Jual Sparepart Genset Foton Murah di Sintang Hubungi : 0821 - 1310 - 3112/(021) 9224 - 2423 PT. Tribuana Diesel Adalah penjualan Generating-Set (genset) berkualitas import (builtup) bagi anda yang membutuhkan product berkualitas serta pengadaan yang cepat urgent tanpa berbelit-belit, Genset kami di lengkapi dengan dokumen Certificate Of Original , Manual book engine dan manual book generator, Kami sediakan Genset kapasitas 10 Kva - 650Kva (ANDA PESAN KAMI ANTAR).

Jual Sparepart Genset Foton Murah di Sintang Kami juga menerima pembuatan box silent dan perakitan diesel generator set. Produk kami meliputi berbagai diesel generator set model open, silent lokal yang ukuranya menyesuaikan lokasi pondasi genset, mobile/ trailer . Sebagian besar mesin kami menggunakan Merk : Perkins, Cummins, Deutz, Lovol, Isuzu Foton dengan generator Leroy Somer, Stamford, kualitas terbaik brushless alternator. Jual Sparepart Genset Foton Murah di Sintang

Jual Sparepart Genset Foton Murah di Sintang

Tag :
Jual Genset Lovol | Jual Sparepart Genset Foton Murah di Sintang | Jual Genset Lovol kav 45 kva | jual genset lovol Kap 70 Kva Prime Power type 1004TG | Genset Lovol | Genset Lovol kav 45 kva | Jual Genset cummins |

Jual Sparepart Genset Cummins 30Kva Built Up Murah di Kapuas

Jual Sparepart Genset Cummins 30Kva Built Up Murah di Kapuas Hubungi : 0821 - 1310 - 3112/(021) 9224 - 2423 PT. Tribuana Diesel Adalah penjualan Generating-Set (genset) berkualitas import (builtup) bagi anda yang membutuhkan product berkualitas serta pengadaan yang cepat urgent tanpa berbelit-belit, Genset kami di lengkapi dengan dokumen Certificate Of Original , Manual book engine dan manual book generator, Kami sediakan Genset kapasitas 10 Kva - 650Kva (ANDA PESAN KAMI ANTAR). Jual Sparepart Genset Cummins 30Kva Built Up Murah di Kapuas

Betapa nikamatnya di saat penat pulang dari kerja, jalan-jalan, liburan atau belanja dari mall Anda duduk di sebuah ruangan kemu

Betapa nikamatnya di saat penat pulang dari kerja, jalan-jalan, liburan atau belanja dari mall Anda duduk di sebuah ruangan kemudian menekan remote control AC. Beberapa saat kemudian Anda juga akan menikmati udara yang sejuk dan penat pun hilang. Namun Anda juga harus jeli dalam memilih sebelum membeli AC. Jeli dalam arti awet penggunaannya serta efisien kebutuhan listriknya. Berikut ini adalah tips jeli dan teliti dalam membeli AC:

1. Kapasitas AC. Perhatikan kapasitas sebuah AC yang telah tercantum dalam BTUH (British Thermal Unit Per Hours). Satuan BTUH tersebut dapat menentukan kapasitas sebuah AC menarik/menyerap panas dalam satu jam. Karena pada dasarnya AC bekerja dengan cara menarik panas dari ruangan dan bukan mendinginkannya, jadi sebutan yang tepat untuk AC adalah penyerap panas, bukan pendingin ruangan.

2. Hitung daya kapasitasnya. Menurut konversi unit satuan 1 PK = 2.544 btu/h = 746 watt. Unit AC yang telah memiliki kapasitas yang lebih besar tidak selalu lebih baik karena unit yang terlalu besar tidak akan mendinginkan area secara seragam. Pada beberapa jenis air conditioner, unit yang terlalu besar juga akan mendinginkan udara terlalu cepat yang akan dapat menyebabkan air conditioner akan hidup dan mati lebih sering. Hal ini dapat menyebabkan boros listrik dan uang. Sebagai tambahan, unit yang terlalu besar tidak akan beroperasi cukup lama untuk dapat mengurangi kelembaban, bukannya membuat udara lebih nyaman, udara akan malah akan terasa “beku” dan “basah” pada pengaturan thermostat normal. Sebaliknya, Anda juga harus menghindari membeli unit AC yang terlalu kecil. Kapasitas AC yang tidak cukup akan terus-terusan beroperasi namun tidak mampu mendinginkan udara secara optimal. Dalam mengukur kebutuhan AC untuk rumah Anda, pertimbangkan ukuran ruang dan bagaimana ruang tersebut digunakan.

