PENGERTIAN DAN JENIS DATA NOMINAL, ORDINAL, INTERVAL DAN RATIO

DATA NOMINAL, ORDINAL, INTERVAL DAN DATA RATIO 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 pertimbangan-pertimbangan 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. Karena 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 kita 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, interval dan ratio 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 peluang menggunakan alat analisis lain. 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 setelah kita mempertimbangkan kondisi bagaimana data dikumpulkan. Karena dalam teori, alat analisis model adalah alat yang tidak bisa digunakan dalam kondisi yang tidak sesuai dengan pertimbangan-pertimbangan logis. Ia memang 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

tidak akan pernah memiliki hubungan dengan berat badan penduduk Kalimantan. dan kepada semua anggota set diberikan angka. Salah satu diantaranya adalah masing-masing variabel tidak memiliki hubungan linier yang eksak. Karena gradasi. basket (2) dan renang (3). Pertama. Mengubah fakta-fakta kualitatif menjadi urutan kuantitatif itu telah menjadi satu kelaziman paling tidak bagi sebagian besar orang. Bila objek dikelompokkan ke dalam set-set. Sebagian peneliti ingin mengukur sifat-sifat yang ada antara baik dan buruk tersebut. eksistensi matematika sebagai alat yang lebih cenderung digunakan oleh ilmu-ilmu pengetahuan sehingga bisa mengundang kuantitatif variabel. lebih-lebih dalam mengukur gradasi. atau diskrit. Data nominal Sebelum kita membicarakan bagaimana alat analisis data digunakan.pulau Nias. set-set tersebut tidak boleh tumpang tindih dan bersisa. tetapi juga menginginkan sesuatu yang berada diantara baik dan buruk atau diantara setuju dan tidak setuju. Tentang partai. Begitu juga tentang suku. Jelas kelihatan bahwa angka yang diberikan tidak menunjukkan bahwa tingkat olah raga basket lebih tinggi dari tenis ataupun tingkat renang lebih tinggi dari tenis. misalnya Partai Bulan. atau tiga seperempat kali. Motivasi kerja sebuah perusahaan makanan ringan. Ciri-ciri data nominal adalah hanya memiliki atribut. semakin meminta presisi yang lebih baik. Partai Bintang dan Partai Matahari. maka kita belum tentu puas dengan atribut baik atau buruk saja. setuju atau tidak setuju. Nazir. Angka yang diberikan hanya berfungsi sebagai label saja. basket dan renang. Nazir (2006). dimana angka yang diberikan kepada objek mempunyai arti sebagai label saja. Seseorang yang pergi ke Jakarta. Bagi keperluan analisis penelitian ilmu-ilmu sosial. Orang selain kurang begitu puas dengan atribut baik atau buruk. teknik membuat skala adalah cara mengubah fakta-fakta kualitatif (atribut) menjadi suatu urutan kuantitatif (variabel). Kedua. disamping akurasi data. Data nominal merupakan data kontinum dan tidak memiliki urutan. Menuruti Moh. Model analisis statistik hanya bisa digunakan jika data yang diperoleh memiliki syarat-syarat tertentu. Misalnya tentang jenis olah raga yakni tenis. Menuruti Moh. Kemudian masing-masing anggota set di atas kita berikan angka. yakni Dayak. hasilnya akan makin representatif. Semakin banyak gradasi yang dibuat dalam instrumen penelitian. ilmu pengetahuan. teknik mengurutkan sesuatu ke dalam skala itu artinya begitu penting mengingat sebagian data dalam ilmu-ilmu sosial mempunyai sifat kualitatif. juga sebagian orang saat ini menginginkan gradasi yang lebih baik bagi objek penelitian. Pembahasan a. Karena perlunya presisi. tidak akan pernah mengatakan dua setengah kali. Bugis dan Badui. Data yang kita peroleh melalui instrumen pengumpul data itu bisa dianalisis dengan menggunakan model tanpa melanggar kelaziman. berikut ini akan diberikan ulasan tentang bagaimana sebenarnya data nominal yang sering digunakan dalam statistik nonparametrik bagi mahasiswa. merupakan kelaziman yang diminta bagi sebagian orang bisa menguak secara detail objek penelitian. sehingga diperoleh suatu skala gradasi yang jelas. tidak akan memiliki hubungan dengan produktivitas petani Sawit. misalnya tenis (1). B. Atribut saja sebagai objek penelitian selain kurang representatif bagi peneliti. Tetapi akan mengatakan dua . Angka tersebut tidak memberikan arti apa-apa jika ditambahkan. data nominal adalah ukuran yang paling sederhana. dan tidak menunjukkan tingkatan apapun. karena berbagai alasan. Masing-masing kategori tidak dinyatakan lebih tinggi dari atribut (nama) yang lain. atau nama.

