Fenomena yang sering terjadi ketika mahasiswa akan menyelesaikan tugas akhir, diantaranya adalah ketika menemukan data rasio
yang pada gilirannya akan berhadapan dengan model alat analisis mana
yang akan di gunakan. Karena dari beberapa literatur, memperlakukan data rasio berikut alat analisisnya akan memiliki perbedaan bila kita memperlakukan data yang berbentuk, nominal, ordinal, dan interval. Data rasio
memiliki spesifikasi yang paling kuat diantara data-data lain,
dibandingkan dengan misalnya, data nominal, ordinal dan data interval. Data rasio
juga memiliki ukuran yang paling komplek dan memiliki sifat-sifat yang
dimiliki oleh data nominal, data ordinal dan data interval serta
ditambah dengan satu sifat yang lain. Selain itu, data rasio
lebih tepat bila diterapkan dengan menggunakan alat analisis statistik
parametrik, yakni statistik yang berhubungan dengan parameter. Sedangkan
data nominal dan data ordinal, memiliki kecenderungan bila kita
menggunakan alat analisis statistik non parametrik.
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 rasio 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 pulau Nias, tidak akan pernah memiliki
hubungan dengan berat badan penduduk Kalimantan. Motivasi kerja sebuah
perusahaan makanan ringan, tidak akan memiliki hubungan dengan
produktivitas petani Sawit. Model analisis statistik hanya bisa
digunakan jika data yang diperoleh memiliki syarat-syarat tertentu.
Salah satu diantaranya adalah masing-masing variabel tidak memiliki
hubungan linier yang eksak. Data yang kita peroleh melalui instrumen
pengumpul data itu bisa dianalisis dengan menggunakan model tanpa
melanggar kelaziman.
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. Atribut saja sebagai objek penelitian selain kurang
representatif bagi peneliti, juga sebagian orang saat ini menginginkan
gradasi yang lebih baik bagi objek penelitian.
Orang selain kurang begitu puas dengan
atribut baik atau buruk, setuju atau tidak setuju, tetapi juga
menginginkan sesuatu yang berada diantara baik dan buruk atau diantara
setuju dan tidak setuju. Karena gradasi, merupakan kelaziman yang
diminta bagi sebagian orang bisa menguak secara detail objek penelitian.
Semakin banyak gradasi yang dibuat dalam instrumen penelitian, hasilnya
akan makin representatif.
Menuruti Moh. Nazir (2006), teknik
membuat skala adalah cara mengubah fakta-fakta kualitatif (atribut)
menjadi suatu urutan kuantitatif (variabel). Mengubah fakta-fakta
kualitatif menjadi urutan kuantitatif itu telah menjadi satu kelaziman
paling tidak bagi sebagian besar orang, karena berbagai alasan. Pertama,
eksistensi matematika sebagai alat yang lebih cenderung digunakan oleh
ilmu-ilmu pengetahuan sehingga bisa mengundang kuantitatif variabel.
Kedua, ilmu pengetahuan, disamping akurasi data, semakin meminta presisi
yang lebih baik, lebih-lebih dalam mengukur gradasi. Karena perlunya
presisi, maka kita belum tentu puas dengan atribut baik atau buruk saja.
Sebagian peneliti ingin mengukur sifat-sifat yang ada antara baik dan
buruk tersebut, sehingga diperoleh suatu skala gradasi yang jelas.
B. Pembahasan
a. Data nominal
Sebelum
kita membicarakan bagaimana alat analisis data digunakan, berikut ini
akan diberikan ulasan tentang bagaimana sebenarnya data nominal yang
sering digunakan dalam statistik nonparametrik bagi mahasiswa. Menuruti
Moh. Nazir, data nominal adalah ukuran yang paling sederhana, dimana
angka yang diberikan kepada objek mempunyai arti sebagai label saja, dan
tidak menunjukkan tingkatan apapun.
Ciri-ciri
data nominal adalah hanya memiliki atribut, atau nama, atau diskrit.
Data nominal merupakan data diskrit dan tidak memiliki urutan. Bila
objek dikelompokkan ke dalam set-set, dan kepada semua anggota set
diberikan angka, set-set tersebut tidak boleh tumpang tindih dan
bersisa.
Misalnya
tentang jenis olah raga yakni tenis, basket dan renang. Kemudian
masing-masing anggota set di atas kita berikan angka, misalnya tenis
(1), basket (2) dan renang (3). Jelas kelihatan bahwa angka yang
diberikan tidak menunjukkan bahwa tingkat olah raga basket lebih tinggi
dari tenis ataupun tingkat renang lebih tinggi dari tenis. Angka
tersebut tidak memberikan arti apa-apa jika ditambahkan. Angka yang
diberikan hanya berfungsi sebagai label saja. Begitu juga tentang suku,
yakni Dayak, Bugis dan Badui.
