Anda di halaman 1dari 77

Laporan Praktikum Statistika Industri

Modul 1 “Statistik Non Parametrik”


Kelompok 15

BAB I
PENDAHULUAN

1.1 Latar Belakang


Statistika didefinisikan sebagai ilmu yang membahas tentang pengambilan data,
pengolahan data sampai kesimpulan yang diperoleh dari perhitungan dan pengolahan data
tadi, serta membuat keputusan yang dapat diterima berdasarkan analisis. Dalam kehidupan
sehari-hari sering kita temui permasalahan yang dapat diformulasikan ke dalam persamaan
matematis. Hubungannya dengan statistika yaitu statistika digunakan untuk menyatakan
data atau bilangan yang diperoleh dari data, misalnya rata-rata dari data tersebut.
Permasalahan yang umum dihadapi oleh peneliti atau insinyur adalah menyangkut
cara pengambilan keputusan berdasarkan data mengenai suatu sistem ilmu. Dalam tiap
kasus, peneliti membuat dugaan mengenai suatu sistem. Sebagai tambahan tiap kasus harus
melibatkan penggunaan data percobaan dan pengambilan keputusan berdasarkan data tadi.
Secara resmi dalam tiap kasus dugaan mengenai dugaan dapat dirumuskan dalam bentuk
hipotesis statistik.
Keunikan statistik yaitu kemampuannya untuk menghitung ketidakpastian dengan
tepat. Dengan kemampuan itu para ahli statistik dapat membuat suatu pernyataan yang
tegas, lengkap dengan jaminan ketidakpastian. Didalam statistik ada tiga hal penting yang
mendasar yaitu analisa data yang membahas tentang pengumpulan, penyajian dan
mengintisarikan data. Kedua adalah probabilitas yaitu membahas tentang hukum peluang
dan yang terakhir adalah kesimpulan statistik yaitu tentang ilmu penarikan kesimpulan
statistik dari data tertentu berdasarkan pengetahuan tentang probabilitas.

Program Studi Teknik Industri 1


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

1.2 Tujuan Praktikum


Tujuan yang hendak dicapai dalam praktikum Statistika Industri Modul 3 ini adalah:
1. Mengerti konsep statistika non parametrik.
2. Memiliki kompetensi untuk dapat mengolah data secara uji statistik non
parametrik.
3. Memiliki kompetensi untuk mampu menginterpretasikan hasil pengolahan data
uji statistik non parametrik.

1.3 Pembatasan Masalah


Pada laporan ini masalah yang dibahas terbatas pada pengolahan data statistik non
parametrik, baik dependen maupun independen dengan satu sampel, dua sampel, maupun
sampel lebih dari dua, dengan pengolahan menggunakan software SPSS, minitab dan
perhitungan manual.
Data non parametrik yang digunakan yaitu data proporsi nilai ulangan siswa siswi
SMA TUJUH untuk data dengan 1 sampel atau k = 1, data tersebut digunakan untuk
menjawab permasalahan Kepala Sekolah SMA TUJUH untuk menilai tingkat keberhasilan
kelas internasional pada sekolahnya. Selain itu untuk uji non parametric dengan satu
sampel digunakan pula data bahan ajar bahasa inggris.
Sedangkan pada data dengan ukuran sampel 2 atau k = 2 berhubungan menggunakan
data hasil perbandingan nilai ulangan siswa siswi dengan metode belajar kelompok dan
sendiri, digunakan untuk mengetahui pengaruh konsep pembentukan kelompok belajar.
Juga menggunakan data mengenai kesan para siswa dengan metode pembelajaran sendiri
dan kelompok. Untuk uji statistic non parametric tak berhubungan menggunakan data
perbandingan pencapaian prestasi SMA TUJUH dengan sekolah lain yang belum ada kelas
internasionalnya, untuk melihat kualitas sekolah dalam 7 bulan terakhir.
Untuk uji dengan sampel lebih dari 2 dan berhubungan menggunakan data tingkat
kesuksesan pencapaian akademis dari kelas regular, eksel dan internasional. Selain itu
kepala sekolah juga menggunakan data berisi kesan dari siswa siswinya terhadap fasilitas

Program Studi Teknik Industri 2


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

sekolah seperti lab, kelas, dan fasilitas olahraga. Pengujian tersebut digunakan untuk
menilai apakah ketiga fasilitas yang diberikan telah sesuai harapan.
Untuk pengujian dengan sampel lebih dari 2 dan tidak berhubungan menggunakan
data perbandingan penilaian 3 bentuk fasilitas dengan 2 sekolah internasional terdekat.
Data – data tersebut dianalisis untuk menjawab permasalahan – permasalahan Kepala
Sekolah SMA TUJUH dalam menjalankan tugasnya di sekolah internasional tersebut.

1.4 Prosedur Praktikum

Identifikasi Masalah

Studi Pustaka

Pengambilan Data

Penentuan Jenis Data

Pengolahan Data

Analisis

Kesimpulan dan Saran

Gambar 1.1 Flowchart Praktikum Modul 3 Statistik Non Parametrik

Program Studi Teknik Industri 3


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

1.5 Sistematika Penulisan


Dalam menyusun Laporan Statistik Industri ini, penulis menggunakan sistematika
penulisan sebagai berikut :
BAB I PENDAHULUAN
Berisi latar belakang, tujuan praktikum, pembatasan masalah, metodologi
praktikum dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Berisi tentang dasar-dasar teori dan definisi serta penjelasan tentang
statistik non parametrik termasuk uji-uji yang digunakan di dalamnya.
BAB III PENGOLAHAN DATA DAN ANALISIS
Berisi kumpulan data beserta hasil pengolahannya dan analisis dari hasil
pengolahan tersebut. Meliputi data non parametrik baik dependen maupun
independen dengan satu sampel, dua sampel, maupun sampel lebih dari
dua, dengan pengolahan menggunakan software SPSS, minitab dan
perhitungan manual.
BAB IV PENUTUP
Berisi kesimpulan mengenai garis besar yang dapat ditarik dari analisa
yang telah diberikan pada bab sebelumnya dan saran dari penyusun.

Program Studi Teknik Industri 4


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

BAB II
TI NJAUAN PUSTAKA

2.1 Definisi Statistika


Statistik adalah ilmu yang membahas tentang pengambilan dan pengolahan data
sampai kesimpulan.
Statistik secara garis besar dapat dibagi menjadi 2 yaitu :

2.1.1 Statistika Deskriptif


Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan
dideskripsikan) atau disimpulkan baik secara numerik (misal menghitung rata-rata dan
deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik, histogram,
distribusi frekuensi) untuk mendapatkan gambaran sekilas mengenai data tersebut
sehingga lebih mudah dibaca dan bermakna.
(http://blog.re.or.id/definisi-statistika-deskriptif-dan-statistika-
inferensial.htm)
2.1.1 Statistika Induktif
Mencangkup metode yang berkaitan dengan analisis sebagian data (data dari
sampel) yang kemudian digunakan untuk melakukan peramalan atau penaksiran
kesimpulan (generalisasi) mengenai data secara keseluruhan (populasi). Generalisasi
tersebut mempunyai sifat “tidak pasti” karena hanya berdasarkan pada data dari
sampel. Oleh sebab itu, dalam statistika induktif harus didasari denganbteoriopeluang.
(http://ssantoso.blogspot.com/2009/03/statistika-induktif-pengantar.html)

Teknik statistik mempunyai pengumpulan data, pengolahan serta penganalisaan


terhadap data yang diperoleh sehingga nantinya dapat diambil suatu kesimpulan.
Statistik induktif meliputi perumusan hipotesis statistik (pernyataan tentang populasi),

Program Studi Teknik Industri 5


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

pemilihan uji yang sesuai, penentuan taraf yang signifikan, analisa statistik. Statistik
induktif meliputi 2 hal yaitu :
- Teknik pengolahan data secara parametrik
- Teknik pengolahan data secara non parametrik

2.2 Tipe Data Statistika


Data statistik merupakan suatu keterangan atau ilustrasi mengenai suatu hal yang
dapat berbentuk kategori (data kualitatif), misalnya baik, buruk, rusak, puas, berhasil dan
lain-lainnya, dan dapat berbentuk suatu bilangan (data kuantitatif).
Berdasarkan nilainya, data kuantitatif dapat dibagi menjadi dua, yaitu data diskrit
merupakan data hasil menghitung atau membilang (misalnya jumlah mobil 100 buah,
jumlah anak 2 orang), dan data kontinyu merupakan data hasil pengukuran (misalnya tinggi
badang 165 cm, jarak antar kota 25 km, luas tanah 450 m2). Sedangkan menurut
sumbernya dikenal dengan data intern dan data ekstern. Data ekstern dibagi menjadi dua,
yaitu data primer dan data sekunder. Data yang dikumpulkan dan belum mengalami
pengolahan data disebut data mentah.
(http://ssantoso.blogspot.com/2009/03/statistika-induktif-pengantar.html)

Data adalah bentuk jamak dari datum yang memiliki pengertian sebagai keterangan-
keterangan tentang suatu hal, dapat berupa sesuatu yang diketahui atau dianggap. Sehingga
data dapat diartikan sebagai sesuatu yang diketahui atau dianggap.
Statistik dalam prakteknya tidak bisa dilepaskan dari data yang berupa angka, baik itu
dalam statistik deskriptif yang menggambarkan data, maupun statistik inferensi yang
melakukan analisis terhadap data. Namun sebenarnya data dalam statistik juga bisa
mengandung data non angka atau data kualitatif.

1. Data berdasarkan susunannya


Berdasarkan susunanya, data dibagi menjadi data acak atau tunggal dan data
berkelompok.

Program Studi Teknik Industri 6


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

a. Data acak atau data tunggal


Adalah data yang belum tersusun atau dikelompokkan ke dalam kelas-kelas
interval.
b. Data berkelompok
Adalah data yang tersusun atau dikelompokkan ke dalam kelas-kelas interval.
Data kelompok disusun dalam bentuk distribusi frekuensi atau tabel frekuensi.

2. Data berdasarkan jenisnya


Berdasarkan sifatnya data dibagi menjadi :
a. Data kualitatif
Adalah data yang tidak berbentuk bilangan. Data kualitatif mempunyai ciri tidak
bisa dilakukan operasi matematika, seperti penambahan, pengurangan, eprkalian
dan pembagian. Yang termasuk data kulitatif adalah data nominal dan data
ordinal.
Datamkualitatifmbisamdibagimmenjadindua:
1.mDatamNominal
Data bertipe nominal adalah data yang paling “rendah” dalam level
pengukuran data. Jika suatu pengukuran data hanya menghasilkan satu dan
hanya satu-satunya kategori, maka data tersebut adalah data nominal (data
kategori). Misal proses pendataan tempat tinggal 40 responden dalam suatu
penelitian. Dalam kasus ini setiap orang akan bertempat tinggal di suatu
tempat tertentu (berdasar KTP), tidak bisa di tempat lain. Misal Amir
berdomisili di Solo, maka dia (dianggap) tidak mungkin tinggal di Jakarta,
atau
punya dua KTP. Jadi, data tempat tinggal adalah data nominal karena Amir
hanya punya satu dan satu-satunya, tidak bisa lebih dari satu, tempat
tinggalmyangmditunjukkanmdenganmKTP, atau, data Jenis Kelamin
seseorang.mInimjugamsuatumdatamnominalmkarena seorang laki-laki tidak
mungkinmberkelaminmganda.mDemikianmjugamTanggal Lahir seseorang,

Program Studi Teknik Industri 7


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Pekerjaan (diasumsi hanya satu jenis pekerjaan dalam satu


saat),mdanmseterusnya.
Data Nominal dalam praktek statistik biasanya akan dijadikan “angka”,
yaitu proses yang disebut kategorisasi. Misal dalam pengisian data, jenis
kelamin lelaki dikategorikan sebagai “1” dan perempuan sebagai “2”.
Kategori ini hanya sebagai tanda saja. Jadi, tidak bisa dilakukan operasi
matematika,
sepertim1m+m2mataum1m–m2,mdanmlainnya.

