VARIABLES - Variables

Variabel penelitian adalah objek yang diteliti yang memiliki nilai yang bervariasi.  Dengan demikian sesuatu yang hanya mempunyai satu nilai (tidak mempunyai nilai yang bervariasi) tidak dapat dinyatakan sebagai variabel, tetapi konstanta (constant).

1.        Kualitatif dan Kuantitatif

Qualitative Variable, adalah variabel yang datanya berupa data kualitatif (skala nominal atau ordinal).

Quantitative Variable, adalah variabel yang datanya berupa angka (skala ordinal, interval, atau rasio).

2.       Bebas dan Terikat

Variabel Bebas (Independent Variable), adalah variabel yang mempengaruhi variabel yang lain (variabel terikat).

Variabel Terikat (Dependent Variable), adalah variabel yang dipengaruhi oleh variabel lain (variabel bebas).

Dua pengertian di atas memperlihatkan bahwa istilah dua jenis variabel ini muncul pada penelitian (study) pengaruh.

Jika digambarkan, modelnya akan menjadi:

Contoh:     Pada penelitian tentang ”Pengaruh IQ terhadap Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika”, yang menjadi VB adalah ”IQ” dan yang menjadi VT adalah ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika”.

Catatan: Pada penelitian korelasional tidak dikenal istilah variabel bebas dan terikat, karena;

a.      Pada hubungan relasional tidak ada variabel yang ”mempengaruhi” (VB) maupun ”dipengaruhi” (VT).

Contoh:   Hubungan Kemampuan Berbahasa Arab dan Kemampuan Berbahasa Inggris Mahasiswa.

b.      Pada hubungan resiprokal tiap variabel ”mempengaruhi” dan ”dipengaruhi” oleh variabel yang lain, sehingga penentuan VB dan VT menjadi rancu.

Contoh:     Hubungan Motivasi dan Hasil Belajar Mahasiswa.

 3.        Kontrol dan Ekstrane

Ketika peneliti merasa tidak puas dengan hasil yang ditunjukkan oleh variabel bebas dan variabel terikat yang dianalisis, maka perlu dilakukan analisis lanjutan dengan memperhitungkan variabel-variabel yang lain (variabel-variabel penjelas) yang dapat lebih menjelaskan realitas yang sesungguhnya.  Oleh karena itu analisis lanjutan ini disebut juga dengan analisis penjelas (elaboration).  Sedangkan variabel yang perlu diperhitungkan dalam analisis ini antara lain adalah variabel kontrol dan variabel ekstrane.

Control Variable, adalah variabel yang dikendalikan pengaruhnya terhadap variabel terikat.  Pengendalian ini dilakukan dengan menggunakan nilai yang sama (dijadikan konstanta).

Contoh:    Jika meneliti tentang ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika” (VT) yang diduga dipengaruhi oleh IQ-nya (VB), maka variabel lain yang juga diduga berpengaruh terhadap ”Nilai” dimaksud seperti ”Minat” harus dikendalikan (VK), yaitu dengan menggunakan satu nilainya saja seperti mahasiswa yang memiliki minat belajar Statistika yang ”Tinggi”.

Control variable ini sering ditemukan pada penelitian di bidang eksakta, terutama pada penelitian eksperimental.  Pada bidang sosial, pengontrolan variabel lebih sulit dilakukan terutama pada penelitian yang non experimental.

Catatan:   Pengontrolan variabel yang berpengaruh terhadap VT selain dapat dilakukan dengan cara membuat variabel menjadi konstanta (secara metodologis), juga dapat dilakukan dengan pengontrolan secara statistis/matematis.  Pengontrolan secara statistis dapat dilihat secara eksplisit pada analisis-analisis parsial seperti korelasi parsial, korelasi semi parsial, dll.

Extraneous Variable, adalah variabel yang diabaikan pengaruhnya terhadap variabel terikat, karena pengaruhnya dianggap tidak signifikan.

Contoh:    Jika meneliti tentang ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika” (VT) yang diduga dipengaruhi oleh IQ-nya (VB), maka variabel lain yang juga diduga berpengaruh terhadap ”nilai” dimaksud namun dianggap pengaruhnya kecil (negligible) sehingga tak berarti (nonsignificant) seperti ”Penggunaan Ruangan ber-AC”, diabaikan.

4.       Antara dan Moderator

Variabel-variabel lain yang juga dapat memberikan kontribusi dalam analisis penjelas adalah sebagai berikut:

Intervening Variable, yaitu variabel yang menjadi perantara efek dari VB ke VT.  Dengan demikian VB secara langsung memberikan efek terhadap VI, kemudian VI memberikan efek terhadap VT yang di dalamnya termasuk efek (tak langsung) dari VB.

Jika digambarkan modelnya akan menjadi:

Contoh:     Pada penelitian tentang ”Pengaruh IQ terhadap Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika”, sebenarnya pengaruh dari ”IQ” (VB) tidaklah langsung terhadap ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika” (VT), tetapi melalui suatu variabel lain yaitu ”Proses Belajar Statistika” (VI).

Catatan:  Variabel intervening/Antara ini terkadang disebut juga sebagai Variabel Mediator (Vmed) karena memediasi pengaruh dari VB terhadap VB.  Namun ada sebagian pakar yang membedakannya dengan alasan bahwa fungsi mediasi tidak merubah nilai pengaruh (dari positif ke nagatif atau sebaliknya).  Dengan demikian pendapat ini menyatakan bahwa VMed adalah bentuk khusus dari VI.

Moderator Variable, yaitu variabel yang memberikan dampak terhadap pengaruh VB kepada VT.

Jika digambarkan modelnya akan menjadi:

Contoh:     Pada penelitian tentang ”Efek Motivasi terhadap Proses Belajar Mahasiswa di Kelas pada Mata Kuliah Statistika”, peneliti menduga bahwa motivasi yang diukur sebelum perkuliahan dilaksanakan berdampak positif terhadap proses belajar yang diamati secara langsung.  Namun hasil penelitian ternyata tidak sesuai dengan dugaan tersebut.  Bisa saja dampaknya tidak signifikan atau bahkan dampaknya negatif.

Peneliti kemudian menduga bahwa hal ini terjadi karena pengaruh dari ”Cara Mengajar Dosen” yang membuat mahasiswa yang motivasinya tinggi tetapi proses belajarnya di kelas tidak baik atau sebaliknya.  Jika kemudian ”Cara Mengajar Dosen” ikut dilibatkan dalam penelitian, maka ia berkedudukan sebagai VM.

Dampak VM terhadap pengaruh VB kepada VT selain dijelaskan melalui prosesnya sebagaimana yang telah dipaparkan di atas, juga dapat dijelaskan melalui pengaruhnya terhadap VB sekaligus terhadap VT, sehingga modelnya digambarkan sebagai berikut:

Contoh:     Dari contoh penelitian tentang ”Efek Motivasi terhadap Proses Belajar Mahasiswa di Kelas pada Mata Kuliah Statistika”, sebenarnya dapat dipandang bahwa ”Cara Mengajar Dosen” memberikan dampak terhadap ”Motivasi Belajar” mahasiswa sekaligus terhadap ”Proses Belajar” mereka.

                Hanya saja jika jika secara logika VM tidak masuk akal mempengaruhi VB, maka pengujiannya tidak layak menggunakan model yang dicantumkan di atas, tetapi menggunakan model interaksi (VBxVM) sebagai berikut:

Catatan:   Jika melihat kedudukannya dalam model, maka VM sebenarnya adalah VB.  Tetapi karena VM dimunculkan untuk menjelaskan pengaruh VB terhadap VT, maka kedudukan VM dalam analisis dianggap sebagai VB Kedua (Secondary Independent Variable).

Jika bukan dalam analisis penjelas maka model kedua yang menggambarkan kedudukan VM, dapat membuat kedudukan VB berubah menjadi VI dengan model sebagai berikut:

5.        Komponen, Pengganggu, dan Penekan

Beberapa variabel lain yang juga dapat memberikan kontribusi dalam analisis penjelas adalah sebagai berikut:

Component Variable, adalah bagian dari suatu variabel yang apabila diperlakukan sebagai variabel tersendiri akan dapat memberikan hasil penelitian yang lebih baik.

