Senin, 05 Maret 2012

SNELLEN CHART materi Tes Kesehatan Mata


Snellen chart adalah poster yang berfungsi untuk mendeteksi tajam penglihatan seseorang.  Berhubung ada perbedaan antara sistem pengukuran yang dipakai di Indonesia (juga sebagian besar negara lain di dunia) dan Amerika Serikat, Snellen chart ini pun terdapat dalam dua versi angka. Yang satu dalam angka metrik dan yang satu lagi dalam angka imperial. Snellen chart metrik dinyatakan dalam pembanding 6 meter (6/6, 6/9, 6/12, dan seterusnya sampai 6/60). Sedangkan Snellen chart imperial adalah seperti yang terdapat di gambar di bawah ini. Angkanya dinyatakan dalam pembanding 20 kaki (20/20 sampai 20/200). Apakah 20 kaki sama dengan 6 meter? Sebenarnya tidak: 20 kaki sama dengan 6 meter lebih 10 cm (tepatnya 609.6 cm). Tapi tentu saja kelebihan 10 cm itu boleh diabaikan.

Lalu apa fungsi angka pecahan yang ada di samping tiap baris? Dalam pemeriksaan tajam penglihatan, angka yang berperan penting adalah angka di sebelah baris terbawah yang bisa dibaca oleh subjek. Misalnya subjek hanya bisa membaca sampai baris 6/9. Ini berarti orang dengan tajam penglihatan normal sudah dapat membaca baris tersebut pada jarak 9 meter. Sementara itu subjek baru dapat membacanya pada jarak 6 meter. Semakin tinggi letak baris terbawah yang bisa dibaca oleh subjek, berarti semakin buruk tajam penglihatannya.

Subjek yang tidak dapat membaca sampai dengan baris 6/6 (atau 20/20) mungkin mengalami gangguan penglihatan karena penyakit organik pada mata, atau gangguan refraksi murni. Penyakit organik pada mata berarti ada kelainan struktural yang mengakibatkan tajam penglihatan menurun. Misalnya ada kerusakan pada kornea ataupun kekeruhan pada lensa (pada katarak). Namun pada gangguan refraksi murni, tidak ada kelainan struktural yang ditemukan pada mata. Untuk membedakan keduanya digunakan pemeriksaan pinhole. Pinhole adalah sebuah layar hitam dengan lubang kecil di tengah yang dipasang di depan mata yang diperiksa. Jika tajam penglihatan membaik dengan bantuan pinhole, berarti tidak ada kelainan struktural pada mata.

Jika seseorang tidak dapat membaca Snellen chart sama sekali bahkan dengan bantuan lensa, pemeriksaan selanjutnya adalah hitung jari (count fingers). Orang normal dapat menghitung jari pada jarak 60 meter. Jadi apabila subjek baru dapat menghitung jari pada jarak 2 meter, berarti tajam penglihatannya 2/60. Pemeriksaan berikutnya adalah lambaian tangan (hand motion). Orang normal dapat melihat lambaian pada jarak 300 meter. Sama seperti hitung jari, apabila subjek baru dapat melihat lambaian pada jarak 1 meter, berarti tajam penglihatannya 1/300. Pemeriksaan terakhir adalah ada atau tidaknya persepsi sinar (light perception). (jarak antara penempatan poster snellen dengan Subyek/orang yang diperiksa sejauh 6 m)
Snellen chart dinamai menurut penemunya, yaitu seorang dokter mata dari Belanda bernama Hermann Snellen. Oleh WHO, seseorang yang tidak dapat membaca huruf teratas pada Snellen chart setelah dibantu dengan kacamata sudah dianggap buta secara hukum. Di lain pihak, cukup banyak orang miopia yang tidak mampu membaca huruf teratas pada Snellen chart tanpa bantuan kacamata. Orang-orang seperti ini tidak termasuk di dalam kategori buta secara hukum itu, karena setelah dibantu kacamata mereka umumnya tidak bermasalah untuk membaca huruf di baris 6/6 atau bahkan di bawahnya.

Pada sebagian Snellen chart, ada baris 6/5, 6/4, dan 6/3 (seperti yang terlihat pada gambar). Namun jika dalam aspek peresepan kacamata, baris-baris tersebut tidak bermakna.

Snellen chart dianggap kurang objektif dalam menilai tajam penglihatan, karena jumlah huruf yang berbeda-beda pada tiap baris dan jarak huruf yang semakin dekat pada baris-baris bawah.

Untuk anak yang belum dapat membaca ataupun orang buta huruf, seluruh huruf di Snellen chart diganti dengan huruf E. Subjek diminta mengatakan ke mana arah huruf E membuka. Chart modifikasi ini disebut juga Tumbling-E chart. Khusus untuk anak juga kadang dipakai poster bergambar (Allen chart) atau HOTV chart (Snellen chart yang hanya berisi huruf H, O, T, dan V).

Minggu, 04 Maret 2012

Mengapa Menggaruk Gatal Rasanya Enak???


Kulit yang gatal membuat kita merasa ingin menggaruknya bahkan tanda sadar saat sedang tidur sekalipun. Dengan menggaruk, gatal yang mengganggu berubah menjadi rasa nyaman tapi dampaknya kadang-kadang kulit memerah bahkan sampai terluka.

Salah satu yang dituduh menjadi penyebab terbesar gatal adalah dermatitis, kondisi iritasi kulit karena deterjen atau bahan-bahan dari emas. Berdasarkan data survai National Ambulatory Medical Care, sekitar 6,4 juta orang di AS yang terkena dermatitis bahkan harus memeriksakan diri ke dokter setiap tahunnya.

Namun, gatal bisa terjadi karena dipicu banyak hal. Sentuhan tanaman, hewan, dan logam bisa memicu gatal yang sangat. Selain itu, faktor cuaca misalnya kelembaban udara, termasuk bakteri, kuman, dan parasit juga menjadi penyebabnya. Stress juga diduga dapat memicu gatal. Berdasarkan Asosiasi Kedokteran Amerika, sabun yang sering digunakan secara berlebihan juga bisa memicu gatal.
Saat terjadi reaksi alergi seperti ini, protein histamin dihasilkan. Protein tersebut akan memberikan perintah kepada beberapa serabut syarap gatal untuk mengirim informasi ke syaraf tulang belakang yang akan memproses dan membangkitkan otak.

Bagian otak yang aktif saat gatal diketahui berada di area yang sama saat tubuh mengalami kesakitan. Maka obat-obatan jenis antihistamin yang biasa digunakan untuk menekan rasa sakit juga dapat bekerja untuk mematikan sinyal protein ini.

