Jenis Data: Nominal sampai Rasio

Anda baru membuka berkas survei karyawan. Ada kolom gender (L/P), pendidikan (SD sampai S2), gaji (Rupiah), dan kepuasan kerja (skor 1 sampai 5). Atasan menelepon: “Tolong hitung rata-ratanya semua kolom.”

Anda mulai dari gaji — rata-rata Rp 7,4 juta, masuk akal. Lalu sampai ke gender, dan tangan Anda berhenti. Berapa “rata-rata” dari L dan P? Tidak ada jawabannya. Bukan kalkulator yang salah, melainkan pertanyaannya: gender bukan angka yang bisa dirata-ratakan, sedangkan gaji bisa.

Yang membuat keduanya berbeda adalah jenis data. Setiap kolom punya “tingkat pengukuran” sendiri, dan tingkat itulah yang menentukan operasi apa yang masuk akal. Salah mengenali jenis data sejak awal berarti memilih metode yang salah — dan hasilnya omong kosong yang tampak rapi.

Seluruh materi ini bisa diringkas dalam satu gambar: empat skala yang menanjak seperti tangga, makin ke kanan makin “kaya”.

Empat skala ini berasal dari psikolog S. S. Stevens (1946) dan sampai sekarang menjadi rujukan baku. Kita bahas satu per satu, dari yang paling sederhana.

Sekilas Keempat Skala

Sifat kunci: tiap skala “atas” mencakup semua kemampuan skala di bawahnya. Data rasio boleh diperlakukan sebagai interval, ordinal, atau nominal bila perlu. Sebaliknya tidak: data nominal tidak bisa “dinaikkan” menjadi rasio.

1. Nominal: Kategori Tanpa Urutan

Skala paling dasar. Nilainya hanya menandai kelompok — tidak ada yang “lebih tinggi” atau “lebih rendah”. Pertanyaan satu-satunya yang dijawab nominal: masuk kelompok mana?

Contoh konkret:

• Gender (Laki-laki, Perempuan)
• Provinsi (Jawa Tengah, Jawa Timur, DKI Jakarta, Bali)
• Agama (Islam, Kristen, Hindu, Buddha)
• Status pernikahan (Lajang, Menikah, Cerai)
• Jenis pekerjaan (PNS, Swasta, Wirausaha)
• Golongan darah (A, B, AB, O)

Tidak ada urutan alami: mengatakan “Bali lebih besar dari DKI” sebagai kategori tidak punya arti. Bali memang sebuah provinsi yang berbeda, titik.

Yang sahih dilakukan:

• Hitung frekuensi — berapa banyak per kategori.
• Modus — kategori yang paling sering muncul.
• Uji khi-kuadrat untuk memeriksa hubungan antara dua variabel nominal.

Yang tidak sahih: rata-rata, median, simpangan baku, korelasi. Tidak ada “nilai tengah” dari {Merah, Biru, Hijau}.

Contoh dari nol — modus dan frekuensi. Misalkan agama 12 responden tercatat sebagai: Islam, Islam, Kristen, Islam, Hindu, Islam, Kristen, Islam, Buddha, Islam, Kristen, Islam. Kita hanya bisa menghitung kemunculan tiap kategori:

Kategori paling sering adalah Islam, jadi modus = Islam. Tidak ada rata-rata, tidak ada median — hanya hitungan dan modus. Itulah seluruh statistika yang sahih untuk data nominal.

Jebakan kode angka. Bila data dikodekan dengan angka untuk memudahkan entri (Jawa Tengah = 1, Jawa Timur = 2, DKI = 3, Bali = 4), rata-ratanya tetap tidak bermakna. Rata-rata kode {1, 2, 3, 4} memang 2,5 secara aritmetika, tetapi tidak ada provinsi “2,5”. Angka di sini cuma label yang menyamar, bukan kuantitas.

2. Ordinal: Kategori Berurutan

Skala ini menambah satu sifat: urutan. Kita tahu mana lebih tinggi dan mana lebih rendah, tetapi jarak antar tingkat tidak setara atau tidak terukur.

