STATISTIKA NON PARAMETRIK

Uji statistika parametrik adalah suatu uji yang modelnya menetapkan adanya
syarat-syarat tentang parameter populasi yang merupakan sumber sampel
penelitiannya (Siegel, 1994: 38). Penggunaan analisis statistika parametrik,
tergantung dari asumsi - asumsi dasar berkaitan dengan distribusi dan jenis skala data
yang diperoleh dari populasi maupun sampel penelitiannya. Ada beberapa persyaratan
asumsi dasar untuk menggunakan statistik parametrik, yaitu:
1 Data yang diperoleh dari observasi harus bersifat independent, dimana
pemilihan salah satu kasus tidak tergantung pada pemilihan kasus lainnya.
2 Sampel yang diperoleh dari populasi berdistribusi normal, dan diambil secara
random.
3 Sampel-sampelnya memiliki varians yang sama atau mendekati sama,
terutama jika sampelnya kecil.
4 Variabel-variabel yang digambarkan berupa skala interval atau rasio.
Istilah nonparametrik sendiri pertama kali digunakan oleh Wolfowitz, 1942.
Istilah
lain
yang
sering
digunakan
antara
lain distribution-free
statistics dan assumption-free test. Dari istilah-istilah 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.
Data yang berskala nominal dan atau ordinal tidak memenuhi syarat untuk
diolah dengan statistik parametrik. Berbeda dengan statistik parametrik, statistik
nonparametrik adalah prosedur statistik yang tidak mengacu pada parameter tertentu.
Itulah sebabnya, statistik nonparametrik sering disebut sebagai prosedur yang bebas
distribusi (freedistibution procedures). Banyak orang berpendapat, jika data yang
dikumpulkan terlalu kecil maka prosedur statistik nonparametrik lebih baik
digunakan. Pendapat ini bisa benar dan bisa pula salah. Masalahnya adalah,
bagaimana mendefinisikan besar-kecilnya suatu data? Bukankah hal ini sangat
relatif? Yang jelas, kita pasti menggunakan statistik nonparametrik bila kita tidak
mengetahui dengan pasti distribusi dari data yang kita amati. Namun jika kita yakin
data yang diamati berdistribusi normal, misalkan dibuktikan dengan memakai uji
statistik, maka kita bisa memakai prosedur statistik parametrik untuk distribusi
normal. Sebaliknya, walaupun data yang dikumpukan berjumlah besar, tetapi tidak
dapat dipastikan distribusinya, maka sebaiknya dipakai prosedur statistik
nonparametrik. Statistik nonparametrik mempunyai beberapa kelebihan dan
kekurangan. Kelebihannya antara lain adalah:

Tingkat kesalahan penggunaan prosedur statistik nonparametrik relatif kecil

karena statistik jenis ini tidak memerlukan banyak asumsi.
2 Perhitungan yang harus dilakukan pada umumnya sederhana dan mudah,
khususnya untuk data yang kecil.
3 Konsep dalam statistik nonparametrik mudah untuk dimengerti.
4 Dapat digunakan untuk menganalisa data yang berbentuk hitungan maupun
peringkat (rank).
Sebaliknya, kekurangan statistik non parametrik yang paling utama adalah
hasil tidak selalu sesuai dengan yang diharapkan karena kesederhanaan
perhitungannya. Namun, walaupun perhitungan dalam statistik nonparametrik sangat
sederhana, bila jumlah datanya sangat besar maka dibutuhkan perhitungan yang
sangat lama. Untuk kasus yang demikian, prosedur statistik parametrik lebih tepat
untuk digunakan.
Contoh Uji sstatistik non parametrik ada beberapa macam. Karena banyaknya
uji statistik nonparametrik, maka tidak mungkin dibahas semua dalam waktu singkat.
Berikut ini hanya akan dikemukakan babarapa contoh saja.
1 Prosedur untuk Data dari Sampel Tunggal dengan Chi-Kuadrat
Akan diuji distribusi frekuensi kategori variabel motivasi hasil amatan dengan
distribusi frekuensi kategori variabel sama yang diharapkan. Hipotesis nol uji
tersebut adalah: tidak terdapat perbedaan distribusi variabel motivasi hasil amatan
dengan distribusi harapan. Prosedur ini banyak digunakan pada uji normalitas
variabel. Rumus yang digunakan dalam uji tersebut adalah:
k
(O E i ) 2
2 i
Ei
i 1
dengan keterangan:
Oi
= banyaknya kasus yang diamati dalam kategori i.
Ei
= banyaknya kasus yang diharapkan
k

i 1

= penjumlahan semua kategori k.

Misalkan hasil penelitian memperoleh frekuensi kategori hasil observasi

(kolom O) dan frekuensi kategori harapan ditunjukkan (kolom E) pada Tabel 1,
(Oi E i ) 2
Ei

untuk menghitung

perlu dibuat kolom ((O-E)^2)/E.