Serabut syaraf yang sensitif terhadap gatal pertama kali ditemukan oleh Martin Schmetz, seorang pakar fisiologi otak dari Universitas Mannheim Jerman sekitar 10 tahun lalu. Tapi, baru-baru ini ia juga menemukan serabut-serabut baru yang sensitif terhadap gatal namun tidak berkaitan dengan histamin.
“Nyatanya terdapat bukti lebih dari satu tipe serabut syaraf yang terlibat dalam sensasi gatal,” kata Schmetz. Informasi yang sedang diteliti lebih lanjut ini akan meningkatkan pemahaman para ilmuwan mengenai sensasi gatal.

Nyaman sesaat
Gejala gatal sebenarnya telah diteliti sejak lama. Definisi ilmiah untuk gatal diusulkan pertama kali oleh Samuel Hafenreffer pada 1660. Gatal didefinisikan sebagai sebuah keinginan tak enak untuk menggaruk.
“Pada beberapa kondisi kulit kronis seperti dermatitis atopik (eksim), pasien mungkin malah menggaruk saat tidur,” kata pakar otak Earl Carstens dari Universitas California, Davis. Menurut Carsten, menggaruk mungkin mengaktifkan sel syaraf yang merangsang bagian otak pengatur kesenangan sehingga orang menjadi nyaman.

Pada dasarnya, menggaruk kulit hanyalah solusi singkat mengatasi gatal atau mengurangi gangguan saja. Tapi, jika berlebihan dan terlalu keras sebaliknya akan menyebabkan sakit pendarahan hingga infeksi.
“Derajat kehidupan kita menurun karena gatal seperti halnya karena sakit. Namun, penderita gatal belum mendapatkan empati yang cukup seperti penderita sakit lainnya,” ujar Schmetz.

Bersama para pakar kulit lain dari seluruh dunia, Schmetz akan mempresentasikan temuannya pada Workshop Internasional Penelitian mengenai Gatal Ketiga di Jerman. Makalah yang disampaikan selama pertemuan ini akan dipublikasikan dalam Journal of Investigative Dermatology.

Kenapa Menggaruk Bisa Redakan Gatal?
Ilmuwan telah membuktikan bahwa menggaruk bisa meredakan gatal karena menggaruk dapat menghalau aktifitas pada beberapa sel syaraf tulang belakang yang mentransmit sensasi gatal ke otak.
Namun, efek tersebut hanya muncul disaat diri kita merasakan gatal. Walaupun kita mengerti bahwa menggaruk meredakan gatal, tidak banyak yang mengerti mekanisme fisiologisnya. Studi dari Universitas Minnesota ini muncul dalam jurnal Nature Neuroscience. Riset sebelumnya menyebutkan bahwa bagian spesifik dari syaraf tulang belakang – sistem spinothalamic – memiliki peran utama dalam mentransmit rasa gatal.

Aktifitas syaraf terhalang
Hasil riset terkini pada primata menemukan bahwa di saat gatal, menggaruk kulit menghalangi aktifitas sel syaraf pada spinothalamic untuk mengirimkan sinyal dari area gatal ke otak. Saintis Dr Glenn Giesler berharap dengan riset ini dapat menghasilkan cara baru untuk meredakan sensasi gatal kronis untuk yang pertama kalinya. Namun, ia mengatakan bahwa dibutuhkan informasi yang lebih banyak mengenai reaksi kimia yang mendalangi efek tersebut.

Profesor Gil Yosipovitch, seorang ahli kulit dari Wake Forest University di North Carolina mengatakan bahwa penemuan ini memiliki “potensi yang signifikan”. Ia mengatakan, “Walaupun jalan masih panjang, metode untuk menghasilkan sensasi nyaman pada saat menggaruk dengan tidak merusak kulit melalui stimulus obat-obatan yang bisa menghalangi aktifitas neuron tersebut berpotensi untuk mengobati gatal kronis”. Namun ia juga menegaskan bahwa menggaruk pada saat gatal merupakan fenomena yang kompleks yang melibatkan faktor-faktor seperti emosi seperti halnya fisiologi.

Dr Paul Bays dari UCL Institute of Cognitive Neuroscience juga menyetujui bahwa studi ini memiliki peranan penting untuk menjelaskan mekanisme fisiologis mengenai bagaimana sensasi gatal dapat berkurang.
“Namun, masih belum jelas bagaimana menggaruk bisa meredakan gatal, atau bagaimana menggaruk hanya bisa efektif untuk meredakan gatal dan tidak untuk sensasi sakit lainnya yang ditransmisikan ke otak melalui jalur yang sama”

Jangan meremehkan rasa gatal
Ada begitu banyak hal yang bisa menyebabkan rasa gatal, termasuk diantaranya, lebih dari 50 penyakit seperti Aids, masalah Gallblader dan penyakit Hodgkin. Rasa gatal yang dihasilkan oleh bermacam penyakit dapat memberikan dampak yang besar terhadap kualitas hidup dan tidak dapat disembuhkan hingga saat ini. Untuk banyak jenis gatal, tidak jelas apakah setiap rasa gatal memiliki tujuan fisiologis tertentu.

Jumat, 02 Maret 2012

Variabel dan data


Variabel berasal dari kata “vary” dan “able” yang berarti “berubah” dan “dapat”. Jadi, secara harfiah variabel berartidapat berubah, sehingga setiap variabel dapat diberi nilai dan nilai itu berubah-ubah. Nilai tersebut bisa kuntitatif (terukur dan atau terhitung, dapat dinyatakan dengan angka) juga bisa kualitatif (jumlah dan derajat atributnya yang dinyatakan dengan nilai mutu).

Variabel merupakan element penting dalam masalah penelitian. Dalam statistik, variabel didefinisikan sebagai konsep, kualitas, karakteristik, atribut, atau sifat-sifat dari suatu objek (orang, benda, tempat, dll) yang nilainya berbeda-beda antara satu objek dengan objek lainnya dan sudah ditetapkan oleh peneliti untuk dipelajari dan ditarik kesimpulannya. Karakteristik adalah ciri tertentu pada obyek yang kita teliti, yang dapat membedakan objek tersebut dari objek lainnya, sedangkan objek yang karakteristiknya sedang kita amati dinamakan satuan pengamatan dan angka atau ketegori (nilai mutu) tertentu dari suatu objek yang kita amati dinamakan variate(nilai). Kumpulan nilai yang diperoleh dari hasil pengukuran atau penghitungan suatu variabel dinamakan dengandata.

Karakteristik yang dimiliki suatu pengamatan keadaannya berbeda-beda (berubah-ubah) atau memiliki gejala yang bervariasi dari satu satuan pengamatan ke satu satuan pengamatan lainnya, atau, untuk satuan pengamatan yang sama, karakteristiknya berubah menurut waktu atau tempat. Apabila karakteristik setiap satuan pengamatan semuanya sama, tidak beragam, maka bukan lagi merupakan variabel, melainkan konstanta.

