Bab 2: Jenis-jenis Data & Skala Pengukuran
Dalam statistik, sebelum kita menganalisis sesuatu data, kita perlu tahu jenis data yang kita hadapi. Ini penting kerana jenis data akan menentukan kaedah analisis yang sesuai, dan juga bagaimana kita mempersembahkannya dalam bentuk visual seperti carta atau graf.
Secara umum, data boleh dibahagikan kepada dua kategori utama: kualitatif (bukan nombor) dan kuantitatif (berbentuk nombor).
Data kualitatif digunakan untuk menggambarkan kategori atau label seperti jantina (lelaki/perempuan), warna kegemaran (merah, biru, hijau), atau status perkahwinan (bujang, berkahwin, duda/janda).
Data kuantitatif pula ialah data yang boleh dikira atau diukur, seperti berat badan, suhu, bilangan pelajar dalam kelas, atau markah peperiksaan.
Selain jenis, data juga diklasifikasikan mengikut skala pengukuran. Ini membantu kita memilih teknik statistik yang tepat. Terdapat empat jenis skala pengukuran utama:
Skala Nominal – Ini adalah skala asas di mana data dikategorikan tanpa urutan. Contoh: Jenis kereta (Toyota, Honda, Perodua). Tiada kategori yang “lebih besar” atau “lebih kecil”.
Skala Ordinal – Data mempunyai urutan tetapi perbezaan antara tahap tidak semestinya seragam. Contoh: Tahap kepuasan (Sangat Tidak Puas, Tidak Puas, Neutral, Puas, Sangat Puas).
Skala Interval – Data mempunyai jarak yang seragam tetapi tiada titik sifar mutlak. Contoh: Suhu dalam darjah Celsius (0°C tidak bermaksud tiada suhu).
Skala Nisbah (Ratio) – Ini adalah skala paling tepat. Ia mempunyai jarak seragam dan titik sifar mutlak. Contoh: Berat badan (0 kg bermakna tiada berat).
Memahami skala ini sangat penting kerana ia menentukan:
Jenis carta atau graf yang boleh digunakan (contoh: pie chart hanya untuk nominal/ordinal)
Statistik yang sesuai digunakan (contoh: purata hanya sesuai untuk skala interval dan nisbah)
Sebagai pensyarah, saya sering mendapati ramai pelajar keliru antara jenis data dan skala. Namun, dengan contoh visual dan latihan yang sesuai, mereka cepat menguasainya. Ingatlah, kenali data anda terlebih dahulu, barulah analisis anda jadi bermakna.
