P. 1
Transformasi Data Ordinal Menjadi Interval

Transformasi Data Ordinal Menjadi Interval

|Views: 565|Likes:
Published by Jonathan Ido

More info:

Published by: Jonathan Ido on Sep 14, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/11/2013

pdf

text

original

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

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

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

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

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

Untuk mencapai angka 1. Nilai ordinat (kolom 6) dapat dilihat pada tabel Ordinat Kurva Normal.64) dan 0. yakni (0.2389 yang terletak di Z ke 0. maka beri tanda negatif di depannya.= 1.42 ------------------>0. diisi dengan cara melihat tabel Distribusi Normal (Lampiran 1). yakni (0.25 (kolom 4). cari nilai yang terdekat dengan angka 0.25 – 0.jumlah responden 34 orang.3187 – 0.4200.3101 Nilai skala 3 = -----------------------.76.17 = 0.0500.05. Oleh karena angka tersebut memiliki nilai sama.3101 – 0.4253 --------------------->0.. berarti ada kekurangan sebesar 0. Kemudian nilai 0.71). Jika tidak ada angka yang sama dengan 0.3919 – 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 ------------------>0.25 berada di bawah 0.95. Angka ini harus dihitung dengan jalan menjumlahkan setengah dari luas distribusi normal. yakni di Z ke 1. Karena angka 0. Angka 0. Misalnya angka (– 0.3910 bersesuaian dengan P 0. Dalam hal ini angka 0. Tabel Z yang terdekat dengan angka 0.3187 Nilai skala 1 = -----------------------.= 0. 4.3910 Nilai skala 2 = -----------------------. proporsinya dihitung dengan cara (19 : 100) = 0.3101 bersesuaian dengan P 0.= – 0.495 (Z ke 165) .42. Kemudian angka (0. Berikutnya adalah angka (– 0.2514 (terdekat dengan angka 0.42 + 0. Angka 0.. diperoleh dari luas 0. maka kita hanya memilih salah satu.00 ------------------>0.0505 (Z ke 1. Dalam contoh ini. Angka ini juga harus dihitung dengan cara menjumlahkan setengah dari luas distribusi normal.1040 Nilai skala 4 = -----------------------.76. Kemudian kolom proporsi nomor 4 dengan jumlah responden 19 orang. maka beri tanda negatif didepannya.42 berada di bawah 0.2379 --------------------->0.24 (kolom 4).= – 1.3187 bersesuaian dengan P 0.4207 (terdekat dengan 0.3101 bersesuaian dengan P 0. Jika tidak ada angka yang pas.20). Dst.19.67.26) = 0.64 5.0847 --------------------->0. Proporsi kumulatif (kolom 4) diisi dengan cara menjumlahkan secara kumulatif item yang ada pada kolom no 3 (proporsi). diperoleh dari luas (angka) 0.7600 (tabel Z).95.000).25 + 0.2400. Tabel Z yang terdekat dengan angka 0.4200) terletak di Z ke 0.2500) terletak di Z ke 0.9500 (tabel Z).95 + 0. Karena angka 0. diperoleh dari luas distribusi normal (angka) 0.76 – 0.25 ------------------>0.24. cari nilai yang terdekat dengan luas 0. angka 0. Kemudian angka 0. (1 – P) = 0. Lalu 0.34 = 0.2500 (tabel Z) terletak di Z yang ke berapa.00.4200 dalam tabel Z.76 .64). begitu seterusnya sampai ditemukan angka 0.5 + 0. Untuk mencapai luas 100 % (angka 1. 5.45) = 0.34. proporsinya adalah (34 : 100) = 0. Artinya nilai 0.0000 – 0.0000.0500 adalah 0.5.42 (kolom 4).. Misalnya 0.42 – 0.67).5 + 0. distribusi ini ada kekurangan sebesar 0.95 – 0.2748 --------------------->0.76 + 0.2.5.2400 adalah 0. Berikutnya adalah angka (1. Kolom 5 (Nilai Z).2500.4200 (tabel Z) terletak di Z ke berapa. Angka ini diperoleh dari luas distribusi normal (angka) 0.76.05 = 1.19 = 0.71. Dan terakhir adalah 0.

Penerbit Ghalia Indonesia.T. Begitu seterusnya sampai nilai Y5. Statistik. Edisi ke-3. Walpole. 2003.2379 + 2. juga harus ditambah dengan angka 2. Kesimpulan Nilai Yi (kolom 8) merupakan nilai hasil transformasi dari variabel ordinal menjadi variabel interval dengan metode MSI. Partial Regression. Dengan kata lain. nilai Yi sudah berbentuk data interval. Misalnya menggunakan Pearson Korelasi Product Moment. PS Matematika. ALFABETA. Jakarta. Cari nilai negatif paling tinggi pada kolom 7 (nilai skala).. Roscoe.5127 Y4 = 1.1040 – 0. Kemudian tambahkan bilangan itu dengan bilangan tertentu agar sama dengan 1. Teori Dan Aplikasi.------------------>0. 2005. 1994. J. Unila. Pengantar Statistika.4253 + 2. Rinehart and Winston.2748 = 1.2748 (bilangan konstan). Bandung. Jakarta. Hol. Gramedia Pustaka Utama. ALFABETA. Inc. Metode Penelitian. Edisi Kelima. Penerbit CV. maka kedua variabel ini bisa digunakan sebagai variabel untuk keperluan analisis Parametrik bagi mahasiswa. Teknik Penarikan Sampel dan Penyusunan Skala. Anita Kesumahati. Kolom 8. J Supranto. . dan Multiple Regression. 1969. Penerbit Erlangga Jakarta. H.. Bandung. Bandung. Dr.D. Riduan. Nazir.95 Angka yang diperoleh berdasarkan perhitungan di atas kemudian ditransformasi menjadi variabel Interval dengan menggunakan rumus seperti yang dilakukan dalam kolom 8. Pasca Sarjana UNPAD.. Bila transformasi serupa juga diberlakukan terhadap Nilai Xi.= 2.3595 Y5 = 2. 2005. Statistik Nonparametrik Untuk Penelitian.2748.2748 = 4. DAFTAR PUSTAKA Al-Rasyid. Fundamental Research Statistic for the Behavioral Sciences. Penerbit PT. Nilai Y (kolom 8) dicari dengan rumus: Y = Nilai Skala + │ Nilai Skalamin │. Dasar-dasar Statistika. Skripsi. New York.00 – 0.2748 = 1 Y2 = – 0.2748 = 3. Partial Corelation. Ronald E. 1992. Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural. Ph. Sugiono.. Multiple Corelation.. 2004. Prof. Penerbit CV. Y1 = – 1. Kemudian untuk nilai Y2.0000 Nilai skala 5 = -----------------------.0800 --------------------->1.2748 = 2.2748 + 2.0847 + 2.0800 + 2. Moh.3548 C. Agar bilangan itu sama dengan satu berarti harus di tambah dengan bilangan 2.8495 Y3 = 0. Angka negatif paling tinggi adalah – 1. 1987.2748.

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->