

Email : rizal.andriana@student.matanauniversity.ac.id
RPubs : https://rpubs.com/rizalandriana
Github : https://github.com/rizalandriana
Jurusan : Teknik Informatika
Address : ARA Center, Matana University Tower
Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.
Berikan pendapat anda mengenai Pengertian Data, Jenis-Jenis Data, dan mengapa data itu penting!
Data adalah informasi elemen dasar dari fakta fakta yang menghasilkan informasi yang jelas,data juga membutuhkan beragam penelitian dan sebagainya dan semakin kompleks data semakin rumit.
Jenis-Jenis data
Data ada beberapa jenis diantaranya adalah berdasarkan sifatnya data, berdasarkan sumber data, dan berdasarkan waktu pengumpulannya.
Jelaskan Pengertian dan 4 Jenis Skala Pengukuran dalam Statistika, dan berikan masing-masing contohnya!
1 . Skala nominal
Skala nominal merupakan jenis skala pengukuran yang termasuk kedalam kategori atau kelompok dari suatu subyek. Misalnya, dapat anda lihat pada variabel jenis kelamin, dimana pengelompokan umumnya hanya menjadi dua, yaitu laki-laki (L) dan perempuan(P) yang masing-masing diberi kode 1 dan 2.
Angka tersebut hanya berfungsi sebagai label kategori, tanpa memiliki nilai numerik seperti angka sejati. Angka tersebut tidak memiliki sifat sebagaimana angka pada umumnya, sehingga pada variabel dengan skala nominal tidak dapat diterapkan operasi matematika seperti pengurangan, penjumlahan, perkalian, dll.
Contoh skala nominal
Jenis kelamin (Laki-laki dan Perempuan),
Tingkat kedewasaan (anak-anak, remaja, dan dewasa)
Suku (Batak, Bugis Jawa dll)
Golongan Darah (O, A, B, AB)
Agama
2. Skala ordinal
Skala ordinal merupakan salah satu jenis skala pengukuran dimana lambang-lambang bilangan hasil pengukurannya berupa urutan atau tingkatan. Uji statistik yang sesuai adalah modus, median, distribusi frekuensi dan statistik non-parametrik seperti rank order correlation.
3. Skala Interval
Merupakan jenis skala pengukuran yang mempunyai karakteristik mirip dengan skala ordinal yaitu memiliki urutan tertentu. Sifat lain yang melekat pada skala interval adalah adanya satuan skala (scale unit). Uji statistik yang sesuai adalah semua uji statistik kecuali uji yang mendasarkan pada rasio seperti koefisien variasi.
4. Skala rasio
Skala rasio adalah jenis skala pengukuran yang menghasilkan data dengan mutu yang paling tinggi. Perbedaan skala rasio dengan skala interval terletak pada keberadaan nilai nol (based value). Pada skala rasio, nilai nol bersifat mutlak, tidak seperti pada skala interval. Data yang dihasilkan oleh skala rasio adalah data rasio. Tidak ada pembatasan terhadap alat uji statistik yag sesuai.
Jelaskan pengertian Pupulasi dan Sampel!
Populasi adalah semua individu atau unit yang menjadi bagian dari objek penelitian atau ketertarikan.
Sampel adalah sebagian kecil individu atau unit yang dipuluh dari populasi.
Tuliskanlah definisi, Statistika dan Komputasi Statistika menurut anda!
Statistika dan Komputasi merupakan ilmu yang meliputi pengenalan teknik-teknik dasar statistika serta aplikasinya untuk pembuatan rancangan percobaan, pengumpulan data, serta analisis data sekaligus mengkomunikasikannya secara oral maupun tulisan. Penggunaan piranti lunak paket statistik sederhana untuk pengelolaan data serta interpretasinya.
Jelaskan perbedaan data Kuantitatif dan data kualitatif dari sisi penelitian!
Desain Penelitian
• Kualitatif bersifat umum, fleksibel, dan dinamis. Penelitian kualitatif sendiri dapat berkembang selama proses penelitian berlangsung.