Contoh:
Apabila Anda sedang mempelajari sekelompok anak-anak, anak-anak di sana baru sebuah konsep, bukan variabel.  Apabila Anda tertarik untuk mengukur tinggi badannya, berat, usia, menentukan jenis kelamin, dan sebagainya,  berarti Anda sudah berbicara tentang variabel, karena nilainya bisa beragam dari anak ke anak. Untuk kepentingan penelitian, sebuah konsep bisa diubah menjadi satu atau beberapa variabel.
Misalnya saja tentang konsep anak-anak tadi, di antara sekian karakteristik yang bisa diukur, Anda lebih tertarik untuk menimbang beratnya, maka:

Konsep: adalah properti/karakteristik dari Anak-anak
Karakteristik: karakteristik yang sedang Anda amati adalah berat anak.
Variabel: karena berat setiap anak bisa bervariasi, maka berat merupakan variabel.
Satuan pengamatan: satuan pengamatannya adalah masing-masing Anak (setiap individu), dan
Nilai (variate/data): berat yang terukur dari setiap anak dinamakan variate (nilai).

Contoh kasus lain misalnya, jika Anda sedang mempelajari sekelompok tanaman tomat (konsep), variabel-variabel berikut mungkin menjadi pertimbangan Anda: tinggi, lebar, jumlah daun, dan jumlah buah, dan berat tomat.   Contoh variabel lainnya adalah warna mata, IQ, tingkat pendidikan, status sosial, metode mengajar, jenis pupuk, jenis varietas, jenis obat, semuanya adalah variabel karena karakteristiknya berbeda-beda.

Karakteristik dari suatu variabel harus beragam atau berubah-ubah. Sebaliknya, jika karakteristik semuanya sama, maka satuan pengamatan tersebut bukan lagi variabel, melainkan konstanta. Konstanta adalah angka tertentu yang nilainya selalu tetap pada semua kondisi, misalnya kecepatan cahaya, gaya gravitasi, dsb. Namun demikian, suatu variabel bisa saja menjadi konstanta apabila nilainya di buat sama. Misalnya, jenis kelamin adalah variabel, namun apabila satuan pengamatan yang kita amati hanya dibatasi pada jenis kelamin perempuan saja, maka jenis kelamin berubah menjadi konstanta, karena nilainya sama pada semua kondisi.

Definisi Operasional
Definisi operasional adalah aspek penelitian yang memberikan informasi atau petunjuk kepada kita tentang bagaimana caranya mengukur suatu variabel.  Informasi ilmiah yang dijelaskan dalam definisi operasional sangat membantu peneliti lain yang ingin melakukan penelitian dengan menggunakan variabel yang sama, karena berdasarkan informasi itu, ia akan mengetahui bagaimana caranya melakukan pengukuran terhadap variabel yang dibangun berdasarkan konsep yang sama. Dengan demikian, ia dapat menentukan apakah tetap menggunakan prosedur pengukuran yang sama atau diperlukan pengukuran yang baru.

Konsep-konsep yang sudah diterjemahkan menjadi satuan yang sudah kita anggap lebih operasional (variabel dan konstruk), biasanya belum sepenuhnya siap untuk diukur. Karena variabel dan konstruk tersebut memiliki alternatif dimensi yang bisa diukur dengan cara berlainan. Contoh tentang variabel usia/umur. Cara pengukuran variabel tersebut bisa saja berbeda, pertama mungkin Anda mengukur usianya langsung secara numerik, misalnya 4, 12.5, 18, 31 tahun dst, atau bisa saja Anda mengukur berdasarkan kategori, misalnya Balita (0-5 th), Anak-anak (5 – 14), Remaja (14 – 24), Dewasa (25 – 54), Tua (55-64), dan Lansia (>65) tahun.

Pembagian Variabel
Variabel bisa dibagi berdasarkan: Perananan, cara pengukuran, dan bisa tidaknya diukur secara langsung.

Berdasarkan Fungsi/Peranannya dalam penelitian
Dalam penelitian kuantitatif, variabel yang telah didefinisikan secara operasional, biasanya dibagi menjadi variabel bebas (independent: aktif atau atribut), variabel terikat (dependent), dan variabel asing/ekstra/tambahan (extraneous) yang bukan merupakan subjek dari penelitian yang sedang dipelajari dan berada di luar pengamatan/kajian utama penelitian.  Pemahaman tentang variabel extraneous ini sangat penting, karena variabel ini bisa saja bersaing dengan variabel independent dan bisa mengacaukan/membingungkan dalam menjelaskan pola hubungan antara variabel independent dan variabel dependent. Oleh karena itu, dalam menentukan hubungan sebab akibat, kita seharusnya mengidentifikasi ada tidaknya variabel extraneous yang terbukti dapat mempengaruhi variabel dependent.  Apabila ada, maka variabel ekstraneous tersebut disebut dengan variabel confounding.Variabel Confounding sebaiknya di kontrol atau dimasukkan ke dalam model.  Apabila tidak, kita tidak akan yakin bahwa perubahan variabel dependent tersebut hanya disebabkan oleh variabel independent saja.

Untuk memahami variabel-variabel dalam penelitian, perhatikan contoh kasus berikut:
Apabila kita ingin melihat pengaruh pemberian dosis pupuk yang berbeda terhadap pertumbuhan tanaman, maka:
Variabel Dependent
=>
Pertumbuhan tanaman
Variabel Independent
=>
Dosis Pupuk
Variabel Extraneous
=>
Varietas/Kultivar
Jenis Pupuk
Tingkat Kesuburan Tanah
Jenis Tanah
Ukuran Petak/Pot
Penyinaran Matahari
Temperatur
Kelembaban
Kandungan Air Tanah
Serangan Hama/Penyakit
dsb..



Variabel Independent (IV).
Variable independent adalah variabel yang merupakan penyebab atau yang mempengaruhi variabel dependent (DV) atau yang menyebabkan terjadinya variasi bagi variabel dependent (DV). Apabila variabel IV berubah, maka variabel DV juga akan berubah. Variable independent merupakan variable yang faktornya diukur, dimanipulasi, atau dipilih oleh peneliti untuk menentukan hubungannya dengan suatu gejala yang diobservasi. Jika diterjemahkan dalam bahasa Indonesia, variabel independent disebut juga sebagai peubah bebas dan sering juga disebut dengan variable bebas, stimulus, faktor, treatment, predictor, input, atau antecedent.

