Nama: Ahmad Miftah
Kls: 3H
NPM: 200943500657
Kerjakan soal-soal berikut:
1. Ubah bilangan desimal pecahan berikut menjadi bilangan biner. (bobot 30%)
a. 17,12510 b. 0,2187510 c. 0,4687510
2. Ubah bilangan biner pecahan berikut ini menjadi bilangan desimal. (bobot 30%)
a. 101,11012 b. 111,00112 c. 10101,011¬2
3. Hitunglah hasil operasi pada bilangan biner berikut ini: (bobot 40%)
a. 11011 + 10110
b. 10111 + 11110 + 101
c. 11110 – 1001
d. 10111 – 1100
e. 11011 x 111
f. 1100 x 1111
g. 111001 / 1010
h. 1001 / 100
Kerjakan soal di atas dan kumpulkan paling lambat tanggal 5 Des 2010 (Tiap mahasiswa berbeda soal, jadi check email Anda dan kerjakan sesuai dengan soal yang saya kirim melalui email Anda). Terima kasih.
JAWAB:
1. a) 17, = 10001,
17 = 11110
Hasil dari 17 / 2 = 8, sisa 1
8 / 2 = 4, sisa 0
4 / 2 = 2, sisa 0
2 / 2 = 1, sisa 0
1 / 2 = 0,sisa 1
0,125 x 2 = 0,25
0,25 x 2 = 0,5
0,5 x 2 = 1
b) = 0,001112
0,21875 x 2 = 0,4375
0,4375 x 2 = 0,875
0,875 x 2 = 1,75
0,75 x 2 = 1,5
0,5 x 2 = 1
c) 0, = 0,011112
0,46875 x 2 = 0,9375
0,9375 x 2 = 1,875
0,875 x 2 = 1,75
0,75 x 2 = 1,5
0,5 x 2 = 1
2 a) 101,1101 = 1.22+ 0.21 + 1.20 + (`1.2-1 + 1.2-2+0.2-3+1.2-4)
= ( 4+ 0 + 1 ) ( + + 0 + )
= 5 +( 0,5 + 0,25 + 0,0625 )
= 5,8125
b) 111, = ( 1. + 1. + 1. ) + ( 0. + 0. + 1. + 1. )
= ( 4 + 2 + 1 ) + (0 + 0 + + )
= 7 + 0,1875
= 7,1875
c) 10101, = ( 1. + 0. + 1. + 0. + 1. ) + ( 0. + 1. + 1. )
= ( 16 + 4 + 1 ) + (0 + )
= 21 + 0,375
= 21,375
3 a) 11011
10110 +
110001
b) 10111
11110
101 +
110001
10101 +
c) 11110
1001 _
10101
d) 10111
1100 _
1011
e) 11011
111 x
11011
11011
11011 +
10111101
f) 1100
1111 x
1100
1100
1100
1100 +
10110100
g) Hasil 101
1010 111001
1010 -
010001
1010 -
Sisa 111
h)
Hasil 10
100 1001
100 -
Sisa 01
Ac Milan numero uno
best picture
Sunday, 5 December 2010
Thursday, 18 November 2010
Contoh program pascal record
program recort;
uses crt;
type
mahasiswa=record
nama:string [20];
UTS,UAS:integer;
end;
var
mhs: mahasiswa;
Grade : char;
begin
clrscr ;
write (‘ Masukan Nama : ‘ ) ; readln (mhs.nama) ;
write(‘ Nilai UTS : ‘ ); readln (mhs.UTS);
Write( ‘ Nilai UAS : ‘ ) ; readln (mhs.UAS);
writeln;
writeln (‘ Nama : ‘,mhs.nama);
writeln (‘ Nilai akhir : ‘,mhs.UTS*mhs.UAS/2);
begin
if mhs.UTS*mhs.UAS/2 >=80 then Grade:=’A’
else
if mhs.UTS*mhs.UAS/2 >=60 then Grade:=’B’
else
if mhs.UTS*mhs.UAS/2 >=50 then Grade:=’C’
else
if mhs.UTS*mhs.UAS/2 >=40 then Grade:=’D’
else
Grade :=’E’;
writeln (‘ Grade : ‘,Grade );
readln;
end;
end.