Contoh konkret:

• Tingkat pendidikan (SD, SMP, SMA, S1, S2, S3)
• Skala Likert (Sangat tidak setuju → Sangat setuju, dikodekan 1–5)
• Peringkat lomba (juara 1, 2, 3)
• Tingkat kepuasan (Buruk, Sedang, Baik, Sangat Baik)
• Kelas penerbangan (Ekonomi, Bisnis, First)
• Penilaian film (1 sampai 5 bintang)

Urutannya jelas: S2 lebih tinggi dari S1, juara 1 mengungguli juara 2. Namun jaraknya tidak setara. Lompatan dari SD ke SMP (3 tahun) jelas berbeda dari S1 ke S2 (2 tahun sekolah pascasarjana yang sangat lain isinya). “Selisih satu tingkat” tidak berarti besaran yang sama di mana-mana.

Yang sahih dilakukan:

• Semua dari nominal (frekuensi, modus), ditambah:
• Median dan persentil/kuartil — karena sekarang ada urutan, “nilai tengah” punya arti.
• Korelasi Spearman untuk hubungan antar variabel berurutan.
• Uji Mann-Whitney atau Wilcoxon sebagai pembanding antar-kelompok.

Yang tidak sahih (secara teori): rata-rata aritmetika, simpangan baku, korelasi Pearson — semuanya mengandaikan jarak yang setara, padahal ordinal tidak menjaminnya.

Contoh dari nol — median. Pendidikan 9 responden: SMA, S1, SMP, SMA, S1, SD, S2, SMA, S1. Karena ada urutan, kita boleh mengurutkannya dari rendah ke tinggi:

SD, SMP, SMA, SMA, SMA, S1, S1, S1, S2

Dengan 9 data, nilai tengah ada di posisi ke-5. Hitung sampai data kelima: SD (1), SMP (2), SMA (3), SMA (4), SMA (5) — jadi median = SMA. Median bekerja di sini justru karena urutan sudah ada; pada data nominal langkah “mengurutkan” ini mustahil.

Kompromi praktis pada Likert. Dalam praktik, skala Likert 1–5 sering diperlakukan sebagai interval (dirata-ratakan, dihitung simpangan bakunya, dimasukkan ke regresi). Secara ketat ini keliru, tetapi dapat diterima dengan syarat: jarak antar pilihan dirancang simetris (ada “Netral” di tengah), ukuran sampel besar, dan sebarannya tidak terlalu menceng. Jurnal bereputasi masa kini menerimanya asalkan disertai uji ketahanan memakai metode non-parametrik (Spearman, Mann-Whitney) sebagai pembanding.

3. Interval: Numerik, Nol Tidak Mutlak

Skala interval menambah sifat ketiga: jarak yang setara. Selisih yang sama di mana pun pada skala berarti besaran yang sama. Selisih 20°C ke 30°C sama persis dengan 30°C ke 40°C: sama-sama 10 derajat tambahan panas.

Yang masih belum dimiliki interval adalah nol mutlak. Pada skala ini, angka nol cuma sebuah titik di garis, bukan tanda “tidak ada”.

Contoh konkret:

• Suhu Celsius — 0°C bukan berarti “tidak ada suhu”, melainkan titik beku air.
• Suhu Fahrenheit — 0°F hanyalah angka pada skala lain (0°C setara 32°F, jadi titik nolnya pun berbeda).
• Tahun kalender — tahun 0 bukan “awal waktu”, hanya satu titik penanggalan.
• Skor SAT (200–800) — tidak dimulai dari nol.

Yang sahih dilakukan:

• Semua dari ordinal, ditambah:
• Rata-rata dan simpangan baku — karena jarak sudah setara.
• Korelasi Pearson, uji-t, ANOVA, dan regresi linear.

Yang tidak sahih: perbandingan kelipatan (rasio). Inilah inti yang sering terlewat. Karena nol bukan nol mutlak, “dua kali lipat” tidak punya arti. 20°C bukan “dua kali lebih panas” dari 10°C.

Mengapa demikian — bukti sederhana. Suhu yang punya nol mutlak adalah Kelvin (0 K = nol energi termal, benar-benar tidak ada panas). Ubah dulu ke Kelvin: 10°C = 283,15 K dan 20°C = 293,15 K. Perbandingannya 293,15 / 283,15 ≈ 1,035 — bukan 2. Jadi 20°C sama sekali bukan dua kali panas 10°C; ia hanya 3,5% lebih panas dalam ukuran fisik sebenarnya. “Dua kali” hanya muncul karena kita menaruh nol di tempat yang sembarang. Itulah pembeda interval dari rasio.