• Kuantitatif memiliki sifat yang khusus, terperinci, dan statis. Alur dari penelitian kuantatif sendiri sudah direncanakan sejak awal dan tidak dapat diubah lagi.
Analisis Data
• Kualitatif dapat dianalisis selama proses penelitian berlangsung.
• Kuantitatif dapat dianalisis pada tahap akhir sebelum laporan.
Istilah Subjek Penelitian
• Kualitatif memiliki subjek penelitian yang biasa disebut dengan narasumber.
• Kuantitatif memiliki subjek penelitian yang biasa disebut dengan responden.
Cara Memandang Fakta
• Kualitatif: Penelitian kualitatif memandang “Fakta/Kebenaran” tergantung pada cara peneliti menginterpretasikan data. Hal ini dikarenakan ada hal-hal kompleks yang tidak bisa sekedar dijelaskan oleh angka, seperti perasaan manusia. Penelitian kuantitatif berangkat dari data yang kemudian dijelaskan oleh teori-teori yang dianggap relevan, untuk menghasilkan suatu teori yang menguatkan teori yang sudah ada.
• Kuantitatif: Penelitian kuantitatif memandang “Fakta/Kebenaran” berada pada objek penelitian di luar sana. Peneliti harus netral dan tidak memihak. Apapun yang ditemukan di lapangan, itulah fakta. Penelitian kuantitatif berangkat dari teori menuju data.
Pengumpulan Data
• Kualitatif: Penelitian kualitatif lebih berfokus pada sesuatu yang tidak bisa diukur oleh hitam putih kebenaran, sehingga pada penelitian kualitatif peneliti mengorek data sedalam-dalamnya atas hal-hal tertentu. Sehingga, kualitas penelitian kualitatif tidak terlalu ditentukan oleh banyaknya narasumber yang terlibat, tetapi seberapa dalam peneliti menggali informasi spesifik dari narasumber yang dipilih.
• Kuantitatif: Pengumpulan data dilakukan dengan menggunakan serangkaian instrumen penelitian berupa tes/kuesioner. Data yang terkumpul kemudian dikonversikan menggunakan kategori/kriteria yang sudah ditetapkan sebelumnya. Kualitas penelitian kuantitatif ditentukan oleh banyaknya responden penelitian yang terlibat.
Representasi Data
• Kualitatif: Hasil penelitian kualitatif berupa interpretasi peneliti akan sebuah fenomena, sehingga laporan penelitian akan lebih banyak mengandung deskripsi.
• Kuantitatif: Hasil penelitian kuantitatif dipresentasikan dalam bentuk hasil penghitungan matematis. Hasil penghitungan dianggap sebagai fakta yang sudah terkonfirmasi. Keabsahan penelitian kuantitatif sangat ditentukan oleh validitas dan reliabilitas instrumen yang digunakan.
Implikasi Hasil Riset
• Kualitatif: Hasil penelitan kualitatif memiliki implikasi yang terbatas pada situasi-situasi tertentu. Sehingga, hasil penelitian kualitatif tidak bisa digeneralisasi dalam setting berbeda.
• Kuantitatif: Hasil penelitian kuantitatif berupa fakta/teori yang berlaku secara umum (generalized). Kapanpun dan di manapun, fakta itu berlaku.
Macam Metode
• Kualitatif: Fenomenologi, etnografi, studi kasus, historis, grounded theory.
• Kuantitatif: Eksperimen, survey, korelasi, regresi, analisis jalur, expost facto.
Tujuan Penelitian
• Kualitatif: Memperoleh pemahaman mendalam, mengembangkan teori, mendeskripikan realitas dan kompleksitas sosial.
• Kuantitatif: Menjelaskan hubungan antar variabel, menguji teori, melakukan generalisasi fenomena sosial yang diteliti.
Jenis Data
• Kualitatif: Deskriptif dan eksploratif
• Kuantitatif: Numerik dan statistik
---
title: "Tugas"
subtitle: "Tugas 1"
author: "Rizal Andriana (2020552007)"
date: "`r format(Sys.Date(), '%B %d, %Y')`"
output: 
  html_document: 
    html_document: null
    code_folding: hide
    toc: yes
    toc_float:
      collapsed: yes
    number_sections: yes
    code_download: yes
    theme: sandstone
    css: style1.css
    highlight: monochrome
---


