MAU PUNYA SKILL DATA SCIENCE YANG AMAYZING?
Belajar Data Science 6 Bulan hanya 150K  | Pakai Kode: AMAYZING
BURUAN SERBU!
Pendaftaran ditutup dalam 0 Hari 2 Jam 58 Menit 0 Detik 

Jenis Data Statistik Yang Sering Digunakan Penelitian

Belajar Data Science di Rumah 15-September-2021
https://dqlab.id/files/dqlab/cache/daa10be3e7bfe27420e52ae3145764dd_x_Thumbnail800.jpg

Seperti yang kita ketahui, kalau kehadiran data sangatlah penting guna menghasilkan suatu kesimpulan dalam pengambilan keputusan. Analisis data berguna dalam menyusun temuan dari berbagai sumber pengumpulan data, seperti penelitian survei. Hal ini sangat membantu dalam memecahkan suatu permasalahan makro menjadi bagian yang lebih kecil (mikro). Analisis data bertindak seperti filter ketika harus memperoleh informasi penting dari kumpulan data yang besar. Setiap peneliti telah mengumpulkan sejumlah besar data sebelum sampai pada kesimpulan dari pertanyaan penelitian. Sejumlah besar data tersebut menyediakan materi untuk mendukung proses pengambilan keputusan. Di sini, analisis data berperan membantu kita menarik kesimpulan penelitian dengan bantuan penanganan statistik yang tepat. Sekedar menganalisis data tidak cukup dari sudut pandang pengambilan keputusan. Bagaimana cara menafsirkan data yang dianalisis merupakan hal yang lebih penting agar kita tidak salah dalam mengartikan suatu permasalahan yang ada. Analisis yang salah akan memberikan interpretasi yang salah. Interpretasi yang salah akan menghasilkan rekomendasi yang salah. Rekomendasi yang salah akan mengakibatkan perencanaan program yang salah. Perencanaan program yang salah akan menghasilkan pelaksanaan kegiatan yang salah dan pada akhirnya tidak akan memecahkan masalah bahkan bisa menimbulkan masalah baru. Dengan demikian, dapat dikatakan bahwa analisis data merupakan hal yang penting.


Berbicara mengenai data, banyak ragam jenis data yang bisa dijadikan dasar dalam pengambilan keputusan. Biasanya yang paling mudah membaginya adalah data menurut jenis penelitian yang diambil yaitu data kualitatif dan kuantitatif. Data dalam penelitian kualitatif biasanya tidak dituangkan dalam bentuk angka, namun cenderung pada bentuk deskriptif, gambar ataupun bagan yang didasarkan pada fakta yang terjadi dalam penelitian. Sedangkan, data kuantitatif sudah jelas datanya berupa angka dalam arti yang sebenarnya. Penggolongan jenis data berdasarkan jenis penelitian ini seringkali digunakan dalam penelitian. Tentunya sahabat data pastinya sudah tidak asing dengan data-data tersebut. Namun, baik data kuantitatif maupun kualitatif tentunya berbeda data pastinya juga berbeda dari cara pengolahan datanya. Hal ini bisa dianalogikan jika kita memiliki beras dan ketan, maka keduanya memiliki karakteristik dan cara pengolahan yang berbeda. Jika kita memasaknya dengan cara yang sama untuk membuat nasi goreng misalnya, maka tentunya output (hasil) yang diharapkan tidaklah sama. Kira-kira apa saja jenis data statistik yang sering digunakan oleh peneliti? Pada artikel DQLab kali ini, kita akan membahas mengenai jenis data statistik yang biasanya digunakan dalam penelitian. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, peneliti maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!


1. Data Nominal 

Tipe data kategori ini tidak memiliki nilai numerik dan sifatnya lebih kepada kualitatif daripada kuantitatif. Dalam istilah statistik ia juga sering disebut sebagai data nominal. Sesuai namanya, data tipe kategori merupakan bagian dari beberapa kelompok. Misal, jika ada besar maka ada kecil, jika ada laki-laki maka ada perempuan, jika ada benar maka ada salah, jika ada ringan maka ada sedang kemudian berat (3 kategori), dan seterusnya. Contoh dari data kategori antara lain: Data biner (binary) yaitu data dengan 2 kategori. Misal cacat/tidak cacat, yes/no, baik/buruk, dan seterusnya. Hal yang perlu diingat bahwa kita bisa merubah data kategori menjadi numerik. Misal data ras, hitam=1, coklat=2, pirang=3, dan seterusnya. Walau demikian, angka numerik dari data kategori ini tidak memiliki nilai matematis apapun. Jadi bukan berarti rambut warna hitam karena bernilai 1 lebih jelek dari rambut warna coklat yang bernilai 2, begitu pula pirang tidak lebih baik/buruk dari merah.


