Terjemahan Chapter 15

> Bab 15
Penyusunan dan Deskripsi Data
> belajar tujuan

Setelah membaca bab ini, Anda akan mengerti. . .
1 Pentingnya mengedit data mentah yang dikumpulkan untuk mendeteksi kesalahan dan kelalaian.
2 Bagaimana pengkodean digunakan untuk menetapkan angka dan simbol lain untuk jawaban dan untuk mengkategorikan tanggapan.
3 Penggunaan analisis isi untuk menafsirkan dan meringkas pertanyaan terbuka.
4 Masalah dengan dan solusi untuk tanggapan "tidak tahu" dan data yang hilang.
5 Opsi untuk entri dan manipulasi data.
“ bekerja pola,
Berpikir untuk di
orang lain
mana dan menerapkannya
Anda melihat apa
cara membuat b
dan tim Anda.
”
untuk situasi Anda sendiri, adalah salah satu yang terbaik
hal-hal ig terjadi untuk Anda
David Novak, ketua dan CEO,

Yum! Brands, Inc.
c coo 2 211550077_c
Hai
Hai _ ch
h 1155__ 3 773-
3 4-4003.3 . saya
n dddddi3 3 7744 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> membawa penelitian untuk kehidupan Pikiran Penulis
Orang awam sering berpikir bahwa data hanya perlu dihitung untuk disajikan. Tetapi seorang peneliti terlatih memahami
bahwa data jarang siap untuk dihitung setelah dikumpulkan. Entri data, jika tidak terjadi bersamaan dengan proses survei,
menambah hari untuk proses tersebut, seperti halnya memeriksa keakuratan data. Myra Wines, kontak utama MindWriter
dengan Henry and Associates, datang lebih awal untuk rapat yang dia minta dengan Jason dan menyela sesi data tentang
proyek Jason lainnya. Dia memiliki kepentingan pribadi pada apa yang sedang dikerjakan Jason, dan dia akan menawarkan
proyek baru kepada Henry and Associates.
“Apakah saya datang lebih awal untuk pertemuan kita bermasalah?” tanya Pagi ini saya menjalankan satu set penuh frekuensi. Jill, David, dan
Myra saat dia bergerak melewati tumpukan hasil cetak komputer yang Sammye memulai analisis awal mereka… uh, 90 menit yang lalu. ”
ditumpuk sangat tinggi tepat di dalam pintu ke kantor Jason. “Mungkinkah tim
yang rajin di kantor luar Anda mempelajari data Proyek MindWriter 2 saya?” “Jadi kurasa aku harus menunggu sampai kamu memiliki sesuatu yang lebih
solid untuk mempelajari bahkan pengarahan tentang apa yang telah kamu
"Belum," komentar Jason sambil melambai ke kursi kosong Myra. temukan sejauh ini?” tanya Myra sambil tersenyum.
“Beri aku satu detik.” Dia dengan cepat menulis dua catatan di Post-it “Ah,” Jason tersenyum sebagai balasannya, “Anda telah mempelajari
dan menampar satu pada sketsa pensil dari grafik dan menempelkan proses H&A dengan cukup baik.” Myra menyeringai lalu mengubah posisinya
yang lain ke histogram. “Sammye, kamu ingin datang mengambil ini?” di kursi, mencondongkan tubuh sedikit ke arah Jason. Tepat sebelum dia
Jason memanggil salah satu anggota tim di kantor luar. berbicara, Jason mengamati, “Oh, tidak! Anda mengubah postur 'Saatnya
turun ke bisnis'. Jadi, apa proyek baru yang ingin Anda diskusikan. . . dan
Sementara itu, Myra memilih kursi yang tersedia dan menunggu. Dia tenggat waktu yang tidak mungkin Anda ingin saya penuhi? "
di sini untuk meyakinkan Jason agar mengambil proyek lain untuk
MindWriter. Yang ini memiliki perputaran yang singkat. Mengalihkan “Dengarkan aku, Jason. Grup produk LT3000 MindWriter telah memutuskan
perhatiannya ke Myra, Jason mengekstrak folder yang terletak di perlu menggunakan 'keunggulan dalam sistem yang dirancang khusus' sebagai
credenza di belakangnya. “Sebenarnya lebah pekerja itu adalah anggota klaimnya dalam kampanye iklan baru, tetapi bagian hukum mengatakan kami tidak
baru staf saya, mahasiswa pascasarjana dari universitas. Mereka memiliki cukup data untuk mendukung klaim tersebut. Agensi iklan yang kami pilih
ditugaskan ke theCityCenter untuk proyek PerformingArts, ”kata Jason. memiliki peluang yang pendek. Kami membutuhkan data pendukung dalam 10
“Karena rekomendasi Anda, kami mendapatkan pekerjaan itu. Saya pikir hari. ” Myra mengangkat tangannya untuk menghentikan keberatan yang dia
Anda tahu. " antisipasi dari Jason. “Kami tahu Anda tidak punya waktu untuk mengumpulkan
data primer baru dan menganalisisnya dalam 10 hari… jadi saya membawa hal
“Tentu saja saya tahu. Saya telah melayani di dewan CCPA selama terbaik berikutnya. Saya punya tiga kotak catatan lain-lain di bagasi saya… ”
dua tahun. Apakah Anda akan mempresentasikan analisis awal pada
pertemuan berikutnya Jumat ini? ”
“Seperti lusa?” tanya Jason. “Hanya dalam mimpi kita! Analisis awal "Ayo kita lihat apa yang kamu bawakan untukku," erang Jason dengan
yang Anda lihat mereka kerjakan hanya untuk kami. Meskipun kami dapat ramah saat dia membuka diri dari kursinya. “Kemudian kita akan melihat
mengembangkan bagan presentasi yang mungkin disajikan kepada apakah proyek ini layak.” Saat dia melewati kantor luar, Jason memberi isyarat
Dewan Pusat, kemungkinan besar tidak ada materi yang Anda lihat kepada salah satu siswa untuk mengikuti; lalu di samping Myra dia berkata,
bertumpuk di sini yang akan berakhir dalam laporan sebagaimana adanya. “Myra, temui David Chesley. Anda hanya beruntung karena semua pekerja
Kami sama sekali tidak siap untuk menulis laporan klien. Kami baru saja magang baru saya sangat bersemangat sehingga mereka menikmati
selesai membersihkan file datanya kemarin. mengerjakan dua proyek sekaligus. ”
ooo2211550077__cchh1155__337733--440033..iinndDDd
cco 3 37755 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
376 > bagian IV Analisis dan Penyajian Data
> pengantar
Begitu data mulai mengalir, perhatian peneliti beralih ke analisis data. Bab ini berfokus pada tahap pertama dari proses tersebut, yaitu
persiapan dan deskripsi data. Persiapan data meliputi pengeditan, pengkodean, dan pemasukan data dan merupakan aktivitas yang
memastikan keakuratan data dan konversinya dari bentuk mentah menjadi bentuk yang diperkecil dan diklasifikasikan yang lebih sesuai
untuk analisis. Mempersiapkan ringkasan statistik deskriptif adalah langkah awal lainnya untuk memahami data yang dikumpulkan.
Selama langkah inilah kesalahan entri data dapat terungkap dan diperbaiki. Gambar 15-1 mencerminkan langkah-langkah dalam fase
proses penelitian ini.
> Gambar 15-1 Penyusunan Data dalam Proses Penelitian
Pengukuran
Pertanyaan
Desain Instrumen
Ujian Akhir Precode

Instrumen Instrumen
Berkode & Telah Teruji

Instrumen
Pengumpulan & Persiapan Data
Mengumpulkan data
Kode pos Kode Pos Gratis-

Masukkan Data
Instrumen Pertanyaan Respon
Edit File Data
Analisis & Interpretasi Data
c coo 2 211550077_c
Hai
Hai _ ch
h 1155__ 3 773-
3 4-4003.3 . saya
n dddddi3 3 7766 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Bab 15 Penyusunan dan Deskripsi Data 377
> Mengedit
Langkah pertama yang biasa dalam analisis adalah mengedit data mentah. Mengedit mendeteksi kesalahan dan kelalaian, memperbaikinya bila
memungkinkan, dan menyatakan bahwa standar kualitas data maksimum tercapai. Tujuan editor adalah untuk menjamin bahwa data adalah:
• Tepat.
• Konsisten dengan maksud pertanyaan dan informasi lain dalam survei.
• Masuk dengan seragam.
• Lengkap.
• Disusun untuk menyederhanakan pengkodean dan tabulasi.
Dalam pertanyaan berikut yang diajukan kepada orang dewasa berusia 18 tahun atau lebih, satu responden memeriksa dua kategori, menunjukkan
bahwa dia adalah seorang pensiunan perwira dan saat ini bertugas aktif.
Harap tunjukkan status militer Anda saat ini:
Tugas aktif Memesan Pensiunan
Garda Nasional Terpisah Tidak pernah bertugas di militer
Tanggung jawab editor adalah untuk memutuskan jawaban mana yang konsisten dengan maksud pertanyaan atau
informasi lain dalam survei dan paling akurat untuk masing-masing peserta.
Pengeditan Bidang
Dalam proyek besar, tinjauan pengeditan lapangan merupakan tanggung jawab pengawas lapangan. Ini juga harus dilakukan segera setelah
data dikumpulkan. Selama penekanan pengumpulan data dalam wawancara pribadi dan pencatatan kertas dan pensil dalam sebuah
observasi, peneliti sering menggunakan singkatan ad hoc dan simbol khusus. Segera setelah wawancara, eksperimen, atau observasi,
penyidik harus meninjau formulir pelaporan. Sulit untuk melengkapi apa yang telah disingkat atau ditulis secara singkat atau dicatat secara
tidak sah jika entri tidak tertangkap pada hari itu. Ketika celah masuk muncul dari wawancara, panggilan balik harus dilakukan daripada
menebak apa yang "mungkin akan dikatakan oleh responden". Wawancara diri tidak memiliki tempat dalam penelitian berkualitas.
Fungsi kontrol penting kedua dari pengawas lapangan adalah untuk memvalidasi hasil lapangan. Ini biasanya berarti dia akan
mewawancarai kembali beberapa persentase responden, setidaknya pada beberapa pertanyaan, memverifikasi bahwa mereka telah
berpartisipasi dan bahwa pewawancara berkinerja memadai. Banyak perusahaan riset akan menghubungi kembali sekitar 10 persen
responden dalam proses validasi data ini.
Pengeditan Pusat
Meskipun survei online dan entri data berikutnya telah menghilangkan beberapa masalah pengeditan,
terlepas dari mode pengumpulannya, semua data harus mendapatkan pengeditan menyeluruh. Untuk studi
kecil, penggunaan editor tunggal menghasilkan konsistensi maksimum. Dalam studi besar, tugas pengeditan
harus dialokasikan sehingga setiap editor menangani satu bagian penuh. Meskipun pendekatan terakhir
tidak akan mengidentifikasi ketidakkonsistenan antara jawaban di bagian yang berbeda, masalah dapat
ditangani dengan mengidentifikasi pertanyaan di bagian berbeda yang mungkin menunjukkan kemungkinan
ketidakkonsistenan dan meminta seorang editor memeriksa data yang dihasilkan oleh pertanyaan ini.
Kadang-kadang jelas bahwa entri salah — misalnya, ketika responden dengan jelas menentukan Kualitas data tidak bisa dibiarkan begitu saja. Data tidak ada artinya jika tidak
berkualitas baik, jadi pembersihan data sangat penting. Jika penelitian

waktu dalam hari (misalnya, 13) ketika diminta dalam beberapa minggu (misalnya, Anda
menghasilkan orang yang tepat pada waktu yang tepat untuk menghasilkan
mengharapkan jumlah 4 atau kurang) —atau data dimasukkan di tempat yang salah. Ketika balasan
data yang tepat untuk sebuah keputusan, peneliti tidak mempertaruhkan
tidak sesuai (di luar kisaran nilai yang diharapkan atau tidak terkait dengan pertanyaan yang wawasan tersebut.
diajukan) atau hilang,
c coo 2 211550077_c
Hai
Hai _ ch
h 1155__ 3 773-
3 4-4003.3 . saya
n dddddi3 3 7777 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Menutup naik