Tabel 1. Uji Statistik Nonparametrik Data dari Sampel Tunggal

dengan Chi-Kuadrat
Kategori
Sangat Rendah
Rendah
Sedang
Tinggi
Sangat Tinggi

O
3
7
8
8
4

E
2
8
10
8
2

Total

30

30

((O-E)^2)/E
0.500
0.125
0.400
0.000
2.000
3.025

2
Dengan cara tersebut, maka diperoleh
= 3.025. Derajad kebebasan (db) uji
tersebut adalah jumlah kategori (k) dikurangi 1 = 4. Pada taraf signifikasi () =

5% harga
tabel = 9,49. Karena
hitung <
tabel, maka hipotesis nol
diterima.
2 Prosedur untuk Sampel Independen
Hollingshead (1949) meneliti pilihan kurikulum oleh pelajar di kota Elmtown
ditinjau dari kelas sosialnya. Kurikulum yang ada mencakup persiapan ke PT,
umum, dan perdagangan. Sedangkan kelas sosial yang ada dikelompokkan
menjadi 4. Hipotesis nol yang diajukan Hollingshead adalah: proporsi siswa yang
tercatat dalam ketiga kemungkinan kurikulum adalah sama untuk semua kelas

2
sosial. Dengan
sebagai berikut:
r

i 1 j 1

untuk k sampel independen, rumus yang digunakan adalah

(Oij E ij ) 2
E ij

dengan keterangan:

Oij

= jumlah kasus yang diobservasi dalam baris ke i pada kolom ke j

E ij

= jumlah kasus yang diharapkan dalam baris ke i pada kolom ke j

r

i 1 j 1

= jumlah semua sel

Dalam penelitian Hollingshead diperoleh data hasil observasi (O) dan data
(Oi E i ) 2
Ei

yang diharapkan (O) seperti Tabel 2. Untuk menghitung

kolom ((O-E)^2)/E.

perlu dibuat

Tabel 2. Uji Statistik Nonparametrik Data dari k Sampel Independen

dengan Chi-Kuadrat

II
((O-E)^2)/E

E
38.01
97.13
47.86

3.09
0.08
1.35
4.52

2
= 44.40+4.52+16.82+3.65 = 69.39. Derajad kebebasan dalam uji tersebut,

2
db = (4 - 1) * (3 - 1) = 6. Dengan = 5% dan db = 6 diperoleh

Karena

hitung >

tabel = 12.59.

tabel, maka Ho tidak diterima.

Prosedur untuk Sampel Dependen

Uji McNemar dua sampel dependen dapat diperluas untuk dipakai dalam
penelitian yang mempunyai lebih dari dua kelompok sampel. Perluasan ini, yakni uji

Q Cochran k sampel berhubungan memberi suatu metode untuk menguji apakah tiga
himpunan atau lebih mempunyai frekuensi atau proporsi saling berbeda atau tidak.
Rumus yang digunakan dalam uji Q Cochran adalah:
2
k
k

2
k (k 1) k G j ( G j )
j 1
j 1

Q
N
N
2
k L i Li
i 1

i 1

dengan keterangan:
Gj
= jumlah keseluruhan sukses dalam kolom ke j
Li
= jumlah keseluruhan sukses dalam barir ke i.
Misalkan diteliti pengaruh 3 cara wawancara terhadap kemungkinan jawaban
dari 10 responden. Jika jawaban pertanyaan ya dikode 1 dan jawaban tidak
dikode 0. Hipotesis nol penelitian ini berbunyi: kemungkinan jawaban ya adalah
sama untuk ketiga jenis wawancara. Data penelitian ini ditunjukkan pada Tabel 3.
Tabel 3. Uji Statistik Nonparametrik Data dari k Sampel Dependen
Q
dengan Uji Cochran
Responde
n
1
2
3
4
5
6
7
8
9
10

Wawancara
1
0
1
1
1
0
1
1
1
0
0
G1
=

Wawancara
2
0
0
1
1
1
0
1
0
0
0

Wawancara
3
1
1
1
0
0
1
1
1
0
1

Li1
1
2
3
2
1
2
3
2
0
1
10

G2 =

G3 =

Li2

L
i 1

1
7

1
4
9
4
1
4
9
4
0
1
10

L
i 1

2
i

3
7

Q
Berdasarkan tabel tersebut, maka dapat dihitung sbb:
(3 1){[ 3(6) 2 3(4) 2 3(7) 2 ] (17) 2 }
Q
(3)(17) 37
Q

= 0.180
db = k 1 = 2
= 0.05

tabel (
Q

tabel) = 5.99.
Q

hitung <

tabel -> Ho diterima.