4. Rasio: Numerik, Nol Mutlak

Skala terkaya. Ia memiliki semua sifat interval ditambah nol mutlak: angka nol benar-benar berarti “tidak ada”. Karena titik nolnya tetap dan bermakna, perbandingan kelipatan menjadi sahih.

Contoh konkret:

• Gaji (Rp 0 = tidak punya penghasilan)
• Tinggi badan (0 cm = tidak ada tinggi)
• Berat (0 kg = tidak ada massa)
• Umur (0 tahun = baru lahir)
• IPK (0,00 = tidak ada nilai sama sekali)
• Jumlah anak (0 = tidak punya anak)
• Penjualan (Rp 0 = tidak ada penjualan)
• Jam belajar per minggu (0 jam = tidak belajar)

Yang sahih dilakukan: semua operasi — termasuk yang khas rasio:

• Perbandingan kelipatan: gaji Rp 10 juta benar-benar dua kali Rp 5 juta (10 / 5 = 2). IPK 3,6 dua kali IPK 1,8. Tinggi 180 cm adalah 1,5 kali tinggi 120 cm.
• Koefisien variasi, rata-rata geometrik, dan transformasi logaritma (selama datanya positif).

Perbandingan kelipatan inilah yang gugur pada interval tetapi hidup pada rasio, semata karena nolnya kini punya arti. Sebagian besar data ekonomi dan bisnis adalah rasio: gaji, harga, penjualan, laba, jumlah karyawan, jam kerja. Itu sebabnya kebanyakan analisis kuantitatif bisnis bebas memakai seluruh perkakas statistik.

Tiga Pertanyaan untuk Menggolongkan

Untuk menentukan skala sebuah variabel, jawab tiga pertanyaan berurutan. Begitu satu jawaban “tidak”, Anda berhenti dan sudah dapat jawabannya.

1. Apakah ada urutan alami antar nilai?
   ├── TIDAK ──────────────────────────────► NOMINAL
   └── YA → 2. Apakah jarak antar nilai setara?
            ├── TIDAK ─────────────────────► ORDINAL
            └── YA → 3. Apakah nol berarti "tidak ada"?
                     ├── TIDAK ────────────► INTERVAL
                     └── YA ───────────────► RASIO

Coba pada suhu Celsius: ada urutan? Ya (30° lebih panas dari 20°). Jarak setara? Ya (tiap derajat sama). Nol berarti tidak ada? Tidak (0°C masih ada suhunya). Berhenti — interval. Bandingkan dengan gaji: ada urutan (ya), jarak setara (ya), nol = tidak ada (ya, Rp 0 = tanpa gaji) → rasio.

Coba Sendiri: Penggolong Data

Widget berikut adalah penggolong: seret tiap contoh data ke kategori yang menurut Anda tepat, lalu lihat berapa yang benar.

Mainkan beberapa kali. Tiga pola yang paling sering keliru:

1. Suhu Celsius dikira rasio. Padahal interval — 0°C bukan nol mutlak.
2. Likert tampak ambigu. Secara ketat ordinal; dalam praktik sering diperlakukan sebagai interval (dengan uji ketahanan).
3. Tahun (1990, 2024) dikira rasio. Itu interval — tahun 0 bukan awal waktu.

Memilih Metode Statistik per Jenis Data

Klasifikasi ini bukan sekadar latihan menamai. Ia langsung menentukan metode mana yang sahih.

Aturan praktis: boleh “turun”, tidak boleh “naik”. Data rasio boleh diperlakukan sebagai ordinal atau nominal (misalnya gaji dikelompokkan menjadi rendah/sedang/tinggi). Tetapi data nominal mustahil dipaksa naik menjadi rasio — informasi yang tidak ada tidak bisa diciptakan.

Kasus yang Sering Membingungkan

Skala Likert. Secara ketat ordinal, dalam praktik sering diperlakukan sebagai interval. Sah dengan catatan uji ketahanan non-parametrik.

Tanggal. Interval bila dipakai sebagai garis waktu (selisih hari bermakna, tetapi “tahun 0” tidak istimewa). Bisa dianggap rasio hanya bila diukur dari titik nol yang disepakati (misalnya jumlah hari sejak suatu epoch).