Sebagai Contoh:
Pengaruh metode mengajar terhadap Prestasi siswa. =>Variabel independent adalah Metode Mengajar.
Pengaruh Pupuk Organik terhadap hasil tanaman tomat. =>Variabel independent adalah Pupuk Organik.
Metode mengajar dan pupuk organik bisa dimanipulasi atau ditentukan oleh peneliti. Tidak semua variabel independent bisa dimanipulasi, misalnya attribute yang sudah melekat pada suatu objek. Contohnya: Jenis Kelamin, Usia, Kemiringan lereng, ketinggian tempat, dsb.

Variabel Dependent (DV).
Variable dependent merupakan variabel yang dipengaruhi atau yang menjadi akibat dari variabel independent.  Variabel dependent, dalam bahasa Indonesia sering disebut sebagai peubah tak bebas, variabel terikat, tergantung, respons, variabel output, criteria, atau konsekuen.

Variabel ini merupakan fokus utama dari penelitian.  Variabel inilah yang nilainya diamati dan diukur untuk menentukan pengaruh dari variabel independent.  Nilainya bisa beragam dan tergantung pada besarnya perubahan variabel independent.  Artinya, setiap terjadi perubahan (penambahan/pengurangan) sekian kali satuan variabel independen, diharapkan akan menyebakan variabel dependen berubah (naik/turun) sekian satuan juga. Secara matematis, hubungan tersebut mungkin bisa digambarkan dalam bentuk persamaan Y = a + bX. Misalnya, Y = Hasil (ton) dan X = pupuk Urea (kg), maka setiap pupuk urea dinaikkan/atau diturunkan sebesar b (kg), maka hasil naik/turun sebesar b (ton) dan apabila tidak di berikan pupuk (b=0), maka hasilnya adalah sebesar a (ton).   Pola hubungan antara kedua variabel tersebut bisanya di kaji dalam penelitian asosiasi atau prediksi, biasanya diuji dengan menggunakan Analisis Regresi.  Berbeda dengan contoh pengaruh metode mengajar terhadap keberhasilan siswa, skala pengukuran variabel independentnya bukan merupakan variabel interval atau rasio, sehingga untuk melihat pengaruh dari variabel independet terhadap variabel dependent lebih tepat dengan menggunakan Analisis Varians (ANOVA).  Dengan Anova tersebut kita bisa menentukan ada tidaknya perbedaan diantara metode mengajar, dan apabila ada, kita bisa menentukan metode mengajar yang lebih baik atau terbaik.

Varibel Moderator
Variabel moderator merupakan variabel khusus dari variabel independent. Dalam analisis hubungan yang menggunakan minimal dua variabel, yakni satu variabel dependen dan satu atau beberapa variabel independen, adakalanya hubungan di antara kedua variabel tersebut dipengaruhi oleh variabel ketiga, yaitu faktor-faktor lain yang tidak dimasukkan dalam model statistik yang kita gunakan. Variabel tersebut dinamakan dengan variabel moderator.Variabel moderator ini adalah variabel lain yang bisa memperkuat atau memperlemah hubungan antar variabel independen (bebas) dan variabel dependen (tak bebas). Dalam Analisis Varians (Anova), pengaruh dari variabel moderator ini bisa direfresentasikan sebagai pengaruh interaksi antara variabel independent (faktor) utama dengan variabel moderator (Baron and Kenny, 1986: p. 1174). Variabel ini bisa diukur, dimanipulasi, atau dipilih oleh peneliti untuk mengetahui apakah keberadaannya akan mempengaruhi hubungan antara variable bebas dan variabel terikat. Secara skematis, hubungan di antara ketiga variabel tersebut bisa diilustrasikan seperti pada gambar berikut:

Contoh kasus 1:
Perhatikan, sebuah penelitian untuk melihat perbedaan diantara dua metode mengajar statistika, misal Metoda A dan Metode B. Jika siswa laki-laki lebih baik dengan Metode A, sedangkan siswa perempuan lebih baik dengan Metode B, maka jenis kelamin merupakan variabel mederator.

Contoh Kasus 2:
Misalnya pengaruh pupuk anorganik terhadap hasil tanaman padi. Hasil analisis menunjukkan tidak ada pengaruh penggunaan pupuk anorganik terhadap hasil padi, padahal secara teoritis harusnya terjadi perbedaan. Mengapa demikian?? Setelah diselidiki, ternyata ada variabel lain (misalnya varietas) yang tidak dimasukkan ke dalam model ataupun tidak dikontrol (diseragamkan), sehingga ikut mempengaruhi keragaman hasil padi. Variabel tersebut adalah variabel moderator, yang seharusnya dimasukkan juga ke dalam model. Hal ini misalnya ditunjukkan dengan adanya perbedaan respon di antara varietas padi. Varietas unggulan lebih responsif terhadap pupuk anorganik, sedangkan varietas lokal tidak terlalu responsif bahkan cenderung hasilnya cenderung menurun.

Contoh kasus 3:
Pengaruh Pelatihan terhadap Prestasi kerja.
Misalnya pelatihan yang diikuti staf administrasi suatu perguruan tinggi dengan harapan bisa meningkatkan ketrampilan dalam menyelesaikan tugas-tugas administrasi. Seluruh karyawan yang diikutsertakan memiliki jenjang pendidikan yang sama, D3. Setelah pelatihan selesai kemudian dilakukan tes ketrampilan. Setelah diamati, ternyata kemampuan karyawan yang berasal dari D3 Manajemen, memiliki ketrampilan yang lebih baik dibandingkan dengan karyawan yang berasal D3 Pertanian. Jelas disini bahwa adanya perbedaan tersebut dikarenakan adanya perbedaan kemampuan dalam menyerap materi yang disampaikan ketika melaksanakan pelatihan. Karyawan D3 manajemen lebih antusias dalam mengikuti Pelatihan dibandingkan dengan D3 Pertanian karena mereka relatif lebih mudah dalam memahami materi (sesuai dengan bidangnya). Pada contoh kasus tersebut pelatihan adalah variabel independen, prestasi kerja adalah variabel dependen, dan latar belakang pendidikan adalah variabel moderator.

Dari ketiga contoh kasus tersebut, bisa disimpulkan bahwa variabel moderator berpengaruh nyata (memiliki kontribusi yang signifikan) terhadap kemampuan variabel independen dalam mempengaruhi variabel dependen.

Variabel Intervening/mediator.
Variabel independent dan moderator merupakan variable-variabel kongkrit. Variable tersebut dapat dimanipulasi oleh peneliti dan pengaruhnya dapat dilihat atau diobservasi. Lain halnya dengan variable intervening, variable tersebut bersifat hipotetikal artinya secara kongkrit pengaruhnya tidak kelihatan, tetapi secara teoritis dapat mempengaruhi hubungan antara variabel independent dan dependent yang sedang diteliti.

