INSTRUMEN UJI STATISTIKA

Dalam pengujian hipotesis sangat berhubungan dengan distribusi data populasi yang akan diuji. Bila distribusi data populasi yang akan diuji berbentuk normal/simetris/Gauss, maka proses pengujian dapat digunakan dengan pendekatan uji statistik parametrik. Sedangkan, bila distribusi data populasinya tidak normal atau tidak diketahui distribusinya maka dapat digunakan pendekatan uji statistik nonparametrik. Statistik parametrik, pengujian hipotesisnya dan pengambilan keputusannya dipengaruhi oleh beberapa asumsi yang apabila tidak terpenuhi maka validitas hasil penelitian diragukan. Asumsi tersebut adalah : a. Normalitas distribusi populasi,

b. Independensi pemilihan unit sampel dari populasi, c. Independensi pengamatan unit observasi,

d. Kesamaan varians jika membandingkan dua atau sejumlah sampel, e. Variabel diukur paling sedikit dalam skala interval.

STATISTIK PARAMETRIK Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis sebaran atau distribusi data, yaitu apakah data menyebar secara normal atau tidak. Dengan kata lain, data yang akan dianalisis menggunakan statistik parametrik harus memenuhi asumsi normalitas. Pada umumnya, jika data tidak menyebar normal, maka data seharusnya dikerjakan dengan metode statistik nonparametrik, atau setidak-tidaknya dilakukan transformasi terlebih dahulu agar data mengikuti sebaran normal, sehingga bisa dikerjakan dengan statistik parametrik.

Contoh metode statistik parametrik : a. Uji-z (1 atau 2 sampel) b. Uji-t (1 atau 2 sampel) c. Korelasi pearson, d. Perancangan percobaan (one or two-way anova parametrik), dll.

Ciri-ciri statistik parametrik : - Data dengan skala interval dan rasio - Data menyebar/berdistribusi normal

Keunggulan dan kelemahan statistik parametrik Keunggulan : 1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat. 2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal serta memiliki varian yang homogen.

Kelemahan : 1. Populasi harus memiliki varian yang sama. 2. Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam skala interval. 3. Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus normal dan bervarian sama, dan harus merupakan kombinasi linear dari efek-efek yang ditimbulkan. Jenis-Jenis Uji Statistik Parametrik: 1. Uji-t Uji-t digunakan untuk menguji signifikansi dalam satu kelompok sampel (satu rerata) atau dua kelompok sampel (dua rerata). Uji-t satu kelompok sampel menggunakan One Sample t-test. Uji-t dua kelompok sampel dibedakan menjadi dua, independent sample t-test dan paired t-test. Independen sample t-test digunakan untuk menghitung dua kelompok sample yang tidak saling berhubungan. Sedangkan paired sample t-test digunakan untuk menghitung dua kelompok sample yang bepasangan/berkorelasi. 2. ANOVA ANOVA adalah analisis yang digunakan untuk menguji signifikansi perbedaan dua rerata atau lebih. Jenis-jenis ANOVA meliputi ANOVA satu jalan dan ANOVA dua jalan. 3. Regresi Regresi digunakan untuk uji asosiatif, lebih ditujukan untuk mengestimasi/memprediksikan variabel bebas terhadap variabel terikat.

4. Korelasi Korelasi digunakan untuk menguji hubungan antar variabel. 5. Analisis Jalur Analisis jalur digunakan untuk menguji hubungan kausal (sebab akibat) yang didapatkan melalui kajian teori yang telah dirumuskan.Analisis jalur digunakan dalam rangka mempelajari saling ketergantungan antar variabel.