<img style="float: right; margin: 0px 100px 0px 0px; width:25%" src="me.jpeg"/> 

```{r logo, echo=FALSE,fig.align='center', out.width = '30%'}
knitr::include_graphics("logo.png")
```

Email &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;:  rizal.andriana@student.matanauniversity.ac.id <br>
RPubs  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp; &nbsp; &nbsp;: https://rpubs.com/rizalandriana <br>
Github  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp; &nbsp; : https://github.com/rizalandriana <br>
Jurusan &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;: [Teknik Informatika](https://matanauniversity.ac.id/?ly=academic&c=ti) <br>
Address  &nbsp; &nbsp; &nbsp; &nbsp; : ARA Center, Matana University Tower <br>
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp; Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.

****

# Berikan pendapat anda mengenai Pengertian Data, Jenis-Jenis Data, dan mengapa data itu penting!
    Data adalah informasi elemen dasar dari fakta fakta yang menghasilkan informasi yang jelas,data juga membutuhkan beragam penelitian dan sebagainya dan semakin kompleks data semakin rumit.
  
    Jenis-Jenis data
  
    Data ada beberapa jenis diantaranya adalah berdasarkan sifatnya data, berdasarkan sumber data, dan berdasarkan waktu pengumpulannya.
  
# Jelaskan Pengertian dan 4 Jenis Skala Pengukuran dalam Statistika, dan berikan masing-masing contohnya!
    1 . Skala nominal
        Skala nominal merupakan jenis skala pengukuran yang termasuk kedalam kategori atau kelompok dari suatu subyek. Misalnya, dapat anda lihat pada variabel jenis kelamin, dimana pengelompokan umumnya hanya menjadi dua, yaitu laki-laki (L) dan perempuan(P) yang masing-masing diberi kode 1 dan 2.

        Angka tersebut hanya berfungsi sebagai label kategori, tanpa memiliki nilai numerik seperti angka sejati. Angka tersebut tidak memiliki sifat sebagaimana angka pada umumnya, sehingga pada variabel dengan skala nominal tidak dapat diterapkan operasi matematika seperti pengurangan, penjumlahan, perkalian, dll.

      Contoh skala nominal
      Jenis kelamin (Laki-laki dan Perempuan),
      Tingkat kedewasaan (anak-anak, remaja, dan dewasa)
      Suku (Batak, Bugis Jawa dll)
      Golongan Darah (O, A, B, AB)
      Agama

    2. Skala ordinal
       Skala ordinal merupakan salah satu jenis skala pengukuran dimana lambang-lambang bilangan hasil pengukurannya berupa urutan atau tingkatan. Uji statistik yang sesuai adalah modus, median, distribusi frekuensi dan statistik non-parametrik seperti rank order correlation.

    3. Skala Interval
       Merupakan jenis skala pengukuran yang mempunyai karakteristik mirip dengan skala ordinal yaitu memiliki urutan tertentu. Sifat lain yang melekat pada skala interval adalah adanya satuan skala (scale unit). Uji statistik yang sesuai adalah semua uji statistik kecuali uji yang mendasarkan pada rasio seperti koefisien variasi.

    4. Skala rasio
       Skala rasio adalah jenis skala pengukuran yang menghasilkan data dengan mutu yang paling tinggi. Perbedaan skala rasio dengan skala interval terletak pada keberadaan nilai nol (based value). Pada skala rasio, nilai nol bersifat mutlak, tidak seperti pada skala interval. Data yang dihasilkan oleh skala rasio adalah data rasio. Tidak ada pembatasan terhadap alat uji statistik yag sesuai.
 
# Jelaskan pengertian Pupulasi dan Sampel!
      Populasi adalah semua individu atau unit yang menjadi bagian dari objek penelitian atau ketertarikan.
  
      Sampel adalah sebagian kecil individu atau unit yang dipuluh dari populasi.

# Tuliskanlah definisi, Statistika dan Komputasi Statistika menurut anda!
      Statistika dan Komputasi merupakan ilmu yang meliputi pengenalan teknik-teknik dasar statistika serta aplikasinya untuk pembuatan rancangan percobaan, pengumpulan data, serta analisis data sekaligus mengkomunikasikannya secara oral maupun tulisan. Penggunaan piranti lunak paket statistik sederhana untuk pengelolaan data serta interpretasinya.

