Memahami Skala Pengukuran dan Metode Analisis Data
Kebanyakan mahasiswa kebingungan membedakan skala pengukuran, jenis penelitian dan metode analisis data. Seperti saya dulu ketika membuat proposal untuk skripsi saya, secara garis besar saja masih bingung membedakan ketiganya. Bahkan ketika skripsi saya sudah jalan ke bab empat, saya masih saja nge blank dengan persoalan pemisahan secara teori pasti secara saya adalah termasuk mahasiswa yang malas membaca buku teori secara detail. Memahaminya akan mudah setelah dipraktikkan, dan untuk memahami butuh waktu untuk membaca berulang-ulang maksud teori tersebut, wajar jika dosen lebih lancar secara teori karena ia harus mengulang-ngulang materi yang sama apalagi termasuk mata kuliah yang diampunya. Adik tingkat saya yang datang demi diskusi masalah skripsi terkadang masih bingung dan agak kehilangan arah membedakan jenis penelitian, skala pengukuran dan metode analisis data.
Skala Pengukuran
Pengukuran dalam penelitian biasanya berbentuk symbol atau angka. Skala pengukuran merupakan alat yang digunakan untuk mendeteksi metode analisis data yang digunakan. Skala pengukuran ada 4 kategori diantaranya…
1.Skala nominal
Skala nominal biasanya berbentuk kategori atau kelompok dari suatu objek, misalnya dalam penelitian kita menggunakan variabel pekerjaan yang dibedakan menjadi dua kategori yaitu swasta dan non swasta yang kemudian diberi angka 1 untuk swasta dan 2 untuk non swasta. Namun perlu diingat angka 1 dan 2 bukan nilai dalam artian sebenarnya, ia hanya digunakan untuk melihat berapa banyak subjek dikelompokkan dalam kategori yang dimaksud seperti distribusi frekuensi atau modus. Skala ini bisa dikatakan skala pengukuran sederhana. 2.Skala ordinal
Perkembangan lebih lanjut dari skala nominal adalah skala ordinal, jika skala nominal hanya mengkategorikan secara sederhana dengan angka 1 dan 2 atau 1 dan 0, sedangkan skala ordinal lebih berbentuk rangking sehingga yang digunakan bukan hanya angka 1 atau 2 tetapi bertambah menjadi 1,2,3,4,dan 5.
3.Skala interval
Skala interval merupakan skala lanjutan dari skala ordinal. Skala yang digunakan skala likert yaitu meranking sekaligus memberi nilai. Contoh:
Misalnya saja ketika seseorang ingin meneliti mengenai ledakan pertumbuhan penduduk, maka skala pengukuran yang digunakan adalah rumus yang berlaku untuk menghitung berapa besar ledakan penduduk dalam satu tahun
Skala nominal dan ordinal dikategorikan sebagai skala non metric sedangkan skala interval dan rasio dikategorikan sebagai skala metric.
Metode Analisis Data
Menentukan metode analisis data merupakan langkah penting untuk menentukan pengolahan data dan kesimpulan hasil penelitian. Langkah awal menentukan metode analisis data adalah dengan memahami penggunaan skala pengukuran yang digunakan atau dengan menentukan jenis variable dan jumlah variabel.
satu variable terikat (metric) dan satu variable bebas (non metric)
jika variabel Y dan X jumlahnya satu maka analisis yang digunakan adalah analisis univariat atau uji beda rata-rata atau t-test. Jika variabel bebas ukuran non metrik maka alat uji yg digunakan ANOVA
dua atau lebih variabel terikat dan atau lebih variabel bebas
jika variabel Y terdiri dari Y1 dan Y2 sedangkan variabel X jumlahnya lebih dari satu maka analisis yang digunakan adalah analisis MANOVA
satu variabel terikat dan satu atau lebih variabel bebas
jika variabel Y terdiri dari satu dan variabel X jumlahnya satu atau lebih dari satu maka uji statistik yang digunakan adalah analisis regresi sederhana atau berganda.
satu variabel terikat dan lebih dari satu variabel bebas
bisa menggunakan analisis diskriminan atau logistic regression jika variabel bebas berupa kombinasi antara metrik dan nominal dan variabel terikat merupakan skala nominal.
