Pengembang Platform & Instruktur Utama

Thoriqi Firdaus, S.Pd., M.Pd.

Dosen Pendidikan IPA Universitas Pelita Bangsa

💻 Digital Pedagogy 🤖 AI in Science Education 🌱 STEM-Green Integration 🌍 Socio-scientific Issues

Statistika - Pertemuan 2

Jenis Data & Skala Pengukuran

Pelajari klasifikasi data (kualitatif vs kuantitatif) dan pahami bagaimana skala pengukuran (Nominal, Ordinal, Interval, Rasio) menentukan teknik analisis statistik fundamental yang tepat untuk penelitian Anda.

Mulai Pembelajaran Capaian Pembelajaran

Apakah Semua Angka & Kata Itu Sama?

Silakan klik pada data di dalam tabel di bawah ini untuk melihat karakteristiknya.

Mahasiswa	Program Studi	Tingkat Kepuasan	Nilai Ujian	Jumlah Kehadiran	Lama Belajar
A	Pendidikan Biologi	Puas	85	14	3 jam
B	Pendidikan Fisika	Sangat Puas	90	16	4 jam
C	Pendidikan Biologi	Cukup	75	12	2 jam

"Dari data di atas, apakah semua angka dan kategori dapat diperlakukan dengan cara yang sama dalam perhitungan statistik?"

Data Kualitatif vs Kuantitatif

Atribut / Kategori

Data Kualitatif

Data yang menunjukkan kualitas, kategori, atau atribut. Tidak dapat dioperasikan secara matematis (tidak bisa ditambah atau dikurangi).

⚠️ Awas Terkecoh: Angka bisa jadi data kualitatif jika fungsinya hanya sebagai label. Contoh: Nomor punggung pemain bola atau nomor kode shade foundation make-up tidak bisa dijumlahkan secara logis.

Berbentuk kata, kategori, atau label angka
Bersifat klasifikasi atau deskriptif
Dianalisis menggunakan modus atau persentase

1. Karakteristik Siswa Contoh: Gaya belajar siswa kelas 4 SD (Visual, Auditori, Kinestetik).

2. Kategori Angka (Label) Contoh: Nomor gugus sekolah, atau nomor urut absen siswa (angka 1 dan 2 tidak berarti absen 2 lebih pintar dari absen 1).

Angka / Pengukuran

Data Kuantitatif

Data yang dinyatakan dalam bentuk angka nyata yang didapatkan dari hasil perhitungan (diskrit) atau pengukuran (kontinu).

Menunjukkan jumlah atau ukuran sebenarnya
Dapat dilakukan operasi matematika (+, -, ×, ÷)
Dianalisis dengan mean (rata-rata), uji-t, atau korelasi

1. Hasil Belajar (Diskrit) Contoh: Nilai ulangan harian Matematika siswa kelas 5 SD (85, 90, 78).

2. Pengukuran Fisik (Kontinu) Contoh: Tinggi badan siswa baru kelas 1 SD (110.5 cm, 115.2 cm).

Interaktif: Klik pada setiap kotak di bawah ini untuk melihat penjelasan detailnya.

DATA
- Kualitatif (Atribut/Kategori)
  - Nominal
  - Ordinal
- Kuantitatif (Angka Ukur)
  - Interval
  - Rasio

Silakan klik salah satu kotak pada bagan di atas.

Data Kualitatif

1. Nominal

Skala paling dasar. Hanya berfungsi sebagai label atau kategori untuk membedakan. Tidak ada tingkatan (yang satu tidak lebih tinggi dari yang lain).

Contoh PGSD: Jenis kelamin siswa (Laki-laki & Perempuan), Agama, atau Status sekolah (Negeri & Swasta).

Data Kualitatif

2. Ordinal

Memiliki kategori seperti nominal, namun memiliki urutan atau tingkatan (hierarki). Jarak antar tingkatan tidak selalu sama.

Contoh PGSD: Peringkat kelas (Juara 1, 2, 3), atau Tingkat kelancaran membaca (Kurang, Sedang, Lancar).

Data Kuantitatif

3. Interval

Angka nyata dengan jarak antar angka yang jelas dan konsisten. Namun, tidak memiliki angka nol mutlak (nol bukan berarti tidak ada sama sekali).

Contoh PGSD: Suhu ruangan kelas (0°C bukan berarti tidak ada suhu), atau Skor IQ siswa.

Data Kuantitatif

4. Rasio

Skala tertinggi. Memiliki jarak yang jelas dan memiliki nol mutlak (nol berarti benar-benar tidak ada/kosong). Bisa dilakukan perkalian/pembagian.

Contoh PGSD: Tinggi badan siswa (0 cm = tidak ada tinggi), Jumlah buku di perpustakaan, atau Usia siswa.

🔄

Apakah Data Kualitatif Bisa Menjadi Kuantitatif?

