likert tugas-1

Upload: fatinazahra

Post on 09-Oct-2015

134 views

Category:

Documents


3 download

DESCRIPTION

STATISTIK

TRANSCRIPT

Skala LikertResume Statistik

oleh :

YULIUS LUMBAN TOBING 1303248

PROGRAM STUDI PENDIDIKAN ILMU PENGETAHUAN ALAMSEKOLAH PASCASARJANAUNIVERSITAS PENDIDIKAN INDONESIA2014Pengukuran SikapSikap merupakan suatu kecenderungan untuk secara konsisten memberikan tanggapan menyenangkan atau tidak menyenangkan terhadap suatu objek, kecenderungan ini merupakan hasil belajar, bukan pembawaan/keturunan Tiga komponen dari sikapa. Afektif:perasaan atau emosi yang dimiliki terhadap sebuah objekb. Kognitif: pengetahuan tentang sebuah objekc. Tingkah Laku: perwujudan dalam bentuk tindakan terhadap suatu objek

Pengukuran merupakan aturan-aturan pemberian angka untuk berbagai objek sedemikian rupa sehingga angka ini mewakili kualitas atribut. Seorang peneliti menggunakan beberapa bentuk skala dalam melakukan proses pengukuran. Setiap skala tersebut didasarkan sekumpulan asumsi (aturan-aturan) mengenai hubungan antara skala tersebut dengan observasi nyatanya. Konseptualisasi skala tersebut didasarkan pada tiga karakteristik sebagai berikut: Urutan bilangan, yaitu sebuah bilangan lebih besar, lebih kecil, atau sama dengan bilangan lain, Urutan perbedaan antara bilangan, yaitu perbedaan antara sepasang bilangan bisa lebih besar, lebih kecil atau sama besar dengan perbedaan sepasang bilangan lainnya, Titik awal yang unik yang menunjukkan bilangan 0.Kombinasi ketiga karakteristik tersebut yang mencakup urutan, perbedaan, dan titik awal, membentuk 4 klasifikasi skala pengukuran . Terdapat empat jenis skala yang dapat digunakan untuk mengukur atribut, yaitu: skala nominal, skala ordinal, skala interval, dan skala ratio. a. Skala nominal Merupakan salah satu jenis pengukuran dimana angka dikenakan untuk objek atau kelas objek untuk tujuan identifikasi. Nomor jaminan social seseorang, nomor punggung pemain sepakbola, loker, dan lain-lain adalah suatu skala nominal. Demikian juga, jika dalam suatu penelitian tertentu pria diberikan kode 1 dan wanita mendapat kode 2, untuk mengetahui jenis kelamin seseorang adalah melihat apakah orang ini berkode 1 atau 2. Angka-angka tersebut tidak mewakili hal lain kecuali jenis kelamin seseorang. Wanita, meskipun mendapat angka yang lebih tinggi, tidak berarti lebih baik dibanding pria, atau lebih banyak dari pria. Kita boleh saja membalik prosedur pemberian kode sehingga wanita berkode 1 dan pria berkode 2. b. Skala ordinal Merupakan salah satu jenis pengukuran dimana angka dikenakan terhadap data berdasarkan urutan dari objek. Disini angka2 lebih besar dari 1, bahwa angka 3 lebih besar dari 2 maupun 1. Angka 1, 2, 3, adalahberurut, dan semakin besar angkanya semakin besar propertinya. Contoh, angka 1 untuk mewakili mahasiswa tahun pertama, 2 untuk tahun kedua, 3 untuk tahun ketiga, dan 4 untuk mahasiswa senior. Namun kita juga bisa memakai angka 10 untuk mewakili mahasiswa tahun pertama, 20 untuk tahun kedua, 25 untuk tahun ketiga, dan 30 untuk mahasiswa senior. Cara kedua ini tetap mengindikasikan level kelas masing-masing mahasiswa dan relative standing dari dua orang, yaitu siapa yang terlebih dahulu kuliah. c. Skala interval Merupakan salah satu jenis pengukurandimana angka-angka yang dikenakan memungkinkan kita untuk membandingkan ukuran dari selisih antara angka-angka. Selisih antara 1 dan 2 setara dengan selisih antara 2 dan 3, selisihantara 2 dan 4 dua kali lebih besar dari selisih antara 1 dan 2. Contoh adalah skala temperature, misalnya temperature yang rendah pada suatu hari adalah 40oF dan temperature yang tinggi adalah 80oF. Disini kta tidak dapat mengatakan bahwa temperature yang tinggi dua kali lebih panas dibandingkan temperature yang rendah karena jika skala Fahrenheit menjadi skala Celsius, dimanaC = (5F 160) / 9, sehingga temperature yang rendah adalah 4,4oC dan temperature yang tinggi adalah 26,6oC. Contoh lain adalah IQ siswa.d. Skala ratio Merupakan salah satu jenis pengukuran yang memiliki nol alamiah atau nol absolute, sehingga memungkinkan kita membandingkan magnitude angka-angka absolute. Tinggi dan berat adalah dua contoh nyata disini. Seseorang yang memiliki berat 100 kg boleh dikatakan dua kali lebih berat dibandingkan seseorang yang memiliki berat 50 kg, dan seseorang yang memiliki berat 150 kg tiga kali lebih berat dibandingkan seseorang yang beratnya 50 kg. Contoh lainnya adalah umur. Dalam skala ratio nol memiliki makna empiris absolute yaitu tidak satu pun dari property yang diukur benar-bnar eksis.