1.1 Skala Pengukuran
pengukuran merupakan suatu proses hal mana suatu angka atau simbol dilekatkan pada karakteristik atau properti suatu stimuli sesuai dengan aturan atau prosedur yang telah ditetapkan. Misalkan orang dapat digambarkan dari beberapa karakteristik seperti umur, pendidikan, pendapatan, jenis kelamin, dan preferensi terhadap merek barang tertentu. skala pengukuran yang sesuai dapat digunakan untuk menunjukkan karakteristik ini. menurut Stevens (1946) skala pengukuran dapat dikelompokkan menjadi empat jenis yaitu, skala nominal, ordinal, interval, dan rasio. berikut ini penjelasan ke-empat jenis skala pengukuran tersebut.
1.1.1 Skala Nominal
skala nominal merupakan skala pengukuran yang menyatakan kategori, atau kelompok dari suatu subyek misalkan variabel jenis kelamin, responden dapat dikelompokkan ke dalam dua kategori laki-laki dan wanita. kedua kelompok ini dapat diberi kode angka 1 dan 2. Angka ini hanya berfungsi sebagai label kategori semata tanpa nilai intrinsik dan tidak memiliki arti apa-apa. Oleh sebab itu tidaklah tepat menghitung nilai rata-rata dan standar deviasi dari variabel jenis kelamin. Angka 1 dan 2 hanya sebagai cara untuk mengelompokkan subyek ke dalam kelompok yang berbeda atau hanya untuk menghitung berapa banyak jumlah di setiap kategori. Jadi uji statistik yang sesuai dengan skala nominal adalah uji statistik yang mendasarkan counting seperti modus dan distribusi frekuensi
1.1.2 Skala Ordinal
skala ordinal tidak hanya mengkategorikan variabel ke dalam kelompok, tetapi juga melakukan ranking terhadap kategori. sebagai misal kita ingin mengukur preferensi responden terhadap empat merek produk air mineral, merek Aqua, Aquana, Aquaria, dan Aquades. Kita dapat meminta responden untuk melakukan ranking terhadap merek produk air mineral yaitu dengan memberi angka 1 untuk merek yang paling disukai, angka 2 untuk rangking kedua dst.
Merek Air Mineral Ranking
Aqua 1
Aquana 2
Aquaria 3
Aquades 4
Tabel ini menunjukkan bahwa merek Aqua lebih disukai dari pada merek Aquana, merek Aquana lebih disukai dari merek Aquaria, dan merek Aquarian lebih disukai daripada merek Aquades. walaupun perbedaan angka antara merek satu dengan lainnya sama. kita tidak dapat menentukan seberapa besar nilai preferensi dari satu merek terhadap merek lainnya. Jadi kategori antar merek tidak menggambarkan perbedaan yang sama (equal differences) dari ukuran atribut. Pengukuran seperti ini dinamakan skala ordinal dan data yang didapat dari pengukuran ini disebut data ordinal. Uji statistik yang sesuai untuk skala ordinal adalah modus, median, distribusi frekuensi dan statistik non-parametrik seperti rank order correlation. Variabel yang diukur dengan skala nominal dan ordinal umumnya disebut variabel non-parametrik atau variabel non-metrik
misalkan disamping menanyakan responden untuk melakukan ranking preferensi terhadap merek, mereka juga diminta untuk memberikan nilai (rate) terhadap preferensi merek sesuai dengan lima skala penilaian sbb:
Nilai skala Preferensi
1 Preferensi sangat tinggi 1 Preferensi tinggi 1 Preferensi moderat 1 Preferensi rendah 1 Preferensi sangat rendah
jika kita berasumsi bahwa urutan kategori menggambarkan tingkat preferensi yang sama, maka kita dapat mengatakan bahwa perbedaan preferensi responden untuk dua merek air mineral yang mendapat rating 1 dan 2 adalah sama dengan perbedaan preferensi untuk dua merek lainnya yang memiliki rating 4 dan 5. Namun demikian kita tidak dapat menyatakan bahwa preferensi
responden terhadap merek yang mendapat rating 5 nilainya lima kali preferensi untuk merek yang mendapat rating 1. Skala pengukuran seperti diatas disebut dengan skala interval. Uji statistik yang sesuai untuk jenis pengukuran skala ini adalah semua uji statistik, kecuali yang mendasarkan pada rasio seperti koefisien variasi
1.1.4 Skala Rasio
Skala rasio adalah skala interval dan memiliki nilai dasar (Based value) yang tidak dapat
dirubah. Misalkan umur responden memiliki nilai dasar nol. Skala rasio dapat ditransformasikan dengan cara mengalikan dengan konstanta, tetapi transformasi tidak dapat dilakukan jika dengan cara menambah konstanta karena hal ini akan merubah nilai dasarnya. Jadi transformasi yang valid terhadap skala rasio adalah sbb:
Yt = bYo
Oleh karena skala rasio memiliki nilai dasar, maka pernyataan yang mengatakan "umur Amir dua kali umur Tono" adalah valid. Data yang dihasilkan dari skala rasio disebut data rasio dan tidak ada pembatasan terhadap alat uji statistik yang sesuai. Variabel yang diukur dengan skala interval dan rasio disebut variabel metrik.