STATISTIK NON-PARAMETRIK Statistika Nonparametrik Istilah nonparametrik sendiri pertama kali digunakan oleh Wolfowitz, 1942. Istilah lain yang sering digunakan antara lain distribution-free statistics dan assumption-free test. Dari istilahistilah ini, dengan mudah terlihat bahwa metode statistik nonparametrik merupakan metode statistik yang dapat digunakan dengan mengabaikan segala asumsi yang melandasi metode statistik parametrik, terutama yang berkaitan dengan distribusi normal. Prosedur nonparametrik atau bebas-distribusi sekarang ini semakin banyak digunakan karena data yang disajikan tidak dalam sebagai nilai pada kontinu tetapi dalam skala ordinal sehingga wajar menyajikannya dalam bentuk rang. Pada statistika nonparametrik dapat digunakan untuk menganalisis data yang berskala ordinal dan nominal. Skala ordinal yaitu lambang lambang bilangan hasil pengukuran menunjukkan urutan atau tingkatan obyek yang diukur menurut karakteristik yang dipelajari. Sedangkan skala nominal adalah skala yang merupakan kategori atau kelompok dari suatu subyek. Misal, variabel jenis kelamin responden dikelompokkan menjadi dua, yaitu L dan P, masing masing diberi kode 1 dan 2. Kebanyakan statistik uji nonparametrik menggunakan konsep count dan rank dalam perhitungannya. Untuk pengujian dengan sampel berukuran kecil, tiap pengujian memiliki tabel pembanding masing masing. Tabel eksak dari tiap tabel pembanding ini belum tentu mudah untuk dibuat. Untuk pengujian dengan ukuran contoh yang besar, beberapa statistik uji nonparametrik memiliki sebaran asimtotik yang biasanya normal baku atau chi-kuadrat.

Kelebihan dan Kekurangan Statistika Nonparametrik

Keuntungan : a. Jika ukuran sampel kita kecil, tidak ada pilihan lain yang lebih baik daripada menggunakan metode statistika nonparametrik, kecuali jika distribusi populasi jelas normal. b. Karena memerlukan sedikit asumsi, umunya metode nonparametrik lebih relevan pada situasi situasi tertentu, sehingga kemungkinan penerapannya lebih luas. Disamping itu, kemungkinan digunakan secara salah (karena pelanggaran asumsi) lebih kecil daripada metode parametrik. c. Metode nonparametrik dapat digunakan meskipun data diukur dalam skala ordinal. d. Metode nonparametrik dapat digunakan meskipun data diukur dalam skala nominal (katagorikal). Sebaliknya tidak ada teknik parametrik yang dapat diterapkan untuk data nominal. e. Beberapa uji statistik nonparametrik dapat menganalisis perbedaan sejumlah sampel. Beberapa uji statistik parametrik dapat dipakai untuk menganalisi persoalan serupa tetapi menuntut pemenuhan sejumlah asumsi yang hampir tidak mungkin diwujudkan. f. Uji statistik nonparametrik mudah dilakukan meskipun tidak terdapat komputer (dapat dianalisa secara manual). Analisis data dapat diselesaikan hanya dengan menggunakan kalkulator tangan. Oleh karena itu, metode nonparametrik pantas disebut teknologi tepat guna yang masih dibutuhkan di negara negara berkembang (dan terbelakang). g. Pada umumnya para peneliti dengan dasar matematika yang kurang merasakan bahwa konsep dan metode nonparametrik mudah dipahami.

Kelemahan : a. Fleksibilitas terhadap skala pengukuran variabel kadang kadang mendorong peneliti memilih metode nonparametrik, meskipun situasinya memungkinkan untuk menggunakan metode parametrik. Karena didasarkan asumsi yang lebih sedikit, metode nonparametrik secara statistik kurang kuat dibandingkan metode parametrik. b. Jika asumsi untuk metode parametrik terpenuhi, dengan ukuran sampel yang sama, metode nonparametrik kurang memiliki kuasa dibandingkan metode parametrik. c. Penyederhanaan data dari skala rasio atau interval ke dalam ordinal atau nominal meskipun merupakan pemborosan (detail) informasi yang sudah dikumpulkan.

d. Meski konsep dan prosedur nonparametrik sederhana, tetapi pekerjaan hitung menghitung bisa membutuhkan banyak waktu jika ukuran sampel yang dianalisis besar.

