131
ii. Proses Pendaftaran Koordinat (Georeferencing): Pendaftaran koordinat
merupakan elemen yang penting bagi memastikan peta yang akan digunakan oleh pengkaji untuk membangunkan pangkalan data yang menyamai koordinat dunia sebenar. Koordinat yang didaftarkan mestilah tepat. Jika ralat yang didapati adalah besar, pengkaji akan mengalami masalah anjakan sipi yang tidak rata dan masalah pengukuran yang tidak tepat semasa proses analisis kelak. Oleh itu, proses pendaftaran peta adalah penting dalam elemen membentuk pangkalan data yang tepat. Pendaftaran koordinat merupakan suatu proses yang mengandungi empat langkah. Langkah pertama ialah memastikan agar pengkaji memilih lokasi koordinat titik rujukan atau kawalan yang sah. Ini membolehkan koordinat-koordinat dunia sebenarnya dapat diketahui dengan tepat. Langkah kedua ialah memastikan semua lapisan yang didigitkan menggunakan titik-titik rujukan yang sama untuk pendigitan yang tepat.
Seterusnya, langkah ketiga ialah membina satu lapisan yang mengandungi hanya titik-titik kawalan menggunakan koordinat titik sebenar yang telah disediakan pada langkah yang pertama. Akhir sekali, menggunakan lapisan titik, lapisan yang telah didigit akan ditransformasikan kepada koordinat dunia sebenar. Proses ini akan menjamin semua lapisan adalah sama dan dapat dilakukan penindanan dengan tepat. Peta yang telah mempunyai titik kawalan akan menjalani proses Georeferencing bagi tujuan pendaftaran koordinat (Ruslan Rainis dan Noresah Mohd Shariff, 1998).
132
iii. Proses Pembentukan Shapefile: Pembentukan shapefile yang baharu
dilakukan di dalam ArcCatalog Rajah 3.8 Tujuannya adalah untuk membina lapisan-lapisan (layers) yang akan digunakan untuk pembangunan data GIS. Lapisan yang dibentuk terdiri daripada garisan, poligon dan titik. Sebagai contohnya, dalam kajian ini titik digunakan untuk mewakili kes kejadian penyakit DD. Seterusnya memetakan lokasi kes DD di Kuala Lumpur.
Rajah 3.8: Langkah Pembentukan Shapefile
iv. Proses Pendigitan: Selepas pembentukan shapefile, proses pendigitan
akan dilakukan. Tujuan utama pendigitan adalah untuk menginput koordinat-koordinat titik dan garisan dengan cepat dan tepat (Ruslan Rainis dan Noresah Mohd Shariff, 1998). Proses pendigitan ini akan dilakukan untuk setiap lapisan-lapisan data lain yang hendak dibentuk. Setiap lapisan mewakili data yang berbeza-beza. Setelah proses pendigitan selesai, barulah proses kemasukan data atribut boleh dilakukan.
133
v. Proses Kemasukan Atribut: Kemasukan atribut ialah proses memasukkan
data-data bukan ruangan ke dalam data ruangan yang telah menjalani proses pendigitan Rajah 3.9. Contoh data atribut adalah seperti bilangan kes DD, jumlah zon dan keluasan. Data attribut boleh mewakili sebarang maklumat bukan ruangan. Lapangan (field) dalam atribut tidak terbatas kepada satu data sahaja.
Rajah 3.9 : Langkah Memasukkan Atribut
vi. Proses Hasil: Setelah melalui ke semua proses di atas, hasil penggabungan
antara data ruangan dengan bukan ruangan lalu diperolehi. Ianya ditunjukkan pada Jadual 3.16 dan Rajah 3.10. Segala data yang sebelum ini disimpan dalam bentuk jadual seperti taburan kes penyakit DD kini dapat dilihat dengan jelas menerusi paparan GIS. Setiap lapisan mewakili perwakilan vektor yang berbeza mengikut ciri spatial data tersebut. Maklumat bukan ruangan juga berbeza bagi setiap jenis data yang berlainan.