uses crt;
type
mahasiswa=record
nama:string [20];
UTS,UAS:integer;
end;
var
mhs: mahasiswa;
Grade : char;
begin
clrscr ;
write (‘ Masukan Nama : ‘ ) ; readln (mhs.nama) ;
write(‘ Nilai UTS : ‘ ); readln (mhs.UTS);
Write( ‘ Nilai UAS : ‘ ) ; readln (mhs.UAS);
writeln;
writeln (‘ Nama : ‘,mhs.nama);
writeln (‘ Nilai akhir : ‘,mhs.UTS*mhs.UAS/2);
begin
if mhs.UTS*mhs.UAS/2 >=80 then Grade:=’A’
else
if mhs.UTS*mhs.UAS/2 >=60 then Grade:=’B’
else
if mhs.UTS*mhs.UAS/2 >=50 then Grade:=’C’
else
if mhs.UTS*mhs.UAS/2 >=40 then Grade:=’D’
else
Grade :=’E’;
writeln (‘ Grade : ‘,Grade );
readln;
end;
end.
Wednesday, 17 March 2010
PENGERTIAN DATA NOMINAL , INTERVAL , RASIO , ORDINAL
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. 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 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 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 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 makanan ringan, tidak akan memiliki hubungan dengan produktivitas petani sawit. 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 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 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 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 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 ratio dapat dibuat perkalian ataupun pembagian. Angka pada skala 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 ratio 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, ratio antara C dan A adalah 4 : 1, ratio 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. Contoh lainnya adalah berat badan bayi yang diukur dengan skala ratio. Bayi A memiliki berat 3 Kg. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Jika diukur dengan skala Ratio, maka bayi A memiliki ratio berat badan 3 kali dari berat badan bayi C. Bayi B memiliki ratio berat badan dua kali dari berat badan bayi C, dan bayi C memiliki ratio berat badan sepertiga kali berat badan bayi A, dst. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data ratio. 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 ratio. Variabel nominal, yaitu variabel yang dikategorikan secara diskrit dan saling terpisah seperti status perkawinan, jenis kelamin, suku bangsa, 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 ahasiswa, 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. 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 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 dari skala ordinal menjadi skala interval dinamakan transformasi data. Transformasi data ini, dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval. Transformasi Data Ordinal ini dilakukan dengan tujuan untuk memperoleh data dengan skala pengururan interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. Transformasi data ordinal menjadi Interval ini, selain merupakan suatu kelaziman, juga untuk mengubah data agar memiliki sebaran normal. Artinya, setelah melakukan Transformasi data ordinal menggunakan model ini 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 normal. Dengan dilakukannya transformasi data ini, diharapkan data ordinal sudah menjadi data interval yang 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
1. Al-Rasyid, H. Teknik Penarikan Sampel dan Penyusunan Skala. Pasca Sarjana UNPAD, Bandung, 1994.
2. Anita Kesumahati, Skripsi, PS Matematika, Unila, Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural, 2005.
3. J.T. Roscoe, Fundamental Research Statistic for the Behavioral Sciences, Hol, Rinehart and Winston, Inc., New York, 1969
4. J Supranto, Statistik, Teori Dan Aplikasi, Edisi Kelima, Penerbit Erlangga, Jakarta, 1987
5. Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003.
6. Ronald E. Walpole, Pengantar Statistika, Edisi ke-3, Penerbit PT Gramedia Pustaka Utama, Jakarta, 1992.
7. Riduan, Dasar-dasar Statistika, Penerbit ALFABETA Bandung, 2005.
8. Sugiono, Prof. Dr., Statistik Nonparametrik Untuk Penelitian, Penerbit CV ALFABETA, Bandung, 2004.
9. Wijayanto, Structural Equation Modeling dengan LISREL 8.5. Pasca Sarjana
FE-UI, Jakarta, 2003.
10. Zaenal Mustafa El Qodri, Penga&&&ntar Statistika, Bagian Penerbitan Fakultas Ekokomi Universitas Islam Indonesia, Yogyakarta, 1995.
