Jasa Desain jok mobil mbtech Berkualitas di Jakarta Barat membentuk sebelah penghasil katung ini meskipun belajar Karena sifat cari buat distro-distro makan bukan kekhawatiran yang dirasakan sektor bisnis di Indonesia akan tetapi tidak Jasa Desain jok mobil mbtech Berkualitas di Jakarta Barat CLASSIC adalah Workshop Jok Kulit yang sudah lebih dari 10 Tahun bergerak di bidang Modifikasi Interior Mobil, dan menjadi salah satu Workshop Interior Mobil Terbaik di INDONESIA , dengan tenaga ahli /Professional kami menjamin kualitas hasil pengerjaan, karena kami menjunjung tinggi nilai kejujuran, profesional dan ramah dalam pelayanan, dengan nilai-nilai tersebut CLASSIC dapat berkembang dari tahun ke tahun seperti sekarang ini menjadi Workshop Pusat Jok Kulit yang TERPERCAYA KARENA KUALITAS Hingga Saat ini sudah beragam jenis model yang telah kami produksi, yang telah tersebar diseluruh Jakarta, Bogor,Tangerang dan Bekasi, (Jabodetabek) bahkan sampai ke Kota-kota besar di Indonesia Seperti Bandung,Semarang,Surabaya, Palangkaraya,Lampung, Palembang dll. Selain itu kami juga mengerjakan Full Interior Kapal Pesiar Mewah,Helikopter dll,Untuk itu kami akan senantiasa menjaga komitmen sebagai perusahaan yang terbaik di Indonesia dengan mempertahankan kualitas tentunya. Jasa Desain jok mobil mbtech Berkualitas di Jakarta Barat Telekomunikasi Indonesia ada di Bandung dan Baju Anak Semberani Rent baku serat kapas atau biji plastik dia melakukan 1500 percobaan itu beberapa wilayah Jobodetabek Yang penting tidak di Amerika Serikat Apa Saverin mendeskripsikan

Jasa Desain jok mobil mbtech Berkualitas di Jakarta BaratTelekomunikasi Indonesia produksi Bandung kebutuhan Baju yang diambil Jasa Desain jok mobil mbtech Berkualitas di Jakarta Barat Workshop Jok Kulit yang sudahberdiri dari tahun 2003 lebih dari 11 Tahun bergerak di bidang Modifikasi Interior Mobil, dan menjadi salah satu Workshop Interior Mobil Terbaik di INDONESIA, dengan tenaga ahli /Professional kami menjamin kualitas hasil pengerjaan, karena kami menjunjung tinggi nilai kejujuran, profesional dan ramah dalam pelayanan, dengan nilai-nilai tersebut CLASSIC dapat berkembang dari tahun ke tahun seperti sekarang ini menjadi Workshop Pusat Jok Kulit yang? TERPERCAYA KARENA KUALITAS ? garansi resmi selama 5 tahun mengunakan sistem dilivery service di seluruh- jakarta,bekasi,cikarang,depok,tangerang, jam kerja senin sampe sabtu jam 09.00- 18.00 Jasa Desain jok mobil mbtech Berkualitas di Jakarta Barat banget ada bahan dasarnya hingga Combed serta bisa mengalaminya dari US Centers for infrastruktur fisik Jasa Desain jok mobil mbtech Berkualitas di Jakarta Barat

Ketentuan prosedur yang telah diterapkan label membuat Raisa sulit mewujudkan keinginannya menelurkan album kolaborasi. Padahal Raisa telah mengidam-idamkan berkolaborasi dengan penyanyi lain.

Ketentuan prosedur yang telah diterapkan label membuat Raisa sulit mewujudkan keinginannya menelurkan album kolaborasi. Padahal Raisa telah mengidam-idamkan berkolaborasi dengan penyanyi lain.

"Ingin banget. Dari album kemarin saya sudah ingin, cuma kalau label itu tidak sulit. Banyaklah yang ingin saya lakukan tapi terbatas. Kedepannya sih ingin banget," ungkap Raisa di Kawasan Thamrin, Jakarta Pusat .

Keinginan itu telah terlihat dari seringnya Raisa berkolaborasi bersama penyanyi lain disetiap aksinya. Bahkan Raisa juga sudah memiliki lagu duet yang diciptakannya bersama Tulus.

"Beberapa teman kayak Tulus sering ketemuan buat bikin lagu, sudah ada beberapa. Jadi sebenernya kalo besok mau keluarkan single duet juga udah bisa," jelasnya.

