Anda di halaman 1dari 12

STATISTIK PARAMETRIK DAN NONPARAMETRIK

1. Statistik Parametrik Parametrik adalah ujian statistik yang melibatkan data normal, sebagaimana data dalam populasi untuk menganggar parameter. Oleh itu, operasi yang melibatkan data normal dinamakan statistik parametrik. Sebaliknya jika data tidak normal, dinamakan bukan parametrik (nonparametric). Sebab itu ujian parametrik perlukan beberapa andaian

(assumption) dipenuni supaya dapat menjadi penganggar kepada parameter / populasi, khususnya syarat kernormalan. Contoh kaedah statistik parametrik diantaranya adalah uji-z (1atau 2 sampel ), uji-t (1 atau 2 sampel), korelasi pearson,perancang percubaan (2-way ANOVA), dan lain-lain. 2. Statistik Non Parametrik Statistik non parametrik disebut juga statistic bebas sebaran. Statistik non parametrik tidak mensyaratkan bentuk sebaran parameter populasi. Statistik nonparametrik boleh digunakan pada data yang mempunyai sebaran normal atau tidak. Statistik nonparametrik biasanya digunakan untuk melakukan analisis pada data muka atau ordinal. Contoh kaedah statistik nonparametrik diantaranya adalah Chi-square test, Median test, Friedman test, dan lain-lain 3. Langkah-Langkah Pemilihan Kaedah Statistik Bilakah kaedah statistik nonparametrik digunakan? Kaedah ujian ini digunakan apabila salah satu syarat dalam statistik parametrik tidak dipenuhi. Syarat-syarat yang perlu diperhatikan untuk menentukan statistik apa yang akan digunakan dalam analisis, iaitu:

1. Apakah pengedaran data diketahui? Jika pengedaran data tidak diketahui maka statistik yang sesuai adalah statistik nonparametrik. Jika pengedaran data diketahui ,maka kita harus melihat jenis pengedaran data tersebut. 2. Apakah data berdistribusi normal? Jika data tidak berdistribusi normal, maka statistik yang sesuai adalah statistik nonparametrik. Jika data berdistribusi normal,maka statistik yang sesuai adalah statistik parametric 3. Apakah sampel ditarik secara random? Jika sampel tidak ditarik secara random, maka statistik yang sesuai adalah statistik nonparametrik. Jika sampel ditarik secara random, maka statistik yang sesuai adalah statistik parametrik. 4. Apakah varians kumpulan sama? Jika varians kumpulan tidak sama, maka statistik yang sesuai adalah statistik nonparametrik. Jika varians kumpulan sama,maka statistik yang sesuai adalah statistik parametric 5. Bagaimana jenis skala pengukuran data? Jika skala pengukuran data nominal dan ordinal, maka statistik yang sesuai adalah statistik nonparametrik. Jika skala pengukuran data selang dan nisbah, maka statistik yang sesuai adalah statistik parametrik. Langkahlangkah pemilihan kaedah statistik dapat dilihat pada Gambar 1

Data

Distribusi populasi diketahui? ? Ya

Tidak

Distribusi populasi normal??

Tidak

Ya Sampel ditarik secara random???

Tidak

STATISTIK
BUKAN PARAMETRIK

Ya

Varians kelompok sama??

Tidak

Ya

STATISTIK
Parametrik

Selang dan Nisbah

Skala pengukuran??

Muka dan Ordinal

Rajah 1: Carta alir langkah-langkah pemilihan kaedah statistic

Selain sebaran, salah satu penunjuk penggunaan kaedah statistik parametrik atau nonparametrik adalah jenis data. Pengedaran normal merupakan sebahagian daripada pengedaran kebarangkalian yang berterusan (continuous probability distribution). Oleh itu skala pengukurannya pun haruslah berterusan. Jenis data yang mempunya iskala ukuran yang berterusan adalah data nisbah dan selang .Kerana dalam pemilihan kaedah statistik jenis data merupakan salah satu penunjuk, maka perlu dijelaskan kembali pengertian dan jenis-jenis data. JENIS JENIS DATA:

JENIS JENIS DATA Umumnya data dibahagikan kepada 2 jenis iaitu Data Kuantitatif dan Data Kualitatif Data Kuantitatif - data yang diukur dengan nilai numerik seperti tinggi, berat, halaju, pendapatan dll Data ini dapat dipecahkan kepada dua- data diskrit dan data selenjar. Data diskrit hanya mengambil nilai tertentu berbentuk angka bulat seperti bilangan anak, kereta dll Bil. anak = 3 orang Pelajar = 56 orang

Data selenjar boleh mengambil apa-apa nilai di dalam sesuatu selang (perpuluhan atau pecahan) seperti jumlah pendapatan, tinggi, berat dll. Tinggi = 1.67 m Pendapatan = RM 1575.35 CGPA = 3.75 Data Kualitatif data yang merujuk kepada jenis, sifat atau pangkat sesuatu perkara seperti jantina, bangsa, jenama pakaian dan sebagainya. Data ini tidak diukur atau dinyatakan di dalam bentuk angka/nombor Bangsa = Melayu Jantina = lelaki

JENIS SKALA UKURAN DATA: Data dikumpul atau dicerap di dalam pelbagai skala ukuran. Teknik menganalisis dan memaparkan sesuatu data bergantung kepada skala ukuran data tersebut. Kesilapan memilih teknik analisis dan memaparkan data terhadap jenis data yang tidak sesuai akan membawa kepada ralat yang tidak disedari. Skala ukuran data boleh dibahagikan kepada 4 jenis ukuran iaitu Skala Norminal , Skala Ordinal , Skala Intervel (Selang) dan Skala Ratio (Nisbah)

Skala Norminal: Data norminal ialah data yang dikelaskan kepada kumpulan tertentu atau kategori nilai. Contohnya jantina responden dikelaskan kepada 2 kategori iaitu lelaki dan perempuan. Pada

kebiasaanya, data jantina ini diberi kod angka atau label iaitu 1 bagi lelaki dan 2 bagi perempuan. Kod 1 dan 2 ini hanyalah sebagai label semata-mata dan tidak memiliki apa-apa erti. Oleh itu operasi- operasi matematik tertentu seperti min, sisihan piawai dan sebaianya tidak boleh digunakan terhadap data jenis ini

Skala Ordinal: Skala Ordinal Skala ordinal tidak hanya mengkelaskan data kedalam kumpulan, tetapi juga meletakan pangkat terhadap kumpulan tersebut. Contohnya: Kumpulan kereta Pangkat (1 paling disukai) SUV 1 Pancuan 4 roda 2 Sedan 3 Mini 4 Kumpulan kereta SUV lebih disukai daripada Pacuan 4 roda dan kumpulan kereta Sedan lebih disukai daripada Mini (perbezaan satu pangkat).

Walaupun perbezaan antara MPV dengan Pancuan 4 roda dan Sedan dengan Mini adalah sama (perbezaan satu pangkat sahaja), kita dapat mengatakan bahawa nilai atau tahap perbezaan tersebut adalah sama. Kategori nilai pangkat tidak menggambarkan perbezaan yang sama (equal differences) dari segi ukuran atribut. Variabel atau pemboleh ubah yang diukur dengan skala Norminal dan Ordinal biasanya dikenali bukan metrik ( non-metrik/non-parametrik).

Skala Interval/Selang: Nilai yang dicerap/kumpul di dalam nilai asal sebenar Contohnya umur perbezaan umur antara 90 tahun dengan 89 tahun dan antara 14 tahun dengan 13 tahun adalah sama (iaitu setahun). Tiap-tiap satu unit perbezaan membawa makna yang sama tanpa mengira di mana

ukuran tersebut berada Dalam ukuran selang, kita dapat menerangkan bukan sahaja siapa yang lebih tinggi kedudukannya, malah dapat menunjukkan sejauh manakah perbezaan kedudukan tersebut (berapa unit).