Seberapa Kotor Masalah Data Kotor?
Data kotor, data yang “menyesatkan, tidak benar, tanpa format umum, mengandung bidang "pemasok" dari banyak database, mencegah database tersebut digabungkan
kesalahan ejaan atau tanda baca, salah dimasukkan, atau dipalsukan oleh dengan benar atau mencegah peneliti menemukan pola yang berkaitan dengan
responden” Sebuah adalah masalah bisnis utama. Di era pengumpulan data online ini, setiap pemasok. Data salah hanya salah; ini paling sering terjadi saat data hilang,
data menjadi kotor ketika duplikat data dibuat, seperti ketika responden "secara tidak atau salah, atau saat data, seperti pesanan pelanggan, tidak dimasukkan sama
sengaja mengklik dua kali tombol 'kirim' pada formulir [atau survei], atau [dalam studi sekali.
klik-tayang web] mengunjungi kembali halaman yang telah 'kedaluwarsa' dan Langkah-langkah dasar untuk menangani data yang buruk adalah sama: mendeteksinya
menyegarkannya. ” b Data menjadi kotor jika sudah kedaluwarsa, seperti saat calon dan menghapus atau memperbaikinya. Tetapi beberapa ahli menyarankan langkah ketiga:
pelanggan pindah atau mengubah nomor telepon atau alamat emailnya. Data kotor menentukan seberapa banyak kesalahan yang dapat ditoleransi. g Jika data buruk ada di area
juga dapat terjadi jika ada "terputusnya hubungan antara data di sistem komputer dan kritis, seperti hasil tes darah pasien atau piutang perusahaan, waktu dan upaya organisasi
data yang tertanam di kertas atau dokumen elektronik yang tidak dapat dibaca untuk memperbaikinya mungkin sepadan. Jika data kotor ada di bagian catatan pada file
mesin." c manajemen kontak seorang penjual, itu mungkin tidak menjamin waktu dan tenaga seperti itu.
Masalahnya menjadi sangat buruk sehingga beberapa perusahaan menyewa pengelola data
— seseorang yang ditugasi menjaga kebersihan data perusahaannya. h
Dimana data kotor bisa menjadi masalah? Cobalah ke kantor dokter Anda ketika dia
mencoba mendiagnosis penyakit atau kondisi Anda. Atau restoran favorit Anda mencoba
memutuskan item apa yang akan dikeluarkan dari menunya. Atau pabrikan mencoba Menurut firma riset dan penasehat Gartner Inc., 25 persen dari data penting di
mengidentifikasi praktik perawatan mesin yang membuat suku cadang yang rusak. Atau 1000 perusahaan teratas dunia sedang dan akan terus dibanjiri. saya Perkiraan lain
seorang manajer hubungan manusia yang mencoba membedakan program pelatihan menunjukkan bahwa angka itu bisa mencapai 30 persen. j Dun & Bradstreet Corp., yang
mana yang memiliki dampak paling positif pada keuntungan organisasi. Craig Focardi, membantu perusahaan membersihkan file pemasok mereka, memperkirakan sebagian
menulis Perbankan Hipotek, mendeskripsikan pemberi pinjaman sebagai orang yang hidup besar perusahaan menunjukkan 20 persen catatan pemasok duplikat. k Sebuah studi
dengan "pola makan yang hilang, tidak lengkap, dan tidak akurat untuk memulai pinjaman". PricewaterhouseCoopers menunjukkan bahwa manajemen data yang buruk
Dia menyamakannya dengan "brigade ember air, di mana air hilang saat ember air membebani bisnis global “lebih dari $ 1,4 miliar per tahun dalam penagihan, akuntansi,
berpindah dari tangan ke tangan". d Dia percaya bahwa data berkualitas buruk adalah dan persediaan yang tidak memadai”. l Profesor pemenang Penghargaan Roger
penyebab krisis likuiditas hipotek saat ini di Amerika Serikat. “Selama musim panas tahun Needham dari British Computer Society, Wenfei Fan, memperkirakan bahwa "data
2007, likuiditas pendanaan subprime mortgage menghilang sebagian karena pemberi kotor merugikan bisnis AS sebanyak $ 611 miliar — dan pelanggan AS sebanyak $ 2,5
pinjaman subprime dan investor hipotek kekurangan data untuk menilai ulang secara miliar setahun." m
akurat dan menilai ulang risiko kredit, jaminan, dan pembayaran di muka.”
Kebanyakan ahli setuju bahwa langkah pertama adalah menetapkan protokol data, aturan
sederhana tentang bagaimana data dimasukkan, seperti apa nama item (celana, celana
Untuk mengatasi masalah kualitas data, ada baiknya untuk mengkategorikan masalah panjang, atau celana panjang) atau bagaimana tanggal dimasukkan (20 Maret 2010 atau 20 10
data kotor menjadi empat kategori: data tidak valid, data tidak lengkap, data tidak konsisten, Maret). Saran lain termasuk membuat cadangan data secara teratur, mengontrol akses ke data
dan data salah. e Data tidak valid adalah data yang mengandung kesalahan entri, seperti melalui mekanisme keamanan, merancang antarmuka pengguna yang mencegah input data
kode pos yang tidak ada. Data tidak lengkap ada data yang hilang yang dibutuhkan untuk yang tidak valid, dan menggunakan perangkat lunak pendeteksi dan koreksi kesalahan saat
membuat keputusan; menghapus data dari satu database karena disk crash atau kehilangan mengirimkan data. n Presiden Tigris Consulting menambahkan, “Anda harus sangat berhati-hati
link antara database di gudang data dapat membuat data yang tidak lengkap, seperti halnya saat mengambil data dari sistem yang berbeda untuk memastikan bahwa itu adalah nama field
membuat data menjadi medan pertempuran dalam perang wilayah internal— “semua orang yang benar, format yang tepat dan secara semantik, [data] berarti apa yang Anda inginkan. ” Hai Namun
yang bergantung pada bagian kecil [miliknya] sendiri dari penyimpanan data, tidak ada yang sebagian besar pakar data yakin situasinya tidak akan membaik sampai manajemen puncak
mau berbagi. " f Data tidak konsisten sering dilihat hanya dari perspektif gambaran besar; menjadikan data bersih sebagai prioritas.
data dari satu database mungkin sedikit atau tidak masuk akal jika dilihat dari perspektif data
dalam database yang terpisah tapi terhubung. Ini mungkin karena protokol data, seperti
menamai perusahaan: IBM dapat dimasukkan sebagai IBM, IBM, atau Mesin Bisnis
www.tigris.com; www.gartner.com; www.dnb.com;
Internasional di
www.pwc.com; www.bcs.org; www.mortgagebankingmaga-
zine.com
c coo 2 211550077_c
Hai
Hai _ ch
h 1155__ 3 773-
3 4-4003.3 . saya
n dddddi3 3 7788 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> jepret tembakan