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. 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 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 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 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 makanan ringan, tidak akan memiliki hubungan dengan produktivitas petani sawit. 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 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 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 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 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 ratio dapat dibuat perkalian ataupun pembagian. Angka pada skala 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 ratio 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, ratio antara C dan A adalah 4 : 1, ratio 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. Contoh lainnya adalah berat badan bayi yang diukur dengan skala ratio. Bayi A memiliki berat 3 Kg. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Jika diukur dengan skala Ratio, maka bayi A memiliki ratio berat badan 3 kali dari berat badan bayi C. Bayi B memiliki ratio berat badan dua kali dari berat badan bayi C, dan bayi C memiliki ratio berat badan sepertiga kali berat badan bayi A, dst. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data ratio. 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 ratio. Variabel nominal, yaitu variabel yang dikategorikan secara diskrit dan saling terpisah seperti status perkawinan, jenis kelamin, suku bangsa, 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 ahasiswa, 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. 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 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 dari skala ordinal menjadi skala interval dinamakan transformasi data. Transformasi data ini, dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval. Transformasi Data Ordinal ini dilakukan dengan tujuan untuk memperoleh data dengan skala pengururan interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. Transformasi data ordinal menjadi Interval ini, selain merupakan suatu kelaziman, juga untuk mengubah data agar memiliki sebaran normal. Artinya, setelah melakukan Transformasi data ordinal menggunakan model ini 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 normal. Dengan dilakukannya transformasi data ini, diharapkan data ordinal sudah menjadi data interval yang 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
1. Al-Rasyid, H. Teknik Penarikan Sampel dan Penyusunan Skala. Pasca Sarjana UNPAD, Bandung, 1994.
2. Anita Kesumahati, Skripsi, PS Matematika, Unila, Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural, 2005.
3. J.T. Roscoe, Fundamental Research Statistic for the Behavioral Sciences, Hol, Rinehart and Winston, Inc., New York, 1969
4. J Supranto, Statistik, Teori Dan Aplikasi, Edisi Kelima, Penerbit Erlangga, Jakarta, 1987
5. Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003.
6. Ronald E. Walpole, Pengantar Statistika, Edisi ke-3, Penerbit PT Gramedia Pustaka Utama, Jakarta, 1992.
7. Riduan, Dasar-dasar Statistika, Penerbit ALFABETA Bandung, 2005.
8. Sugiono, Prof. Dr., Statistik Nonparametrik Untuk Penelitian, Penerbit CV ALFABETA, Bandung, 2004.
9. Wijayanto, Structural Equation Modeling dengan LISREL 8.5. Pasca Sarjana
FE-UI, Jakarta, 2003.
10. Zaenal Mustafa El Qodri, Penga&&&ntar Statistika, Bagian Penerbitan Fakultas Ekokomi Universitas Islam Indonesia, Yogyakarta, 1995.
Monday, 22 February 2010
BISNIS PULSA ELEKTRIK
OUTLET PULSA
Kami menerima pendaftaran pulsa elektrik, akses cepat, murah dan terpecaya
Hub. hansori 021 92031380 jl. agung raya 1 rt009/rw02 no. 2
kami tunggu, salam sukses selalu
Kami menerima pendaftaran pulsa elektrik, akses cepat, murah dan terpecaya
Hub. hansori 021 92031380 jl. agung raya 1 rt009/rw02 no. 2
kami tunggu, salam sukses selalu
Friday, 12 February 2010
( Free download softwere converter paling lengkap dan sangat lengkap ) ,( video , Mp3 , gambar , dll )
Format Factory 2.20
Softwere ini sangat berguna , cocok buat orang yang suka mengconvert video ,
dan dalam pemakaian nya sangatlah mudah , dan tampilan cukup bagus , waloupun softwere gratis tentunya tidak klah dengan softwere2 lainnya dan fitur2 nya cukup lengkap ,,
download ( di sini )
cara pemakaianyya
1. instal dulu softwerenya
2. setelah di instal , akan ada tampilan baru di desktop ( format factory )
3. pilih convertan , pengen di konvert k mana tuh data , ada audio , video ,picture dll
4. klik add file,
5. kilik ok
6. klik start , pada menu di atas ,
7. selesai
selamat mencoba
Softwere ini sangat berguna , cocok buat orang yang suka mengconvert video ,
dan dalam pemakaian nya sangatlah mudah , dan tampilan cukup bagus , waloupun softwere gratis tentunya tidak klah dengan softwere2 lainnya dan fitur2 nya cukup lengkap ,,
download ( di sini )
cara pemakaianyya
1. instal dulu softwerenya
2. setelah di instal , akan ada tampilan baru di desktop ( format factory )
3. pilih convertan , pengen di konvert k mana tuh data , ada audio , video ,picture dll
4. klik add file,
5. kilik ok
6. klik start , pada menu di atas ,
7. selesai
selamat mencoba
Berita Milan
Lagi - lagi milan menunjukan kemampunnya mengola si kulit bundar , dengan melibas Udinese di seriea , dengan skor 3 : 2 , Milan harus banyak - banyak bertrima kasih kepada Klaas-Jan Huntelaar , karna berkat dua goal nya milan bisa trust menempel inter milan di puncak klasement .