Penggunaan Statistika Nonparametrik Berikut ini akan dijelaskan pedoman penggunaan uji statistika nonparametrik dalam pengambilan keputusan. APLIKASI Dua sampel saling berhubungan TEST PARAMETRIK Uji T Uji Z TEST NONPARAMETRIK Sign Test Wilcoxon Signed-Rank Mc Nemar Change Test Dua sampel tidak berhubungan Uji T Uji Z Mann-whitney U test Moses Extreme Reactions Chi-square test Kolmogorov-Smirnov Test Walt-Wolfowitz runs Beberapa sampel berhubungan Freidman test Kendall W test Cochrans Q Uji ANOVA Kruskal-Wallis test (Uji F) Chi-square test Median test

Beberapa berhubungan

sampel

tidak

Macam Data 1 sampel Komparatif 2 sampel

BENTUK HIPOTESA Komparatif lebih dari 2 sampel Dependen Independen Dependen Independen Asosiatif/hubungan

NOMINAL Binomial

McNemar

Fisher Exact

Cochran Q

Chisquare

Koefisien Kontingensi (C)

Chisquare ORDINAL Run test Sign test

Chisquare Median test Median Extention Korelasi Sparman Rank

Wilcoxon Mann Matched Pairs Whitney test U

Friedman KruskalWallis Korelasi Kendal Tau

KolmogorovSmirnov

Wald Wolfowitz Metode Statistika Nonparametrik Berikut ini akan dijelaskan beberapa metode pengambilan keputusan yang termasuk dalam uji statistika nonparametrik.

a.

Uji Tanda Uji tanda digunakan untuk menguji hipotesis mengenai median populasi. Dalam banyak kasus prosedur nonparametrik, rataan digantikan oleh median sebagai parameter lokasi yang relevan untuk diuji. Uji tanda juga mempunyai asumsi dimana asumsinya adalah distribusinya bersifat binomial. Binomial artinya mempunyai dua nilai. Nilai ini dilambangkan dengan tanda, yaitu positif dan negatif. Ini mengapa ia disebut uji tanda.

Uji tanda banyak digunakan karena uji ini paling mudah untuk dilakukan pengujiannya dan tidak memakan waktu yang lama. Pengerjaan pengujian ini terbilang cukup mudah. Apabila setiap nilai pengamatan memiliki nilai lebih besar dari nilai rataannya maka diganti dengan tanda (+). Sedangkan, apabila setiap nilai pengamatan memiliki nilai kurang dari nilai rataannya maka diganti dengan tanda (-). Dan, apabila nilai pengamatannya sama dengan nilai rataannya maka nilai pengamatan tersebut harus dibuang. Pengujian uji tanda yang pertama dilakukan adalah menentukan hipotesis nolnya beserta dengan hipotesis tandingannya. Tentukan pula taraf nyatanya beserta nilai proporsi peubah binomial X-nya. Kemudian melakukan penghitungan Z hitung (apabila jumlah sampel lebih dari 30) dengan nilai n merupakan jumlah data pengamatan setelah dibandingkan dengan nilai rataannya dan nilai x adalah jumlah data pengamatan dengan tanda (+). Dengan begitu nilai Z akan didapat dan nilai P (proporsi)nya dapat ditentukan. Keputusan H0 akan ditolak apabila nilai P yang didapat lebih kecil atau sama dengan nilai taraf nyatanya.

b. Uji Rang-Tanda Uji Rang-Tanda dicetuskan oleh Frank Wilcoxon pada tahun 1945 dan saat ini disebut sebagai uji rang-tanda Wilcoxon. Uji ini memanfaatkan baik tanda maupun besarnya selisih. Uji rang-tanda Wilcoxon digunakan untuk kasus dua sampel yang dependen bila skala ukur memungkinkan kita menentukan besar selisih yang terjadi, jadi bukan sekedar hasil pengamatan yang berbeda saja. Uji rang-tanda Wilcoxon cocok digunakan bila kita dapat mengetahui besarnya selisih antara pasangan-pasangan harga pengamatan X1 dan Y1 berikut arah selisih yang bersangkutan. Apabila kita dapat menentukan besarnya setiap selisih, maka kita dapat menetapkan peringkat untuk masing-masing selisih itu. Melalui penyusunan peringkat selisih selisih inilah uji Wilcoxon memanfaatkan informasi tambahan yang tersedia.