CBS: Beberapa Lab Luar Biasa
Pengunjung Las Vegas memiliki kesempatan untuk menentukan arah amati peserta dan umpan balik mereka dari kantor-kantor terpencil di seluruh negeri.
pemrograman CBS dengan mengunjungi Pusat Penelitian Kota Televisi CBS di Fasilitas, yang dirancang oleh GES, juga menyediakan kemampuan kelompok fokus,
MGMGrand Hotel and Casino. Apa yang membuat Las Vegas menjadi lokasi digunakan untuk wawancara lanjutan bersama dengan inisiatif penelitian lainnya. Peserta
yang ideal untuk laboratorium penelitian adalah persilangan populasi Amerika dan diberi kompensasi dengan kesempatan untuk memenangkan sistem home theater, serta
sejumlah besar warga internasional di antara 39 juta pengunjungnya setiap tahun. kupon $ 10 yang dapat mereka tukarkan pada T-shirt berlogo program, topi, pin,
Dalam skrining khas dengan 250 orang, individu mewakili lebih dari 40 negara gantungan kunci, dan bahkan perangkat lunak komputer di toko CBS Television City
bagian dan semua gaya hidup yang mungkin. Peserta menonton segmen 30- Research Center . Timbul dari tes sementara yang dilakukan di
hingga 45 menit dari program baru atau yang diusulkan, tanpa gangguan
komersial, diikuti dengan proses survei yang berlangsung selama 15 menit. 1991, fasilitas penelitian saat ini beroperasi 12 jam per hari sepanjang tahun. Jadi pada
Setiap kursi dilengkapi dengan layar sentuh komputer yang terhubung ke Nielsen kunjungan Anda berikutnya ke City of Lights, ketika slot atau penghibur terkenal kehilangan
ReelResearch milik Nielsen Entertainment. Peserta berbagi umpan balik tentang daya tarik, hibur diri Anda dengan penelitian.
pertunjukan dan demografi pribadi secara real time, Apa saja keuntungan memiliki entri data layar sentuh?
www.nielsen.com; www.viad.com
editor terkadang dapat mendeteksi jawaban yang tepat dengan meninjau informasi lain dalam kumpulan data. Praktik ini, bagaimanapun,
harus dibatasi pada beberapa kasus di mana sudah jelas apa jawaban yang benar. Mungkin lebih baik menghubungi responden untuk
informasi yang benar, jika waktu dan anggaran memungkinkan. Alternatif lain adalah editor memberikan jawaban jika tidak sesuai. Di sini
entri pengeditan "tidak ada jawaban" atau "tidak diketahui" dipanggil.
Masalah lain yang dapat dideteksi oleh pengeditan saat menggunakan wawancara pribadi atau telepon adalah memalsukan wawancara yang tidak
pernah terjadi. "Wawancara kursi berlengan" ini sulit dikenali, tetapi editor berada dalam posisi terbaik untuk melakukannya. Salah satu pendekatannya
adalah memeriksa tanggapan atas pertanyaan terbuka. Ini paling sulit untuk dipalsukan. Pola respon yang khas pada pertanyaan lain akan sering
muncul jika terjadi pemalsuan data. Untuk mengungkap ini, editor harus menganalisis sebagai seperangkat instrumen yang digunakan oleh setiap
pewawancara.
Berikut beberapa aturan yang berguna untuk memandu editor dalam pekerjaan mereka:
• Pahami instruksi yang diberikan kepada pewawancara dan pembuat kode.
• Jangan menghancurkan, menghapus, atau membuat entri asli yang asli oleh pewawancara atau responden tidak terbaca; entri asli
harus tetap terbaca.
• Buat semua entri pengeditan pada instrumen atau kumpulan data dalam beberapa warna berbeda dan dalam bentuk standar.
• Awalnya semua jawaban diubah atau diberikan.
• Tempatkan inisial dan tanggal pengeditan pada setiap instrumen yang diselesaikan atau di bidang terpisah dalam kumpulan data.
> Pengodean
Pengodean melibatkan pemberian angka atau simbol lain ke jawaban sehingga tanggapan dapat dikelompokkan ke dalam sejumlah kategori
terbatas. Dalam pengkodean, kategori adalah partisi dari kumpulan data dari variabel tertentu (misalnya, jika variabel tersebut jenis kelamin, partisi
adalah pria dan Perempuan). Kategorisasi adalah proses menggunakan aturan untuk mempartisi tubuh data. Baik pertanyaan tertutup maupun
pertanyaan terbuka harus diberi kode. Beberapa pertanyaan kertas dan survei online berisi kode numerik atau tekstual dan ini adalah
cco 3 37799 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
terlihat oleh responden. Pertanyaan lain, misalnya pertanyaan respons terbuka, diberi kode setelah data dikumpulkan.
Pengodean ulang variabel setelah data awalnya dianalisis dimungkinkan saat mencoba memahami pola dalam data.
Kategorisasi data mengorbankan beberapa detail data tetapi diperlukan untuk analisis yang efisien. Kebanyakan program perangkat lunak
statistik dan spanduk / tabel bekerja lebih efisien di numerik mode. Alih-alih memasukkan kata pria atau Perempuan dalam menanggapi
pertanyaan yang menanyakan identifikasi jenis kelamin seseorang, kami akan menggunakan kode numerik (misalnya, 0 untuk pria dan 1 untuk
wanita). Pengkodean numerik menyederhanakan tugas peneliti dalam mengonversi variabel nominal, seperti jenis kelamin, menjadi "variabel
tiruan", topik yang kita diskusikan di suplemen Pusat Pembelajaran Online: Analisis Multivariasi, Ikhtisar. Software statistik juga dapat
menggunakan kode alfanumerik, seperti saat kita menggunakan M dan F, atau huruf lain, dikombinasikan dengan angka dan simbol untuk
gender.
Konstruksi Buku Kode

SEBUAH buku kode, atau skema pengkodean, berisi setiap variabel dalam penelitian dan menentukan penerapan
aturan pengkodean ke variabel. Ini digunakan oleh peneliti atau staf penelitian untuk mempromosikan entri data
atau analisis data yang lebih akurat dan lebih efisien. Ini juga merupakan sumber definitif untuk menemukan posisi
variabel dalam file data selama analisis. Dalam banyak program statistik, skema pengkodean merupakan bagian
integral dari file data. Kebanyakan buku kode — terkomputerisasi atau tidak — berisi nomor pertanyaan, nama
variabel, lokasi kode variabel pada media input (misalnya, spreadsheet atau file data SPSS), deskriptor untuk opsi
respons, dan apakah variabel tersebut alfabet atau numerik. Contoh dari buku kode berbasis kertas ditunjukkan
pada Tampilan 15-2. Uji coba instrumen memberikan informasi yang cukup tentang variabel untuk menyiapkan
buku kode.
Coding Pertanyaan Tertutup

Tanggapan atas pertanyaan tertutup mencakup item berskala yang jawabannya dapat diantisipasi. Pertanyaan tertutup lebih
disukai oleh peneliti daripada pertanyaan terbuka karena efisiensi dan spesifisitasnya. Mereka lebih mudah untuk dikodekan,
dicatat, dan dianalisis. Ketika kode ditetapkan dalam fase desain instrumen penelitian
Dengan
survei terkomputerisasi n dari
Peneliti di sini meminta cetakan

frekuensi semua variabel ketika 83
kasus telah dimasukkan. IBM ® SPSS ® Statistik
menyajikannya secara berurutan dalam
satu dokumen. Bingkai kiri menunjukkan
semua variabel
disertakan dalam file keluaran khusus

ini. Kedua variabel Qual2 dan Qual3
menunjukkan
3 kasus hilang. Ini akan menjadi
peringatan bagi peneliti yang baik.
Selama pengeditan, peneliti ingin
memverifikasi bahwa ini adalah contoh
nyata di mana peserta tidak menilai
kualitas kedua objek, daripada
kesalahan entri data. SPSS Inc.
diakuisisi oleh IBM pada bulan Oktober
2009.
www.ibm.com/software/
analitik / spss
c coo 2 211550077_c
Hai
Hai _ ch
h 1155__ 3 773-
3 4-4003.3 . saya
n dddddi3 3 8800 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-2 Contoh Buku Kode Item Kuisioner
Variabel Variabel
Pertanyaan Jumlah Deskripsi Kode Nama
______ 1 Catat nomor RECNUM

______ 2 Nomor responden RESID
1 3 Kode pos 5 digit 99999 5 zip

Hilang
2 4 2 digit tahun lahir 99 5 KELAHIRAN
Hilang
3 5 Jenis kelamin JENIS KELAMIN
1 5 Pria
2 5 Perempuan
9 5 Hilang
4 6 Status pernikahan PERNIKAHAN
1 5 Menikah
2 5 Duda)
3 5 Bercerai
4 5 Terpisah
5 5 Tidak pernah menikah 9 5
Hilang
5 7 Own – Rent PERUMAHAN

1 5 Sendiri
2 5 Menyewa
3 5 Disediakan
9 5 Hilang
6 Alasan pembelian
1 5 Tersebut
0 5 Tidak disebutkan
8 Membeli rumah RUMAH

9 Kelahiran anak BIRTHCHD
10 Kematian kerabat atau teman KEMATIAN
11 Dipromosikan PROMO
12 Berubah pekerjaan / karir CHGJOB
13 Membayar biaya kuliah COLLEXP
14 Aset yang diperoleh AKTIVA
15 Pensiunan PENSIUNAN
16 Status perkawinan berubah CHGMAR

17 Memulai bisnis STARTBUS
18 Bisnis yang diperluas EXPBUS
19 Pengaruh orang tua INDUK
20 Dihubungi oleh agen AGEN
21 Lain LAIN
data, precoding diperlukan karena perangkat lunak menghitung data saat dikumpulkan. Pra-pengkodean sangat membantu untuk entri
data manual (misalnya, dari surat atau mencegat survei yang dilakukan sendiri) karena membuat langkah perantara untuk
menyelesaikan lembar kode entri data tidak perlu. Dengan instrumen yang telah dikodekan, kode untuk kategori variabel dapat diakses
langsung dari kuesioner. Seorang peserta, pewawancara, pengawas lapangan, atau peneliti (tergantung pada metode pengumpulan
data) dapat memberikan kode yang sesuai pada instrumen dengan memeriksa, melingkari, atau mencetaknya di lokasi pengkodean
yang tepat.
Gambar 15-3 menunjukkan pertanyaan-pertanyaan dalam contoh buku kode. Saat prakode digunakan, pengeditan mendahului
pemrosesan data. Perhatikan pertanyaan 4, di mana responden dapat memilih di antara lima kategori status perkawinan dan memasukkan
nomor item yang paling mewakili status sekarang di bagian pengkodean kuesioner. Kode ini kemudian ditransfer ke media input untuk
dianalisis.
cco 3 38811 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-3 Contoh Item Kuisioner
1. Apa kode pos tempat tinggal Anda? __ __ __ __ __
2. Berapa tahun lahir Anda? 19__ __
3. Jenis Kelamin (1) Pria (2) Menunjukkan

Wanita pilihanmu __
dengan nomor
4. Apa status perkawinan Anda? (1)

Menikah Menunjukkan
(2) Janda (er) pilihanmu __
(3) Bercerai dengan nomor
(4) Terpisah
(5) Tidak pernah menikah
5. Apakah Anda memiliki atau menyewa tempat tinggal utama Anda? (1) Milik
Menunjukkan
(2) Sewa pilihanmu __
(3) Tersedia tempat tinggal dengan nomor
6. Apa yang mendorong Anda untuk membeli polis asuransi

jiwa terbaru Anda?
___________________________________
___________________________________
___________________________________
___________________________________
___________________________________
___________________________________
Mengkode Pertanyaan Terbuka

Salah satu alasan utama untuk menggunakan pertanyaan terbuka adalah bahwa informasi yang tidak mencukupi atau
kurangnya hipotesis dapat menghalangi persiapan kategori tanggapan sebelumnya. Peneliti dipaksa untuk mengkategorikan
tanggapan setelah data dikumpulkan. Alasan lain untuk menggunakan tanggapan terbuka mencakup kebutuhan untuk
mengukur perilaku sensitif atau tidak disetujui, menemukan arti-penting atau kepentingan, atau mendorong mode ekspresi
alami. 1 Selain itu, mungkin lebih mudah dan lebih efisien bagi peserta untuk menulis jawaban singkat yang diketahui daripada
membaca daftar opsi yang panjang. Apa pun alasan penggunaannya, menganalisis pertanyaan terbuka dalam jumlah besar
akan memperlambat proses analisis dan meningkatkan peluang kesalahan. Variasi jawaban untuk satu pertanyaan bisa
mengejutkan, menghambat kategorisasi pascakoleksi. Bahkan ketika kategori diantisipasi dan dikodekan untuk pertanyaan
terbuka, setelah data dikumpulkan, peneliti mungkin merasa berguna untuk menilai kembali kategori yang telah ditentukan
sebelumnya. Salah satu contoh adalah skala 7 poin di mana peneliti menawarkan peserta tiga tingkat persetujuan, tiga
tingkat ketidaksepakatan, dan satu posisi netral. Setelah data dikumpulkan, jika nuansa kesepakatan yang lebih halus ini
tidak terwujud,
Tampilan 15-3, pertanyaan 6, mengilustrasikan penggunaan pertanyaan terbuka yang tidak memiliki pengetahuan awal tentang
opsi respons. Jawaban untuk "Apa yang mendorong Anda untuk membeli polis asuransi jiwa terbaru Anda?" akan diisi oleh peserta
sebagai esai jawaban singkat. Setelah evaluasi pendahuluan, kategori tanggapan (diperlihatkan dalam buku kode, Tampilan 15-2)
dibuat untuk item itu.
cco 3 38822 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
Aturan Coding
Empat aturan memandu pra dan pasca pengkodean serta kategorisasi kumpulan data. Kategori dalam satu variabel harus:
• Sesuai dengan masalah dan tujuan penelitian.

