VARIABEL

Variabel adalah karakteristik atau sifat dari obyek kajian, yang mana data diamati atau diukur atau dicacah dari padanya. Variabel adalah suatu sebutan yang dapat diberi nilai angka (kuantitatif) atau nilai mutu (kualitatif). Variabel juga merupakan pengelompokan secara logis dari dua atau lebih atribut dari objek yang diteliti. 

Variabel merupakan suatu istilah yag berasal dari kata "vary" dan "able" yang berarti “berubah” dan “dapat”. Oleh karenanya kata variabel berarti dapat berubah. Setiap variabel dapat diberi nilai, dan nilai itu berubah-ubah. Nilai itu berupa nilai kuntitatif maupun kualitatif. Ukuran kuantitatif maupun kualitatif suatu variabel adalah jumlah dan derajat atributnya.

Dilihat dari segi nilainya, variabel dibedakan menjadi variabel diskrit dan variabel kontinu. 

Variabel diskrit nilai kuantitatifnya selalu berupa bilangan bulat, Variabel kontinu nilai kuantitatifnya bisa berupa pecahan. Apabila diambil dua bilangan bulat yang wajar sebagai nilai variabel, terdapat tak hingga banyaknya angka-angka yang mungkin menjadi nilai dari variabel yang sedang diukur itu. Ini jika digambarkan akan memberi kesan bahwa nilai-nilai variabel itu bersambung atau kontinu. Secara umum, perbedaan antara kedua jenis variabel ini adalah bahwa, variabel diskret merupakan hasil perhitungan sedangkan variabel kontinu merupakan hasil pengukuran. Secara literal, diskret berarti tidak mempunyai pecahan (utuh). Maksudnya, dalam variabel kuantitatif diskret (discrete quantitative variables), tiap nilai variabel dipisahkan oleh satu kesatuan tententu. Jadi, variabel diskret hanya dapat dinyatakan dalam satuan-satuan (satu, dua, enam), dan satuan-satuan itu tidak dapat dibagi lagi ke dalam satuan yang lebih kecil. Dengan demikian, data yang diperoleh dari variabel ini adalah data nominal. Sedangkan variabel kuantitatif kontinu (continuous quantitative variables) adalah variabel yang bersambungan, artinya di antara dua unit ukuran masih terdapat unit-unit ukuran lain yang secara teoritik tidak terhingga banyaknya. Contohnya, di antara 2,1 meter dan 2,2 meter masih terdapat ukuran 2,11, 2,21 dan seterusnya.

Ditinjau dari sifatnya  variabel dapat dibedakan menjadi  variabel kualitatif dan kuantitatif.

(1). Variabel  Kualitatif  adalah  menunjukkan  sifat kualitas  dari obyek yang menghasilkan  data kualitatif melalui pengamatan. Dalam menganalisis data kualitatif  (yang berasal dari data kualitatif ini), bila mana akan menggunakan  metode statistika  maka data kualitatif tersebut  harus dikuantitatifkan   melalui cara pemberian skor  (skoring). Hal ini diperlukan mengingat  metode statistika merupakan metode komputasi dengan pendekatan kuantitatif. Data demikian ini termasuk data diskrit dengan skala ukur nominal atau ordinal.

(2). Variabel Kuantitatif, adalah  variabel yang menujukkan  sifat kuantitas, akan menghasilkan data kuantitatif  melalui cara pencacahan, atau pengukuran, atau pemeriksaan laboratorium dll, yang bisa berupa data diskrit atau kontinyu dengan skala ukur interval dan rasio.

Ditinjau dari  keberadaan, keterkaitan, dan struktur pengaruhnya  variabel dapat dibedakan menjadi :

(1). Variabel tergantung (Dependent Varibel) adalah suatu variabel yang menjadi pusat perhatian peneliti (tercakup dalam hipotesis penelitian), yang keragamannya  (variabeilitasnya) ditentukan  atau tergantung  atau dipengaruhi oleh variabel lain.

(2). Variebel bebas (independent variabel), adalah suatu variabel yang menjadi pusat perhatian  peneliti (termuat dalam permasalahan penelitian) yang keragamannya sebagai akibat  dari manipulasi  atau intervensi peneliti atau merupakan suatu keadaan  atau kondisi atau fenomena  yang ingin diselidiki, diteliti dan dikaji. Variabel ini  mempengaruhi variabel tergantung.