menggunakan metode statistik univariate. Alasannya karena selain mudah dalam perhitungannya karena cukup dengan menggunakan bantuan kalkulator sederhana, juga mudah dalam menafsirkan hasil analsisnya. Misalnya dengan menggunakan Uji t baik untuk sampel bebas maupun untuk sampel berpasangan, ataupun analisis variansi. Sebagai contoh : misalnya seseorang meneliti mengenai perilaku konsumen dalam membeli sesuatu barang. Peneliti hanya bisa membandingkan ada atau tidaknya perbedaan rata-rata skor frekuensi membeli, atau waktu membeli, ataujumlah yang dibeli, atau siapa yang berinisiatif membeli dan sebagainya. Karenahanya melibatkan 1 variabel maka ia harus menggunakan analisis univariate, misalnya menggunakan uji t atau analisis variansi satu arah. Tetapi ia tidak dapat membandingkan ada atau tidaknya perbedaan perilaku konsumen. Alasannya karena pengertian perilaku mengandung arti multivariabel, tidak hanya menyangkut frekuensi membeli, atau waktu membeli, atau jumlah yang dibeli, atau siapa yang berinisiatif membeli dan sebagainya secara terpisah, tetapi lebih dari itu perilaku mengandung arti secara bersamaan atau simultan. Dalam hal ini ia harus menggunakan analisis multivariate.Umumnya analisis univariate menggunakan asumsi bahwa sampel berasal dari populasi yang mempunyai distribusi normal univariate, khususnya jika datanya adalah berskala pengukuran interval atau rasio. Sedangkan analisis multivariate umumnya menggunakan asumsi bahwa sampel berasal dari populasi yang mempunyai distribusi normal multivariate, khususnya juga jika data yang digunakan adalah menggunakan pengukuran
skala interval atau rasio. penyajiannya dapat dilengkapi dengan menggunakan tabel, grafik dan diagram (garis, batang, lingkaran maupun yang lain baik dengan 2 dimensi maupun 3 dimensi).
2. Analisis Univariate
Analisis ini digunakan untuk memecahkan permasalahan yang hanya terdiri dari 1 variabel. Analisis yang sering digunakan dalam univariate ini diantaranya : Uji t (uji beda untuk 2 populasi), Analisis Variansi (Anova, Uji F) jika digunakan untuk menguji perbedaan lebih dari 2 populasi.
3. Analisis Multivariate
Analisis Multivariate digolongkan menjadi 2 golongan analisis :
a. Model Dependen.
Pada model dependen ini, dapat dibedakan dengan jelas mana variabel dependennya dan mana
variabel independennya.
regresi tetapi variabel dependennya dinyatakan dengan skor diskriminan (D), maka analisis ini dikenal dengan “Analisis Diskriminan” (Discriminant Analysis). Analisis Diskriminan ini menitik beratkan pada teknik pengelompokan yaitu dengan mencari kombinasi linier variabel independen (variabel diskriminator) mana saja yang bisa mengelompokkan individu menjadi 2
kelompok, 3 kelompok dan sebagainya.
(2) Model dengan > 1 variabel dependen dan 1 variabel independen. Jika Variabel dependen semuanya mempunyai skala pengukuran interval atau rasio, dan variabel independennya mempunyai skala pengukuran nominal dengan 2 atau lebih kategori, maka analisis data yang sesuai adalah : “Analisis Varian Multivariate” (Multivariate Analysis of Variance = MANOVA). Jika variabel independen mempunyai skala pengukuran nominal dengan 2 kategori maka analisis data yang sesuai adalah : “Hotelling’s T”. Jika variabel independen mempunyai skala pengukuran nominal dengan > 2kategori maka analisis data yang sesuai adalah : “Wilk’s Lambda”. Jika variabel dependen mempunyai skala pengukuran nominal sedangkan variabel independen skala pengukuran interval atau rasio maka dapat digunakan : “Analisis Korelasi Kanonikal” (Canonical Correlation Analysis). Pada analisis korelasi kanonikal ini kita mencari kombinasi linier diantara sejumlah variabel independen yang mempunyai korelasi yang kuat
dengan sejumlah variabel dependen.
b. Model Interdependen.
