BAB III

PENGUMPULAN DATA DAN KAEDAH ANALISIS

3.1 Pengenalan
Metodologi kajian adalah merupakan kaedah-kaedah yang dipilih untuk
dilaksanakan di dalam kajian ini. Ia bertujuan untuk mencapai objektif serta matlamat
yang disasarkan sepertimana yang dikehendaki. Ianya adalah proses penting dan
merupakan sebahagian daripada proses kajian yang melibatkan perlaksanaan.
3.2 Kaedah Pengumpulan Data
3.2.1 Pengumpulan Data Dari Tapak Projek
Data-data yang akan dianalisis dalam kajian ini diperolehi dari pembekal-
pembekal konkrit siap bancuh sekitar daerah Johor Bahru dan Batu Pahat. Data-data
dari ujian mampatan kiub konkrit diambil dari kiub berukuran 150 x 150 x 150mm
untuk gred 25, 30 dan 35. Ujian akan mula dibuat setelah kiub konkrit tersebut
37
mencapai umur 7 dan 28 hari. Cara mendapatkan sampel konkrit dari tapak ada
dinyatakan dalam BS 1881 : Part 101 : 1983.
3.2.2 Pengujian Di Makmal
Perincian ujian kiub diberikan dalam BS 1881 : Part 116 : 1983. Untuk ujian
ditapak bina, rujukan mesti di buat kepada piawaian untuk sepenuh perincian keperluan
untuk prosedur ujian. Dalam kajian kes ini, keputusan ujian diperolehi daripada
makmal bebas dan semua data ujian telah disahkan oleh Jurutera Bertauliah.
3.3 Perisian
Kerja-kerja analisis statistik ini adalah melibatkan penganalisaan data yang
banyak. Penggunaan perisian komputer boleh menjimatkan masa dan mengurangkan
pengiraan yang berulang dan rumit. Dengan itu, Microsoft Excel di pilih untuk
melaksanakan penganalisaan data ini.
3.4 Analisis Data
Data yang diperolehi dianalisis secara statistik. Langkah-langkah penganalisaan
data adalah sepertimana berikut.
38
3.4.1 Pengkelasan dan Penyusunan Data
Data dari ujian konkrit di kelaskan kepada gred dan umur konkrit. Oleh yang
demikian ianya terkumpul dalam beberapa kategori atau set data.
Data dalam sesuatu set data ini terlalu banyak dan berada dalam keadaan rawak
dan tidak tersusun. Ianya sukar untuk di fahami dan di beri penjelasan. Bagi mengatasi
masalah ini, data-data ini disusun dari nilai yang kecil ke nilai yang yang besar. Dengan
data yang tersusun ini, ianya dapat membantu menilai sifat-sifat penting bagi sesuatu
set data. Disamping itu, adalah mudah untuk mengeluarkan nilai-nilai yang eksterim
dan juga mengetahui dengan jelas nilai-nilai tumpuan bagi sesuatu set data.
3.4.2 Penyajian Data
Sesuatu set data disusun menggunakan jadual dan seterusnya ia di
persembahkan dalam bentuk rajah dan graf supaya maklumat yang berfaedah dapat di
perolehi dengan ringkas dan cepat. Satu dari bentuk penjadualan data yang digunakan
ialah taburan frekuensi atau taburan kekerapan. Kemudian, data ini di persembahkan
dalam bentuk graf histogram.
3.4.2.1 Taburan Frekuensi
Taburan frekuensi merupakan jadual ringkas yang menyusun data ke dalam
kelas-kelas tertentu dengan menunjukkan bilangan pencerapan dalam setiap kelas.
39
Melalui kaedah ini, data disusun berdasarkan kekerapan atau frekuensi pembolehubah.
Lazimnya, kumpulan atau data dikelaskan kepada beberapa kelas yang sama lebar
kemudian frekuensi bagi setiap kelas di tentukan.
Maklumat taburan frekuensi boleh ditunjukkan dengan melukis gambarajah.
Sempadan kelas dan frekuensi bagi setiap kelas boleh ditunjukkan seterusnya
memplotkan histogram dan poligon frekuensi.
3.4.2.2 Histogram
Histogram adalah penyajian data dengan menggunakan carta palang bagi
taburan frekuensi atau taburan frekuensi relatif. Lebar palang adalah sama dengan lebar
kelas dan di lukis dari sempadan bawah ke sempadan atas setiap kelas.
3.4.3 Ukuran Kecenderungan Memusat
Setelah data disusun dalam bentuk jadual dan di persembahkan dalam bentuk
grafik, satu lagi cara untuk membuat ringkasan tentang sesuatu set data ialah dengan
mengambil sesuatu nilai atau angka tertentu daripada set data berkenaan. Oleh kerana
kebanyakan set data akan menunjukkan sesuatu kecenderungan untuk bertumpu atau
berkumpul di sekitar suatu nilai pertengahan, maka kita bolehlah menggunakan nilai ini
untuk mewakili keseluruhan set data. Dengan ini, bagi suatu set data, kita dapat
menerangkan atau memerihalkan tentang keseluruhan set berkenaan menggunakan
ukuran yang di panggil Ukuran Kecenderungan Memusat. Beberapa kecenderungan
memusat yang digunapakai iaitu min, median dan mod.
40
3.4.3.1 Min
Min aritmetik adalah nilai purata daripada semua cerapan. Nilai min bagi
populasi ditandakan manakala min sampel ditandakan x . Ukuran min
mengambilkira kesemua nilai dalam set data dengan menjumlahkan semua nilai
cerapan dalam setiap set data dan membahagikannya dengan bilangan cerapan yang
terlibat. Ia merupakan ukuran yang paling luas penggunaannya dalam statistik.
Rumus bagi perhitungan min adalah
x =
n
x
n
i
i
1
Bagi data terkumpul, rumus min ialah
x =
n
x k
n
i
i i
1
dengan
i
k
= kekerapan dalam selang kelas
i
x
= titik tengah bagi setiap kelas
n = bilangan cerapan dalam sampel
3.4.3.2 Median
Median ialah nilai yang terletak ditengah-tengah jika data disusun dalam nilai
menaik. Ini bermakna setengah daripada data terletak di bawah median dan setengah di
41
atas median. Jika bilangan data ganjil maka nilai yang ditengah-tengah adalah median.
Jika bilangan data genap maka purata dua nilai yang terletak ditengah-tengah adalah
median.
Rumus median adalah
Median = item ke
,
_

