasilandibawah 200.000,- per bulan, Sudahberkeluarga, Lama bekerjalebihdari 5 tahun, dll. • Nilai yang diperolehdaricontohdisebutdengannilaistatistik.

  19. POPULASI DAN SAMPEL

  20. ALASAN SAMPEL • Diperlukan percobaan yang sifatnya merusak • Populasi tidak terbatas • Ketelitian dalam penyelidikan • Biaya dan ekonomi • Menghemat waktu

  21. BESARNYA SAMPEL • Derajat keseragaman populasi • Derajat presisi yang diinginkan • Tergantung besar & distribusi sampel • Penting untuk dilaporkan • Rencana analisa

  22. CARA PENGAMBILAN SAMPEL • Sampling seadanya • Sampling pertimbangan • Sampling probabilitas • Random sederhana • Random berstrata • Random sistematik • Sampling klaster/ kelompok • Sampling ganda • Sampling bertahap

  23. TEKNIK PENGAMBILAN SAMPEL Cara Acak Suatu cara pemilihan sejumlah elemen dari populasi untuk menjadi sample, dimana setiap elemen mempunyai kesempatan yang sama. Cara ini dianggap obyektif. Samplingnya disebut probability sampling, yang mempunyai probabilitas sama. Cara BukanAcak Suatucarapemilihansejumlahelemendaripopulasiuntukmenjadianggota sample, dimanasetiapelementidakmempunyaikesempatan yang samauntukdipilih. Cara bukanacaklebihbersifatsubyektif.

  24. TEKNIK PENGAMBILAN SAMPEL • Pengambilan sampel random, dilakukan apabila pada populasi tersebut memiliki situasi, kondisi, atau berat satuan yang homogen (seragam). Misalnya minuman ringan dalam satuan kaleng, susu dalam satuan kaleng, makanan ringan dalam satuan kotak, dll. • Pengambilan sampel tak random, dilakukan apabila populasi memiliki situasi atau kondisi yang tidak seragam (heterogen). Teknik ini dilakukan dengan cara membagi populasi menjadi beberapa bagian, selanjutnya dari setiap bagian diambil satu unit sampel.

  25. PERTIMBANGAN PENGAMBILAN SAMPEL • Mempertegas permasalahan penelitian, keterangan atau data yang diperlukan, bilamana diperlukan, kapan data akan dikumpulkan, dll • Menentukan bentuk atau jenis sampling yang sesuai dengan ciri-ciri populasinya, serta menentukan besarnya sampel • Menentukan cara pengambilan sampel, apakah akan dilakukan secara random atau dengan cara yang lainnya.

  26. KESALAHAN DALAM PENELITIAN Sampling error • Kegagalan dalam mengukur beberapa unsur dari individu yang terpilih sebagai sampel, karena orang tersebut tidak ada di rumah, atau meninggal saat dilakukan pencatatan data • Proses pengukurannya kurang baik, karena misalnya operasionalisasi konsepnya kurang baik, pertanyaannya kurang jelas, dll • Dalam menyusun data mungkin terjadi kesalahan, misal dalam memberikan kode, kesalahan input, dsb.

  27. KESALAHAN DALAM PENELITIAN Non sampling error • Yaitu kesalahan penentuan populasi atau sasaran penelitian. • Karenanya peneliti harus hati-hati dalam mendefinisikan poplasi, sebelum pendataan dilakukan, sehingga tidak sampai memasukkan populasi yang tidak semestinya. • Misal: pengusaha yang ingin mengetahui selera makan penduduk kota solo dengan memilih sasaran orang solo yang terdaftar di buku telepon

  28. LANGKAH PENGOLAHAN DATA • Penyusunan data : mengecek data yang dibutuhkanuntukmengujihipotesispenelitian • Klasifikasi data : menggolongkan, mengelompokkan, danmemilahberdasarkanklasifikasitertentuuntukmemudahkanpengujianhipotesis • Pengolahan data : untukmengujihipotesis yang telahdirumuskan. • Interpretasihasilpengolahan data : setelahanalisis data, langkahselanjutnyaadalahmenginterpretasikanhasilanalisisdanakhirnyapenarikankesimpulan.

  29. PROSEDUR PENGOLAHAN DATA • PARAMETER : berdasarkan parameter yang adastatistikdibagimenjadi • StatistikPARAMETRIK : berhubungandenganinferensistatistik yang membahas parameter-parameter populasi; jenis data interval ataurasio; distribusi data normal ataumendekati normal. • StatistikNONPARAMETRIK : inferensistatistiktidakmembahas parameter-parameter populasi; jenis data nominal atau ordinal; distribusi data tidakdiketahuiatautidak normal

  30. PROSEDUR PENGOLAHAN DATA • JUMLAH VARIABEL : berdasarkanjumlahvariabeldibagimenjadi • AnalisisUNIVARIAT : hanyaadasatupengukuran (variabel) untuk n sampelataubeberapavariabeltetapimasing-masingvariabeldianalisissendiri-sendiri. Contoh : korelasimotivasidenganpencapaianakademik. • AnalisisMULTIVARIAT : duaataulebihpengukuran (variabel) untuk n sampeldimanaanalisisantarvariabeldilakukanbersamaan. Contoh : pengaruhmotivasiterhadappencapaianakademik yang dipengaruhiolehfaktorlatarbelakangpendidikanorangtua, faktorsosialekonomi, faktorsekolah.

  31. PROSEDUR PENGOLAHAN DATA MULAI Jenis Data ? Statistik Non Parametrik NOMINAL INTERVAL Statistik Parametrik ORDINAL RASIO Jumlah Variabel ? Analisis Univariat SATU DUA / LEBIH Analisis Multivariat

  32. METODE PENGOLAHAN DATA Pengolahan data dapatdilakukandenganduacara, yaitu: • Manual • Elektronik

  33. BAB IIIPENYAJIAN DATA(Pertemuan 2) Oleh : Andri Wijaya, S.Pd., S.Psi., M.T.I. Program StudiSistemInformasi SekolahTinggiManajemenInformatikadanKomputer Global Informatika Multi Data Palembang

  34. PENYAJIAN DATA

  35. PENYAJIAN DATA ARTI Kumpulan angka-angka yang disusunmenurutkategori-kategori, sehinggamemudahkanuntukpembuatananalisis data TUJUAN Untukmenyajikan data mentah yang diperolehdaripopulasiatausampelmenjadi data yang tertatadenganbaik, sehinggabermaknainformasibagipengambilankeputusan

  36. TABEL ATAU DAFTAR SIFAT – Self explanation / menerangkansendiri BENTUK – Texular, Tabular, Grafical JENIS • TabelBarisKolom • TabelKontigensi • TabelDistrbusi

  37. PRINSIP DASAR TABEL • Sederhana 2 atau 3 tabelsederhana > disukai • “Self Explanatory” 1. Kode, singkatan, / simbol foot note 2. Tiapbaris & kolomsingkatan & jelas 3. Unit pengukuran : ada 4. Judul : jelasdansingkat what, when, where 5. Harusadakolom total • Jikabukanhasilsendiri, sebutsumbernya • Juduldan body, harusadajarak

  38. Judul Kolom TABEL BARIS KOLOM Judul Tabel Kepala Leher Judul Baris Badan Kaki Catatan :

  39. Judul Kolom Jumlah Jumlah TABEL KONTIGENSI Untuk data yang terdiridariduafaktor, berukuranb × k, b = baris, k = kolom Judul Tabel Kepala Judul Baris Leher Badan Kaki Catatan :

  40. TABEL DISTRIBUSI FREKUENSI

  41. BENTUK TABEL • Tabel satu arah Tabel yang hanya memuat satu karakteristk. Contoh: pendidikan, masa kerja, merk, harga • Tabel dua arah Tabel yang hanya memuat dua karakteristk. Contoh: pendidikan dan masa kerja umur dan merk • Tabel tiga arah Tabel yang hanya memuat tiga karakteristk. Contoh: masa kerja, umur, dan golongan umur, merk, dan jenis

  42. Tabel Satu Arah Tabel 3.1 Produksi Kayu Hutan Indonesia 1998 ( 000 m³) Sumber : Departemen Kehutanan 2000

  43. Tabel Dua Arah Tabel 3.2 Jumlah Mahasiswa Universitas XYZ Sumber : Biro Data Universitas XYZ

  44. Tabel Tiga Arah Tabel 3.3 Umur Kendaraan di Kota A Keterangan : A = jenis sedan dan B = jenis niaga

  45. DIAGRAM ARTI Gambar-gambar yang menunjukansecara visual data berupaangka, biasanyaberasaldaritabel yang telahdibuat JENIS • Diagram batang • Diagram garis • Diagram lingkaranatau diagram pastel • Diagram lambang • Diagram petaataukartogram • Diagram pencaratau diagram titik

  46. PRINSIP DASAR DIAGRAM • Data kuantitatif • Sistemkoordinat X axis : independent Y axis : dependent • Sederhana • Self explanatory • Judul : atas/ bawah • Bila > varibel : Bedakandenganjelas • Garisgrafik > tebaldarikordinat • Frekuensi : garisvertikal • Skala : sesuaikan

  47. DIAGRAM BATANG TUNGGAL

  48. DIAGRAM BATANG BERGANDA

  49. DIAGRAM BATANG KOMPONEN BERGANDA

  50. DIAGRAM BATANG PERSENTASE KOMPONEN BERGANDA

More Related