• Lengkap.
• Saling eksklusif.
• Berasal dari satu dimensi klasifikasi.
Peneliti membahas masalah ini saat mengembangkan atau memilih setiap pertanyaan pengukuran tertentu. Salah satu tujuan uji
coba instrumen pengukuran adalah untuk mengidentifikasi dan mengantisipasi masalah kategorisasi.
Kelayakan
Kesesuaian ditentukan pada dua tingkat: (1) pembagian data terbaik untuk menguji hipotesis dan menunjukkan hubungan dan (2)
ketersediaan data pembanding. Misalnya, ketika usia sebenarnya diperoleh (skala rasio), editor dapat memutuskan untuk
mengelompokkan data berdasarkan rentang usia untuk menyederhanakan penemuan pola dalam data. Jumlah kelompok usia dan luasnya
setiap rentang, serta titik akhir di setiap rentang, harus ditentukan oleh data perbandingan — misalnya, rentang usia sensus AS, basis data
pelanggan yang mencakup rentang usia, atau data usia yang tersedia dari Fox TV digunakan untuk membeli media iklan.
Ketuntasan
Peneliti sering menambahkan opsi "lain" ke pertanyaan pengukuran karena mereka tahu bahwa mereka tidak dapat mengantisipasi semua
kemungkinan jawaban. Sejumlah besar tanggapan "lain", bagaimanapun, menunjukkan skala pengukuran yang dirancang peneliti tidak
mengantisipasi berbagai informasi. Editor harus menentukan apakah tanggapan "lainnya" sesuai dengan kategori yang ditetapkan, jika
kategori baru harus ditambahkan, jika data "lainnya" akan diabaikan, atau jika beberapa kombinasi dari tindakan ini akan diambil.
Meskipun persyaratan ketuntasan untuk variabel tunggal mungkin jelas, aspek kedua kurang terlihat. Apakah satu rangkaian
kategori — sering kali ditentukan sebelum data dikumpulkan — sepenuhnya menangkap semua informasi dalam data? Misalnya,
tanggapan atas pertanyaan terbuka tentang prospek ekonomi keluarga untuk tahun depan mungkin awalnya dikategorikan hanya
dalam istilah "optimis" atau "pesimis". Mungkin juga mencerahkan untuk mengklasifikasikan tanggapan dalam istilah konsep lain
seperti fokus yang tepat dari harapan ini (pendapatan atau pekerjaan) dan variasi tanggapan antara kepala keluarga dan orang lain
dalam keluarga.
Eksklusivitas Mutual
Aturan penting lainnya saat menambahkan kategori atau menyelaraskan kembali kategori adalah bahwa komponen kategori harus saling
eksklusif. Standar ini terpenuhi ketika jawaban tertentu dapat ditempatkan dalam satu dan hanya satu sel dalam kumpulan kategori. Misalnya,
dalam sebuah survei, asumsikan bahwa Anda menanyakan pekerjaan mereka kepada peserta. Skema kategorisasi satu editor mungkin
termasuk (1) profesional, (2) manajerial, (3) penjualan, (4) klerikal, (5) kerajinan, (6) operator, dan (7) pengangguran. Sebagai editor,
bagaimana Anda akan membuat kode untuk jawaban peserta yang menyebutkan "penjual di Gap dan siswa penuh waktu" atau mungkin "guru
sekolah dasar dan pembuat pajak"? Menurut data sensus, tidak jarang orang dewasa di masyarakat kita memiliki lebih dari satu pekerjaan. Di
sini, definisi operasional dari pekerjaan yang dikategorikan sebagai "profesional", "manajerial, "Dan" penjualan "akan membantu memperjelas
situasi. Tetapi editor yang menghadapi situasi ini juga perlu menentukan bagaimana data pekerjaan kedua ditangani. Salah satu opsinya
adalah menambahkan bidang pekerjaan kedua ke kumpulan data; cara lainnya adalah mengembangkan kode yang berbeda untuk setiap
kombinasi pekerjaan ganda yang unik.
cco 3 38833 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
384 > bagian IV Sebuah
> gambar profil

QSR International telah merilis versi dua dari program perangkat lunak penelitian kualitatif XSight. Dengan alat untuk menguji teori, memetakan analisis Anda, dan
melaporkan temuan, XSight digunakan di berbagai industri lain yang menangani informasi tidak terstruktur, termasuk SDM, hukum, pemasaran, dan pariwisata. Layar
ini menunjukkan fungsi "peta" XSight. Seperti bagan ﬂ ip atau papan putih, "peta" memberi Anda ruang untuk mengatur pikiran Anda dan mewakili hubungan di
antara mereka secara visual. Apa yang membuat "peta" XSight unik adalah bahwa mereka dapat didukung dengan tautan langsung ke informasi pendukung, seperti
kutipan peserta. Anda juga dapat mengimpor peta ke dalam brief dan presentasi klien Anda. www.qsrinternational.com
Dimensi Tunggal
Masalah tentang bagaimana menangani entri pekerjaan seperti "wiraniaga yang menganggur" memunculkan aturan keempat dari
desain kategori. Kebutuhan kumpulan kategori untuk mengikuti prinsip klasifikasi tunggal berarti setiap opsi dalam kumpulan kategori
didefinisikan dalam istilah satu konsep atau konstruksi. Kembali ke contoh pekerjaan, orang dalam penelitian ini mungkin seorang
wiraniaga dan pengangguran. Label "tenaga penjual" mengungkapkan konsep tersebut jenis pekerjaan; tanggapan "pengangguran"
adalah dimensi lain yang terkait status pekerjaan saat ini tanpa memperhatikan pekerjaan normal responden. Jika kumpulan kategori
mencakup lebih dari satu dimensi, editor dapat memilih untuk membagi dimensi dan mengembangkan bidang data tambahan;
"Pekerjaan" sekarang menjadi dua variabel: "jenis pekerjaan" dan "status pekerjaan".
Menggunakan Analisis Isi untuk Pertanyaan Terbuka

Respon berbasis teks yang semakin meningkat untuk pertanyaan pengukuran terbuka dianalisis dengan perangkat lunak analisis konten. Analisis
konten mengukur konten semantik atau apa aspek dari sebuah pesan. Luasnya membuatnya menjadi alat yang fleksibel dan luas yang
dapat digunakan sebagai metodologi yang berdiri sendiri atau sebagai teknik khusus masalah. Organisasi pengamat tren seperti
BrainReserve, Naisbitt Group, SRI International, dan Inferential Focus menggunakan variasi pada analisis konten untuk proyek-proyek
tertentu, sering kali melihat perubahan dari artikel surat kabar atau majalah sebelum dapat dikonfirmasi secara statistik. Itu
cco 3 38844 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
Analisis konten Grup Naisbitt atas 2 juta artikel surat kabar lokal yang dikumpulkan selama periode 12 tahun menghasilkan
penerbitan Megatrends.
Jenis Konten
Analisis konten telah dijelaskan sebagai "teknik penelitian untuk deskripsi objektif, sistematis, dan kuantitatif dari konten nyata
komunikasi." 2 Karena definisi ini terkadang membingungkan dengan hanya menghitung aspek pesan yang jelas seperti
kata-kata atau atribut, interpretasi yang lebih baru telah memperluas definisi untuk memasukkan konten laten dan juga
konten yang nyata, makna simbolik dari pesan, dan analisis kualitatif. Seorang penulis menyatakan:
Dalam satu pesan tertulis, seseorang dapat menghitung huruf, kata, atau kalimat. Seseorang dapat mengkategorikan frasa, menggambarkan struktur logis
dari ekspresi, memastikan asosiasi, konotasi, denotasi, kekuatan elokusi, dan seseorang juga dapat menawarkan interpretasi psikiatri, sosiologis, atau politik.
Semua ini mungkin valid secara bersamaan. Singkatnya, sebuah pesan dapat menyampaikan banyak konten bahkan ke satu penerima. 3
Analisis isi mengikuti proses sistematis untuk pengkodean dan menggambar kesimpulan dari teks. Ini dimulai dengan menentukan unit data
mana yang akan dianalisis. Dalam teks tertulis atau verbal, unit data terdiri dari empat jenis: sintaksis, referensial, proposisional, atau tematik.
Setiap jenis unit adalah dasar untuk mengkodekan teks ke dalam kategori yang saling eksklusif dalam pencarian makna kami.
• Sintaks unit dapat berupa kata, frasa, kalimat, atau paragraf; kata-kata adalah unit data terkecil dan paling andal untuk dianalisis.
Meskipun kami pasti dapat menghitung unit ini, kami lebih tertarik pada arti yang diungkapkan penggunaannya. Dalam analisis konten,
kami dapat menentukan kata-kata yang paling umum digunakan untuk mendeskripsikan produk A versus pesaingnya, produk B. Kami
bertanya, Apakah deskripsi untuk produk A ini lebih cenderung mengarah pada pendapat yang disukai dan dengan demikian menjadi
preferensi dan akhirnya pilihan, dibandingkan dengan deskripsi yang digunakan untuk produk B?
• Referensial unit adalah dijelaskan dengan kata-kata, frase, dan kalimat; mereka bisa berupa objek, peristiwa, orang, dan seterusnya, yang
diacu oleh ekspresi verbal atau tekstual. Peserta dapat merujuk pada produk sebagai "klasik", "pelaku kekuasaan", atau "peringkat pertama
dalam keamanan" —setiap kata atau frasa dapat digunakan untuk menggambarkan objek yang berbeda, dan itu adalah objek yang
dikodekan dan dianalisis oleh peneliti hubungannya dengan frasa.
• Proposisional unit adalah pernyataan tentang suatu objek, peristiwa, orang, dan sebagainya. Misalnya, seorang peneliti yang menilai
iklan untuk langganan majalah mungkin menyimpulkan, "Pelanggan yang menanggapi penawaran A akan menghemat $ 15 untuk harga
terbitan tunggal." Ini adalah pernyataan penghematan yang dilampirkan pada teks klaim iklan khusus ini.
• Tematik unit adalah topik terkandung di dalam (dan di) teks; mereka mewakili abstraksi tingkat tinggi yang disimpulkan dari teks
dan konteksnya. Tanggapan atas pertanyaan terbuka tentang perilaku pembelian mungkin mencerminkan tema temporal: masa
lalu ("Saya tidak pernah membeli merek alternatif sebelum Anda mengubah paket"), masa kini ("Saya sangat menyukai kemasan
baru"), atau masa depan ("Saya akan membeli produk lebih sering jika memiliki lebih banyak rasa"). Kami juga dapat melihat
komentar yang berkaitan dengan tema atau topik "kemasan" versus karakteristik produk, "rasa."
Seperti semua metodologi penelitian lainnya, penggunaan analitis dari analisis isi dipengaruhi oleh keputusan yang dibuat
sebelum pengumpulan data. Analisis konten menjaga persepsi konten secara selektif, menyediakan penerapan kriteria
reliabilitas dan validitas yang ketat, dan dapat menerima komputerisasi.
Konten Apa yang Dianalisis?
Analisis konten dapat digunakan untuk menganalisis data tertulis, audio, atau video dari eksperimen, observasi, survei,
dan studi data sekunder. Data yang jelas untuk dianalisis konten termasuk transkrip kelompok fokus, transkrip
wawancara, dan tanggapan survei terbuka. Tetapi peneliti juga menggunakan analisis isi pada iklan, brosur promosi,
siaran pers, pidato, halaman Web, dokumen sejarah, dan prosiding konferensi, serta artikel majalah dan surat kabar.
Dalam intelijen kompetitif dan pemasaran analisis konten kandidat politik adalah metodologi utama.
cco 3 38855 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
Contoh
Mari kita lihat aplikasi informal analisis isi untuk pertanyaan terbuka yang bermasalah. Dalam contoh ini, yang kami proses tanpa
menggunakan perangkat lunak analisis konten, misalkan karyawan di departemen penjualan perusahaan manufaktur ditanya,
"Bagaimana hubungan perusahaan-pelanggan dapat ditingkatkan?" Contoh tanggapan menghasilkan yang berikut:
• Kita harus memperlakukan pelanggan dengan lebih hormat.
• Kita harus berhenti mencoba mempercepat proses penjualan saat pelanggan menyatakan keberatan atau kekhawatiran.
• Kita harus memiliki perangkat lunak yang memungkinkan pelacakan waktu nyata dari pesanan pelanggan.
• Laptop kami sudah usang. Kami tidak dapat bekerja dengan perangkat lunak terbaru atau mengakses informasi dengan cepat ketika kami
berada di lapangan.
• Manajer [departemen penjualan] saya bersikap kasar terhadap pelanggan ketika dia mendapat telepon saat saya berada di lapangan. Dia
harus dipindahkan atau dipecat.
• Manajemen harus berhenti menekan kita untuk memenuhi kuota penjualan ketika pelanggan kita telah membatasi status buka-untuk-beli
mereka.
Langkah pertama dalam analisis mengharuskan unit yang dipilih atau dikembangkan membantu menjawab pertanyaan penelitian.
Dalam contoh kita, pertanyaan penelitian berkaitan dengan mempelajari siapa atau apa yang menurut tenaga penjualan merupakan sumber
untuk meningkatkan hubungan perusahaan-pelanggan. Pass pertama melalui data menghasilkan beberapa kategori umum dalam satu
dimensi konsep: sumber tanggung jawab, ditunjukkan pada Tampilan 15-4. Kategori-kategori ini saling eksklusif. Penggunaan "lainnya"
membuat kumpulan kategori lengkap. Namun, jika banyak dari peserta sampel menyarankan perlunya tindakan oleh pihak lain — misalnya,
pemerintah atau asosiasi perdagangan — maka memasukkan semua tanggapan tersebut ke dalam kategori "lain" akan mengabaikan
banyak kekayaan data. Seperti skema pengkodean untuk respons numerik, pilihan kategori sangat penting.
Karena tanggapan terhadap jenis pertanyaan ini sering menyarankan tindakan tertentu, evaluasi data kedua menggunakan unit
proposisional. Jika kita hanya menggunakan kumpulan kategori pada Tampilan 15-4, analisis akan menghilangkan sejumlah besar
informasi. Analisis kedua menghasilkan kategori untuk perencanaan tindakan:
• Hubungan manusia.
• Teknologi.
• Latihan.
• Perencanaan strategis.
• Area aksi lainnya.

