Profesional data bekerja dengan dua jenis data: Kuantitatif dan kualitatif.
Secara sederhana, data kuantitatif dapat diukur sedangkan data kualitatif bersifat deskriptif—pikirkan angka versus kata-kata.
Jika Anda berencana bekerja sebagai analis data atau ilmuwan data (atau di bidang apa pun yang melibatkan penelitian, seperti psikologi), Anda harus memahami keduanya.
Dalam posting ini, kami akan fokus pada data kuantitatif. Kami akan menjelaskan dengan tepat apa itu data kuantitatif, termasuk banyak contoh yang berguna.
Kami juga akan menunjukkan kepada Anda metode apa yang dapat Anda gunakan untuk mengumpulkan dan menganalisis data kuantitatif.
Pada akhir posting ini, Anda akan memiliki pemahaman yang jelas tentang data kuantitatif dan bagaimana itu digunakan.
Jadi: Apa itu data kuantitatif? Mari kita cari tahu.
1. Apa itu data kuantitatif?
Data kuantitatif adalah, cukup sederhana, informasi yang dapat diukur. Itu dapat dihitung atau diukur, dan diberi nilai numerik—seperti panjang dalam sentimeter atau pendapatan dalam dolar.
Data kuantitatif cenderung terstruktur dan cocok untuk analisis statistik. Jika Anda memiliki pertanyaan seperti “Berapa banyak?”, “Seberapa sering?” atau “Berapa?”, Anda akan menemukan jawabannya dalam data kuantitatif.
Apa saja contoh data kuantitatif?
Beberapa contoh data kuantitatif antara lain:
- Pendapatan dalam dolar
- Berat dalam kilogram
- Umur dalam bulan atau tahun
- Panjang dalam sentimeter
- Jarak dalam kilometer
- Tinggi dalam kaki atau inci
- Jumlah minggu dalam setahun
2. Apa perbedaan antara data kuantitatif dan kualitatif?
Sulit untuk mendefinisikan data kuantitatif tanpa membandingkannya dengan data kualitatif—jadi apa perbedaan antara keduanya?
Sementara data kuantitatif dapat dihitung dan diukur, data kualitatif bersifat deskriptif dan, biasanya, tidak terstruktur.
Biasanya berbentuk kata-kata dan teks—misalnya, status yang diposting di Facebook atau transkrip wawancara keduanya merupakan bentuk data kualitatif.
Anda juga dapat memikirkan data kualitatif dalam istilah “deskriptor” yang akan Anda gunakan untuk menggambarkan atribut tertentu.
Misalnya, jika Anda mendeskripsikan warna rambut seseorang sebagai cokelat kemerahan, atau rasa es krim sebagai vanila, label ini dihitung sebagai data kualitatif.
Data kualitatif tidak dapat digunakan untuk analisis statistik; untuk memahami data tersebut, peneliti dan analis akan mencoba mengidentifikasi kelompok dan tema yang bermakna.
Anda akan menemukan eksplorasi terperinci tentang perbedaan antara data kualitatif dan kuantitatif di posting ini.
Namun, untuk meringkas, perbedaan antara data kuantitatif dan kualitatif adalah sebagai berikut:
- Data kuantitatif dapat dihitung atau diukur, berkaitan dengan angka; data kualitatif bersifat deskriptif, berkaitan dengan kata-kata.
- Data kuantitatif cocok untuk analisis statistik; data kualitatif dikelompokkan dan dikategorikan menurut tema.
- Contoh data kuantitatif termasuk nilai numerik seperti pengukuran, biaya, dan berat; contoh data kualitatif termasuk deskripsi (atau label) atribut tertentu, seperti “mata coklat” atau “es krim rasa vanilla”.
Sekarang kita tahu perbedaan antara keduanya, mari kita kembali ke data kuantitatif.
3. Apa saja jenis-jenis data kuantitatif?
Ada dua jenis utama data kuantitatif: Diskrit dan kontinu.
Data terpisah
Data diskrit adalah data kuantitatif yang hanya dapat mengambil nilai numerik tertentu.
Nilai-nilai ini tetap dan tidak dapat dipecah. Ketika Anda menghitung sesuatu, Anda mendapatkan data diskrit. Misalnya, jika seseorang memiliki tiga anak, ini adalah contoh data diskrit.
