Transformasi Data Ordinal Menjadi Interval

Data yang dikumpulkan mahasiwa ketika akan membuat tugas akhir, selain data skunder diantaranya adalah data primer. Data skunder adalah data yang diperoleh dari catatan-catatan atau informasi tertulis dari perusahaan, serta data-data lain yang terdokumentasi dengan baik dan valid. Sedangkan data primer adalah data yang direspon langsung oleh responden berdasarkan wawancara ataupun daftar pertanyaan yang dirancang, disusun, dan disajikan dalam bentuk skala, baik nominal, ordinal, interval maupun ratio oleh mahasiswa ketika membutuhkan data demi kepentingan penelitian. Teknik pengumpulan data seperti ini lazim digunakan karena selain bisa langsung menentukan skala pengukuranya, akan tetapi juga bisa melengkapi hasil wawancara yang dilakukan dengan responden. Skala pengukuran yang dibuat oleh mahasiswa sebaiknya dibuat sedemikian rupa, mengikuti kaidah, sehingga akan memudahkan pemilihan teknik analisis yang akan digunakan ketika pengumpulan datanya sudah selesai. Dalam studi empiris, misalnya saja mahasiswa ingin menggunakan statistika parametrik dengan analisis regresi untuk menganalisis dan mengkaji masalah-masalah penelitian. Pemilihan analisis model ini ini hanya lazim digunakan bila skala pengukuran yang yang dilakukan adalah minimal interval. Sedangkan teknik pengumpulan data yang dilakukan oleh mahasiswa sudah dilakukan dengan menggunakan skala pengukuran nominal (atau ordinal). Menghadapi situasi demikian, salah satu cara yang dilakukan adalah menaikkan tingkat pengukuran skalanya dari ordinal menjadi interval. Melakukan manipulasi data dengan cara menaikkan skala dari ordinal menjadi interval ini, selain bertujuan untuk tidak melanggar kelaziman, juga untuk mengubah agar syarat distribusi normal bisa dipenuhi ketika menggunakan statistika parametrik. Menurut Sambas Ali Muhidin dan Maman Abdurahman, “salah satu metode transformasi yang sering digunakan adalah metode succesive interval (MSI)”. Meskipun banyak perdebatan tentang metode ini, diharapkan pemikiran ini bisa melengkapi wacana mahasiswa ketika akan melakukan analisis data berkenaan dengan tugas-tugas kuliah. Sebelum melanjutkan pembahasan tentang bagaimana transformasi data ordinal dilakukan, tulisan ini sedikit membahas tentang dua perbedaan pendapat tentang bagimana skor-skor yang diberikan terhadap alternatif jawaban pada skala pengukuran Likert yang sudah kita kenal. Pendapat pertama mengatakan bahwa skor 1, 2, 3, 4, dan 5 adalah data interval. Sedangkan pendapat yang kedua, menyatakan bahwa jenis skala pengukuran Likert adalah ordinal. Alasannya skala Likert merupakan Skala Interval adalah karena skala sikap merupakan dan menempatkan kedudukan sikap seseorang pada kesatuan perasaan kontinum yang berkisar dari sikap “sangat positif”, artinya mendukung terhadap suatu objek psikologis terhadap objek penelitian, dan sikap “sangat negatif”, yang tidak mendukung sama sekali terhadap objek psikologis terhadap objek penelitian. Berkenaan dengan perbedaan pendapat terhadap skor-skor yang diberikan dalam alternatif jawaban dalam skala Likert itu, apakah termasuk dalam skala pengukuran ordinal atau data interval, berikut ini kami mneyampaikan pemikiran yang bisa dijadikan pertimbangan: Ciri spesifik yang dimiliki oleh data yang diperoleh dengan skala pengukuran ordinal, adalah bahwa, data ordinal merupakan jenis data kualitatif, bukan numerik, berupa kata-kata atau kalimat, seperti misalnya sangat setuju, kurang setuju, dan tidak setuju, jika pertanyaannya ditujukan terhadap persetujuan tentang suatu event. Atau bisa juga respon terhadap