mulai dari tidak pernah absen menghadiri. Jika kita memiliki sebuah set objek yang dinomori. Data ini. Beda prestasi antara mahasiswa C dan F adalah 6 – 3 = 3. 2. Data interval Pemberian angka kepada set dari objek yang mempunyai sifat-sifat ukuran ordinal dan ditambah satu sifat lain. dengan kode 3. yakni A. Tidak akan pernah ada bilangan pecahan. dan Multiple Regression. dengan kode 5. Akan tetapi ukuran interval tidak memberikan jumlah absolut dari objek yang diukur. Ukuran ini tidak memberikan nilai absolut terhadap objek. d. maka jarak antara data yang satu dengan lainnya tidak sama. Akan tetapi tidak bisa dikatakan bahwa prestasi mahasiswa E adalah 5 kali prestasi mahasiswa A ataupun prestasi mahasiswa F adalah 3 kali lebih baik dari prestasi mahasiswa B. alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang digunakan untuk data nominal adalah Coefisien Contingensi. E dan F diukur dengan ukuran interval pada skala prestasi dengan ukuran 1. misalnya peringkat 1. Data nominal ini diperoleh dari hasil pengukuran dengan skala nominal. 3. Penggunaan model statistik nonparametrik selain Coefisien Contingensi tidak lazim dilakukan. Dari hasil pengukuran dengan menggunakan skala ordinal ini akan diperoleh data ordinal. Data ordinal Bagian lain dari data kontinum adalah data ordinal. Alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang lazim digunakan untuk data ordinal adalah Spearman Rank Correlation dan Kendall Tau. ragu-ragu. 4. tetapi hanya memberikan peringkat saja. tidak pernah menghadiri. Atau jawaban pertanyaan tentang kecenderungan masyarakat untuk menghadiri rapat umum pemilihan kepala daerah. 3. lima kali. Menuruti Sugiono. perhitungannya dilakukan setelah kita menghitung Chi Square. Misalnya dalam skala Likert (Moh Nazir). Akan tetapi karena pengujian hipotesis Coefisien Contingensi memerlukan rumus Chi Square (χ2). selain memiliki nama (atribut). yakni ukuran yang memberikan keterangan tentang nilai absolut dari objek yang diukur dinamakan ukuran . 4. b. maka dapat dikatakan bahwa beda prestasi antara mahasiswa C dan A adalah 3 – 1 = 2. demikian seterusnya. juga memiliki peringkat atau urutan. Begitu juga tentang ukuran jumlah anak dalam suatu keluarga. atau sebaliknya. yakni jarak yang sama pada pengukuran dinamakan data interval. bila dinyatakan dalam skala. B. Data yang diperoleh dari hasil pengukuran menggunakan skala interval dinamakan data interval. c. kurang menghadiri. dengan kode 2 sampai tidak ingin menghadiri sama sekali. 2. D. setuju. 5 dan seterusnya. Dari hasil pengukuran dengan menggunakan skala interval ini akan diperoleh data interval. Data ratio Ukuran yang meliputi semua ukuran di atas ditambah dengan satu sifat yang lain. C. Partial Regression. atau tujuh kali. Misalnya tentang nilai ujian 6 orang mahasiswa. Partial Correlation. Multiple Correlation. kadang-kadang saja menghadiri. Data ini memperlihatkan jarak yang sama dari ciri atau sifat objek yang diukur. dari 1 sampai n. dengan kode 4. Atau paling baik sampai ke yang paling buruk. dengan kode 1. 5 dan 6. Angka yang diberikan mengandung tingkatan. Alat analisis (uji hipotesis asosiatif) statistik parametrik yang lazim digunakan untuk data interval ini adalah Pearson Korelasi Product Moment. Ia akan memiliki urutan mulai dari yang paling tinggi sampai paling rendah. tidak setuju sampai sangat tidak setuju. Numerik yang dihasilkan akan selalu berbentuk bilangan bulat.kali. mulai dari sangat setuju. Ia digunakan untuk mengurutkan objek dari yang paling rendah sampai yang paling tinggi.