Contoh:     Tes IQ (VB) diduga memiliki pengaruh yang signifikan terhadap hasil belajar dalam mata kuliah Statistika (VT).  Mungkin akan lebih baik jika setiap bagian dari Tes IQ dianalisis sebagai VB yang terpisah yaitu: Tes Verbal (VB1), Tes Spasial (VB2), Tes Logikal (VB3), dan Tes Numerikal (VB4) sehingga dapat diketahui komponen Tes IQ mana yang berpengaruh atau tak berpengaruh signifikan serta yang mana yang pengaruhnya paling signifikan terhadap hasil belajar dalam mata kuliah Statistika (VT).  Mungkin juga akan lebih baik lagi jika hasil belajar Statistika dianalisis komponennya secara terpisah (dianggap sebagai variabel-variaabel tersendiri) juga.

Distractor Variable, yaitu variabel yang dapat mengungkapkan bahwa kesimpulan yang benar dari suatu analisis adalah kebalikan dari apa yang disimpulkan pada desain sebelumnya.

Contoh:     Suatu hasil penelitian menunjukkan bahwa pelanggan suatu bank ternyata lebih banyak dari masyarakat yang berdomisili jauh dibandingkan dengan yang berdomisili dekat dengan bank dimaksud. 

Hasil penelitian ini tentu mengherankan.  Namun jika dilakukan analisis dengan melibatkan perbandingan jarak rumah sumber data penelitian dengan lokasi bank saingan terdekat  yang diklasifikasikan atas ”lebih dekat” atau ”lebih jauh”, ternyata memberikan hasil bahwa sebaliknya yaitu seseorang dalam memilih bank ternyata memilih yang jaraknya lebih dekat dengan rumahnya.

Dengan demikian ”Perbandingan Jarak dengan Bank Kompetitor” lebih layak dijadikan VB dibandingkan menggunakan ”Jarak Rumah sumber data penelitian dengan Bank Tertentu”.

Supressor Variable, yaitu variabel yang menekan pengaruh suatu variabel terhadap variabel yang lain.

Contoh:    Diduga bahwa ”Reaksi terhadap Perubahan Harga” (VT) dari kelompok masyarakat berpenghasilan (VB) rendah lebih signifikan dibanding kelompok masyarakat berpenghasilan tinggi.  Namun hasil pengujian menunjukkan tidak ada perbedaan yang signifikan.

Ketika kemudian masyarakat yang diteliti  dibedakan juga atas dasar tingkat pendidikan, terlihat bahwa tingkat pendidikan rendah dan tinggi berbeda secara signifikan dalam hal reaksi terhadap perubahan harga.  Peneliti mungkin terjebak dalam pemikiran bahwa ”Tingkat Penghasilan” sudah bukan merupakan variabel yang signifikan lagi untuk melihat ”Reaksi Masyarakat terhadap Perubahan Harga”.  Hasil analisis memperlihatkan variabel ”Tingkat Pendidikan”-lah yang berpengaruh.

Namun jika variabel ”Tingkat Pendidikan” dibuat konstan (dijadikan VK), maka akan dapat dilihat bahwa tingkat penghasilan memberi pengaruh yang signifikan.  Hal ini menjelaskan bahwa pengaruh ”Tingkat Penghasilan” telah ditekan oleh ”Tingkat Pendidikan”.

Catatan:  Jika diperhatikan secara seksama maka dapat dilihat bahwa Variabel Pengganggu (VPg) dan Variabel Penekan (VPn) adalah bentuk khusus dari VM.

 6.       Eksogen dan Endogen

Exogeneous Variable, adalah variabel yang dianggap memiliki pengaruh terhadap variabel yang lain, namun tidak dipengaruhi oleh variabel lain dalam model.

Endogeneous Variable, adalah variabel yang dianggap dipengaruhi oleh variabel lain dalam model.

Contoh Model:

 

Dari model di atas dapat dilihat bahwa:

a.      ”Cara Mengajar Dosen” adalah VB, ”Motivasi Belajar Mahasiswa” adalah VI, dan ”Proses Belajar Mahasiswa” adalah VT.

b.      ”Cara Mengajar Dosen” karena tidak dipengaruhi oleh variabel yang lain adalah VEx.

c.     ”Motivasi Belajar Mahasiswa” adalah VEn, karena dipengaruhi oleh variabel ”Cara Mengajar Dosen. ”Proses Belajar Mahasiswa” juga VEn karena dipengaruhi oleh ”Motivasi Belajar Mahasiswa”.