(3). Variabel Pembaur (confounding variabel), adalah suatu  variabel dalam penelitian yang tidak menjadi pusat perhatian peneliti  dan  berpengaruh terhadap  variabel tergantung dan pengaruh tersebut  mencampuri atau berbaur  dengan variabel bebas. Suatu penelitian biasanya  ingin mengetahui pengaruh variabel bebas terhadap tergantung yang tentunya  pengaruh tersebut  harus terbebas dari berbaurnya pengaruh  variabel-variabel yang lain

(4). Variabel penyerta (Concomitant)  adalah suatu variabel dalam penelitian  yang tidak merupakan  pusat perhatian peneliti, akan tetapi muncul  dan berpengaruh  terhadap  keragaman variabel tergantung dan pengaruh tersebut  membaur (cofounding) dengan variabel bebas. Variabel ini tidak dapat dikendalikan , sehingga tetap menyertai (terikut)  dalam proses penelitian, dengan konsekuensi  data harus diamati dan pengaruh baurnya harus dieliminir. Pengaruh baur tersebut dapat  dihilangkan (dieliminasi) pada tahap analisi data, misalnya dengan Ancova atau Mancova.

(5). Variabel Kendali (control Variabel) adalah variabel yang bukan merupakan  pusat perhatian peneliti, akan tetapi  berpengaruh  terhadap  keragaman variabel tergantung dan pengaruh  tersebut dapat dikendalikan. Pengendalian ini biasanya  dilakukan dengan cara blocking, yaitu mengelompokkan obyek penelitian menjadi kelompok-kelompok  yang relatip homogen  atau dengan cara ekxklusi (mengeluarkan obyek yang tidak memenuhi kriteria) dan inklusi (memilih dan menjadikan obyek yang memenuhi kriteria untuk diikutkan dalam penelitian / kajian). Bilamana dilakukan dengan cara pengelompokan (blocking), maka pada tahap analisis data pengaruh blocking ini harus dihilangkan, misalnya dengan ANOVA Two Way.

METODE ANALISIS DATA STATISTIK

Kualitas data yang digunakan sangat menentukan hasil atau kesimpulan yang diperoleh. Bila datanya berkualitas baik  maka informasi yang akan diperoleh juga baik dan sebaliknya. Kualitas data ditentukan oleh akurasinya. Data yang tidak akurat  ditunjukkan oleh adanya  data pencilan (outliers). Data ini harus dibuang agar tidak merusak hasil. Selain itu juga diperlukan  pemeriksaan normalitas data.

(1). Analisis Deskriptif

Analisis deskriptif  berhubungan  dengan pengumpulan dan peringkasan data, serta penyajian hasil peringkasan tersebut. Analisis data diskriptif sangat bermanfaat untuk menganalisis data populasi  atau untuk  menganalisis kajian  atau penelitian yang obyeknya berupa populasi. Kajian atau penelitian  demikian bisa jadi dalam bentuk studi kasus. Kaidah pemilihan metode analisis diskriptif dikaitkan dengan jenis data berdasarkan skala ukurnya disajikan pada tabel berikut :

JENIS DATA	PENATAAN	PERINGKASAN		PENGGAMBARAN
		PEMUSATAN	PENYEBARAN
Nominal	Tabel  (distribusi frekuensi)	Modus	Banyaknya jenis data	Histogram Diagram pastel
Ordinal	Tabel  (distribusi frekuensi)	Modus Median	Rentang	Histogram Diagram pastel
Interval dan Ratio	Tabel  (distribusi frekuensi)	Modus Median Mean	Rentang Varians	Histogram Diagram pastel Kurva

(2). Analisis Parametrik  Dan Nonparametrik

            Pada dasarnya data statistik terbagi menjadi dua macam, Yaitu :

(i)       Statisitik parametrik

Statistik parametrik dapat dilakukan  jika sampel yang akan dipakai berasal dari populasi yang berdistribusi normal. Jumlah data yang digunakan dalam analisis ini minimal 30 sampel dan menggunakan yang berupa data interval dan ratio

(ii)      Statisitik Non parametrik 

Statistik non parametrik digunakan untuk menganalisis data jumlahnya dibawah 30 (sangat sedikit) serta datanya berupa data ordinal dan nominal. Disamping itu  metode non parametrik tidak mengharuskan data berdistribusi normal, karena itu metode ini sering dinamakan uji distribusi bebas (distribution free test). Dengan demikian metode ini dapat dipakai untuk segala  distribusi data dan lebih luas penggunaanya.