Skala Ratio: Nilai yang dikumpul/cerap di dalam nilai asal sebenar Apa yang membezakan dengan ukuran Intervel ialah ukuran Ratio mempunyai nilai dasar atau nilai sifar dan kebiasaanya tidak mempunyai nilai negatif. Seseorang tidak boleh menyatakan bahawa beratnya ialah kurang dari sifar (negatif) atau pendapatnya adalah negatif (kalau berhutang macam mana ???) Skala Interval dan Ratio sering menimbulkan kekeliruan (contohnya umur) dan terdapat pengkaji yang mengandaikan ukuran Intervel dan Ratio sebagai satu satu kumpulan ukuran data sahaja.

Statistik Deskriptif: Satu kaedah yang digunakan untuk memerihalkan taburan sesuatu data Terdapat 2 ukuran yang digunakan untuk memerihalkan taburan sesuatu data iaitu Ukuran Kecenderungan Memusat dan Ukuran Sukatan Ubahan Ukuran Kecenderungan Memusat yang selalu digunakan ialah min, mod dan median Ukuran Sukatan Ubahan yang selalu diguna ialah varians, sisihan piawai dan julat

MIN/PURATA: Nilai yang diperolehi daripada hasil bahagi jumlah semua nilai dengan bilangan kes Ianya bukan suatu angka mutlak tapi anggaran semata-mata. Kebiasaanya terdapat dua jenis min iaitu min

bagi populasi dan min bagi sampel. Min sampel boleh dinyatakan seperti berikut : min sampel = x n Di mana x = jumlah semua nilai-nilai n = ialah bilangan sampel X Data Menurut Sumbernya Berdasarkan sumbernya, data dapat digolongkan menjadi: a. Data dalaman dan data luaran. Data dalaman iaitu data yang berpunca dari dalam organisasi. Data luaran yaitu data yang berpunca dari luar organisasi. b. Data primer dan data sekunder Data primer adalah data yang diperoleh melalui survey lapangan dengan menggunakan kaedah pengumpulan data tertentu. Data sekunder adalah data yang telah dikumpulkan oleh lembaga pengumpul data dan diterbitkan kepada masyarakat pengguna data. Data sekunder akan lebih mempermudah dan mempercepat jalannya penyelidikan. Namun kerana umumnya data sekunder dimaksudkan untuk pengguna penyelidik dalam jumlah yang besar, seringkali data yang tersedia tidak sesuai dengan keinginan penyelidik. Hal yang sering dikeluhkan apabila kita menggunakan data sekunder adalah: (1) ragam data statistik yang tersedia semakin banyak tetapi kelompok data yang diperlukan bagi suatu kajian sering tidak cukup; (2) Data runtut waktu tidak konsisten dan tidak selalu dapat dipertahankan; (3) angka-angka mengenai masalah tertentu yang dikeluarkan oleh pelbagai sumber rasmi tidak konsisten satu sama lain. Uji keboleh percayaan data, penyederhanaan, agregasi, dan penyesuaian mutlak diperlukan agar diperoleh hasil yang dapat dipertanggungjawabkan

KLASIFIKASI DATA DAPAT DIPERHATIKAN DALAM RAJAH DI BAWAH:

Statistik Parametrik Parametrik bermakna parameter. Parameter adalah penunjuk dari suatu pengedaran hasil pengukuran. Indikator dari pengedaran pengukuran berdasarkan statistik parametrik digunakan untuk parameter dari pengedaran normal. Apa yang dimaksudkan dengan pengedaran