Tentang
partai, misalnya Partai Bulan, Partai Bintang dan Partai Matahari.
Masing-masing kategori tidak dinyatakan lebih tinggi dari atribut (nama)
yang lain. Seseorang yang pergi ke Jakarta, tidak akan pernah
mengatakan dua setengah kali, atau tiga seperempat kali. Tetapi akan
mengatakan dua kali, lima kali, atau tujuh kali. Begitu juga tentang
ukuran jumlah anak dalam suatu keluarga. Numerik yang dihasilkan akan
selalu berbentuk bilangan bulat, demikian seterusnya. Tidak akan pernah
ada bilangan pecahan. Data nominal ini diperoleh dari hasil pengukuran
dengan skala nominal.
Menuruti
Sugiono, alat analisis (uji hipotesis asosiatif) statistik nonparametrik
yang digunakan untuk data nominal adalah Coefisien Contingensi. Akan
tetapi karena pengujian hipotesis Coefisien Contingensi memerlukan rumus
Chi Square (χ2), perhitungannya dilakukan setelah kita menghitung Chi
Square. Penggunaan model statistik nonparametrik selain Coefisien
Contingensi tidak lazim dilakukan.
b. Data ordinal
Bagian lain dari data kontinum adalah
data ordinal. Data ini, selain memiliki nama (atribut), juga memiliki
peringkat atau urutan. Angka yang diberikan mengandung tingkatan. Ia
digunakan untuk mengurutkan objek dari yang paling rendah sampai yang
paling tinggi, atau sebaliknya. Ukuran ini tidak memberikan nilai
absolut terhadap objek, tetapi hanya memberikan peringkat saja. Jika
kita memiliki sebuah set objek yang dinomori, dari 1 sampai n, misalnya
peringkat 1, 2, 3, 4, 5 dan seterusnya, bila dinyatakan dalam skala,
maka jarak antara data yang satu dengan lainnya tidak sama. Ia akan
memiliki urutan mulai dari yang paling tinggi sampai paling rendah. Atau
paling baik sampai ke yang paling buruk.
Misalnya dalam skala Likert (Moh Nazir),
mulai dari sangat setuju, setuju, ragu-ragu, tidak setuju sampai sangat
tidak setuju. Atau jawaban pertanyaan tentang kecenderungan masyarakat
untuk menghadiri rapat umum pemilihan kepala daerah, mulai dari tidak
pernah absen menghadiri, dengan kode 5, kadang-kadang saja menghadiri,
dengan kode 4, kurang menghadiri, dengan kode 3, tidak pernah
menghadiri, dengan kode 2 sampai tidak ingin menghadiri sama sekali,
dengan kode 1. Dari hasil pengukuran dengan menggunakan skala ordinal
ini akan diperoleh data ordinal. Alat analisis (uji hipotesis asosiatif)
statistik nonparametrik yang lazim digunakan untuk data ordinal adalah
Spearman Rank Correlation dan Kendall Tau.
c. Data interval
Pemberian angka kepada set dari objek
yang mempunyai sifat-sifat ukuran ordinal dan ditambah satu sifat lain,
yakni jarak yang sama pada pengukuran dinamakan data interval. Data ini
memperlihatkan jarak yang sama dari ciri atau sifat objek yang diukur.
Akan tetapi ukuran interval tidak memberikan jumlah absolut dari objek
yang diukur. Data yang diperoleh dari hasil pengukuran menggunakan skala
interval dinamakan data interval.
Misalnya tentang nilai ujian 6 orang
mahasiswa, yakni A, B, C, D, E dan F diukur dengan ukuran interval pada
skala prestasi dengan ukuran 1, 2, 3, 4, 5 dan 6, maka dapat dikatakan
bahwa beda prestasi antara mahasiswa C dan A adalah 3 – 1 = 2. Beda
prestasi antara mahasiswa C dan F adalah 6 – 3 = 3. 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.
Dari hasil pengukuran dengan menggunakan
skala interval ini akan diperoleh data interval. Alat analisis (uji
hipotesis asosiatif) statistik parametrik yang lazim digunakan untuk
data interval ini adalah Pearson Korelasi Product Moment, Partial
Correlation, Multiple Correlation, Partial Regression, dan Multiple
Regression.
d. Data rasio
Ukuran yang meliputi semua ukuran di
atas ditambah dengan satu sifat yang lain, yakni ukuran yang memberikan
keterangan tentang nilai absolut dari objek yang diukur dinamakan ukuran
rasio (data rasio). Data rasio, yang diperoleh melalui pengukuran
dengan skala rasio memiliki titik nol. Karenanya, interval jarak tidak
dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan
titik nol di atas. Oleh karena ada titik nol, maka data rasio dapat
dibuat perkalian ataupun pembagian.