Gambar : Pengukuran dan Statistik untuk data parametrik dan non parametrik

(3). Analisis Hubungan

       Analisis hubungan  secara garis besar  dibedakan menjadi  analisis keeratan hubungan (korelasi), bentuk hubungan (regresi atau model aritmatika) dan analisis sebab akibat  (analisis jalur atau path analisis, LISREL). Pada tulisan ini akan diuraikan kesesuaian  setiap metode  dengan jenis data berdasarkan skala pengukurannya. Disamping itu juga akan kelihatan kesetaraan  berbagai metode analisis, misalnya parametrik dengan non parametrik. Selengkapnya lihat tabel berikut ini :

             

ANALISIS UNIVARIATE
DATA		KORELASI	REGRESI
X	Y
Nominal	Nominal	Kontigensi C Odd Ratio Realtive Risk	Logit, Probit, LPM Diskriminan, Dummy variabel, Logistik dummy variabel
Nominal	Ordinal	Kontigensi C Odd Ratio Realtive Risk	Logit, Probit, LPM Diskriminan, Dummy variabel, Logistik,  Dummy variabel Regresi Theil Regresi garis resisten
Nominal	Interval dan Ratio	Biserial	Regresi, dummy variabel
Ordinal	Nominal	Kontigensi C Odd Ratio Realtive Risk	Logit, Probit, LPM Diskriminan, Dummy variabel, Logistik, dummy variabel
Ordinal	Ordinal	Rank Spearman Rank Kendall Rank Partial Kendall Rank Konkordansi Kendall	Logit, Probit, LPM Diskriminan, Dummy variabel, Logistik,  Dummy variabel Regresi Theil Regresi garis resisten
Ordinal	Interval dan Ratio	Rank Spearman Rank Kendall Rank Partial Kendall Rank Konkordansi Kendall	Regresi, dummy variabel
Interval dan Ratio	Nominal	Biserial	Logit/logistik, Probit, LPM Diskriminan
Interval dan Ratio	Ordinal	Rank Spearman Rank Kendall Rank Partial Kendall Rank Konkordansi Kendall	Logit, Probit, LPM Diskriminan, Dummy variabel, Logistik,  Dummy variabel Regresi Theil Regresi garis resisten
Interval dan Ratio	Interval dan Ratio	Product Moment Pearson Kanonik	Regresi

 

ANALISIS KETERGANTUNGAN MULTIVARIATE
Nominal dan Ordinal	Analisis Korespondensi
Interval dan ratio	Path Analisis Principle Component Analysis Faktor Analisis Byplot analisis LISREL

ANALISIS  MULTIVARIATE
Nominal, Ordinal, Interval dan ratio	Cluster Analysis Conjoint Analysis Multidimentional Scalling (MDS)

(4). Analisis Perbandingan (Komparatif)

Analisis perbandingan dapat dibedakan  menjadi pembandingan satu  populasi (terhadap nilai tertentu / standart yang dihipotesiskan), pembandingan dua populasi  dan pembandingan lebih dari dua populasi. Disamping itu juga dibedakan menjadi  parametrik dengan non parametrik, dan univariate dengan multivariate. Kaidah pemilihan perbandingan komparasi selengkapnya dapat dilihat pada tabel berikut :

(5). Analisis Peubah Tunggal (Univariate) dan peubah Ganda (multivariate)

Untuk mengukur keeratan hubungan dan pengaruh diantara hasil-hasil pengamatan dari populasi yang mempunyai dua atau lebih varian maka dilakukan dengan analisis peubah tunggal (univariate) akan tetapi apabila dalam suatu penelitian melibatkan banyak variabel  dan antar variabel tersebut  saling berkorelasi, maka analisis yang tepat adalah analisis peubah ganda (multivariate). 

KLASIFIKASI DATA

-  Menurut Sifatnya, data dapat dibagi atas :

1. Data Kualitatif, yaitu data yang tidak berbentuk angka akan tetapi berbentuk kategori, ranking atau peringkat. Misalnya, luas, sempit, rusak, baik, banyak, sedikit, mahal, murah, meningkat menurun, dan sebagainya.
2. Data Kuantitatif, yaitu data yang berbentuk angka atau bilangan. Misalnya ” Luas wilayah Provinsi Maluku Utara 140.255,32 km² ”, atau ” Sebanyak 1.823 pelamar dinyatakan lulus seleksi lokal (seleksi mandiri) penerimaan mahasiswa baru di Universitas Khairun Ternate pada tahun 2011 ” dan lain sebagainya.

-  Menurut Sumbernya :

Untuk membahas data menurut sumbernya, kita harus berpijak pada suatu organinsasi atau badan (Negara, Departemen, Perusahaan, Rumah Tangga, dan lain sebagainya). Menurut Sumbernya, data dapat dibagi atas:

1. Data Internal, yaitu data yang menggambarkan keadaan atau kegiatan di dalam suatu organisasi. Bagi suatu negara, data internal mencakup data penduduk, data pendapatan nasional, data sumber-sumber alam, dan sebagainya. Bagi suatu perusahaan, data internal meliputi data tentang personalia, keuangan, peralatan, produksi, penjualan, dan sebagainya.
2. Data Eksternal, yaitu data yang menggambarkan tentang keadaan atau kegiatan di luar suatu organisasi. Misalnya, bagi suatu perusahaan, data eksternal itu meliputi data tentang daya beli masyarakat, perkembangan harga, data permintaan dan konsumsi. Sedangkan bagi suatu negara misalnya data tentang perkembangan harga barang-barang ekspor di pasar internasional, data yang menunjukkan krisis moneter, dan sebagainya. Data eksternal ini dimaksudkan untuk menunjukkan faktor-faktor yang mempengaruhi hasil kegiatan (karya) suatu organisasi. Misalnya, naik-turunnya daya beli masyarakat dapat mempengaruhi hasil penjualan dari suatu perusahaan. Contoh lainnya, krisis moneter dapat  mempengaruhi hasil ekspor suatu negara, dan sebagainya.