Penelitian yang melibatkan variabel intervening (mediator/mediating/mediasi/pengganggu) sangat umum dalam bidang sosiologi dan psikologi, seperti ilmu-ilmu perilaku dan penelitian non eksperimental lainnya. Untuk peneliti di bidang eksakta (terutama dalam penelitian eksperimental), mungkin tidak terlalu banyak yang mengenal atau melibatkan variabel ini, karena bersifat abstrak dan tidak bisa diukur (misterius, jangan dianggap serius..  ). Lihat saja pernyataan Tuckman (1988) berikut ini:

“… an intervening variable is that factor that theoretically affect the observed phenomenon but cannot be seen, measure, or manipulate…”.

Banyak siswa, saya, bahkan sebagian peneliti yang masih kesulitan dalam membedakan antara variabel moderator dengan variabel pengganggu yang satu ini, intervening (mediator) maksudnya :-) .

Variable intervening didefinisikan sebagai variabel yang secara teoritis mempengaruhi hubungan antara Variabel independent dengan Variabel dependent, tetapi tidak dapat dilihat, diukur, dan dimanipulasi; pengaruhnya harus disimpulkan dari pengaruh-pengaruh variabel independent dan atau variable moderat terhadap gejala yang sedang diteliti (Tuckman, 1988).
Variabel ini merupakan variabel antara (penyela) yang terletak diantara Variabel independent dan Variabel dependent. Variabel ini bisa digunakan dalam menjelaskan proses hubungan antara variabel independent dengan variabel dependent, misalnya X → T → Y, dimana T adalah variabel intervening yang digunakan untuk menjelaskan pola hubungan antara IV dan DV.  Terminologi terakhir, yaitu sebagai variabel antara, konsiten dengan metodologi dan definisi dalam Analisis Struktural Equation Modelling (SEM).  Misalnya, X adalah usia dan Y adalah kemampuan membaca, hubungan sebab akibat antara X dan Y bisa dijelaskan oleh variabel Intervening T, misalnya Pendidikan. Dengan demikian, Usia (X) tidak secara langsung mempengaruhi kemampuan membaca (Y), tapi terlebih dahulu melalui variabel intervening, pendidikan (T), atau dengan kata lain, X mempengaruhi T dan selanjutnya T mempengaruhi Y.

Contoh:
Tingkat pendidikan → jenis pekerjaan → tingkat penghasilan
Metode mengajar → motivasi belajar → Prestasi siswa
Teknologi baru → budaya → Respon masyarakat
Usia → Pengalaman mengendarai → kelihaian mengendarai sepeda motor (Valentinno Rossi, misalnya, :-) )
Contoh di bidang pertanian:
Pengaruh pemberian pupuk anorganik terhadap hasil padi. Misalnya saja, varietas sudah dimasukkan ke dalam model atau varietasnya dibuat sama (varietas unggulan), tetapi hasinya tetap saja tidak signifikan. Mengapa?? Setelah diteliti secara seksama, ternyata tanaman padi yang di beri pupuk tersebut misalnya menjadi rentan terhadap serangan penyakit/hama sehingga sebagian besar lahan terkena serangan hama/penyakit, akibatnya hasil padi tidak meningkat.  Variabel Intervening adalah Serangan Penyakit/Hama.
Hubungan ke-4 Variabel:

Tambahan:
Terdapat beberapa literatur yang mengatakan ada variabel lain selain variabel yang sudah disebutkan di atas, yaituVariabel Kontrol. Variabel kontrol adalah variabel yang dikendalikan atau dibuat konstan sehingga pengaruh variabel independent terhadap variabel dependent tidak dikacaukan oleh pengaruh faktor lain yang tidak kita diamati. Dengan kata lain, variabel lain yang dapat mempengaruhi hubungan antara variabel independent dengan variabel dependent, berusaha dihilangkan atau di netralkan atau di kontrol atau diseragamkan!  Dengan demikian, diharapkan variabel yang memberi keragaman terhadap variabel dependent hanyalah variabel independent yang ingin dipelajari pengaruhnya, yang dikenal dengan perlakuan atau treatment!

Paradok:
“Variabel kontrol adalah variabel yang dibuat konstan sehingga tidak bervariasi atau seragam.. ” – vs – “suatu objek bisa dikatakan variabel apabila nilainya beragam, apabila tidak, tidak lagi dinamakan variabel tapi konstanta“

Berarti??!! Bingung kan?? variabel kontrol apa konstanta??
Menurut saya, mungkin lebih tepat apabila variabel kontrol ini menggunakan istilah variabel yang di kontrol (Controlled Variable).

Berdasarkan cara pengukuran
Kuantitatif (diskrit/kontinyu)
Rasio
Interval
Kualitatif
Ordinal à ada tingkatan
Nominal à tidak ada tingkatan

Berdasarkan bisa/tidaknya diukur secara langsung
Variabel teramati (observed variable)
Dapat langsung diamati/diukur
Contoh: umur, jenis kelamin, berat badan
Variabel laten (latent variable)
Tidak dapat langsung diamati/diukur
Contoh: kualitas pelayanan, kepuasan pelanggan, kesehatan
Umumnya diukur dengan menggunakan indikator yang berupa variabel teramati, biasanya lebih dari dua variabel indikator.


Reff/Link:
GORDON MARSHALL. “intervening variable.” A Dictionary of Sociology. 1998. Encyclopedia.com. 23 Feb. 2010 .
Tuckman, B. W. (1988). Conducting educational research . (3rd ed.) New York: Harcourt Brace Jovanovich

Perbedaan Metode Pengumpulan, Analisa Data Kualitatif dan Kuantittif


Metode Pengumpulan Data Kualitatif
Metode pegumpulan data kualitatif dilakukan dengan berbagai cara, diantaranya; (1) Catatan Lapangan (Fieldnotes), (2) Observasi partisipan (Participant Observations), (3) Wawancara (Dept Interview) (4) Dokumentasi. Selain teknik atau cara tersebut, dalam penelitian kualitatif juga dapat menggunakan kuesioner untuk pengumpulan datanya, namun kuesioner tersebut hanya dijadikan sebagai pelengkap data jika dibutuhkan dan bukan merupakan sumber data asli yang dijadikan pijakan analisis.
 
Catatan lapangan atau Fieldnotes adalah kegiatan yang mencatat apa saja yang dilihat, didengar, dirasakan, difikirkan dan dipelajari dari obyek penelitian  yang selanjutnya peneliti menyusunnya secara sistematis. Karena keberhasilan suatu penelitian tergantung pada bagaimana rincian, ketepatan, dan luasnya catatan lapangan. (Bogdan dan Biklen, 1982)
 
Observasi Partisipan, dalam observasi ini, peneliti terlibat langsung dengan kegiatan sehari-hari dari obyek yang diamatai. Disamping itu peneliti melakukan pengamatan dan melakukan kegiatan serta merasakan suka dan duka dari obyek penelitian. Dengan cara observasi partisipan ini, data yang diperoleh akan lebih tajam dan sampai pada makna dari perilaku yang nampak dari obyek penelitian.
 