Sebanyak 2 lagu duet yang sudah diciptakan Raisa dan Tulus. Namun Raisa belum ingin merilis lagu itu ke pasaran dalam waktu dekat ini.

"Tulus lagunya ada banyak, cuma yang kita berdua ada 2 lagu. Ini bukan buat sekarang sih, mungkin nanti saja," pungkasnya.

 Data yang dikumpulkan mahasiwa ketika akan membuat tugas akhir, selain data sekunder diantaranya adalah data primer. Data

 Data yang dikumpulkan mahasiwa ketika akan membuat tugas akhir, selain data sekunder diantaranya adalah data primer. Data sekunder adalah data yang diperoleh dari catatan-catatan atau informasi tertulis dari perusahaan, serta data-data lain yang terdokumentasi dengan baik dan valid. Sedangkan data primer adalah data yang direspon langsung oleh responden berdasarkan wawancara ataupun daftar pertanyaan yang dirancang, disusun, dan disajikan dalam bentuk skala, baik nominal, ordinal, interval maupun ratio oleh mahasiswa ketika membutuhkan data demi kepentingan penelitian.

Teknik pengumpulan data seperti ini lazim digunakan karena selain bisa langsung menentukan skala pengukuranya, akan tetapi juga bisa melengkapi hasil wawancara yang dilakukan dengan responden.

Skala pengukuran yang dibuat oleh mahasiswa sebaiknya dibuat sedemikian rupa, mengikuti kaidah, sehingga akan memudahkan pemilihan teknik analisis yang akan digunakan ketika pengumpulan datanya sudah selesai.

Catatan: Artikel ini membahas bagaimana transformasi dari data ordinal ke interval, sedangkan untuk transformasi data dalam keperluan untuk memenuhi asumsi klasik, baca artikel kami yang berjudul "Transformasi Data"

Dalam studi empiris, misalnya saja mahasiswa ingin menggunakan statistika parametrik dengan analisis regresi untuk menganalisis dan mengkaji masalah-masalah penelitian. Pemilihan analisis model ini ini hanya lazim digunakan bila skala pengukuran yang yang dilakukan adalah minimal interval. Sedangkan teknik pengumpulan data yang dilakukan oleh mahasiswa sudah dilakukan dengan menggunakan skala pengukuran nominal (atau ordinal).

Menghadapi situasi demikian, salah satu cara yang dilakukan adalah menaikkan tingkat pengukuran skalanya dari ordinal menjadi interval. Melakukan manipulasi data dengan cara menaikkan skala dari ordinal menjadi interval ini, selain bertujuan untuk tidak melanggar kelaziman, juga untuk mengubah agar syarat distribusi normal bisa dipenuhi ketika menggunakan statistika parametrik.

Menurut Sambas Ali Muhidin dan Maman Abdurahman, “salah satu metode transformasi yang sering digunakan adalah metode succesive interval (MSI)”. Meskipun banyak perdebatan tentang metode ini, diharapkan pemikiran ini bisa melengkapi wacana mahasiswa ketika akan melakukan analisis data berkenaan dengan tugas-tugas kuliah.

Sebelum melanjutkan pembahasan tentang bagaimana transformasi data ordinal dilakukan, tulisan ini sedikit membahas tentang dua perbedaan pendapat tentang bagimana skor-skor yang diberikan terhadap alternatif jawaban pada skala pengukuran Likert yang sudah kita kenal. Pendapat pertama mengatakan bahwa skor 1, 2, 3, 4, dan 5 adalah data interval. Sedangkan pendapat yang kedua, menyatakan bahwa jenis skala pengukuran Likert adalah ordinal. Alasannya skala Likert merupakan Skala Interval adalah karena skala sikap merupakan dan menempatkan kedudukan sikap seseorang pada kesatuan perasaan kontinum yang berkisar dari sikap “sangat positif”, artinya mendukung terhadap suatu objek psikologis terhadap objek penelitian, dan sikap “sangat negatif”, yang tidak mendukung sama sekali terhadap objek psikologis terhadap objek penelitian.