 7.        Teramati dan Laten

Observed Variable, adalah variabel yang dapat ”diamati” secara langsung.

Latent Variable, adalah variabel yang tidak dapat ”diamati” secara langsung namun harus dikonstruk sedemikian rupa dari berbagai indikator.

Catatan:   Indikator yang digunakan untuk mengukur VL adalah Variabel Teramati (VTm) atau Observed  Variable/Manifest Variable.

VTm sering muncul dalam penelitian-penelitian eksakta. 

Dalam penelitian sosial/humaniora (behavioristic), variabel yang digunakan seringkali berupa variabel yang tidak dapat diamati secara langsung, namun harus dikonstruk sedemikian rupa.

Variabel ”Warna Kulit”, adalah variabel yang dapat diamati secara langsung baik dengan teknik observasi, angket, maupun yang lainnya.  Tetapi variabel ”Motivasi” tidaklah dapat diamati secara langsung, karena secara konseptual motivasi adalah ”proses neuro-psikologis dalam diri seseorang”.  Oleh karena itu variabel seperti motivasi harus diukur faktor-faktornya dengan cara:

a.      Mengamati penyebabnya → formative indicators

b.      Mengamati akibatnya → reflective indicators

c.        Mengamati bagian-bagiannya → correlative indicators.

Contoh konstruk variabel laten dengan indikator formatif:

Contoh konstruk variabel laten dengan indikator reflektif (umum digunakan dalam scaling):

Contoh konstruk variabel laten dengan indikator korelatif (umum digunakan dalam indexing):

Model-model di atas menggunakan  one level factor yang dianalisis dengan first order factor analysis.  Tetapi jika model kedua dan ketiga digabungkan, maka akan didapatkan two level factor yang mencakup gabungan indikator-indikator formatif dan korelatif.  Untuk menganalisis model two level factor digunakan second order factor analysis.

Catatan:  Analisis faktor dengan indikator korelatif dan resiprokal (hubungan simetrik) antara lain dapat menggunakan program SPSS, Lisrel, EQS yang berbasiskan rumus korelasi.  Dalam analisis multivariat, analisis faktor seperti ini diklasifikasikan sebagai analisis multivariat yang bersifat interdependensi dan metode estimasi yang digunakan pada program SPSS, Lisrel, EQS seperti Maximum Likelihood merupakan teknik parametrik.

Analisis faktor dengan indikator formatif antara lain dapat menggunakan program-program dengan metode estimasi Partial Least Square seperti Smart PLS, Visual PLS, PLS-GUI, PLS Graph yang berbasiskan rumus Multiple Regression. Dalam Second-Order Multivariate Analysis, analisis dengan menggunakan rumus regresi darab seperti ini termasuk dalam kategori dependensi dan penggunaan metode estimasi Partial Least Square termasuk dalam kategori nonparametrik.

Analisis faktor dengan indikator reflektif seharusnya berbasiskan rumus multivariate regression seperti yang tersedia pada program NCSS.  Namun penulis belum menemukan program yang khusus untuk melakukan analisis faktor dengan rumus ini.  Karenanya dalam praktek, yang digunakan adalah analisis berbasiskan korelasi yang sebenarnya kurang tepat.

DOWNLOAD materi ini dan materi terkait:
http://www.ziddu.com/download/18900198/BASICLEVELSTATISTICS-BeberapaKonsepDasar.pdf.html

Read More

DATA

1.        Primer dan Sekunder

Primary Data, adalah data mentah yang dikumpulkan langsung dari sumbernya oleh peneliti baru kemudian diolahnya.

Secondary Data, adalah data olahan yang diambil peneliti dari pihak kedua (pihak yang mengumpulkan langsung dari sumber dan mengolahnya).

Catatan:   Jika menggunakan data dari pihak ketiga, maka datanya disebut data ”tersier”, dan seterusnya.

2.       Utama dan Pendukung

Prominent/Eminent Data, adalah data pokok dalam suatu penelitian. Jika data ini tidak ada, maka jawaban terhadap pertanyaan penelitian tidak akan didapat.

Supporting Data, adalah data yang meskipun tidak ada pada suatu penelitian namun jawaban atas pertanyaan penelitian masih dapat dibuat, meskipun mungkin dapat dianggap kurang memadai.

