KONSEP-KONSEP DASAR PENELITIAN (bagian 7)

A. ANALISIS DATA
1. Univariat, Bivariat, dan Multivariat
Univariate Analysis, adalah analisis yang dilakukan untuk satu variabel atau per variabel.
Catatan: Dalam pengertian tertentu, analisis deskriptif menjadi sama dengan analisis
univariat.
Bivariate Analysis, adalah analisis yang dilakukan untuk menganalisis hubungan dua
variabel.
Multivariate Analysis, adalah analisis yang dilakukan untuk menganalisis hubungan
lebih dari dua variabel.
Catatan: Karena pada saat sekarang kecenderungan penelitian melibatkan banyak
variabel, maka terjadi kecenderungan analisis multivariat pula. Agar
penamaan analisis multivariat tidak menjadi suatu analisis yang biasa, maka
sekarang digunakan pengertian lain dalam analisis hubungan asimetrik, yaitu;
Univariate Analysis, adalah analisis yang dilakukan pada dua atau lebih
variabel yang hanya memiliki 1 variabel terikat.
Dengan pengertian ini, analisis univariat menjadi tak sama lagi dengan
analisis deskriptif.
Multivariate Analysis, adalah analisis yang dilakukan pada tiga ataulebih
variabel yang memiliki dua atau lebih variabel terikat.
Program SPSS menggunakan konsep seperti ini.
2. Parametrik dan Nonparametrik

Parametric Analysis, analisis yang dilakukan untuk menguji parameter/berdasarkan

asumsi-asumsi tertentu dan biasanya salah satu asumsinya adalah distribusi normal.
Catatan: keluarga distribusi normal antara lain adalah;
a. Distribusi Gauss
b. Distribusi Fisher
c. Distrbusi Student.
Nonparametric Analysis, analisis yang dilakukan tidak untuk menguji parameter/tidak
berdasarkan asumsi-asumsi tertentu.
Catatan: salah satu keluarga distribusi yang termasuk dalam kategori statistika bebas
distribusi (free distribution statistics) adalah Chi-Square.
3. Deskriptif dan Inferensial
Descriptive Analysis, seperti yang telah dipaparkan sebelum ini adalah analisis yang
dilakukan untuk satu variabel atau per variabel.
Dalam pengertian yang lain, analisis deskriptif adalah analisis dimana kesimpulan yang
didapat hanya diberlakukan pada data tersebut, tanpa melakukan generalisasi pada
lingkup data yang lebih luas.
Catatan: a. pada pengertian pertama, analisis deskriptif merupakan komplemen untuk
analisis bi/multivariat.
b. pada pengertian yang kedua, analisis deskriptif merupakan komplemen
untuk analisis inferensial dan lebih cocok untuk sensus.
Penggunaan istilah deskriptif pada SPSS jika dikaitkan dengan konsep yang telah
dipaparkan adalah sebagai berikut:

SPSS

Konsep yang Dipaparkan

Descriptive
Statistics

Descriptives
Crosstab

Nonparametric Test

Statistika Deskriptif

Statistika
Nonparametrik

Statistika Bebas Distribusi

Uji Nonparametrik

Inference Analysis, adalah analisis dimana kesimpulan yang didapat (dari sampel)
digunakan untuk melakukan generalisasi pada lingkup data yang lebih luas (populasi)
pada survey.
4. Eksplorasi dan Konfirmasi
Exploratory Analysis, atau disebut juga Tukey Analysis dilakukan dengan cara
melakukan berbagai analisis yang memungkinkan untuk memahami/menemukan suatu
sifat/pola tertentu pada data.
Karena itu analisis eksplorasi dilakukan seperti pekerjaan seorang detektif dengan model
sebagai berikut:
Catatan: Analisis eksplorasi cocok digunakan untuk penelitian yang tidak menguji
hipotesis seperti Data Driven Research.
Confirmatory Analysis, adalah analisis yang dilakukan untuk menguji hipotesis yang
telah dibuat berdasarkan teori tertentu (mengkonfirmasi teori) seperti pada Theory Driven
Research.
Modelnya dapat digambarkan sebagai berikut:
diposkan oleh ali hasmy di 13.34 2 komentar:

Konsep-Konsep Dasar Penelitian (Bagian 6)

F. POPULASI DAN SAMPEL
1. Statistik dan Parameter
Statistic, adalah ukuran yang berlaku bagi sampel.
Parameter, adalah ukuran yang berlaku bagi populasi.
Contoh:

2. Populasi Tak Hingga, Terhingga, Terjangkau, dan Tersedia

Uncountable Population, adalah populasi dengan ukuran yang sulit untuk dihitung
jumlahnya.
Kesulitan terjadi karena:
a. Jumlahnya secara riil memang tak terhingga
b. Jumlahnya sangat besar, sehingga peneliti memerlukan waktu yang sangat lama untuk
menghitungnya
c. Jumlahnya dipengaruhi oleh variabel waktu yang belum diketahui batasnya.
Dampaknya populasi secara konseptual dapat didefinisikan tetapi

ukurannya tidak dapat ditentukan.

Contoh: a. Jumlah benda angkasa di alam semesta.
b. Jumlah kendaraan yang lewat di jalanan kota Pontianak pada hari
Minggu.
c. Jumlah pelanggan supermarket Garuda Mitra.
Countable Population, adalah populasi yang ukurannya dapat dihitung biasanya dengan
menambahkan batasan (karakteristik) tertentu.
Populasi ini dapat merupakan accessible maupun nonaccessible population, tergantung
dari sumber daya yang dimiliki oleh peneliti, baik waktu, tenaga, maupun biaya.
Contoh: Siswa SD se-Kalbar tahun 2007
Jumlah pelanggan Bank se-Kota Pontianak tahun 2006.
Reached/Accesible Population, adalah populasi yang penentuan karakteristiknya
dilakukan agar jumlahnya dapat dijangkau oleh peneliti.
Contoh: a. Jumlah pelanggan supermarket Garuda Mitra pada tanggal 26 Februari 2007.
b. Siswa Kelas VIII SLTPN 2 Pontianak yang terdaftar pada Tahun
Pelajaran 2006/2007
Available Population, adalah populasi yang tersedia yang dapat dijadikan sumber data
dalam penelitian.
Terkadang meskipun jumlah populasi dapat dijangkau misalkan untuk jumlah Siswa
Kelas VIII SLTPN 2 Pontianak yang Terdaftar pada Tahun Pelajaran 2006/2007. Namun
ketika diadakan penelitian satu atau beberapa orang diantaranya tidak dapat diteliti baik
karena telah meninggal dunia, berkunjung ke luar negeri, ataupun karena hal-hal
lainnya.Sehingga yang dapat diteliti (tersedia) jumlahnya jadi berkurang.

Jika peneliti memperhitungkan hal ini, maka kondisi yang dianggap bakal berpengaruh
terhadap ketersediaan populasi sebaiknya dimasukkan sebagai karakteristik populasi.
Contoh: Siswa Kelas VIII SLTPN 2 Pontianak yang terdaftar pada Tahun Pelajaran
2006/2007 yang tidak sedang berkunjung ke luar negeri.
3. Sampel Random dan Non Random
Sample, adalah sebagian dari populasi yang digunakan sebagai sumber data penelitian.
Sampel digunakan karena lebih efisien dibandingkan menggun akan populasi sebagai
sumber data antara lain dalam hal:
a. Waktu
b. Tenaga
c. Biaya
d. Tingkat kerusakan yang lebih kecil
dengan efektivitas (tingkat akurasi) yang dapat dikatakan sebagai sama baiknya.
Random Sample, adalah sebagian dari populasi yang diambil secara random sehingga
memenuhi prinsip probabilitas, baik yang bersyarat (conditional probability) maupun
tidak (unconditional probability).
Teknik random sampling ini dapat berupa:
a. Simple Random Sampling
b. Stratified Random Sampling
c. Cluster Random Sampling
d. Proportional Random Sampling.