Asumsi :

Data untuk analisis terdiri atas n buah beda. D1 = Y1 X1 Sampel X dan sampel Y adalah Variabel- variable acak kontinyu dan beda X1 - Y1, X2 Y2dst bersifat kontinyu pula. Hipotesis nol yang di uji menyatakan bahwa median perbedaan pasangan nilai pengamatan kedua sampel sama dengan nol.

Langkah langkah uji rang-tanda Wilcoxon : 1. Asumsikan bahwa populasi perbedaan pasangan nilai pengamatan kedua sampel adalah variable acak kontinyu. 2. Hipotesis :

Uji satu sisi : Hi : W (+) > W (-) Hi : W (+) < W (-)

a. Ho : W (+) = W (-) b. Ho : W (+) = W (-)

Uji dua sisi : Hi : W (+) W (-)

Ho : W (+) = W (-)

W (+) : Jumlah semua peringkat selisih pasangan pengamatan (Wi, Yi) yang bertanda positif. W (-) : Jumlah semua peringkat selisih pasangan pengamatan (Wi, Yi) yang bertanda negative 3. Untuk setiap pasangan nilai pengamatan (Xi, Yi), hitung perbedaannya (di = Xi Yi). 4. Berikan peringkat terhadap perbedaan nilai pasangan pengamatan, mulai dari peringkat 1 untuk perbedaan terkecil hingga peringkat n untuk perbedaan terbesar. Bila terdapat perbedaan nilai pasangan yang sama, perbedaan pasangan nilai yang sama di beri peringkat rata-ratanya . untuk beda nol, tidak diperhatikan. 5. Bubuhkan tanda kepada peringkat yang sudah dibuat itu: positif atau negative sesuai dengan tanda perbedaan nilai pengamatan aslinya. 6. Hitung banyaknya di yang bertanda positif (disebut W+) dan negative (disebut W_). 7. Statistik uji peringkat bertanda Wilcoxon ialah W. M yang dipakai ialah W+ atau W_ yang nilainya lebih kecil : 8. W+ = Ri (Semua peringkat positif) dan yang sesuai. W-= Ri(Semua peringkat Negatif)

Hipotesa nol ditolak apabilai nilai W+, W-, atau W lebih kecil atau sama dengan nilai di tabel

c.

Uji Jumlah-rang Uji ini dilakukan apabila ingin menguji kesamaan rataan dua distribusi yang kontinu yang jelas tidak normal dan sampelnya bebas.

Menguji H0 1 = 2

Tandingan H1 1 < 2 1 > 2 1 2

Hitunglah 1 2 u

Misalkan n1 banyaknya pengamatan dalam sampel yang lebih kecil, dan n2 banyaknya pengamatan dalam sampel yang lebih besar. Urutkanlan n1 dan n2 pengamatan dari kecil ke besar dan beri peringkat. Bila terdapat yang seri, maka pengamatan tersebut diganti dengan dengan rataan rangnya jika keduanya dapat dibedakan (tidak seri). Jumlah rang yang berasal dari n1 pengamatan dalam sampel yang lebih kecil dinyatakan dengan w1. Dan w2 merupakan jumlah rang yang berasal dari n2 pengamatan dalam sampel yang lebih besar. Apabila nilai w1 sudah ditemukan maka nilai w2 dapat dicari. Seperti rumus dibawah ini, w1 + w2 = w2 =

- w1

Untuk pengujian ekasisi, hipotesis nol 1 = 2 ditolak dan diterima tandingannya 1 < 2 apabila w1 kecil dan w2 besar. Begitu pula, tandingan 1 > 2 dapat diterima jika w1 besar dan w2 kecil. Untuk pengujian dwisisi, tandingan 1 kecil. d. Uji Kruskal Wallis Uji Kruskal Wallis sering pula disebut Uji H Kruskal Wallis, adalah rampatan uji jumlah rang (dwisampel Wilcoxon) untuk sejumlah sampel k>=2. Uji ini digunakan untuk menguji hipotesis nol bahwa k sampel bebas berasal dari populasi yang sama. Diperkenalkan oleh W.H. Kruskal dan W.A. Wallis pada tahun 1945, uji ini merupakan padanan cara nonparametrik untuk menguji kesamaan rataan dalam analisis variansi ekafaktor bila si pencoba ingin menghindari bahwa sampel berasal dari populasi normal. 2 diterima bila minimum dari w1 dan w2 cukup