2. Data Ordinal
Data ordinal, seperti pada data nominal, adalah juga data kualitatif
namun dengan level yang lebih “tinggi” daripada data nominal. Jika pada
data nominal, semua data kategori dianggap sama, maka pada data ordinal,
ada tingkatan data. Misal pada data Jenis Kelamin di atas, Lelaki dianggap
setara dengan Wanita, atau dalam data Tempat Kelahiran, data Jakarta
dianggap sama dengan data Yogyakarta, Surabaya, Boyolali, dan seterusnya.
Pada data ordinal, ada data dengan urutan lebih tinggi dan urutan lebih
rendah. Misal data tentang sikap seseorang terhadap produk tertentu. Dalam
pengukuran sikap konsumen, ada sikap yang “suka”, “tidak suka”,
“sangat suka”, dan lainnya. Di sini data tidak bisa disamakan derajatnya,
dalammarti “suka” dianggap lebih tinggi dari “tidak suka”, namun lebih
rendahmdari “sangat suka”. dan lainnya. Jadi, di sini ada preferensi atau
tingkatanmdata, di mana data yang satu berstatus lebih tinggi atau lebih
rendahmdarimyangmlain.
Namun, pada data ordinal juga tidak bisa dilakukan operasi
matematika, seperti jika “tidak suka” dikategorikan sebagai “1”, “suka”
sebagaim“2”mdan “sangat suka” sebagai “3”, maka tidak bisa dianggap “1 +
2=3”,mataum“tidak suka” ditambah “suka” menjadi “sangat suka”!

Program Studi Teknik Industri 8


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

(http://id.shvoong.com/exact-sciences/statistics/2124845-tipe-data-
statistik/#ixzz1Jkj2Bpbc)

b. Data kuantitatif
Adalah data yang berbentuk bilangan. Jadi, berbagai operasi matematika bisa
dilakukan pada data kuantitatif. Yang termasuk data kuantitatif adalah data
interval dan data rasio.
1. Data Interval
Data Interval menempati level pengukuran data yang lebih “tinggi” dari data
ordinal karena selain bisa bertingkat urutannya, juga urutan tersebut bisa
dikuantitatifkan. Seperti pengukuran temperatur sebuah ruangan
pembakaran
roti dari PT ENAK JOSS. Interval Temperatur ruang tersebut:
omCukup Panas jika temperatur antara 500C - 800C
omPanas jika temperatur antara 800C - 1100C
omSangat Panas jika temperatur antara 1100C - 1400C
Dalam kasus di atas, data temperatur bisa dikatakan data interval karena data
mempunyai interval (jarak) tertentu, yaitu 300C.
Namun, di sini data interval tidak mempunyai titik nol yang absolut. Misal
pada pengukuran temperatur, seperti pernyataan bahwa „air membeku pada
00C„. Pernyataan di atas bersifat relatif, karena 00C hanya sebagai tanda
saja.
Dalam pengukuran 0F, air membeku bukan pada 00F, namun pada 320F.
Dengan demikian, juga tidak bisa dikatakan bahwa suhu 1000F adalah dua
kalimlebihmpanasmdarimsuhum500F.
(http://id.shvoong.com/exact-sciences/statistics/2124845-tipe-data-

statistik/#ixzz1Jko7NfUy)

Program Studi Teknik Industri 9


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

2. Data Rasio
Data Rasio adalah data dengan tingkat pengukuran paling “tinggi” di
antara jenis data lainnya. Data Rasio adalah data bersifat angka dalam arti
sesungguhnya (bukan kategori seperti pada data nominal dan ordinal) dan
bisa dioperasikan secara matematika (+, -, x, /). Perbedaan dengan data
interval adalah bahwa data rasio mempunyai titik nol dalam arti
sesungguhnya.
Misal jumlah produk roti dari gudang PT ENAK JOSS pada contoh
di atas. Jika jumlah roti nol, berarti memang tidak ada sepotong roti pun
dalam gudang tersebut. Jika ada 24 roti, kemudian bertambah produk baru
sebanyak 3 roti, maka total roti sekarang adalah 24 + 3 = 27 roti (operasi
penjumlahan), dan seterusnya. Atau, berat badan dan tinggi badan
seseorang,mpengukuranmpengukurannya mempunyai angka nol/0 dalam arti
sesungguhnya.mMisal berat badan 0 berarti memang tanpa berat. Dengan
demikian,mbisamdikatakan bahwa sekantong beras seberat 10 kilogram
adalah benar-benar dua kali lebih berat dari sekantong beras yang
mempunyaimberatm5mkilogram.
Jenis-jenis data di atas dikupas dengan cukup mendalam karena
penerapan dalam statistik akan berbeda untuk jenis data yang berbeda. Data
kualitatif karena bukan data angka dalam arti sesungguhnya, tidak bisa
disamakan perlakuannya dengan data kuantitatif. Data nominal dan ordinal
biasanya menggunakan metode statistik nonparametrik, sedangkan data
kuantitatifmmemakaimmetodemparametrik
(http://id.shvoong.com/exact-sciences/statistics/2124845-tipe-data-
statistik/#ixzz1Jkp2tgCG)

Program Studi Teknik Industri 10


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3. Data berdasarkan waktu pengumpulan


Berdasarkan waktu pengumpulannya dibagi menjadi :
a. Data berkala
Adalah data yang terkumpul dari waktu ke waktu untuk memberikan gambaran
perkembangan suatu kegiatan.
b. Data cross section
Adalah data yang terkumpul pada suatu waktu tertentu untuk memberikan gambaran
perkembangan keadaan atau kegiatan pada waktu itu.
(Diktat Statistika Industri. Hal 5)

4. Data berdasarkan sumber pengambilannya


Berdasarkan sumber pengambilannya, data dibagi menjadi :
a. Data primer
Adalah data yang diperoleh atau dikumpulkan oleh orang yang melakukan
penelitian atau yang bersangkutan yang memerlukannya. Data ini juga disebut data
asli atau data baru.
b. Data sekunder
Adalah data yang diperoleh atau dikumpulkan oleh orang dari sumber-sumber yang
telah ada. Data itu biasanya diperoleh dari perpustakaan atau dari laporan-laporan
peneliti yang terdahulu. Data ini juga disebut sebagai data tersedia.
(Dirgibson Siagian Sugiarto, hal.16)

5. Data berdasarkan skala pengukuran


Skala pengukuran adalah peraturan penggunaan notasi bilangan dalam pengukuran.
Berdasarkan skala pengukuran , data dibagi menjadi :
a. Data nominal
Adalah data yang diberikan pada objek atau kategori yang tidak menggambarkan
kedudukan objek atau kategori tersebut terhadap objek atau kategori lainnya,

Program Studi Teknik Industri 11


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

tetapi hanya sekedar label atau kode saja. Data itu hanya mengelompokkan objek
atau kategori ke dalam kelompok tertentu.
Data ini mempunyai dua ciri, yaitu :
3. Kategori data bersifat saling lepas
4. Kategori data tidak disusun secara logis
Data bertipe nominal adalah data yang paling „rendah‟ dalam level pengukuran
data. Jika suatu pengukuran hanya menghasilkan satu dan hanya satusatiunya
kategori, data tersebut adalah data nominal (data kategori). Contoh: Status
Kewarganegaraan ( 1 untuk indonesia,2 untuk Amerika,3 untuk China).

b. Data ordinal
Adalah data yang penomoran objek atau kategorinya disusun menurut besarnya,
yaitu dari tingkat terendah ke tingkat tertinggi atau sebaliknya dengan jarak /
rentang yang tidak harus sama. Data ini memiliki ciri seperti pada ciri data
nominal ditambah satu ciri lagi, yaitu kategori data dapat disusun berdasarkan
urutan logis dan sesuai dengan besarnya karakteristik yang dimiliki.
Data ordinal seperti pada data nominal, adalah juga data kualitatif namun dengan
level yang lebih „tinggi‟ daripada data nominal. Jika pada data nominal semua
data kategori dianggap sama, maka pada data ordinal ada tingkatan data. Contoh:
Mengubah nilai ujian ke nilai prestasi, yaitu:
1. Nilai A untuk nilai dari 80-100
2. Nilai B untuk nilai dari 65-79
3. Nilai C untuk nilai dari 55-64
4. Nilai D untuk nilai dari 45-54
5. Nilai E untuk nilai dari 0 – 44

c. Data interval
Adalah data dimana objek / kategori dapat diurutkan berdasarkan suatu atribut
yang memberikan informasi tentang interval antara tiap objek/ kategori sama.

Program Studi Teknik Industri 12


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Besarnya interval dapat ditambah atau dikurangi. Data ini memiliki ciri yang
sama dengan ciri pada data ordinal ditambah satu ciri lagi yaitu urutan kategori
data mempunyai jarak yang sama.
Data interval menempati pengukuran data yang lebih „tinggi‟ dari data ordinal,
karena selain bisa bertingkat urutannya, juga urutan tersebut bisa dikuantitatifkan.
Data interval juga tidak memiliki nilai 0 absolut.

Contoh:

A B C D E
1 2 3 4 5
Interval A-C adalah 3-1=2 Interval C-D adalah 4-3=1
Pada kedua interval ini dapat dijumlahkan menjadi 2 + 1 = 3. Atau interval antara
A dan D adalah 4 – 1 = 3. Pada data ini yang dijumlahkan bukanlah kuantitas atau
besaran, melainkan interval dan tidak terdapat nilai nol absolut .
d. Data rasio
Adalah data yang memiliki sifat-sifat data nominal, data ordinal, dan data interval,
dilengkapi dengan titik nol absolut dengan makna empiris. Karena terdapat angka
nol maka pada data ini dapat dibuat perkalian atau pembagian. Angka pada data
menunjukkan ukuran yang sebenarnya dari objek/ kategori yang diukur. Data
rasio adalah data dengan pengukuran paling „tinggi‟ di antara jenis data lainnya.
Contoh: membandingkan nilai mata kuliah antara dua mahasiswa.

(Singgih Santono, hal 3-6)

6. Data berdasarkan sifatnya


a. Data diskret
Data yang didapat dengan cara menghitung.
b. Data kontinu
Data yang dapat mempunyai nilai yang terletak dalam suatu interval
(Dergibson Siagian Sugiarto, hal 13)

Program Studi Teknik Industri 13


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

7. Data berdasarkan sumbernya


a. Data Internal
Data yang menggambarkan kegiatan atau keadaan di dalam suatu organisasi.
b. Data Eksternal
Data yang menggambarkan kegiatan atau keadaan di luar suatu organisasi.
(Dergibson Siagian Sugiarto, hal 18)

2.2 Statistik Nonparametrik


Suatu pengujian populasi seringkali dihadapkan pada suatu uji yang harus dilakukan
tanpa kebergantungan asumsi-asumsi yang kaku karena bersifat khusus. Uji statistik
nonparametrik merupakan alternatif untuk memenuhi kebutuhan tersebut dikarenakan
menghasilkan kesahihan dan validitas meskipun hanya berdasar pada asumsi-asumsi
umum. Tipe utama prosedur statistik yang dimasukkan dalam nonparametrik adalah
prosedur-prosedur nonparanetrik murni dan prosedur-prosedur bebas distribusi (distribution
free procedures). Ciri–ciri dari data non parametrik adalah:
1. Distribusi populasi dan tempat pengambilan sampel tidak diketahui menyebar
secara normal
2. Digunakan untuk menguji data nominal atau data ordinal
3. Jumlah data kurang dari sama dengan 30 (n ≤ 30)
4. Untuk pengambilan sampel yang singkat dan penyelesaiannya cepat.