Dalam pelaksanaannya penentuan sampel secara random antara lain dapat menggunakan:
a. Cara undian/arisan
b. Tabel bilangan random
c. Lemparan dadu
d. Kalkulator
e. Komputer.
Non Random Sample, adalah bagian dari populasi yang diambil tidak secara random.
Teknik non random sampling ini dapat berupa:
a. Purposive Sampling
b. Accidental Sampling
c. Quota Sampling.

BAGIAN 5
E. VARIABEL
Variabel penelitian adalah objek yang diteliti yang memiliki nilai yang bervariasi. Dengan
demikian sesuatu yang hanya mempunyai satu nilai (tidak mempunyai nilai yang bervariasi)
tidak dapat dinyatakan sebagai variabel, tetapi konstanta (constant).
1. Kualitatif dan Kuantitatif
Qualitative Variable, adalah variabel yang datanya berupa data kualitatif (skala
nominal atau ordinal).

Quantitative Variable, adalah variabel yang datanya berupa angka (skala ordinal,
interval, atau rasio).
2. Bebas dan Terikat
Variabel Bebas (Independent Variable), adalah variabel yang mempengaruhi variabel
yang lain (variabel terikat).
Variabel Terikat (Dependent Variable), adalah variabel yang dipengaruhi oleh variabel
lain (variabel bebas).
Dua pengertian di atas memperlihatkan bahwa istilah dua jenis variabel ini muncul pada
penelitian (study) pengaruh.
Jika digambarkan, modelnya akan menjadi:

Contoh: Pada penelitian tentang Pengaruh IQ terhadap Nilai yang Dicapai Mahasiswa
dalam Perkuliahan Statistika, yang menjadi VB adalah IQ dan yang
menjadi VT adalah Nilai yang Dicapai Mahasiswa dalam Perkuliahan
Statistika.
Catatan: Pada penelitian korelasional tidak dikenal istilah variabel bebas dan terikat,
karena;
a. Pada hubungan relasional tidak ada variabel yang mempengaruhi (VB)
maupun dipengaruhi (VT).
Contoh: Hubungan Kemampuan Berbahasa Arab dan Kemampuan
Berbahasa Inggris Mahasiswa.
b. Pada hubungan resiprokal tiap variabel mempengaruhi dan dipengaruhi
oleh variabel yang lain, sehingga penentuan VB dan VT menjadi rancu.

Contoh: Hubungan Motivasi dan Hasil Belajar Mahasiswa.

3. Kontrol dan Ekstrane
Ketika peneliti merasa tidak puas dengan hasil yang ditunjukkan oleh variabel bebas dan
variabel terikat yang dianalisis, maka perlu dilakukan analisis lanjutan dengan
memperhitungkan variabel-variabel yang lain (variabel-variabel penjelas) yang dapat
lebih menjelaskan realitas yang sesungguhnya. Analisis lanjutan ini disebut dengan
analisis penjelas (elaboration). Sedangkan variabel yang perlu diperhitungkan dalam
analisis ini antara lain adalah variabel kontrol dan variabel ekstrane.
Control Variable, adalah variabel yang dikendalikan pengaruhnya terhadap variabel
terikat. Pengendalian ini dilakukan dengan menggunakan nilai yang sama (dijadikan
konstanta).
Contoh: Jika meneliti tentang Nilai yang Dicapai Mahasiswa dalam Perkuliahan
Statistika (VT) yang diduga dipengaruhi oleh IQ-nya (VB), maka variabel
lain yang juga diduga berpengaruh terhadap Nilai dimaksud seperti Minat
dikendalikan (VK), yaitu dengan menggunakan satu nilainya saja seperti
mahasiswa yang memiliki minat belajar Statistika yang Tinggi.
Control variable ini sering ditemukan pada penelitian di bidang eksakta, terutama pada
penelitian eksperimental. Pada bidang sosial, pengontrolan variabel lebih sulit dilakukan
terutama pada penelitian observasional.
Catatan: Pengontrolan variabel yang berpengaruh terhadap VT selain dapat dilakukan
dengan cara membuat variabel menjadi konstanta (secara metodologis), juga
dapat dilakukan dengan pengontrolan secara statistis/matematis. Pengontrolan
secara statistis dapat dilihat secara eksplisit pada analisis-analisis parsial.
Extraneous Variable, adalah variabel yang diabaikan pengaruhnya terhadap variabel
terikat, karena pengaruhnya dianggap tidak signifikan.