Partial Regresion dan Multiple Regression. Rp. Partial Correlation. maka variabel penelitian lazimnya bisa di bagi menjadi 4 jenis variabel. Data ratio. Dengan kata lain.000. Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Rp. interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. berat badan.30. Multiple Correlation.000. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. yakni variabel nominal. sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau ratio. suku bangsa. seperti motivasi seseorang untuk bekerja. e. Transformasi data itu dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval (MSI). Variabel nominal. Variabel ordinal adalah variabel yang disusun atas dasar peringkat. maka data ratio dapat dibuat perkalian ataupun pembagian. skala termometer dan sebagainya. menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data. 10.000. B. baik dari segi biaya. Menuruti Al-Rasyid. 40. misalnya status perkawinan. rasio antara pengemudi C dan A adalah 4 : 1. dan Multiple Regression. yang diperoleh melalui mengukuran dengan skala rasio memiliki titik nol. C dan D mempunyai pendapatan masingmasing perhari Rp. dst. Sesuai dengan ulasan jenis pengukuran yang digunakan.000 dan Rp. Konversi variabel ordinal Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan. Partial Regression. maka bayi A memiliki rasio berat badan 3 kali dari berat badan bayi C. Partial Correlation. A. Angka pada data ratio dapat menunjukkan nilai sebenarnya dari objek yang diukur. waktu maupun dasar teori. jenis kelamin. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek prestasi mahasiswa. Pendapatan pengemudi C adalah 4/3 kali pendapatan pengemudi B. sedangkan variabel rasio adalah variabel yang disusun dengan ukuran ratio seperti tingkat penganggguran. dan bayi C memiliki rasio berat badan sepertiga kali berat badan bayi A. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment. Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A. dan sebagainya. Oleh karena ada titik nol. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik parametrik dan yang lazim digunakan untuk data ratio ini adalah Pearson Korelasi Product Moment. peringkat perlombaan catur. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio. Bayi A memiliki berat 3 Kg. dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Interval pendapatan pengemudi A dan C adalah 30.000. peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. variabel ordinal. rasio antara pengemudi D dan A adalah 5 : 1. Karenanya. profesi pekerjaan seseorang dan sebagainya. hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval. yaitu variabel yang dikategorikan secara diskrit dan saling terpisah satu sama lain. sedangkan rasio antara pengemudi C dan B adalah 4 : 3. Jika ada 4 orang pengemudi. Multiple Correlation. data harus memiliki distribusi normal. 50. Contoh data rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio.. Tujuan dari dilakukannya transformasi data adalah untuk . Bayi B memiliki rasio berat badan dua kali dari berat badan bayi C. penghasilan. dan variabel ratio. variabel interval. padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal. Jika diukur dengan skala rasio. Jika kita tidak ingin melakukan uji normalitas karena data yang kita miliki adalah data ordinal.ratio (data rasio).

selain data harus memiliki skala interval (dan ratio). Penerbit PT Gramedia Pustaka Utama. 8. 1969 5. ia hanya digunakan untuk mengukur distribusi. 2005.. L. 3. Skripsi. diharapkan data ordinal sudah menjadi data interval dan memiliki sebaran normal yang langsung bisa dilakukan analisis dengan statistik parametrik. Pengantar Statistika. Penerbit Erlangga. Walpole). DAFTAR PUSTAKA 1. 2.5. Moh. 1976. 2003. Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural. 2003. J Supranto. Zaenal Mustafa El Qodri.. penggunaan model dalam suatu penelitian tidak perlu melakukan uji normalitas. setelah dilakukan transformasi data dari ordinal menjadi interval. Quantification in Psychology. data juga harus memiliki distribusi (sebaran) normal. PS Matematika. Karena salah satu syarat penggunaan statistik parametrik. Hays. juga untuk mengubah data agar memiliki sebaran normal. Penerbit ALFABETA Bandung. Rinehart and Winston. Bandung. Bandung. Prof. 10.D.T. Structural Equation Modeling dengan LISREL 8. J. 7. Bagian Penerbitan Fakultas Ekokomi Universitas Islam Indonesia. Jakarta. Hol. Penerbit Ghalia Indonesia. selain merupakan suatu kelaziman. (Ronald E. Pengantar Statistika. 1994. Al-Rasyid. Sugiono. 1987 6.menaikkan data dari skala pengukuran ordinal menjadi skala dengan pengukuran interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. Metode Penelitian. Jakarta. 2004. Edisi Kelima. Statistik. Inc. W. Ronald E। Walpole. Pascasarjana FE-UI. Wijayanto. Dr. Artinya. New York. H. Roscoe. Teori Dan Aplikasi. Riduan.. Berbeda dengan ststistik nonparametrik. Transformasi data ordinal menjadi interval itu. Ph. Anita Kesumahati. New Delhi 4. Fundamental Research Statistic for the Behavioral Sciences. Yogyakarta. Prentice Hall. 11. 9. 1995 . Statistika Nonparametrik Untuk Penelitian. Nazir. Teknik Penarikan Sampel dan Penyusunan Skala. Pascasarjana UNPAD. Jakarta. Jakarta. Dasar-dasar Statistika. 1992. Dengan dilakukannya transformasi data. Unila. 2005. Edisi ke-3. Penerbit CV ALFABETA.

Sign up to vote on this title
UsefulNot useful