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

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

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

Rp. seperti motivasi seseorang untuk bekerja. hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval. rasio antara pengemudi D dan A adalah 5 : 1. Menuruti Al-Rasyid. Transformasi data itu dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval (MSI). Angka pada data ratio dapat menunjukkan nilai sebenarnya dari objek yang diukur. yakni variabel nominal. Partial Regresion dan Multiple Regression. Data ratio. Partial Regression.000. interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. sedangkan rasio antara pengemudi C dan B adalah 4 : 3. Karenanya. baik dari segi biaya. maka bayi A memiliki rasio berat badan 3 kali dari berat badan bayi C. maka data ratio dapat dibuat perkalian ataupun pembagian. Sesuai dengan ulasan jenis pengukuran yang digunakan. Contoh data rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio. Multiple Correlation. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik parametrik dan yang lazim digunakan untuk data ratio ini adalah Pearson Korelasi Product Moment. Bayi A memiliki berat 3 Kg. C dan D mempunyai pendapatan masingmasing perhari Rp. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio. variabel ordinal.ratio (data rasio). Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek prestasi mahasiswa. variabel interval. Rp. maka variabel penelitian lazimnya bisa di bagi menjadi 4 jenis variabel. menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data. Jika ada 4 orang pengemudi. dst. Jika diukur dengan skala rasio. dan Multiple Regression. Interval pendapatan pengemudi A dan C adalah 30. padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal. suku bangsa. berat badan.30. peringkat perlombaan catur. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment. yang diperoleh melalui mengukuran dengan skala rasio memiliki titik nol.000. Bayi B memiliki rasio berat badan dua kali dari berat badan bayi C. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. skala termometer dan sebagainya. profesi pekerjaan seseorang dan sebagainya. e. peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. 10. penghasilan. dan sebagainya. Partial Correlation. dan bayi C memiliki rasio berat badan sepertiga kali berat badan bayi A. jenis kelamin. Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. data harus memiliki distribusi normal. yaitu variabel yang dikategorikan secara diskrit dan saling terpisah satu sama lain. rasio antara pengemudi C dan A adalah 4 : 1. A.000 dan Rp. Konversi variabel ordinal Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan. Tujuan dari dilakukannya transformasi data adalah untuk . Variabel nominal. B.. Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A.000. Variabel ordinal adalah variabel yang disusun atas dasar peringkat. sedangkan variabel rasio adalah variabel yang disusun dengan ukuran ratio seperti tingkat penganggguran. misalnya status perkawinan. Multiple Correlation. waktu maupun dasar teori. Oleh karena ada titik nol. sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau ratio.000. 50. Pendapatan pengemudi C adalah 4/3 kali pendapatan pengemudi B. Jika kita tidak ingin melakukan uji normalitas karena data yang kita miliki adalah data ordinal. dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. dan variabel ratio. 40. Dengan kata lain. Partial Correlation.

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

Sign up to vote on this title
UsefulNot useful