Wawancara mendalam atau Dept Interview menuntut peneliti untuk menjadi pembicara yang akrab pada sumber data (Informan), karena dengan demikian akan memungkinkan peneliti untukmenggali informasi secara luas berkaitan dengan penelitiannya. Wawancara dapat dilakukan secara formal dengan menggunakan pedoman wawancara (Guide) atau nonformal (Bebas tanpa pedoman).
 
Dokumen merupakan catatan peristiwa yang sudah berlalu. Dokumen dapat berupa gambar, tulisan, atau karya monumental. Pengambilan data dengan teknik dokumentasi disebut dengan studi dokumen. Artinya, peneliti mempelajari berbagai sumber dokumen yang berkaitan dengan pokok penelitian sebagai pelengkap hasil observasi dan wawancara. Alasannya, hasil penelitian dari observasi atau wawancara akan lebih kredibel/ dapat dipercaya jika didukung oleh sejarah masa kecil, di sekolah, di tempat kerja, di masyarakat, dan autobiografi.
 
Metode Pengumpulan Data Kuantitatif
Metode pengumpulan data kuantitatif dilakukan dengan teknik statistik dengan cara tes atau kuesioner (angket). Kuesioner merupakan teknik pengumpulan data yang dilakukan dengan cara menyajikan berbagai pertanyaan tertulis pada responden atau obyek penelitian untuk dijawab sebagai fakta dalam penelitian. Setelah itu peneliti membuat skor dari hasil jawaban yang telah diperoleh untuk dilanjutkan pada analisa data.
Instrument atau daftar pertanyaan yang diberikan pada responden merupakan hasil pengembangan dari variabel-variabel penelitian. Oleh karena itu, berbagai pertanyaan yang diberikan harus mengarah pada inti masalah yang dikaji dalam penelitian tersebut, karena satu instrumen salah akan menjadikan data tidak valid dan berakibat pada kekacauan dalam analisis serta penarikan kesimpulan.
 
Wawancara (interview) serta observasi pada dasarnya dapat digunakan dalam penelitian ini tetapi tidak merupakan hal yang wajib. Artinya dalam pendekatan kuantitatif prosedur pengambilan data melalui teknik tersebut hanya dilakukan sebagai pelengkap data. Artinya, bila harus dilakukan wawancara harus dengan menggunakan Guide atau pedoman wawancara agar bahasan tidak melebar pada masalah yang lebih dalam. Jadi, inti teknik pengambilan data kuantitaif hanya pada tes atau kuesioner.

Metode Analisa Data Kualitatif
Metode analisa data kualitatif mempunyai dua model, diantaranya; penelitian kualitatif Etnographic (Model Spradley), dan penelitian kualitatif Grounded (Model Miles dan Huberman). Masing- masing tekniknya seperti di bawah ini: 

Etnographic.  
Analisis Domain (Domain Analysis). Merupakan proses untuk menemukan bagian-bagian, unsur-unsur, atau domain pengelompokan makna budaya yang terkandung dalam kategori yang lebih kecil.

Analisis Taksonomi (Taxonomic Analysis). Menyoroti pusat perhatian dengan satu langkah lebih dalam untuk mengungkap hubungan antaraunsur-unsur dari setiap domain.

Analisis Komponensial (Componential Analysis). Mencari kontras, memilah-milah, mengelompokkan, dan memasukkan semua informasi yang diperoleh ke dalam peta informasi.

Analisis Tema Kultural (). Kegiatan menganalisis data yang dimulai dari analisis domain, taksonomi dan komponensial untuk memperoleh pemahaman lebih lauas terhadap domain yang dipilih dalam situasisosial yang diteliti. 

Grounded  
Reduksi Data (Reduction). Merangkum, memilih hal yang pokok, fokus pada hal penting, dicari tema dan polanya. Dalam reduksi ini memungkinkan peneliti untuk membuang dan memasukkan data yang dianggap perlu. Dengan demikian data yang direduksi akan memberikan gambaran yang lebih jelas, dan memudahkan peneliti untuk mengumpulkan data berikutnya.

Penyajian Data (Display). Menyajikan data atau narasi data secara sederhana dalam bentuk kata-kata, dapat dilakukan dengan membentuk tabel, grafik, dan sejenisnya. Melalui penyajian data tersebut, maka data akan terorganisir dan tersusun dalam pola hubungan, sehingga akan semakin mudah dipahami. 

Verifikasi dan Simpulan (Verification and Conclussion). Dalam tahap pengumpulan data sebelumnya, peneliti sudah membuat simpulan-simpulan sementara. Pada tahap verifikasi ini, peneliti mengecek hasil simpulan-simpulan tersebut untuk dijadikan sebuah kesimpulan pasti dari hasil penelitiannya.

Metode Analisa Data Kuantitatif
Analisis data kuantitatif adalah bagian dari kegiatan penelitian yang dilakukan setelah data dari seluruh responden yang dilakukan melalui kuesioner terkumpul. Adapun metode analisa data kuantitatif dibagi menjadi dua, yakni statistik deskriptif dan statistik inferensial.
 
Satatistik deskriptif digunakan untuk menganalisis data dengan cara menggambarkan kondisi obyek penelitian sebagaimana aslinya tanpa memberikan kesimpulan yang berlaku untuk umum atau generalisasi. Model ini digunakan pada penelitian populasi tanpa pengambilan sampel. Misalnya, untuk meneliti minat siswa pada pelajaran IPA kelas 8 SMP NUSA BANGSA dengan jumlah 30 siswa/i. Setelah dilakukan tes atau kuesioner, hasil analisisnya menunjukkan 90% siswa/i kurang meminati pelajaran IPA tersebut. Hasil dari 90% siswa/i yang kurang minat pada pelajaran IPA hanya berlaku pada kelas 8 SMP NUSA BANGSA dan tidak berlaku pada penarikan kesimpulan pada siswa/i lain diluar kelas 8 SMP NUSA BANGSA.  Termasuk contoh lain statistik deskriptif adalah penyajian data melalui Tabel, Grafik, Diagram, dll.
 