Contoh: Jika meneliti tentang Nilai yang Dicapai Mahasiswa dalam Perkuliahan
Statistika (VT) yang diduga dipengaruhi oleh IQ-nya (VB), maka variabel
lain yang juga diduga berpengaruh terhadap nilai dimaksud namun
dianggap pengaruhnya kecil (negligible) sehingga tak berarti (nonsignificant)
seperti Penggunaan Ruangan ber-AC, diabaikan.
4. Antara dan Moderator
Variabel-variabel lain yang juga dapat memberikan kontribusi dalam analisis penjelas
adalah sebagai berikut:
Intervening Variable, adalah variabel yang menjadi perantara efek dari VB ke
VT. Dengan demikian VB secara langsung memberikan efek terhadap VI, kemudian VI
memberikan efek terhadap VT yang di dalamnya termasuk efek (tak langsung) dari VB.
Jika digambarkan modelnya akan menjadi:

Contoh: Pada penelitian tentang Pengaruh IQ terhadap Nilai yang Dicapai Mahasiswa
dalam Perkuliahan Statistika, sebenarnya pengaruh dari IQ (VB) tidaklah
langsung terhadap Nilai yang Dicapai Mahasiswa dalam Perkuliahan
Statistika (VT), tetapi melalui suatu variabel lain yaitu Proses Belajar
Statistika (VI).
Moderator Variable, yaitu variabel yang memberikan dampak terhadap pengaruh VB
kepada VT.
Jika digambarkan modelnya akan menjadi:

Contoh: Pada penelitian tentang Efek Motivasi terhadap Proses Belajar Mahasiswa di
Kelas pada Mata Kuliah Statistika, peneliti menduga bahwa motivasi yang
diukur sebelum perkuliahan dilaksanakan berdampak positif terhadap proses
belajar yang diamati secara langsung. Namun hasil penelitian ternyata tidak
sesuai dengan dugaan tersebut. Bisa saja dampaknya tidak signifikan atau
bahkan dampaknya negatif.
Peneliti kemudian menduga bahwa hal ini terjadi karena pengaruh dari Cara
Mengajar Dosen yang membuat mahasiswa yang motivasinya tinggi tetapi
proses belajarnya di kelas tidak baik atau sebaliknya. Jika kemudian Cara
Mengajar Dosen ikut dilibatkan dalam penelitian, maka ia berkedudukan
sebagai VM.
Dampak VM terhadap pengaruh VB kepada VT selain dijelaskan melalui prosesnya
sebagaimana yang telah dipaparkan di atas, juga dapat dijelaskan melalui pengaruhnya
terhadap VB sekaligus terhadap VT, sehingga modelnya digambarkan sebagai berikut:

Contoh: Dari contoh penelitian tentang Efek Motivasi terhadap Proses Belajar
Mahasiswa di Kelas pada Mata Kuliah Statistika, sebenarnya dapat
dipandang bahwa Cara Mengajar Dosen memberikan dampak terhadap
Motivasi Belajar mahasiswa sekaligus terhadap Proses Belajar mereka.
Catatan: Jika melihat kedudukannya dalam model, maka VM sebenarnya adalah
VB. Tetapi karena VM dimunculkan untuk menjelaskan pengaruh VB
terhadap VT, maka kedudukan VM dalam analisis dianggap sebagai VB
Kedua (Secondary Independent Variable).
Jika bukan dalam analisis penjelas maka model kedua yang menggambarkan
kedudukan VM, dapat membuat kedudukan VB berubah menjadi VI dengan
model sebagai berikut:

(klik

gambar

untuk

memperjelas

tulisan)