Angka pada data rasio dapat menunjukkan
nilai sebenarnya dari objek yang diukur. Jika ada 4 orang pengemudi, A,
B, C dan D mempunyai pendapatan masing-masing perhari Rp. 10.000,
Rp.30.000, Rp. 40.000 dan Rp. 50.000. Bila dilihat dengan ukuran rasio
maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A.
Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A. Pendapatan
pengemudi C adalah 4/3 kali pendapatan pengemudi B.
Dengan kata lain, rasio antara pengemudi
C dan A adalah 4 : 1, rasio antara pengemudi D dan A adalah 5 : 1,
sedangkan rasio antara pengemudi C dan B adalah 4 : 3. Interval
pendapatan pengemudi A dan C adalah 30.000, dan pendapatan pengemudi C
adalah 4 kali pendapatan pengemudi A. Contoh data rasio lainnya adalah
berat badan bayi yang diukur dengan skala rasio. Bayi A memiliki berat 3
Kg. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Jika
diukur dengan skala rasio, maka bayi A memiliki rasio berat badan 3 kali
dari berat badan bayi C. Bayi B memiliki rasio berat badan dua kali
dari berat badan bayi C, dan bayi C memiliki rasio berat badan sepertiga
kali berat badan bayi A, dst.
Dari hasil pengukuran dengan menggunakan
skala rasio ini akan diperoleh data rasio. Alat analisis (uji hipotesis
asosiatif) yang digunakan adalah statistik parametrik dan yang lazim
digunakan untuk data rasio ini adalah Pearson Korelasi Product Moment,
Partial Correlation, Multiple Correlation, Partial Regression, dan
Multiple Regression.Sesuai dengan ulasan jenis pengukuran yang
digunakan, maka variabel penelitian lazimnya bisa di bagi menjadi 4
jenis variabel, yakni variabel (data) nominal, variabel (data) ordinal,
variabel (data) interval, dan variabel (data) rasio.
Variabel nominal, yaitu variabel yang
dikategorikan secara diskrit dan saling terpisah satu sama lain,
misalnya status perkawinan, jenis kelamin, suku bangsa, profesi
pekerjaan seseorang dan sebagainya. Variabel ordinal adalah variabel
yang disusun atas dasar peringkat, seperti motivasi seseorang untuk
bekerja, peringkat perlombaan catur, peringkat tingkat kesukaran suatu
pekerjaan dan lain-lain. Variabel interval adalah variabel yang diukur
dengan ukuran interval seperti indek prestasi mahasiswa, skala
termometer dan sebagainya, sedangkan variabel rasio adalah variabel yang
disusun dengan ukuran rasio seperti tingkat penganggguran, penghasilan,
berat badan, dan sebagainya.
e. Konversi variabel ordinal
Adakalanya kita tidak ingin menguji
hipotesis dengan alat uji hipotesis statistik nonparametrik dengan
berbagai pertimbangan, baik dari segi biaya, waktu maupun dasar teori.
Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi
Product Moment, Partial Correlation, Multiple Correlation, Partial
Regresion dan Multiple Regression, padahal data yang kita miliki adalah
hasil pengukuran dengan skala ordinal, sedangkan persyaratan penggunaan
statistik parametrik adalah selain data harus berbentuk interval atau
rasio, data harus memiliki distribusi normal. Jika kita tidak ingin
melakukan uji normalitas karena data yang kita miliki adalah data
ordinal, hal itu bisa saja kita lakukan dengan cara menaikkan data dari
pengukuran skala ordinal menjadi data dalam skala interval dengan metode
Suksesive Interval.
Menuruti Al-Rasyid, menaikkan data dari
skala ordinal menjadi skala interval dinamakan transformasi data.
Transformasi data itu dilakukan diantaranya adalah dengan menggunakan
Metode Suksesive Interval (MSI). Tujuan dari dilakukannya transformasi
data adalah untuk menaikkan data dari skala pengukuran ordinal menjadi
skala dengan pengukuran interval yang lazim digunakan bagi kepentingan
analisis statistik parametrik.
Transformasi data ordinal menjadi
interval itu, selain merupakan suatu kelaziman, juga untuk mengubah data
agar memiliki sebaran normal. Artinya, setelah dilakukan transformasi
data dari ordinal menjadi interval, penggunaan model dalam suatu
penelitian tidak perlu melakukan uji normalitas. Karena salah satu
syarat penggunaan statistik parametrik, selain data harus memiliki skala
interval (dan rasio), data juga harus memiliki distribusi (sebaran)
normal.
Dengan dilakukannya transformasi data,
diharapkan data ordinal sudah menjadi data interval dan
memiliki sebaran
normal yang langsung bisa dilakukan analisis dengan statistik
parametrik. Berbeda dengan ststistik nonparametrik, ia hanya digunakan
untuk mengukur distribusi. (Ronald E. Walpole).
DAFTAR PUSTAKA
Sumber : http://suhartoumm.wordpress.com/2009/06/27/data-nominal-ordinal-interval-dan-ratio/