 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.

BALTIMORE — In the afternoons, the streets of Locust Point are clean and nearly silent. In front of the rowhouses, potted plants rest next to steps of brick or concrete. There is a shopping center nearby with restaurants, and a grocery store filled with fresh foods.

And the National Guard and the police are largely absent. So, too, residents say, are worries about what happened a few miles away on April 27 when, in a space of hours, parts of this city became riot zones.

“They’re not our reality,” Ashley Fowler, 30, said on Monday at the restaurant where she works. “They’re not what we’re living right now. We live in, not to be racist, white America.”

As Baltimore considers its way forward after the violent unrest brought by the death of Freddie Gray, a 25-year-old black man who died of injuries he suffered while in police custody, residents in its predominantly white neighborhoods acknowledge that they are sometimes struggling to understand what beyond Mr. Gray’s death spurred the turmoil here. For many, the poverty and troubled schools of gritty West Baltimore are distant troubles, glimpsed only when they pass through the area on their way somewhere else.

Photo
 
Officers blocked traffic at Pennsylvania and West North Avenues after reports that a gun was discharged in the area. Credit Drew Angerer for The New York Times

And so neighborhoods of Baltimore are facing altogether different reckonings after Mr. Gray’s death. In mostly black communities like Sandtown-Winchester, where some of the most destructive rioting played out last week, residents are hoping businesses will reopen and that the police will change their strategies. But in mostly white areas like Canton and Locust Point, some residents wonder what role, if any, they should play in reimagining stretches of Baltimore where they do not live.

“Most of the people are kind of at a loss as to what they’re supposed to do,” said Dr. Richard Lamb, a dentist who has practiced in the same Locust Point office for nearly 39 years. “I listen to the news reports. I listen to the clergymen. I listen to the facts of the rampant unemployment and the lack of opportunities in the area. Listen, I pay my taxes. Exactly what can I do?”

And in Canton, where the restaurants have clever names like Nacho Mama’s and Holy Crepe Bakery and Café, Sara Bahr said solutions seemed out of reach for a proudly liberal city.

“I can only imagine how frustrated they must be,” said Ms. Bahr, 36, a nurse who was out with her 3-year-old daughter, Sally. “I just wish I knew how to solve poverty. I don’t know what to do to make it better.”

The day of unrest and the overwhelmingly peaceful demonstrations that followed led to hundreds of arrests, often for violations of the curfew imposed on the city for five consecutive nights while National Guard soldiers patrolled the streets. Although there were isolated instances of trouble in Canton, the neighborhood association said on its website, many parts of southeast Baltimore were physically untouched by the tumult.

Tensions in the city bubbled anew on Monday after reports that the police had wounded a black man in Northwest Baltimore. The authorities denied those reports and sent officers to talk with the crowds that gathered while other officers clutching shields blocked traffic at Pennsylvania and West North Avenues.

Lt. Col. Melvin Russell, a community police officer, said officers had stopped a man suspected of carrying a handgun and that “one of those rounds was spent.”

Colonel Russell said officers had not opened fire, “so we couldn’t have shot him.”

Photo
 
Lambi Vasilakopoulos, right, who runs a casual restaurant in Canton, said he was incensed by last week's looting and predicted tensions would worsen. Credit Drew Angerer for The New York Times

The colonel said the man had not been injured but was taken to a hospital as a precaution. Nearby, many people stood in disbelief, despite the efforts by the authorities to quash reports they described as “unfounded.”

Monday’s episode was a brief moment in a larger drama that has yielded anger and confusion. Although many people said they were familiar with accounts of the police harassing or intimidating residents, many in Canton and Locust Point said they had never experienced it themselves. When they watched the unrest, which many protesters said was fueled by feelings that they lived only on Baltimore’s margins, even those like Ms. Bahr who were pained by what they saw said they could scarcely comprehend the emotions associated with it.

But others, like Lambi Vasilakopoulos, who runs a casual restaurant in Canton, said they were incensed by what unfolded last week.

“What happened wasn’t called for. Protests are one thing; looting is another thing,” he said, adding, “We’re very frustrated because we’re the ones who are going to pay for this.”

There were pockets of optimism, though, that Baltimore would enter a period of reconciliation.

“I’m just hoping for peace,” Natalie Boies, 53, said in front of the Locust Point home where she has lived for 50 years. “Learn to love each other; be patient with each other; find justice; and care.”

A skeptical Mr. Vasilakopoulos predicted tensions would worsen.

“It cannot be fixed,” he said. “It’s going to get worse. Why? Because people don’t obey the laws. They don’t want to obey them.”

