Dec

24

PENGERTIAN DAN JENIS DATA

NOMINAL, ORDINAL, INTERVAL DAN
DATA RASIO
DATA NOMINAL, ORDINAL, INTERVAL DAN DATA RASIO
Oleh: Suharto

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
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 yang sering digunakan dalam statistik nonparametrik 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 4
orang mahasiswa, yakni A, B, C, dan D diukur dengan ukuran interval pada skala prestasi
dengan ukuran 1, 2, 3, dan 4, maka dapat dikatakan bahwa beda prestasi antara mahasiswa C dan
A adalah 3 – 1 = 2. Beda prestasi antara mahasiswa D dan B adalah 4 – 2 = 2. Akan tetapi tidak
bisa dikatakan bahwa prestasi mahasiswa D adalah 2 kali prestasi mahasiswa B ataupun prestasi
mahasiswa D adalah 4 kali lebih baik dari prestasi mahasiswa A. Selain itu ukuran interval juga
tidak memiliki nilai nol mutlak, seperti halnya suhu dalam skala termometer. 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 mengukuran 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 ratio 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 nominal, variabel ordinal, variabel interval, dan
variabel ratio. 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 ratio 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 ratio, 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 ratio),
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

1. Al-Rasyid, H. Teknik Penarikan Sampel dan Penyusunan Skala. Pascasarjana UNPAD,

Bandung, 1994.
2. Anita Kesumahati, Skripsi, PS Matematika, Unila, Penggunaan Korelasi Polikhorik dan
Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural, 2005.
3. Hays, W. L., Quantification in Psychology, Prentice Hall. New Delhi, 1976.
4. J.T. Roscoe, Fundamental Research Statistic for the Behavioral Sciences, Hol, Rinehart
and Winston, Inc., New York, 1969
5. J Supranto, Statistik, Teori Dan Aplikasi, Edisi Kelima, Penerbit Erlangga, Jakarta, 1987
6. Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003.
7. Ronald E। Walpole. Pengantar Statistika, Edisi ke-3, Penerbit PT Gramedia Pustaka
Utama, Jakarta, 1992.
8. Riduan, Dasar-dasar Statistika, Penerbit ALFABETA Bandung, 2005.
9. Sugiono, Prof. Dr. 2004. Statistika Nonparametrik Untuk Penelitian, Penerbit CV
ALFABETA, Bandung.
10. Suharto, 2007. Kumpulan Bahan Kuliah Statistika, Fakultas Ekonomi Universitas
Muhammadiyah Metro. .
11. Wijayanto, 2003. Structural Equation Modeling dengan LISREL 8.5. Pascasarjana FE-
UI, Jakarta.
 12. Zaenal Mustafa El Qodri. 1985. Pengantar Statistika, Bagian Penerbitan Fakultas
Ekokomi Universitas Islam Indonesia, Yogyakarta.

Diposting 24th December 2008 oleh Suharto Dohan

20

Lihat komentar

1.

crandon31 Juli 2009 06.30

Selamat malam Pak,,saya mahasiswa suatu perguruan tinggi di Tangerang, maaf Pak saya
mau tanya :"Apakah data/variabel dengan satuan rupuah (Rp) dapat diujikan dengan data
dengan data yang satuannya dalam rasio (%)?"
Mohon maaf, soalnya ada dosen yang menyatakan bahwa kedua data tidak dapat
digunakan dalam satu pengujian statistik dan ada dosen juga yang menyatakan bahwa
keduanya bisas digunakan dalam satu pengujian statstik.
Hal tersebut membuat saya bingung,Mohon bantuannya Pak, terima kasih.

Balas

2.

Anonymous24 Oktober 2009 17.16

Pagi, pak. Saya mahasiswa S2 UPI, saya kesulitan memilih metode Spearman atau
Pearson. Kalo saya klik 2-2nya di spss, maka hasil tampilan/outputnya lebih masuk akal
yang Pearson dibandingkan yang spearman. Apakah itu berarti saya harus menggunakan
pearson? Padahal uji sebelumnya saya menggunakan Kruskal Wallis dengan data yang
sama (nonparametrik), bisakah 1 data diuji dengan baik metode parametrik maupun
nonparametrik? Terima kasih.

Balas
3.