Jumlah anak tetap—tidak mungkin mereka memiliki, katakanlah, 3,2 anak. Contoh lain dari data kuantitatif diskrit dapat berupa jumlah kunjungan ke situs web Anda; Anda bisa memiliki 150 kunjungan dalam satu hari, tetapi tidak 150,6 kunjungan. Data diskrit biasanya divisualisasikan menggunakan bagan penghitungan, bagan batang, dan bagan pai.
Data terus menerus
Data berkelanjutan, di sisi lain, dapat dipecah tanpa batas menjadi bagian-bagian yang lebih kecil.
Jenis data kuantitatif ini dapat ditempatkan pada skala pengukuran; misalnya panjang seutas tali dalam sentimeter, atau suhu dalam derajat Celcius. Pada dasarnya, data berkelanjutan dapat mengambil nilai apa pun; itu tidak terbatas pada nilai-nilai tetap.
Terlebih lagi, data berkelanjutan juga dapat berfluktuasi dari waktu ke waktu—misalnya, suhu ruangan akan bervariasi sepanjang hari. Data kontinu biasanya direpresentasikan menggunakan grafik garis.
Data kontinu dapat diklasifikasikan lebih lanjut tergantung pada apakah itu data interval atau data rasio. Mari kita lihat mereka sekarang.
Interval vs. data rasio
Data interval dapat diukur sepanjang kontinum, di mana ada jarak yang sama antara setiap titik pada skala. Misalnya: Selisih antara 30 dan 31 derajat C sama dengan selisih antara 99 dan 100 derajat.
Hal lain yang perlu diingat adalah bahwa data interval tidak memiliki nilai nol yang benar atau berarti. Suhu adalah contoh yang baik; suhu nol derajat tidak berarti “tidak ada suhu”—itu hanya berarti sangat dingin!
Data rasio sama dengan data interval dalam hal titik-titik yang berjarak sama pada skala, tetapi tidak seperti data interval, data rasio memiliki nilai nol yang sebenarnya.
Berat dalam gram akan diklasifikasikan sebagai data rasio; perbedaan antara 20 gram dan 21 gram sama dengan selisih antara 8 dan 9 gram, dan jika ada sesuatu yang beratnya nol gram, itu benar-benar tidak ada beratnya.
Di luar perbedaan antara data diskrit dan data kontinu, data kuantitatif juga dapat dipecah menjadi beberapa jenis yang berbeda:
- Pengukuran: Jenis data ini mengacu pada pengukuran objek fisik. Misalnya, Anda dapat mengukur panjang dan lebar ruang tamu Anda sebelum memesan sofa baru.
- Sensor: Sensor adalah perangkat atau sistem yang mendeteksi perubahan lingkungan sekitar dan mengirimkan informasi ini ke perangkat elektronik lain, biasanya komputer. Informasi ini kemudian diubah menjadi angka—itulah data kuantitatif Anda. Misalnya, sensor suhu pintar akan memberi Anda aliran data tentang suhu ruangan sepanjang hari.
- Hitungan: Seperti namanya, ini adalah data kuantitatif yang Anda dapatkan saat menghitung sesuatu. Anda dapat menghitung jumlah orang yang menghadiri suatu acara, atau jumlah kunjungan ke situs web Anda dalam satu minggu.
- Kuantifikasi data kualitatif: Ini adalah saat data kualitatif diubah menjadi angka. Ambil contoh kepuasan pelanggan. Jika pelanggan mengatakan “Saya sangat senang dengan produk ini”, itu akan dihitung sebagai data kualitatif. Anda dapat mengubahnya menjadi data kuantitatif dengan meminta mereka menilai kepuasan mereka pada skala 1-10.
- Perhitungan: Ini adalah data kuantitatif yang dihasilkan dari perhitungan matematis, seperti menghitung keuntungan akhir Anda di akhir bulan.
- Proyeksi: Analis dapat memperkirakan atau memprediksi jumlah menggunakan algoritme, kecerdasan buatan, atau analisis “manual”. Misalnya, Anda dapat memprediksi berapa banyak penjualan yang Anda harapkan untuk dilakukan pada kuartal berikutnya. Angka yang Anda dapatkan adalah proyeksi data kuantitatif.
Mengetahui jenis data kuantitatif yang sedang Anda kerjakan membantu Anda menerapkan jenis analisis statistik yang benar.
Kita akan melihat bagaimana data kuantitatif dianalisis di bagian lima.
4. Bagaimana data kuantitatif dikumpulkan?
Sekarang kita tahu apa itu data kuantitatif, kita bisa mulai berpikir tentang bagaimana sebenarnya analis bekerja dengannya di dunia nyata. Sebelum data dapat dianalisis, terlebih dahulu perlu dibuat atau dikumpulkan. Jadi bagaimana ini dilakukan?