dan suhu ruang kelas C 25 derajat Cls.N. 2005). Kita tidak bisa mengatakan bahwa skor 4 atau “setuju” dua kali lebih baik dari skor 2 atau “tidak setuju”. Metode Penelitian. dan skor 5 menunjukkan sikap “sangat setuju”.. tidak setuju. &&&&&&&&&&&&&&&&&& . skor 2 menunjukkan sikap “tidak setuju. Suhu ruang kelas A lebih dingin dari suhu ruang kelas B dan C. Tetapi. perlu memberikan kode numerik. 2.d. dan sangat setuju. Skor 1 hanya menunjukkan sikap “sangat tidak setuju”. “ tidak setuju diberi skor 2. “setuju” diberi kode 4. . dan 5 atau skor yang sudah diperoleh tidak memberikan arti apa-apa terhadap objek yang diukur. angka 1. Akan tetapi data yang diperoleh dengan pengukuran skala ordinal. Penerbit Ghalia Indonesia. dibagi dan dikalikan. 2nd Ed. dikurangkan.. . skor 3 menunjukkan sikap “ragu-ragu’. Jakarta. sehingga menghasilkan skor tertentu. CA. atau kalimat. 1986. kalimat. berbentuk katakata. Moh nazir. Setuju.keberadaan suatu Bank “PQR” dalam suatu daerah yang bisa dimulai dari sangat tidak setuju. The Pravtice of Social Research.. Atau suhu ruangan kelas B lebih panas dari suhu ruang kelas A. bukan terdiri dari kata-kata. 4. sesuai dengan sifat dan cirinya. skor yang lebih tinggi lebih tidak berarti lebih baik dari skor yang lebih rendah. penyataan. 3. Foundation of Behavioral Research. sebelum diolah. Dengan kata lain. Wadsworth. Suhu ruang kelas A 60 % lebih dingin dari suhu ruang kelas C. berupa angka. Berarti bahwa suhu ruang kelas A adalah 75 % lebih dingin dari suhu ruang kelas B. dan diperoleh data misalnya suhu ruangan kelas A 15 derajat Cls. Mahasiswa yang melakukan penelitian dengan menggunakan pendekatan kuantitatif. dijumlahkan. suhu ruang kelas B 20 derajat Cls. Contoh lain misalnya prestasi mahasiswa yang diukur dengan skala indek prestasi mahasiswa. Belmont. dimana angkaangka atau skor-skor numerik yang diperoleh dari hasil pengukuran data langsung dapat dibandingkan antara satu dengan lainnya. 4th Edition. Kerlinger. Misalnya saja alternatif jawaban pada skala Likert. 1971. Sementara data interval adalah termasuk data kuantitatif. Ph. F. berbentuk numerik. Misalnya saja penelitian yang dilakukan mahasiswa tentang suhu udara beberapa kelas. tetapi lebih dingin dibandingkan dengan suhu ruangan kelas C. MacMillan. termasuk di dalamnya adalah data interval. Earl R. . skor 4 menunjukkan sikap “setuju”. . ragu-ragu. dan “sangat setuju” diberi skor 5. angka-angka (numerik) inilah yang kemudian diolah. . Fenomena ini berbeda sekali dengan sifat/ciri yang dimiliki oleh data interval. alternatif jawaban “sangat tidak setuju” diberi skor 1. New York. “ragu-ragu” diberi skor 3. data yang diperoleh dari hasil pengumpulan data bisa langsung diolah dengan menggunakan model statistika. KEPUSTAKAAN Babbie. atau simbol berupa angka dalam setiap jawaban.