Skor ujian (0–100). Ambigu. Banyak peneliti memperlakukannya sebagai interval. Skor 0 tidak benar-benar berarti “tanpa pengetahuan sama sekali”, jadi tidak murni rasio.

Persentase. Bergantung konteks. Persentase populasi yang setuju (0–100%, tak mungkin negatif) bersifat rasio. Persentase imbal hasil investasi bisa negatif, jadi lebih tepat interval.

Data cacah (jumlah anak, jumlah surel per hari). Rasio — sebab 0 berarti benar-benar tidak ada.

Cek Pemahaman

1. Sebuah survei mencatat nomor punggung pemain sepak bola (7, 10, 23, 11). Seorang asisten menghitung “rata-rata nomor punggung = 12,75”. Skala apa data ini, dan apakah rata-rata tersebut bermakna?

2. Anda meneliti lama perjalanan harian karyawan (dalam menit) dan tingkat stres yang dilaporkan dalam skala Buruk–Sedang–Baik. Untuk masing-masing variabel: skala apa, dan satu ukuran pemusatan yang sahih?

Excel Template

Berkas pendamping ada di /excel/02-jenis-data.xlsx, berisi:

• INSTRUKSI — cara membaca workbook.
• TABEL_RUJUKAN — empat skala beserta ciri dan contohnya.
• DATA_PRAKTEK — 30 contoh data untuk dilatih digolongkan.
• DECISION_TREE — pohon keputusan tiga pertanyaan dalam bentuk visual.
• METODE_VALID — tabel metode statistik yang sahih per jenis data.
• KESALAHAN_UMUM — lima miskonsepsi yang paling sering.

⬇ Unduh 02-jenis-data.xlsx

Kesalahan Umum

Merata-ratakan data nominal yang dikodekan angka. Provinsi berkode 1, 2, 3, 4 lalu di-rata-rata menjadi 2,5. Tidak ada artinya. Pakai modus atau frekuensi.

Memperlakukan Likert sebagai interval tanpa catatan. Boleh dilakukan, tetapi sertakan uji ketahanan non-parametrik (Mann-Whitney, Spearman) sebagai analisis sensitivitas.

Mengklaim suhu Celsius bersifat rasio. 40°C bukan “dua kali panas” 20°C. Untuk perbandingan kelipatan suhu, pakai Kelvin yang punya nol mutlak.

Memperlakukan skor ujian sebagai rasio. Skor 0 di ujian bukan berarti “tanpa pengetahuan mutlak”. Skor adalah konstruksi pengukuran — perlakukan sebagai interval.

Memakai korelasi Pearson untuk pasangan variabel ordinal. Pearson mengandaikan data kontinu berjarak setara. Untuk ordinal, pakai Spearman atau Kendall’s tau.

Kapan Dipakai di Dunia Nyata

• Riset akademik. Pemilihan metode bergantung pada skala. SEM-PLS, misalnya, mengandalkan variabel laten yang biasanya diukur dengan Likert (ordinal, diperlakukan sebagai interval).
• Analitik SDM. Kepuasan karyawan (ordinal), demografi (nominal), gaji (rasio) — masing-masing menuntut perkakas berbeda dalam satu laporan yang sama.
• Riset pemasaran. Preferensi merek (nominal), skor kepuasan (ordinal), nilai belanja (rasio).
• Riset kesehatan. Golongan darah (nominal), stadium keparahan (ordinal), tekanan darah (rasio).
• Survei publik. Gender dan partai (nominal), pendidikan (ordinal), pendapatan (rasio) — gabungan empat skala adalah hal biasa dalam satu kuesioner.

Lanjutan

Klasifikasi jenis data dilakukan sebelum memilih metode statistik. Salah menggolongkan di awal berarti salah metode, dan akhirnya hasil yang tidak sahih. Lima menit di sini menyelamatkan berjam-jam analisis.

• Tendensi Sentral — memilih rata-rata, median, atau modus sesuai jenis datanya.
• Variabilitas — simpangan baku untuk interval/rasio, IQR untuk ordinal.
• Metode Sampling — strategi pengambilan sampel per jenis data.
• Distribusi Normal — relevan untuk data interval dan rasio.

Referensi

• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680.
• Velleman, P. F., & Wilkinson, L. (1993). Nominal, ordinal, interval, and ratio typologies are misleading. The American Statistician, 47(1), 65–72. (Kritik klasik terhadap penggolongan yang terlalu kaku.)