Tabel 1. Perbandingan Skala PengukuranBerdasarkan tipe skala yang digunakan maka, berbeda juga acara pengolahan dan analisis data yang akan digunakan. Berikut ini adalah analisis yang digunakan berdasarkan skala yang ada. Type of Measurement ScaleTypes of Attitude ScaleRules for Assigning NumberTypical ApplicationStatistics / Statistical Tests

NominalDichotomous yes or no scales.Objects are either identical or differentClassification (by sex, geographic are, social class)Percentages, mode / chi -square

Ordinal or Rank OrderComparative, Rank order, Itemized Category, Paired ComparisonObjects are greater or smallerRankings (preference, class standing)Percentile, median, rank-order correlation / Friedman ANOVA

IntervalLikert, Thurstone, Stapel, Associative Semantic-DifferentialIntervals between adjacent ranks are equalIndex numbers, temperature scales, attitude measuresMean, standard deviation, product moment correlations / t-tests, ANOVA, regression, factor analysis

RatioCertain scales with special instructionsThere is a meaningful zero, so comparison of absolute magnitudes is possibleSales, incomes, units produced, costs, ageGeometric and harmonic mean, coefficient of variation

Tabel 2. Tipe pengukuran berdasarkan skalaTeknik Mengukur SikapTerdapat banyak teknik yang dapat digunakan untuk mengukur skala sikap (Attitudes). Untuk komponen afektif, kognitif, dan kebiasaan, pengukuran sikap dapat diukur dari perbedaan rata-rata. Dengan meggunakan pengukuran sikap, kita dapat mengasses sikap tanpa bertanya secara verbal pada responden. Pengukuran sikap ini dapat menghasilkan kesukaan-ketidaksukaan, tapi kurang sensitif pada gradien dari sikap itu sendiri. Untuk mendapatkan hasil pengukuran sikap, dapat dilakukan dengan cara:1. Rangking, responden diharuskan untuk mengurutkan sejumlah kecil mereks, perasaan, atau objek lain yang menggambarkan kecenderungan atau beberapa karakterstimulus2. Rating, responden diharuskan untuk mengestimasi besarnya objek dalam sejumlah karakteristik. Hasil yang didapatkan berupa skor kuantitatif. Rating melibatkan penandaan sebagai respon yang mengindikasikan posisi seseorang dengan menggunakan skala sikap atau skala kognitif3. Sorting, responden diharuskan mengklasifikasikan sejumlah konsep dalam suatu kelompok yang memiliki karakter tertentu4. Pilihan, responden diharuskan memilih satu objek dibandingkan dengan objek lainnya, hal ini mengasumsikan pilihan responden dalam setting tertentu.