+
2
1 n
dalam susunan data
Rumus median bagi data terkumpul adalah
Median =
C
k
k
k
L
L

1
1
1
1
]
1

+
+

2
1
Dengan
L = sempadan bawah kelas median
L
k = kekerapan melonggok hingga ke titik L
k = kekerapan kelas median
C = lebar kelas median
3.4.3.3 Mod
Mod ialah ukuran yang mirip kepada median kerana tidak diperolehi melalui
perhitungan. Mod ialah nilai yang paling kerap muncul dalam sesuatu set data. Bagi
data terkumpul pula rumus bagi mendapatkan mod ialah
Mod =
C
b a
a
L
1
]
1

+
+
42
Dengan
L = sempadan bawah kelas mod
a = kekerapan kelas mod kekerapan kelas sebelum kelas mod
b = kekerapan kelas mod kekerapan kelas selepas kelas mod
C = lebar kelas mod
3.4.4 Ukuran Serakan
Min, median dan mod hanya dapat menerangkan sebahagian sahaja daripada ciri
data. Untuk memahami ciri data selain daripada itu kita perlu ukuran serakan.
Ukuran serakan membolehkan kita menentukan kebolehpercayaan ukuran pusat
data. Jika serakan adalah luas maka ukuran pusat tidak dapat mewakili set data dengan
baik. Begitu juga set data yang luas serakannya, biasanya mempunyai masalah yang
perlu diatasi. Sebagai contoh, dalam kawalan mutu, set data yang mempunyai serakan
yang luas menunjukkan proses adalah diluar kawalan. Ukuran serakan yang akan
dibincangkan ialah julat, varians, sisihan piawai dan pekali variasi.
3.4.4.1 Julat
Julat bagi sesuatu set data iaitu selisih diantara nilai paling tinggi dan nilai
paling rendah yang di perolehi untuk setiap set data. Ini adalah satu ukuran bagi luas
atau sempitnya sekumpulan data itu tersebar.
43
Rumus julat adalah
Julat = Skor Paling Besar Skor Paling Kecil
Rumus julat bagi data terkumpul adalah
Julat = Sempadan Atas Sempadan Bawah
Kelas Akhir Kelas Pertama
3.4.4.2 Varians dan Sisihan Piawai
Ukuran varians dan sisihan piawai amat penting dalam menganalisa secara
statistik. Perhitungan varians melibatkan hasiltambah kuasadua sisihan setiap item
daripada min populasi dibahagi jumlah item dalam populasi. Varians populasi
ditandakan dengan
2
.
Nilai sisihan piawai menerangkan bagaimana cerapan-cerapan dalam sesuatu set
data tersebar disekeliling nilai min. Apabila sisihan daripada min dikuasaduakan, setiap
nilai menjadi positif dan sisihan yang lebih besar diberatkan membayangkan serakan
yang lebih luas disekeliling nilai min.
Rumus varians populasi
2
=
( )
N
u x
N
i
i