# Jelaskan perbedaan data Kuantitatif dan data kualitatif dari sisi penelitian!
1. Desain Penelitian

    • Kualitatif bersifat umum, fleksibel, dan dinamis. Penelitian kualitatif sendiri dapat berkembang selama proses      penelitian berlangsung.

    • Kuantitatif memiliki sifat yang khusus, terperinci, dan statis. Alur dari penelitian kuantatif sendiri sudah direncanakan sejak awal dan tidak dapat diubah lagi.

2. Analisis Data

    • Kualitatif dapat dianalisis selama proses penelitian berlangsung.

    • Kuantitatif dapat dianalisis pada tahap akhir sebelum laporan.

3. Istilah Subjek Penelitian

    • Kualitatif memiliki subjek penelitian yang biasa disebut dengan narasumber.

    • Kuantitatif memiliki subjek penelitian yang biasa disebut dengan responden.

4. Cara Memandang Fakta

    • Kualitatif: Penelitian kualitatif memandang "Fakta/Kebenaran" tergantung pada cara peneliti menginterpretasikan data. Hal ini dikarenakan ada hal-hal kompleks yang tidak bisa sekedar dijelaskan oleh angka, seperti perasaan manusia. Penelitian kuantitatif berangkat dari data yang kemudian dijelaskan oleh teori-teori yang dianggap relevan, untuk menghasilkan suatu teori yang menguatkan teori yang sudah ada.

    • Kuantitatif: Penelitian kuantitatif memandang "Fakta/Kebenaran" berada pada objek penelitian di luar sana. Peneliti harus netral dan tidak memihak. Apapun yang ditemukan di lapangan, itulah fakta. Penelitian kuantitatif berangkat dari teori menuju data.

5. Pengumpulan Data

    • Kualitatif: Penelitian kualitatif lebih berfokus pada sesuatu yang tidak bisa diukur oleh hitam putih kebenaran, sehingga pada penelitian kualitatif peneliti mengorek data sedalam-dalamnya atas hal-hal tertentu. Sehingga, kualitas penelitian kualitatif tidak terlalu ditentukan oleh banyaknya narasumber yang terlibat, tetapi seberapa dalam peneliti menggali informasi spesifik dari narasumber yang dipilih.

    • Kuantitatif: Pengumpulan data dilakukan dengan menggunakan serangkaian instrumen penelitian berupa tes/kuesioner. Data yang terkumpul kemudian dikonversikan menggunakan kategori/kriteria yang sudah ditetapkan sebelumnya. Kualitas penelitian kuantitatif ditentukan oleh banyaknya responden penelitian yang terlibat.

6. Representasi Data

    • Kualitatif: Hasil penelitian kualitatif berupa interpretasi peneliti akan sebuah fenomena, sehingga laporan penelitian akan lebih banyak mengandung deskripsi.

    • Kuantitatif: Hasil penelitian kuantitatif dipresentasikan dalam bentuk hasil penghitungan matematis. Hasil penghitungan dianggap sebagai fakta yang sudah terkonfirmasi. Keabsahan penelitian kuantitatif sangat ditentukan oleh validitas dan reliabilitas instrumen yang digunakan.

7. Implikasi Hasil Riset

    • Kualitatif: Hasil penelitan kualitatif memiliki implikasi yang terbatas pada situasi-situasi tertentu. Sehingga, hasil penelitian kualitatif tidak bisa digeneralisasi dalam setting berbeda.

    • Kuantitatif: Hasil penelitian kuantitatif berupa fakta/teori yang berlaku secara umum (generalized). Kapanpun dan di manapun, fakta itu berlaku.

8. Macam Metode

    • Kualitatif: Fenomenologi, etnografi, studi kasus, historis, grounded theory.

    • Kuantitatif: Eksperimen, survey, korelasi, regresi, analisis jalur, expost facto.

9. Tujuan Penelitian

    • Kualitatif: Memperoleh pemahaman mendalam, mengembangkan teori, mendeskripikan realitas dan kompleksitas sosial.

    • Kuantitatif: Menjelaskan hubungan antar variabel, menguji teori, melakukan generalisasi fenomena sosial yang diteliti.

10. Jenis Data

    • Kualitatif: Deskriptif dan eksploratif

    • Kuantitatif: Numerik dan statistik