DATA NOMINAL, ORDINAL, INTERVAL DAN DATA RASIO

(Oleh: Suharto)

A. Pendahuluan

Fenomena yang sering terjadi ketika mahasiswa ingin menyelesaikan tugas akhir, diantaranya
adalah ketika menemukan data rasio yang pada gilirannya akan meminta jawaban tentang alat
analisis statistik 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, kecuali
jika ada syarat-syarat lain yang sudah dipenuhi.

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 (2), 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).

Contoh Soal dan Pembahasan RAL

Monday, March 12, 2012 3 comments

A. PENDAHULUAN

Latar Belakang

Diversivikasi atau penganekaragaman produk susu selain sebagai upaya dalam

meningkatkan konsumsi gizi masyarakat dengan daya tarik keragaman produknya, juga bertujuan
untuk meningkatkan daya tahan produk sehingga dapat mengatasi masalah keterbatasan ruang dan
waktu. Dangke adalah salah satu produk tradisional yang berasal dari Kabupaten Enrekang yang
merupakan bentuk diversifikasi produk olahan susu. Produk ini sangat mengemuka dan diminati
oleh masyarakat khususnya di Sulawesi Selatan.
Sebagai produk tradisional, dangke pada mulanya hanya menjadi konsumsi masyarakat
setempat, namun dengan pertumbuhan populasi dan kemajuan informasi, area pemasaran produk
ini mengalami perluasan hingga keluar daerah. Sementara itu dangke sebagai produk olahan susu,
sangat rentan mengalami kerusakan dan penurunan kualitas. Hal ini sehingga dangke yang
dipasarkan untuk tujuan ke laur daerah harus melalui proses pengawetan terlebih dahulu.
Metode pengawetan tradisional yang paling umum dilakukan oleh pengerajin dangke
adalah dengan merendam produk dalam larutan garam pekat, yang memang dapat secara efektif
meningkatkan daya simpan dangke hingga beberapa hari. Namun demikian, pengawetan dengan
garam mempunyai efek samping dimana dangke harus melalui perendaman dengan air panas atau
dicuci sebelum dikonsumsi. Prosedur tambahan sebelum pengolahan lebih lanjut ini, dapat
mempengaruhi kualitas fisik dan organoleptik produk yang dihasilkan. Oleh karena itu,
 diperlukan suatu bahan pengawet alternatif yang aman dan murah untuk mengatasi masalah
tersebut.

Permasalahan

Pennggunaan bahan pengawet alternatif selain garam pada produk Dangke pernah di uji
cobakan, yakni dengan menggunakan asam sorbat. Hanya saja asam sorbat dapat mempengaruhi
kandungan vitamin B1, dan dapat meninggalkan residu dalam produk, sehingga dianggap
berpengaruh negative terhadap kualitas nutrisi dalam produk. Salah satu bahan pengawet lain
yang lebih aman dan bisa digunakan untuk pengawetan pangan adalah asam askorbat (Vitamin C)
yang diaplikasikan dalam bentuk garam-garamnya seperti Na-Askorbat akat K-Askorbat. Namun
demikian sejauh mana efektifitas penggunaan asam askorbat dalam produk dangke belum pernah
dilakuakan.

Tujuan dan Kegunaan

Penelitian ini bertujuan untuk mengetahui sejauhmana efektifitas penggunaan asam

askorbat dalam pengawetan dangke berdasarkan tingkat ketengikan yang terjadi yang diukur
berdasarkan nilai TBA dangke yang telah disimpan selama 7 hari pada suhu chilling (5oC).
Hasil penelitian ini diharapkan dapat menjadi informasi ilmiah bagi kalangan akademik
dalam pengembangan proses pengawetan; dan dapat menjadi rekomendasi bagi pengerajin dangke
dalam penggunaan bahan pengawet alternatif selain garam.

Hipotesis

Diduga dalam konsentrasi tertentu, asam askorbat dapat menekan nilai TBA
(Tirobarbituric Acid) dangke hingga penyimpanan selama 7 hari.

B. VARIABEL PENELIATAIN

Variabel Bebas (Independent)

Variabel bebas adalah perlakuan yang diberikan dalam penelitian, yaitu level pemberian Na-
Askorbat:
- P1: 0%
- P2: 1%
- P3: 2%
- P4: 3%

Variabel Tak Bebas (Independent)

Merupakan variable yang diukur atau parameter yang diukur:

- Nilai TBA (Tirobarbituric Acid)

C. ANALISIS VAIANSI

Data Penelitian

Ulangan Perlakuan
TOTAL
(r) 0% 1% 2% 3%
1 7.00 6.00 6.30 5.00 24.30
2 6.00 6.00 6.10 5.00 23.10
3 6.00 4.80 6.90 5.60 23.30
4 5.77 4.60 5.50 6.63 22.50
5 5.52 5.40 6.30 6.66 23.87
6 5.27 5.20 6.60 6.68 23.75
7 5.02 5.20 7.93 6.71 24.86
8 4.77 4.80 6.00 6.73 22.30
9 4.52 5.80 5.00 6.76 22.07
10 4.27 5.80 6.50 6.78 23.35
Total 54.12 53.60 63.13 62.55 233.40

A. Derajat Bebas (db)

dbt = n 1 = 40 1 = 39
dbp = t 1 = 4 1 = 3
dbg = t (r 1) = 4 (10 1) = 4 x 9 = 36

B. Faktor Koreksi (FK)

FK = Yij2/r.t = 233,402/(4 x 10) = 54474,00/40 = 1361,85

C. Jumlah Kuadrat (JK)

a. Jumlah Kuadrat Total (JKT)
JKT = (yij)2 FK
= (7,02 + 6,002 + 6,002 + .+ 6,782) 1361,85
= (49,00 + 36,00 + 36,00 + .. + 46,00) 1361,85
= 1389,10 1361,85
 = 27,25

b. Jumlah Kuadrat Perlakuan (JKP)

JKP = ( (yij)2)/r) FK
= (54,122 + 53,602 + 63,132 + 62,552)/10) 1361,85
= (2928,61 + 2872,96 + 3985,82 + 3912,09)/10) 1361,85
= (13699,48/10) 1361,85
= 1369,95 1355,23
= 8,10

c. Jumlah Kuadrat Galat (JKG)

JKG = JKT JKP = 27,25 8,10 = 19,15

D. Kuadrat Tengah (KT)

a. Kuadrat Tengah Perlakuan (KTP)
KTP = JKP/dbp = 8,10/3 = 2,70

b. Kuadrat Tengah Galat (KTG)

KTG = JKG/dbg = 19,15/36 = 0,53

E. F Hitung (Fhit)
Fhit = KTP/KTG = 2,70 / 0,53 = 5,07

Keterangan: ** Signifikan pada taraf 1% (P<0,01)

E. KESIMPULAN
Analisis Variannsi: Fhitung (5,07) lebih besar dari Ftabel 1% (4,06), maka perlakuan pemberian
asam askorbat terhadap dangke berpengaruh secara nyata (P<0,01) terhadap nilai TBA dangke
yang disimpan selama 7 hari.

Untuk uji lanjut dapat anda lihat pada related post di bawah.