5. Komponen, Pengganggu, dan Penekan

Beberapa variabel lain yang juga dapat memberikan kontribusi dalam analisis penjelas
adalah sebagai berikut:
Component Variable, adalah bagian dari suatu variabel yang apabila diperlakukan
sebagai variabel tersendiri akan dapat memberikan hasil penelitian yang lebih baik.
Contoh: Tes IQ (VB) diduga memiliki pengaruh yang signifikan terhadap hasil belajar
dalam mata kuliah Statistika (VT). Mungkin akan lebih baik jika setiap

bagian dari Tes IQ dianalisis sebagai VB yang terpisah yaitu: Tes Verbal
(VB1), Tes Spasial (VB2), Tes Logikal (VB3), dan Tes Numerikal (VB4)
sehingga dapat diketahui komponen Tes IQ mana yang berpengaruh atau tak
berpengaruh signifikan serta yang mana yang pengaruhnya paling signifikan
terhadap hasil belajar dalam mata kuliah Statistika (VT). Mungkin juga akan
lebih baik lagi jika hasil belajar Statistika dianalisis komponennya secara
terpisah (dianggap sebagai variabel-variaabel tersendiri) juga.
Distractor Variable, yaitu variabel yang dapat mengungkapkan bahwa kesimpulan yang
benar dari suatu analisis adalah kebalikan dari apa yang disimpulkan pada desain
sebelumnya.
Contoh: Suatu hasil penelitian menunjukkan bahwa pelanggan suatu bank ternyata
lebih banyak dari masyarakat yang berdomisili jauh dibandingkan yang
dekat dengan bank dimaksud.
Hasil penelitian ini tentu mengherankan. Namun jika dilakukan analisis
dengan melibatkan perbandingan jarak rumah populasi dengan lokasi bank
saingan terdekat yang diklasifikasikan atas lebih dekat atau lebih jauh,
ternyata memberikan hasil bahwa sebaliknya yaitu seseorang dalam memilih
bank ternyata memilih yang jaraknya lebih dekat dengan rumahnya.
Dengan demikian Perbandingan Jarak dengan Bank Kompetitor lebih
layak dijadikan VB dibandingkan menggunakan Jarak Rumah Populasi
dengan Bank Tertentu.
Supressor Variable, yaitu variabel yang menekan pengaruh suatu variabel terhadap
variabel yang lain.
Contoh: Diduga bahwa Reaksi terhadap Perubahan Harga (VT) dari kelompok
masyarakat berpenghasilan (VB) rendah lebih signifikan dibanding kelompok
masyarakat berpenghasilan tinggi. Namun hasil pengujian menunjukkan tidak
ada perbedaan yang signifikan.

Ketika kemudian masyarakat yang diteliti dibedakan juga atas dasar tingkat
pendidikan, terlihat bahwa tingkat pendidikan rendah dan tinggi berbeda
secara signifikan dalam hal reaksi terhadap perubahan harga. Peneliti mungkin
terjebak dalam pemikiran bahwa Tingkat Penghasilan sudah bukan
merupakan variabel yang signifikan lagi untuk melihat Reaksi Masyarakat
terhadap Perubahan Harga. Hasil analisis memperlihatkan variabel Tingkat
Pendidikan-lah yang berpengaruh.
Namun jika variabel Tingkat Pendidikan dibuat konstan (dijadikan VK),
maka akan dapat dilihat bahwa tingkat penghasilan memberi pengaruh yang
signifikan. Hal ini menjelaskan bahwa pengaruh Tingkat Penghasilan telah
ditekan oleh Tingkat Pendidikan.
6. Eksogen dan Endogen
Exogeneous Variable, adalah variabel yang dianggap memiliki pengaruh terhadap
variabel yang lain, namun tidak dipengaruhi oleh variabel lain dalam model.
Endogeneous Variable, adalah variabel yang dianggap dipengaruhi oleh variabel lain
dalam model.
Contoh Model:
Variabel

(klik

Eksogen

gambar

----------------Variabel

untuk

memperjelas

Endogen

tulisan)