Kualitatif ➡️ Kuantitatif (Kuantifikasi / Coding)

Data kualitatif (khususnya Ordinal) sangat sering diubah menjadi angka agar bisa dihitung menggunakan rumus statistik. Hal ini umum dilakukan pada instrumen kuesioner berskala Likert.

Contoh Kasus PGSD: Angket Motivasi Siswa.
Pilihan Sangat Setuju diubah menjadi angka 4.
Pilihan Setuju diubah menjadi 3, dst. Angka ini kemudian dijumlahkan untuk dicari rata-ratanya.

Kuantitatif ➡️ Kualitatif (Kategorisasi)

Data kuantitatif (Rasio/Interval) juga bisa diubah ke kualitatif jika peneliti hanya ingin melihat pengelompokan secara umum, bukan nilai persisnya.

Contoh Kasus PGSD: Nilai Ujian Matematika.
Nilai asli 85, 90, 75 (Kuantitatif / Rasio) dikelompokkan ke dalam rentang:
Nilai 80-100 = Tuntas (Kualitatif / Ordinal).
Nilai <80 = Belum Tuntas.

Simulasi Transformasi Data (Coding)

Ubah hasil kuesioner dari teks (Kualitatif) menjadi angka (Kuantitatif)

Kuesioner Minat Belajar Siswa (Responden: Siswa A) Data Kualitatif

1. Saya senang mengikuti pelajaran Matematika di kelas.

Sangat Setuju

2. Saya selalu mengerjakan tugas sekolah tepat waktu.

Setuju

3. Saya mudah bosan saat guru menerangkan di depan.

Tidak Setuju

4. Saya membaca ulang materi pelajaran saat di rumah.

Sangat Setuju

Kenapa harus diubah menjadi angka?

Karena teks "Sangat Setuju" tidak bisa ditambahkan dengan "Setuju". Dengan mengubahnya menjadi angka berskala, kita bisa melakukan analisis matematika seperti mencari total skor atau nilai rata-rata (Mean).

Kesimpulan: Rata-rata skor minat belajar Siswa A adalah (Kategori: Tinggi).

Simulasi Kategorisasi Data

Ubah Angka Pengukuran (Kuantitatif) menjadi Kategori Predikat (Kualitatif)

Nama Siswa	Nilai IPA (Kuantitatif - Rasio)	Predikat Rapor (Kualitatif - Ordinal)
Budi Santoso	92	?
Siti Aminah	78	?
Doni Pratama	65	?
Rina Melati	54	?

Kenapa angka murni harus diubah jadi kategori?

Dalam evaluasi pendidikan dasar (PGSD), nilai 54 dan 65 mungkin tidak memberi banyak makna bagi orang tua siswa. Dengan mengubahnya menjadi kategori deskriptif, guru bisa lebih mudah membuat keputusan (misal: menentukan siapa yang butuh remedial) dan laporan lebih mudah dipahami secara kualitatif.

Kriteria Acuan (Rubrik):
• 86 - 100 = Sangat Baik
• 71 - 85 = Baik
• 61 - 70 = Cukup
• 0 - 60 = Kurang (Remedial)

Dashboard Riset: PTK Pembelajaran IPA SD

Judul Riset: Penerapan Model Project Based Learning (PjBL) terhadap Hasil Belajar dan Minat Siswa Kelas V pada Materi Ekosistem.
Kriteria Ketuntasan Minimal (KKM): 75

📋 Data Mentah (N=20 Siswa) Pre-test & Post-test

No	Nama Siswa	Nilai Awal	Nilai Akhir	Skor Minat (10-40) ⓘ Dari mana angka 10-40? Asumsi angket memiliki 10 pertanyaan dengan Skala Likert 1-4. • Skor Min 10: (10 soal × skor terendah 1) • Skor Max 40: (10 soal × skor tertinggi 4) Ini adalah contoh data kualitatif yang dikuantifikasi menjadi interval untuk mencari rata-rata.

📊 Hasil Analisis Statistik

📉

Klik tombol Proses Analisis Data
untuk mengubah data mentah menjadi temuan riset.

Analisis Kuantitatif (Rasio)

Rata-rata Peningkatan Nilai Kelas

62.5 ➡️ 84.2

Peningkatan yang signifikan (N-Gain).

Kategorisasi (Kuantitatif ➡️ Nominal/Ordinal)

Ketuntasan Klasikal (KKM ≥ 75)

85% Tuntas

17 dari 20 siswa berhasil tuntas.

Kuantifikasi (Likert ➡️ Interval)

Rata-rata Skor Minat Belajar

34 / 40 (Kategori: Tinggi)

Data kualitatif diubah ke skor numerik agar dapat dihitung Mean (Rata-rata).

Kesimpulan Bab 4:
Berdasarkan analisis statistik deskriptif, transformasi nilai pengukuran ke kategori ketuntasan membuktikan bahwa model PjBL efektif meningkatkan pemahaman siswa melebihi target minimal (Ketuntasan > 80%).