Suharto25 Oktober 2009 07.28

Data apapun, bisa di Uji dengan Statistik Parametrik maupun Nonparametrik, karena
keduanya hanya merupakan metode. Akan tetapi jika data awal memang tidak memiliki
sebaran normal, sebaiknya menggunakan statistik nonparametrik saja. Karena Statistik
Parametrik hanya lazim digunakan bila data yang dianalisis memiliki sebaran normal.

Balas

4.

Suharto25 Oktober 2009 07.42

Data dalam satuan Rupiah (Rp), bisa saja diujikan dengan data dalam satuan (%), atau
(kg), atau lainnya, yang penting dalam interpretasinya, jika misalnya (X) berubah sekian
satuan (dalam Rp), diharapkan akan menyebabkan Y berubah sekian satuan (dalam %),
tergantung dari penempatan variabel bebas dan variabel takbebasnya.....

Balas

5.
 dewi15 Januari 2010 17.40

pagi pak, saya mahasiswa ekonomi di salah satu ptn di malang. pak, saya ingin bertanya
mengenai transformasi skala.kalau ordinal bisa ditransformasi ke interval dengan metode
MSI.tetapi kalau nominal apakah bisa menggunakan metode yang sama pak. kalau tidak
diperbolehkan, kira2 metode yang digunakan pa pak.
mohon bantuannya pak. Terima kasih

Balas

6.

Suharto16 Januari 2010 08.44

Data dengan skala Nominal tidak bisa ditransformasi menjadi skala Interval. Data
Nominal diantaranya hanya bisa menggunakan frekuensi. Misalnya saja Profesi Guru,
Polisi, Pengacara, Dokter...dll. Atau Suku Dayak, Bugis, Badui, Asmat, dll. Masing-
masing Profesi, atau masing-masing Suku, tidak akan pernah memiliki jarak yang sama
satu sama lain. Bahkan, masing-masing Item, tidak akan memiliki nilai numerik lebih
tinggi dari Item yang lain. Metode yang lazim digunakan adalah Chi Square, dan atau CC
Max.

Balas

7.

eMingko Blog27 Mei 2011 04.03

terimakasih pak ilmunya :)

Balas

8.
 @^!v6 Agustus 2011 22.08

Makasih pak atas ilmunya. izin copast.. :)

Balas

9.

Dhana jack27 November 2011 19.26

Selamat pagi pak..saya seorang mahasiswa yang sedang menyusun proposal.. saya
bingung menentukan skala apa yang saya gunakan.mohon bantuannya pak...
variabel independen saya menggosok gigi..itu masuk jenis skala apa???
terus yang kedua karies gigi masuk jenis skala data apa????

Mohon bantuannya ya pak...saya tunggu jawabannya..terima kasih sebelumnya..dan

sukses selalu buat anda.Jack (www.galiemasku.com)

Balas

10.

Anonymous24 Maret 2012 18.37

Selamat pagi pak, saya mahasiswa yang sedang menyelesaikan skripsi S1 sedang
kebingungan mengenai penggunaan metode statistik,,mohon pencerahan dari bapak,,saya
memiliki penelitian yang bersifat kuantitatif dimana variabel bebasnya adalah Kadar
karbon Monoksida di udara, variabel perancunya adalah perilaku merokok (jawabannya
Ya/Tidak) dan variabel terikatnya kadar Karbon Monoksida dalam darah..
Yang mau saya tanyakan untuk data variabel bebas,perancu dan terikat termasuk data
nominal,ordinal,atau rasio???
Kemudian uji statistik apa yang bisa saya gunakan untuk menguji hubungan antara
variabel bebas dengan variabel terikat?dan varabel perancu dengan variabel terikat??
Lalu saya juga mau menguji variabel yang manakah yang paling berpengaruh terhadap
variabel terikat,metode manakah yang paling cocok saya gunakan???
Mohon maaf banyak sekali yang saya tanyakan karena memang saya kurang paham
mengenai uji statistik,,terima kasih atas pencerahan yang diberikan..sukses selalu buat
bapak

regards,
Vondrake (tomyvondrake@yahoo.com)

Balas
11.

Astree_@29 Mei 2012 20.33

Pak saya seorang mahasiswa S1, pak saya mau bertanya bagaimana cara merubah data
yang memiliki skala interval menjadi skala ordinal. Mohon penjelasannya pak?

Balas

12.