• Tidak ada area tindakan yang diidentifikasi.
> Gambar 15-4 Contoh Pengodean Pertanyaan Terbuka (sebelum revisi)

Pertanyaan: “Bagaimana hubungan perusahaan-pelanggan dapat ditingkatkan?”
Locus of Responsibility Tersebut Tidak Disebutkan
Perusahaan ________________ ________________
B. Pelanggan ________________ ________________
C. Perusahaan Bersama-Pelanggan ________________ ________________
F. Lainnya ________________ ________________
cco 3 38866 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-5 Open Question Coding (setelah revisi)

Pertanyaan: “Bagaimana hubungan perusahaan-pelanggan dapat ditingkatkan?”
Locus of Responsibility Frekuensi ( n 5 100)
A. Manajemen
1. Manajer penjualan 10
2. Proses penjualan 20
3. Lainnya 7
5. Tidak ada area tindakan yang teridentifikasi 3
B. Penjual
1. Pelatihan 15
C. Pelanggan
1. Proses pembelian 12
2. Lainnya 8
3. Tidak ada area tindakan yang teridentifikasi 5
D. Kondisi lingkungan
E. Teknologi 20
F. Lainnya
Bagaimana kita dapat mengkategorikan tanggapan yang menyarankan proses teknologi pelatihan gabungan? Gambar 15-5
mengilustrasikan kombinasi alternatif. Mengambil kategori dari daftar pertama dari area tindakan memungkinkan untuk mendapatkan
jumlah frekuensi yang akurat dari kemungkinan klasifikasi gabungan untuk pertanyaan ini.
Dengan menggunakan perangkat lunak yang tersedia, peneliti dapat menghabiskan lebih sedikit waktu untuk mengkode tanggapan terbuka dan
menangkap kategori. Perangkat lunak juga menghilangkan biaya tinggi untuk mengirimkan tanggapan ke perusahaan pengkodean luar. Apa yang
biasanya membutuhkan staf pengkodean beberapa hari sekarang dapat diselesaikan dalam beberapa jam.
Perangkat lunak analisis konten menerapkan algoritme statistik untuk menjawab pertanyaan terbuka. Ini memungkinkan proses stemming,
aliasing, dan pengecualian. Stemming menggunakan turunan dari akar kata umum untuk membuat alias (misalnya, menggunakan mencari,
mencari, mencari, untuk Cari). Aliasing mencari sinonim ( bijaksana atau pintar untuk cerdas). Pengecualian menyaring kata-kata sepele ( menjadi,
adalah, itu, dari) dalam mencari makna. 4
Saat Anda menggunakan program berbasis menu, opsi kategorisasi otomatis membuat kategori yang dapat dikelola dengan
mengelompokkan istilah yang muncul bersama-sama di seluruh kumpulan data tekstual. Kemudian, dengan beberapa penekanan tombol, Anda
dapat mengubah parameter kategorisasi dan menyempurnakan hasil Anda. Setelah kategori Anda konsisten dengan pertanyaan penelitian dan
investigasi, Anda memilih apa yang ingin Anda ekspor ke file data atau dalam format tab-delimited. Outputnya berupa tabel dan plot yang
berfungsi sebagai modul untuk laporan akhir Anda. Tampilan 15-6 menunjukkan plot yang dihasilkan oleh analisis konten dari data keluhan
MindWriter. Jarak antara pasangan suku mengungkapkan seberapa besar kemungkinan suku tersebut muncul bersama-sama, dan warna
mewakili kategori.
Tanggapan "Tidak Tahu"

Itu Tanggapan "tidak tahu" (DK) menyajikan masalah khusus untuk persiapan data. Ketika kelompok respon DK kecil, tidak merepotkan.
Namun ada kalanya hal itu menjadi perhatian utama, dan bahkan mungkin tanggapan yang paling sering diterima. Apakah ini berarti
pertanyaan yang memunculkan tanggapan ini tidak berguna? Jawabannya adalah, Semuanya tergantung. Sebagian besar jawaban DK
terbagi dalam dua kategori. 5 Pertama, ada
cco 3 38877 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-6 Kedekatan Plot Keluhan Pelanggan MindWriter
Diperiksa
sebelum Pengirim
kembali responsivitas
Dikembalikan
belum diperbaiki
Kelipatan (2x) Masalah mendapatkan kotak pengiriman

Dikembalikan perbaikan
rusak
Jaminan
Beberapa ( ≥ 3x) masalah
Produk
perbaikan
kualitas
Bagian tidak
disimpan Profesionalisme
persediaan
Telepon
tahan waktu
Tidak
panggilan tindak lanjut
jawaban DK yang sah bila responden tidak tahu jawabannya. Tanggapan ini memenuhi tujuan penelitian kami; kami
mengharapkan tanggapan DK dan menganggapnya berguna.
Pada situasi kedua, jawaban DK menggambarkan kegagalan peneliti untuk mendapatkan informasi yang sesuai. Pertimbangkan
pertanyaan ilustrasi berikut:
1. Siapa yang mengembangkan konsep Kisi Manajerial?
2. Apakah Anda yakin kebijakan fiskal presiden baru sudah bagus?
3. Apakah Anda menyukai pekerjaan Anda saat ini?
4. Manakah dari berbagai merek permen karet yang menurut Anda memiliki kualitas terbaik?
5. Seberapa sering Anda pergi ke bioskop setiap tahun?
Masuk akal untuk mengharapkan bahwa beberapa tanggapan DK yang sah akan dibuat untuk setiap pertanyaan ini. Pada pertanyaan
pertama, responden ditanyai tentang tingkat informasi yang seringkali tidak mereka miliki. Tampaknya ada sedikit alasan untuk menahan
jawaban yang benar jika diketahui. Dengan demikian, sebagian besar jawaban DK atas pertanyaan ini harus dianggap sah. Tanggapan DK
atas pertanyaan kedua menghadirkan masalah yang berbeda. Tidak segera jelas apakah responden mengabaikan kebijakan fiskal
presiden atau mengetahui kebijakan tersebut tetapi belum membuat penilaian tentang itu. Peneliti seharusnya mengajukan dua
pertanyaan: Pertama, mereka akan menentukan tingkat kesadaran responden tentang kebijakan fiskal. Jika orang yang diwawancarai lulus
tes kesadaran, maka pertanyaan kedua akan mendapatkan penilaian tentang kebijakan fiskal.
Dalam tiga pertanyaan lainnya, tanggapan DK lebih cenderung merupakan kegagalan proses pemeriksaan, meskipun beberapa pasti
akan sah. Responden mungkin enggan memberikan informasi. Tanggapan DK untuk pertanyaan 3 mungkin merupakan cara untuk
mengatakan, "Saya tidak ingin menjawab pertanyaan itu." Pertanyaan 4 mungkin juga mendapatkan respons DK yang mana balasannya
diterjemahkan menjadi "Ini terlalu tidak penting untuk dibicarakan." Pada pertanyaan 5, responden diminta untuk melakukan perhitungan
tentang suatu topik
cco 3 38888 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-7 Menangani Tanggapan "Tidak Tahu"