Jenis-jenis Rating Skala SikapSkala Sikap SederhanaBentuk yang mendasar dari skala sikap berupa pilihan individu setuju atau tidak setuju dengan pernyataan atau respon pada satu pertanyaan. Contohnya: apakah presiden harus melakukan pemilu ulang?. Skala sikap sederhan atermasuk tipe skala rating individual karena mengklasifikasikan responden menjadi dua kategori, yang bersifat skala nominal dan analisis matematika yang dapat digunakan pada skala sikap sederhana sangat terbatas. Disamping kekurangannya itu, skala sikap sederhana dapat digunakan saat kuesioner sangat panjang, saat responden kurang terdidik atau karena alasan tertentu. Sejumlah skala yang telah disederhanakan berupa ceklis.Skala KategoriUntuk mengukur kategori respons yanag lebih luas diberikan perangkingan yang lebih fleksibel. Hal ini membuat informasi yang diberikan lebih banyak, kategori yang diberikan bersifat deskriptif atau dimensi evaluatif. Contohnya:

Skala kategori dapat mengukur dengan lebih sensitif, dengan pilihan yang lebih banyak akan memberikan informasi lebih banyak, namun dengan pilihan lebih banyak dapat memicu eror pada analisis. Likert ScaleSkala ini diciptakan oleh R. Likert untuk pengukuran sikap terhadap sesuatu. Skala Likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang kejadian atau gejala sosial. Setiap butir terdiri atas satu pernyataan, boleh berbentuk positif, dan boleh juga berbentuk negatif. Pernyataan yang diharapkan untuk disetujui oleh responden, disebut bentuk positif, seperti Pendidikan adalah penting bagi bangsa dan negara, pernyataan yang diharapkan untuk tidak disetujui oleh responden, disebut bentuk negatif, seperti bersekolah hanya membuang-buang waktu saja.

Tabel 3. Contoh Respon SiswaLiker scale merupakan penyederhanaan dari thurstone yang merupakan skala yang kontinum, sehingga pennggolongan likert scale berdasarkan stevens Typology tergantung pada klaim diawal Claim DataAnalisis

SSSNTSTordinalFrekuensi dan dibandingkan dengan indeks/indikator/dimensi dalam persen misalnyadari ahli psikologi misalnya, bisa menggunakan non-parametrik biasa.

State 1

State 2

12345intervalParametrik Misalnya,untuk

State 1

State 2

Antara ordinal dan interval

Harus di transformasi dari orednal ke interval, dengan MSI (Metode suksesif interval), kemudian bisa menggunakan parametrik bila data berdistribusi normal, dan non parametrik bila tidak normal