Baca juga : Pengolahan Data Statistik Parametrik dan Non-Parametrik


2. Data Ordinal

Data ranking (ordinal) ini adalah campuran antara data numerik dan data kategori. Angka yang dimiliki oleh data ordinal memiliki arti matematis. Jadi nilai 2 memang lebih baik dari 1, nilai 5 memang lebih baik dari nilai 3 dan seterusnya. Nilai yang dimungkinkan dalam data ordinal ini biasanya memiliki rentang tertentu. Misalnya ketika kita memberikan nilai (rating) untuk sebuah film yang baru saja kita tonton, maka kita memberikan rating mulai dari 1 (sangat tidak suka) hingga 5 (sangat suka). Contoh lain dari data ordinal adalah misalnya rating yang kita berikan saat mengisi data kuesioner. Biasanya rentang antara 1 sampai 5 atau bahkan 1 sampai 10. Rating yang kita berikan di aplikasi toko online apakah penjualnya memiliki rating buruk (1) atau sangat baik (5). Biasanya dalam bentuk bintang.


3. Data Interval

Data interval adalah data numerik (angka) yang karakteristiknya mirip dengan integer di mana ia tidak dinyatakan dalam desimal. Kemudian data interval tidak memiliki nilai 0 dalam makna matematis yang sesungguhnya (disebut dengan true zero). Misal suhu 0 derajat celcius bukan berarti ia bernilai 0 (kosong), melainkan ia adalah nilai kadar saja. Walau demikian, kita bisa menyatakan minus 15 derajat celcius, 0 derajat celcius, dan 15 derajat celcius seperti sebuah urutan dari kecil ke besar. Karena sifatnya yang tidak memiliki true zero maka kita hanya bisa melakukan operasi penjumlahan dan pengurangan, tapi tidak bisa melakukan operasi perkalian maupun pembagian.


4. Data Rasio

Berbeda dengan data interval, maka data rasio memiliki true zero. Dengan demikian kita bisa melakukan banyak operasi matematika. Ini adalah tipe data favorit para data scientist, karena bisa melakukan banyak teknik statistik untuk mengolah data ini, termasuk penjumlahan, pengurangan, perkalian, dan pembagian. Secara definitif, ia memang sangat mirip dengan data numerik kontinu (continuous), namun yang membedakan adalah ia tidak memiliki nilai minus. Contoh dari data rasio antara lain Luas tanah. Bisa diukur dalam meter persegi, hektar, dan lain-lain. Kadar dosis dalam obat. Bisa diukur dalam mg dan satuan lainnya. Response time (kecepatan respons), bisa diukur dalam ms, s, jam, dan lain-lain


Baca juga : Yuk Pelajari Macam-Macam Metode Analisis Statistika


5. Belajar Statistik Asik dan Menarik Cuma Ada di DQLab!

Statistik memegang peranan yang penting dalam penelitian terutama metode penelitian kuantitatif. Statistik berperan baik dalam penyusunan model, perumusan hipotesis, dalam pengembangan alat dan instrumen pengumpulan data, dalam penyusunan desain penelitian, dalam penentuan sampel dan dalam analisis data. Penentuan metode statistik yang tepat akan menghasilkan ketepatan dan akurasi prediksi yang tepat pula. Mempelajari data science bukan hal yang sulit, tetapi juga tidak bisa disepelekan. Sebab, dalam praktiknya sering kali terjadi trial and error. Oleh sebab itu, mempersiapkan diri sebaik mungkin adalah kunci kesuksesan berkarir sebagai praktisi data. Jika kamu penasaran dengan data science dan ingin belajar data science secara langsung, caranya mudah banget. Kamu bisa loh untuk coba bikin akun gratisnya kesini di DQLab.id atau bisa klik button di bawah ini yap. Nikmati pengalaman belajar data science yang menarik bersama DQLab yang seru dan menyenangkan dengan live code editor. Cobain juga free module Introduction to Data Science with R dan Introduction to Data Science with Python untuk menguji kemampuan data science kamu. Kalian juga bisa mencoba studi kasus penerapan real case industry. Ayo persiapkan dirimu untuk berkarir sebagai praktisi data yang kompeten!



Penulis: Reyvan Maulid


Sign Up & Mulai Belajar Gratis di DQLab!