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

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

E dan F diukur dengan ukuran interval pada skala prestasi dengan ukuran 1. Angka pada skala rasio dapat menunjukkan nilai sebenarnya dari objek yang diukur. Misalnya tentang nilai ujian 6 orang mahasiswa. Partial Correlation. dengan kode 5. yakni A. Jika kita memiliki sebuah set objek yang dinomori. 4. d. bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. B. ragu-ragu. interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. Beda prestasi antara C dan F adalah 6 – 3 = 3. 3. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio. Data yang diperoleh dari hasil pengukuran menggunakan skala interval dinamakan data interval. Pendapatan D adalah 5 kali pendapatan A. tidak setuju sampai sangat tidak setuju. dengan kode 1. dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. maka dapat dikatakan bahwa beda prestasi antara C dan A adalah 3 – 1 = 2. tetapi hanya memberikan peringkat saja. dengan kode 3. 5 dan 6. 40. Partial Regression. rasio antara C dan A adalah 4 : 1. setuju.30. 5 dan seterusnya. 10. Ukuran ini tidak memberikan nilai absolut terhadap objek. yakni jarak yang sama pada pengukuran dinamakan data interval. mulai dari tidak pernah absen menghadiri. C. dan Multiple Regression. Multiple Correlation. Alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang lazim digunakan untuk data ordinal adalah Spearman Rank Correlation dan Kendall Tau. rasio antara D dan A adalah 5 : 1. Rp. sedangkan rasio antara C dan B adalah 4 : 3. tidak pernah menghadiri. Dengan kata lain. 3. dengan kode 4. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik . Ia akan memiliki urutan mulai dari yang paling tinggi sampai paling rendah. Data interval Pemberian angka kepada set dari objek yang mempunyai sifat-sifat ukuran ordinal dan ditambah satu sifat lain. dengan kode 2 sampai tidak ingin menghadiri sama sekali. Misalnya dalam skala Likert (Moh Nazir).digunakan untuk mengurutkan objek dari yang paling rendah sampai yang paling tinggi atau sebaliknya.000. Data ini memperlihatkan jarak yang sama dari ciri atau sifat objek yang diukur. Atau paling baik sampai ke yang paling buruk. Dari hasil pengukuran dengan menggunakan skala ordinal ini akan diperoleh data ordinal. Pendapatan C adalah 4/3 kali pendapatan B. 50. Dari hasil pengukuran dengan menggunakan skala interval ini akan diperoleh data interval. bila dinyatakan dalam skala. Jika ada 4 orang pengemudi. Rp. A. Interval pendapatan pengemudi A dan C adalah 30.000. Alat analisis (uji hipotesis asosiatif) statistik parametrik yang lazim digunakan untuk data interval ini adalah Pearson Korelasi Product Moment. kurang menghadiri. maka ukuran rasio dapat dibuat perkalian ataupun pembagian. misalnya peringkat 1. c. 4. dari 1 sampai n. maka jarak antara data yang satu dengan lainnya tidak sama.000 dan Rp. Atau jawaban pertanyaan tentang kecenderungan masyarakat untuk menghadiri rapat umum pemilihan kepala daerah. Ukuran ratio memiliki titik nol.000. Akan tetapi ukuran interval tidak memberikan jumlah absolut dari objek yang diukur. karenanya. 2. kadang-kadang saja menghadiri. 2.000. yakni ukuran yang memberikan keterangan tentang nilai absolut dari objek yang diukur dinamakan ukuran ratio. C dan D mempunyai pendapatan masing-masing perhari Rp. Oleh karena ada titik nol. Akan tetapi tidak bisa dikatakan bahwa prestasi E adalah 5 kali prestasi A ataupun prestasi F adalah 3 kali lebih baik dari prestasi B. B. D. Data ratio Ukuran yang meliputi semua ukuran di atas ditambah dengan satu sifat yang lain. mulai dari sangat setuju.