12345

State 1

State 2

Tabel 4. Analisis Data Berdasarkan Klaim

Contoh KasusBerikut kami akan menguraikan sebuah contoh kasus. Seorang mahasiswa gizi melakukan uji organoleptik sebuah produk dengan menggunakan skala Likert. Aspek yang ingin diukur ialah cita rasa dari sebuah produk yang ia hasilkan, dari 70 panelis yang ia gunakan, berikut rangkuman hasil penilaian panelis. Panelis yang menjawab sangat suka (5) berjumlah 2 orang Panelis yang menjawab suka (4) berjumlah 8 orang Panelis yang menjawab netral (3) berjumlah 15 orang Panelis yang menjawab tidak suka (2) berjumlah 25 orang Panelis yang menjawab sangat tidak suka (1) berjumlah 20 orangRUMUS :T x PnT = Total jmlh panelis yg memilihPn = Pilihan angka Skor likert Panelis yang menjawab sangat suka (5) = 2 x 5 = 10 Panelis yang menjawab suka (4) = 8 x 4 = 32 Panelis yang menjawab netral (3) = 15 x 3 = 45 Panelis yang menjawab tidak suka (2) = 25 x 2 = 50 Panelis yang menjawab sangat tidak suka (1) = 20 x 1 = 20 Semua hasil dijumlahkan Total skor = 157Interpretasi skor perhitunganUntuk mendapatkan hasil interpretasi, harus diketahui dulu skor tertinggi (X) dan angka terendah (Y) untuk item penilaian dengan rumus sebagai berikut :Y= Skor tertinggi likert x jumlah panelisX= Skor terendah likert x jumlah panelisJumlah skor tertinggi untuk item SANGAT SUKA ialah 5 x 70 = 350, sedangkan item SANGAT TIDAK SUKA ialah 1 x 70 = 70. Jadi, jika total skor penilaian panelis di peroleh angka 157, maka penilaian interpretasi panelis terhadap cita rasa produk tersebut adalah hasil nilai yang dihasil dengan menggunakan rumus Index %.RUMUS INDEX % =Total Skor / Y x 100PRA PenyelesaianSebelum menyelesaikannya kita harus mengetahui interval (Jarak) dan interpretasi persen agar mengetahui penilaian dengan metode mencari Interval skor persen(I).RUMUS INTERVALI=100 /Jumlah Skor (likert)Maka = 100 / 5 = 20Hasil (I) = 20(Ini adalah intervalnya jarak dari terendah 0 % hingga tertinggi 100%)Berikut kriteria interpretasi skornya berdasarkan interval : Angka 0% 19,99% =Sangat(tidak setuju/buruk/kurang sekali) Angka 20% 39,99% =Tidaksetuju /Kurangbaik) Angka 40% 59,99% = Cukup / Netral Angka 60% 79,99% =(Setuju/Baik/suka) Angka 80% 100% =Sangat(setuju/Baik/Suka)Penyelesaian Akhir=Total skor / Y x 100=157 / 350 x 100=44.86 %,kategori CUKUP / NETRAL

Kebanyakan likert scale dalam bentuk opsi ke 3 dari tabel 4 datas, antara ordinal dan interval sehingga perlu di transformasi kembali ke interval menggunakan MSI, dan setiap kuesioner harus diuji validitas dan reliabilitasnya , jika kuesioner yang diujikan untuk mengetahui responn terhdapt metode yang baru dikebangkan, pasti hanya bisa diujikan kuesionernya kepada subjek yang dikenai perlakuan tersebut saja, untuk validasinya bisa dengan bantuan expert tentang konstruksi dan kontennya.Jenis-Jenis Skala dalam Skala Likert1. Semantic DifferentialSemantic differential/ perbedaan semantik merupakan rangkaian dari skala sikap. Teknik pengukuran sikap ini cukup populer dan berisi reaksi responden pada beberapa konsep dengan menggunakan rangkaian dari tujuh poin skala rating bipolar. Bipolar memiliki sifat seperti baik-buruk atau bersih-kotor. Subjek membuat judgement berulang mengenai konsep dengan cara menginvestigasi setiap skala. Skoring dalam semantic differential dilakukan dengan cara menceklis tempat yang paling dekat dengan sifat yang sesuai dengan pilihan responden. Misalnya untuk tingkat moderinitas, maka dari kiri ke kanan, skala interval diinterpretasikan sebagai ekstrim moderm, sangat modern, cukup modern, antara modern dan klasik, cukup klasik, sangat klasik, dan ekstrim klasik. Untuk sifat lainnya semantic differential dapat digambarkan sebagai berikut:

Untuk tujuan penskoran diberikan skor numerik pada setiap posisi pada skala rating. Biasanya range skornya dapat berupa 1, 2, 3, 4, 5, 6, 7 atau -3, -2, -1, 0, 1, 2, 3. Penelitian di bidang bisnis mendeskripsikan semantic differential sebagai data interval, hal ini dikritik dengan asumsi karena skor yang didapatkan nilainya berubah-ubah, sehingga data adalah data ordinal. Namun pada prakteknya banyak peneliti yang menggunakan semantic differential sebagai data interval karena nilai eror yang dihasilkan dari mengasumsikan antara interval dan pilihannya adalah sama (berbeda dengan sangat kecil).2. Skala NumerikSkala numerik menampilkan sejumlah angka yang lebih sederhana dibanding semantic space atau deskripsi verbal untuk mengidentifikasi respon. Contohnya, skala yang menggunakan lima pilihan respon disebut skala numerik lima poin. Enam skala poin memiliki enam posisi skala begitu pula dan tujuh skala poin memiliki tujuh posisis skala. Contohnya:

Skala numerik ini menggunakan sifat bipolar dengan cara yang sama seperti pada sematic differential. Pada penggunaannya, peneliti menggunakan label skala numerik untuk poin intermediet dalam skala, hal ini efektif untuk mengukur sematic differential yang sebenarnya. 3. Skala StapelSkala Stapel ditemukan oleh Jan Stapel, yang dikembangkan tahun 1950 untuk mengukur stimulus arah dan intensitas sikap. Versi modern skala ini menggunakan satu isfat yang digunakan untuk menggantikan sematic differential saat sulit membuat sifat bipolarnya. Skala Stapel modifikasi menempatkan satu sifat ditengah angka genap dari nilai numerik. Skala ini mengukur seberapa dekat atau berapa jarak antara sifat yang dihasilkan dari terhadap hasil yang diperoleh karena adanya stimulus. Keuntungan dan kerugian penggunaan skala Stapel mirip dengan sematic differential. Namun skala Stapel lebih mudah dicatat. Karena skala Stapel tidak menggunakan sifat bipolar, hal ini memudahkan untuk menyusunnya dibanding sematic differential. Contoh skala Stapel:

4. Constant-Sum ScaleConstant-sum scale/ skala rata-rata konstan mengharuskan responden untuk membagi sejumlah angka dalam poin-poin pada sejumlah atribut yang berkorespondensi pada kepentingannya. Contohnya perusahaan pengiriman paket ingin mengetahui seberapa penting keakuratan pengiriman dan harga yang dikenakan, maka responden diminta untuk menilai sejumlah pon yang total penjumlahan nilai harus mencapai 100 poin. Seperti dibawah ini: Bagi 100 poin kedalam karakteristik dibawah ini untuk menentukan karakteristik servis penerimaan berdasarkan seberapa penting setiap larakteristik saat anda memilih perusahaan pengiriman barang.___ Keakuratan penerimaan___ Paket tidak rusak___ Diterima sesuai perjanjian___ Harga lebih murah___ 100 poin

Penggunaan Constant-sum scale paling tepat saat responden memiliki latar belakang pendidikan yang tinggi. Jika responden mengikuti aturan dengan benar, hasilnya akan mendekati pengukuran interval. Saat nilai stimulus ditingkatkan, teknik ini akan semakin kompleks. 5. Grafik Skala RatingGrafik skala rating menyajikan rangkaian grafik, sehingga responden dapat memilih poin mana dari rangkaian yang mengindikasikan sikapnya. Seperti nampak pada gambar dibawah ini:

Grafik skala rating menunjukan range dari posisi ekstrim dan posisi sebaliknya. Skor responden ditentukan dengan cara mengukur jaraknya (dalam milimeter) dari ujung grafik hingga tanda silang yang diberikan oleh responden. Banyak peneliti yang menggunakan skala ini percaya dengan keakuratannya dengan asumsi bahwa grafik skala rating ini menggunakan skala interval. Sebagai alternatif peneliti juga dapat menentukan skor awal pada garis dengan kategori tertentu. Grafik skala rating memiliki kelebihan karena membolehkan peneliti untuk memilih interval yang diinginkan untuk penskoran. Kelemahan grafik skala rating adalah tidak ada jawaban standar. Peneliti juga dapat menginvestigasi sikap siswa dengan menggunakan gambar, gambar mengindikasikan sifat dari responden.

6. Thrustone Interval ScalePada tahun 1927 Louis Thurstone mengembangkan konsep yang pengukuran sikap secara continua. Thrustone Interval Scale merupakan proses yang kompleks yang terdiri dari sua tahap. Tahap pertama adalah pembuatan rangking, menampilkan penilaian siapa yang akan memberikan nilai skala pada penrnyataan sikap. Tahap kedua berisi pertanyaan pada subjek untuk merespon terhadap statmen sikapnya. Metode thrustone Interval Scale memakan banyak waktu dan biaya. Berdasarkan perspektif historis, hal ini berharga, namun kurang populer.

MSI (Metode suksesif interval)Cara Penghitungan MSI Metode suksesif interval merupakan proses mengubah data ordinal menjadi data interval. Mengapa data ordinal harus diubah dalam bentuk interval? Data ordinal sebenarnya adalah data kualitatif atau bukan angka sebenarnya. Data ordinal menggunakan angka sebagai simbol data kualitatif. Dalam contoh dibawah ini, misalnya: Angka 1 mewakili sangat tidak setuju Angka 2 mewakili tidak setuju Angka 3 mewakili netral Angka 4 mewakili setuju Angka 5 mewakili sangat setuju

Dalam banyak prosedur statistik seperti regresi, korelasi Pearson, uji t dan lain sebagainya mengharuskan data berskala interval. Oleh karena itu, jika kita hanya mempunyai data berskala ordinal; maka data tersebut harus diubah kedalam bentuk interval untuk memenuhi persyaratan prosedur-prosedur tersebut. Kecuali jika kita menggunakan prosedur, seperti korelasi Spearman yang mengujinkan data berskala ordinal; maka kita tidak perlu mengubah data yang sudah ada tersebut. Itulah sebabnya dalam bagian ini penulis memberikan contoh cara mengubah data berskala ordinal menjadi data berskala interval. Pada bagian berikut akan diberikan contoh penghitungan secara manual dan dengan menggunakan prosedur dalam Excel.Berikut ini diberikan contoh penghitungan manual dan menggunakan Excell. Dalam contoh ini kita mempunyai skala ordinal 1 sampai dengan 5 dimana masing-masing mempunyai jumlah frekuensi masing-masing sebagaimana tertera dalam tabel di bawah ini:

Tabel di atas mempunyai makna sebagai berikut: Skala ordinal 1 mempunyai frekuensi sebanyak 13 Skala ordinal 2 mempunyai frekuensi sebanyak 75 Skala ordinal 3 mempunyai frekuensi sebanyak 36 Skala ordinal 4 mempunyai frekuensi sebanyak 24 Skala ordinal 5 mempunyai frekuensi sebanyak 17

Data ordinal di atas akan kita ubah menjadi data yang berskala interval sehingga menghasilkan nilai interval sebagai berikut:

Tabel di atas mempunyai maksud sebagai berikut: Skala ordinal 1 dengan frekuensi sebanyak 13 mempunyai nilai skala interval sebesar 1 Skala ordinal 2 dengan frekuensi sebanyak 75 mempunyai nilai skala interval sebesar 2,3113 Skala ordinal 3 dengan frekuensi sebanyak 36 mempunyai nilai skala interval sebesar 3,2615 Skala ordinal 4 dengan frekuensi sebanyak 24 mempunyai nilai skala interval sebesar 3,8100 Skala ordinal 5 dengan frekuensi sebanyak 17 mempunyai nilai skala interval sebesar 4,6027