Pertanyaan: Apakah Anda memiliki hubungan yang produktif dengan penjual Anda saat ini?
Tahun Pembelian Iya Tidak Tidak Tahu
Kurang dari 1 tahun 1–3 10% 40% 38%
tahun 30 30 32
4 tahun atau lebih 60 30 30
Total 100% 100% 100%
n 5 650 n 5 150 n 5 200
yang mungkin mereka anggap kurang penting. Sekarang DK dapat berarti "Saya tidak ingin melakukan pekerjaan itu untuk sesuatu yang sangat kecil
konsekuensinya".
Berurusan dengan Tanggapan DK yang Tidak Diinginkan
Cara terbaik untuk menangani jawaban DK yang tidak diinginkan adalah merancang pertanyaan pengukuran yang lebih baik. Peneliti harus
mengidentifikasi pertanyaan yang respon DK tidak memuaskan dan desain sekitarnya. Pewawancara, bagaimanapun, seringkali mewarisi masalah ini
dan harus menanganinya di lapangan. Beberapa tindakan kemudian dimungkinkan. Pertama, hubungan pewawancara-responden yang baik akan
memotivasi responden untuk memberikan jawaban yang lebih bermanfaat. Saat pewawancara mengenali respons DK yang mengelak, mereka dapat
mengulangi pertanyaan atau menyelidiki untuk jawaban yang lebih pasti. Pewawancara juga dapat merekam secara verbatim setiap elaborasi yang
dilakukan oleh responden dan menyampaikan masalahnya kepada editor.
Jika editor menemukan banyak tanggapan yang tidak diinginkan, sedikit yang dapat dilakukan kecuali komentar kata demi kata dapat
diartikan. Pemahaman makna sebenarnya bergantung pada petunjuk dari jawaban responden atas pertanyaan lain. Salah satu cara untuk
melakukannya adalah dengan memperkirakan alokasi jawaban DK dari data lain dalam kuesioner. Pola tanggapan mungkin paralel dengan
pendapatan, pendidikan, atau tingkat pengalaman. Misalkan pertanyaan tentang apakah pelanggan menyukai wiraniaga mereka saat ini
memperoleh jawaban dalam Tampilan 15-7. Korelasi antara tahun pembelian dan jawaban "tidak tahu" dan jawaban "tidak" menunjukkan
bahwa sebagian besar jawaban "tidak tahu" adalah jawaban "tidak" yang terselubung.
Ada beberapa cara untuk menangani tanggapan "tidak tahu" di tabulasi. Jika hanya ada sedikit, cara penanganannya tidak terlalu
berpengaruh, tetapi mungkin akan disimpan sebagai kategori terpisah. Jika tanggapan DK sah, itu harus tetap sebagai kategori balasan
terpisah. Jika kita tidak yakin bagaimana memperlakukannya, kita harus menyimpannya sebagai kategori pelaporan terpisah dan
membiarkan sponsor penelitian membuat keputusan.
Data yang Hilang
Data hilang adalah informasi dari peserta atau kasus yang tidak tersedia untuk satu atau lebih variabel yang diminati. Dalam studi
survei, data yang hilang biasanya terjadi ketika partisipan secara tidak sengaja melewatkan, menolak untuk menjawab, atau tidak
mengetahui jawaban atas suatu item pada kuesioner. Dalam studi longitudinal, data yang hilang dapat disebabkan oleh peserta yang
keluar dari studi, atau absen selama satu atau lebih periode pengumpulan data. Data yang hilang juga terjadi karena kesalahan
peneliti, file data yang rusak, dan perubahan desain penelitian atau instrumen setelah data dikumpulkan dari beberapa partisipan,
seperti ketika variabel dijatuhkan atau ditambahkan. Strategi penanganan data yang hilang terdiri dari proses dua langkah: peneliti
pertama-tama menggali pola data yang hilang untuk menentukan mekanisme hilang ( probabilitas bahwa suatu nilai hilang daripada
yang diamati) dan kemudian memilih teknik data yang hilang.
cco 3 38899 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-8 Kumpulan Data MindWriter: Data Hilang dan Di Luar Jangkauan
Kasus 1A 1B 2A 2B 2C
1 5.0 5.0 5.0 5.0 9.0
2 7.0 3.0 4.0 9.0
3 5.0 5.0 5.0 5.0 5.0
4 5.0 5.0 4.0
5 1.0 2.0
6 5.0 5.0 5.0 5.0 9.0
7 5.0 5.0 5.0 5.0 5.0
8 4.0 3.0 3.0 3.0 3.0
9 4.0 4.0 5.0 5.0 5.0
10 4.0 5.0 4.0 5.0
11 2.0 5.0 4.0 4.0 5.0
12 6.0 4.0 3.0 3.0 4.0
13 5.0 5.0 3.0 5.0
14 5.0 5.0 5.0 5.0 5.0
15 5.0 4.0 5.0 5.0 4.0
Sah 15 14 11 14 13
Hilang 0 1 4 1 2
Berarti 4.53 4.50 4.45 4.14 5.61
Jarak 6 2 2 3 6
Minimum 1 3 3 2 3
Maksimum 7 5 5 5 9
Periksa distribusi sampel variabel dari dataset MindWriter yang ditunjukkan pada Gambar 15-8. Data ini dikumpulkan
pada skala interval 5 poin. Tidak ada data yang hilang dalam variabel 1A, meskipun jelas bahwa kisaran 6 dan nilai
maksimum 7 membatalkan mean atau skor rata-rata yang dihitung. Variabel 1B dan 2B memiliki satu kasus yang hilang
tetapi nilainya berada dalam kisaran. Variabel 2A kehilangan empat kasus, atau 27 persen dari poin datanya. Variabel
terakhir, 2C, memiliki rentang 6, dua nilai hilang, dan tiga nilai berkode "9." "9" sering digunakan sebagai DK atau kode nilai
hilang jika skala memiliki rentang kurang dari 9 poin. Dalam hal ini keduanya kosong dan 9 — masalah pengkodean.
Perhatikan bahwa responden kelima hanya menjawab dua dari lima pertanyaan dan responden kedua memiliki dua jawaban
yang salah kode dan satu nilai yang hilang. Akhirnya, dengan menggunakan indeks bentuk deskriptif, yang dibahas dalam
Lampiran 15a, Anda dapat menemukan tiga variabel yang berangkat dari simetri distribusi normal. Mereka miring (atau
ditarik) ke kiri dengan jumlah 1 dan 2 yang tidak proporsional. Dan distribusi satu variabel mencapai puncaknya di luar
dimensi normal. Kami baru saja menggunakan nilai minimum dan maksimum, range, dan mean dan telah menemukan
kesalahan dalam pengkodean, masalah dengan pola jawaban responden, dan kasus yang hilang.
cco 3 39900 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
Mekanisme untuk Menangani Data yang Hilang
Dengan mengetahui apa yang menyebabkan hilangnya data, peneliti dapat memilih teknik data yang hilang dan dengan demikian
menghindari terjadinya bias dalam analisis selanjutnya. Ada tiga tipe dasar data yang hilang:
• Data hilang sepenuhnya secara acak (MCAR) —probabilitas bahwa suatu variabel tertentu hilang TIDAK bergantung pada variabel
itu sendiri dan TIDAK bergantung pada variabel lain dalam kumpulan data (misalnya, peserta secara tidak sengaja melewatkan
pertanyaan).
• Data hilang secara acak (MAR) —probabilitas bahwa variabel tertentu hilang TIDAK bergantung pada variabel itu sendiri tetapi
bergantung pada variabel lain dalam kumpulan data (misalnya, jawaban untuk pertanyaan pertama dari kumpulan pertanyaan
bercabang mungkin menyebabkan data yang hilang ke pertanyaan kedua dalam set pertanyaan bercabang).
• Data hilang tetapi tidak hilang secara acak (NMAR) —ketika data yang hilang tidak dapat diprediksi dari variabel lain dalam
kumpulan data.
Tiga teknik digunakan untuk menyelamatkan kumpulan data dengan data yang hilang:
• Penghapusan listwise —Kasus dengan data yang hilang pada satu variabel dihapus dari sampel untuk semua analisis variabel
tersebut.
• Penghapusan berpasangan —Data yang hilang diperkirakan menggunakan semua kasus yang memiliki data untuk setiap variabel atau pasangan
variabel; estimasi menggantikan data yang hilang.
• Pengganti prediktif —Data yang hilang diprediksi dari nilai yang diamati pada variabel lain; nilai yang diamati digunakan untuk
menggantikan data yang hilang.
Penghapusan listwise adalah opsi default untuk MCAR dan digunakan oleh sebagian besar paket statistik seperti SPSS dan SAS. Tidak ada
bias karena hanya kasus lengkap yang digunakan sebagai sampel untuk variabel. Namun, jika datanya MAR, bukan MCAR, maka bias dapat terjadi,
terutama jika sejumlah besar kasus dihilangkan dari sampel. Misalnya, dalam sebuah survei jika laki-laki lebih mungkin bertanggung jawab daripada
perempuan untuk bertanggung jawab atas data yang hilang pada variabel yang berkaitan dengan preferensi pelatihan, maka menghapus laki-laki
dari sampel akan membiaskan semua analisis preferensi pelatihan terhadap preferensi pelatihan perempuan.
Penghapusan berpasangan mengasumsikan data MCAR. Teknik ini, meskipun digunakan secara historis oleh model linier,
berpotensi menimbulkan bias.
Penggantian prediktif mengasumsikan data MAR. Salah satu opsi umum yang tersedia pada sebagian besar paket statistik adalah
penggunaan mean atau skor tendensi sentral lainnya sebagai pengganti data yang hilang. Praktik ini mengurangi variabilitas data, yang
dapat menimbulkan bias.
Jika data berupa NMAR, data yang hilang dimasukkan ke dalam analisis sebagai kategori data terpisah pada variabel tersebut.
> Entri Data

Entri data mengubah informasi yang dikumpulkan dengan metode sekunder atau primer menjadi media untuk dilihat dan manipulasi.
Keyboarding tetap menjadi andalan para peneliti yang perlu segera membuat file data dan menyimpannya di ruang yang minim di
berbagai media. Namun, para peneliti telah mendapatkan keuntungan dari cara yang lebih efisien untuk mempercepat proses penelitian,
terutama dari pengkodean batang dan pengenalan karakter dan tanda.
Format Entri Data Alternatif

Keyboard
Editor layar penuh, yang dengannya seluruh file data dapat diedit atau dilihat, adalah cara entri data yang layak untuk paket statistik
seperti SPSS atau SAS. SPSS menawarkan beberapa produk entri data, termasuk Data Entry Builder ™, yang memungkinkan
pengembangan formulir dan survei, dan Data Entry Station ™,
cco 3 39911 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-9 Bidang Data, Catatan, File, dan Database