Statistik inferensial seringkali disebut dengan statistik induktif atau statistik propabilitas. Teknik statistik ini dilakukan untuk menganalisis data dan hasil dari kesimpulan tersebut diberlakukan pada populasi. Karena bersifat propabiliyt, maka pemberlakuan kesimpulan pada populasi tersebut mempunyai peluang kesalahan dan kebenaran (kepercayaan) dan dinyatakan dalam bentuk prosentase. Bila peluang kesalahan 5% maka taraf kepercayaan 95%, dan bila peluang kesalahan 1%maka taraf kepercayaan 99%. Inilah yang dimaksud signifikansi dalam statistik inferensial yang dapat diperoleh dari tabel signifikansi yang sudah ada sesuai dengan teknik analisis yang digunakan. Teknik analisis untuk menguji korelasi atau hubungan antar variabel menggunakan Product Moment Correlation, Partial Correlation, Multiple Correlations, dll. Sedangkan  untuk menguji perbedaan antar variabel menggunakan t-tes, Anova, dll.
 
Statistik inferensial dibagi menjadi dua macam, yakni parametris dan nonparametris. Perbedaannya adalah, parametris digunakan untuk menguji parameter populasi, sedangkan nonparametris digunakan untuk menguji distribusi. Penggunaan statistik parametris dan nonparametris tergantung pada asumsi dan jenis data yang akan dianalisis. Statistik parametris biasanya digunakan untuk data interval atau rasio, sedangkan statistik nonparametris digunakan untuk analisis data nominal dan ordinal.


DATA NOMINAL, ORDINAL, INTERVAL DAN DATA RATIO


A. Pendahuluan

Beberapa ahli berpendapat bahwa pelaksanaan penelitian dengan menggunakan metode ilmiah diantaranya adalah melakukan langkah-langkah sistematis. Metode ilmiah adalah merupakan pengejaran terhadap kebenaran relatif yang diatur oleh pertimbangan-pertimbangan logis. Karena keberadaan dari ilmu itu adalah untuk memperoleh interelasi yang sistematis dari fakta-fakta, maka metode ilmiah berkehendak untuk mencari jawaban tentang fakta-fakta dengan menggunakan pendekatan kesangsian sistematis. Karenanya, penelitian dan metode ilmiah, jika tidak dikatakan sama, mempunyai hubungan yang relatif dekat. Karena dengan adanya metode ilmiah, pertanyaan-pertanyaan dalam mencari dalil umum, akan mudah dijawab.

Menuruti Schluter (Moh Nazir, 2006), langkah penting sebelum sampai tahapan analisis data dan penentuan model adalah ketika kita melakukan pengumpulan dan manipulasi data sehingga bisa digunakan bagi keperluan pengujian hipotesis. Mengadakan manipulasi data berarti mengubah data mentah dari awal menjadi suatu bentuk yang dapat dengan mudah memperlihatkan hubungan-hubungan antar fenomena. Kelaziman kuantifikasi sebaiknya dilakukan kecuali bagi atribut-atribut yang tidak dapat dilakukan. Dan dari kuantifikasi data itu, penentuan mana yang dikatakan data nominal, ordinal, interval dan ratio bisa dilakukan demi memasuki wilayah penentuan model.

Pada ilmu-ilmu sosial yang telah lebih berkembang, melakukan analisis berdasarkan pada kerangka hipotesis dilakukan dengan membuat model matematis untuk membangun refleksi hubungan antar fenomena yang secara implisit sudah dilakukan dalam rumusan hipotesis. Analisis data merupakan bagian yang amat penting dalam metode ilmiah. Data bisa memiliki makna setelah dilakukan analisis dengan menggunakan model yang lazim digunakan dan sudah diuji secara ilmiah meskipun memiliki peluang menggunakan alat analisis lain. Akan tetapi masing-masing model, jika ditelaah satu demi satu, sebenarnya hanya sebagian saja yang bisa digunakan untuk kondisi dan data tertentu. Ia tidak bisa digunakan untuk menganalisis data jika model yang digunakan kurang sesuai dengan bagaimana kita memperoleh data jika menggunakan instrumen. Timbangan tidak bisa digunakan untuk mengukur tinggi badan seseorang. Sebaliknya meteran tidak bisa digunakan untuk mengukur berat badan seseorang. Karena masing-masing instrumen memiliki kegunaan masing-masing.

Dalam hal ini, tentu saja kita tidak ingin menggunakan model analisis hanya semata-mata karena menuruti selera dan kepentingan. Suatu model hanya lazim digunakan setelah kita mempertimbangkan kondisi bagaimana data dikumpulkan. Karena dalam teori, alat analisis model adalah alat yang tidak bisa digunakan dalam kondisi yang tidak sesuai dengan pertimbangan-pertimbangan logis. Ia memang bisa digunakan untuk menghitung secara matematis, akan tetapi tidak dalam teori. Banyaknya konsumsi makanan tentu memiliki hubungan dengan berat badan seseorang. Akan tetapi banyaknya konsumsi makanan penduduk pulau Nias, tidak akan pernah memiliki hubungan dengan berat badan penduduk Kalimantan. Motivasi kerja sebuah perusahaan makanan ringan, tidak akan memiliki hubungan dengan produktivitas petani Sawit. Model analisis statistik hanya bisa digunakan jika data yang diperoleh memiliki syarat-syarat tertentu. Salah satu diantaranya adalah masing-masing variabel tidak memiliki hubungan linier yang eksak. Data yang kita peroleh melalui instrumen pengumpul data itu bisa dianalisis dengan menggunakan model tanpa melanggar kelaziman.

Bagi keperluan analisis penelitian ilmu-ilmu sosial, teknik mengurutkan sesuatu ke dalam skala itu artinya begitu penting mengingat sebagian data dalam ilmu-ilmu sosial mempunyai sifat kualitatif. Atribut saja sebagai objek penelitian selain kurang representatif bagi peneliti, juga sebagian orang saat ini menginginkan gradasi yang lebih baik bagi objek penelitian. Orang selain kurang begitu puas dengan atribut baik atau buruk, setuju atau tidak setuju, tetapi juga menginginkan sesuatu yang berada diantara baik dan buruk atau diantara setuju dan tidak setuju. Karena gradasi, merupakan kelaziman yang diminta bagi sebagian orang bisa menguak secara detail objek penelitian. Semakin banyak gradasi yang dibuat dalam instrumen penelitian, hasilnya akan makin representatif.

Menuruti Moh. Nazir (2006), teknik membuat skala adalah cara mengubah fakta-fakta kualitatif (atribut) menjadi suatu urutan kuantitatif (variabel). Mengubah fakta-fakta kualitatif menjadi urutan kuantitatif itu telah menjadi satu kelaziman paling tidak bagi sebagian besar orang, karena berbagai alasan. Pertama, eksistensi matematika sebagai alat yang lebih cenderung digunakan oleh ilmu-ilmu pengetahuan sehingga bisa mengundang kuantitatif variabel. Kedua, ilmu pengetahuan, disamping akurasi data, semakin meminta presisi yang lebih baik, lebih-lebih dalam mengukur gradasi. Karena perlunya presisi, maka kita belum tentu puas dengan atribut baik atau buruk saja. Sebagian peneliti ingin mengukur sifat-sifat yang ada antara baik dan buruk tersebut, sehingga diperoleh suatu skala gradasi yang jelas.

B. Pembahasan

a. Data nominal
Sebelum kita membicarakan bagaimana alat analisis data digunakan, berikut ini akan diberikan ulasan tentang bagaimana sebenarnya data nominal yang sering digunakan dalam statistik nonparametrik bagi mahasiswa. Menuruti Moh. Nazir, data nominal adalah ukuran yang paling sederhana, dimana angka yang diberikan kepada objek mempunyai arti sebagai label saja, dan tidak menunjukkan tingkatan apapun. Ciri-ciri data nominal adalah hanya memiliki atribut, atau nama, atau diskrit. Data nominal merupakan data 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 juga tentang ukuran jumlah anak dalam suatu keluarga. Numerik yang dihasilkan akan selalu berbentuk bilangan bulat, demikian seterusnya. Tidak akan pernah ada bilangan pecahan. Data nominal ini diperoleh dari hasil pengukuran dengan skala nominal. Menuruti Sugiono, alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang digunakan untuk data nominal adalah Coefisien Contingensi. Akan tetapi karena pengujian hipotesis Coefisien Contingensi memerlukan rumus Chi Square (χ2), perhitungannya dilakukan setelah kita menghitung Chi Square. Penggunaan model statistik nonparametrik selain Coefisien Contingensi tidak lazim dilakukan.

b. Data ordinal
Bagian lain dari data 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 mahasiswa C dan A adalah 3 – 1 = 2. Beda prestasi antara mahasiswa C dan F adalah 6 – 3 = 3. Akan tetapi tidak bisa dikatakan bahwa prestasi mahasiswa E adalah 5 kali prestasi mahasiswa A ataupun prestasi mahasiswa F adalah 3 kali lebih baik dari prestasi mahasiswa 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 (data rasio). Data ratio, yang diperoleh melalui mengukuran dengan skala rasio memiliki titik nol. Karenanya, interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. Oleh karena ada titik nol, maka data ratio dapat dibuat perkalian ataupun pembagian. Angka pada data ratio dapat menunjukkan nilai sebenarnya dari objek yang diukur. Jika ada 4 orang pengemudi, A, B, C dan D mempunyai pendapatan masing-masing perhari Rp. 10.000, Rp.30.000, Rp. 40.000 dan Rp. 50.000. Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A. Pendapatan pengemudi C adalah 4/3 kali pendapatan pengemudi B. Dengan kata lain, rasio antara pengemudi C dan A adalah 4 : 1, rasio antara pengemudi D dan A adalah 5 : 1, sedangkan rasio antara pengemudi C dan B adalah 4 : 3. Interval pendapatan pengemudi A dan C adalah 30.000, dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Contoh data rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio. Bayi A memiliki berat 3 Kg. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Jika diukur dengan skala rasio, maka bayi A memiliki rasio berat badan 3 kali dari berat badan bayi C. Bayi B memiliki rasio berat badan dua kali dari berat badan bayi C, dan bayi C memiliki rasio berat badan sepertiga kali berat badan bayi A, dst. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik parametrik dan yang lazim digunakan untuk data ratio ini adalah Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial Regression, dan Multiple Regression.

Sesuai dengan ulasan jenis pengukuran yang digunakan, maka variabel penelitian lazimnya bisa di bagi menjadi 4 jenis variabel, yakni variabel nominal, variabel ordinal, variabel interval, dan variabel ratio. Variabel nominal, yaitu variabel yang dikategorikan secara diskrit dan saling terpisah satu sama lain, misalnya status perkawinan, jenis kelamin, suku bangsa, profesi pekerjaan seseorang dan sebagainya. Variabel ordinal adalah variabel yang disusun atas dasar peringkat, seperti motivasi seseorang untuk bekerja, peringkat perlombaan catur, peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek prestasi mahasiswa, skala termometer dan sebagainya, sedangkan variabel rasio adalah variabel yang disusun dengan ukuran ratio seperti tingkat penganggguran, penghasilan, berat badan, dan sebagainya.

e. Konversi variabel ordinal
Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan, baik dari segi biaya, waktu maupun dasar teori. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial Regresion dan Multiple Regression, padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal, sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau ratio, data harus memiliki distribusi normal. Jika kita tidak ingin melakukan uji normalitas karena data yang kita miliki adalah data ordinal, hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval..

Menuruti Al-Rasyid, menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data. Transformasi data itu dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval (MSI). Tujuan dari dilakukannya transformasi data adalah untuk menaikkan data dari skala pengukuran ordinal menjadi skala dengan pengukuran interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. Transformasi data ordinal menjadi interval itu, selain merupakan suatu kelaziman, juga untuk mengubah data agar memiliki sebaran normal. Artinya, setelah dilakukan transformasi data dari ordinal menjadi interval, penggunaan model dalam suatu penelitian tidak perlu melakukan uji normalitas. Karena salah satu syarat penggunaan statistik parametrik, selain data harus memiliki skala interval (dan ratio), data juga harus memiliki distribusi (sebaran) normal. Dengan dilakukannya transformasi data, diharapkan data ordinal sudah menjadi data interval dan memiliki sebaran normal yang langsung bisa dilakukan analisis dengan statistik parametrik. Berbeda dengan ststistik nonparametrik, ia hanya digunakan untuk mengukur distribusi. (Ronald E. Walpole).



DAFTAR PUSTAKA

Al-Rasyid, H. Teknik Penarikan Sampel dan Penyusunan Skala. Pascasarjana UNPAD, Bandung, 1994.
Anita Kesumahati, Skripsi, PS Matematika, Unila, Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural, 2005.
Hays, W. L., 1976. Quantification in Psychology, Prentice Hall.New Delhi.
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, 1992. Pengantar Statistika, Edisi ke-3, Penerbit PT Gramedia Pustaka Utama, Jakarta.
Riduan, Dasar-dasar Statistika, 2005. Penerbit ALFABETA Bandung.
Sugiono, Prof. Dr. 2004. Statistika Nonparametrik Untuk Penelitian, Penerbit CV ALFABETA, Bandung.
Wijayanto, 2003. Structural Equation Modeling dengan LISREL 8.5. Pascasarjana FE-UI, Jakarta.
Zaenal Mustafa El Qodri, 1985. Pengantar Statistika, Bagian Penerbitan Fakultas Ekokomi Universitas Islam Indonesia, Yogyakarta.