normal? Bagaimana mengetahui sebuah data berdistribusi normal atau tidak? Hal ini penting sekali untuk diketahui kerana berdasarkan normal atau tidaknya pengedaran ini baru dapat ditentukan apakah uji statistik parametrik atau nonparametrik yangdigunakan. Distribusi normal dikenal juga dengan istilah Gaussian Distribution. Pengedaran normal mengandung dua parameter, iaitu rata-rata (mean = M, varians= S2). Parameter-parameter ini memberikan ciriciri yang unik pada suatu pengedaran berdasarkan "Lokasi"-Nya (central tendency). Pelbagai kaedah statistik bergantung kepada kedua parameter tersebut. Penggunaan kaedah statistik parametrik mengikuti prinsip-prinsip pengedaran normal. Prinsip-prinsip dari pengedaran normal adalah: a.Pengedaran dari suatu sampel yang dijadikan objek pengukuranberasal dari pengedaran penduduk yang diandaikan terdistribusisecara normal. b.Sampel diperoleh secara random, dengan jumlah sampel yangdianggap dapat mewakili populasi. c.Pengedaran normal merupakan sebahagian daripada pengedaran kebarangkalianyang berterusan (continuous probability distribution). Impilkasinya, skala pengukuran pun harus berterusan. Skala ukuran yang berterusan adalah skala nisbah dan selang. Kedua skala ini memenuhi syarat untuk menggunakan uji statistik parametric. Bila syarat-syarat ini semua dipenuhi, maka kaedah statistik parametrik boleh digunakan Statistik nonparametrik Istilah nonparametrik pertama kali digunakan olehWolfowitz, pada tahun 1942. Kaedah statistik nonparametrik merupakan kaedah statistik yang boleh digunakan dengan mengabaikan andaian-andaian yang melandasi penggunaan kaedah statistik parametrik, terutama yang

berkaitan

dengan

pengedaran

normal. Istilah

lain

yang

sering

digunakan

untuk

statistik nonparametrik adalah statistik bebas pengedaran (distribution-free statistics) Dan uji bebas andaian (assumption-free test). Statistik nonparametrik banyak digunakan pada penelitian-penelitian sosial. Data yang diperolehi dalam kajian sosial pada umumnya berbentuk kategori atau berbentuk rangking. Uji statistik nonparametrik ialah suatu uji statistik yang tidak memerlukan adanya andaian-andaian mengenai sebaran datapenduduk. Uji statistik ini disebut juga sebagai statistik bebas sebaran (distribution free). Statistik nonparametrik

tidak mensyaratkan bentuk sebaran parameter populasi berdistribusi normal. Statistik nonparametrik boleh digunakan untuk menganalisis data yang berskala muka atau ordinal kerana pada umumnya data berjenis muka dan ordinal tidak merebak normal. Dari segi jumlah data, pada umumnya statistic nonparametrik digunakan untuk data berjumlah kecil (n <30). Kelebihan Statistik Nonparametrik Kelebihan statistik nonparametrik diantaranya: 1) Andaian dalam uji-uji statistik nonparametrik relatif lebih longgar. Jika ujian data menunjukkan bahawa salah satu atau beberapa andaian yang mendasari uji statistik parametric (Misalnya mengenai sifat pengedaran data) tidak dipenuhi, maka statistik nonparametrik lebih sesuai diterapkan dibandingkan statistik parametrik. 2) Perhitungan-perhitungannya dapat dilaksanakan dengan cepat dan mudah, sehingga hasil penelitian segera dapat disampaikan. 3) Untuk memahami konsep-konsep dan kaedah-kaedah tidak memerlukan asas matematik serta statistic yang mendalam.

4) Ujian pada statistik nonparametrik dapat diterapkan jika kita menghadapi keterbatasan data yang tersedia, misalnya jika data telah diukur menggunakan skala ukuran yang lemah (muka atau ordinal). 5) Kecekapan statistik nonparametrik lebih tinggi berbanding dengan kaedah parametrik untuk jumlah sampel yang sedikit.

Kelemahan Statistik Nonparametrik Disamping kelebihan, statistik nonparametrik juga mempunyai kelemahan. Beberapa kelemahan statistik nonparametrik antara lain: 1) Jika andaian uji statistik parametrik dipenuhi, penggunaan ujian nonparametrik akan menyebabkan pembaziran maklumat walaupun lebih cepat dan mudah. 2) Jika jumlah sampel besar, tahap kecekapan nonparametrik relative lebih rendah berbanding dengan kaedah parametrik. 3) Statistik nonparametrik tidak dapat dipergunakan untuk membuat ramalan (peramalan).