Bentuk data inteval seperti itu karena awalnya data 1 dimensi diberi bobot (frekuensi berapa banyak yang menjawab ) sehingga menjadi 2D , membentuk bidang / luas tergantung frekuensi akibat dari transform MSI dari ordinal ke interval , dan karena ada klaim bhawa data (data dalam penelitian pedidikan) selalu dalam jumlah besar sehingga mengikuti distribusi normal jadi tidak tepat 1 atau tepat dua , karena harus 100%Bagaimana proses mengubah data berskala ordinal menjadi data berskala interval, ada beberapa tahapan yang harus dilakukan, yaitu: Menghitung frekuensi Menghitung proporsi Menghitung proporsi kumulatif Menghitung nilai z Menghitung nilai densitas fungsi z Menghitung scale value Menghitung penskalaan Pertama: Menghitung Frekuensi Frekuensi merupakan banyaknya tanggapan responden dalam memilih skala ordinal 1 s/d 5 dengan jumlah responden 165. Skor jawaban sebesar berikut :Skor jawaban : 1 = 13 orang 2 = 75 orang 3 = 36 0rang 4 = 24 orang 5 = 17 orangKedua: Menghitung Proporsi (P) Proporsi dihitung dengan membagi setiap frekuensi dengan jumlah responden. Caranya ialah sebagai berikut: Untuk proprosi skala 1 dengan jawaban sebanyak 13, hasilnya ialah P1 : : 0,0788 Untuk proprosi skala 2 dengan jawaban sebanyak 75, hasilnya ialah P2 : : 0,4545 Untuk proprosi skala 3 dengan jawaban sebanyak 36, hasilnya ialah P3 : : 0,2182 Untuk proprosi skala 4 dengan jawaban sebanyak 24, hasilnya ialah P4 : : 0,1455 Untuk proprosi skala 5 dengan jawaban sebanyak 17, hasilnya ialah P5 : : 0,1030 Ketiga: Menghitung Proprosi Kumulatif (PK) Proporsi kumulatif dihitung dengan menjumlahkan proporsi secara berurutan untuk setiap nilai. Pk1 : 0,0788 Pk2 : 0,0788 + 0,4545 = 0,5333 Pk3 : 0,5333 + 0,2182 = 0,7515 Pk4 : 0,7515 + 0,1455 = 0,8970 Pk5 : 0,8970 + 0,1030 = 1Keempat Mencari Nilai Z Nilai z diperoleh dari tabel distribusi norma baku ( critical Value of z). Dengan asumsi bahwa proporsi kumulatif berdastribusi normal baku. Contoh: Untuk proporsi kumulatif 1 Pk 1 = 0,0788 Nilai p yang akan dihitung ialah 0,5 0,0788 = 0,4212

Gambar 1 Distribusi Z pk1Letakan dikiri karena nilai Pk1 0,0788 karena nilai tersebut lebih kecil dari 0. Kemudian lihat tabel z yang mempunyai luas 0,4212

Cari nilai yang mendekati 0,4212 yang kita inginkan. Ternyata nilai tersebut terletak diantara nilai z = 1,41 dan 1,42 oleh karena itu nilai z untuk daerah dengan proporsi 0,4212 diperoleh dengan cara interpolasi : 0,4207 + 0,4222 = 0,8429 : = : = 2,0012 Keterangan : 0,8429 = jumlah antara dua nilai yang mendekati 0,4212 dari tabel z 0,4212 = nilai yang diinginkan sebenarnya 2,0012 = nilai yang akan digunakan sebagai pembagi dalam interpolasi Nilai z hasil interpolasi adalah :

Karena z ada disebelah kiri nol, maka z bernilai negatif. Dengan demikian untuk Pk1 : 0,0788 nilai z1: -1,414. Contoh : Pk2 = 0,5333 Nilai p yang akan dihitung ialah 0,5333 0,5 = 0,0333Gambar 2. Distribusi Z pk2

Nilai z yang akan dicari diletakkan di sebelah kanan karena nilainya lebih besar dari 0,5. Lihat tabel z yang mempunyai daerah dengan proporsi 0,0333

Cari nilai yang mendekati 0,0333. Ternyata nilai tersebut diantara nilai z : 0,0319 + 0,0359 = 0,0678 Cari nilai X sebagai pembagi interpolasi. X = = 2,036 Nilai z hasil interpolasi : Karena nilai z ada disebelah kanan nol maka 2 bernilai positif, oleh karena itu Pk2 = 0,5333,maka z nya = 0,083. Lakukan dengan cara yang sama untuk penghitungan Pk3 dan Pk4. Untuk Pk3 diketemukan nilai z sebesar 0,678 dan untuk PK4 sebesar 1,265; sedang untuk Pk5 = 1 nilai z nya tidak terdefinisi.Kelima: Menghitung Densitas F (z) Nilai F (z) Dihitung dengan menggunakan rumus sebagai berikut : F (z) = Contoh: Untuk z dengan nilai 1,414, hasilnya seperti di bawah ini Z1 = - 1,414 dengan = 3,14 F (-1,414) = 0,1468 Z2 = 0,083 F (0,083) = 0,3975 Z3 = 0,678 F (0,678) = 0,3170 Z4 = 1,265 F (1,265) = 0,1792 Z5 = - F(25) = 0Keenam: Menghitung Scale Value Menghitung scale value digunakan rumus: Sv =

