Analisis Data Kuantitatif

Analisis data kuantitatif merupakan proses penting dalam penyelidikan yang melibatkan penggunaan kaedah statistik untuk menafsirkan data numerikal. Salah satu perisian yang paling popular digunakan oleh penyelidik ialah IBM SPSS Statistics. Perisian ini memudahkan penyelidik dalam menguruskan data, menjalankan analisis statistik, dan menghasilkan laporan dalam bentuk yang mudah difahami (Pallant, 2020).

Artikel ini akan membincangkan empat aspek utama dalam persediaan data kuantitatif menggunakan SPSS iaitu: menyediakan data, cara memasukkan data, operasi compute, dan ujian normaliti.

---

1. Menyediakan Data

Sebelum analisis dijalankan, data perlu disusun dengan sistematik. Penyediaan data melibatkan:

• Penentuan jenis data: nominal, ordinal, interval, atau rasio (Field, 2018).

• Menyusun kod data: contohnya, jantina dikodkan sebagai 1 = lelaki, 2 = perempuan.

• Menyemak kesempurnaan data: mengenal pasti nilai hilang (missing values), kesalahan entri, dan data luar jangka (outliers).

Contoh:
Jika soal selidik mempunyai item “Tahap kepuasan pelajar terhadap pembelajaran” menggunakan skala Likert 1 hingga 5, penyelidik perlu memasukkan kod yang konsisten (1 = sangat tidak puas, 5 = sangat puas).

---

2. Cara Masukkan Data ke dalam SPSS

SPSS mempunyai dua paparan utama:

1. Variable View – digunakan untuk menetapkan nama variabel, jenis data, label, nilai, dan ukuran.

   • Name: nama variabel (contoh: “jantina”, “umur”).

   • Label: keterangan ringkas variabel.

   • Values: kod nilai (contoh: 1 = lelaki, 2 = perempuan).

   • Measure: jenis skala (nominal, ordinal, scale).

2. Data View – digunakan untuk memasukkan data sampel baris demi baris. Setiap baris mewakili responden, manakala setiap lajur mewakili variabel.

Contoh:

• Responden 1: jantina = 1, umur = 23, tahap kepuasan = 4.

• Responden 2: jantina = 2, umur = 21, tahap kepuasan = 5.

---

3. Operasi Compute

Fungsi Compute Variable dalam SPSS digunakan untuk:

• Menggabungkan beberapa variabel menjadi satu skor komposit.

• Menjana skor baharu berdasarkan formula matematik.

• Melakukan transformasi data (contoh: menukar skor peratusan kepada gred).

Contoh:
Jika soal selidik mempunyai 10 item untuk mengukur motivasi pelajar, penyelidik boleh menjumlahkan skor semua item menggunakan operasi Compute:

Motivasi_Total = Motivasi1 + Motivasi2 + … + Motivasi10

Hasilnya, satu variabel baharu bernama “Motivasi_Total” akan muncul dalam Data View untuk digunakan dalam analisis seterusnya (Gravetter & Wallnau, 2017).

---

4. Ujian Normaliti

Salah satu langkah penting sebelum memilih ujian statistik ialah menentukan sama ada data berdistribusi normal. Taburan normal merupakan syarat utama bagi kebanyakan ujian parametrik.

SPSS menyediakan beberapa kaedah untuk menguji normaliti:

• Kolmogorov-Smirnov test dan Shapiro-Wilk test

  • Jika nilai p > 0.05, data dianggap normal.

  • Jika nilai p ≤ 0.05, data tidak normal.

• Pemerhatian grafik: Histogram, Q-Q Plot, atau Boxplot.

  • Histogram berbentuk lonceng menunjukkan data hampir normal.

Contoh:
Jika skor pencapaian pelajar menghasilkan nilai Shapiro-Wilk p = 0.12, maka data dianggap normal dan ujian parametrik (contohnya t-test) boleh digunakan. Jika p = 0.01, data tidak normal dan ujian non-parametrik (contohnya Mann-Whitney U test) lebih sesuai (Field, 2018).

---

Kesimpulan

Persediaan data yang rapi dalam SPSS amat penting sebelum menjalankan analisis statistik. Penyelidik perlu memastikan data disusun dengan baik, dimasukkan dengan betul, serta ditransformasikan dengan operasi Compute jika perlu. Ujian normaliti pula menjadi asas dalam menentukan jenis ujian statistik yang sesuai digunakan, sama ada parametrik atau non-parametrik.

Dengan penguasaan langkah-langkah asas ini, penyelidik akan lebih yakin dalam menganalisis data kuantitatif serta menghasilkan dapatan kajian yang sahih dan boleh dipercayai.

---

Rujukan

• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). Sage.

• Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the behavioral sciences (10th ed.). Cengage Learning.

• Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Routledge.