Beberapa keuntungan dalam penggunaan statistik non parametrik adalah :


a. Menggunakan asumsi-asumsi uji statistik yang relatif lebih sedikit
dibandingkan dengan uji statistik parametrik.
b. Perhitungan-perhitungannya dapa dilaksanakan dengan cepat dan mudah,
sehingga hasil pengkajian dapat cepat disampaikan.
c. Tidak memerlukan dasar matematika dan statistika yang mendalam untuk
memahami metode-metode dan konsep-konsep uji statistik non-parametrik.
d. Prosedurnya dapat digunakan meskipun dengan skala pengukuran terendah.

Program Studi Teknik Industri 14


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

e. Efisiensinya lebih tinggi disbanding dengan uji statistik parametrik jika jumlah
sampelnya sedikit, n<30.
Di samping memilki kelebihan-kelebihan tersebut di atas, penggunaan statistik non
parametrik juga mempunyai kelemahan di antaranya :
a. Jika asumsi uji statistik parametrik terpenuhi, penggunaan uji non-parametrik
meskipun lebih cepat dan sederhana, akan menyebabkan pemborosan
informasi.
b. Meskipun perhitungannya sederhana tetapi pada umumnya menjemukan.
c. Jika sampel besar, maka tingkat efisiensi non-parametrik relatif lebih rendah
dibanding dengan metode parametrik.
Sebagai ringkasan, bila uji parametrik dan non parametrik keduanya berlaku pada
himpunan data yang sama, gunakanlah selalu uji parametrik yang lebih efisien. Akan tetapi
bila diketahui bahwa anggapan kenormalan sering tak berlaku dan ternyata bahwa yang
dihadapi adalah pengukuran yang tidak kuantitatif maka digunakan uji yang non
parametrik.
(Walpole & Myers, Ilmu Peluang dan Statistika hal 691, 1995)

2.3 Uji – Uji Statistik Non Parametrik


Kebanyakan cara pengujian hipotesis pada uji parametrik adalah didasarkan pada
anggapan bahwa sampel acak diambil dari populasi normal. Padahal tidak semua data yang
digunakan pada pengujian-pengujian tersebut diatas berdistribusi normal. Untuk mengatasi
hal tersebut lalu digunakan uji non parametrik. Uji non parametrik adalah uji yang
mengabaikan asumsi dari kenormalan data populasi.
Yang tercakup didalam uji non parametrik adalah Pengujian Kolmogorof-Smimov,
Uji Tanda, Uji Dwi Sampel Kolmogorov-Smirnov, Wilcoxon, Uji Runtun dan Uji Kruskal
Walls.
(Modul Parktikum Statistika Industri hal 4, 2005)

Program Studi Teknik Industri 15


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

2.3.1 Pengolahan Data Non Parametrik


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 berskala ordinal. 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.
(Djarwanto,Mengenal beberapa uji satistik,2001, Hal 237)
2. Uji Kolmogorov-Smirnov
Uji ini hampir sama dengan uji Mann-Whitney yaitu digunakan untuk menguji
ada tidaknya perbedaan yang significant untuk 2 sampel yang independent. Uji
Kolmogorof Smirnov juga dapat digunakan untuk melakukan uji lokasi dan uji
bentuk. Kedua uji tersebut berkontribusi pada perbedaan nilai 2 kelompok. Dengan
melakukan centering atau pemusatan nilai data sample, setiap kelompok disekitar
rata-ratanya akan menghilangkan perbedaan dan memungkinkan melakukan
perbandingan bentuk (uji bentuk) antara kedua kelompok tersebut.

Program Studi Teknik Industri 16


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3. Uji Moses dan Uji Walt-Wolfowitz


Uji Moses merupakan teknik metode pengujian non parametrik untuk menguji
hipotesa bahwa variabel percobaan akan memberi efek pada beberapa subjek di satu
sisi dan subjek lainnya di sisi yang berlawanan. Pengujian ini dibandinghkan dengan
grup kendali. Tes ini membutuhkan data ordinal. Tes ini berfokus pada rentang di
grup kendali, dan mengukur berapa banyak nilai ekstrim di grup percobaan
mempengaruhi rentang saat digabungkan dengan grup mkendali. Uji Moses lebih
fokus kepada variasi data dari dua sampel.

4. Uji Tanda (Sign)


Uji tanda digunakan untuk menguji hipotesis mengenai median populasi. Dalam
banyak kasus prosedur non parametrik, rataan digantikan oleh median sebagai
parameter lokasi yang relevan untuk diuji. Uji statistik yang sesuai untuk uji tanda
adalah peubah acak binomial X, yang menyatakan banyaknya tanda tambah dalam
terok acak. Bila hipotesis nol  = o benar, maka peluang suatu nilai terok dapat
menghasilkan tanda tambah atau kurang sama dengan setengah. Jadi, untuk menguji
hipotesis nol bahwa  = o kita sesungguhnya menguji hipotesis nol bahwa
banyaknya tanda tambah merupakan suatu nilai dari peubah acak yang berdistribusi
binomial dengan parameter p = ½. Nilai p baik untuk tandingan ekapihak maupun
dwipihak dapat dihitung dengan menggunakan distribusi binomial. Sebagai contoh
dalam pengujian :
Ho :  = o
H1 :   o
Kita akan menolak Ho dan menerima H1 hanya jika proporsi yang bertanda
tambah cukup lebih kecil dari setengah. Jadi, bila nilai p hitungan
P = P ( X  x, bila p = ½)
Lebih kecil atau sama dengan suatu taraf keberartian  yang ditetapkan
sebelumnya, maka kita menolak Ho dan menerima H1.

Program Studi Teknik Industri 17


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Untuk menguji hipotesa :


Ho :  = o
H1 :   o
Kita akan menolak Ho dan menerima H1 hanya jika proporsi yang bertanda
tambah cukup lebih besar dari setengah. Jadi, bila nilai p hitungan
P = P ( X  x, bila p = ½)
Lebih kecil dari suatu taraf keberartian  yang ditetapkan sebelumnya, maka kita
menolak Ho dan menerima H1.
Untuk menguji hipotesa :
Ho :  = o
H1 :   o
Kita akan menolak Ho dan menerima H1 hanya jika proporsi yang bertanda
tambah cukup lebih kecil atau lebih besar dari setengah. Jadi, bila x < n/2 dan nilai p
hitungan
P =2P ( X  x, bila p = ½)
Lebih kecil daripada atau sama dengan suatu taraf keberartian , atau bila x > n/2
dan nilai p hitungan
P =2P ( X  x, bila p = ½)
Lebih kecil atau sama dengan  kita tolak Ho dan menerima H1. Apabila n  10
peluang binomial dengan p = ½ dapat dihampiri dengan kurva normal.
(Walpole & Myers, Ilmu Peluang dan Statistika hal 692-693, 1995)

5. Uji Tanda
Uji tanda hanya menggunakan tanda tambah dan kurang dari selisih antara
pengamatan dan o dalam kasus satu sampel, atau tanda tambah dari selisih antara
pasangan pengamatan dalam kasus sampel berpasangan tanpa memperhatikan besarnya
selisih tersebut. Suatu uji yang memanfaatkan baik tanda maupun besarnya selisih telah

Program Studi Teknik Industri 18


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

diusulkan oleh Frank Wilcoxon (1945) dan sekarang biasa disebut uji rang tanda
Wilcoxon.
Uji tanda Wilcoxon berlaku untuk kasus distribusi kontinu setangkup. Pertama-tama
tiap nilai sampel dikurangi dengan o, buang semua selisih yang sama dengan nol.
Selisih yang tertinggal dirang tanpa menghiraukan tandanya. Bila dua atau lebih selisih
nilai mutlaknya sama, masing-masing diberi rang sama dengan rata-rata rangnya. Bila
hipotesis  = o benar maka jumlah rang dari selisih yang positif seharusnya hampir
sama dengan jumlah rang selisih negatif. Nyatakanlah masing-masing jumlah ini
dengan w+ dan w- dan yang terkecil dari keduanya dengan w. Bila hipotesis H o :  = o
dapat ditolak dan menerima tandingan   o hanya bila w+ kecil dan w- besar. Begitu
pula   o diterima apabila w+ besar dan w- kecil. Untuk tandingan dwi pihak H o
ditolak bila w+ maupun w- cukup kecil.
o Dua sampel dengan pengamatan berpasangan
Untuk menguji hipotesis nol bila teroknya berasal dari dua populasi yang kontinu
yang setangkup dengan 1 = 2 untuk kasus sampel berpasangan, rang selisihnya tanpa
memperhatikan tanda kemudian diselesaikan seperti pada kasus satu sampel.
Tabel 2.1 Uji Rang Tanda
Mengu Tandin Hitung
ji Ho gan H1
  o w+
 = o   o w-
  o w
1  2 w+
1 = 2 1  w-
2 w
1 
2

Uji rang tanda dapat pula digunakan untuk menguji hipotesis nol bahwa 1 - 2 = b0.
Dalam kasus ini tidak perlu setangkup. Seperti pada uji tanda tiap selisih kita kurangi

Program Studi Teknik Industri 19


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

dengan bo, rang tiap selisih tanpa memperhatikan tandanya dan terapkan prosedur yang
sama seperti sebelumnya.
(Walpole & Myers, Ilmu Peluang dan Statistika hal 696-698, 1995)

6. 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 H o 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 rata-rata ke-k sampel tersebut tentu relatif
sama atau tidak berbeda secara signifikan.
(Walpole & Myers, Ilmu Peluang dan Statistika hal 707, 1995)
7. Uji Median
Uji yang dilakukan untuk mengetahui apakah sampel berasal dari dua
populasi dengan median yang sama atau telah diambil dari populasi yang sama.
Langkah-langkah yang ditempuh dalam pengujiaan ini adalah:
1. Gabungkan kedua sample menjadi sebuah sample berukuran (n1 + n2) dengan n1 =
ukuran sample yang diambil dari populasi kesatu dan n2 = ukuran sample yang
diambil dari populasi kedua.
2. Tuliskan ke (n1 + n2) buah data dari sample gabungan ini menurut-urutan
besar nilainya.
3. Tentukan nilai median dari sample gabungan ini.
4. Dari setiap sample, tentukan banyaknya data muka median.
5. Bentuk sebuah daftar kontingensi 2 x 2 eperti di bawah ini dengan
menggunakan data yang telah disusun dalam daftar kontingensi tersebut,
untuk menguji hipotesis.
(Sudjana. 1996. Metode Statistika. Tarsito : Bandung, Hal 464)

Program Studi Teknik Industri 20


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

8. 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.
(Singgih Santoso, halaman 202 & 441)

9. Uji Binomial
Adalah uji nonparametrik yang digunakan untuk menggantikan uji statistik-t jika
asumsi n kecil dan populasi

10. Uji Chi Square


Uji Chi Square untuk satu sampel bisa dipakai untuk menguji apakah data sebuah
sampel yang diambil menunjang hipotesis yang menyatakan bahwa populasi asal
sampel tersebut mengikuti suatu distribusi yang telah ditetapkan. Uji ini digunakan
untuk menguji apakah sebuah sampel selaras dengan salah satu distribusi teoritis.