134
135
136 3.6 ANALISIS DATA
Perisian International Business Machines Corporation Statistical Package for the Social Sciences (IBM SPSS Statistic) versi 22.0 telah digunakan untuk menganalisis data berdasarkan hipotesis yang telah dibina. Kajian akan menggunakan ujian Korelasi Pearson, Paired Samples t-Test, ANOVA, indeks MLTD dan Analisis Ruangan. Statistik Inferensi digunakan untuk menghuraikan perhubungan antara suatu variabel dengan variabel yang lain. Tujuan penggunaannya adalah untuk membuat generalisasi tentang perhubungan antara variabel dalam sampel kajian kepada populasi kajian. Dalam kajian ini, korelasi antara variabel dalam sekumpulan subjek kajian untuk menguji sama ada terdapat perhubungan atau perbezaan, dinyatakan dengan mengemukakan hipotesis. Ujian signifikan digunakan untuk menguji hipotesis kajian. Hipotesis kajian dibentuk berdasarkan masalah kajian. Hipotesis kajian dinyatakan dalam dua bentuk, iaitu hipotesis alternatif dan hipotesis nul. Hipotesis statistik biasanya dinyatakan dalam bentuk hipotesis nul yang dapat diuji dengan menggunakan ujian statistik yang sesuai. Hipotesis alternatif merupakan pernyataan ramalan tentang perhubungan antara variabel yang ingin dikaji. Manakala hipotesis nul merupakan pernyataan yang bertentangan dengan hipotesis alternatif, iaitu pernyataan yang menyatakan tidak terdapat perhubungan yang wujud antara variabel (Chua, 2006).
Ujian statistik inferensi yang sesuai akan digunakan untuk menentukan bahawa kebarangkalian hipotesis nul tidak benar. Hasil ujian statistik membantu untuk membuat keputusan sama ada untuk menolak atau tidak menolak hipotesis nul
137
tersebut. Jika hipotesis nul tidak benar, pengkaji akan menolak hipotesis nul dan memutuskan bahawa terdapat perhubungan atau perbezaan antara kumpulan di bawah kajian (atau antara variabel-variabel dalam kumpulan). Ini bererti jika pengkaji menolak hipotesis nul, besar kemungkinan pengkaji tidak membuat kesilapan dengan menyatakan bahawa terdapat perhubungan atau perbezaan. Keputusan pengkaji dikatakan sah atau signifikan. Dalam kajian sains sosial, nilai p < 0.05 digunakan sebagai tanda “signifikan” bagi sesuatu hasil kajian.
Jika hipotesis nul benar berdasarkan hasil ujian statistik, dan pengkaji gagal menolaknya, pengkaji akan melaporkan bahawa tidak terdapat perhubungan atau perbezaan antara dua kumpulan data yang diuji dengan menggunakan ujian statistik tersebut. Ini bererti bahawa secara keseluruhan, perhubungan atau perbezaan yang wujud antara kedua-dua kumpulan data tersebut adalah terlalu kecil dan tidak cukup besar menunjukkan tentang terdapatnya perhubungan atau perbezaan antara kedua-dua kumpulan data. Rasionalnya ialah jika pengkaji tidak menolak hipotesis nul, maka hipotesis alternatif adalah tidak benar, iaitu ramalan yang dibuat pengkaji tentang perhubungan atau perbezaan antara kumpulan subjek yang dikaji adalah salah. Sebaliknya, jika hipotesis nul ditolak, pengkaji akan membuat keputusan bahawa hipotesis alternatifnya adalah benar, iaitu ramalan pengkaji tentang perhubungan atau perbezaan antara kumpulan subjek adalah betul.