Dari model di atas dapat dilihat bahwa:

a. Cara Mengajar Dosen adalah VB, Motivasi Belajar Mahasiswa adalah VI, dan
Proses Belajar Mahasiswa adalah VT.
b. Cara Mengajar Dosen karena tidak dipengaruhi oleh variabel yang lain adalah Vex.

c. Motivasi Belajar Mahasiswa adalah VEn, karena dipengaruhi oleh variabel Cara
Mengajar Dosen. Proses Belajar Mahasiswa juga Ven karena dipengaruhi oleh
Motivasi Belajar Mahasiswa.
7. Teramati dan Laten
Observed Variable, adalah variabel yang dapat diamati secara langsung.
Latent Variable, adalah variabel yang tidak dapat diamati secara langsung namun harus
dikonstruk sedemikian rupa dari berbagai indikator.
Catatan: Indikator yang digunakan untuk mengukur VL adalah Variabel Teramati (VTm)
atau Observed Variable/Manifest Variable.
VTm sering muncul dalam penelitian-penelitian eksakta.
Dalam penelitian sosial humaniora (behavioristic), variabel yang digunakan seringkali
berupa variabel yang tidak dapat diamati secara langsung, namun harus dikonstruk
sedemikian rupa.
Variabel Warna Kulit, adalah variabel yang dapat diamati secara langsung baik dengan
teknik observasi, angket, maupun yang lainnya. Tetapi variabel Motivasi tidaklah dapat
diamati secara langsung, karena secara konseptual motivasi adalah proses neuropsikologis dalam diri seseorang.Oleh karena itu variabel seperti motivasi harus diukur
dengan cara:
a. Mengamati akibatnya reflective indicators
b. Mengamati faktor (penyebabnya) formative indicators
c. Mengamati bagian-bagiannya correlative indicators.
Contoh konstruk variabel laten dengan indikator reflektif:

(klik gambar untuk memperjelas tulisan)

Contoh konstruk variabel laten dengan indikator formatif:

(klik gambar untuk memperjelas tulisan)

Contoh konstruk variabel laten dengan indikator korelatif:

(klik gambar untuk memperjelas tulisan)

Model-model di atas menggunakan one level factor yang dianalisis denganfirst order
factor analysis. Tetapi jika model kedua dan ketiga digabungkan, maka akan

didapatkan two level factor yang mencakup gabungan indikator-indikator formatif dan
korelatif. Untuk menganalisis model two level factor digunakan second order factor
analysis.
Catatan: Analisis faktor dengan indikator korelatif dan resiprokal (hubungan simetrik)
antara lain dapat menggunakan program SPSS, Lisrel, EQS yang berbasisikan
rumus korelasi. Dalam analisis multivariat, analisis faktor seperti ini
diklasifikasikan sebagai analisis multivariat yang bersifat interdependensi dan
merupakan teknik parametrik.
Analisis faktor dengan indikator formatif antara lain dapat menggunakan
program-program berbasisikan metode Partial Least Square seperti Smart PLS,
Visual PLS, PLS-GUI, PLS Graph yang berbasiskan rumus multipel regresi.
Dalam Second-Order Multivariate Analysis, analisis seperti ini termasuk dalam
kategori dependensi dan masuk dalam kategori nonparametrik.
Analisis

faktor

dengan

indikator

reflektif

seharusnya

berbasiskan

rumus multivariate regression, namun penulis belum menemukan program yang

khusus untuk ini. Karenanya dalam praktek, yang digunakan adalah analisis
berbasiskan korelasi.
diposkan oleh ali hasmy di 07.30 2 komentar:

Konsep-Konsep Dasar Penelitian (Bagian 4)

A. DATA
1. Primer dan Sekunder
Primary Data, adalah data mentah yang dikumpulkan langsung dari sumbernya oleh
peneliti baru kemudian diolahnya.