Pada model interdependen ini, tidak dapat dibedakan dengan jelas mana variabel dependennya dan mana variabel independennya, keduanya saling interdependensi.
(1) Semua variabel mempunyai skala pengukuran interval atau rasio, maka ada 4 jenis analisis
data yang dapat digunakan.
“Analisis Komponen Utama” (Principal Component Analysis = PCA). Analisis Komponen Utama ini merupakan teknik untuk mereduksi variabel dengan menyusun kombinasi linier variabel asal sehingga jumlahnya menjadi lebih sedikit dan satu sama yang lain menjadi orthogonal (independen). Ini salah satu cara untuk mengatasi adanya kolinieritas
variabel independen pada analisis regresi.
“Analisis Faktor” (Factor Analysis).
Analisis Faktor ini juga merupakan teknik untuk mereduksi variabel menjadi faktor yang
merupakan kumpulan variabel.
“Penskalaan Multidimensi Metrik” (Metric Multidimension Scaling). Analisis Penskalaan Multidimensi Metrik ini merupakan teknik matematik yang memungkinkan seseorang untuk menyajikan kedekatan atau kemiripan (proximity or similarity) antara obyek secara meruang (spatial) sebagimana dalam suatu peta. Jadi intinya adalah memetakan obyek dalam ruang multidimensi sedemikian rupa sehingga posisi relatif di suatu ruang mencerminkan
derajat kemiripan antara obyek.
“Analisis Rumpun” (Cluster Analysis).
kemiripan yang tinggi dibandingkan dengan elemen lain yang berada di dalam rumpun lain. Penggunaannya sering dikacaukan dengan analisis diskriminan. Pada analisis diskriminan penentuan jumlah kelompok (dua atau lebih) dilakukan dari awal, sedangkan pada analisis rumpun pada akhir alanisis diperoleh sejumlah rumpun atas dasar kemiripan (similarity).
(2) Semua variabel mempunyak skala pengukuran nominal.
Jika semua variabel mempunyai skala pengukuran nominal, maka analisis data yang sesuai adalah “Model Log Linier” (Loglinear Model). Model Log Linier ini mempelajari hubungan antar multivariabel yang mempunyai skla pengukuran nominal yang membentuk tabel kontingensi multidimensional (Multidimensional Contingency Table). Model Log Linier ini menyatakan probabilitas sel dari tabel kontingensi multidimensional dalam bentuk efek utama (main Effect) dan efek interaksi (interaction effect). Dalam hal model, Model Log Linier ini ada
kemiripan dengan Analisis Variansi Dua Arah.
c. Model-Model Analisis Multivariate Yang Lain.
“Analisis regresi Ordinal” (Ordinal Regression Analysis) . Analisis regresi Ordinal adalah analisis regresi dimana variabel dependen maupun variabel
independennya mempunyai skala pengukuran ordinal.
“Analisis Regresi Polikhotomus” (Polychotomous Regression Analysis). Analisis Regresi Polikhotomus ini mirip dengan Analisis Logistik. Jika pada analisis logistik variabel dependen adalah dikhotomus (2 kategori) maka pada analisis regresi polikhotomus
variabel dependen adalah polikhotomus (>2 kategori).
“Analisis Regresi Poisson” (Poisson Regression Analysis). Analisis Regresi Poisson adalah analisis regresi yang variabel dependennya mengikuti distribusi Poisson.
“Analisis Jalur” (Path Analysis).
Analisis Jalur ini mirip dengan analisis regresi. Perbedaannya adalah bahwa pada analisis jalur ini dapat membantu dalam mempelajari efek langsung, efek tidak langsung maupun efek total dari variabel-variabel yang dianggap menjadi penyebab dari variabel-variabel lain yang dianggap
sebagai variabel akibat.