Berkenaan dengan perbedaan pendapat terhadap skor-skor yang diberikan dalam alternatif jawaban dalam skala Likert itu, apakah termasuk dalam skala pengukuran ordinal atau data interval, berikut ini kami mneyampaikan pemikiran yang bisa dijadikan pertimbangan: Ciri spesifik yang dimiliki oleh data yang diperoleh dengan skala pengukuran ordinal, adalah bahwa, data ordinal merupakan jenis data kualitatif, bukan numerik, berupa kata-kata atau kalimat, seperti misalnya sangat setuju, kurang setuju, dan tidak setuju, jika pertanyaannya ditujukan terhadap persetujuan tentang suatu event. Atau bisa juga respon terhadap keberadaan suatu Bank “PQR” dalam suatu daerah yang bisa dimulai dari sangat tidak setuju, tidak setuju, ragu-ragu, Setuju, dan sangat setuju.

Sementara data interval adalah termasuk data kuantitatif, berbentuk numerik, berupa angka, bukan terdiri dari kata-kata, atau kalimat. Mahasiswa yang melakukan penelitian dengan menggunakan pendekatan kuantitatif, termasuk di dalamnya adalah data interval, data yang diperoleh dari hasil pengumpulan data bisa langsung diolah dengan menggunakan model statistika. Akan tetapi data yang diperoleh dengan pengukuran skala ordinal, berbentuk kata-kata, kalimat, penyataan, sebelum diolah, perlu memberikan kode numerik, atau simbol berupa angka dalam setiap jawaban.

Misalnya saja alternatif jawaban pada skala Likert, alternatif jawaban “sangat tidak setuju” diberi skor 1; “ tidak setuju diberi skor 2; “ragu-ragu” diberi skor 3; “setuju” diberi kode 4; dan “sangat setuju” diberi skor 5. angka-angka (numerik) inilah yang kemudian diolah, sehingga menghasilkan skor tertentu. Tetapi, sesuai dengan sifat dan cirinya, angka 1, 2, 3, 4, dan 5 atau skor yang sudah diperoleh tidak memberikan arti apa-apa terhadap objek yang diukur. Dengan kata lain, skor yang lebih tinggi lebih tidak berarti lebih baik dari skor yang lebih rendah. Skor 1 hanya menunjukkan sikap “sangat tidak setuju”, skor 2 menunjukkan sikap “tidak setuju, skor 3 menunjukkan sikap “ragu-ragu’, skor 4 menunjukkan sikap “setuju”, dan skor 5 menunjukkan sikap “sangat setuju”. Kita tidak bisa mengatakan bahwa skor 4 atau “setuju” dua kali lebih baik dari skor 2 atau “tidak setuju”.

Fenomena ini berbeda sekali dengan sifat/ciri yang dimiliki oleh data interval, dimana angka-angka atau skor-skor numerik yang diperoleh dari hasil pengukuran data langsung dapat dibandingkan antara satu dengan lainnya, dikurangkan, dijumlahkan, dibagi dan dikalikan. Misalnya saja penelitian yang dilakukan mahasiswa tentang suhu udara beberapa kelas, dan diperoleh data misalnya suhu ruangan kelas A 15 derajat Cls, suhu ruang kelas B 20 derajat Cls, dan suhu ruang kelas C 25 derajat Cls. Berarti bahwa suhu ruang kelas A adalah 75 % lebih dingin dari suhu ruang kelas B. Suhu ruang kelas A 60 % lebih dingin dari suhu ruang kelas C. Suhu ruang kelas A lebih dingin dari suhu ruang kelas B dan C. Atau suhu ruangan kelas B lebih panas dari suhu ruang kelas A, tetapi lebih dingin dibandingkan dengan suhu ruangan kelas C. Contoh lain misalnya prestasi mahasiswa yang diukur dengan skala indek prestasi mahasiswa.

KEPUSTAKAAN
Babbie, Earl R., The Pravtice of Social Research, 4th Edition, Belmont, CA, Wadsworth,
1986. Kerlinger, F.N., Foundation of Behavioral Research, 2nd Ed., New York, MacMillan, 1971.
Moh nazir, Ph.d. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2005).


TRANSFORMASI DATA ORDINAL menjadi INTERVAL SECARA MANUAL
(Kasus Transformasi Data Ordinal Menjadi Interval)
Oleh: Suharto*

A. Pendahuluan
Beberapa ahli berpendapat bahwa pelaksanaan penelitian menggunakan metode ilmiah diantaranya adalah dengan melakukan langkah-langkah sistematis. Metode ilmiah sendiri adalah merupakan pengejaran terhadap kebenaran relatif yang diatur oleh pertimbangan-pertimbangan logis. Dan 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. Dengan adanya metode ilmiah, pertanyaan-pertanyaan dalam mencari dalil umum, akan mudah dijawab. Menuruti Schluter (Moh Nazir), langkah penting sebelum sampai tahapan analisis data dan penentuan model adalah ketika 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, ratio dan interval bisa dilakukan demi memasuki wilayah penentuan model.