-  Menurut Cara perolehannya, data dapat dibagi atas :

1. Data Primer, yaitu data yang dikumpulkan dan diolah sendiri oleh suatu organisasi atau perorangan langsung dari obyeknya.
2. Data Sekunder, yaitu data yang diperoleh dalam bentuk yang sudah jadi, sudah dikumpulkan dan diolah oleh pihak lain, biasanya sudah dalam bentuk publikasi.
3. Data Tersier, yaitu data yang diperoleh dari sumber yang dipublikasikan seperti jurnal atau majalah penelitian, buku, dan media ilmiah lainnya. Data tersier biasanya diambil dari penelitian orang lain dengan catatan ada ijin dari peneliti yang bersangkutan (yang diambil dari data mentah, bukan hasil penelitiannya)

-  Menurut Waktu Pengumpulannya, data dapat dibagi atas :

1. Cross Section Date, yaitu data yang dikumpulkan pada suatu waktu tertentu yang bisa menggambarkan keadaan/kegiatan pada waktu tersebut. Misalnya, hasil Sensus Penduduk Indonesia tahun 2010, menggambarkan keadaan penduduk Indonesia pada tahun 2010 (menurut umur, jenis kelamin, agama, tingkat pendidikan, lapangan kerja dan sebagainya).
2. Data Berkala (Time Series Date), yaitu data yang dikumpulkan dari waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Misalnya, produksi padi di Kabupaten Halmahera Timur selama lima (5) tahun terakhir, Ekspor Komoditas Pertanian dari Provinsi Maluku Utara selama tahun 2001-2010, dan sebagainya. Data berkala ini sering juga dinamakan data histories, apabila digambarkan grafiksnya akan menunjukkan suatu fluktuasi, yaitu suatu gerakan naik-turun. Berdasarkan data berkala, bisa dibuat suatu garis trend, yaitu suatu garis yang menunjukkan arah perkembangan secara umum. Garis trend sangat berguna sebagai dasar pembuatan ramalan (forcasting) yang sangat diperlukan untuk dasar perencanaan, oleh karena ramalan memberikan gambaran tentang kemampuan pada masa yang akan datang.

 

PERSYARATAN DATA YANG BAIK

Data memegang peranan penting dalam proses pengambilan keputusan. Data yang salah, apabila digunakan sebagai dasar pembuatan keputusan, pasti akan menghasilkan keputusan yang salah pula, perencanaan yang tidak tepat, kontrol yang salah pula, perencanaan yang tidak tepat, kontrol yang tidak efektif dan evaluasi yang tidak mengenai sasaran secara obyektif.

Data yang baik dan dapat berguna bagi yang membutuhkan adalah data yang memenuhi beberapa persyaratan antara lain sebagai berikut :

1. Data harus obyektif, artinya harus sesuai dengan keadaan yang sebenarnya. Misalnya, produksi yang turun dilaporkan naik, ini tidak obyektif. Harga suatu barang Rp. 500,- dilaporkan Rp. 750,-, walaupun ada kuitansi, tetap tidak obyektif.
2. Data harus bisa mewakili (Representative). Misalnya, laporan tentang produksi padi di suatu daerah yang hanya didasarkan kepada sawah-sawah yang subur saja, ini jelas tidak mewakili. Atau laporan tentang harga yang hanya didasarkan atas pasar yang murah saja, ini juga tidak mewakili, dan lain sebagainya.
3. Kesalahan baku (standard error) harus kecil. Suatu perkiraan (estimasi) dikatakan baik (mempunyai tingkat ketelitian yang tinggi) apabila kesalahan bakunya kecil.
4. Harus tepat waktu. Khususnya kalau data akan dipergunakan untuk melakukan pengendalian atau evaluasi, syarat waktu ini penting sekali agar dapat dilakukan penyesuaian atau koreksi seperlunya jika terdapat kesalahan atau penyimpangan yang terjadi di dalam implementasi suatu perencanaan.
5. Harus relevan. Maksudnya data yang dikumpulkan harus ada hubungannya dengan masalah yang akan dipecahkan.