11. Uji Mc Nemar


Digunakan untuk mengetahui apakah perubahan proporsi pasangan variabel
dikotomus sama atau tidak

12. Uji Kolmogorov-Smirnov Z


Uji ini hampir sama dengan uji Mann-Whitney yaitu digunakan untuk menguji ada
tidaknya perbedaan yang significant untuk 2 sampel yang independent. Uji Kolmogorof
Smirnov juga dapat digunakan untuk melakukan uji lokasi dan uji bentuk.

Program Studi Teknik Industri 21


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

13. Uji Kendall W


Uji konkordansi pada prinsipnya ingin mengetahui apakah ada keselarasan dari
sekelompok objek (orang) dalam menilai objek tertentu.

14. Uji Cochran Q


Adalah pengembangan dari uji McNemar untuk uji tiga perlakuan atau lebih.

2.4 Pengolahan Data dengan MINITAB, dan SPSS


2.4.1 SPSS
Untuk mengolah data tersebut kami menggunakan program SPSS (Statistical
Product and Service Solution). Program SPSS adalah program yang bertujuan untuk
memperkecil kesalahan penghitungan dalam pengolahan data. Data yang diolah
dalam SPSS harus memenuhi syarat-syarat yang meliputi kecukupan data, kualitas
data, dan memenuhi sifat-sifat keacakan. Setelah proses pengumpulan dan
pengolahan data dilakukan, maka analisa output SPSS data dapat langsung diketahui.

2.4.2 MINITAB
Permasalahan – permasalahan statistika bukan suatu masalah rumit karena
seiring dengan perkembangan teknologi komputer, pekerjaan statistik sangat terbantu
dengan adanya program aplikasi komputer untuk statistik yang kini sudah banyak
dipasarkan. Komputer sangat membantu pekerjaan statistik, terutama dalam
melakukan perhitungan statistik yang menggunakan rumus matematika yang rumit
dan banyak data. Salah satu program statistik yang telah diakui banyak orang adalah
program MINITAB.
Program MINITAB merupakan program statistiks yang diakui cukup andal
oleh banyak kalangan, baik dunia kampus maupun industri. Keunggulan MINITAB
adalah selain menyediakan metode – metode statistik klasik seperti analisis regresi,

Program Studi Teknik Industri 22


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

analisis faktor, analisis deskriminan, dan tabulasi silang. MINITAB juga


menyediakan pula metode – metode statistik untuk meningkatkan dan memperbaiki
kualitas seperti pengendalian kualitas statistik, desain eksperimen, dan analisis
realibilitas. MINITAB juga mampu memberi nilai taksiran yang mendekati nilai
sebenarnya.
Pada data parametrik independen k = 2 digunakan program MINITAB dengan
melakukan uji T dan uji F. Dimana membandingkan rata-rata dua sampel dan
membandingkan variansi dua sampel. Data non parametrik independen k = 2,
independen k > 2 dan dependen k > 2 juga menggunakan program MINITAB. Untuk
data non parametrik independen k = 2 menggunakan uji Kruskal Wallis, data non
parametrik dependen k > 2 menggunakan uji Friedman. Untuk data non parametrik
independen k = 2 menggunakan uji Mann Whitney.

Program Studi Teknik Industri 23


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

BAB III
PENGOLAHAN DATA DAN ANALISIS

3.1 Non Parametrik Satu Sampel


3.1.1 Uji Binomial dan Uji Runs
a. Data
Tugas Kepala Sekolah tidaklah mudah, macam-macam segala urusan
yang harus dilakukan termasuk memperhatikan siswa/siswinya. Kepala
sekolah SMA Judika ingin melakukan penilaian terhadap siswa-siswinya di
kelas internasional (terdapat 25 orang siswa/siswi) sebagai bentuk penilaian
tingkat keberhasilan kelas Internasional yang diadakan. Untuk yang pertama
kepala sekolah ingin mengetahui proporsi nilai ulangan dari siswa-siswinya.
Kepala Sekolah secara acak menanyakan hasil ulangan yang baru saja
dilangsungkan di kelas.
Tabel 3.1 Data Statistik Non Parametrik Satu Sampel (1)
Jawaban
(1 = Bagus ; 2 =
No Jelek)
1 Jelek
2 Jelek
3 Bagus
4 Jelek
5 Jelek
6 Jelek
7 Bagus
8 Bagus
9 Jelek
10 Bagus
11 Jelek
12 Jelek
13 Bagus
14 Jelek
15 Jelek

Program Studi Teknik Industri 24


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.1 Data Statistik Non Parametrik Satu Sampel (1)

16 Jelek
17 Bagus
18 Bagus
19 Bagus
20 Jelek
21 Jelek
22 Jelek
23 Jelek
24 Jelek
25 Jelek

b. Uji Binomial
1. H0 : µ1 = µ2
2. H1: µ1 ≠ µ2
3. α = 0,05
4. Daerah kritis : p value atau nilai sig < α
5. Perhitungan :
 SPSS
Tabel 3.2 Output Statistics SPSS Data Satu Sampel (1)

Statistics
VAR00001
N Valid 25
Missing 0
Mean 1.32
Median 1.32a
Std. Deviation .476
Minimum 1
Maximum 2
Sum 33
Percentiles 25 .b,c
50 1.32
75 1.82

Program Studi Teknik Industri 25


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.3 Output Binomial Test SPSS Data Satu Sampel (1)

Binomial Test
Observed Exact Sig. (2-
Category N Prop. Test Prop. tailed)
VAR0000 Group 1 1 17 .68 .50 .108
1 Group 2 2 8 .32
Total 25 1.00

6. Keputusan : Terlihat bahwa pada kolom Exact Sig/Exact


significance dua sisi adalah 0.108, nilai ini berada di luar daerah
kritis, maka terima H0.
7. Kesimpulan : Tingkat keberhasilan pada kelas internasional
sebesar 50%

c. Uji Runs
Uji Runs digunakan untuk mengetahui apakah suatu rangkaian kejadian
merupakan hasil yang acak (random).
1. Ho : p1 = p2 = 0,5
2. H1 : p1 ≠ p2 ≠ 0,5
3. α = 0.05
4. Daerah kritis = Ho diterima jika : X2 hitung ≤ X2 tabel
5. Perhitungan :
SPSS
Tabel 3.4 Descriptive Staistics Data Satu Sampel (1)
Descriptive Statistics

Percentiles

Std. 50th
th
N Mean Deviation Minimum Maximum 25 (Median) 75th

VAR00001 19.080
25 2.73740 13.00 26.00 17.5000 19.0000 20.0000
0

Program Studi Teknik Industri 26


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.5 Output SPSS Uji Runs (1) Data Satu Sampel (1)
Runs Test

VAR00001
a
Test Value 19.00

Cases < Test Value 9

Cases >= Test Value 16

Total Cases 25

Number of Runs 12

Z -.009

Asymp. Sig. (2-tailed) .993

a. Median

Tabel 3.6 Output SPSS Uji Runs (2) Data Satu Sampel (1)

Runs Test 2

VAR00001
a
Test Value 19.00

Cases < Test Value 9

Cases >= Test Value 16

Total Cases 25

Number of Runs 12

Z -.009

Asymp. Sig. (2-tailed) .993

a. Mode

Program Studi Teknik Industri 27


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

 MINITAB
Runs Test: Jumlah
Jumlah

K = 19.0800

The observed number of runs = 6


The expected number of runs = 13.0000
10 Observations above K 15 below
* N Small -- The following approximation may be invalid
The test is significant at 0.0028
6. Keputusan : tolak H0
7. Kesimpulan : keacakan (random) berbeda.

 MANUAL
1. H0 : Barisan bersifat acak
2. H1: Barisan tidak bersifat acak
3. Taraf Keberartian = 0.05
4. Daerah kritis :
5. Perhitungan:
-Perhitungan Manual

Tabel 3.7 Data Uji Satu Sampel Uji Binomial


No. Responden Tanda Runtun No Responden Tanda Runtun
1 2 (+) 1 14 2 (+) 9
2 2 (+) 15 2 (+)
3 1 (-) 2 16 2 (+)
4 2 (+) 3 17 1 (-) 10
5 2 (+) 18 1 (-)
6 2 (+) 19 1 (-)
7 1 (-) 4 20 2 (+) 11
8 1 (-) 21 2 ( +)
9 2 (+) 5 22 2 (+)
10 1 (-) 6 23 2 (+)
11 2 (+) 7 24 2 (+)
12 2 (+) 25 2 (+)
13 1 (-) 8 Jumlah 42
Rata-rata 1.68

Program Studi Teknik Industri 28


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Jadi banyaknya runtun ( run ) = 11

Untuk n1 = tanda ( - ) = 8 dan n2 = tanda ( + ) = 17 Dari output


SPSS dalam uji Run diperoleh nilai r1 = 9 dan r2 = 16

R1 < R < R2

9 < 11 < 16

5. Keputusan : H0 diterima karena r > r1 atau r < r2


6. Kesimpulan : Pada tingkat kepercayaan 95% data yang didapat
bersifat random ( acak )

Tabel 3.8 Perbandingan Uji Runs Output SPSS, Minitab dan Manual

Manual SPSS Minitab


11 0,0028

ANALISIS :
Hasil perhitungan Uji Runs dengan menggunakan output SPSS, Minitab dan
perhitungan manual mempunyai perbedaan nilai yang cukup signifikan.
Perbedaan tersebut dikarenakan aspek yang digunakan sebagai daerah kritis
berbeda-beda. Pada perhitungan manual menggunakan daerah kritis jumlah
runtun kurang dari r1 atau lebih dari r2, sedangkan pada output SPSS dan
Minitab hasil pengujiannya dapat dilihat pada nilai Asymp Sig.nya.
Kesimpulan yang didapat juga berbeda, pada pengujian menggunakan
software SPSS dan Minitab didapatkan kesimpulan bahwa data yang didapat
mempunyai keacakan (random) yang berbeda sedangkan pengujian dengan
menggunakan perhitungan manual didapatkan kesimpulan bahwa pada
tingkat kepercayaan 95% data yang didapat bersifat random ( acak )

Program Studi Teknik Industri 29


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3.1.2 Uji One Sample Kolmogorov-Smirnov Test


a. Data
Tugas Kepala Sekolah memang berat karena dalam merintis kelas
Internasional sungguh tidaklah mudah. Untuk mewujudkan hal tersebut,
Kepala Sekolah meminta para guru menurut bidang ajarnya untuk
mengumpulkan bahan ajar bahasa inggris dan setiap hari melaporkannya
kepada kepala sekolah. Sejauh ini sudah berjalan selama 25 hari.
Tabel 3.9 Data Statistik Non Parametrik Satu Sampel (2)
bahan ajar in English
Pengetahuan
No Matematika Biologi Fisika Kimia Kesenian Umum Total
1 1 4 - 2 2 4 13
2 6 2 3 3 1 4 19
3 2 3 1 4 4 4 18
4 4 1 3 3 3 3 17
5 3 3 2 3 - 5 16
6 3 3 1 2 6 4 19
7 2 3 3 4 3 3 18
8 4 1 3 1 4 2 15
9 3 1 1 8 3 3 19
10 2 3 2 3 6 4 20
11 3 4 1 5 4 4 21
12 6 4 3 3 4 3 23
13 5 3 1 6 1 4 20
14 4 2 3 4 2 2 17
15 6 3 2 7 3 2 23
16 2 3 3 5 3 2 18
17 3 4 2 6 3 1 19
18 4 4 3 6 3 3 19
19 3 2 5 2 6 1 19

Program Studi Teknik Industri 30


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Lanjutan Tabel 3.9 Data Statistik Non Parametrik Satu Sampel (2)

20 1 3 3 3 4 2 16
21 2 2 5 4 5 2 20
22 4 4 4 4 5 1 22
23 2 2 3 3 3 7 20
24 4 5 6 5 3 3 26
25 4 2 3 5 1 5 20
Total 83 71 66 101 82 78 481

b. Pengolahan Data
1. H0 = data mengikuti sebaran distribusi normal
2. H1 = data tidak mengikuti sebaran distribusi normal
3. α = 0.05
4. Daerah Kritis : p > 0.05 H0 diterima, selain itu tolak H0
5. Perhitungan:
 SPSS
Tabel 3.10 Output SPSS Data Satu Sampel (2)

Descriptive Statistics

Percentiles

N Mean Std. Deviation Minimum Maximum 25th 50th (Median) 75th

VAR00001 25 19.0800 2.73740 13.00 26.00 17.5000 19.0000 20.0000

Program Studi Teknik Industri 31


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.11 Output SPSS Uji Kolmogorov Smirnov Data Satu Sampel (2)
One-Sample Kolmogorov-Smirnov Test

VAR00001

N 25

Normal Parametersa Mean 19.0800

Std. Deviation 2.73740

Most Extreme Differences Absolute .168

Positive .168

Negative -.128

Kolmogorov-Smirnov Z .842

Asymp. Sig. (2-tailed) .478

a. Test distribution is Normal.