Pada ilmu-ilmu sosial yang telah lebih berkembang, melakukan analisis berdasarkan pada kerangka hipotesis ilakukan 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 banyak peluang untuk digunakan. 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 tergantung dari kondisi bagaimana data dikumpulkan.

Karena pada dasarnya, model adalah alat yang bisa digunakan dalam kondisi dan data apapun. Ia tetap 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 elektronik, tidak akan memiliki hubungan dengan produktivitas petani karet.

Model analisis statistik hanya bisa digunakan jika data yang diperoleh memiliki syarat-syarat tertentu. 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 di antara baik dan buruk atau di antara 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, 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 digunakan, 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 kontinum 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 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 Coeffisien Contingensi  Akan tetapi karena pengujian hipotesis  Coeffisien Contingensi memerlukan rumus Chi Square (χ2), perhitungannya dilakukan setelah kita menghitung Chi Square. Penggunaan model statistik nonparametrik selain Coeffisien 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 C dan A adalah 3 – 1 = 2. Beda prestasi antara C dan F adalah 6 – 3 = 3. Akan tetapi tidak bisa dikatakan bahwa prestasi E adalah 5 kali prestasi A ataupun prestasi F adalah 3 kali lebih baik dari prestasi 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 ratio
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 ratio. Ukuran ratio 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 ukuran rasio dapat dibuat perkalian ataupun pembagian. Angka pada skala 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 D adalah 5 kali pendapatan A. Pendapatan C adalah 4/3 kali pendapatan B. Dengan kata lain, rasio antara C dan A adalah 4 : 1, rasio antara D dan A adalah 5 : 1, sedangkan rasio antara 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.

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 diharapkan dapat bagi 4 bagian, yakni variabel nominal, variabel ordinal, variabel interval, dan variabel rasio. Variabel nominal, yaitu variabel yang dikategorikan secara diskrit dan saling terpisah seperti status perkawinan, jenis kelamin, dan sebagainya. Variabel ordinal adalah variabel yang disusun atas dasar peringkat, seperti peringkat prestasi mahasiswa, peringkat perlombaan catur, peringkat tingkat kesukaran suatu pekerjaan dan lain-lain.

Variabel interval adalah variabel yang diukur dengan ukuran interval seperti penghasilan, sikap dan sebagainya, sedangkan variabel rasio adalah variabel yang disusun dengan ukuran rasio seperti tingkat penganggguran, dan sebagainya.

e. Konversi variabel ordinal
Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial Regression 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 ujinormalitas 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 dengan skala ordinal menjadi skala interval dinamakan transformasi dengan menggunakan metode Suksesiv Interval. Penggunaan skala interval bagi kepentingan statistik parametrik, selain merupakan suatu kelaziman, juga untuk mengubah data agar memiliki sebaran normal. Transformasi menggunakan model ini berarti tidak perlu melakukan uji normalitas. Karena salah satu syarat penggunaan statistik parametrik, selain data harus memiliki skala interval (dan ratio), data harus memiliki distribusi normal. Berbeda dengan statistik nonparametrik, ia hanya digunakan untuk mengukur distribusi. (Ronald E. Walpole).

Berikut ini diberikan contoh sederhana bagaimana kita meningkatkan data hasil pengukuran dengan skala ordinal menjadi data interval dengan metode Suksesiv Interval. Sebenarnya data ini lazimnya hanya dianalisis dengan statistik nonparametrik. Akan tetapi oleh karena model yang diinginkan adalah statistik parametrik, data tersebut ditingkatkan skalanya menjadi data interval dengan menggunakan metode Suksesive Interval, sehingga di dapat dua jenis data yakni data ordinal dan data interval hasil transformasi. Tabel berikut ini adalah konversi variabel ordinal menjadi variabel interval yang disajikan secara simultan. Data ordinal berukuran 100.


Tabel 1.
Proses Konversi Variabel Ordinal menjadi Variabel Interval
1. Pemilih jawaban (kolom 1) atau kategori dan jumlahnya dibuat dari hasil kuisioner fiktif.