Astree_@29 Mei 2012 20.34

Pak saya mau bertanya , bagaimana cara merubah data interval menjadi ordinal? mohon
bantuannya

Balas

13.

yunitayesi067 Maret 2013 19.03

 Saya mau nanya Pak, saya pernah baca kalau celcius dan fahrenheit termasuk contoh dari
data interval, namun kelvin masuk ke data ratio. itu kenapa ya pak? apa yg membedakan
kelvin sehingga tidak masuk ke data interval? terimakasih :)

Balas

14.

Suharto9 Maret 2013 07.03

salah satu ciri data interval diantaranya adalah (1) tidak bisa dibagi (dikali), (2) tidak
memiliki nilai 0 (nol) mutlak, (3) memiliki jarak yang sama, dst..... Misalnya suhu udara.
Meskipun suhunya 0 derajat, bukan berarti nol itu tidak memiliki arti apa-apa, karena kita
tahu bahwa air membeku pada suhu 0 derajat....(ciri tidak memiliki nilai nol mutlak)....
Contoh lainnya adalah Indek Prestasi mahasiswa, A (4), B (3), C (2), dan D (1). Kita
tidak bisa mengatakan bahwa mahasiswa yg memperoleh IP (4) memiliki kecerdasan
sebanyak dua kali lipat dari mahasiswa yang memperoleh IP (2)..., (ciri perkalian...)

Balas

15.

Anonymous2 Juli 2013 00.06

pak saya mau tanya, jika skala likert berdata ordinal dengan skala interval 1 sampai 5,
sangat setuju, setuju, ragu-ragu, tidak setuju, sangat tidak setuju, tetapi data tidak
ditransformasi ke interval. bagaimana ?
karena banyak saya lihat penelitian dgn skala likert data ordinal tapi dilakukan metode
parametrik

Balas
16.

best-nutritionist 22 Desember 2013 07.08

pak, kalau pengaruh penambahan bekatul dan kacang hijau 10%, 15%, 20% itu skala
datanya ordinal apa nominal pak?

Balas

17.

Anonymous6 Oktober 2014 10.18

pak sy ada pertanyaan,,sy membaca di buku bahwa penggunaan KPM hanya utk data
interval/rasio, sedangkan korelasi Spearman untuk data ordinal, apa yg mnjadi
dasar/alasan?

Balas
18.

chici arumsari21 Februari 2015 15.44

terima kasih pak ,, bermanfaat sekali ilmunya

Balas

19.

Ika Meriyanti25 Februari 2015 22.41

Pak ketika pendapatan dan umur sudah ditetapkan menjadi bagian dari skala pengukuran
rasio, bagaimana untuk menjadikannya turun menjadi skala pengukuran interval, ordinal,
dan nominal ? Makasih sebelumnya pak

Balas
 20.

Ika Meriyanti25 Februari 2015 22.43

Pak saya ada tugas dari dosen saya, mohon bantuannya untuk menjelaskan. Pendapatan
dan umur termasuk skala pengukuran rasio, bagaimana menurunkan variabel tersebut
menjadi skala pengukuran interval, ordinal, dan nominal ? Terimakasih sebelumnya pak

Balas

SUHARTO

 Klasik
 Kartu Lipat
 Majalah
 Mozaik
 Bilah Sisi
 Cuplikan
 Kronologis

Oct
14

SUHARTO, S.E., M.M.: UJI NORMALITAS

SUHARTO, S.E., M.M.: UJI NORMALITAS

SUHARTO, S.E., M.M.: KONSEP dan JENIS VARIABEL (VARIABEL

INDEPENDEN, VARIABEL DEPENDEN, VARIABEL MODERATOR,
VARIABEL INTERVENING dan VARIABEL KONTROL).

SUHARTO, S.E., M.M.: KONSEP dan JENIS VARIABEL (VARIABEL INDEPENDEN,

VARIABEL DEPENDEN, VARIABEL MODERATOR, VARIABEL INTERVENING dan
VARIABEL KONTROL).
KONSEP dan JENIS VARIABEL (VARIABEL INDEPENDEN, VARIABEL
DEPENDEN, VARIABEL MODERATOR, VARIABEL INTERVENING dan
VARIABEL KONTROL).

UJI NORMALITAS

Menelusuri jejak mahasiswa yang sedang menyelesaikan tugas akhir adalah hal yang menarik.
Beberapa diantaranya adalah penggunaan alat analisis yang akan digunakan untuk mengolah data
hasil penelitian.