6. Keputusan: karena p > 0.05, yaitu p= 0.842 maka H0 diterima


7. Kesimpulan: sebaran data pengumpulan bahan ajar mengikuti distribusi
normal.
c. Analisis
Dari hasil perhitungan di dapat nilai p=0.842, karena nilai p>0.05
maka H0 diterima. Uji Kolmogorov-Smirnov digunakan untuk menguji satu
sampel, apakah sampel yang di uji mengikuti sebaran distribusi yang
dihipotesiskan, pada uji KS ini, uji yang dihipotesiskan adalah distribusi
normal. Karena H0 diterima, sehingga sebaran data yang di uji mengikuti
sebaran distribusi normal.

Program Studi Teknik Industri 32


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3.1.3 Uji Chi Square


Uji Chi Square digunakan untuk menguji apakah data yang sedang di uji
mengikuti sebaran distribusi yang dihipotesiskan.
a. Data
Tugas Kepala Sekolah memang berat karena dalam merintis kelas
Internasional sungguh tidaklah mudah. Untuk mewujudkan hal tersebut,
Kepala Sekolah meminta para guru menurut bidang ajarnya untuk
mengumpulkan bahan ajar bahasa inggris dan setiap hari melaporkannya
kepada kepala sekolah. Sejauh ini sudah berjalan selama 25 hari.
Tabel 3.12 Data Uji Satu Sampel Data Ordinal
bahan ajar in English
No M B F Ki Ke PU Total
1 1 4 - 2 2 4 13
2 6 2 3 3 1 4 19
3 2 3 1 4 4 4 18
4 4 1 3 3 3 3 17
5 3 3 2 3 - 5 16
6 3 3 1 2 6 4 19
7 2 3 3 4 3 3 18
8 4 1 3 1 4 2 15
9 3 1 1 8 3 3 19
10 2 3 2 3 6 4 20
11 3 4 1 5 4 4 21
12 6 4 3 3 4 3 23
13 5 3 1 6 1 4 20
14 4 2 3 4 2 2 17
15 6 3 2 7 3 2 23
16 2 3 3 5 3 2 18
17 3 4 2 6 3 1 19
18 4 4 3 6 3 3 19

Program Studi Teknik Industri 33


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Lanjutan Tabel 3.12 Data Uji Satu Sampel Data Ordinal

19 3 2 5 2 6 1 19
20 1 3 3 3 4 2 16
21 2 2 5 4 5 2 20
22 4 4 4 4 5 1 22
23 2 2 3 3 3 7 20
24 4 5 6 5 3 3 26
25 4 2 3 5 1 5 20
Total 83 71 66 101 82 78 481

b. Pengolahan Data
 Manual
1. H0: data mengikuti sebaran distribusi normal.
2. H1: data tidak mengikuti sebaran distribusi normal.
3. α = 0.05
4. Daerah Kritis: terima H0 jika
5. Perhitungan:

Tabel 3.13 Data Uji Satu Sampel, Data Ordinal, Uji Chi Square

Oi Ei oi-ei (oi-ei)^2 (oi-ei)^2/ei


13 1 2.272727 -1.27273 1.619834 0.71272705
15 1 2.272727 -1.27273 1.619834 0.71272705
16 2 2.272727 -0.27273 0.07438 0.03272721
17 2 2.272727 -0.27273 0.07438 0.03272721
18 3 2.272727 0.727273 0.528926 0.23272748
19 6 2.272727 3.727273 13.89256 6.1127289
20 5 2.272727 2.727273 7.438018 3.27272832
21 1 2.272727 -1.27273 1.619834 0.71272705
22 1 2.272727 -1.27273 1.619834 0.71272705
23 2 2.272727 -0.27273 0.07438 0.03272721
26 1 2.272727 -1.27273 1.619834 0.71272705
Total 25 25 3E-06 30.18182 13.2800016

Program Studi Teknik Industri 34


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

6. Keputusan : Terima H0
7. Kesimpulan: Data yang di uji mengikuti sebaran distribusi normal,
karena nilai , yaitu 13.2800016

 SPSS
1. H0: data mengikuti sebaran distribusi normal.
2. H1: data tidak mengikuti sebaran distribusi normal.
3. α = 0.05
4. Daerah Kritis: terima H0 jika
5. Perhitungan:

Tabel 3.14 Output SPSS Uji Satu Sampel Data Ordinal

VAR00001

Observed N Expected N Residual

13 1 2.3 -1.3

15 1 2.3 -1.3

16 2 2.3 -.3

17 2 2.3 -.3

18 3 2.3 .7

19 6 2.3 3.7

20 5 2.3 2.7

21 1 2.3 -1.3

22 1 2.3 -1.3

23 2 2.3 -.3

26 1 2.3 -1.3

Total 25

Program Studi Teknik Industri 35


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.15 Output SPSS Uji Chi Square Satu Sampel Data Ordinal
Test Statistics

VAR00001
a
Chi-Square 13.280

Df 10

Asymp. Sig. .208

a. 11 cells (100.0%)
have expected
frequencies less than
5. The minimum
expected cell
frequency is 2.3

6. Keputusan : Terima H0
7. Kesimpulan: Data yang di uji mengikuti sebaran distribusi normal,
karena nilai , yaitu 13.2800016

Tabel 3.16 Perbandingan ChiSquare Output SPSS dan Manual

Manual SPSS
13.280

c. Analisis
Dari hasil perhitungan dan output dari SPSS, didapatkan nilai
=13.280, dari nilai tersebut disimpulkan bahwa data yang sedang di uji
mengikuti sebaran distribusi normal. Jika nilai hitung < tabel maka H0
diterima, dan distribusi yang dihipotesiskan diterima.

Program Studi Teknik Industri 36


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3.2 Non Parametrik Dua Sampel


3.2.1 Saling Berhubungan
3.2.1.1 Uji Tanda dan Uji Wilcoxon
a. Data
Kepala Sekolah setelah mengetahui jawaban dari siswa-
siswinya, kepala sekolah menghubungi wali kelas untuk merancang
bentuk kegiatan belajar siswa yang baru yaitu pembentukan
kelompok belajar. Setelah beberapa minggu kepala sekolah mengecek
hasil nilai ulangan siswa-siswinya kembali, untuk mengetahui apakah
ada pengaruh konsep pembentukan kelompok belajar.

Tabel 3.17 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (1)

Siswa/Siswi Kelompok Sendiri


1 60 70
2 65 75
3 65 60
4 60 60
5 60 75
6 70 75
7 75 80
8 75 75
9 70 80
10 70 70
11 75 75
12 70 65
13 75 80
14 70 70
15 65 70
16 70 70
17 80 80
18 65 67
19 65 70
20 70 70
21 85 80

Program Studi Teknik Industri 37


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Lanjutan Tabel 3.17 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (1)

22 80 80
23 75 80
24 70 75
25 80 85

b. Uji Tanda
1. H0 : d = 0 ( tidak ada pengaruh cara belajar terhadap nilai)
2. H1: d ≠ 0 ( ada pengaruh cara belajar terhadap nilai )
3. α = 0,05
4. Daerah kritis : nilai asymp sig < α
5. Perhitungan :

 SPSS
Tabel 3.18 Output Frequencies SPSS Data Dua Sampel Berhubungan (1)

Frequencies
N
sendiri + Negative
3
kelompok Differencesa
Positive
13
Differencesb
Tiesc 9
Total 25
a. sendiri < kelompok
b. sendiri > kelompok
c. sendiri = kelompok

Program Studi Teknik Industri 38


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.19 Output Test Statistics SPSS Data Dua Sampel Saling Berhubungan (1)

Test Statisticsb
sendiri +
kelompok
Exact Sig.
.021a
(2+tailed)
a. Binomial distribution used.
b. Sign Test

6. Keputusan : Terlihat bahwa pada kolom Exact Sig/Exact


significance dua sisi adalah 0.021, nilai ini berada di luar daerah
kritis maka terima H0.
7. Kesimpulan : Dengan tingkat kepercayaan 95% hasil belajar
dengan metode kelompok nilainya tidak jauh berbeda dengan
nilai menggunakan metode belajar sendiri

 MANUAL
1. H0 : p = 0,5
2. H1 : p > 0,5
3. α = 0,05
4. Daerah kritis : α > p
5. Perhitungan :

Program Studi Teknik Industri 39


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.20 Tabel Perhitungan Uji Tanda Data Dua Sampel Saling Berhubungan (1)

Perbedaan Tanda
Siswa/Siswi Kelompok Sendiri
Nilai Perbedaan
1 60 70 10 +
2 65 75 10 +
3 65 60 -5 -
4 60 60 0 0
5 60 75 15 +
6 70 75 5 +
7 75 80 5 +
8 75 75 0 0
9 70 80 10 +
10 70 70 0 0
11 75 75 0 0
12 70 65 -5 -
13 75 80 5 +
14 70 70 0 0
15 65 70 5 +
16 70 70 0 0
17 80 80 0 0
18 65 67 2 +
19 65 70 5 +
20 70 70 0 0
21 85 80 -5 -
22 80 80 0 0
23 75 80 5 +
24 70 75 5 +
25 80 85 5 +

Banyaknya tanda positif, R = 13


Banyaknya tanda negatif, r = 3
Banyaknya observasi yang relevan, n = 13 + 3 = 16

Program Studi Teknik Industri 40


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Fb(x,n,p) = Fb(3;16;0,5) = 0.0106


( dilihat dari tabel distribusi binomial )
6. Keputusan : 0,05 > 0,0106, nilai ini berada di dalam daerah kritis
maka tolak H0.
7. Kesimpulan : Dengan tingkat kepercayaan 95% hasil belajar
dengan menggunakan metode belajar kelompok lebih baik
daripada belajar sendiri.