Catatan:[

Untuk nilai density dicari batas bawah dikurangi batas atas; sedang untuk nilai area batas atas dikurangi batas bawah. Untuk SV1 nilai batas bawah untuk densitas pertama adalah 0 (lebih kecil dari 0,1468); dan untuk proporsi kumulatif juga 0 (dibawah nilai 0,0788).

Ketujuh: Menghitung Nilai Hasil Penskalaan Nilai ini dihitung dengan cara sebagai berikut: a. Ubah nilai Sv terkecil (nilai negative yang terbesar) diubah menjadi sama dengan 1 Sv1 = - 1,8629 Nilai 1 diperoleh dari : -1,8629 + X = 1 X = 1 + 1,8629 X = 2,8629 -1,8629 + 2,8629 = 1 sehingga y1 = 1 b. Transformasi nilai skala dengan rumus: y = Sv + |Sv min| y2 = -0,5516 + 2,8629 = 2,3113 y3 = 0,3689 + 2,8629 = 3,2615 y4 = 0,9471 + 2,8629 = 3,8100 y5 = 1,7398 + 2,8629 = 4,6027 Hasil akhir semua angka kita masukkan kedalam tabel di bawah ini:

Prosedur MSI dengan excel1. Masukkan data

2. Buka stat97.xla

3. Adds in4. Succesive interval5. Pilih Yes 6. Pada saat kursor di Data Range Blok data yang ada sampai selesai, misalnya 15 data 7. Kemudian pindah ke Cell Output. 8. Klik di kolom baru untuk membuat output, misalny di kolom B baris 1 9. Tekan Next 10. Pilih Select all 11. Isikan minimum value 1 dan maksimum value 9 (atau sesuai dengan jarak nilai terendah sampai dengan teratas) 12. Tekan Next 13. Tekan Finish

Output

DAFTAR PUSTAKA

Azzainuri. (2013). Jenis-jenis data. http://parameterd.wordpress.com/2013/05/25/jenis-jenis-data/ Diakses pada tanggal 31 Mei 2014Anonim. (2013). Sikap. http :file.upi.edu/Direktori/FIP/JUR._PEND._LUAR.../SIKAP.pdf Diakses pada tanggal 31 Mei 2014

Brinkman, W.-P.(2009). Design of a Questionnaire Instrument, Handbook of Mobile Technology Research Methods, ISBN 978-1-60692-767-0, pp. 31-57, Nova Publisher.Budiaji, Weksi. (2013).Skala pengukuran dan jumlah respon skala Likert, Jurnal Ilmu Pertanian dan Perikanan. 2( 2). hal : 125-131 Boone, Harry.(2012). Analyzing Likert Data. Journal of Extension, 50(2).Jainuri, Muhammad. Skala Pengukuran. https://www.academia.edu/5077784/Skala_Pengukuran. Diakses pada tanggal 31 Mei 2014Natsir ,F. M.(2013). Cara menghitung skala likert. http://fathirphoto.wordpress.com/2013/09/24/cara-menghitung-skala-likert/. Diakses pada tanggal 31 Mei 2014Sarwono, Jonathan. Mengubah Data Ordinal Ke Data Interval Dengan Metode Suksesif. http://www.jonathansarwono.info/ . Diakses pada tanggal 31 Mei 2014

Suliyanto. (2011). Perbedaan pandangan skala likert sebagai skala ordinal atau skala interval. Prosiding seminar nasional statistika universitas diponegoro 2011http://eprints.undip.ac.id/33805/1/makalah5.pdf. Diakses pada tanggal 31 Mei 2014Velleman, Paul. (1993). Nominal, Ordinal, Interval, and Ratio Typologies are Misleading. Cornell University and Data Description, Inc.