Penggunaan skala interval bagi kepentingan statistik parametrik. dan sebagainya. dan variabel rasio. Pemilih jawaban (kolom 1) atau kategori dan jumlahnya dibuat dari hasil kuisioner fiktif. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment. 2. Kolom proporsi (kolom 3) nomor 1 diisi dengan cara. seperti peringkat prestasi mahasiswa. jenis kelamin. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti penghasilan. juga untuk mengubah data agar memiliki sebaran normal. menaikkan data dengan skala ordinal menjadi skala interval dinamakan transformasi dengan menggunakan metode Suksesiv Interval. maka proporsinya adalah (17 : 100) = 0. Berbeda dengan statistik nonparametrik. Partial Correlation. Sebenarnya data ini lazimnya hanya dianalisis dengan statistik nonparametrik. sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau rasio. Walpole). Data ordinal berukuran 100. kategori 2 dengan jumlah responden 17 orang. variabel interval. Akan tetapi oleh karena model yang diinginkan adalah statistik parametrik. Jika kita tidak ingin melakukan ujinormalitas karena data yang kita miliki adalah data ordinal. yaitu variabel yang dikategorikan secara diskrit dan saling terpisah seperti status perkawinan. Variabel nominal. peringkat perlombaan catur. (Ronald E.parametrik dan yang lazim digunakan untuk data rasio ini adalah Pearson Korelasi Product Moment. Proses Konversi Variabel Ordinal menjadi Variabel Interval 1. Variabel ordinal adalah variabel yang disusun atas dasar peringkat. Transformasi menggunakan model ini berarti tidak perlu melakukan uji normalitas. yakni variabel nominal. 3. Tabel 1. data tersebut ditingkatkan skalanya menjadi data interval dengan menggunakan metode Suksesive Interval. dan sebagainya. data harus memiliki distribusi normal.17. selain merupakan suatu kelaziman. Multiple Correlation. peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. sikap dan sebagainya. maka proporsinya adalah (25 : 100) = 0. hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval. padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal. sehingga di dapat dua jenis data yakni data ordinal dan data interval hasil transformasi. Konversi variabel ordinal Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan. e. Kolom proporsi no 2 diisi dengan cara.25. selain data harus memiliki skala interval (dan ratio). Multiple Correlation. Menuruti Al-Rasyid. sedangkan variabel rasio adalah variabel yang disusun dengan ukuran rasio seperti tingkat penganggguran. data harus memiliki distribusi normal. Masing-masing frekuensi setiap masing-masing kategori dijumlahkan (kolom 2) menjadi jumlah frekuensi. Kolom proporsi nomor 3 diisi dengan cara. Partial Regression. Karena salah satu syarat penggunaan statistik parametrik. Sesuai dengan ulasan jenis pengukuran yang digunakan. Tabel berikut ini adalah konversi variabel ordinal menjadi variabel interval yang disajikan secara simultan. dan Multiple Regression. Berikut ini diberikan contoh sederhana bagaimana kita meningkatkan data hasil pengukuran dengan skala ordinal menjadi data interval dengan metode Suksesiv Interval. misalnya yang memilih kategori 1 jumlah responden 25 orang. Partial Regression dan Multiple Regression. ia hanya digunakan untuk mengukur distribusi. maka variabel penelitian diharapkan dapat bagi 4 bagian. kategori 3 dengan . variabel ordinal. Partial Correlation.