138 3.6.1 Indeks MLTD
Indeks MLTD dikira dengan menggunakan formula berikut:
Indeks MLTD = Bilangan bekas positif dengan larva
x
100Bilangan bekas yang diperiksa = % Bekas positif larva
3.6.2 Korelasi
Korelasi Pearson ialah analisis yang digunakan untuk melihat perhubungan di antara dua variabel yang saling berkaitan. Kekuatan perhubungan ini boleh diukur dengan menggunakan indeks yang dinamakan sebagai Pekali Kolerasi (r) Nilai pekali kolerasi (Jadual 3.17) berada antara -1 dengan +1. Perhubungan boleh terhasil dalam dua keadaan sama ada perhubungan secara langsung atau dikenali sebagai perhubungan positif serta perhubungan songsang atau negatif (Rajah 3.11). Pekali korelasi yang positif menunjukkan perhubungan bahawa “semakin tinggi nilai X, semakin tinggi nilai Y” manakala bagi pekali korelasi yang negatif mewakili perhubungan “semakin tinggi nilai X, semakin rendah nilai Y” . Terdapat dua kaedah dalam melaksanakan analisis korelasi, iaitu kolerasi Pearson dan juga kolerasi Pangkat Spearman. Kolerasi Spearman digunakan untuk data dalam skala ordinal sahaja manakala bagi kolerasi Pearson pula hanya boleh digunakan untuk data dalam skala selang, skala nisbah dan peratusan (Chua, 2006).
139
Jadual 3.17: Aras Kekuatan Nilai Pekali Korelasi
Pekali Korelasi (r) Kekuatan Korelasi
0.91 hingga 1.00 atau - 0.91 hingga -1.00 0.71 hingga 0.90 atau - 0.71 hingga -0.90 0.51 hingga 0.70 atau - 0.51 hingga -0.70 0.31 hingga 0.50 atau - 0.31 hingga -0.50 0.01 hingga 0.30 atau - 0.01 hingga -0.30 0.00 Sangat Kuat Kuat Sederhana Lemah Sangat Lemah Tiada korelasi
Rajah 3.11: Perhubungan Korelasi
(Sumber: Chua, 2006) Hubungan Positif Tiada Hubungan Hubungan Keluk Hubungan Negatif
140 3.6.3 Ujian-t
Dalam kajian ini, Ujian-t digunakan untuk membandingkan dua atau lebih daripada dua kumpulan data selang atau nisbah. Kajian yang dilakukan adalah untuk menentukan sama ada terdapat perbezaan yang signifikan secara statistik antara dua kumpulan data.
3.6.4 Analisis Ruangan
Corak taburan penyebaran kejadian kes penyakit DD secara ruangan di WPKL dianalisis menggunakan kaedah statistik analisis ruangan ESRI ArcGIS dengan program V9.3.
Analisis Corak titik telah digunakan untuk menentukan sama ada terdapat
pengelompokan titik yang signifikan terhadap kawasan tersebut. Analisis Purata Jiran Terdekat/ Average Nearest Neighbor (ANN) biasanya digunakan untuk mengkaji
analisis corak titik dalam bidang epidemiologi. Analisis tersebut mengira Indeks ANN (R) yang menyatakan sejauhmana terjadinya corak berkelompok, corak berselerak atau corak jarang/rawak sesuatu taburan kes DD di kawasan tersebut. Jika jarak purata kurang daripada purata penyebaran rawak hipotetikal, ciri-ciri penyebaran yang dianalisis dianggap berkelompok. Jika Jarak purata adalah lebih besar daripada purata penyebaran rawak yang dibayangkan, maka ciri-ciri penyebaran adalah dianggap berselerak. R mengira Jarak dikira antara satu kes dengan kes yang terdekat dengan menggunakan persamaan berikut (Moore dan Carpenter, 1999):
141 Dimana,
r
obs ialah jarak purata yang diperhatikan danr
exp adalah jarak purata jangkaan antara jiran-jiran terdekat seperti yang dinyatakan secara teoritikal berikut;
Dimana Min (dij) ialah jarak antara setiap titik dan jiran terdekat, A adalah kawasan ruang tanggungjawab dan N adalah bilangan titik dalam penyebaran. Nilai R yang kurang daripada 1 menunjukkan corak ruangan berkelompok dan nilai lebih daripada 1 menunjukkan corak ruangan berselerak. Jika nilai R bersamaan 1, ia
142