Tabel 3.21 Perbandingan Uji Tanda Output SPSS dan Manual

Manual SPSS
0,0106

Analisis :
Hasil perhitungan Uji Tanda dengan menggunakan output SPSS
dan perhitungan manual mempunyai perbedaan nilai yang cukup
signifikan. Hal tersebut dikarenakan daerah kritis yang berbeda-beda
pada masing-masing pengujian. Kesimpulan yang didapatkan juga
berbeda yaitu pada perhitungan menggunakan software SPSS bahwa
dengan tingkat kepercayaan 95% hasil belajar dengan metode
kelompok nilainya tidak jauh berbeda dengan nilai menggunakan
metode belajar sendiri. Sedangkan pada perhitungan manual
menghasilkan kesimpulan bahwa dengan tingkat kepercayaan 95%
hasil belajar dengan menggunakan metode belajar kelompok lebih baik
daripada belajar sendiri.

Program Studi Teknik Industri 41


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

c. Uji Wilcoxon
1. H0 : tidak ada perbedaan nilai antara metode belajar sendiri dan
kelompok
2. H1: terdapat perbedaan nilai antara metode belajar sendiri dan
kelompok
3. α = 0,05
4. Daerah kritis : nilai asymp sig < α
5. Perhitungan :

 SPSS
Tabel 3.22 Tabel Output Descriptive Statistics SPSS Data Dua Sampel Saling Berhubungan (1)

Descriptive Statistics
Std.
N Minimum Maximum Mean Deviation
Kelompok 25 60.00 85.00 70.6000 6.66458
Sendiri 25 60.00 85.00 73.4800 6.47508
Valid N
25
(listwise)

Tabel 3.23 Tabel Output Ranks SPSS Data Dua Sampel Saling Berhubungan (1)

Ranks
N Mean Rank Sum of Ranks
a
sendiri – Negative Ranks 3 7.00 21.00
kelompok Positive Ranks 13b
8.85 115.00
Ties 9c
Total 25
a. sendiri < kelompok
b. sendiri > kelompok
c. sendiri = kelompok

Program Studi Teknik Industri 42


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.24 Tabel Output Test Statistics SPSS Data Dua Sampel Saling Berhubungan (1)

Test Statisticsb
sendiri -
kelompok
Z -2.527a
Asymp. Sig. (2-
.012
tailed)
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test

6. Keputusan : Terlihat bahwa pada kolom Asymp. Sig/Asymptotic


significance dua sisi adalah 0.012, nilai ini berada di dalam
daerah kritis, maka tolak H0.
7. Kesimpulan: Terdapat perbedaan nilai antara metode belajar
sendiri dan kelompok.

 MANUAL

1. H0 : tidak ada perbedaan nilai antara metode belajar sendiri dan


kelompok
2. H1 : terdapat perbedaan nilai antara metode belajar sendiri dan
kelompok
3. α = 0,05
4. Perhitungan :

Program Studi Teknik Industri 43


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.25 Tabel Perhitungan Uji Tanda Data Dua Sampe Saling Berhubungan (1)
Harga Peringkat
Perbedaan Mutlak Bertanda
Siswa/Siswi Kelompok Sendiri Peringkat
Nilai
Perbedaan Positif Negatif
1 60 70 10 10 14 +14
2 65 75 10 10 14 +14
3 65 60 -5 5 7 -7
4 60 60 0 (diabaikan) 0
5 60 75 15 15 16 +16
6 70 75 5 5 7 +7
7 75 80 5 5 7 +7
8 75 75 0 (diabaikan) 0
9 70 80 10 10 14 +14
10 70 70 0 (diabaikan) 0
11 75 75 0 (diabaikan) 0
12 70 65 -5 5 7 -7
13 75 80 5 5 7 +7
14 70 70 0 (diabaikan) 0
15 65 70 5 5 7 +7
16 70 70 0 (diabaikan) 0
17 80 80 0 (diabaikan) 0
18 65 67 2 2 1 +1
19 65 70 5 5 7 +7
20 70 70 0 (diabaikan) 0
21 85 80 -5 5 7 -7
22 80 80 0 (diabaikan) 0
23 75 80 5 5 7 +7
24 70 75 5 5 7 +7
25 80 85 5 5 7 +7
JUMLAH +115 -21

5. α = 0,05 dan n (jumlah peringkat) = 16, maka daerah kritisnya


Thitung ≤ 30
6. Thitung = |jumlah angka peringkat bertanda negatif| = 21

Program Studi Teknik Industri 44


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

7. Keputusan :
21 < 30 , maka H0 ditolak
8. Kesimpulan : Terdapat perbedaan nilai antara metode belajar
sendiri dan kelompok

Tabel 3.26 Perbandingan Uji Wilcoxon Output SPSS dan Manual

Manual SPSS
21

Analisis :
Hasil perhitungan Uji Wilcoxon dengan menggunakan output
SPSS dan perhitungan manual mempunyai perbedaan nilai yang sangat
signifikan. Perbedaan tersebut dikarenakan daerah kritisnya berbeda-
beda. Pada perhitungan manual menggunakan daerah kritis T hitung
(jumlah peringkat bertanda negative) lebih dari T tabel, sedangkan
pada output SPSS hasil pengujiannya dapat dilihat pada nilai Asymp
Sig.nya. Tetapi kesimpulan yang didapat sama bahwa terdapat
perbedaan nilai antara metode belajar sendiri dan kelompok.

Program Studi Teknik Industri 45


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3.2.1.2 Uji Mc Nemar


a. Data
Dan Kemudian Kepala Sekolah juga memintai Wali Kelas
untuk menanyakan kepada sswa/i kesan pembelajaran sendiri dan
kelompok. Data dari wali kelas sebagai berikut.
Kesan biasa saja = 0; kesan suka = 1
Tabel 3.27 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (2)
Siswa/Siswi Sendiri Kelompok
1 0 1
2 1 1
3 1 1
4 1 0
5 1 0
6 1 0
7 1 1
8 0 1
9 1 1
10 1 1
11 0 1
12 1 1
13 0 0
14 1 0
15 0 0
16 1 0
17 1 1
18 0 1
19 1 1
20 0 1
21 0 0
22 0 1

Program Studi Teknik Industri 46


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Laanjutan Tabel 3.27 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (2)

23 0 1
24 1 1
25 1 1

b. Pengolahan Data
1.H0 = proporsi pembelajaran sendiri dan berkelompok sama besar
2.H1 = proporsi pembelajaran sendiri dan berkelompok tidak sama
besar.
3.α = 0.05
4. Perhitungan :
 SPSS
Tabel 3.28 Tabel Output Descriptive Statistics SPSS Data Dua Sampel Saling Berhubungan (2)
Descriptive Statistics

Percentiles

N Mean Std. Deviation Minimum Maximum 25th 50th (Median) 75th

sendiri 25 .6000 .50000 .00 1.00 .0000 1.0000 1.0000

kelompok 25 .6800 .47610 .00 1.00 .0000 1.0000 1.0000

Tabel 3.29 Output SPSS Uji Mc Nemar (1) Dua Sampel Saling Berhubungan (2)
sendiri & kelompok

kelompok

sendiri 0 1

0 3 7

1 5 10

Program Studi Teknik Industri 47


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.30 Output SPSS Uji Mc Nemar (2) Dua Sampel Saling Berhubungan (2)
b
Test Statistics

sendiri &
kelompok

N 25
a
Exact Sig. (2-tailed) .774

a. Binomial distribution used.

b. McNemar Test

6. Keputusan : Terima H0 karena Exact Sig. (2-tailed) = 0.774 > α


7. Kesimpulan : Tidak terdapat perubahan pembelajaran secara
berkelompok atau sendiri.

 Manual
1. H0 = proporsi pembelajaran sendiri dan berkelompok sama
besar
2. H1 = proporsi pembelajaran sendiri dan berkelompok tidak sama
besar
3. α = 0.05
4. Daerah Kritis : Z hitung > Z tabel H0 ditolak, selain itu terima
H0
5. Perhitungan:

Z tabel = 1,64
6. Keputusan: karena z hitung < z tabel maka H0 diterima
7. Kesimpulan: Proses pembelajaran berkelompok tidak mengubah
sikap para siswa.

Program Studi Teknik Industri 48


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

c. Analisis
Tabel 3.31 Perbandingan Output SPSS dan Manual Uji Mc Nemar
SPSS MANUAL
Exact Sig. (2-tailed) = 0.774

Tabel diatas merupakan tabel perbandingan perhitungan Uji Mc


Nemar pada Output SPSS dan Manual. Pada output SPSS terlihat nilai
Exact Sig. (2-tailed) sebesar 0.774 menyatakan bahwa H0 diterima.
Sedangkan dengan pengujian secara manual nilai z sebesar 0.58, yang
juga menyatakan bahwa H0 diterima. Penerimaan H0 tersebut
membuktikan bahwa Proses pembelajaran berkelompok tidak
mengubah sikap para siswa.

3.2.2 Tidak Saling Berhubungan


3.2.1.1 Uji Mann Whitney dan Uji Kolmogorov-Smirnov
a. Data
Untuk melihat kualitas sekolah Kepala Sekolah mencoba
membandingkan pencapaian prestasi dengan sekolah sebelah yang
belum ada kelas internasional dalam 7 bulan terakhir ini

Tabel 3.32 Data k =2 Tidak Saling Berhubungan


Sekolah
Bulan TUJUH Lain
1 4 3
2 6 4
3 4 2
4 5 1
5 5 3
6 6 4
7 5 5

Program Studi Teknik Industri 49


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

b. Uji Mann Whitney


1. H0 = Prestasi Sekolah Tujuh = Prestasi Sekolah Lain
2. H1 = Prestasi Sekolah Tujuh > Prestasi Sekolah Tujuh
3. Taraf Nyata = 0,05
4. Wilayah Kritis = P(U) < α
5. Perhitungan :

 SPSS
Tabel 3.33 Output SPSS Uji Mann Whitney (1) Data k =2 Tidak Saling Berhubungan

Ranks

Sekolah N Mean Rank Sum of Ranks


Prest asi Tujuh 7 10,21 71,50
Sekolah lain 7 4,79 33,50
Total 14

Tabel 3.34 Output SPSS Uji Mann Whitney (2) Data k =2 Tidak Saling Berhubungan
Test Statistics(b)

Prestasi
Mann-Whitney U 5,500
Wilcoxon W 33,500
Z -2,489
Asymp. Sig. (2-tailed) ,013
Exact Sig. [2*(1-tailed
Sig.)] ,011(a)

a Not corrected for ties.


b Grouping Variable: Sekolah

6. Keputusan : Tolak H0 karena nilai 0,0064 < 0,05


7. Kesimpulan : Prestasi Sekolah Tujuh > Prestasi Sekolah
Lain

Program Studi Teknik Industri 50


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

 MANUAL
1. H0 = Prestasi Sekolah Tujuh = Prestasi Sekolah Lain
2. H1 = Prestasi Sekolah Tujuh > Prestasi Sekolah Tujuh
3. Taraf Nyata = 0,05
4. Wilayah Kritis = P(U) < α
5. Perhitungan :
Tabel 3.35 Tabel Ranking Data Data k =2 Tidak Saling Berhubungan

No Sekolah Tujuh Sekolah Lain


1 6,5 3,5
2 13,5 6,5
3 6,5 2
4 10,5 1
5 10,5 3,5
6 13,5 6,5
7 10,5 10,5
∑R1=71,5 ∑ R2= 33,5

U = n1n2 +1/2 n1(n1+1)-R1 = 7.7 + ½ 7(7+1)- 71,5= 5,5

U = n1n2 +1/2 n2(n2+1)-R2 = 7.7 + ½ 7(7+1)- 33,5 = 43,5

1
5,5   7  7
z 2  2,428
1
 7  7(7  7  1)
12

P (z ≤ -2,428) = 0,0075

Program Studi Teknik Industri 51
Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