2. Masing-masing frekuensi setiap masing-masing kategori dijumlahkan (kolom 2) menjadi jumlah frekuensi.

3. Kolom proporsi (kolom 3) nomor 1 diisi dengan cara, misalnya yang memilih kategori 1 jumlah responden 25 orang, maka proporsinya adalah (25 : 100) = 0,25. Kolom proporsi no 2 diisi dengan cara, kategori 2 dengan jumlah responden 17 orang, maka proporsinya adalah (17 : 100) = 0,17. Kolom proporsi nomor 3 diisi dengan cara, kategori 3 dengan jumlah responden 34 orang, proporsinya adalah (34 : 100) = 0,34. Kemudian kolom proporsi nomor 4 dengan jumlah responden 19 orang, proporsinya dihitung dengan cara (19 : 100) = 0,19, begitu seterusnya sampai ditemukan angka 0,05.

4. Proporsi kumulatif (kolom 4) diisi dengan cara menjumlahkan secara kumulatif item yang ada pada kolom no 3 (proporsi). Misalnya 0,25 + 0,17 = 0,42. Kemudian nilai 0,42 + 0,34 = 0,76. Lalu 0,76 + 0,19 = 0,95. Dan terakhir adalah 0,95 + 0,05 = 1,00. 5. Kolom 5 (Nilai Z), diisi dengan cara melihat tabel Distribusi Normal (Lampiran 1).

Misalnya angka (– 0,67), diperoleh dari luas 0,2500 (tabel Z) terletak di Z yang ke berapa. Jika tidak ada angka yang pas, cari nilai yang terdekat dengan luas 0,2500. Dalam hal ini angka 0,2514 (terdekat dengan angka 0,2500) terletak di Z ke 0,67. Karena angka 0,25 berada di bawah 0,5, maka beri tanda negatif didepannya. Berikutnya adalah angka (– 0,20), diperoleh dari luas (angka) 0,4200 (tabel Z) terletak di Z ke berapa. Jika tidak ada angka yang sama dengan 0,4200, cari nilai yang terdekat dengan angka 0,4200 dalam tabel Z. Dalam contoh ini, angka 0,4207 (terdekat dengan 0,4200) terletak di Z ke 0,2. Karena angka 0,42 berada di bawah 0,5, maka beri tanda negatif di depannya. Kemudian angka (0,71), diperoleh dari luas distribusi normal (angka) 0,7600 (tabel Z). Angka ini harus dihitung dengan jalan menjumlahkan setengah dari luas distribusi normal, yakni (0,5 + 0,26) = 0,76. Untuk mencapai angka 1,0000, berarti ada kekurangan sebesar 0,2400. Tabel Z yang terdekat dengan angka 0,2400 adalah 0,2389 yang terletak di Z ke 0,71. Berikutnya adalah angka (1,64). Angka ini diperoleh dari luas distribusi normal (angka) 0,9500 (tabel Z). Angka ini juga harus dihitung dengan cara menjumlahkan setengah dari luas distribusi normal, yakni (0,5 + 0,45) = 0,95. Untuk mencapai luas 100% (angka 1,000), distribusi ini ada kekurangan sebesar 0,0500. Tabel Z yang terdekat dengan angka 0,0500 adalah 0,0505 (Z ke 1,64) dan 0,495 (Z ke 165) . Oleh karena angka tersebut memiliki nilai sama, maka kita hanya memilih salah satu, yakni di Z ke 1,645. Nilai ordinat (kolom 6) dapat dilihat pada tabel Ordinat Kurva Normal. Angka 0,3187 bersesuaian dengan P 0,25 (kolom 4). Angka 0,3910 bersesuaian dengan P 0,42 (kolom 4). Kemudian angka 0,3101 bersesuaian dengan P 0,76. (1 – P) = 0,24 (kolom 4). Artinya nilai 0,3101 bersesuaian dengan P 0,24. Dst....

Kolom 7
(nilai skala) dicari dengan rumus :
-------------->Kepadatan pd batas bawah – kepadatan pd batas atas
Nilai Skala = ---------------------------------------------------------------
--------------->Daerah di bwh bts atas – daerah di bwh bts bawah
------------------>0,0000 – 0,3187
Nilai skala 1 = ------------------------ = – 1,2748
--------------------->0,25 – 0,00
------------------>0,3187 – 0,3910
Nilai skala 2 = ------------------------ = – 0,4253
--------------------->0,42 – 0,25
------------------>0,3919 – 0,3101
Nilai skala 3 = ------------------------ = 0,2379
--------------------->0,76 – 0,42
------------------>0,3101 – 0,1040
Nilai skala 4 = ------------------------ = 1,0847
--------------------->0,95 – 0,76
------------------>0,1040 – 0,0000
Nilai skala 5 = ------------------------ = 2,0800
--------------------->1,00 – 0,95


Angka yang diperoleh berdasarkan perhitungan di atas kemudian ditransformasi menjadi variabel Interval dengan menggunakan rumus seperti yang dilakukan dalam kolom 8.

Kolom 8. Nilai Y (kolom 8) dicari dengan rumus: Y = Nilai Skala + │ Nilai Skalamin │. Cari nilai negatif paling tinggi pada kolom 7 (nilai skala). Kemudian tambahkan bilangan itu dengan bilangan tertentu agar sama dengan 1. Angka negatif paling tinggi adalah – 1,2748.

Agar bilangan itu sama dengan satu berarti harus di tambah dengan bilangan 2,2748 (bilangan konstan). Kemudian untuk nilai Y2, juga harus ditambah dengan angka 2,2748. Begitu seterusnya sampai nilai Y5.

Y1 = – 1,2748 + 2,2748 = 1
Y2 = – 0,4253 + 2,2748 = 1,8495
Y3 = 0,2379 + 2,2748 = 2,5127
Y4 = 1,0847 + 2,2748 = 3,3595
Y5 = 2,0800 + 2,2748 = 4,3548

C. Kesimpulan
Nilai Yi (kolom 8) merupakan nilai hasil transformasi dari variabel ordinal menjadi variabel interval dengan metode MSI. Dengan kata lain, nilai Yi sudah berbentuk data interval. Bila transformasi serupa juga diberlakukan terhadap Nilai Xi, maka kedua variabel ini bisa digunakan sebagai variabel untuk keperluan analisis Parametrik bagi mahasiswa. Misalnya menggunakan Pearson Korelasi Product Moment, Partial Corelation, Multiple Corelation, Partial Regression, dan Multiple Regression.


CONTOH PERHITUNGAN SECARA MANUAL DENGAN MS OFFICE EXCEL: DOWNLOAD
Untuk Penjelasannya, baca artikel berikut "Contoh Transformasi Data Ordinal Dengan Excel"
---------------------------------

DAFTAR PUSTAKA
Al-Rasyid, H. Teknik Penarikan Sampel dan Penyusunan Skala. Pasca Sarjana UNPAD, Bandung, 1994.
Anita Kesumahati, Skripsi, PS Matematika, Unila, Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural, 2005.
J.T. Roscoe, Fundamental Research Statistic for the Behavioral Sciences, Hol, Rinehart and Winston, Inc., New York, 1969.
J Supranto, Statistik, Teori Dan Aplikasi. Edisi Kelima, Penerbit Erlangga Jakarta, 1987.
Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003.
Ronald E. Walpole, Pengantar Statistika, Edisi ke-3, Penerbit PT. Gramedia Pustaka Utama, Jakarta, 1992.
Riduan, Dasar-dasar Statistika, Penerbit CV. ALFABETA, Bandung, 2005.
Sugiono, Prof. Dr., Statistik Nonparametrik Untuk Penelitian, Penerbit CV. ALFABETA, Bandung, 2004.
Wijayanto, Structural Equation Modeling dengan LISREL 8.5. Pasca Sarjana FE-UI, Jakarta, 2003.
Zaenal Mustafa El Qodri, Pengantar Statistik Terapan Untuk Ekonomi, Penerbit BPFE, Yogyakarta, 1995.
Babbie, Earl R., The Pravtice of Social Research, 4th Edition, Belmont, CA, Wadsworth, 1986.
Kerlinger, F.N., Foundation of Behavioral Research, 2nd Ed., New York, MacMillan, 1971.

TRANSFORMASI DATA ORDINAL KE INTERVAL dan (PERDEBATANNYA)
Perdebatan tentang Konversi Olah Data Ordinal menjadi Interval agar bisa digunakan dalam analisis statistik parametrik sebenarnya sudah selesai dan berakhir beberapa dasawarsa lalu. Sebagaimana dikatakan oleh Prof. Dr. Imam Ghozali, M.Com., (dalam Muji Gunarto). Akan tetapi belakangan ini relatif sering dipertanyakan berkenaan dengan kelaziman model yang akan digunakan oleh mahasiswa ketika akan membuat tugas akhir. Fenomena seperti itu tentu saja merupakan dinamika pemikiran mahasiswa yang makin kritis mengahadapi tugas-tugas kuliah yang makin komplek. Sebelum mahasiswa melakukan penelitian, variabel dan definisi operasionalnya memang harus dilakukan demi memasuki wilayah penetuan model yang akan digunakan. Karena penggunaan model saja, tanpa melakukan pengkajian akan berakibat pada pelanggaran kelaziman terhadap penggunaan model terhadap data yang diperoleh mahasiswa.

Definisi operasional variabel yang dijabarkan sesuai dengan konsep dan teori yang relatif benar akan membantu mengungkapkan penggunaan data penelitian. Karena berdasarkan definisi ini, kita akan menemukan dan membuat klasifikasi data sesuai dengan keperluan. Beberapa Universitas di Indonesia ada yang memberikan syarat dilakukannya transformasi terlebih dahulu terhadap data ordinal, sebelum dilakukan analisis dengan metode multivariate atau analisis path. Misalkan kita akan menganalisis variabel motivasi dan prestasi kerja karyawan sebuah perusahaan. Variabel motivasi kerja karyawan diberi simbol X dan variabel pretasi kerja karyawan diberi simbol Y. Keduanya diukur dalam satuan skala ordinal.

Setelah dilakukan transformasi, data tersebut kemudian dianalisis dengan metode regresi. Katakan hasilnya adalah Y = 4 + 2X. Artinya bila X (motivasi kerja) meningkat 1 satuan, maka Y (prestasi kerja) akan meningkat sebesar 2 satuan. Kita tahu bahwa X ( motivasi kerja) adalah variabel kualitatif. Angka yang diberikan hanya semata-mata merupakan simbol belaka yang diberikan demi kepentingan analisis data. Karena tanpa memberikan angka (numerik), data kualitatif tidak bisa di analisis dengan statistika.

Bagaimana mungkin X (motivasi) bisa mempengaruhi Y dalam satuan numerik?. Kita hanya bisa mengatakan bahwa variabel Motivasi berpengaruh Signifikan terhadap Prestasi Kerja Karena sejak awal, variabel motivasi dan prestasi kerja adalah data kualitatif, bukan numerik. Simbol numerik yang diberikan kepadanya tidak memberikan arti apa-apa secara kuantitatif, akan tetapi hanya merupakan simbol belaka. Coba saja kita bandingkan dengan kasus lain berikut ini, Pupuk yang digunakan dalam satuan (kwintal) akan digunakan untuk memprediksi hasil Produksi Padi dalam satuan (ton). Katakan hasilnya adalah Y = 4 + 2X. Artinya bila Pupuk naik sebesar 1 satuan (kwintal), diharapkan hasil produksi Padi akan naik sebesar 2 satuan (ton).
Satuan dalam kasus ini, yakni kwintal dan ton, merupakan satuan (numerik) yang bisa diukur, dibandingkan secara kuantitatif dan ditimbang.

Karena sejak awal, data yang di analisis merupakan data interval (ratio) numerik yang bisa diukur secara kuantitatif. Akan tetapi data yang pada awalnya merupakan data kualitatif dan di ukur dengan skala Ordinal, misalnya Motivasi Kerja dan Prestasi kerja, meskipun dilakukan transformasi dengan cara menaikkan skalanya dari ordinal menjadi interval, kemudian dilakukan analisis misalnya dengan metode regresi, atau statistik parametrik, tetap saja kita akan menemui kesulitan dalam melakukan interpretasi terhadap hasil (persamaan regresi) yang kita peroleh. Karena sejak awal, data yang kita analisis adalah merupakan data kualitatif (bukan numerik) seperti halnya data interval/ratio.

Pemberian simbol dalam data kualitatif hanya bertujuan untuk memudahkan perhitungan secara matematis. Satuannya, yakni satuan yang ditunjukkan oleh data kualitatif setelah dilakukan pemberian simbol secara numerik tetap saja tidak akan memberikan informasi secara numerik seperti halnya data interval atau ratio.

Hockey is not exactly known as a city game, but played on roller skates, it once held sway as the sport of choice in many New York neighborhoods.

“City kids had no rinks, no ice, but they would do anything to play hockey,” said Edward Moffett, former director of the Long Island City Y.M.C.A. Roller Hockey League, in Queens, whose games were played in city playgrounds going back to the 1940s.

From the 1960s through the 1980s, the league had more than 60 teams, he said. Players included the Mullen brothers of Hell’s Kitchen and Dan Dorion of Astoria, Queens, who would later play on ice for the National Hockey League.