Peneliti (misalnya, psikolog atau ilmuwan) akan sering melakukan eksperimen dan studi untuk mengumpulkan data kuantitatif dan menguji hipotesis tertentu.
Seorang psikolog yang menyelidiki hubungan antara penggunaan media sosial dan harga diri mungkin menyusun kuesioner dengan berbagai skala—misalnya, meminta peserta untuk menilai, pada skala satu sampai lima, sejauh mana mereka setuju dengan pernyataan tertentu.
Jika survei menjangkau cukup banyak orang, psikolog berakhir dengan sampel besar data kuantitatif (misalnya, skor harga diri keseluruhan untuk setiap peserta) yang kemudian dapat mereka analisis.
Analis data dan ilmuwan data cenderung tidak melakukan eksperimen, tetapi mereka mungkin mengirimkan kuesioner dan survei—semuanya tergantung pada sektor tempat mereka bekerja.
Biasanya, profesional data akan bekerja dengan data kuantitatif “alami”, seperti jumlah penjualan per kuartal, atau seberapa sering pelanggan menggunakan layanan tertentu.
Beberapa metode pengumpulan data yang umum meliputi:
- Alat analisis, seperti Google Analytics
- Sampling probabilitas
- Kuesioner dan survei
- Kumpulan data sumber terbuka di web
Alat analisis
Analis data dan ilmuwan data mengandalkan alat khusus untuk mengumpulkan data kuantitatif dari berbagai sumber. Google Analytics, misalnya, akan mengumpulkan data yang berkaitan dengan situs web Anda; sekilas, Anda dapat melihat metrik seperti berapa banyak lalu lintas yang Anda dapatkan dalam satu minggu, berapa banyak tampilan halaman per menit, dan rata-rata lama sesi—semua wawasan yang berguna jika Anda ingin mengoptimalkan kinerja situs Anda.
Selain Google Analytics, yang cenderung digunakan dalam sektor pemasaran, ada banyak alat di luar sana yang dapat dihubungkan ke beberapa sumber data sekaligus.
Alat seperti RapidMiner, Knime, Qlik, dan Splunk dapat diintegrasikan dengan database internal, data lake, penyimpanan cloud, aplikasi bisnis, media sosial, dan perangkat IoT, memungkinkan Anda mengakses data dari berbagai sumber di satu tempat.
Contoh
Pengambilan sampel adalah ketika, alih-alih menganalisis seluruh kumpulan data, Anda memilih sampel atau “bagian” data. Pengambilan sampel dapat digunakan untuk menghemat waktu dan uang, dan dalam kasus di mana tidak mungkin mempelajari seluruh populasi.
Misalnya, jika Anda ingin menganalisis data yang berkaitan dengan penduduk New York, kecil kemungkinan Anda bisa mendapatkan data untuk setiap orang di negara bagian tersebut. Sebagai gantinya, Anda akan menganalisis sampel yang representatif.
Ada dua jenis pengambilan sampel: Pengambilan sampel probabilitas acak, di mana setiap unit dalam kumpulan data keseluruhan memiliki peluang yang sama untuk dipilih (yaitu termasuk dalam sampel), dan pengambilan sampel non-probabilitas, di mana sampel dipilih secara aktif oleh peneliti atau analis —tidak sembarangan.
Analis data dan ilmuwan dapat menggunakan Python (bahasa pemrograman populer) dan berbagai algoritma untuk mengekstrak sampel dari kumpulan data besar.
Kuesioner dan survei
Cara lain untuk mengumpulkan data kuantitatif adalah melalui kuesioner dan survei.
Saat ini, mudah untuk membuat survei dan mendistribusikannya secara online—dengan alat seperti Typeform, SurveyMonkey, dan Qualtrics, hampir semua orang dapat mengumpulkan data kuantitatif. Survei adalah alat yang berguna untuk mengumpulkan umpan balik pelanggan atau pengguna, dan umumnya mencari tahu bagaimana perasaan orang tentang produk atau layanan tertentu. Untuk memastikan Anda mengumpulkan data kuantitatif dari survei Anda, penting bagi Anda untuk meminta responden mengukur perasaan mereka—misalnya, meminta mereka untuk menilai kepuasan mereka dalam skala satu sampai sepuluh.