3.       Kualitatif dan Kuantitatif

Qualitative Data, adalah data yang bukan berupa angka seperti atribut/kategorik.

 

Catatan:   Data kategorik (dengan skala nominal maupun ordinal) dapat dianalisis dengan menggunakan rumus-rumus matematika/statistika setelah diberi kode (coding) berupa angka.

Quantitative Data, adalah data yang berupa angka/numerik (dengan skala ordinal, interval, ataupun rasio)

4.       Nominal, Ordinal, Interval, Rasio

Jika dilihat dari tingkatan pengukurannya (Measurement Level), maka data dapat diklasifikasikan sebagai berikut:

a.      Categorical Data

Data kategorik adalah data kualitatif sehingga untuk dapat dianalisis dengan menggunakan rumus matematika/statistika perlu diberi kode (coding) berupa angka.  Analisis matematika/statistika yang digunakan adalah berdasarkan hasil membilang (counting) pada setiap kategori/pasangan kategori.

Data kategorik oleh sebagian ahli disebut juga data nonmetric atau data yang bukan merupakan hasil pengukuran berdasarkan skala. 

Klasifikasinya adalah:

1)     Kategorik Nominal, yaitu data kategorik yang secara umum tak dapat dinyatakan bahwa kategori yang satu lebih baik dari kategori lainnya atau dengan kata lain kategori yang tidak memiliki urutan (order) tertentu.

Contoh: Pria – wanita,  ungu – biru, dan lain-lain.

Karena tidak memiliki urutan tertentu, maka dapat saja kategori ”pria” diberi kode ”0” dan ”wanita diberi kode ”1” maupun sebaliknya.

2)  Kategorik Ordinal, yaitu data kategorik yang mempunyai urutan tertentu namun ”jarak” antar/”bobot” kategori, sulit untuk dinyatakan sama.

Contoh: Alat dalam kondisi ”baik”, ”sedang”, ”rusak”.

Karena memiliki urutan, maka jika ”rusak” diberi kode ”1”, maka urutan berikutnya adalah ”sedang’ yang diberi kode ”2”, dan kategori ”baik” diberi kode ”3” atau sebaliknya.  Urutan pengkodean di atas tidak dapat ditukar-tukar secara acak, karena akan menjadi tidak sesuai dengan urutan kategorinya.

Data kategorik nominal maupun ordinal dapat diubah menjadi data numerik:

1)     rasio, dengan cara membagi jumlah frekuensi suatu kategori dengan kategori yang lain, atau dengan total frekuensi seluruh kategori.
2)  interval, dengan cara penskalaan (melalui scaling process)

3) ordinal, dengan cara melakukan ranking sesuai dengan jumlah frekuensi dari kategori-kategori yang ada.

b.      Numerical Data

Data numerik adalah data metric atau data yang merupakan hasil pengukuran berdasarkan skala.  Jika data hasil pengukuran eksakta menghasilkan data metrik murni (pure metric data), maka pada pengukuran sosial/humaniora, data yang dihasilkan bukan data metrik murni.

Pada pengukuran social/humaniora, suatu variabel dikonstruk sedemikian rupa dalam beberapa indikator yang kemudian menjadi dasar pembuatan item pengukuran.  Pada setiap item disediakan beberapa pilihan jawaban yang pada dasarnya berbentuk kategorik ordinal.  Untuk jawaban yang dipilih pada setiap indikator diubah ke bentuk angka yang disebut scoring.  Meskipun kelihatannya sama, namun istilah coding dan scoring berbeda, yaitu:

Coding	Scoring
Angkanya dapat ditukar-tukar sesukanya	Angka tidak dapat ditukar semaunya, karena harus disesuaikan dengan urutan yang seharusnya
Diterapkan pada variabel manifest, dimana setiap variabel hanya mengandung 1 item	Diterapkan pada variabel laten yang dikonstruk dari beberapa variabel manifest (indikator), dimana setiap variabel mengandung beberapa item
Hasil coding per item dapat dianalisis langsung, karena setiap item mewakili 1 variabel	Hasil scoring per item tak boleh dianalisis langsung, tapi harus diakumulasikan dengan score item-item lain yang mewakili variabel yang sama
Data yang dihasilkan merupakan data kategorik baik nominal maupun ordinal	Data yang dihasilkan adalah data dengan level pengukuran interval karena sudah diskalakan, atau data dengan level pengukuran ordinal yang diperlakukan sebagai data dengan level pengukuran interval
Tidak layak untuk diterapkan operasi aritmatika	Layak untuk diterapkan operasi aritmatika (khusus untuk data dengan level pengukuran interval)

