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

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

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

Multiple Correlation. 40.000 dan Rp. Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Data ratio. suku bangsa. misalnya status perkawinan. berat badan. Pendapatan pengemudi C adalah 4/3 kali pendapatan pengemudi B. dan variabel ratio. Rp. variabel ordinal. data harus memiliki distribusi normal. padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal. penghasilan. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg.000. B. maka data ratio dapat dibuat perkalian ataupun pembagian. dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A. Variabel ordinal adalah variabel yang disusun atas dasar peringkat. Rp. 50. Oleh karena ada titik nol. C dan D mempunyai pendapatan masingmasing perhari Rp. Konversi variabel ordinal Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan. rasio antara pengemudi D dan A adalah 5 : 1. Interval pendapatan pengemudi A dan C adalah 30. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek prestasi mahasiswa. Bayi B memiliki rasio berat badan dua kali dari berat badan bayi C. seperti motivasi seseorang untuk bekerja. yang diperoleh melalui mengukuran dengan skala rasio memiliki titik nol. jenis kelamin. Partial Regression. Multiple Correlation. dst. menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data. maka bayi A memiliki rasio berat badan 3 kali dari berat badan bayi C. Transformasi data itu dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval (MSI). Sesuai dengan ulasan jenis pengukuran yang digunakan. Bayi A memiliki berat 3 Kg. Tujuan dari dilakukannya transformasi data adalah untuk . hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval. Karenanya. Variabel nominal.30. sedangkan variabel rasio adalah variabel yang disusun dengan ukuran ratio seperti tingkat penganggguran. e. peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. 10.000. Contoh data rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio. Partial Regresion dan Multiple Regression. skala termometer dan sebagainya. Dengan kata lain. A. maka variabel penelitian lazimnya bisa di bagi menjadi 4 jenis variabel. Jika ada 4 orang pengemudi.ratio (data rasio). Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio. waktu maupun dasar teori. dan Multiple Regression. sedangkan rasio antara pengemudi C dan B adalah 4 : 3. baik dari segi biaya. yaitu variabel yang dikategorikan secara diskrit dan saling terpisah satu sama lain. Jika diukur dengan skala rasio. Partial Correlation. rasio antara pengemudi C dan A adalah 4 : 1. profesi pekerjaan seseorang dan sebagainya. Menuruti Al-Rasyid. dan bayi C memiliki rasio berat badan sepertiga kali berat badan bayi A. peringkat perlombaan catur. Angka pada data ratio dapat menunjukkan nilai sebenarnya dari objek yang diukur. variabel interval.. Jika kita tidak ingin melakukan uji normalitas karena data yang kita miliki adalah data ordinal. sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau ratio. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment.000. Partial Correlation. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik parametrik dan yang lazim digunakan untuk data ratio ini adalah Pearson Korelasi Product Moment. yakni variabel nominal. dan sebagainya.000. interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas.

Quantification in Psychology. 1969 5. 9. Jakarta. juga untuk mengubah data agar memiliki sebaran normal. J. selain data harus memiliki skala interval (dan ratio). 1987 6. 1976. Anita Kesumahati. 7. Bagian Penerbitan Fakultas Ekokomi Universitas Islam Indonesia. 3. 2003. Nazir. Ph. Prof. Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural. Artinya.. Yogyakarta. Riduan. New Delhi 4. PS Matematika. L. Roscoe. Karena salah satu syarat penggunaan statistik parametrik.5. Fundamental Research Statistic for the Behavioral Sciences. Ronald E। Walpole. Statistik. Penerbit Ghalia Indonesia. Jakarta. Al-Rasyid. Penerbit ALFABETA Bandung. Penerbit PT Gramedia Pustaka Utama. ia hanya digunakan untuk mengukur distribusi. Wijayanto. Berbeda dengan ststistik nonparametrik. 2005. Sugiono. 8. Pascasarjana FE-UI.. Unila.menaikkan data dari skala pengukuran ordinal menjadi skala dengan pengukuran interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. Dengan dilakukannya transformasi data. diharapkan data ordinal sudah menjadi data interval dan memiliki sebaran normal yang langsung bisa dilakukan analisis dengan statistik parametrik. Jakarta. Penerbit Erlangga.. Pascasarjana UNPAD. (Ronald E. Edisi Kelima. 11. 2. 2004. 10. Skripsi. Teknik Penarikan Sampel dan Penyusunan Skala. Inc. 1994. selain merupakan suatu kelaziman. Prentice Hall. 1992. Moh. New York.D. Hol. H. J Supranto. Jakarta. Pengantar Statistika. Dasar-dasar Statistika. Zaenal Mustafa El Qodri. Pengantar Statistika. Structural Equation Modeling dengan LISREL 8. 2005. Metode Penelitian. data juga harus memiliki distribusi (sebaran) normal. Rinehart and Winston. 2003. Bandung. Statistika Nonparametrik Untuk Penelitian. Hays. Edisi ke-3. Penerbit CV ALFABETA. Teori Dan Aplikasi. Dr. setelah dilakukan transformasi data dari ordinal menjadi interval. 1995 . Transformasi data ordinal menjadi interval itu. Bandung. penggunaan model dalam suatu penelitian tidak perlu melakukan uji normalitas. DAFTAR PUSTAKA 1. W.T. Walpole).

Sign up to vote on this title
UsefulNot useful