Kumpulan data sumber terbuka online
Selain menganalisis data dari database internal, analis data mungkin juga mengumpulkan data kuantitatif dari sumber eksternal. Sekali lagi, semuanya tergantung pada bidang yang Anda geluti dan jenis data yang Anda butuhkan. Internet penuh dengan kumpulan data gratis dan terbuka yang mencakup berbagai sektor, mulai dari pemerintahan, bisnis dan keuangan, hingga sains, transportasi, film, dan hiburan—hampir semua hal yang dapat Anda pikirkan!
5. Bagaimana data kuantitatif dianalisis?
Karakteristik yang menentukan dari data kuantitatif adalah cocok untuk analisis statistik. Ada banyak metode dan teknik berbeda yang digunakan untuk analisis data kuantitatif, dan cara Anda menganalisis data bergantung pada apa yang ingin Anda temukan.
Sebelum kita masuk ke beberapa metode analisis tertentu, penting untuk membedakan antara analisis deskriptif dan inferensial .
Apa perbedaan antara analisis deskriptif dan inferensial dari data kuantitatif?
Analisis deskriptif melakukan persis seperti yang tertulis di kaleng; itu menggambarkan data. Ini berguna karena memungkinkan Anda untuk melihat, sekilas, apa kualitas dasar data Anda dan apa yang sedang Anda kerjakan. Beberapa statistik deskriptif yang umum digunakan mencakup rentang (selisih antara skor tertinggi dan terendah), minimum dan maksimum (skor terendah dan tertinggi dalam kumpulan data), dan frekuensi (seberapa sering nilai tertentu muncul dalam kumpulan data). Anda juga dapat menghitung berbagai ukuran tendensi sentral untuk mengukur tren umum data Anda. Ukuran tendensi sentral meliputi mean (jumlah semua nilai dibagi dengan jumlah nilai, atau dikenal sebagai rata-rata), median (skor tengah ketika semua skor diurutkan secara numerik), dan mode (skor yang paling sering muncul). ). Perhitungan lain yang berguna adalah standar deviasi. Ini memberi tahu Anda seberapa representatif dari seluruh dataset nilai rata-rata sebenarnya.
Sementara statistik deskriptif memberi Anda pembacaan awal pada data kuantitatif Anda, mereka tidak memungkinkan Anda untuk menarik kesimpulan yang pasti. Di situlah analisis inferensial masuk. Dengan statistik inferensial, Anda dapat membuat inferensi dan prediksi. Ini memungkinkan Anda untuk menguji berbagai hipotesis dan memprediksi hasil di masa depan berdasarkan teori probabilitas.
Metode analisis data kuantitatif
Dalam hal memperoleh wawasan dari data kuantitatif Anda, ada banyak teknik yang dapat Anda gunakan. Beberapa metode analisis data kuantitatif yang paling umum (dan berguna) meliputi:
- Analisis regresi: Ini digunakan untuk memperkirakan hubungan antara sekumpulan variabel, dan untuk melihat apakah ada semacam korelasi di antara keduanya. Regresi sangat berguna untuk membuat prediksi dan meramalkan tren masa depan.
- Simulasi Monte Carlo: Metode Monte Carlo adalah teknik komputerisasi yang digunakan untuk menghasilkan model kemungkinan hasil dan distribusi probabilitasnya berdasarkan kumpulan data Anda. Ini pada dasarnya mempertimbangkan berbagai hasil yang mungkin dan kemudian menghitung seberapa besar kemungkinan bahwa setiap hasil tertentu akan terjadi. Ini digunakan oleh analis data untuk melakukan analisis risiko tingkat lanjut, memungkinkan mereka memprediksi secara akurat apa yang mungkin terjadi di masa depan.
- Analisis kelompok: Kelompok adalah sekelompok orang yang memiliki atribut atau perilaku yang sama selama periode waktu tertentu—misalnya, kelompok siswa yang semuanya mulai masuk universitas pada tahun 2020, atau kelompok pelanggan yang membeli melalui aplikasi Anda pada bulan tersebut dari Februari. Analisis kelompok pada dasarnya membagi kumpulan data Anda menjadi kelompok dan menganalisis bagaimana kelompok ini berperilaku dari waktu ke waktu. Ini sangat berguna untuk mengidentifikasi pola dalam perilaku pelanggan dan menyesuaikan produk dan layanan Anda dengan tepat.