Pato juga sudah sembuhdari cidera , dan bisa di mainkan pada saat bertemu Manchester united di liga champion ,
tentu pertandingan melawan udinese akan menjadi bekal dan menambah percaya diri anak - anak asuhan leonardo ,,,,
Mau lihat video nya ( Klik di sini )
Pato juga sudah sembuhdari cidera , dan bisa di mainkan pada saat bertemu Manchester united di liga champion ,
tentu pertandingan melawan udinese akan menjadi bekal dan menambah percaya diri anak - anak asuhan leonardo ,,,,
Mau lihat video nya ( Klik di sini )
Thursday, 14 January 2010
AC MILAN
Kebangkitan AC Milan sudah kembali , ini tentu tidak lepas dari racikan sang pelatih LEONARDO ...
Salah satu buktinya d piala copa italia ....
walaupun dengan pemain yang sebagian lapis ke dua milan tetap mendominasi pertndingan,
ini di buktikan dengan dua goal yang di cetak oleh Inzagi(12),Flamini(81) dan itu membawa AC Milan melaju ke perempat final copa italia .
Striker PIPO(Inzagi)lagi-lagi menunjukan ketajamannya di lini depan dengan mencetak satu goal, meskipun umurnya sudah tidak muda lagi ia tetap konsisten waloupun jarang di mainkan oleh Leonardo,
Goal indah yang di ciptakan Flamini pada menit 81 yang mantan pemain Arsenal itu membuat Ac Milan melenggang ke perempat final copa italia , tidak mudah bagi pemain sepakbola bisa membuat goal dari jarak yang sejauh itu , hanya pemain yang mempunyai naluri dan semangat yang kuat untuk melakukan hal itu ...
Kisah milan tentu tidak akan barakhir di situ saja , tentu ambisi yang saat ini adalah menyingkirkan Inter milan di puncak klasemen serta membawa trofi Champion
maju trus milan ....
Maulihat Video Nya klik di sini [ AC MILAN ]
Salah satu buktinya d piala copa italia ....
walaupun dengan pemain yang sebagian lapis ke dua milan tetap mendominasi pertndingan,
ini di buktikan dengan dua goal yang di cetak oleh Inzagi(12),Flamini(81) dan itu membawa AC Milan melaju ke perempat final copa italia .
Striker PIPO(Inzagi)lagi-lagi menunjukan ketajamannya di lini depan dengan mencetak satu goal, meskipun umurnya sudah tidak muda lagi ia tetap konsisten waloupun jarang di mainkan oleh Leonardo,
Goal indah yang di ciptakan Flamini pada menit 81 yang mantan pemain Arsenal itu membuat Ac Milan melenggang ke perempat final copa italia , tidak mudah bagi pemain sepakbola bisa membuat goal dari jarak yang sejauh itu , hanya pemain yang mempunyai naluri dan semangat yang kuat untuk melakukan hal itu ...
Kisah milan tentu tidak akan barakhir di situ saja , tentu ambisi yang saat ini adalah menyingkirkan Inter milan di puncak klasemen serta membawa trofi Champion
maju trus milan ....
Maulihat Video Nya klik di sini [ AC MILAN ]
Subscribe to:
Posts (Atom)