Uji ini mirip dengan uji Anova pada data parametrik hanya saja tidak dipenuhi anggapan k kenormalan dari data. Analisis yang digunakan berdasarkan Rij yaitu ranking data, bukan data itu sendiri. Langkah langkah uji Kruskal - Wallis : 1. H0 : Semua K populasi adalah identik 2. H1 : Tidak semua K populasi identik 3. Tentukan taraf nyatanya. 4. Tentukan daerah kritisnya dengan menggunakan tabel chi-kuadrat. Dengan derajat kebebasan v = k-1 5. Melakukan perhitungan uji kruskal wallis dengan rumus dibawah ini

dengan ni merupakan jumlah data pengamatan disetiap sampel dan ri merupakan jumlah rang dalam satu sampel data pengamatan. 6. Bila nilai h jatuh dalam daerah kritis pada tabel, dengan derajat kebebasan v = k 1, tolak H0 pada taraf nyata. Dan terima H0 jika tidak jatuh dalam daerah kritis pada tabel.

Pengolahan data nonparametrik k = 2

Pengolahan data nonparametrik independen k =2

1.

Uji Mann-Whitney

Uji digunakan untuk menguji ada tidaknya perbedaan yang significant untuk 2 sampel yang independent. Uji Mann-Witney disebut juga uji U, beraku untuk kasus dua sample independent dengan skor yang berskalaordinal. Uji Mann- Whitney dipakai untuk menguji apakah dua kelompok independent telahmditarikdari populasi yang sama. Uji ini merupakan pengembangan dari uji Wilcoxon dengan dua sample berukuran tidak sam, dan pemberian jenjang didasarkan

pada skor gabungan. Uji Mann-hitney tidak memerlukan anggapan tertentu mengenai populasi dari mana sampel diambil(seperti uji-uji non-parametrik lainnya). Asumsi yang diperlukan hanyalah bahwa nilai dari variable random dari dua kelompok yang diperbandingkan adalah berditribusi kontinyu. Hipotesis nihil yang akan diuji mengatakan bahwa dua sample independent diambil dari populasi yang memiliki distribusi yang sama. Uji ini dapat digunakan untuk pengujian dua sisi ataupun satu sisi. Uji tersebut merupakan alternatif lain dari uji tparametrik, bila anggapan yang diperlukan bagi uji t tidak dijumpai. Pengolahan data nonparametrik k > 2 Pengolahan data nonparametrik independen k > 2 1. Uji Kruskal Wallis Uji Kruskal-Wallis, sering pula disebut Uji H Kruskal Wallis, adalah rampatan uji jumlah rang (dwi sampel Wilcoxon) untuk sejumlah sampel k > 2. Uji ini digunakan untuk menguji hipotesis Ho bahwa k sampel bebas berasal dari populasi yang sama. Diperkenalkan di tahun 1952 oleh W.H. Kruskal dan W.A. Wallis, uji ini merupakan padanan cara non parametrik untuk menguji kesamaan rataan dalam analisis variansi ekafaktor bila ingin mengehindari anggapan bahwa sampel berasal dari populasi normal. Jika dari populasi yang sama, maka ratarata ke-k sampel tersebut tentu relatif sama atau tidak berbeda secara signifikan.

2.

Uji Friedman

Uji yang dilakukan untuk mengetahui adanya perbedaan yang significant dimana jumlah sampel lebih dari 2 yang dependent. Uji Friedman sebenarnya adalah analog dengan uji analisis varians dua arah pada uji parametric. Uji ini dpat digunakan apabila penerapan analisis varians dua arah parametric tidak dikehendaki dikarenakan pertimbangan tertentu, misalkan seorang peneliti tidak ingin berasumsi bahwa sampel yang diperolehnya adalah berdistribusi normal,

dimana distribusi normal merupakan persyaratan sahihnya (valid) uji dalam penggunaan uji parametric.