Riset: Jika skala ukur bisa tinggi tipe-nya, maka tinggi-lah!

Di beberapa (kalau tidak mau disebut banyak) rancangan penelitian mahasiswa, banyak saya jumpai mahasiswa memilih nominal sebagai skala ukur suatu variabel.

Ketika saya tanya, kenapa Anda memilih nominal, ternyata jawabannya karena (sebagian besar) alasan sebagai berikut:

1. di beberapa buku variabel tersebut penyajiannya kategorik
2. mereka melihat banyak di hasil karya ilmiah mahasiswa sebelumnya menggunakan teknik yg sama
3. (hanya) ingin melihat uji hubungan (which is using chi-square as its statistics test).

Nah, dari jawaban tersebut, saya bisa memahami bahwasanya kawan-kawan mahasiswa tersebut lack of understanding (gagal faham, meminjam istilah kawan saya) terkait: tipe data, alat uji statistika, tujuan/kedalaman analisa data statistik.

Kok gitu, bagaimana penjelasannya?

1) Tipe Data

Di statistika, tipe data ada 4, berikut datanya, dari yang terrendah hingga tertinggi derajatnya

1. Nominal, hanya label (ini tipe data paling rendah)
2. Ordinal, label + ada tingkatan, namun tidak jelas jarak antar tingkatan
3. Interval, sudah ada tingkatan dan jelas jarak antar tingkatan, tapi tidak punya nol mutlak
4. Rasio, jarak antar tingkatan jelas dan punya nol mutlak (rajanya tipe data)

Nah, kok ada tipe data lebih tinggi dan lebih rendah, semacem hierarki? Alasannya, terkait dengan kedalaman analisa data yang bisa diberikan oleh data/variabel dengan tipe tsb (see point 3). Kemudian yang kedua adalah, variabel dengan tipe data yang lebih tinggi dapat dengan mudah diubah menjadi variabel dengan tipe data yang lebih rendah. Contoh variabel usia, tipe nya rasio (misal: 10 tahun, 15 tahun, 35 tahun, dst), dapat dengan mudah dibuat menjadi nominal (misal: muda dan tua). Tetapi variabel dengan tipe data yang lebih rendah tidak bisa di”naikkan” menjadi variabel dengan tipe data yang lebih tinggi. (contoh, usia: muda dan tua, bagaimana ubahnya jadi angka tahun usia?). (ini adalah alasan #1 dari judul tulisan ini)

2) Alat uji statistika

Variabel dengan tipe data yang rendah terbatas alat uji statistika yang bisa digunakan.

• Nominal: uji hubungan (chi-square)
• Ordinal: uji hubungan (korelasi rank-spearman atau korelasi kendall)
• Interval/rasio: uji hubungan (korelasi pearson), uji pengaruh (regresi linier), uji beda (uji t, uji f)

dari alat uji statistika yang bisa digunakan, terlihat bahwa variabel dengan tipe data yang lebih tinggi dapat menggunakan alat uji statistika yang lebih banyak pilihannya. (ini alasan #2 dari judul tulisan ini)

3) Tujuan/kedalaman analisa data statistik

Sejalan dengan point 2 diatas, variabel dengan tipe data yang rendah terbatas alat uji statistika yang bisa digunakan, berujung pada analisa data yang terbatas pula. (ini alasan #3 dari judul tulisan ini)

Ambil contoh di uji hubungan:

• Nominal: uji hubungan (chi-square), hanya sebatas ada tidaknya hubungan; tidak dapat memberikan analisa lebih dalam lagi.
• Ordinal: uji hubungan (korelasi rank-spearman atau korelasi kendall), sudah dapat memberikan analisa lebih dalam, yaitu sejauh/seerat apa hubungan yang terjadi dan arah hubungannya (+ atau -)
• Interval/rasio: uji hubungan (korelasi pearson),  sudah dapayt memberikan analisa lebih dalam, yaitu sejauh/seerat apa hubungan yang terjadi dan arah hubungannya (+ atau -).

Dari point 1, 2 dan 3 diatas, maka penting untuk mempertimbangkan tipe data yang akan dipilih. Maka, jika bisa tipe datanya lebih tinggi, maka lebih tinggi lah!

Demikian, semoga bisa membantu.