6. Keputusan : Tolak H0 karena nilai 0,0075 < 0,05


7. Kesimpulan : Prestasi Sekolah Tujuh > Prestasi Sekolah Lain

c. Analisis
Tabel 3.36 Perbandingan Nilai P antara Output Software dengan Manual

SPSS Manual
P 0,0064 0,0075

Dari perhitungan manual didapatkan nilai P = 0,0075 sehingga H 0


ditolak karena 0,0075 < 0,05. Jadi, dapat disimpulkan bahwa prestasi
sekolah tujuh lebih banyak daripada prestasi yang diperoleh sekolah lain
yang belum memiliki kelas internasional. Namun terjadi sedikit
perbedaan nilai hasil output SPSS dengan nilai perhitungan manual,
karena mungkin terjadi perbedaan pembulatan pada SPSS dan manual.
Pada akhirnya, nilai hasil output SPSS menghasilkan kesimpulan yang
sama dengan hasil perhitungan manual yaitu prestasi sekolah tujuh lebih
besar daripada sekolah lain dengan nilai P sebesar 0,0064.

c. Uji Kolmogorov-Smirnov Z
1. H0 : 1 = 2
2. H1 : 1   2
3. Taraf Nyata : 0,05
4. Wilayah Kritis : P < 0,05

Program Studi Teknik Industri 52


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

5. Perhitungan :

 SPSS
Tabel 3.37 Output SPSS Frekuensi Data k =2 Tidak Saling Berhubungan

Frequencies

Sekolah N
Prest asi Tujuh 7
Sekolah lain 7
Total 14

Tabel 3.38 Output SPSS Uji Kolmogorov Smirnov-Z Data k =2 Tidak Saling Berhubungan

Test Statisticsa

Prest asi
Most Extreme Absolute ,571
Dif f erences Positiv e ,000
Negativ e -,571
Kolmogorov -Smirnov Z 1,069
Asy mp. Sig. (2-tailed) ,203
a. Grouping Variable: Sekolah

6. Keputusan : Terima H0 karena nilai 0,203 > 0,05


7. Kesimpulan : Rataan prestasi sekolah tujuh sama dengan rataan
prestasi sekolah lain.

Analisis
Pada perhitungan Uji Kolmogorov Smirnov Z dengan menggunakan
SPSS, nilai P diperoleh dari nilai Asymp. Sig. (2-tailed).Dari output
SPSS didapatkan nilai P = 0,203 dan pada uji ini nilai kritis berada pada
P < 0,05. Hasil ini menunjukkan bahwa pada uji ini H0 diterima karena
nilai P tidak memasuki daerah kritis. Dengan nilai P yang lebih besar
daripada 0,05 menunjukkan hasil bahwa nilai rataan prestasi sekolah
tujuh sama dengan rataan prestasi sekolah lain.

Program Studi Teknik Industri 53


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3.2.1.2 Uji Moses, Uji Walt-Wolfowitz Runs, dan Uji Jumlah Rank
a. Data
Untuk melihat kualitas sekolah Kepala Sekolah mencoba
membandingkan pencapaian prestasi dengan sekolah sebelah yang
belum ada kelas internasional dalam 7 bulan terakhir ini

Tabel 3.39 Data k =2 Tidak Saling Berhubungan

Bulan TUJUH Sekolah Lain


1 4 3
2 6 4
3 4 2
4 5 1
5 5 3
6 6 4
7 5 5

b. Uji Moses
1. Ho : s1 - s2 = 0
2. H1 : s1 - s2  0
3.  : 0,05
4. Daerah kritis : P <  = P < 0,05

Program Studi Teknik Industri 54


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

5. Perhitungan :
 SPSS
Tabel 3.40 Output SPSS Uji Moses Tabel 3. Data k =2 Tidak Saling Berhubungan

Test Statisticsa,b

Prest asi
Observ ed Control 8
Group Span Sig. (1-tailed) ,015
Trimmed Control 8
Group Span Sig. (1-tailed) ,500
Outliers Trimmed f rom each End
1

a. Moses Test
b. Grouping Variable: Sekolah

6. Keputusan :
Terima H0, karena berdasarkan nilai probabilitas, P >  = 0,5 >
0,05
7. Kesimpulan: selisih antara standar deviasi prestasi sekolah tujuh
dan prestasi sekolah lain sama.
Analisis
Dari perhitungan manual didapatkan nilai P = 0,5 sehingga H 0
diterima karena P >  = 0,5 > 0,05. Nilai P diperoleh dari nilai
Group Span Sig. (1-tailed) yang berada pada output SPSS hasil Uji
Moses. Hasil ini menunjukkan bahwa selisih antara standar deviasi
prestasi sekolah tujuh sama dengan selisih standar deviasi prestasi
sekolah lain.

Program Studi Teknik Industri 55


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

c. Uji Walt-Wolfowitz Runs


 SPSS
1. H0 : Prestasi Sekolah Tujuh berasal dari populasi yang
identik dengan sekolah lainnya.
2. H1 : Prestasi Sekolah Tujuh tidak berasal dari populasi yang
identik dengan sekolah lainnya.
3. Taraf Nyata : 0,05
4. Wilayah Kritis : Zhitung<-Z0,025 dan Zhitung>Z0,025 atau Zhitung<-
1,96 dan Zhitung>1,96
5. Perhitungan :

Tabel 3. 41 Frekuensi Data k =2 Tidak Saling Berhubungan

Frequencies

Sekolah N
Prest asi Tujuh 7
Sekolah lain 7
Total 14

Tabel 3.42 Output SPSS Uji Wald Wolfowitz Data k =2 Tidak Saling Berhubungan

Test Statisticsb,c

Number Exact Sig.


of Runs Z (1-tailed)
Prest asi Minimum Possible 4a -1,947 ,025
Maximum Possible 8a ,000 ,617
a. There are 2 inter-group ties inv olv ing 8 cases.
b. Wald-Wolf owitz Test
c. Grouping Variable: Sekolah

6. Keputusan : Terima H0 karena nilai -1,947 > -1,96 dan


0,000 > -1,96
7. Kesimpulan : Prestasi sekolah tujuh berasal dari populasi
yang identik dengan prestasi sekolah lain.

Program Studi Teknik Industri 56


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Analisis
Pada perhitungan Uji Walt Wolfowitz Runs dengan
menggunakan SPSS, nilai Z diperoleh dari nilai Z maximum
possible dan Z minimum posible.Dari outpust SPSS didapatkan
nilai Z maksimum sebesar -1,947 dan Z minimum sebesar 0,00
sedangkan pada uji ini nilai kritis berada pada Zhitung<-1,96 dan
Zhitung>1,96. Hasil ini menunjukkan bahwa pada uji ini H0
diterima karena nilai Z tidak memasuki daerah kritis karena nilai
Z yang dihasilkan lebih kecil daripada 1,96 dan lebih besar
daripada -1,96. Dari hasil output SPSS yang diperoleh, hal ini
menunjukkan bahwa prestasi sekolah tujuh berasal dari populasi
yang identik dengan prestasi sekolah lain.
d. Uji Jumlah Rank
 MANUAL
1. H0 = 1  2
2. H1 = 1  2
3. Taraf Nyata = 0,05

4. Wilayah Kritis = u < 8 (Tabel L.17)


Program Studi Teknik Industri 57


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

5. Perhitungan :
Tabel 3.43 Rank Uji Jumlah Rank Data k =2 Tidak Saling Berhubungan
No Sekolah Tujuh Sekolah Lain
1 6,5 3,5
2 13,5 6,5
3 6,5 2
4 10,5 1
5 10,5 3,5
6 13,5 6,5
7 10,5 10,5
∑R1=71,5 ∑ R2= 33,5
∑R1=71,5

∑ R2= 33,5

Jadi,

78
u1  71,5    43,5
 2 

78
u 2  33,5    5,5
  2 

sehingga u = 5,5

6. Keputusan : Tolak H0 karena nilai 5,5 < 8
7. Kesimpulan : Prestasi Sekolah Tujuh > Prestasi Sekolah Lain

Program Studi Teknik Industri 58


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Analisis
Dari perhitungan manual didapatkan nilai u = 5,5 sehingga H0
ditolak karena 5,5 < 8. Hasil ini menyatakan bahwa nilai rataan
prestasi sekolah tujuh berbeda dengan rataan prestasi sekolah
lainnya. Jadi, dapat disimpulkan bahwa prestasi sekolah tujuh lebih
banyak daripada prestasi yang diperoleh sekolah lain yang belum
memiliki kelas internasional.

3.3 Non Parametrik Lebih Dari Dua Sampel


3.2.1 Saling Berhubungan
3.2.1.1 Uji Friedman dan Uji Kendall W
a. Data
Setiap bahan ajar tak pernah lupa untuk disebarkan kepada para
siswa dan siswinya yang ada di bangku kelas Internasional. Pada
SMA Judika sebenarnya tidak hanya kelas internasional saja namun
juga terdapat kelas percepatan dan kelas reguler. Setiap bulan Kepala
Sekolah meminta wakil kepala sekolah bagian akademik untuk
menilai tingkat kesuksesan pencapaian akademis dari ketiga jenis
kelas disekolahnya, apakah terdapat perbedaan yang yang jelas.
Tabel 3.44 Data Statistik Non Parametrik k>2 Saling Berhubungan
Bulan Reguler Eksel Internasional
1 70 80 70
2 71 85 80
3 70 84 85
4 70 80 80
5 75 82 81
6 75 80 80
7 80 89 87

Program Studi Teknik Industri 59


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Lanjutan Tabel 3.44 Data Statistik Non Parametrik k>2 Saling Berhubungan
8 75 80 81
9 75 88 79
10 78 87 75
11 86 90 80
12 75 91 85

b. Uji Friedman
1. H0 : Ketiga jenis kelas mempunyai tingkat kesuksesan yang sama
2. H1: Sekurang-kurangnya salah satu kelas memiliki tingkat
kesuksesan yang lebih besar.
3. Daerah kritis : nilai asymp sig < 0.05
 SPSS
Friedman Test
Tabel 3.45 Output SPSS Statistik Non Parametrik k>2 Saling Berhubungan
Ranks

Mean Rank

Reguler 1.21

Eksel 2.75

Internasional 2.04

Program Studi Teknik Industri 60


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Tabel 3.46 Output SPSS Uji Friedman Statistik Non Parametrik k>2 Saling Berhubungan
Test Statisticsa

N 12

Chi-Square 15.244

Df 2

Asymp. Sig. .000

a. Friedman Test

 MINITAB

Friedman Test: C1 versus C2 blocked by C3

S = 14.29 DF = 2 P = 0.001
S = 15.24 DF = 2 P = 0.000 (adjusted for ties)

Sum
of
C2 N Est Median Ranks
1 12 75.000 14.5
2 12 84.500 33.0
3 12 81.000 24.5

Grand median = 80.167

4. Keputusan : Terlihat bahwa pada kolom Asymp. Sig/Asymptotic


significance dua sisi adalah 0.000, dan nilai P < α, s
nilai ini berada pada daerah kritis, maka tolak H0.
5. Kesimpulan : Terdapat sekurang-kurangnya salah satu kelas
memiliki tingkat kesuksesan yang besar lebih
besar.

