Skala Pengukuran Data: Panduan Singkat + Contoh Kuesioner

Skala pengukuran data adalah cara ngelompokkin data berdasarkan sifat angkanya, dan ada empat: nominal, ordinal, interval, rasio. Skala inilah yang nentuin statistik apa yang boleh kamu hitung dari kolom tersebut.

Kedengarannya materi kuliah semester satu. Tapi ini salah satu penyebab paling sering kenapa laporan kelihatan rapi padahal isinya ngawur.

Contoh nyata: kolom kota_id di database diisi angka 1 sampai 5. Kamu jalanin AVG(kota_id), keluar 2.7, masuk ke dashboard. Gak ada error. Query-nya jalan mulus. Dan angkanya sama sekali gak punya arti.

Apa itu skala pengukuran data?

Skala pengukuran data adalah klasifikasi variabel berdasarkan seberapa jauh angkanya bisa dioperasikan secara matematis. Empat levelnya bertingkat: nominal cuma bisa dihitung frekuensinya, ordinal bisa diurutkan, interval bisa dikurangi, rasio bisa dibagi.

Makin tinggi levelnya, makin banyak yang boleh kamu lakukan. Data rasio bisa diperlakukan sebagai ordinal kalau perlu. Sebaliknya gak bisa.

Konsep ini pertama dirumusin psikolog Stanley Smith Stevens tahun 1946, dan sampai sekarang masih jadi standar di hampir semua buku statistik. Kalau mau baca versi resminya, Scribbr punya penjelasan detail soal levels of measurement.

Gimana cara bedain empat skala pengukuran?

Cara paling cepat: tanya tiga hal ke kolom datamu.

1. Bisa diurutin gak? Kalau gak bisa, itu nominal.
2. Bisa diurutin, tapi jarak antar levelnya sama gak? Kalau gak sama, itu ordinal.
3. Jaraknya sama, tapi nolnya berarti "gak ada" gak? Kalau nol cuma titik acuan, itu interval. Kalau nol beneran kosong, itu rasio.

Skala	Contoh	Boleh dihitung	Chart yang cocok
Nominal	Kota, jenis produk, metode bayar	Modus, frekuensi, proporsi	Bar chart, pie (max 5 kategori)
Ordinal	Rating bintang, tingkat pendidikan, kelas UMKM	Modus, median, persentil	Stacked bar, diverging bar
Interval	Suhu Celsius, tahun kalender, skor IQ	Mean, standar deviasi, selisih	Line chart, histogram
Rasio	Omzet, jumlah transaksi, umur, berat	Semuanya, termasuk rasio dan CV	Line, histogram, box plot

Kenapa nominal gak boleh dirata-rata?

Soalnya angkanya cuma label. Kalau Jakarta = 1 dan Bandung = 2, itu bukan berarti Bandung dua kali Jakarta.

Masalahnya, database nyimpen kolom itu sebagai integer. Dan SQL gak peduli soal makna — dia cuma ngitung.

-- Jalan, tapi hasilnya sampah
SELECT AVG(kota_id) FROM pelanggan;

-- Yang bener buat data nominal
SELECT kota, COUNT(*) AS jumlah_pelanggan
FROM pelanggan
GROUP BY kota
ORDER BY jumlah_pelanggan DESC;

Aturan praktisnya: kalau kolom itu isinya kode kategori, simpan sebagai teks. Atau minimal kasih nama yang jelas kayak kota_kode, bukan kota_num. Nama yang jelas nyelametin kamu dari AVG yang gak sengaja.

Buat ngitung yang bener di kasus kategori, kamu bakal sering pakai COUNT dan GROUP BY — dua fungsi yang jadi roti-mentega kerjaan analis.

Contoh kuesioner: gimana bacanya per pertanyaan?

Ini kuesioner kepuasan pelanggan yang aku pakai buat dataset toko_berkah di ngulikdata. 340 responden, warung dan toko kelontong di Jabodetabek.

Q1. Kota kamu? (Jakarta / Bogor / Depok / Tangerang / Bekasi) → nominal. Hitung proporsi, jangan rata-rata.

Q2. Seberapa puas kamu sama layanan pengiriman? (1 = sangat gak puas … 5 = sangat puas) → ordinal. Ini skala Likert klasik.

Q3. Tahun toko kamu buka? (misal 2019) → interval. Tahun 0 bukan berarti "gak ada waktu", jadi selisih boleh, rasio gak.

Q4. Rata-rata omzet per bulan? (dalam rupiah) → rasio. Nol beneran nol. Boleh dirata-rata, boleh dibandingin "dua kali lipat".

Q5. Berapa jenis produk yang kamu jual? → rasio juga.

Angka yang keluar dari dataset toko_berkah

Dari 340 responden itu, ini yang menarik. Kalau Q2 (kepuasan) aku hitung rata-rata, hasilnya 3,8 — kelihatan aman, di atas netral, gak ada yang perlu dibenerin.

Tapi begitu aku lihat distribusinya, ceritanya beda:

• Skor 5: 41% responden
• Skor 4: 14%
• Skor 3: 9%
• Skor 2: 12%
• Skor 1: 24%

Itu bukan distribusi "cukup puas". Itu distribusi terbelah — 55% seneng banget, 36% kesel banget, dan hampir gak ada yang di tengah. Rata-rata 3,8 nyembunyiin dua kelompok pelanggan yang pengalamannya bertolak belakang.

Waktu aku pecah per kota, ketemu biang keroknya: responden Bekasi dan Tangerang nyumbang 71% dari semua skor 1 dan 2. Ternyata dua area itu pakai kurir pihak ketiga yang beda.

Satu angka rata-rata dari data ordinal hampir bikin masalah ini kelewat.

Kesalahan umum soal skala pengukuran

1. Ngerata-ratain kode kategori. Udah dibahas di atas, tapi ini juara satu. Cek dulu tiap kolom integer di tabelmu — mana yang beneran besaran, mana yang cuma ID.

2. Nganggep skala Likert itu interval tanpa mikir. Jarak dari "netral" ke "puas" belum tentu sama dengan "puas" ke "sangat puas". Kalau kamu tetap mau pakai mean, minimal laporin median dan distribusinya juga.

3. Bilang "dua kali lipat" di data interval. Suhu 30 derajat gak dua kali lebih panas dari 15 derajat. Tahun 2020 gak dua kali lebih banyak dari tahun 1010. Kedengarannya konyol, tapi versi halusnya sering nyempil di laporan.

4. Bikin line chart buat data nominal. Garis nyambungin titik-titik itu artinya ada kontinuitas. Kalau sumbu X-nya "Jakarta, Bogor, Depok", gak ada yang kontinu di situ. Pakai bar chart.

5. Ngasih rating bintang ke standar deviasi. Standar deviasi butuh jarak yang bermakna. Di data ordinal, jaraknya gak bermakna. Pakai persentil.

Skala mana yang paling sering kamu temui di kerjaan?

Dari pengalamanku ngulik data bisnis Indonesia, komposisinya kira-kira gini. Kolom rasio paling banyak — omzet, qty, harga, durasi. Kolom nominal nomor dua — kota, kategori produk, channel, status order.

Ordinal muncul tiap kali ada survei atau segmentasi bertingkat. Interval paling jarang, biasanya cuma di kolom tanggal dan tahun.

Artinya, dua skala yang paling sering bikin masalah — nominal dan ordinal — juga dua yang paling sering kamu sentuh. Worth banget buat dicek di awal tiap proyek.

Kalau kamu lagi bangun kebiasaan cek data sebelum analisis, baca juga panduan eksplorasi data awal (EDA) — di situ ada urutan langkahnya. Dan buat urusan istilah statistik lain yang sering ketuker, cek glossary variabel kategorikal.

FAQ

Apa saja 4 skala pengukuran data?

Ada nominal, ordinal, interval, dan rasio. Nominal cuma label tanpa urutan, kayak kota atau jenis produk. Ordinal punya urutan tapi jaraknya gak sama, kayak rating bintang 1 sampai 5. Interval punya jarak yang sama tapi nolnya gak berarti kosong, kayak suhu Celsius. Rasio punya jarak sama plus nol absolut, kayak harga atau jumlah barang.

Boleh gak menghitung rata-rata dari skala Likert?

Secara teknis skala Likert itu ordinal, jadi rata-rata gak sepenuhnya valid. Jarak antara "setuju" dan "sangat setuju" belum tentu sama dengan jarak "netral" ke "setuju". Praktik lapangan sering tetap ngerata-ratain, dan itu diterima kalau skalanya minimal 5 poin dan sampelnya gede. Paling aman kamu laporin median plus distribusi per poin.

Apa bedanya interval dan rasio?

Bedanya cuma di titik nol. Interval punya nol yang cuma titik acuan — suhu 0 derajat Celsius bukan berarti gak ada suhu. Rasio punya nol absolut, jadi omzet Rp0 beneran artinya gak ada penjualan. Konsekuensinya, di skala rasio kamu boleh bilang "dua kali lipat". Di skala interval gak boleh.

Kode angka buat kota (1 = Jakarta, 2 = Bandung) itu skala apa?

Tetap nominal. Angka di situ cuma pengganti label, bukan besaran. Ini jebakan paling sering di database, soalnya kolomnya bertipe integer jadi SQL dengan senang hati ngitung AVG-nya. Simpan sebagai teks, atau kasih penamaan yang jelas biar kamu gak kejebak.

Skala apa yang dipakai buat data tanggal?

Tanggal itu interval. Kamu boleh ngitung selisih antara dua tanggal, dan hasilnya bermakna — "14 hari". Tapi kamu gak boleh bilang tanggal yang satu "dua kali lipat" dari yang lain. Menariknya, selisih hari itu sendiri adalah rasio, soalnya 0 hari beneran artinya gak ada jeda.

Penutup

Tiga hal yang perlu kamu bawa pulang.

Pertama, cek skala tiap kolom sebelum ngitung apa-apa. Lima menit di awal nghemat revisi laporan di akhir.

Kedua, rata-rata cuma valid buat interval dan rasio. Buat ordinal, pakai median plus distribusi. Buat nominal, pakai frekuensi.

Ketiga, SQL gak bakal ngasih tau kamu salah. Angka tetap keluar, dashboard tetap kelihatan cakep, dan gak ada yang protes sampai keputusannya meleset.

Mau langsung praktek ngolah data kategori dan numerik yang bener? Coba latihan query di panduan belajar SQL dari nol — dataset toko_berkah bisa kamu utak-atik sendiri di situ.