Catatan:   Data yang didapat sebagai penjumlahan skor-skor seluruh item pada suatu konstruk variabel laten secara awam dimasukkan dalam klasifikasi data interval.  Namun umumnya para ahli mempertanyakan  pendapat di atas, ”Apakah data dengan level pengukuran ordinal yang dijumlahkan dapat menghasilkan data dengan level pengukuran interval?”.

Karena itu dalam konteks seperti ini, jumlah skor-skor dari suatu konstruk dinyatakan diperlakukan sebagai data interval (threat as interval), meski sebenarnya dianggap bukan data dengan level pengukuran interval.

1)       Numerik Ordinal

Data numerik ordinal adalah data yang berupa angka yang menunjukkan urutan. 

Contoh:

a)     urutan antrian

b)     urutan tempat duduk

c)      urutan nomor rumah

d)     urutan kemunculan

bentuk khusus data numerik ordinal ini adalah data ranking (rank – order), yaitu data yang dihasilkan dari pengurutan data interval atau rasio baik secara meningkat (ascending) maupun menurun (descending).

Seperti data kategorik, operasi aritmatika tak dapat dilakukan pada data ini.

Contoh:     Tidak dapat dikatakan bahwa; ranking 3 – ranking 2 = ranking 1

Juga tidak dapat dikatakan bahwa; 2 x kali ranking 1 = ranking 2.

2)     Numerik Interval

Data numerik interval selain mengandung unsur urutan juga memiliki unsur kesamaan jarak antar urutan.  Karena itulah operasi aritmatika dapat dilakukan.

Contoh:     40° C – 30° C = 10°C

40° C adalah 2x lebih panas dari 20° C.

Namun data numerik interval tidak memiliki 0 yang absolut.

Contoh:     0° C = 32° F

Siswa yang mendapat nilai 0 pada tes Statistika tidak dapat diartikan bahwa yang bersangkutan tidak memiliki pengetahuan sama sekali tentang Statistika.

Kesamaan jarak ukuran ini yang sulit dijamin pada suatu pengukuran sosial/humaniora.   Karena itulah hasil pengukuran sosial/humaniora dianggap bukan data dengan level pengukuran interval, tetapi data dengan level pengukuran ordinal yang diperlakukan sebagai data interval.

Data numerik interval ini dapat diubah menjadi data:

a)     numerik ordinal, dengan cara me-ranking-nya

b)     kategorik ordinal, dengan cara mengkategorikannya.

3)     Numerik Rasio

Data numerik rasio adalah data yang selain mengandung unsur urutan, memiliki jarak ukuran yang sama, serta memiliki nilai 0 absolut.

Contoh:     Jika tidak ada sesuatu yang diletakkan di atas timbangan emas, maka angka digital yang tertera tetap angka 0,00.

Seperti data numerik interval, data numerik rasio ini dapat diubah menjadi data:

a)     numerik ordinal, dengan cara me-ranking-nya

b)     kategorik ordinal, dengan cara mengkategorikannya.

Catatan:   Pada program Statistical Package and Service Solutions (SPSS) digunakan hal-hal sebagai berikut:

-  Seluruh data yang di-entry untuk dianalisis diperlakukan sebagai data numerik

-  Konsep pendataan disamakan dengan pengukuran yang diklasifikasikan atas skala (scale), ordinal, dan nominal.

Perbandingan dengan konsep sebelumnya dapat dilihat pada tabel berikut:

Konsep Sebelumnya			Konsep di SPSS
Pendataan	Kategorik	Nomial	Measurement	Nominal
		Ordinal		Ordinal
	Numerik	Ordinal
		Interval		Scale
		Rasio

DOWNLOAD materi ini dan materi terkait:
http://www.ziddu.com/download/18900198/BASICLEVELSTATISTICS-BeberapaKonsepDasar.pdf.html

Read More