Jan
1

Akibat Penggunaan Data Non Interval dalam Analisis Parametrik, Regresi

Linier, dan Path Analysis

Penggunaan Data Non Interval dalam Analisis Parametrik, Regresi Linier, dan Path Analysis.

SAP Pengantar Statistika, Kontrak Kuliah Pengantar Statistika

KONTRAK KULIAH

SUHARTO, S.E., M.M.: Pengertian Korelasi

PENGERTIAN KORELASI

Oleh: Suharto

Persoalan pengukuran, atau pengamatan hubungan antara dua peubah X dan Y, berikut ini akan
kita bicarakan sesuai dengan referensi yang kami peroleh dalam beberapa literatur.

Mar
23

SUHARTO, S.E., M.M.: Linear Programming Simplex

SUHARTO, S.E., M.M.: Linear Programming Simplex

Linear Programming Simplex

Linear Programming Simplex

SUHARTO, S.E., M.M.: KORELASI JENJANG (PERINGKAT) SPEARMAN
DAN KENDALL TAU

SUHARTO, S.E., M.M.: KORELASI JENJANG (PERINGKAT) SPEARMAN DAN

KENDALL TAU

Nov
17

VALIDITAS

BEBERAPA PENGERTIAN TENTANG VALIDITAS

Oleh: Suharto

A.

Uji t dan Uji r dalam Validitas

Penggunaan Uji t dan Uji r dalam Validitas

Oleh: Suharto

A.

UJI VALIDITAS, RELIABILITAS, INSTRUMEN, PENELITIAN , OPINI

VALIDITAS DAN PENGERTIAN

BEBERAPA PENGERTIAN TENTANG VALIDITAS

Oleh: Suharto

A.

SUHARTO, S.E., M.M.: PENGERTIAN VARIABEL, VARIABEL, DEFINISI

OPERASIONAL (VARIABEL), dan DEFINISI OPERASIOANAL
PENELITIAN.

SUHARTO, S.E., M.M.: PENGERTIAN VARIABEL, VARIABEL, DEFINISI

OPERASIONAL (VARIABEL), dan DEFINISI OPERASIOANAL PENELITIAN.

VARIABEL
PENGERTIAN VARIABEL, VARIABEL, PENGERTIAN DEFINISI OPERASIONAL
(VARIABEL), dan DEFINISI OPERASIOANAL PENELITIAN.

Aug
7

VARIABEL

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL (VARIABEL), dan

DEFINISI OPERASIOANAL PENELITIAN.

SUHARTO, S.E., M.M.: PENGERTIAN VARIABEL, VARIABEL, DEFINISI

OPERASIONAL (VARIABEL), dan DEFINISI OPERASIOANAL
PENELITIAN.

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL (VARIABEL), dan

DEFINISI OPERASIOANAL PENELITIAN.

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL (VARIABEL), dan

DEFINISI OPERASIOANAL PENELITIAN.

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL

(VARIABEL), dan DEFINISI OPERASIOANAL PENELITIAN.

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL (VARIABEL), dan

DEFINISI OPERASIOANAL PENELITIAN

Oleh: Suharto

Fenomena yang dihadapi mahasiswa sebelum melaksanakan penelitian biasanya berkenaan

dengan pengertian tentang variabel.

PENGERTIAN VARIABEL

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL (VARIABEL), dan

DEFINISI OPERASIOANAL PENELITIAN.

Oleh: Suharto

Fenomena yang dihadapi mahasiswa sebelum melaksanakan penelitian untuk membuat tugas
akhir biasanya berkenaan dengan variabel.

VARIABEL
PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL (VARIABEL), dan
DEFINISI OPERASIOANAL PENELITIAN

Oleh: Suharto

Fenomena yang dihadapi mahasiswa sebelum melaksanakan penelitian biasanya berkenaan

konsep, variabel dan variabel yang lebih operasional.

Aug
1

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL

VARIABEL dan DEFINI OPERASIONAL PENELITIAN

PENGERTIAN VARIABEL, VARIABEL, DEFINISI OPERASIONAL (VARIABEL), dan

DEFINISI OPERASIOANAL PENELITIAN.

Fenomena yang dihadapi mahasiswa sebelum melaksanakan penelitian biasanya berkenaan

dengan pengertian tentang variabel.









Memuat
Tema Tampilan Dinamis. Diberdayakan oleh Blogger.