000).4200.00.3101 bersesuaian dengan P 0. Kemudian angka 0. (1 – P) = 0.2514 (terdekat dengan angka 0.7600 (tabel Z).2400.3910 bersesuaian dengan P 0..95 + 0.67). maka beri tanda negatif didepannya. maka kita hanya memilih salah satu.42 + 0.0505 (Z ke 1.42. yakni (0. Kemudian nilai 0.4200 dalam tabel Z.25 + 0..25 – 0.4253 --------------------->0.25 (kolom 4).4207 (terdekat dengan 0. Untuk mencapai angka 1. Berikutnya adalah angka (– 0. Angka ini diperoleh dari luas distribusi normal (angka) 0.3101 Nilai skala 3 = -----------------------. Angka 0. Karena angka 0. Misalnya angka (– 0. maka beri tanda negatif di depannya. proporsinya dihitung dengan cara (19 : 100) = 0. Dalam hal ini angka 0.42 berada di bawah 0. Angka ini harus dihitung dengan jalan menjumlahkan setengah dari luas distribusi normal.= 1. Artinya nilai 0. Kolom 7 (nilai skala) dicari dengan rumus : -------------->Kepadatan pd batas bawah – kepadatan pd batas atas Nilai Skala = ----------------------------------------------------------------------------->Daerah di bwh bts atas – daerah di bwh bts bawah ------------------>0.05.0000 – 0.0500.2.25 ------------------>0.64).0847 --------------------->0.24. begitu seterusnya sampai ditemukan angka 0. cari nilai yang terdekat dengan luas 0..64) dan 0.1040 Nilai skala 4 = -----------------------.3101 – 0. Angka 0. Tabel Z yang terdekat dengan angka 0.9500 (tabel Z).42 (kolom 4). distribusi ini ada kekurangan sebesar 0. Kemudian kolom proporsi nomor 4 dengan jumlah responden 19 orang. Kemudian angka (0. 5. diisi dengan cara melihat tabel Distribusi Normal (Lampiran 1). yakni (0. diperoleh dari luas distribusi normal (angka) 0. yakni di Z ke 1. diperoleh dari luas 0.45) = 0. Angka ini juga harus dihitung dengan cara menjumlahkan setengah dari luas distribusi normal.19.42 ------------------>0. angka 0.3101 bersesuaian dengan P 0.17 = 0.5.95 – 0.3187 Nilai skala 1 = -----------------------.24 (kolom 4).5 + 0.3187 – 0. Dalam contoh ini.3187 bersesuaian dengan P 0.0500 adalah 0. Dst.95.2379 --------------------->0.4200 (tabel Z) terletak di Z ke berapa.4200) terletak di Z ke 0.495 (Z ke 165) .76 .76 – 0.95. Karena angka 0. Untuk mencapai luas 100 % (angka 1.2500 (tabel Z) terletak di Z yang ke berapa. proporsinya adalah (34 : 100) = 0.76.20).2389 yang terletak di Z ke 0.76.5 + 0.0000. Lalu 0.71).2500.2400 adalah 0. Proporsi kumulatif (kolom 4) diisi dengan cara menjumlahkan secara kumulatif item yang ada pada kolom no 3 (proporsi).= – 0.= 0. Jika tidak ada angka yang pas. diperoleh dari luas (angka) 0.2748 --------------------->0.64 5. Misalnya 0.3919 – 0.2500) terletak di Z ke 0. 4.jumlah responden 34 orang. Nilai ordinat (kolom 6) dapat dilihat pada tabel Ordinat Kurva Normal.25 berada di bawah 0. Kolom 5 (Nilai Z). berarti ada kekurangan sebesar 0. Jika tidak ada angka yang sama dengan 0.76. Tabel Z yang terdekat dengan angka 0.5.05 = 1.3910 Nilai skala 2 = -----------------------.71.34.= – 1.34 = 0.00 ------------------>0.19 = 0. Oleh karena angka tersebut memiliki nilai sama. Dan terakhir adalah 0.67. cari nilai yang terdekat dengan angka 0. Berikutnya adalah angka (1.42 – 0.76 + 0.26) = 0.