1
2
Bagi sampel tatatanda varians ialah s
2
.
Rumus varians sampel
44
s
2
=
( )
1
1
2

n
x x
n
i
i
Rumus varians dan sisihan piawai bagi data terkumpul ialah
s
2
=
( )
1
1
2

n
x x k
n
i
i i
3.4.4.3 Pekali Variasi
Untuk membuat perbandingan yang bermakna di antara serakan yang
mempunyai unit yang berbeza, kita perlukan ukuran serakan secara relatif dalam bentuk
peratus dan ukuran yang boleh digunakan ialah ukuran yang dipanggil Pekali Variasi.
Pekali Variasi ialah nisbah sisihan piawai pada min arimetik bagi sesuatu set
data dalam peratus. Pekali Variasi dalam sampel ialah ;
Pekali Variasi =
x
s
x 100
Penyebaran Relatif =
musat derunganMe NilaiKecen
Mutlak Penyebaran
Sekiranya pekali variasi dikira untuk populasi, maka min sampel dan sisihan piawai
sampel digantikan dengan dan .
45
3.4.5 Taburan Kebarangkalian Normal
Taburan Normal adalah satu taburan selanjar berbentuk simetri yang
mempunyai nilai min dan sisihan piawai. Ciri-ciri ini dapat di lihat seperti dalam Rajah
3.1 dibawah.
Rajah 3.1 Ciri-ciri Taburan Normal
Keluk normal ini berguna untuk mengkaji keterangan tentang sifat-sifat data.
Keluk normal dan jadual normal boleh memberikan bahagian pencerapan yang
terkandung di antara dua nilai. Sebarang keluk normal ini ditentukan oleh sisihan
piawai, s dan kedudukannya pada paksi mengufuk ditentukan oleh min, x . Untuk
panduan, selang dalam sisihan piawai,
s
dan peratusan diantaranya diberikan seperti di
Rajah 3.2 dibawah.
46
Rajah 3.2 Selang dalam Sisihan Piawai dalam Lengkung Normal
Nilai-nilai :
-1
s
hingga +1
s
: 68.3% dari cerapan
-2
s
hingga +2
s
: 95.4% dari cerapan
-3
s
hingga +3
s
: 99.7% dari cerapan
Keluk taburan normal diwakili oleh fungsi ketumpatan kebarangkalian normal, iaitu :
( ) x f
=
2
2
1
s
e
2
2
1

,
_

s
x x
Oleh kerana
( ) x f
bergantung kepada nilai x dan
2
s , setiap kebarangkalian yang
dicari memerlukan pengamiran
( ) x f
yang berbeza-beza. Dengan itu, kita
menggunakan taburan normal piawai untuk mencari kebarangkalian sebarang taburan
normal lain.
3.4.6 Taburan Kebarangkalian Normal Piawai
47
Taburan normal piawai ialah suatu taburan normal yang mempunyai min, x =
0 dan varians, s
2
= 1. Ia ditulis sebagai Z~N(0,1) iaitu fungsi ketumpatan bagi Z,
( )
2
2
1
2
1 Z
e z f

+ < < z

dan fungsi taburan kebarangkalian.
( ) ( )dz z f z F
o
z
o


iaitu luas di bawah lengkung
( ) z f
yang berlorek seperti Rajah 3.3
dibawah.
Rajah 3.3 Lengkung Taburan Normal Piawai
Jadual taburan normal piawai memberikan kebarangkalian di sebelah kanan, iaitu
( )
o
z Z P
=
( )dz z f
o
z

= 1-
( )
o
z F
= 1 -
( )
o
z Z P
48
Untuk mencari kebarangkalian suatu taburan normal yang mempunyai min, x dan
varians
2
s , kita perlu mempiawaikannya supaya menjadi taburan normal piawai, iaitu
Jika ( )
2
, ~ s x N x
s
x x
Z

ialah N(0,1)
Penggunaan Lengkung Taburan Normal Piawai dan Jadual Taburan Normal Piawai
boleh memberikan peratus atau kebarangkalian antara dua nilai.
3.4.7 Ujian Hipotesis
3.4.7.1 Ujian Hipotesis bagi Min , Suatu Populasi yang Tertabur Normal
Dengan Varian
2
Diketahui dan n 30.
Jadual 3.1 Ujian Hipotesis untuk n 30
H
o
H
i
Ujian Statistik Tolak H
o
, jika
H
o :
=
o
H
i
: >
o
n
X
Z
test

test
Z
>
Z
H
o :
=
o
H
i
: <
o
n
X
Z
test

test
Z
< -
Z
H
o :
=
o
H
i
:
o
n
X
Z
test

test
Z
> 2
Z
or
test
Z
> - 2
Z
49
50
3.4.7.2 Ujian Hipotesis bagi Min , Suatu Populasi yang Tertabur Normal
Dengan Varian
2
Tidak Diketahui dan n 30.
Jadual 3.2 Ujian Hipotesis untuk n 30
H
o
H
i
Ujian Statistik Tolak H
o
, jika
H
o :
=
o
H
i
: >
o
n
s
X
t
test

test
t
> 1 , n
t

H
o :
=
o
H
i
: <
o
n
s
X
t
test

test
t
< - 1 , n
t

H
o :
=
o
H
i
:
o
n
s
X
t
test

test
t
> 1 , 2 n
t
or
test
t
> - 1 , 2 n
t

51