But there were few fears that the violence that plagued West Baltimore last week would play out on these relaxed streets. The authorities, Ms. Fowler said, would make sure of that.

“They kept us safe here,” she said. “I didn’t feel uncomfortable when I was in my house three blocks away from here. I knew I was going to be O.K. because I knew they weren’t going to let anyone come and loot our properties or our businesses or burn our cars.”

Imagine an elite professional services firm with a high-performing, workaholic culture. Everyone is expected to turn on a dime to serve a client, travel at a moment’s notice, and be available pretty much every evening and weekend. It can make for a grueling work life, but at the highest levels of accounting, law, investment banking and consulting firms, it is just the way things are.

Except for one dirty little secret: Some of the people ostensibly turning in those 80- or 90-hour workweeks, particularly men, may just be faking it.

Many of them were, at least, at one elite consulting firm studied by Erin Reid, a professor at Boston University’s Questrom School of Business. It’s impossible to know if what she learned at that unidentified consulting firm applies across the world of work more broadly. But her research, published in the academic journal Organization Science, offers a way to understand how the professional world differs between men and women, and some of the ways a hard-charging culture that emphasizes long hours above all can make some companies worse off.

Photo
 
Credit Peter Arkle

Ms. Reid interviewed more than 100 people in the American offices of a global consulting firm and had access to performance reviews and internal human resources documents. At the firm there was a strong culture around long hours and responding to clients promptly.

“When the client needs me to be somewhere, I just have to be there,” said one of the consultants Ms. Reid interviewed. “And if you can’t be there, it’s probably because you’ve got another client meeting at the same time. You know it’s tough to say I can’t be there because my son had a Cub Scout meeting.”

Some people fully embraced this culture and put in the long hours, and they tended to be top performers. Others openly pushed back against it, insisting upon lighter and more flexible work hours, or less travel; they were punished in their performance reviews.

The third group is most interesting. Some 31 percent of the men and 11 percent of the women whose records Ms. Reid examined managed to achieve the benefits of a more moderate work schedule without explicitly asking for it.

They made an effort to line up clients who were local, reducing the need for travel. When they skipped work to spend time with their children or spouse, they didn’t call attention to it. One team on which several members had small children agreed among themselves to cover for one another so that everyone could have more flexible hours.

A male junior manager described working to have repeat consulting engagements with a company near enough to his home that he could take care of it with day trips. “I try to head out by 5, get home at 5:30, have dinner, play with my daughter,” he said, adding that he generally kept weekend work down to two hours of catching up on email.

Despite the limited hours, he said: “I know what clients are expecting. So I deliver above that.” He received a high performance review and a promotion.

What is fascinating about the firm Ms. Reid studied is that these people, who in her terminology were “passing” as workaholics, received performance reviews that were as strong as their hyper-ambitious colleagues. For people who were good at faking it, there was no real damage done by their lighter workloads.

It calls to mind the episode of “Seinfeld” in which George Costanza leaves his car in the parking lot at Yankee Stadium, where he works, and gets a promotion because his boss sees the car and thinks he is getting to work earlier and staying later than anyone else. (The strategy goes awry for him, and is not recommended for any aspiring partners in a consulting firm.)

A second finding is that women, particularly those with young children, were much more likely to request greater flexibility through more formal means, such as returning from maternity leave with an explicitly reduced schedule. Men who requested a paternity leave seemed to be punished come review time, and so may have felt more need to take time to spend with their families through those unofficial methods.

The result of this is easy to see: Those specifically requesting a lighter workload, who were disproportionately women, suffered in their performance reviews; those who took a lighter workload more discreetly didn’t suffer. The maxim of “ask forgiveness, not permission” seemed to apply.

It would be dangerous to extrapolate too much from a study at one firm, but Ms. Reid said in an interview that since publishing a summary of her research in Harvard Business Review she has heard from people in a variety of industries describing the same dynamic.

High-octane professional service firms are that way for a reason, and no one would doubt that insane hours and lots of travel can be necessary if you’re a lawyer on the verge of a big trial, an accountant right before tax day or an investment banker advising on a huge merger.

But the fact that the consultants who quietly lightened their workload did just as well in their performance reviews as those who were truly working 80 or more hours a week suggests that in normal times, heavy workloads may be more about signaling devotion to a firm than really being more productive. The person working 80 hours isn’t necessarily serving clients any better than the person working 50.

In other words, maybe the real problem isn’t men faking greater devotion to their jobs. Maybe it’s that too many companies reward the wrong things, favoring the illusion of extraordinary effort over actual productivity.

Artikel lainnya »