Bandung. Dengan kata lain. Penerbit Erlangga Jakarta.2748.D.2748 + 2. Rinehart and Winston. Nilai Y (kolom 8) dicari dengan rumus: Y = Nilai Skala + │ Nilai Skalamin │. Kesimpulan Nilai Yi (kolom 8) merupakan nilai hasil transformasi dari variabel ordinal menjadi variabel interval dengan metode MSI.------------------>0.. Bila transformasi serupa juga diberlakukan terhadap Nilai Xi. J. Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural. Dasar-dasar Statistika.3595 Y5 = 2.0847 + 2.95 Angka yang diperoleh berdasarkan perhitungan di atas kemudian ditransformasi menjadi variabel Interval dengan menggunakan rumus seperti yang dilakukan dalam kolom 8. Moh. 2005. New York.2748 = 1 Y2 = – 0. ALFABETA. Begitu seterusnya sampai nilai Y5. Agar bilangan itu sama dengan satu berarti harus di tambah dengan bilangan 2. Nazir. Hol.00 – 0. 2003. .4253 + 2. 2004. Y1 = – 1. Edisi Kelima. Multiple Corelation.1040 – 0. Penerbit CV. Ronald E. Cari nilai negatif paling tinggi pada kolom 7 (nilai skala).8495 Y3 = 0.0000 Nilai skala 5 = -----------------------.0800 + 2.2748. 1987. J Supranto.T. juga harus ditambah dengan angka 2. Metode Penelitian. 2005. Pengantar Statistika. H. Statistik. Anita Kesumahati. 1992.2748 = 4. Angka negatif paling tinggi adalah – 1. Jakarta.5127 Y4 = 1. Inc. Bandung. Kolom 8.3548 C.2748 = 1. Kemudian tambahkan bilangan itu dengan bilangan tertentu agar sama dengan 1. Jakarta. Teknik Penarikan Sampel dan Penyusunan Skala. Penerbit Ghalia Indonesia. Bandung. Skripsi. Sugiono. 1994. Dr. Partial Corelation.. Statistik Nonparametrik Untuk Penelitian. DAFTAR PUSTAKA Al-Rasyid. Walpole. PS Matematika. Partial Regression. Fundamental Research Statistic for the Behavioral Sciences.. Teori Dan Aplikasi. Roscoe. Kemudian untuk nilai Y2.. Misalnya menggunakan Pearson Korelasi Product Moment. ALFABETA. Unila. 1969. maka kedua variabel ini bisa digunakan sebagai variabel untuk keperluan analisis Parametrik bagi mahasiswa.2748 (bilangan konstan).2748 = 2. nilai Yi sudah berbentuk data interval. Pasca Sarjana UNPAD.2379 + 2. Prof. Gramedia Pustaka Utama. Riduan.2748 = 3. Ph. Penerbit PT. Edisi ke-3.0800 --------------------->1..= 2. dan Multiple Regression. Penerbit CV.

Dr. Variabel motivasi kerja karyawan diberi simbol X dan variabel pretasi kerja karyawan diberi simbol Y. Pupuk yang digunakan dalam satuan (kwintal) akan digunakan untuk memprediksi hasil Produksi Padi dalam satuan (ton). Imam Ghozali. Structural Equation Modeling dengan LISREL 8. data tersebut kemudian dianalisis dengan metode regresi. akan tetapi hanya merupakan simbol belaka. Kerlinger. Artinya bila X (motivasi kerja) meningkat 1 satuan. New York. Artinya bila Pupuk naik . Definisi operasional variabel yang dijabarkan sesuai dengan konsep dan teori yang relatif benar akan membantu mengungkapkan penggunaan data penelitian. Penerbit BPFE. Sebelum mahasiswa melakukan penelitian. MacMillan. Pengantar Statistik Terapan Untuk Ekonomi. Earl R. Fenomena seperti itu tentu saja merupakan dinamika pemikiran mahasiswa yang makin kritis mengahadapi tugas-tugas kuliah yang makin komplek. tanpa melakukan pengkajian akan berakibat pada pelanggaran kelaziman terhadap penggunaan model terhadap data yang diperoleh mahasiswa. kita akan menemukan dan membuat klasifikasi data sesuai dengan keperluan. Foundation of Behavioral Research. sebelum