PENGERTIAN DATA NOMINAL , INTERVAL , RASIO , ORDINAL

A. Pendahuluan Beberapa ahli berpendapat bahwa pelaksanaan penelitian dengan menggunakan metode ilmiah diantaranya adalah melakukan langkah-langkah sistematis. Metode ilmiah adalah merupakan pengejaran terhadap kebenaran relatif yang diatur oleh pertimbanganpertimbangan logis. Karena keberadaan dari ilmu itu adalah untuk memperoleh interelasi yang sistematis dari fakta-fakta, maka metode ilmiah berkehendak untuk mencari jawaban tentang fakta-fakta dengan menggunakan pendekatan kesangsian sistematis. Karenanya, penelitian dan metode ilmiah, jika tidak dikatakan sama, mempunyai hubungan yang relatif dekat. Dengan adanya metode ilmiah, pertanyaan-pertanyaan dalam mencari dalil umum, akan mudah dijawab. Menuruti Schluter (Moh Nazir, 2006), langkah penting sebelum sampai tahapan analisis data dan penentuan model adalah ketika melakukan pengumpulan dan manipulasi data sehingga bisa digunakan bagi keperluan pengujian hipotesis. Mengadakan manipulasi data berarti mengubah data mentah dari awal menjadi suatu bentuk yang dapat dengan mudah memperlihatkan hubungan-hubungan antar fenomena. Kelaziman kuantifikasi sebaiknya dilakukan kecuali bagi atribut-atribut yang tidak dapat dilakukan. Dan dari kuantifikasi data itu, penentuan mana yang dikatakan data nominal, ordinal, ratio dan interval bisa dilakukan demi memasuki wilayah penentuan model. Pada ilmu-ilmu sosial yang telah lebih berkembang, melakukan analisis berdasarkan pada kerangka hipotesis dilakukan dengan membuat model matematis untuk membangun refleksi hubungan antar fenomena yang secara implisit sudah dilakukan dalam rumusan hipotesis. Analisis data merupakan bagian yang amat penting dalam metode ilmiah. Data bisa memiliki makna setelah dilakukan analisis dengan menggunakan model yang lazim digunakan dan sudah diuji secara ilmiah meskipun memiliki banyak peluang untuk digunakan. Akan tetapi masing-masing model, jika ditelaah satu demi satu, sebenarnya hanya sebagian saja yang bisa digunakan untuk kondisi dan data tertentu. Ia tidak bisa digunakan untuk menganalisis data jika model yang digunakan kurang sesuai dengan bagaimana kita memperoleh data jika menggunakan instrumen. Timbangan tidak bisa digunakan untuk mengukur tinggi badan seseorang. Sebaliknya meteran tidak bisa digunakan untuk mengukur berat badan seseorang. Karena masing-masing instrumen memiliki kegunaan masing-masing. Dalam hal ini, tentu saja kita tidak ingin menggunakan model analisis hanya semata-mata karena menuruti selera dan kepentingan. Suatu model hanya lazim digunakan tergantung dari kondisi bagaimana data dikumpulkan. Karena pada dasarnya, model adalah alat yang bisa digunakan dalam kondisi dan data apapun. Ia tetap bisa digunakan untuk menghitung secara matematis, akan tetapi tidak dalam teori. Banyaknya konsumsi makanan tentu memiliki hubungan dengan berat badan seseorang. Akan tetapi banyaknya konsumsi makanan penduduk pulau Nias, tidak akan pernah memiliki hubungan dengan berat badan penduduk Kalimantan. Motivasi kerja sebuah perusahaan makanan ringan, tidak akan memiliki hubungan dengan produktivitas petani sawit. Model analisis statistik hanya bisa digunakan jika data yang diperoleh memiliki syarat-syarat tertentu. Masing-masing variabel tidak memiliki hubungan linier yang eksak. Data yang kita peroleh melalui instrumen pengumpul data itu bisa dianalisis dengan menggunakan model tanpa melanggar kelaziman. Bagi keperluan analisis penelitian ilmu-ilmu sosial, teknik mengurutkan sesuatu ke dalam skala itu artinya begitu penting mengingat sebagian data dalam ilmu-ilmu sosial mempunyai sifat kualitatif. Atribut saja sebagai objek penelitian selain kurang representatif bagi peneliti, juga sebagian orang saat ini menginginkan gradasi yang lebih baik bagi objek penelitian.

alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang digunakan untuk data nominal adalah Coefisien Contingensi. b. Ia digunakan untuk mengurutkan objek dari yang paling rendah sampai yang paling tinggi atau sebaliknya. Jika kita memiliki sebuah set objek yang dinomori. basket (2) dan renang (3). yakni Dayak. Data ini. atau tiga seperempat kali. Ciri-ciri data nominal adalah hanya memiliki atribut. 5 dan seterusnya. dan tidak menunjukkan tingkatan apapun. Pertama. Tetapi akan mengatakan dua kali. semakin meminta presisi yang lebih baik. selain memiliki nama (atribut). B. Tidak akan pernah ada bilangan pecahan. hasilnya akan makin representatif. merupakan kelaziman yang diminta bagi sebagian orang bisa menguak secara detail objek penelitian. Data nominal Sebelum kita membicarakan bagaimana alat analisis digunakan. Data nominal ini diperoleh dari hasil pengukuran dengan skala nominal. Ukuran ini tidak memberikan nilai absolut terhadap objek. set-set tersebut tidak boleh tumpang tindih dan bersisa. Nazir (2006). eksistensi matematika sebagai alat yang lebih cenderung digunakan oleh ilmu-ilmu pengetahuan sehingga bisa mengundang kuantitatif variabel. misalnya tenis (1). juga memiliki peringkat atau urutan. teknik membuat skala adalah cara mengubah fakta-fakta kualitatif (atribut) menjadi suatu urutan kuantitatif (variabel).Orang selain kurang begitu puas dengan atribut baik atau buruk. Bugis dan Badui. Kemudian masing-masing anggota set di atas kita berikan angka. Bila objek dikelompokkan ke dalam set-set. Numerik yang dihasilkan akan selalu berbentuk bilangan bulat. ilmu pengetahuan. Sebagian peneliti ingin mengukur sifat-sifat yang ada antara baik dan buruk tersebut. Begitu juga tentang ukuran jumlah anak dalam suatu keluarga. akan diberikan ulasan tentang bagaimana sebenarnya data nominal yang sering digunakan dalam statistik nonparametrik bagi mahasiswa. Begitu juga tentang suku. Akan tetapi karena pengujian hipotesis Coefisien Contingensi memerlukan rumus Chi Square (χ2). Menuruti Moh. Jelas kelihatan bahwa angka yang diberikan tidak menunjukkan bahwa tingkat olah raga basket lebih tinggi dari tenis ataupun tingkat renang lebih tinggi dari tenis. lima kali. Mengubah fakta-fakta kualitatif menjadi urutan kuantitatif itu telah menjadi satu kelaziman paling tidak bagi sebagian besar orang. Tentang partai. Partai Bintang dan Partai Matahari. Karena perlunya presisi. data nominal adalah ukuran yang paling sederhana. tidak akan pernah mengatakan dua setengah kali. Pembahasan a. dari 1 sampai n. Data nominal merupakan data kontinum dan tidak memiliki urutan. atau tujuh kali. misalnya Partai Bulan. Misalnya tentang jenis olah raga yakni tenis. perhitungannya dilakukan setelah kita menghitung Chi Square. maka kita belum tentu puas dengan atribut baik atau buruk saja. Semakin banyak gradasi yang dibuat dalam instrumen penelitian. Masing-masing kategori tidak dinyatakan lebih tinggi dari atribut (nama) yang lain. Angka yang diberikan mengandung tingkatan. maka jarak antara data yang satu dengan lainnya tidak sama. demikian seterusnya. 2. karena berbagai alasan. Angka yang diberikan hanya berfungsi sebagai label saja. Menuruti Moh. atau nama. setuju atau tidak setuju. basket dan renang. dimana angka yang diberikan kepada objek mempunyai arti sebagai label saja. Menuruti Sugiono. bila dinyatakan dalam skala. misalnya peringkat 1. Kedua. Karena gradasi. Angka tersebut tidak memberikan arti apa-apa jika ditambahkan. dan kepada semua anggota set diberikan angka. disamping akurasi data. Penggunaan model statistik nonparametrik selain Coefisien Contingensi tidak lazim dilakukan. tetapi hanya memberikan peringkat saja. Ia akan memiliki urutan mulai dari yang . lebih-lebih dalam mengukur gradasi. Nazir. tetapi juga menginginkan sesuatu yang berada diantara baik dan buruk atau diantara setuju dan tidak setuju. 4. 3. sehingga diperoleh suatu skala gradasi yang jelas. atau diskrit. Data ordinal Bagian lain dari data kontinum adalah data ordinal. Seseorang yang pergi ke Jakarta.

yakni variabel nominal. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data ratio. Angka pada skala ratio dapat menunjukkan nilai sebenarnya dari objek yang diukur. kurang menghadiri. bila dilihat dengan ukuran ratio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. dengan kode 3. c. Data yang diperoleh dari hasil pengukuran menggunakan skala interval dinamakan data interval. 50.000. maka ukuran ratio dapat dibuat perkalian ataupun pembagian. Variabel nominal. Partial Correlation. D. variabel interval.000. mulai dari tidak pernah absen menghadiri. Rp. 40. tidak setuju sampai sangat tidak setuju. dan bayi C memiliki ratio berat badan sepertiga kali berat badan bayi A. tidak pernah menghadiri. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Data ini memperlihatkan jarak yang sama dari ciri atau sifat objek yang diukur. ratio antara D dan A adalah 5 : 1. C dan D mempunyai pendapatan masing-masing perhari Rp. Pendapatan C adalah 4/3 kali pendapatan B. maka variabel penelitian diharapkan dapat bagi 4 bagian. Bayi B memiliki ratio berat badan dua kali dari berat badan bayi C. Misalnya tentang nilai ujian 6 orang mahasiswa. 4. A. dan Multiple Regression. yakni A. Jika diukur dengan skala Ratio. dengan kode 2 sampai tidak ingin menghadiri sama sekali. C. E dan F diukur dengan ukuran interval pada skala prestasi dengan ukuran 1. Partial Regression. Akan tetapi ukuran interval tidak memberikan jumlah absolut dari objek yang diukur. 10. setuju. dengan kode 5. dengan kode 1. Data interval Pemberian angka kepada set dari objek yang mempunyai sifat-sifat ukuran ordinal dan ditambah satu sifat lain. kadang-kadang saja menghadiri.30. Ukuran ratio memiliki titik nol. dan variabel ratio. Partial Regression. d. Akan tetapi tidak bisa dikatakan bahwa prestasi E adalah 5 kali prestasi A ataupun prestasi F adalah 3 kali lebih baik dari prestasi B. yaitu variabel yang dikategorikan secara diskrit dan saling terpisah . Pendapatan D adalah 5 kali pendapatan A. B. 5 dan 6. Atau paling baik sampai ke yang paling buruk.paling tinggi sampai paling rendah. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik parametrik dan yang lazim digunakan untuk data rasio ini adalah Pearson Korelasi Product Moment. Bayi A memiliki berat 3 Kg. mulai dari sangat setuju. maka dapat dikatakan bahwa beda prestasi antara C dan A adalah 3 – 1 = 2. ratio antara C dan A adalah 4 : 1. interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. Data ratio Ukuran yang meliputi semua ukuran di atas ditambah dengan satu sifat yang lain. karenanya. Jika ada 4 orang pengemudi. Sesuai dengan ulasan jenis pengukuran yang digunakan. 2. variabel ordinal. Multiple Correlation. Misalnya dalam skala Likert (Moh Nazir). dan Multiple Regression. sedangkan rasio antara C dan B adalah 4 : 3. Partial Correlation. Alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang lazim digunakan untuk data ordinal adalah Spearman Rank Correlation dan Kendall Tau.000. Atau jawaban pertanyaan tentang kecenderungan masyarakat untuk menghadiri rapat umum pemilihan kepala daerah. Dengan kata lain. maka bayi A memiliki ratio berat badan 3 kali dari berat badan bayi C. Dari hasil pengukuran dengan menggunakan skala interval ini akan diperoleh data interval. ragu-ragu. Dari hasil pengukuran dengan menggunakan skala ordinal ini akan diperoleh data ordinal. B. Interval pendapatan pengemudi A dan C adalah 30. Alat analisis (uji hipotesis asosiatif) statistik parametrik yang lazim digunakan untuk data interval ini adalah Pearson Korelasi Product Moment. yakni jarak yang sama pada pengukuran dinamakan data interval. Contoh lainnya adalah berat badan bayi yang diukur dengan skala ratio. dengan kode 4.000. dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A.000 dan Rp. Oleh karena ada titik nol. dst. 3. yakni ukuran yang memberikan keterangan tentang nilai absolut dari objek yang diukur dinamakan ukuran ratio. Rp. Beda prestasi antara C dan F adalah 6 – 3 = 3. Multiple Correlation.