- Analisis klaster: Ini adalah teknik eksplorasi yang digunakan untuk mengidentifikasi struktur dalam kumpulan data. Tujuan dari analisis klaster adalah untuk mengurutkan titik-titik data yang berbeda ke dalam kelompok-kelompok yang homogen secara internal dan heterogen secara eksternal—dengan kata lain, titik-titik data dalam suatu klaster serupa satu sama lain, tetapi berbeda dengan titik-titik data dalam klaster lain. Clustering digunakan untuk melihat bagaimana data didistribusikan dalam dataset yang diberikan, atau sebagai langkah preprocessing untuk algoritma lain.
- Analisis deret waktu: Ini digunakan untuk mengidentifikasi tren dan siklus dari waktu ke waktu. Data deret waktu adalah urutan titik data yang mengukur variabel yang sama pada titik waktu yang berbeda, seperti angka penjualan mingguan atau pendaftaran email bulanan. Dengan melihat tren terkait waktu, analis dapat memperkirakan bagaimana variabel yang diminati dapat berfluktuasi di masa depan. Sangat berguna dalam hal membuat keputusan bisnis!
Di atas hanyalah pengantar yang sangat singkat tentang bagaimana Anda dapat menganalisis data kuantitatif Anda. Untuk tampilan yang lebih mendalam, lihat panduan komprehensif ini untuk beberapa teknik analisis data yang paling berguna.
6. Apa kelebihan dan kekurangan data kuantitatif?
Seperti apa pun, ada keuntungan dan kerugian menggunakan data kuantitatif. Jadi apa mereka? Mari lihat.
Keuntungan dari data kuantitatif
Keuntungan utama bekerja dengan data kuantitatif adalah sebagai berikut:
- Data kuantitatif relatif cepat dan mudah dikumpulkan , memungkinkan Anda mengumpulkan ukuran sampel yang besar. Dan, semakin besar ukuran sampel Anda, semakin akurat kesimpulan Anda.
- Data kuantitatif kurang rentan terhadap bias. Penggunaan pengambilan sampel acak membantu memastikan bahwa kumpulan data yang diberikan serepresentatif mungkin, dan melindungi sampel dari bias. Ini sangat penting untuk menarik kesimpulan yang dapat diandalkan.
- Data kuantitatif dianalisis secara objektif. Karena data kuantitatif cocok untuk analisis statistik, data tersebut dapat dianalisis menurut aturan dan prinsip matematika. Ini sangat mengurangi dampak bias analis atau peneliti tentang bagaimana hasil diinterpretasikan.
Kekurangan data kuantitatif
Ada dua kelemahan utama yang harus diperhatikan ketika bekerja dengan data kuantitatif, terutama dalam konteks penelitian:
- Data kuantitatif dapat kekurangan konteks. Dalam beberapa kasus, konteks adalah kuncinya; misalnya, jika Anda melakukan kuesioner untuk mengetahui bagaimana perasaan pelanggan tentang produk baru. Data kuantitatif mungkin memberi tahu Anda bahwa 60% pelanggan tidak senang dengan produk tersebut, tetapi angka itu saja tidak akan memberi tahu Anda alasannya. Terkadang, Anda perlu menggali lebih dalam untuk mendapatkan wawasan berharga di luar angka.
- Ada risiko bias saat menggunakan survei dan kuesioner. Sekali lagi, poin ini lebih berkaitan dengan konteks penelitian, tetapi penting untuk diingat saat membuat survei dan kuesioner. Cara pertanyaan disusun dengan kata-kata dapat memungkinkan bias peneliti meresap, jadi penting untuk memastikan bahwa survei dirancang dengan hati-hati. Anda dapat mempelajari semua tentang cara mengurangi bias survei di posting ini.
7. Takeaways kunci dan bacaan lebih lanjut
Dalam posting ini, kami menjelaskan apa itu data kuantitatif, perbedaannya dengan data kualitatif, dan bagaimana data itu dikumpulkan dan dianalisis. Untuk merangkum apa yang telah kita pelajari:
- Data kuantitatif adalah data yang dapat dikuantifikasi. Itu dapat dihitung atau diukur, dan diberi nilai numerik.
- Data kuantitatif cocok untuk analisis statistik, sedangkan data kualitatif dikelompokkan menurut tema.
- Data kuantitatif bisa diskrit atau kontinu. Data diskrit mengambil nilai tetap (misalnya seseorang memiliki tiga anak), sedangkan data kontinu dapat dipecah tanpa batas menjadi bagian-bagian yang lebih kecil.
- Data kuantitatif memiliki beberapa keunggulan: Relatif cepat dan mudah dikumpulkan, serta dianalisis secara subjektif.
Mengumpulkan dan menganalisis data kuantitatif hanyalah salah satu aspek pekerjaan analis data.