Bidang data mewakili elemen tunggal informasi (misalnya, jawaban atas pertanyaan tertentu) dari semua peserta dalam penelitian. Bidang data dapat berisi informasi numerik, abjad, atau
simbolik. SEBUAH catatan data adalah sekumpulan bidang data yang terkait dengan satu kasus atau peserta (misalnya, tanggapan untuk satu survei yang diselesaikan). Catatan mewakili
baris dalam file data atau lembar kerja program lembar bentang. File data adalah kumpulan catatan (misalnya, tanggapan dari semua peserta dalam satu studi) yang dikelompokkan bersama
untuk disimpan pada disket, disket, kaset, CD-ROM, atau disk optik. Database terdiri dari satu atau lebih file data yang saling terkait. Database mungkin berisi semua informasi survei
pelanggan yang dikumpulkan setiap tiga bulan selama 10 tahun terakhir.
100 Bidang Data
4 Aetna 68 27 59.6
3 Bell Atl 105 32 103.9 Pelajaran 1
2 CalFed 42 11 23.9 Pelajaran 2
1 Pelajaran 3
•
••
Database Disimpan di
Rekaman Data
Puncak 39 7 12.9 Media elektronik
Survei atau File Data

Instrumen
yang memberi staf entri terpusat, seperti pewawancara telepon atau peserta online, akses ke survei. Baik SAS dan SPSS menawarkan
perangkat lunak yang dengan mudah mengakses data dari database, spreadsheet, gudang data, atau data mart.
Pengembangan Database Untuk proyek besar, program database berfungsi sebagai perangkat entri data yang berharga. SEBUAH database adalah
kumpulan data yang diatur untuk pengambilan terkomputerisasi. Program memungkinkan pengguna untuk menentukan bidang data dan
menautkan file sehingga penyimpanan, pengambilan, dan pembaruan disederhanakan. Hubungan antara bidang data, catatan data, file, dan database
diilustrasikan dalam Tampilan 15-9. Pesanan perusahaan berfungsi sebagai contoh database. Informasi pemesanan dapat disimpan dalam
beberapa file: file pelanggan penjual, catatan keuangan pelanggan, catatan produksi pesanan, dan dokumentasi pengiriman pesanan. Data
tersebut dipisahkan sehingga orang yang berwenang hanya dapat melihat bagian-bagian yang sesuai dengan kebutuhan mereka. Namun, file
mungkin ditautkan sehingga ketika, misalnya, pelanggan mengubah alamat pengirimannya, perubahan itu dimasukkan sekali dan semua file
yang relevan diperbarui. Opsi entri database lain adalah pengambilan data email. Ini telah menjadi populer dengan mereka yang menggunakan
survei yang dikirim melalui email. Survei email dapat dikirimkan ke responden tertentu yang alamat emailnya diketahui. Pertanyaan diselesaikan
di layar, dikembalikan melalui email, dan dimasukkan ke dalam database. 6 Intranet juga dapat menangkap data. Saat peserta yang ditautkan oleh
jaringan mengikuti survei online dengan melengkapi formulir database, data diambil dalam database di server jaringan untuk analisis nanti atau
real-time. 7 Persyaratan ID dan kata sandi dapat membuat peserta yang tidak diinginkan tidak mengikuti hasil survei online.
Peneliti mempertimbangkan entri database ketika mereka memiliki sejumlah besar data yang berpotensi ditautkan yang akan diambil dan
ditabulasi dengan cara berbeda dari waktu ke waktu. Aplikasi lain dari program database adalah sebagai mekanisme entri "front-end". Pewawancara
telepon mungkin mengajukan pertanyaan "Berapa banyak anak yang tinggal di rumah Anda?" Perangkat lunak komputer telah diprogram untuk
menerima jawaban apa pun antara 0 dan
20. Jika “P” secara tidak sengaja muncul, program tidak akan menerima jawaban dan akan mengembalikan pewawancara ke pertanyaan
tersebut. Dengan instrumen online yang telah dikodekan sebelumnya, beberapa pengeditan yang telah dibahas sebelumnya dilakukan oleh
program. Selain itu, program dapat disetel untuk percabangan bersyarat otomatis. Dalam contoh, jawaban 1 atau lebih menyebabkan program
mendorong penanya untuk menanyakan usia anak. A 0 menyebabkan pertanyaan usia dilewati secara otomatis. Meskipun opsi ini tersedia
setiap kali komputasi interaktif digunakan, pemrosesan front-end biasanya dilakukan dalam desain database. Basis data kemudian akan
menyimpan data dalam satu set file terkait yang memungkinkan data disortir dengan mudah. Statistik dan tabel deskriptif — langkah pertama
dalam mengeksplorasi data — siap dibuat dari dalam database.
Spreadsheet Spreadsheets adalah jenis database khusus untuk data yang perlu diatur, ditabulasi, dan statistik sederhana. Mereka
juga menawarkan beberapa manajemen database, grafik, dan kemampuan presentasi. Entri data pada a spreadsheet menggunakan
baris bernomor dan kolom berhuruf dengan matriks
cco 3 39922 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> Gambar 15-10 Entri Data Menggunakan Spreadsheets
Setiap baris adalah rekor (tanggapan satu peserta). Setiap kolom adalah variabel yang diukur dalam survei. Dalam survei ini, pertanyaan 1, 3, dan 5 merupakan variabel
nominal yang memiliki dua kategori respon. Pertanyaan 6 menggunakan beberapa kolom karena ini adalah pertanyaan peringkat multi yang menggunakan skala 1 hingga
5. Ini adalah cara umum untuk mengkodekan variabel dalam spreadsheet sebelum diimpor oleh SPSS (dengan asumsi Anda menggunakan spreadsheet dan bukan Editor
Data SPSS untuk memulai studi Anda). Perhatikan bahwa setiap peserta diberikan nomor identifikasi (ID kasus). Setelah menjalankan frekuensi awal, memiliki bidang data
ID kasus memungkinkan Anda dengan cepat menemukan dan mengoreksi data yang dicurigai seperti kode nilai ganjil atau kasus yang hilang.
dari ribuan sel tempat entri dapat ditempatkan. Spreadsheets memungkinkan Anda untuk mengetikkan angka, rumus, dan teks ke dalam
sel yang sesuai. Banyak program statistik untuk komputer pribadi dan juga charting dan aplikasi grafik memiliki editor data yang mirip
dengan format spreadsheet Excel yang diperlihatkan di Exhibit 15-10. Ini adalah cara yang nyaman dan fleksibel untuk memasukkan dan
melihat data.
Pengenalan Optik
Jika Anda menggunakan pemindai gambar PC, Anda mungkin sudah tidak asing lagi pengenalan karakter optik (OCR)
program yang mentransfer teks tercetak ke dalam file komputer untuk mengedit dan menggunakannya tanpa mengetik ulang. Ada aplikasi
terkait lainnya. Pemindaian optik instrumen — pilihan layanan pengujian — efisien bagi peneliti. Peserta ujian menggelapkan lingkaran kecil,
elips, atau spasi di antara set garis paralel untuk menunjukkan jawaban mereka. Format yang lebih fleksibel, pengenalan tanda optik (OMR) menggunakan
antarmuka bergaya spreadsheet untuk membaca dan memproses formulir yang dibuat pengguna. Pemindai optik memproses kuesioner
penginderaan yang ditandai dan menyimpan jawaban dalam sebuah file. Metode ini, paling sering dikaitkan dengan formulir standar dan
pracetak, telah diadopsi oleh para peneliti untuk entri data dan preprocessing karena kecepatannya (10 kali lebih cepat daripada keyboard),
penghematan biaya pada entri data, kenyamanan dalam pembuatan bagan dan pelaporan data, dan peningkatan akurasi . Ini mengurangi
berapa kali data ditangani, sehingga mengurangi jumlah kesalahan yang muncul.
Teknik lain termasuk entri tanggapan langsung, di mana prosedur pemungutan suara yang digunakan di beberapa negara bagian adalah
contohnya. Dengan punch card yang disiapkan secara khusus, warga memberikan suara mereka dengan menempelkan instrumen berbentuk pena ke
kartu di samping kandidat yang disukai. Ini membuka lubang kecil di kolom dan baris tertentu dari kartu. Kartu dikumpulkan dan ditempatkan langsung
ke pembaca kartu. Metode ini juga menghilangkan langkah-langkah pengkodean dan entri. Aplikasi pemerintah lainnya adalah formulir 1040EZ yang
digunakan
cco 3 39933 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
> jepret tembakan

