Method of Successive Intervals (MSI) : Transformasi Data Ordinal ke Interval dalam Analisis Regresi Linier

Forum Akademik – Analisis data dengan pendekatan kuantitatif yang sering dijumpai dalam penelitian-penelitian ilmu eksakta, dimana pengguanaan teknik analysis data secara statistik merupakan solusi untuk dapat memperoleh kesimpulan dalam peneltian tersebut. Penelitian yang menggunakan kuisioner sebagai alat untuk mengumpulkan data, dan menggunakan pertanyaan dengan jawaban yang bersifat ordinal. Analisis regresi merupakan salah satu analisis data yang digunakan dalam statistika untuk melakukan peramalan, maupun mengkaji hubungan antara variabel.

Dalam Menggunakan analisisi regresi linier, syarat pertama yang harus adalah data yang akan digunakan harus berskala interval dan Rasio. Akan tetapi jika data yang berkala ordinal tetapi dipaksakan menggunakan analisis regresi linier, maka akan diperoleh koefisien korelasi yang kecil dan tidak dapat memenuhi syarat sebagaimana yang diharuskan dalam model regresi yaitu model fit sehingga peneliti akan keliru dalam melakukan interpretasi dari model regresi tersebut.

Untuk mengatasi masalah tersebut maka terdapat 2 solusi yang dapat dilakukan:

Dengan tetap menggunakan data ordinal dan mengganti teknik analisis datanya
Atau mengganti/mentransformasi data dari nominal menjadi interval agar analisis regresi linier dapat digunakan

Kebanyakan opsi yang digunakan adalah opsi yang kedua. Adapun cara untuk mengganti data dari nominal menjadi interval adalah dengan menggunakan Metode Suksesif Interval (MSI).

APA ITU METODE SUKSESIF INTERVAL (MSI)?

Metode suksesif interval (MSI) merupakan proses mengubah data ordinal menjadi data interval. Transformasi MSI adalah sebuah metode transformasi data ordinal menjadi data interval dengan mengubah proporsi kumulatif setiap peubah pada kategori menjadi nilai kurva normal bakunya. Kajian mengenai transformasi data dari ordinal sudah pernah dilakukan oleh Muchlis dengan menggunakan bantuan macro minitab. Kemudian, pada tahun 2006 hasil kajian MSI dikembangkan oleh Budi Waryanto dengan menggunakan aplikasi yang sama.

Seperti diketahui bersama bahwa dalam statistika, skala data dapat di bagi menjadi 4 yaitu: nominal, ordinal, Interval, dan rasio [5]. Skala data merupakan salah satu hal yang harus diperhatikan dalam melakukan analisis data. Hal tersebut dikarenakan setiap metode analisis mensyaratkan jenis data yang dapat digunakan dengan metode tersebut.

Misalanya dalam analisis data yang mengguakan regresi linier berganda, mensyaratkan data yang digunakan bersakala interval atau rasio. Hal ini menjadi kendala apabila kita sudah memiliki data hasil penelitian yang berskala ordinal akan tetapi metode yang akan digunakan adalah regresi linier berganda. Apabila data yang berkala ordinal tetap digunakan dalam analisis regresi linier berganda, maka akan diperoleh interpretasi yang keliru dari model regresi tersebut.

Dalam prosedur metode statistik seperti regresi linier, korelasi Pearson, uji t dan 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 regresi logistik, atau korelasi Spearman, Chi-square yang mengujinkan data berskala ordinal; maka kita tidak perlu mengubah data dengan skala ordinal yang sudah ada menjadi data berskala interval.

TAHAPAN METODE SUKSESIF INTERVAL (MSI)?

Metode transformasi method of successive interval dapat dilakukan dengan tahapan-tahapan sebagai berikut:

Menghitung frekuensi observasi untuk setiap kategori
Menghitung proporsi pada masing-masing kategori
Dari proporsi yang diperoleh, dihitung proporsi kumulatif untuk setiap kategori
Menghitung nilai Z (distribusi normal) dari proporsi kumulatif
Menentukan nilai batas Z (nilai probability density function pada absis Z) untuk setiap kategori, dengan rumus sebagai berikut: