Anda di halaman 1dari 65

Statistika Non-Parametrik

1
Statistika Non-Parametrik
Metode bebas distribusi
Dipakai jika n < 30 dan populasi berdistribusi
tidak normal
Bila uji parametrik dan uji non-parametrik
keduanya dapat diterapkan, maka diterapkan
metode parametrik karena lebih efisien
Statistika Non-Parametrik
2
Uji Tanda
Untuk menguji hepotesis mengenai median
suatu populasi, rataan diganti dengan
median sebagai parameter lokasi
Pengertian median:
Hasil pengamatan secara acak setelah
diurutkan :
> 3, 5, 5, 6, 8, 8, 9 (median = 6)
> 1,9 2,3 2,5 2,7 2,9 3,1 (median=2,6
Statistika Non-Parametrik
3
Bila diketahui variabel acak X, didefinisikan sedemikian rupa
sehingga: P(X > ) = P(X < ) = 0,5
Ho: =
o
(
o
= nilai median)
Prosedur:
- Hasil pengamatan >
o
diberi tanda +
- Hasil pengamatan >
o
diberi tanda
- Bila Ho benar dan populasinya stangkup, maka
jumlah tanda + ~ jumlah tanda
- Bila salah satu tanda lebih sering muncul Ho ditolak
- Bila Ho benar, peluang menghasilkan tanda + atau
adalah 0,5
Statistika Non-Parametrik
4
Contoh: Ho: =
o
H1: <
o

- Menolak Ho (=menerima H1), jika proporsi tanda +
lebih kecil dari 0,5, yaitu jika X kecil
- Bila nilai P-Hitungan: P=P(X s x bila p=0,5) < o tolak
Ho (n=jumlah sampel, x=jumlah tanda +)
Contoh:
n = 15 dan x = 3
P = P(X s 3 bila p=0,5) =
= 0,0176 (Tabel A.1)
Jadi Ho ditolak pada taraf signifikasi 0,05 karena P-hit < 0,05

=
3
0
) 5 , 0 , 15 ; (
x
x b
Statistika Non-Parametrik
5
- Ho: =
o
H1: >
o

- Menolak Ho (=menerima H1), jika proporsi tanda + cukup lebih
besar dari 0,5, yaitu jika X besar
- Jadi bila nilai P-Hitungan:
P=P(X>x bila p=0,5)< o tolak Ho

Statistika Non-Parametrik
6

- Ho: =
o
H1: =
o

- Menolak Ho (menerima H1), jika proporsi tanda + lebih
kecil/lebih besar daripada 0,5
- Jadi bila P-Hitungan:
P = 2P(X s x bila p = 0,5) s o untuk x < n/2
atau
P = 2P(X > x bila p = 0,5) s o untuk x < n/2

maka tolak Ho
Statistika Non-Parametrik
7
Contoh:
Jumlah jam kerja suatu alat ukur sebelum baterainya harus diganti
adalah:
1,5 2,2 0,9 1,3 2,0 1,6 1,8 1,5 2,0 1,2 1,7 jam
Gunakan uji tanda untuk menguji hepotesis bahwa alat ini bekerja
dengan median 1,8 jam sebelum baterainya diganti (gunakan
tingkat signifikasi 0,05)
Jawab:
1) Ho: =
o
2) H1: =
o

3) o = 0,05
4) Uji statistik: peubah binomial dengan p = 0,5
Statistika Non-Parametrik
8
5) Perhitungan:
Ganti nilai pengamatan dengan tanda + bila > 1,8
Ganti nilai pengamatan dengan tanda bila < 1,8
Abaikan hasil pengamatan = 1,8
- + - - + - - + - -: n = 10 n/2 = 5
x = 3 < n/2
P-Hitungan:
05 , 0 3438 , 0
1719 , 0 * 2
,5) b(b(x;10,0 * 2
0,5) p bila 3 P(X * 2 P
3
0 x
> =
=
=
= s =

=
Statistika Non-Parametrik
9
6) Keputusan:
Terima Ho, dan simpulkan bahwa median tidak berbeda
secara signifikan dari 1,8 jam

Latihan:
Gunakan uji tanda untuk menguji hepotesis bahwa
pada taraf signifikansi 0,05 median waktu kerja alat
sebelum diganti baterainya adalah 1,5 jam dengan
hepotesis tandingan waktu kerja alat lebih besar 1,5

Statistika Non-Parametrik
10
Bila n > 10, peluang binomial dengan p = 0,5 dapat didekati dengn
kurva normal, karena np = nq > 5
(p + q = 1)
Contoh:
Kita ingin menguji hepotesis Ho: =
o
denganHo: <
o
pada
tingkat signifikansi 0,05 dengan ukuran sampel acak n = 20 yang
menghasilkan x = 6 (x = jumlah tanda + )
= np = 20*0,5 = 10
o = \(n.p.q) = \(20*0,5*0,5)=2,236



(x + 0,5 bila x < n/2 atau x 0,5 bila x > n/2)
o

~
) 5 , 0 (
=
x
z
Statistika Non-Parametrik
11




x = 6 > n/2 =5 maka dipakai x + 0,5

P = P(X s 6) ~ P(z<-1,565)
= 0,0582 > 0,05 (terima Ho)

Uji tanda dapat digunakan untuk menguji hepotesis nol
Ho: -
o
= d
o
untuk pengamatan berpasangan

565 , 1
236 , 2
10 ) 5 , 0 6 (
=
+
= z
Statistika Non-Parametrik
12
Contoh:
Seorang peneliti mencoba dua perlakuan dengan hasil senagai
berikut:
No Perl. I Perl. II
1 4,2 4,1
2 4,7 4,9
3 6,6 6,2
4 7,0 6,9
5 6,7 6,8
6 4,5 4,4
7 5,7 5,7
8 6,0 5,8
9 7,4 6,9
10 4,9 4,9
11 6,1 6,0
12 5,2 4,9
13 5,7 5,3
14 6,9 6,5
15 6,8 7,1
16 4,9 4,8
Statistika Non-Parametrik
13
Apakah pada taraf signifikansi 0,05 hasil perlakuan I lebih tinggi
dari hasil perlakuan II ?
Jawab:
1) Ho:
1
-
2
= 0
2) H1: :
1
-
2
> 0
3) o = 0,05
4) Uji statistik: Variabel binomial X dengan p = 0,5
5) Perhitungan: setelah mengganti setiap perbedaan dengan
tanda + dan dengan mengabaikan perbedaan nol,
diperoleh:
6) + -++-+++++++-+ : n = 14 dan x = 11 (x > n/2)
Statistika Non-Parametrik
14
5) Perhitungan:
Hampiran dengan kurva normal




P = P(X > 11) ~ P(z > 1,87)
= 1 0,9693
= 0,0307 < 0,05

6) Keputusan: Tolak Ho (=terima H1), dan simpulkan bahwa rata-
rata hasil perlakuan I lebih tinggi daripada rata-rata hasil
perlakuan II
87 , 1
871 , 1
7 ) 5 , 0 11 (
~
) 5 , 0 (
=

=

=
o
x
z
Statistika Non-Parametrik
15
UJI KRUSKAL-WALLIS
Disebut juga sbg Uji Kruskal-Wallis H
Merupakan generalisasi Uji Jumlah Rank untuk k > 2
Untuk menguji Ho bahwa k sampel independen
adalah dari populasi identik
Untuk menguji hepotesis tsb hitung:



Daerah penolakan Ho atau daerah kritis H > _
2

dengan derajat bebas v = k 1 (Tabel A.5)
) 1 ( 3
) 1 (
12
1
2
+
+
=

=
n
n
r
n n
h
k
i
i
i
Statistika Non-Parametrik
16
Contoh:
Dalam suatu percobaan untuk menentukan jenis sistem rudal
terbaik, dilihat dari laju pembakaran bahan bakarnya. Data dari
percobaan trs disajikan pada tabel berikut. Gunakan Uji Kruskal-
Wallis pada taraf signifikasi 0,05 untuk menguji hepotesis bahwa
laju pembakaran sama untuk ketiga sistem rudal tsb.


Sistem 1 24,0 16,7 22,8 19,8 18,9
Sistem 2 23,2 19,8 18,1 17,6 20,2 17,8
Sistem 3 18,4 19,1 17,3 17,3 19,7 18,9 18,8 19,3
Statistika Non-Parametrik
17
Jawab:
1) Ho:
1
=
2
=
3
2) H1: ketiga rataan tersebut tidak semua sama
3) o = 0,05
4) Daerah kritis: h > _
2
0,05
= 5,991 v = 2 (Tabel A.5)
5) Perhitungan:
hasil pengamatan dikonversi dalam bentuk ranking dan
jumlah ranking untuk masing-masing sistem


Sistem 1 19 1 17 14,5 9,5 r
1
=61,0
Sistem 2 18 14,5 6 4 16 5 r
2
=63,5
Sistem 3 7 11 2,5 2,5 13 9,5 8 12 r
3
=65,5
Statistika Non-Parametrik
18
n
1
=5, n
2
=6, n
3
=8, dan
r
1
=61,0, r
2
=63,5 r
3
=65,5






Karena h = 1,66 tidak terletak dalam daerah kritis h > 5,99,
terima Ho
66 , 1
) 20 )( 3 (
8
5 , 65
6
5 , 63
5
0 , 61
) 20 )( 19 (
12
2 2 2
=

|
|
.
|

\
|
+ + = h
Statistika Non-Parametrik
19
UJI RUNTUN (RUNS TEST)
- Untuk menguji hepotesis bahwa sampel memang diambil
secara acak
- Juga dapat untuk menentukan penyimpangan pengukuran
dalam deretan waktu, yang diakibatkan oleh kecenderungan
atau keberkalaan
- Prosedur:
- Pencatatan hasil pengamatan berdasarkan urutannya
- Beri tanda +, jika besarnya > nilai median
- Hilangkan hasil pengamatan yang = median
- Urutan tanda + diuji keacakannya
Statistika Non-Parametrik
20
Jika jumlah runtun lebih besar atau lebih kecil daripada yang
diharapkan terjadi secara acak, maka hepotesis bahwa sampel
diambil secara acak seharusnya ditolak

Uji runtun keacakan didasarkan pada pada peubah acak V, yaitu
jumlah semua urutan/runtun yang terjadi dalam seluruh
pengamatan

Nilai P(V < v* bila Ho benar) dalam Tabel A.18
n
1
= jumlah lambang yang paling sedikit muncul
n
2
= jumlah lambang yang lebih sering muncul
Ukuran sampel n = n
1
+ n
2
Statistika Non-Parametrik
21
Jika jumlah runtun, misalnya v = 11, n
1
=5 dan n
2
= 7, nilai-P
dalam uji dua-arah:





tolak Ho, tolak hepotesis bahwa nalia sampel terjadi secara
acak

Uji runtun dapat juga digunakan untuk mendeteksi kerusakan
produk (defect) terjadi secara acak atau mengikuti trend atau
periodik
| |
016 , 0 ) 992 , 0 1 ( 2
benar Ho jika 10) P(V - 1 2
benar) Ho jika 11 2P(V P
= =
s =
> =
Statistika Non-Parametrik
22
Misal:
12 orang ditanya apakah mereka menggunakan produk tertentu,
salah satu kemungkinan urutan jenis kelamin si tertanya:
PPWWWPWWPPPP (W=Wanita, P=Pria)
Dari pengamatan tsb:
- Terdapat 5 W dan 7P
- Jumlah runtun v* = 5
- Untuk uji dua arah diperoleh nilai-P:
P = 2P(V s 5 bila Ho benar)
= 2*0,197
= 0,395 > 0,05 ----- terima Ho
Statistika Non-Parametrik
23
Contoh:
Suatu mesin pengisi pasta ke dalam kaleng. Lakukan pengujian
pada taraf signifikansi 0,1 apakah jumlah pasta yang diisikan oleh
mesin tersebut berubah secara acakm jika hasil pengamatan 15
kaleng yang diambil secara acak berisi sbb:
3,6 3,9 4,1 3,6 3,8 3,7 3,4 4,0 3,8 4,1 3,9 4,0 3,8 4,2
dan 4,1 liter.
Jawab:
1) Ho: isi kaleng berubah secara acak
2) H1: isi kaleng berubah secara tidak cak
3) o = 0,1
4) Uji Statistik: V, jumlah total runtun
Statistika Non-Parametrik
24
5) Perhitungan:
Dari sampel tsb di atas diperoleh nilai median = 3,9
Nilai pengamatan > 3,9 diberi tanda +
Nilai pengamatan < 3,9 diberi tanda
Nilai pengamatan = 3,9 dihilangkan
Diperoleh:
- + - - - - + + + + + - + +
n1= 6 (jumlah simbul yang muncul lebih sedikit)
n2= 7 (jumlah simbul yang muncil lebih sering)
v=6
Nilai-P = 2P(V s 6 jika Ho benar)
= 2*0,296 = 0,592 > 0,1 (terima Ho)
Statistika Non-Parametrik
25
Jika n
1
dan n
2
meningkat, distribusi sampling V mendekati
distribusi normal dengan rata-rata:



dan varian:


Sehingga, n
1
dan n
2
keduanya > 10, orang dapat menggunakan
statistik berikut untuk menentukan daerah kritis untuk uji runtun

1
2
2 1
2 1
+
+
=
n n
n n
V

) 1 ( ) (
) 2 ( 2
2 1
2
2 1
2 1 2 1 2 1
2
+ +

=
n n n n
n n n n n n
V
o
V
V
V
Z
o

=
Statistika Non-Parametrik
26
Uji _
2

Untuk menguji hipotesis deskriptif, bila k >
2, dan data berbentuk nominal.
Untuk menguji apakah frekuensi yang
diamati (observed) cukup mendekatai
frekuensi yang diharapkan (expected)
Ho: proporsi obyek yang jatuh dalam
masing-masing kategori di dalam populasi
yang diharapkan.
Statistika Non-Parametrik
27
Ho diuji dengan:
( )
kategori semua jumlah
k
1 i
Ho bawah di kategori dalam diharapkan yang banyak
i
E
i ke kategori dalam dimati yang kasus banyak
i
O
dengan ,
k
i
i
E
2
i
E
i
O
2
=

=
=
=

= _
Statistika Non-Parametrik
28
Jika frekuensi yang diamati dan yang
diharapkan ternayata tidak banyak berbeda,
maka selisih (O
i
- E
i
)
2
akan kecil dan
akibatnya _
2
akan kecil.

Semakin besar selisih (O
i
- E
i
)
2
semakin besar
pula _
2
dan makin besar kemungkinan
bahwa frekuensi-frekuensi yang diamati
tidak berasal dari populasi yang diarapkan
menurut Ho.
Statistika Non-Parametrik
29
Contoh (Uji _
2
untuk 2 kategori)
Suatu penelitian bertujuan untuk mengetahui
apakah sistem pengajaran A dan sistem
pengajaran B sama-sama disukai oleh
mahasiswa. Untuk tujuan tersebut dilakukan
penelitian terhadap 300 sampel mahasiswa
yang diambil secara acak. Dari sample
tersebut ternyata sejumlah 200 orang memilih
sistem pengajaran A dan 100 orang memilih
sistem pengajaran B. Lakukan pengujian
statistik untuk menentukan apakah perbedaan
tersebut cukup signifikan.
Statistika Non-Parametrik
30
Jawab:
1. Ho: tidak terdapat perbedaan dalam kesukaan
pada kedua sistem pengajara A dan B.
2. H1: terdapat perbedaan dalam kesukaan pada
kedua sistem pengajaran. frekuensi untuk O
1
,
dan O
2
tidak semua sama
3. o = 0,05
4. Daerah penolakan (daerah kritis): Ho ditolak, jika
_
2
-hitung lebih besar dari _
2
-tabel pada taraf
kesalahan tertentu
Statistika Non-Parametrik
31
5. Perhitungan:








6. Kesimpulan: Dari Tabel A.5 dengan db=2-1=1 dan o
= 0,05, _
2
-tabel = 3,84. Jadi _
2
-hitung (= 33,3) >
_
2
-tabel (= 3,84), maka Ho ditolak, dan dapat
disimpulkan bahwa mahasiswa cenderung memilih
sistem pengajaran A.
( )
( ) ( )
33,3
150
150 - 100
150
150 - 200
k
i
i
E
2
i
E
i
O
2
2 2
= + =
=

= _
Alternatif

Frekuensi yang
diamati (O
i
)

Frekuensi yang
diharapkan (E
i
)

Sistem A
Sistem B

200
100

150
150

Jumlah

300

300

Statistika Non-Parametrik
32
Contoh (Uji _
2
untuk 4 kategori):
Suatu indutri makanan ingin mengetahui
jenis warna kemasan produk yang paling
disukai oleh konsumen. Untuk tujuan
tersebut kemudian dilakukan penelitian
terhadap 3000 orang yang dipilih secara
acak. Hasil penelitian tersebut menunjukkan
bahwa 1000 orang menyukai warna biru
muda, 900 menyukai warna merah hati,
600 menyukai warna putih, dan 500
menyukai warna coklat.
Statistika Non-Parametrik
33
Jawab:
1. Ho: Tidak terdapat perbedaan dalam
kesukaan pada keempat warna
kemasan
2. H1: Ada perbedaan dalam
kesukaan pada keempat warna
kemasan
3. o = 0,05
4. Kreteria penolakan (daerah kritis):
Ho ditolak, jika _
2
-hitung lebih besar
dari _
2
- tabel pada taraf kesalahan
tertentu
Statistika Non-Parametrik
34
5. Peritungan:







6. Kesimpulan: dari tabel A.5 dengan db 4 1 = 3 dan
o = 0,05, _
2
-tabel = 7,81. Jadi _
2
-hitung > _
2
-tabel,
maka Ho ditolak, dan dapat disimpulkan bahwa
konsumen memiliki tingkat kesukaan yang berbeda
terhadap keempat warna produk kemasan, dan
warna biru muda merupakan warna favourit.

Alternatif Frekuensi yang
diamati (O
i
)
Frekuensi yang
diharapkan (E
i
)
Biru muda
Merah hati
Putih
Coklat
1000
900
600
500
750
750
750
750
Jumlah 3000 3000

( )
( ) ( ) ( ) ( )
226,7
750
750 - 500
750
750 - 600
750
750 - 900
750
750 - 1000
k
i
i
E
2
i
E
i
O
2
2 2 2 2
= + + =

= _
Statistika Non-Parametrik
35
Uji Freadman
Dikenal juga sebagai Uji Freadman anova dua-sisi
Dapat digunakan untuk menguji hipotesis
komparatif k sampel yang berpasangan (related),
bila datanya berbentuk ordinal (rengking).
Data interval atau rasio harus diubah menjadi
dalam bentuk ordinal. Misalnya, dalam suatu
pengukuran diperoleh nalai sebagai berikut: 4, 7, 9
dan 6. Data ini adalah data interval. Data tersebut
diubah ke dalam bentuk ordinal, sehingga
mennjadi: 1, 3, 4, dan 2.
Statistika Non-Parametrik
36
Rumus yang digunakan:
1) 3(k
k
1 i
2
j
R
1) Nk(k
12
+

=
+
=
2
_
Dengan N = banyak kelompok, k = banyak
kategori, dan R
j
= jumlah rangking dalam setiap
kategori ke-j.
Jika harga _
2
-hitung > _
2
-tabel (Tabel A.5), maka
Ho ditolak dan H1 diterima.

Statistika Non-Parametrik
37
Contoh
Penelitian bertujuan untuk mengetahui tingkat
kesukaan konseumen pada tiga jenis produk
(produk A, B dan C). Tingkat kesukaan tersebut
diukur dengan suatu instrumen, yang terdiri dari 20
kriteria. Setiap criteria yang digunakan diberi skor
1, 2, 3 atau 4, yang berarti sangat tidak suka, tidak
suka, suka, dan suka sekali. Jadi setiap kriteria
berpeluang mendapat skor tertinggi 4 x 20 = 80,
dan terendah 1 x 20 = 20. Untuk tujuan tersebut
digunakan sebanyak 15 orang panelis yang dipilih
secara acak. Hasil penilaian oleh panelis terhadap
tiga jenis produk tersebut disajikan pada tabel
berikut.
Statistika Non-Parametrik
38
Panelis/Kelompok

Jenis Produk

A

B

C

1
2
3
4
5

6
7
8
9
10

11
12
13
14
15


76
71
56
67
70

77
45
60
63
60

61
56
59
74
66

70
65
57
60
56

71
47
67
60
59

57
60
54
72
63

75
77
74
59
76

73
78
62
75
74

60
75
70
71
65

Jumlah

961

918

1064

Statistika Non-Parametrik
39
Jawab:
Ho: Konsumen memiliki tingkat kesukaan yang sama
pada ketiga jenis produk tersebut
H1: Konsumen memiliki tingkat kesukaan yang tidak
sama pada ketiga jenis produk tersebut
o = 0,05
Daerah Kritis: _
2
> 5,991, yaitu dari Tabel A.5
dengan db = k 1 = 3 1 =2 dan o = 0,05
Perhitungan: Untuk keperluan analisis, skor ketiga
jenis produk yang berupa data interval tersebut
dikonversi menjadi data ordinal. Sebagai contoh,
untuk panelis/kelompok 1 skor 76, 70, dan 75
dikonversi menjadi 3, 1, dan 2. Hasil konversi
tersebut disajikan pada tabel berikut
Statistika Non-Parametrik
40
Panelis/Kelompok

Jenis Produk

A

B

C

1
2
3
4
5

6
7
8
9
10

11
12
13
14
15


3
2
1
3
2

3
1
1
2
2

3
1
2
3
3


1
1
2
2
1

1
2
3
1
1

1
2
1
2
1

2
3
3
1
3

2
3
2
3
3

2
3
3
1
2

Jumlah

32

22

36

Statistika Non-Parametrik
41
6,93 1) 3(15)(3
2
36
2
22
2
32
1) (15)(3)(3
12
= +
(

+ +
+
=
2
_
6. Keputusan:
Nilai _
2
-hitung lebih besar daripada _
2
-tabel (_
2
-
hitung terletak di dalam daerah kritis), maka
tolak Ho dan disimpulkan bahwa ketiga jenis
produk memiliki tingkat kesukaan yang berbeda

Statistika Non-Parametrik
42
Batas Tolerasi
Batas Toleransi Dua-Sisi
ditentukan dari pengamatan terkecil dan terbesar
sampel berukuran n, dimana n ditentukan sedemikian
rupa sehingga dengan keyakinan (1-)% bahwa paling
sedikit 1-o bagian dari distribusi termasuk dalam batas
toleransi tsb. Jumlah sampel yg diperlukan untuk nilai
dan 1-o terpilih disajikan dalam Tabel A.19
Contoh:
Jika =0,01 dan 1-o =0,95, orang harus mengambil secara acak
sampel sebanyak n=130 untuk memperoleh keyakinan 99% bahwa
paling sedikit 95% dari distribusi pengukuran termasuk diantara
batas ekstrem sampel
Statistika Non-Parametrik
43
Batas Toleransi Satu-Sisi
yaitu ditentukan dari pengamatan terkecil atau terbesar sampel
berukuran n, dimana n ditentukan sedemikian rupa sehingga
dengan keyakinan (1-)% bahwa paling sedikit 1-o bagian dari
distribusi akan > pengamatan terkecil (< pengamatan tersebesar)
dari sampel penga-matan. Jumlah sampel yg diperlukan untuk nilai
dan 1-o terpilih disajikan dalam Tabel A.20
Contoh:
Jika =0,05 dan 1-o =0,70, orang harus mengambil secara acak
sampel sebanyak n=9 untuk memperoleh keyakinan 95% bahwa
70% dari distribusi pengukuran lebih besar dari nilai pengamatan
terkecil dalam sampel
Statistika Non-Parametrik
44
Koefisien Korelasi Ranking
= Koefisien Korelasi Ranking Spearman
= Suatu ukuran nonparametrik hubungan antara dua
variabel X dan Y
Dihitung dengan persamaan:




Dimana d
i
= perbedaan rangking yang diberikan
pada x
i
dan x
i
, dan n = jumlah pasangan data
) 1 (
6
1
2
1
2

=

=
n n
d
r
n
i
i
s
Statistika Non-Parametrik
45
r
s
= - 1 s/d +1
r
s
= - 1 atau = +1 korelasi sempurna natara X dan Y
r
s
mendekati 0 variabel X dan Y tidak berkolerasi
Tanda + untuk rangking-rangkin identik, tanda untuk rangking-
rangking berlawanan

Contoh:
Tabel berikut menunjukkan kadar nikotin dan kadar tar yang
ditemukan dalam 10 jenis rokok. Hitunglah koefisiensi korelasi
rangkin untuk menentukan derajat korelasi kadar nikotin dan kadar
tar dalam rokok-rokok tersebut
Statistika Non-Parametrik
46
Kadar nikotin dan tar
Merk Kadar Nikotin Kadar Tar
Viceroy
Marlboro
Chesterfield
Kool
Kent
Raleign
Old Gold
Philip Morris
Oasis
Player
14
17
28
17
16
13
24
25
18
31
0,9
1,1
1,6
1,3
1,0
0,8
1,5
1,4
1,2
2,0
Statistika Non-Parametrik
47
Rangkin untuk kadar nikotin dan kadar tar


Merk x
i
y
i
d
i
Viceroy
Marlboro
Chesterfield
Kool
Kent
Raleign
Old Gold
Philip Morris
Oasis
Player
2
4,5
9
4,5
3
1
7
8
6
10
2
4
9
6
3
1
8
7
5
10
0
0,5
0
-1,5
0
0
-1
1
1
0
Statistika Non-Parametrik
48




r
s
= 0,97 menunjukkan korelasi positif tinggi antara kadar nikotin
dan kadar tar

Kelebihan r
s
dibanding r (koefisien korelasi dlm regresi linier):
- Tidak mengasumsika hubungan linier antara X & Y
- Tanpa asumsi bahwa distribusi X dan Y normal
- Bila pengukuran tidak dapat dinyatakan dalam ukuran
numerik, tetapi dalam rangking
97 , 0
) 1 10 ( 10
) 5 , 5 )( 6 (
1
2
=

=
s
r
Statistika Non-Parametrik
49
Untuk menguji Ho: = 0 (tidak ada antara X dan Y) digunakan
daerah kritis seperti pada Tabel A.21

Untuk hepotesis alternatif dus-sisi, daerah kritis sebesar o jatuh
dalam dua sisi, jika H1 negatif daerah kritis seluruhnya di bagian
kiri, dan H1 positif daerah kritis seluruhnya berada dibagian
kanan
Contoh:
Dengan data pada contoh di atas, ujilah hepotesis pada tingkat
signifikasi 0,01bahwa tidak ada korelasi antara kadar nikotin dan
kadar tar ( = 0) dengan hepotesis alternatif bahwa korelasi
tersbut lebih besar dari 0
Statistika Non-Parametrik
50
Jawab:
1) Ho: = 0
2) Ho: > 0
3) o = 0,01
4) Daerah kritis: r
s
> 0,745, dari Tabel A.21 dg n = 10
5) Perhitungan: dari contoh di atas r
s
= 0,97
6) Keputusan: Tolak Ho

Jika n > 30, uji hepotesis signifikansi korelasi dilakukan dengan
menghitung


dan membandingkan dengan daerah kritis distribusi normal pada
Tabel A.3.
1
1 / 1
0
=

= n r
n
r
z
s
s
Statistika Non-Parametrik
51
Koefisien Kontingensi
Digunakan untuk menghitung hubungan antara dua
variabel, jika data dalam bentuk nominal.
Memiliki kaitan erat dengan uji _
2
untuk meguji
hipotesis komparatif untuk k > 2 sampel
independen.
Rumus yang digunakan untuk menghitung koefisien
kontingensi adalah:

=

=
|
.
|

\
|

=
+
=
r
1 i
k
1 j
Eij
2
ij
E
ij
O
2
dengan ,
2
N
2
C
_
_
_
Statistika Non-Parametrik
52
N = jumlah sample total
k = jumlah taraf variabel independen A
r = jumlah taraf variabel dependen B
i = taraf ke-i variabel independen A
j = taraf ke-j variabel dependen B
O
ij
= Nilai observasi pada taraf ke-i variabel
independen A, dan taraf ke-j variabel dependen B
E
ij
= Nilai ekspektasi pada taraff ke-i variabel
independen A, dan taraf ke-j variabel dependen B

Kreteria: Ho diterima, jika _
2
-hitung lebih kecil dari
_
2
-tabel dengan db = (k-1)(r-1)
Statistika Non-Parametrik
53
Contoh
Suatu penelitian bertujuan untuk mengetahui
apakah ada hubungan antara jenis profesi
dengan jenis olah raga yang digemarinya
(sering dilakukan). Jenis profesi dikelompokkan
menjadi empat, yaitu dokter, pengacara, dosen,
dan bisnisman. Jenis olah raga dikelompokan
menjadi empat juga, yaitu Golf, Tenis,
Bulutangkis, dan Sepak Bola. Untuk tujuan
tersebut dilakukan sampling secara acak
sebanyak 58 orang dokter, 75 orang pengacara,
68 orang dosen, dan 82 orang bisnisman. Data
hasil penelitian tersebut adalah sebagai berikut:
Statistika Non-Parametrik
54
Jenis Olah
Raga (B)

Jenis profesi (A)

Ju-
mlah

Dokter

Penga-
cara

Dosen

Bisnis
man

Golf
Tennis
Bulu Tangkis
Sepak Bola

17
23
12
6

23
14
26
12

10
17
18
23

30
26
14
11

80
80
70
52

Jumlah

58

75

68

81

282

Statistika Non-Parametrik
55
Jawab:
1. Ho: Tidak ada hubungan antara jenis profesi
dengan jenis olah raga yang disenangi
2. Ho: Ada hubungan antara jenis profesi dengan jenis
olah raga yang disenangi
3. o = 0,01
4. Kreteria: Ho diterima, jika _
2
-hitung lebih kecil dari
_
2
-tabel
5. Perhitungan:
Statistika Non-Parametrik
56
Jenis Olah raga

Jumah

Porsi

Golf (B1)
Tennis (B2)
Bulu Tangkis (B3)
Sepak Bola (B4)

80
80
70
52

80/282 = 0,284
0,284
0,248
0,184



Jumlah

282

1,000



Statistika Non-Parametrik
57

Jenis
Olah raga



Jenis profesi


Jumah

Dokter
(A1)

Pengacara
(A2)

Dosen
(A3)

Bisnisman
(A4)

Jumlah

58

75

68

81

282

Golf (B1)

Fre-
kuensi

0,284*58=
16,472

0,284*75=
21,300

0,284*68=
19,312

0,284*81=
23,004


80

Tenis (B2

Fre-
kuensi

0,284*58=
16,472

0,284*75=
21,300

0,284*68=
19,312

0,284*81=
23,004


80

Bulu
Tangkis
(B3)

Fre-
kuensi

0,248*58=
14,384

0,248*75=
18,600

0,248*68=
16,864

0,248*81=
20,088


70

Sepak
Bola (B4)

Fre-
kuensi

0,184*58=
10,672

0,184*75=
13,800

0,184*68=
12,512

0,184*81=
14,904


52

Statistika Non-Parametrik
58
Jenis
Olah
raga

Jenis profesi
Dokter (A1)

Pengacara (A2)

Dosen
(A3)

Bisnisman
(A4)

O
ij


E
ij


O
jij


E
ij


O
jij


E
ij


O
jij


E
ij


Golf (B1)

17

16,472

23

21,300

10

19,312

30

23,004

Tenis (B2

23

16,472


14

21,300

17

19,312

26

23,004

Bulu
Tangkis
(B3)

12

14,384


26

18,600

18

16,864

14

20,088

Sepak
Bola (B4)

6

10,672

12

13,800

23

12,512

11

14,904

Jumlah

58

75

68

81

Statistika Non-Parametrik
59
Dalam hal ini, O (observasi) = f
o
dan E (expected) = f
h

( ) ( ) ( )
1 29,88
14,904
2
14,904 11
...
21,300
2
21,300 23
16,472
2
16,472 17
r
1 i
k
1 j
Eij
2
ij
E
ij
O
2
=

+ +

=
=

=
|
.
|

\
|

= _
31 , 0
881 , 29 282
881 , 29
2
2
=
+
=
+
=
_
_
N
C
_
2
-tabel= 15,51 (dengan o = 0,05 dan db = (k-1)(r-1) = (4-1)(4-1)
= 9) _
2
-hitung (=29,881) > _
2
-tabel (= 15,51) tolak Ho
6. Kesimpulan: Jenis profesi mempunyai hubungan dengan jenis
olah raga yang disenangi. Koefisien kontinegensi sebesar 0,31
cukup signifikan dibanding 0.
Statistika Non-Parametrik
60
Latihan
1. Data berikut menunjukkan waktu operasi (dalam bulan) tiga jenis
kalkulator sebelum baterainya diganti. Gunakan uji Kruskal-
Wallis pada tingkat signifikansi 0,05 untuk menguji hepotesis
bahwa waktu operasi ketiga kalkultaor tersebut adalah sama.
Kalkulator A: 4,9 6,1 4,3 4,6 5,3
Kalkulator B: 5,5 5,4 6,2 5,8 5,5 5,2 4,8
Kalkulator C: 6,4 6,8 5,6 6,5 6,3 6,6

Statistika Non-Parametrik
61
2. Sampel acak dari 4 merk produk makanan sejenis diuji kadar
airnya. Data pada tabel berikut menun-jukkan persentase
kadar air yang 16 sampel yang diuji. Gunakan uji Kruskal-
Wallis untuk menguji hepotesis apakah terdapat perbedaan
kadar air diantara keempat merk produk makanan tersebut.
Gunakan tingkat signifikansi 0,05.


Merk A Merk B Merk C Merk D
14
10
11
13
16
18
14
15
16
15
14
12
17
20
19
21
Statistika Non-Parametrik
62
3. Data berikut menunjukkan pengukuran secara ber-urutan umur
pompa bahan bakar (dalam tahun). Gu-nakan uji runtun dengan o
= 0,05 untuk mengetahui apakah data tersebut menunjukkan
urutan acak: 2,0 0,2 1,5 4,5 1,0 3,0 6,0 4,0 0,3 6,0 0,3 5,5
5,9 1,5 5,6 3,3 6,5 1,8 0,5 6,0 1,3 0,2 4,7 2,5 1,2 0,4
2,3 0,7 5,0 0,2

4. Dalam suatu lini produksi, produk-produk diinspeksi untuk
mengetahui apakah produk termasuk kategori nondefect (N) atau
defect (D). Data berikut menunjukkan hasil pengamatan dalam
runtun waktu tertentu: D D N N N D N N D D N N N N N D D D N N
D N N N N D N D. Gunakan teori sample besar untuk uji runtun,
dengan tingkat signifikansi 0,05, untuk menentukan apakah
munculnya produk defect (D) tersebut terjadi secara acak atu
tidak.
Statistika Non-Parametrik
63
5. Berapakah jumlah sampel yang diperlukan untuk memperoleh
keyakinan 95% bahwa paling sedikit 85% dari distribusi pengukuran
sample termasuk diantara nilai terkecil dan nilai terbesar sample ?
(Kunci: 30)

6. Berapa peluang bahwa selang sampel berukuran 24 mencakup
paling sedikit 90% dari populasi ? (Kunci: 0,7)

7. Berapakah jumlah sampel yang diperlukan untuk memperoleh
keyakinan 99% bahwa paling sedikit 80% dari populasi akan lebih
kecil dari nilai paling besar dari observasi sampel tersebut ? (Kunci:
21)

8. Berapakah peluang bahwa paling sedikit 95% dari populasi akan
lebih besar dari nilai terkecil dari sampel acak berukuran n = 135 ?
(Kunci: 0,995)
Statistika Non-Parametrik
64
9. Data berikut menunjukkan nilai UTS dan UAS 10 mhs pada matakuliah
tertentu. a) tentukan koefisien korelasi rangking, b) ujilah hepotesis
bahwa = 0 dengan hepotesis tandingan H1: > 0 (gunakan o =
0,025)

Mahasiswa UTS UAS
LSA
WPB
RWK
JRL
ZKL
DLP
BLP
DWM
MNM
RHS
84
98
91
72
86
93
80
0
92
87
73
63
87
66
78
78
91
0
88
77
Statistika Non-Parametrik
65
10. Sebuah panel konsumen menilai kualitas 9 jenis merk oven
microwave. Rangking yang diberikan dan harga yang
disarankan disajikan pada tabel berikut. Apakah terdapat
hubungan yang signifikan antara kualitas dan harga oven
microwave tersebut ? Gunakan tingkat signifikansi 0,05

Merk A B C D E F G H I
Ranking 6 9 2 8 5 1 7 4 3
Harga ($) 480 395 575 550 510 545 400 465 420