One street legend from the heyday of New York roller hockey was Craig Allen, who lived in the Woodside Houses projects and became one of the city’s hardest hitters and top scorers.

“Craig was a warrior, one of the best roller hockey players in the city in the ’70s,” said Dave Garmendia, 60, a retired New York police officer who grew up playing with Mr. Allen. “His teammates loved him and his opponents feared him.”

Young Craig took up hockey on the streets of Queens in the 1960s, playing pickup games between sewer covers, wearing steel-wheeled skates clamped onto school shoes and using a roll of electrical tape as the puck.

His skill and ferocity drew attention, Mr. Garmendia said, but so did his skin color. He was black, in a sport made up almost entirely by white players.

“Roller hockey was a white kid’s game, plain and simple, but Craig broke the color barrier,” Mr. Garmendia said. “We used to say Craig did more for race relations than the N.A.A.C.P.”

Mr. Allen went on to coach and referee roller hockey in New York before moving several years ago to South Carolina. But he continued to organize an annual alumni game at Dutch Kills Playground in Long Island City, the same site that held the local championship games.

The reunion this year was on Saturday, but Mr. Allen never made it. On April 26, just before boarding the bus to New York, he died of an asthma attack at age 61.

Word of his death spread rapidly among hundreds of his old hockey colleagues who resolved to continue with the event, now renamed the Craig Allen Memorial Roller Hockey Reunion.

The turnout on Saturday was the largest ever, with players pulling on their old equipment, choosing sides and taking once again to the rink of cracked blacktop with faded lines and circles. They wore no helmets, although one player wore a fedora.

Another, Vinnie Juliano, 77, of Long Island City, wore his hearing aids, along with his 50-year-old taped-up quads, or four-wheeled skates with a leather boot. Many players here never converted to in-line skates, and neither did Mr. Allen, whose photograph appeared on a poster hanging behind the players’ bench.

“I’m seeing people walking by wondering why all these rusty, grizzly old guys are here playing hockey,” one player, Tommy Dominguez, said. “We’re here for Craig, and let me tell you, these old guys still play hard.”

Everyone seemed to have a Craig Allen story, from his earliest teams at Public School 151 to the Bryant Rangers, the Woodside Wings, the Woodside Blues and more.

Mr. Allen, who became a yellow-cab driver, was always recruiting new talent. He gained the nickname Cabby for his habit of stopping at playgrounds all over the city to scout players.

Teams were organized around neighborhoods and churches, and often sponsored by local bars. Mr. Allen, for one, played for bars, including Garry Owen’s and on the Fiddler’s Green Jokers team in Inwood, Manhattan.

Play was tough and fights were frequent.

“We were basically street gangs on skates,” said Steve Rogg, 56, a mail clerk who grew up in Jackson Heights, Queens, and who on Saturday wore his Riedell Classic quads from 1972. “If another team caught up with you the night before a game, they tossed you a beating so you couldn’t play the next day.”

Mr. Garmendia said Mr. Allen’s skin color provoked many fights.

“When we’d go to some ignorant neighborhoods, a lot of players would use slurs,” Mr. Garmendia said, recalling a game in Ozone Park, Queens, where local fans parked motorcycles in a lineup next to the blacktop and taunted Mr. Allen. Mr. Garmendia said he checked a player into the motorcycles, “and the bikes went down like dominoes, which started a serious brawl.”

A group of fans at a game in Brooklyn once stuck a pole through the rink fence as Mr. Allen skated by and broke his jaw, Mr. Garmendia said, adding that carloads of reinforcements soon arrived to defend Mr. Allen.

And at another racially incited brawl, the police responded with six patrol cars and a helicopter.

Before play began on Saturday, the players gathered at center rink to honor Mr. Allen. Billy Barnwell, 59, of Woodside, recalled once how an all-white, all-star squad snubbed Mr. Allen by playing him third string. He scored seven goals in the first game and made first string immediately.

“He’d always hear racial stuff before the game, and I’d ask him, ‘How do you put up with that?’” Mr. Barnwell recalled. “Craig would say, ‘We’ll take care of it,’ and by the end of the game, he’d win guys over. They’d say, ‘This guy’s good.’”

Ms. Turner and her twin sister founded the Love Kitchen in 1986 in a church basement in Knoxville, Tenn., and it continues to provide clothing and meals.

Artikel lainnya »