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

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

rasio antara pengemudi C dan A adalah 4 : 1. Bayi B memiliki rasio berat badan dua kali dari berat badan bayi C. peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. Multiple Correlation. berat badan. Bayi A memiliki berat 3 Kg. variabel interval. peringkat perlombaan catur. Partial Correlation. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio. Jika diukur dengan skala rasio. Multiple Correlation. menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data. seperti motivasi seseorang untuk bekerja. rasio antara pengemudi D dan A adalah 5 : 1. suku bangsa.000. Tujuan dari dilakukannya transformasi data adalah untuk . maka variabel penelitian lazimnya bisa di bagi menjadi 4 jenis variabel. A. jenis kelamin. Karenanya. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment. Contoh data rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio. Angka pada data ratio dapat menunjukkan nilai sebenarnya dari objek yang diukur. C dan D mempunyai pendapatan masingmasing perhari Rp. maka data ratio dapat dibuat perkalian ataupun pembagian. Transformasi data itu dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval (MSI). baik dari segi biaya. yakni variabel nominal. 10. maka bayi A memiliki rasio berat badan 3 kali dari berat badan bayi C. data harus memiliki distribusi normal. 50. padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal.000. hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval. dst. waktu maupun dasar teori. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek prestasi mahasiswa.ratio (data rasio). skala termometer dan sebagainya. dan bayi C memiliki rasio berat badan sepertiga kali berat badan bayi A. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik parametrik dan yang lazim digunakan untuk data ratio ini adalah Pearson Korelasi Product Moment. sedangkan rasio antara pengemudi C dan B adalah 4 : 3.000. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Partial Correlation.. Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A. Interval pendapatan pengemudi A dan C adalah 30.000 dan Rp. dan Multiple Regression. yang diperoleh melalui mengukuran dengan skala rasio memiliki titik nol. Konversi variabel ordinal Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan. sedangkan variabel rasio adalah variabel yang disusun dengan ukuran ratio seperti tingkat penganggguran.30. Jika kita tidak ingin melakukan uji normalitas karena data yang kita miliki adalah data ordinal. Oleh karena ada titik nol. dan sebagainya. dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. e. Pendapatan pengemudi C adalah 4/3 kali pendapatan pengemudi B. variabel ordinal. penghasilan. Dengan kata lain.000. Menuruti Al-Rasyid. Partial Regression. Rp. Partial Regresion dan Multiple Regression. Data ratio. dan variabel ratio. 40. Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. profesi pekerjaan seseorang dan sebagainya. Sesuai dengan ulasan jenis pengukuran yang digunakan. interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. Variabel ordinal adalah variabel yang disusun atas dasar peringkat. Variabel nominal. Jika ada 4 orang pengemudi. B. yaitu variabel yang dikategorikan secara diskrit dan saling terpisah satu sama lain. misalnya status perkawinan. Rp. sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau ratio.

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

Sign up to vote on this title
UsefulNot useful