DQLab Super Giveaway! Belajar Data Science 6 Bulan hanya Rp.99.000! DAFTAR

Pakai Kode: KUPON99K. Berakhir 2 Days 15 Jam : 57 Menit : 15 Detik

Macam-Macam Teknik Pengumpulan Data: Skala Pengukuran Data yang Dapat Kamu Implementasikan Setelah Melakukan Teknik Pengumpulan Data

Belajar Data Science di Rumah 23-September-2020
https://dqlab.id/files/dqlab/cache/76a08bff4649effc70f71843c5ad7292_x_Thumbnail800.jpg

Dalam bidang penelitian penelitian, kita telah mengenal macam-macam teknik pengumpulan data yang bisa kita gunakan pada pembahasan sebelumnya, baik teknik pengumpulan data kuantitatif maupun kualitatif. Selain teknik pengumpulan data yang baik, skala pengukuran yang tepat untuk mengolah data tersebut juga diperlukan dalam sebuah penelitian supaya hasilnya objektif serta memiliki kredibilitas yang tinggi. Lalu, apakah jenis-jenis dari skala pengukuran yang biasa digunakan untuk mendapatkan nilai statistik dari suatu data?

Dalam mengolah data, terdapat 3 jenis skala pengukuran yang umum bahkan tanpa kita sadari kita sering menggunakannya dalam proses pengolahan ataupun analisis data. Skala-skala tersebut diperlukan terutama dalam pengukuran untuk menilai dan membedakan objek yang diteliti. Apa sajakah itu? Untuk mengetahui apa saja skala tersebut dan perbedaannya, yuk simak penjelasannya di bawah ini.

1.    Skala Nominal 

Apa itu skala nominal? Skala nominal adalah skala yang hanya bisa membedakan benda, peristiwa, ataupun objek yang diteliti antara satu dengan yang lainnya berdasarkan nama atau predikatnya. Skala nominal ini umumnya digunakan untuk mengklasifikasi sebuah objek, individu, atau kelompok secara kategorik atau kualitatif. Umumnya, pengukuran dengan skala ini dilakukan dengan pemberian angka atau simbol pada objek tersebut. Pemberian angka dan simbol ini tidak memiliki maksud kuantitatif serta hanya menunjukkan adanya atribut atau karakteristik pada objek tersebut. Hal ini berarti skala ini hanya diberikan sebagai label saja serta tidak mengandung pengertian tingkatan tertentu.

 

Contoh dari penggunaan skala ini yang mungkin akrab dalam kehidupan kita sehari-hari, adalah penggolongan terhadap jenis kelamin. Dalam penggolongan ini, umumnya jenis kelamin pria diberi kode 1, sedangkan jenis kelamin wanita diberi kode 2. Dalam hal ini, angka yang diberikan hanya berfungsi sebagai label kategori saja serta tidak memiliki arti apapun. Artinya, disini angka 2 tidak memiliki nilai lebih dari 1 dan begitu juga sebaliknya. Kita bisa saja memberi kode pada pria dengan bilangan 2 dan wanita dengan 1 atau bilangan lainnya, asalkan kode yang diberikan berbeda satu sama lain.

 

Dalam bahasa pemrograman R, fungsi yang dapat digunakan adalah chisq.test() yang digunakan untuk melakukan chi square test. Selain itu, skala nominal ini dapat diterapkan dalam prose pengkonversian data bertipe kategorik ke dalam tipe numerik dengan mmenggunakan fungsi data.matrix() sebelum digunakan dalam proses pengklasteran data dengan algoritma k-means.

Baca juga: Analisis Data Kualitatif? Yuk Pelajari Langkah-Langkah Pengumpulan Datanya! 

2.    Skala Ordinal

Setelah membahas skala nominal, kita akan lanjutkan dengan pembahasan mengenai skala ordinal. Skala ordinal adalah skala yang mengandung pengertian tingkatan. Walaupun sama-sama bertipe facto, skala ini disebut-sebut lebih tinggi daripada skala nominal. Skala ordinal ini lebih sering disebut sebagai skala peringkat. Sesuai dengan namanya, skala ini menggunakan lambang-lambang atau bilangan-bilangan untuk menunjukkan urutan atau tingkatan objek yang diukur berdasarkan karakteristik tertentu. Misalnya, kita melakukan pengukuran mengenai tingkat kepuasan seseorang terhadap sebuah produk. Dalam penilaian ini, kita bisa memberi angka 5, 4, 3, 2, dan 1 masing-masing untuk reaksi sangat puas, puas, kurang puas, tidak puas, dan sangat tidak puas. 

Walaupun skala ini sudah memiliki batas yang jelas, namun skala ini belum memiliki jarak. Seperti pada contoh tadi, kita tidak tahu berapa jarak kepuasan seseorang dari tidak puas ke kurang puas. Meskipun kita telah memberi angka-angka yang berbeda pada tiap tingkatan ini, tetap saja kita tidak bisa mengatakan bahwa reaksi sangat puas 5 kali lebih tinggi nilainya dari yang sangat tidak puas.

Sama halnya dengan skala nominal, skala ordinal memiliki variabel-variabel yang tidak dapat diterapkan pada operasi matematika standar. Untuk itu, diperlukan fungsi statistik yang tepat untuk melihat hubungan antara variabel-variabel yang digunakan dalam skala ini, salah satunya yaitu fungsi chisq.test() seperti yang sudah kita bahas tadi. Adapun, prinsip skala ordinal ini dapat diterapkan dalam proses penyimpanan data bertipe factor di bahasa pemrograman R, yaitu dengan menempelkan atribut berupa angka pada tiap data tersebut sesuai urutan abjadnya.

3.    Skala Interval

Sekarang, kita akan membahas mengenai skala yang biasa digunakan dalam pengukuran data numerik, yaitu skala interval. Skala ini memiliki sifat dan karakteristik seperti halnya skala nominal dan ordinal. Hanya saja, yang menjadi pembeda dari skala ini adalah adanya jarak atau interval yang tetap antara variabel-variabelnya. Meskipun skala ini sudah memiliki nilai instrinsik dan jarak, tetapi jarak tersebut belum merupakan kelipatannya. Pernyataan ini bisa diartikan bahwa skala interval tidak punya nilai 0 mutlak.  

Skala interval ini biasa digunakan dalam pengukuran data numerik. Perbandingan variabel-variabel ini bisa dilihat menggunakan scatter plot dan analisis korelasi. Scatter plot ini digunakan untuk melihat hubungan antara kedua variabel tersebut, apakah hubungan tersebut positif atau negatif. Sementara itu, analisis korelasi digunakan untuk menguji apakah kedua variabel tersebut memang berhubungan serta seberapa kuat hubungan tersebut. 

Dalam bahasa pemrograman R, kita menggunakan fungsi plot() untuk membuat scatter plot. Akan tetapi, supaya lebih efisien, kita dapat menggunakan fungsi geom_point() dari library ggplot2 untuk menggambar scatter plot ini. Sementara itu, fungsi yang digunakan untuk membuat analisis korelasi adalah dengan menggunakan fungsi cor.test(). Adapun skala ini dapat diterapkan penggunaannya dalam proses  clustering dengan menggunakan algoritma k-means, dimana algoritma ini akan menghitung jarak atau interval antara centroid / cluster yang telah ditetapkan dalam sebuah data.

Baca juga:  Exploratory Data Analysis : Pahami Lebih Dalam untuk Siap Hadapi Industri Data

4. Awali Belajar Menjadi Praktisi Data Dengan Belajar Data Science Gratis Bersama DQLab!

Terapkan ilmunya sekarang dengan bergabung bersama platform belajar online DQLab! Selain bisa meningkatkan ilmu data yang dimiliki, kamu juga bisa membangun portofolio datamu di DQLab guna mempersiapkan dirimu berkarir di industri data.

Sign Up untuk nikmati module GRATIS “Intoduction to Data Science” dengan pengalaman belajar yang seru menyenangkan serta aplikatif pada industri nyata! Untuk kamu yang ingin mulai belajar Data Science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata teralmbat untuk belajar. Yuk #MulaiBelajarData di DQLab.

Dengan belajar di DQLab, kamu bisa:

  • Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial

  • Dapatkan sesi konsultasi langsung dengan praktisi data lewat mentoring

  • Bangun portofolio data langsung dari praktisi data Industri

  • Akses Forum DQLab untuk berdiskusi

Simak informasi di bawah ini untuk mengakses gratis modul ‘Introduction to Data Science’:

  1. Buat Akun Gratis dengan Signup di DQLab.id/signup

  2. Akses module Introduction to Data Science

  3. Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab

Penulis : Sharon 

Editor : Annissa Widya Davita


Share

Postingan Terkait

Mulai Bangun Karirmu Bersama DQLab!