dilakukan analisis dengan metode multivariate atau analisis path.. Bagaimana mungkin X (motivasi) bisa mempengaruhi Y dalam satuan numerik?. Setelah dilakukan transformasi. Angka yang diberikan hanya semata-mata merupakan simbol belaka yang diberikan demi kepentingan analisis data. Sebagaimana dikatakan oleh Prof. Wadsworth. Simbol numerik yang diberikan kepadanya tidak memberikan arti apa-apa secara kuantitatif. Babbie. Beberapa Universitas di Indonesia ada yang memberikan syarat dilakukannya transformasi terlebih dahulu terhadap data ordinal. Kita tahu bahwa X ( motivasi kerja) adalah variabel kualitatif. data kualitatif tidak bisa di analisis dengan statistika. 2nd Ed. Belmont. Coba saja kita bandingkan dengan kasus lain berikut ini. . variabel dan definisi operasionalnya memang harus dilakukan demi memasuki wilayah penetuan model yang akan digunakan.N.. 4th Edition. Akan tetapi belakangan ini relatif sering dipertanyakan berkenaan dengan kelaziman model yang akan digunakan oleh mahasiswa ketika akan membuat tugas akhir.. Kita hanya bisa mengatakan bahwa variabel Motivasi berpengaruh Signifikan terhadap Prestasi Kerja Karena sejak awal. 2003. CA. . 1986. bukan numerik. variabel motivasi dan prestasi kerja adalah data kualitatif. Zaenal Mustafa El Qodri. M.5. (dalam Muji Gunarto). F. Jakarta. Katakan hasilnya adalah Y = 4 + 2X. Karena penggunaan model saja. &&&&&&&&&&&&&& TRANSFORMASI DATA ORDINAL KE INTERVAL dan (PERDEBATANNYA) Perdebatan tentang Konversi Data Ordinal menjadi Interval agar bisa digunakan dalam analisis statistik parametrik sebenarnya sudah selesai dan berakhir beberapa dasawarsa lalu. . Misalkan kita akan menganalisis variabel motivasi dan prestasi kerja karyawan sebuah perusahaan. 1971. maka Y (prestasi kerja) akan meningkat sebesar 2 satuan. The Pravtice of Social Research. 1995. Katakan hasilnya adalah Y = 4 + 2X. Karena berdasarkan definisi ini.. Yogyakarta. Keduanya diukur dalam satuan skala ordinal. Pasca Sarjana FE-UI.Com. Karena tanpa memberikan angka (numerik).Wijayanto.

yakni kwintal dan ton. Karena sejak awal. merupakan satuan (numerik) yang bisa diukur. diharapkan hasil produksi Padi akan naik sebesar 2 satuan (ton).sebesar 1 satuan (kwintal). . Karena sejak awal. . kemudian dilakukan analisis misalnya dengan metode regresi. tetap saja kita akan menemui kesulitan dalam melakukan interpretasi terhadap hasil (persamaan regresi) yang kita peroleh. misalnya Motivasi Kerja dan Prestai kerja. Akan tetapi data yang pada awalnya merupakan data kualitatif dan di ukur dengan skala Ordinal. Satuan dalam kasus ini. Pemberian simbol dalam data kualitatif hanya bertujuan untuk memudahkan perhitungan secara matematis. . atau statistik parametrik. dibandingkan secara kuantitatif dan ditimbang. data yang di analisis merupakan data interval (ratio) numerik yang bisa diukur secara kuantitatif. meskipun dilakukan transformasi dengan cara menaikkan skalanya dari ordinal menjadi interval. &&&&&&&& &&&&& . data yang kita analisis adalah merupakan data kualitatif (bukan numerik) seperti halnya data interval/ratio. Satuannya. yakni satuan yang ditunjukkan oleh data kualitatif setelah dilakukan pemberian simbol secara numerik tetap saja tidak akan memberikan informasi secara numerik seperti halnya data interval atau ratio.

Sign up to vote on this title
UsefulNot useful