Secondary Data, adalah data olahan yang diambil peneliti dari pihak kedua (pihak yang
mengumpulkan langsung dari sumber dan mengolahnya).
Catatan: Jika menggunakan data dari pihak ketiga, maka datanya disebut data tersier, dan
seterusnya.
2. Utama dan Pendukung
Prominent/Eminent Data, adalah data pokok dalam suatu penelitian. Jika data ini tidak
ada, maka jawaban terhadap pertanyaan penelitian tidak akan didapat.
Supporting Data, adalah data yang meskipun tidak ada pada suatu penelitian namun
jawaban atas pertanyaan penelitian masih dapat dibuat, meskipun mungkin dapat
dianggap kurang memadai.
3. Kualitatif dan Kuantitatif
Qualitative Data, adalah data yang bukan berupa angka seperti atribut/kategorik.
Catatan: Data kategorik (dengan skala nominal maupun ordinal) dapat dianalisis dengan
menggunakan rumus-rumus matematika/statistika setelah diberi kode
(coding) berupa angka.
Quantitative Data, adalah data yang berupa angka/numerik (dengan skala ordinal,
interval, ataupun rasio)
4. Nominal, Ordinal, Interval, Rasio
Jika dilihat dari skala pengukurannya (Measurement Scale), maka data dapat
diklasifikasikan sebagai berikut:
a. Categorical Data
Data kategorik adalah data kualitatif sehingga untuk dapat dianalisis dengan
menggunakan rumus matematika/statistika perlu diberi kode (coding) berupa

angka. Analisis matematika/statistika yang digunakan adalah berdasarkan hasil

membilang (counting) pada setiap kategori/pasangan kategori.
Data kategorik disebut juga data nonmetric atau data yang bukan merupakan hasil
pengukuran.
Klasifikasinya adalah:
1) Kategorik Nominal, yaitu data kategorik yang tak dapat dinyatakan bahwa kategori
yang satu lebih baik dari kategori lainnya atau dengan kata lain kategori yang
tidak memiliki urutan tertentu.
Contoh: Pria wanita, ungu biru, dan lain-lain.
Karena tidak memiliki urutan tertentu, maka dapat saja kategori pria diberi kode
0 dan wanita diberi kode 1 maupun sebaliknya.
2) Kategorik Ordinal, yaitu data kategorik yang mempunyai urutan tertentu namun
jarak antar kategori sulit untuk dinyatakan sama.
Contoh: Alat dalam kondisi baik, sedang, rusak.
Karena memiliki urutan, maka jika rusak diberi kode 1, maka urutan
berikutnya adalah sedang yang diberi kode 2, dan kategori baik diberi kode
3 atau sebaliknya. Urutan pengkodean di atas tidak dapat ditukar-tukar secara
acak, karena akan menjadi tidak sesuai dengan urutan kategorinya.
Data kategorik nominal maupun ordinal dapat diubah menjadi data numerik:
1) rasio, dengan cara membagi jumlah frekuensi suatu kategori dengan kategori yang
lain, atau dengan total frekuensi seluruh kategori.
2) ordinal, dengan cara melakukan ranking sesuai dengan jumlah frekuensi dari
kategori-kategori yang ada.

b. Numerical Data
Data numerik adalah data metric atau data yang merupakan hasil pengukuran. Jika
data hasil pengukuran eksakta menghasilkan data metrik murni (pure metric data),
maka pada pengukuran sosial humaniora, data yang dihasilkan bukan data metrik
murni.
Pada pengukuran sosial-humaniora, suatu variabel dikonstruk sedemikian rupa dalam
beberapa indikator yang kemudian menjadi dasar pembuatan item pengukuran. Pada
setiap item disediakan beberapa pilihan jawaban yang pada dasarnya berbentuk
kategorik ordinal. Untuk jawaban yang dipilih pada setiap indikator diubah ke bentuk
angka

yang

disebut scoring. Meskipun

kelihatannya

sama,

namun

istilah coding dan scoring berbeda, yaitu:

Coding

Scoring

Diterapkan

pada Diterapkan

variabelmanifest,
setiap

dimana dikonstruk

variabel

dianalisis

item

langsung,

yang

laten

dari

yang

beberapa

variabel mengandung beberapa item

dapat
karena

setiap item mewakili 1variabel

Data

variabel

hanya variabel manifest (indikator), dimana setiap

mengandung 1 item

Hasil coding per

pada

Hasil scoring per item tak boleh dianalisis

langsung,

tapi

harus

dengan score item-item

dijumlahkan
lain

yang

mewakili variabelyang sama.

dihasilkan Data yang dihasilkan adalah data interval

merupakan data kategorik baik atau

nominal maupun ordinal

data

ordinal

sebagai data interval

yang

diperlakukan

Catatan: Data yang didapat sebagai penjumlahan skor-skor seluruh item pada suatu
konstruk variabel laten dimasukkan dalam klasifikasi data interval. Namun
ada yang merasa ragu dengan konsep scoring dan coding di atas, Apakah
data ordinal yang dijumlahkan dapat menghasilkan data interval?.
Karena itu dalam konteks seperti ini, jumlah skor-skor dari suatu konstruk
dinyatakan diperlakukan sebagai data interval (threat as interval), meski
sebenarnya dianggap bukan data interval.
1) Numerik Ordinal
Data numerik ordinal adalah data yang berupa angka yang menunjukkan urutan.
Contoh:
a) urutan antrian
b) urutan tempat duduk
c) urutan nomor rumah
d) urutan kemunculan
bentuk khusus data numerik ordinal ini adalah data ranking (rank order), yaitu
data yang dihasilkan dari pengurutan data interval atau rasio baik secara
meningkat (ascending) maupun menurun (descending).
Seperti data kategorik ordinal, operasi matematika tak dapat dilakukan pada data
ini.
Contoh: Tidak dapat dikatakan bahwa; ranking 3 ranking 2 = ranking 1
Juga tidak dapat dikatakan bahwa; 2 x kali ranking 1 = ranking 2.
2) Numerik Interval

Data numerik interval selain mengandung unsur urutan juga memiliki unsur
kesamaan jarak antar urutan. Karena itulah operasi bilangan dapat dilakukan.
Contoh: 40 C 30 C = 10C
40 C adalah 2x lebih panas dari 20 C.
Namun data numerik interval tidak memiliki 0 yang absolut.
Contoh: 0 C = 32 F
Siswa yang mendapat nilai 0 pada tes Statistika tidak dapat diartikan
bahwa yang bersangkutan tidak memiliki pengetahuan sama sekali
tentang Statistika.
Kesamaan jarak ukuran ini yang sulit dijamin pada suatu pengukuran sosial
humaniora. Karena itulah hasil pengukuran sosial humaniora dianggap bukan
data interval, tetapi data ordinal yang diperlakukan sebagai data interval.
Data numerik interval ini dapat diubah menjadi data:
a) numerik ordinal, dengan cara me-ranking-nya
b) kategorik ordinal, dengan cara mengkategorikannya.
3) Numerik Rasio
Data numerik rasio adalah data yang selain mengandung unsur urutan, memiliki
jarak ukuran yang sama, serta memiliki nilai 0 absolut.
Contoh: Jika tidak ada sesuatu yang diletakkan di atas timbangan emas, maka
angka digital yang tertera tetap angka 0,00.
Seperti data numerik interval, data numerik rasio ini dapat diubah menjadi data:
a) numerik ordinal, dengan cara me-ranking-nya

b) kategorik ordinal, dengan cara mengkategorikannya.

Catatan: Pada program Statistical Package and Service Solutions (SPSS) digunakan halhal sebagai berikut:
- Seluruh data yang di-entry untuk dianalisis diperlakukan sebagai data
numerik
- Konsep pendataan disamakan dengan pengukuran yang diklasifikasikan atas
skala (scale), ordinal, dan nominal.
Perbandingan dengan konsep sebelumnya dapat dilihat pada tabel berikut:

Konsep Sebelumnya

Konsep di SPSS
Nomial

Nominal

Kategorik
Ordinal
Ordinal
Pendataan

Ordinal
Numerik

Pengukuran

Interval
Skala
Rasio