“Analisis Model Persamaan Struktural” (Structural Equation Model = SEM). Analisis Model Persamaan Struktural (Structural Equation Model = SEM), merupakan metode statistik yang menggunakan pendekatan konfirmatory yang mengandung dua aspek penting, yaitu : proses yang dikaji dapat ditampilkan dalam bentuk persamaan struktural (regresi) dan hubungan struktural dari persamaan tersebut dapat divisualisasikan dalam bentuk
gambar (diagram).
metode analisis multivariat
Analisis multivariat merupakan salah satu teknik statistik yang digunakan untuk memahami struktur data dalam dimensi tinggi. Variabel-variabel itu saling terkait satu sama lain. Disinilah letak perbedaan antara multivariabel dan multivariat. Multivariat pasti melibatkan multivariabel tetapi tidak sebaliknya. Multivariabel yang saling berkorelasilah yang dikatakan multivariat.
Analisis statistik multivariat merupakan metode statistik yang memungkinkan dilakukannya penelitian terhadap lebih dari dua variable secara bersamaan. Dengan menggunakan teknik analisis ini, dapat dianalisis pengaruh beberapa variabel terhadap variabel – variabel lainnya dalam waktu yang bersamaan. Ada 2 macam teknik analisa multivariat :
1. Teknik Dependen.
Suatu variabel atau kumpulan variabel yang diidentifikasi sebagai variabel dependen yang diprediksi atau dijelaskan oleh variabel lain yang merupakan variabel independen. Adapun metode-metode yang termasuk dalam teknik dependen ini antara lain :
Multiple regression
Metode ini menguji hubungan antara minimal dua variabel independen dan satu variabel dependen. Berbeda dengan analisis regresi yang bivariat.
Multiple Discriminant Analysis
Suatu teknik statistik untuk memprediksi probabilitas dari objek yang termasuk kedalam dua atau lebih kategori mutual eksklusif (variabel dependen) yang berdasarkan pada beberapa variabel independen. Cirinya adalah independen variabel harus berupa metric dan memiliki derajat kenormalan.
Logit/Logistic Regression
Suatu variabel dependen non-metrik tunggal yang diprediksi oleh beberapa variabel independen metric. Teknik ini hampir sama dengan discriminant analysis, tetapi mengandalkan perhitungan yang lebih mirip dengan regresi.
Multivariate Analysis of Variance (MANOVA)
Suatu teknik statistik yang menyediakan suatu uji signifikansi simultan perbedaan rata-rata antara kelompok-kelompok untuk dua atau lebih variabel dependen.
Suatu teknik statistik yang digunakan untuk memahami preferensi responden terhadap suatu produk atau jasa. Biasanya disebut juga “trade-off analysis”.
Canonical Correlation
Merupakan perluasan dari analisis regresi berganda. Tujuannya untuk mengkorelasikan secara simultan beberapa variabel tak bebas Y dengan beberapa variabel bebas X. Jika regresi linear berganda hanya ada satu variabel tak bebas Y dengan beberapa variable bebas X, dalam korelasi kanonikal ada beberapa variabel tak bebas Y yang akan dikorelasikan dengan variabel bebas X.
Structural Equations Modeling (SEM)
SEM meneliti hubungan antara beberapa set variabel secara bersamaan. Metode ini dapat menggabungkan variabel laten, yaitu variabel yang tidak dapat diukur langsung ke analisis.
1. Teknik Interdependen.
Melibatkan analisis secara simultan dari semua variabel dalam satu kumpulan, tanpa
membedakan antara variabel yang dependen dan variabel yang interdependen. Adapun metode-metode yang termasuk dalam teknik interdependen ini antara lain :
Principal Components & Common Factor Analysis
Analisis faktor merupakan suatu teknik statistik untuk menganalisa struktur dari hubungan timbal balik diantara sejumlah besar variabel untuk menentukan kumpulan faktor dari common underlying dimensions.
Cluster Analysis
Suatu teknik statistik untuk mengelompokkan objek (responden, produk, perusahaan, variabel, dan lain lain) sehingga setiap objek mirip dengan objek yang lain dalam satu gugusan (cluster) dan berbeda dari objek yang berada pada semua gugusan lain.
Multidimensional Scaling
Suatu metode yang mengidentifikasi dimensi “tak-dikenali” yang mempengaruhi perilaku pembelian yang berdasarkan pada keputusan pelanggan mengenai kesamaan atau preferensi dan mengubahnya menjadi jarak yang digambarkan sebagai perceptual maps. Suatu teknik statistik yang mengukur objek pada skala multidimensi yang berdasarkan pada keputusan responden terhadap kesamaan objek.