Mencari Data Netnografi yang Bersih
Dalam analisis isi, peneliti menganalisis informasi anekdot untuk menentukan posting banyak komentar dari satu individu, sehingga menimbulkan bias. Dina
tema utama dari komentar. Peneliti semakin banyak menggunakan data umpan Mayzlin dari Yale School of Management menyarankan untuk memilih komentar
balik yang diposting di Web atau secara internal di ruang obrolan intranet untuk dari sejumlah besar situs, daripada memilih banyak komentar dari satu situs;
menangkap konten semacam itu. Posting datang dalam bentuk review produk, dispersi seperti itu mengurangi bias. Dalam membersihkan data tersebut, Zhilin
evaluasi perusahaan, pengalaman karyawan, posting papan pesan dan Yang dari City University of Hong Kong dan Robin Peterson di New Mexico State
newsgroup, serta dialog ruang obrolan dan posting forum diskusi. University menyarankan agar peneliti menyaring pesan untuk mendeteksi anekdot
yang tidak relevan, duplikasi, permintaan pesan untuk diposting, dan pesan spam,
Memilih data semacam itu untuk analisis membutuhkan penyaringan yang cermat. yang semuanya jika dibiarkan kumpulan data akan menimbulkan bias.
Saat menggunakan kiriman internet, Chrysanthos Dellarocas dari Massachusetts
Institute of Technology menyarankan agar peneliti mengekstrak informasi dari situs yang
dapat mengotentikasi identitas peserta; ini mengurangi atau mencegah peringkat yang Jika Anda ingin mencoba mengumpulkan dan menyaring data semacam itu,
tidak adil dan perilaku diskriminatif. Beberapa situs opini menggunakan insentif beberapa situs berguna termasuk ZDnet.com, Bizrate.com, Amazon.com, eBay.com,
keuangan untuk mendorong pengeposan, yang mungkin mendorong Elance.com, Complaints.com, reviewcentre.com, dan Epinion.com.
oleh Internal Revenue Service. Ini dirancang untuk nomor terkomputerisasi dan pengenalan karakter. Teknik pengenalan karakter
serupa digunakan untuk berbagai bentuk pengumpulan data. Sekali lagi, kedua pendekatan memindahkan respons dari pertanyaan ke
analisis data dengan sedikit penanganan.
Pengenalan suara
Peningkatan panggilan acak terkomputerisasi telah mendorong inovasi pengumpulan data lainnya. Pengenalan suara dan sistem
respons suara menyediakan beberapa alternatif menarik untuk pewawancara telepon. Setelah mendapatkan respons suara ke nomor
yang dipanggil secara acak, komputer bercabang menjadi rutinitas kuesioner. Sistem ini berkembang pesat dan akan segera
menerjemahkan respons suara yang direkam ke dalam file data.
Digital
Respons tombol telepon, yang sering digunakan oleh restoran dan tempat hiburan untuk mengevaluasi layanan pelanggan, adalah
kemampuan lain yang dimungkinkan oleh komputer yang terhubung ke saluran telepon. Dengan menggunakan papan tombol telepon (nada
sentuh), peserta yang diundang menjawab pertanyaan dengan menekan nomor yang sesuai. Komputer menangkap data dengan mendekode
sinyal listrik nada dan menyimpan jawaban numerik atau abjad dalam file data. Meskipun awalnya tidak dirancang untuk mengumpulkan data
survei, komponen perangkat lunak dalam Microsoft Windows 7 memiliki fungsi pengenalan suara tingkat lanjut, memungkinkan orang untuk
memasukkan dan mengedit data dengan berbicara ke mikrofon. 8
Pewawancara lapangan dapat menggunakan komputer seluler atau buku catatan alih-alih papan klip dan pensil. Dengan modem komunikasi
internal, LAN nirkabel (atau jaringan area lokal), atau tautan seluler, file mereka dapat dikirim langsung ke komputer lain di lapangan atau ke situs
jarak jauh (cloud). Hal ini memungkinkan pengawas memeriksa data dengan segera atau menyederhanakan pemrosesan di fasilitas pusat. Ini
adalah teknologi yang digunakan Nielsen Media dengan PeopleMeter portabelnya.
Kode Batang Sejak adopsi Kode Produk Universal (UPC) pada tahun 1973, kode batang telah berkembang dari rasa ingin
tahu teknologi menjadi andalan bisnis. Setelah studi oleh McKinsey & Company, rantai grosir Kroger menguji sistem produksi
dan kode batang menjadi hal yang umum di industri tersebut. 9
cco 3 39944 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE
Teknologi kode batang digunakan untuk menyederhanakan peran pewawancara sebagai perekam data. Ketika pewawancara memberikan
tongkat kode batang di atas kode yang sesuai, data dicatat dalam unit kecil dan ringan untuk diterjemahkan nanti. Dalam proyek pengolahan
skala besar Sensus 2000, Pusat Pengambilan Data Sensus menggunakan kode batang untuk mengidentifikasi penduduk. Peneliti yang
mempelajari pembaca majalah dapat memindai kode batang untuk menunjukkan sampul majalah yang dikenali oleh peserta wawancara.
Itu kode batang digunakan dalam berbagai aplikasi: terminal tempat penjualan, gelang ID pasien rumah sakit, kontrol inventaris,
pelacakan produk dan merek, evaluasi teknik promosi, pelacakan pengiriman, pelari maraton, lokasi persewaan mobil (untuk mempercepat
pengembalian mobil dan membuat faktur) , dan pelacakan kebiasaan kawin serangga. Militer menggunakan kode batang sepanjang dua
kaki untuk memberi label pada kapal di gudang. Kode tersebut muncul di dokumen bisnis, suku cadang truk, dan kayu di tempat
penebangan kayu. Label pengiriman Federal Express menggunakan kode yang disebut Codabar. Kode lain, baik huruf maupun angka,
berpotensi untuk peneliti.
Di Horizon
Bahkan dengan pengurangan waktu antara pengumpulan dan analisis data ini, inovasi menawarkan janji yang signifikan. Kemampuan untuk
mengintegrasikan gambar visual, streaming video, audio, dan data telah menggantikan peralatan video sebagai metode yang disukai untuk
merekam percobaan, wawancara, atau kelompok fokus. Data respons dapat diekstraksi untuk analisis data, sedangkan gambar audio dan visual
tetap utuh untuk evaluasi nanti. Meskipun teknologi tidak akan pernah menggantikan penilaian peneliti, hal itu dapat mengurangi kesalahan
penanganan data, mengurangi waktu antara pengumpulan dan analisis data, dan membantu menyediakan informasi yang lebih berguna.
> ringkasan
1 Langkah pertama dalam persiapan data adalah mengedit data mentah yang dikumpulkan adalah analisis konten. Ini menggunakan unit pengambilan sampel yang telah dipilih sebelumnya
untuk mendeteksi kesalahan dan kelalaian yang akan mengganggu standar kualitas. Editor untuk menghasilkan penghitungan frekuensi dan wawasan lain ke dalam pola data.
bertanggung jawab untuk memastikan data akurat, konsisten dengan data lain, dimasukkan
secara seragam, dan siap untuk pengkodean. Dalam pekerjaan survei, adalah umum untuk
4 Balasan “Tidak tahu” dievaluasi berdasarkan sifat pertanyaan dan responden.
menggunakan pengeditan lapangan dan pusat.
Meskipun banyak DK yang sah, beberapa hasil dari pertanyaan yang ambigu atau
dari situasi wawancara yang tidak memotivasi. Lebih baik melaporkan DK sebagai
2 Pengkodean adalah proses memberikan angka dan simbol lain ke jawaban kategori terpisah kecuali jika ada alasan kuat untuk memperlakukannya
sehingga kita dapat mengklasifikasikan tanggapan ke dalam kategori. Kategori sebaliknya. Data yang hilang terjadi ketika responden melewatkan, menolak
harus sesuai dengan masalah penelitian, lengkap datanya, saling eksklusif, dan menjawab, atau tidak mengetahui jawaban suatu item kuesioner, keluar dari
unidimensi. Pengurangan informasi melalui pengkodean mensyaratkan bahwa penelitian, atau tidak hadir selama satu atau lebih periode pengumpulan data.
kategori desain peneliti ditetapkan dengan hati-hati, menggunakan data sebanyak Kesalahan peneliti, file data rusak, dan perubahan pada instrumen selama
mungkin. Buku kode adalah panduan untuk mengurangi kesalahan entri data dan administrasi juga menghasilkan data yang hilang. Peneliti menangani data yang
berfungsi sebagai ringkasan lokasi variabel dan informasi lain untuk tahap analisis. hilang dengan terlebih dahulu menjelajahi data untuk menemukan sifat pola dan
Pengembangan perangkat lunak dalam konstruksi dan desain survei mencakup kemudian memilih teknik yang sesuai untuk mengganti nilai dengan menghapus
penyematan aturan pengkodean yang menyaring data saat dimasukkan, kasus (atau variabel) atau memperkirakan nilai.
mengidentifikasi data yang tidak dimasukkan dengan benar.
5 Entri data dilakukan dengan entri keyboard dari instrumen yang telah
3 Pertanyaan tertutup mencakup item berskala dan item lain yang jawabannya dikodekan, pemindaian optik, keyboard waktu nyata, entri data pad telepon,
diantisipasi. Precoding item tertutup menghindari penyelesaian lembar kode batang, pengenalan suara, OCR, OMR, dan transfer data dari notebook
coding yang membosankan untuk setiap respons. Pertanyaan terbuka lebih elektronik dan komputer laptop. Program database, spreadsheet, dan editor
sulit untuk dikodekan karena jawaban tidak disiapkan sebelumnya, tetapi dalam program perangkat lunak statistik menawarkan fleksibilitas
mereka mendorong pengungkapan informasi yang lengkap. Metode
sistematis untuk menganalisis pertanyaan terbuka untuk memasukkan, memanipulasi, dan mentransfer data untuk analisis, pergudangan, dan
penambangan.
cco 3 39955 233 //01
0 1 //13
13 9 9 ::31
3 1 Hal M
SORE

Terjemahan Chapter 15

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Terjemahan Chapter 15

Diunggah oleh

Hak Cipta:

Format Tersedia

> Bab 15

Penyusunan dan Deskripsi Data

> belajar tujuan

3 Penggunaan analisis isi untuk menafsirkan dan meringkas pertanyaan terbuka.

5 Opsi untuk entri dan manipulasi data.

hal-hal ig terjadi untuk Anda

David Novak, ketua dan CEO,

di sini untuk meyakinkan Jason agar mengambil proyek lain untuk

dua tahun. Apakah Anda akan mempresentasikan analisis awal pada

pertemuan berikutnya Jumat ini? ”

selesai membersihkan file datanya kemarin. mengerjakan dua proyek sekaligus. ”

> Gambar 15-1 Penyusunan Data dalam Proses Penelitian

Ujian Akhir Precode

Berkode & Telah Teruji

Pengumpulan & Persiapan Data

Kode pos Kode Pos Gratis-

Edit File Data

Analisis & Interpretasi Data

Harap tunjukkan status militer Anda saat ini:

Tugas aktif Memesan Pensiunan

Garda Nasional Terpisah Tidak pernah bertugas di militer

berkualitas baik, jadi pembersihan data sangat penting. Jika penelitian

> Menutup naik

— seseorang yang ditugasi menjaga kebersihan data perusahaannya. h

> jepret tembakan

• Pahami instruksi yang diberikan kepada pewawancara dan pembuat kode.

• Awalnya semua jawaban diubah atau diberikan.

Konstruksi Buku Kode

Coding Pertanyaan Tertutup

Peneliti di sini meminta cetakan

disertakan dalam file keluaran khusus

> Gambar 15-2 Contoh Buku Kode Item Kuisioner

______ 1 Catat nomor RECNUM

1 3 Kode pos 5 digit 99999 5 zip

2 4 2 digit tahun lahir 99 5 KELAHIRAN

3 5 Jenis kelamin JENIS KELAMIN

4 6 Status pernikahan PERNIKAHAN

5 7 Own – Rent PERUMAHAN

8 Membeli rumah RUMAH

16 Status perkawinan berubah CHGMAR

> Gambar 15-3 Contoh Item Kuisioner

1. Apa kode pos tempat tinggal Anda? __ __ __ __ __

2. Berapa tahun lahir Anda? 19__ __

3. Jenis Kelamin (1) Pria (2) Menunjukkan

4. Apa status perkawinan Anda? (1)

6. Apa yang mendorong Anda untuk membeli polis asuransi

Mengkode Pertanyaan Terbuka

• Sesuai dengan masalah dan tujuan penelitian.

> gambar profil

Menggunakan Analisis Isi untuk Pertanyaan Terbuka

Konten Apa yang Dianalisis?

• Kita harus memperlakukan pelanggan dengan lebih hormat.

harus dipindahkan atau dipecat.

• Area aksi lainnya.

> Gambar 15-4 Contoh Pengodean Pertanyaan Terbuka (sebelum revisi)

Locus of Responsibility Tersebut Tidak Disebutkan

Perusahaan ________________ ________________

B. Pelanggan ________________ ________________

C. Perusahaan Bersama-Pelanggan ________________ ________________

F. Lainnya ________________ ________________

> Gambar 15-5 Open Question Coding (setelah revisi)

Locus of Responsibility Frekuensi ( n 5 100)

5. Tidak ada area tindakan yang teridentifikasi 3

3. Tidak ada area tindakan yang teridentifikasi 5

1. Apa kode pos tempat tinggal Anda? __

2. Berapa tahun lahir Anda? 19

Perusahaan

B. Pelanggan

C. Perusahaan Bersama-Pelanggan

F. Lainnya