data harus memiliki distribusi normal. berat badan. sedangkan variabel rasio adalah variabel yang disusun dengan ukuran ratio seperti tingkat penganggguran.seperti status perkawinan. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment. Artinya. Variabel ordinal adalah variabel yang disusun atas dasar peringkat. ia hanya digunakan untuk mengukur distribusi. Multiple Correlation. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek prestasi ahasiswa. Partial Regresion dan Multiple Regression. hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval. seperti motivasi seseorang untuk bekerja. diharapkan data ordinal sudah menjadi data interval yang memiliki sebaran normal yang langsung bisa dilakukan analisis dengan statistik parametrik. data juga harus memiliki distribusi normal. Konversi variabel ordinal Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan... dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval. Transformasi Data Ordinal ini dilakukan dengan tujuan untuk memperoleh data dengan skala pengururan interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. Partial Correlation... peringkat perlombaan catur. padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal. Menuruti Al-Rasyid. Transformasi data ordinal menjadi Interval ini. menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data. selain merupakan suatu kelaziman. Jika kita tidak ingin melakukan ujinormalitas karena data yang kita miliki adalah data ordinal. Dengan dilakukannya transformasi data ini. skala termometer dan sebagainya. juga untuk mengubah data agar memiliki sebaran normal. Karena salah satu syarat penggunaan statistik parametrik. dan sebagainya. e. sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau rasio. (Ronald E. Walpole). jenis kelamin. setelah melakukan Transformasi data ordinal menggunakan model ini tidak perlu melakukan uji normalitas. Transformasi data ini. Berbeda dengan ststistik nonparametrik.. suku bangsa. selain data harus memiliki skala interval (dan ratio). . dan sebagainya. penghasilan.

.:.-0..3/03.3 /.35078.5.9:5007.:.8:/.3907.3.47/3.37.9.9.3.3503:3..-047/3../.203. 203..7.8..2097 80.47/3.9895. /...7:8 2028.33.7..7.9..39.942039 !.47/3./.3 8. 7/3..3.503:7:7.8...3/.03907.3/03.38:.75073.2. 793.:.80507989.3.078..33203:549088/03.203./.8!74/:./03.9.943 :9504770..9././.3 :...9-.3..9:8...3 503.3 8:.  ..3907...-0.3 /.3.8/ 203./.3::7.3.8/.88.47/3. 80/.:.47/3.8/./.8.9/.2097 %7.3 80-.3:39:-007.33472.3907.8 503::7.9.50792-.3/..9.33907..2/:3. 03..38./.:. /...9072420907/.//.3:89.9895.:..7.3.8808047...84./3.050393..  0 43./:3.993.3 /8:8:3/03..39::..9.3:3472./.2.3..7.-047/3..3-.28.2.9 805079249.8/..3:7...9503.9..9:-8.7.9./03. %7.540   .389...7.943  !. /.9./8. .989 3435.9:0.9./. '.3 97. 8090.9.3.3...47/3.3/::7/03.9:54908889.7.9895. 20.7:8-07-039:3907.7.9:8507.9.389.32094/0$:808.381472.-0.9:7 5073.381472.38.3320.3320.2097  07-0/.7.720280-.3203:3.7:8202/897-:83472.  .7.2097 ./03.9..8.703.950742-.97.38.7.9..9.3 /.80.381472.9./ .39.380-..03907.3%7.3..3 .78.7.7.3:39: 20250740/.381472.3..8/.381472.9.:.7.3/.3/.9503:3..-03907.9.389.203.8 .3 094/0$:808..3/..9.-07.3/.38989893435.84 /.703.3::7...2097/03.9.3:950#0708843 5.380-.7843470.7.79.33472./.  03:7:9 #.47/3.7.3907.3.9././/.3.9/.908:.9./.9895.2./.8...989 5.324/039/.:7.8050793/057089..7..7.3 .3/03./.3 80.507:20..3..3: 3472.3-07-./3907.3  '.3/.8.203:3./.  5073.39.4770.3.33907. 80/.9.3.3:39:203::7/897-:8  #43.7503::7../.2097!0..9480507993.8 .2097 .:..3 0380..37.3207:5.#070843/.:.:.38..23 8::-..9.. %7..7.8/.3. 8.88/03.8.3...8/.3 20280-./03.:39:203:-.381472..3 /...9.38:3-8.7.3/.9...3..3/8:8:3.8889.7:8202/897-:83472.79.9.203.7...94 /.3 -07.