 MANUAL
1. H0 : ketiga jenis kelas mempengaruhi penilaian
2. H1 : Tidak semua jenis kelas mempengaruhi penilaian
3. α v=2
2
Daerah Kritis r > 9.348

Program Studi Teknik Industri 61


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

4. Perhitungan :
Tabel 3.47 Rank Data k > 2 Saling Berhubungan
Bulan Reguler Eksel Internasional
1 1.5 3 1.5
2 1 3 2
3 1 2 3
4 1 2.5 2.5
5 1 3 2
6 1 2.5 2.5
7 1 3 2
8 1 2 3
9 1 3 2
10 2 3 1
11 2 3 1
12 1 3 2

2
r=

= ( 14.52 + 332 + 24.52) – 3(12)(4)

= -95.295
2
5. Keputusan : r < 9.348, tidak berada didaerah kritis, maka
terima H0
6. Kesimpulan : Semua jenis kelas mempengaruhi penilaian

Program Studi Teknik Industri 62


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

c. Uji Kendall W
1. H0 : Tidak ada keselarasan diantara kesuksesan pencapaian
akademis dari ketiga jenis.
2. H1: Ada keselarasan diantara kesuksesan pencapaian akademis
dari ketiga jenis..
3. Daerah kritis : nilai asymp sig < 0.05
 SPSS
Kendall's W Test
Tabel 3.48 Output SPSS Statistik Non Parametrik k>2 Saling Berhubungan
Ranks

Mean Rank

Reguler 1.21

Eksel 2.75

Internasional 2.04

Tabel 3.49 Output SPSS Uji Kendall W Statistik Non Parametrik k>2 Saling Berhubungan

Test Statistics

N 12

Kendall's W a .635

Chi-Square 15.244

df 2

Asymp. Sig. .000

a. Kendall's Coefficient of
Concordance

4. Keputusan : Terlihat bahwa pada kolom Asymp. Sig/Asymptotic


significance dua sisi adalah 0.000, nilai ini berada pada daerah
kritis, maka tolak H0.

Program Studi Teknik Industri 63


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

5. Kesimpulan : Ada keselarasan diantara kesuksesan pencapaian


akademis dari ketiga jenis.
c. Analisis
Tabel 3.50 Perbandingan Output Software dan Manual Uji Friedman
Uji SPSS MINITAB MANUAL
Friedman Asymp. Sig. 0.000 P = 0.001 2
r = -95.295
Tabel di atas merupakan tabel perbandingan output MINITAB,
SPSS, dan Manual pada Uji Friedman. Dari tabel tersebut terlihat
bahwa nilai asymsig pada kedua uji memiliki nilai yang sama, yakni
0.000. Sedangkan nilai p MINITAB hanya ada pada uji Friedman.
Nilai p sebesar 0.001 ,membuktikan bahwa peluang nilainya ialah
2
0.001. Sedangkan melalui perhitungan manual, nilai r yang didapat
melalui Uji friedman adalah sebesar -95.295, nilai ini berarti bahwa
Semua jenis kelas mempengaruhi penilaian suatu sekolah.
3.2.1.2 Uji Cochran Q
a. Data
Fasilitas sekolah secara umum ruang belajar, lab, dan lapangan
olahraga. Hal ersebut juga menjadi perhatian Kepala Sekolah.
Kepala Sekolah meminta wakil Kepala Sekolah bagian fasilitas
sekolah untuk yang diberikan telah sesuai harapan. Berikut data yang
diperoleh:
Tabel 3.51 Data k>2 Saling Berhubungan (Cochran)
Ruang Fasilitas
Lab
Siswa/i Belajar Olahraga
1 1 0 1
2 1 0 1
3 0 0 1
4 1 0 1
5 1 0 1
6 1 1 1
7 0 1 0

Program Studi Teknik Industri 64


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

Lanjutan Tabel 3.51 Data k>2 Saling Berhubungan (Cochran)

8 0 0 1
9 1 1 1
10 1 1 1
11 0 1 1
12 0 0 1
13 0 0 1
14 0 1 1
15 1 1 1
16 0 1 1
17 1 1 0
18 1 0 1
19 1 0 0
20 1 1 0
21 1 1 0
22 1 0 1
23 0 0 1
24 0 1 1
25 1 1 1

b. Pengolahan Data
1. H0 : Semua fasilitas sekolah menunjang tingkat penilaian
2. H1: Tidak semua fasilitas sekolah menunjang tingkat penilaian
3. Daerah kritis : nilai asymp sig < 0.05

Program Studi Teknik Industri 65


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

 SPSS
Cochran Test
Tabel 3.52 Output SPSS Frekuensi Data k>2 Saling Berhubungan (Cochran)
Frequencies

Value

0 1

Lab 10 15

Ruang_Belajar 12 13

Fasilitas_Olahraga 5 20

Tabel 3.53 Output SPSS Uji Cochran Data k>2 Saling Berhubungan (Cochran)
Test Statistics

N 25
a
Cochran's Q 3.900

Df 2

Asymp. Sig. .142

a. 1 is treated as a success.
4. Keputusan : Terlihat bahwa pada kolom Asymp. Sig/Asymptotic
significance dua sisi adalah 0.142, nilai ini tidak
berada pada daerah kritis, maka terima H0.
5. Kesimpulan : Semua fasilitas sekolah manunjang tingkat
penilaian.

 MANUAL
1. H0 : Semua fasilitas menunjang tingkat penilaian
2. H1 : Tidak semua fasilitas sekolah menunjang tingkat penilaian
3. α = 0,0
4. Daerah Kritis : t ≥ X2α(k-1)

t ≥ X20,05(2)

t ≥ 5,991

Program Studi Teknik Industri 66


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

5. Perhitungan :

V = c-1 = 3-1 = 2

6. Keputusan : 3,9 < 5,991; H0 diterima

7. Kesimpulan : Semua fasilitas menunjang tingkat penilaian

c. Analisis
Tabel 3.54 Perbandingan Uji Cochran Hasil Output SPSS dan Manual
SPSS Manual
Asymp. Sig. 0.142 T=

Berdasarkan tabel diatas terlihat nilai Asymp. Sig.output SPSS


sebesar 0.142 karena nilai ini tidak berada pada daerah kritis, maka
H0 diterima. Sedangkan pada perhitungan manual, didapat nilai T
sebesar 3,9, nilai ini juga tidak berada pada daerah kritis, sehingga
H0 diterima. Dari kedua uji ini dapat ditarik kesimpulan bahwa
Semua fasilitas menunjang tingkat penilaian

Program Studi Teknik Industri 67


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

3.2.2 Tidak Saling Berhubungan


3.2.1.1 Uji Kruskal Wallis

a. Data
Kemudian Kepala Sekolah juga mendapat data 5 bulan
terakhir dari luar (informasi tidak disebutkan) mengenai penilaian
hasil dari 3 bentuk fasilitas diandingkan dengan dua sekolah
internasional terdekat.

Tabel 3.55 Data k > 2 Tidak Saling Berhubungan

Bulan TUJUH Strada Ranger


1 80 90 97
2 87 85 98
3 80 80 90
4 70 90 90
5 85 95 95

b. Pengolahan Data
1. H0 : μ1 = μ2 = μ3
2. H1 : Menunjukkan perbedaan fasilitas
3. Taraf nyata α : 0,05
4. Daerah Kritis : H > X2α(k-1)
H > 5,991

Program Studi Teknik Industri 68


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

5. Perhitungan :

 SPSS
Tabel 3.56 Rank Data k > 2 Tidak Berhubungan

Ranks

sekolah N Mean Rank


f asilitas Strada 5 3,90
Tujuh 5 8,00
Ranger 5 12,10
Total 15

Tabel 3.57 Output SPSS Uji Kruskal Wallis

Test Statisticsa,b

f asilitas
Chi-Square 8,652
df 2
Asy mp. Sig. ,013
a. Kruskal Wallis Test
b. Grouping Variable: sekolah

 MINITAB
Kruskal-Wallis Test on fasilitas

sekolah N Median Ave Rank Z


1 5 80,00 3,9 -2,51
2 5 90,00 8,0 0,00
3 5 95,00 12,1 2,51
Overall 15 8,0

H = 8,41 DF = 2 P = 0,015
H = 8,65 DF = 2 P = 0,013 (adjusted for ties)
6. Keputusan : 8,41 > 5,991 ; H0 ditolak
7. Kesimpulan : Menunjukkan perbedaan fasilitas

Program Studi Teknik Industri 69


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

 MANUAL
1. H0 : μ1 = μ2 = μ3
2. H1 : Menunjukkan perbedaan fasilitas
3. Taraf nyata α : 0,05
4. Daerah Kritis :
H > X2α(k-1)
H > 5,991
5. Perhitungan :

Tabel 3.58 Rank Data k > 2 Tidak Berhubungan Data k > 2 Tidak Berhubungan
Sekolah
No Sekolah Strada Sekolah Ranger
Tujuh
1 3 9,5 14
2 7 5,5 15
3 3 3 9,5
4 1 9,5 9,5
5 5,5 12,5 12,5
∑ 19,5 40 60,5

12 19,52 40 2 60,52 
H=     316
1516 5 5 5 

6. Keputusan : 8,405 > 5,991 ; H0 ditolak


 7. Kesimpulan : Menunjukkan perbedaan fasilitas

Program Studi Teknik Industri 70


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

c. Analisis

Tabel 3.59 Perbandingan Nilai H antara Output Software dengan Manual


Data k > 2 Tidak Berhubungan

SPSS Minitab Manual


H 8,652 8,41 8,405

Dari perhitungan manual, SPSS, dan Minitab telah diketahui bahwa


nilai H menunjukkan H0 ditolak karena nilai H yang diperoleh dari
perhitungan manual adalah 8,405 dan minitab sebesar 8,41 sedangkan
daerah kritisnya adalah H > 5,991. Begitu juga dengan nilai H yang
diperoleh dari output SPSS. Hasil analisis dengan Kruskal Wallis
diperoleh nilai H pada output SPSS sebesar 8,652(lebih besar dari
5,991). Hal ini menunjukkan bahwa ketiga sekolah memiliki fasilitas
yang berbeda-beda. Perbedaan nilai ini muncul disebabkan karena
perbedaan hasil pembulatan antara Minitab dan SPSS.

3.2.1.2 Uji Median


a. Data
Kemudian Kepala Sekolah juga mendapat data 5 bulan
terakhir dari luar (informasi tidak disebutkan) mengenai penilaian
hasil dari 3 bentuk fasilitas diandingkan dengan dua sekolah
internasional terdekat.
Tabel 3.60 Data k > 2 Tidak Berhubungan (Uji Median)

Bulan TUJUH Strada Ranger


1 80 90 97
2 87 85 98
3 80 80 90
4 70 90 90
5 85 95 95

Program Studi Teknik Industri 71


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

b. Pengolahan Data
1. H0 : Ketiga sekolah memiliki median yang sama
2. H1 : Ketiga sekolah tidak memiliki median yang
sama
3. Taraf Nyata : 0,05
4. Wilayah Kritis : P < 0,05
5. Perhitungan :

 SPSS
Median Test

Tabel 3.61 Output SPSS Frekuensi Median Data k > 2 Tidak Berhubungan

Frequencies

Sekolah

TUJUH Strada Ranger

Nilai > Median 0 1 3

<= Median 5 4 2

Tabel 3.62 Output SPSS Uji Median Data k > 2 Tidak Berhubungan

Test Statisticsb

Nilai

N 15

Median 90.0000

Chi-Square 4.773a

df 2

Asymp. Sig. .092

Program Studi Teknik Industri 72


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15

 MINITAB
Mood Median Test: Nilai versus Sekolah

Mood median test for Nilai


Chi-Square = 10.18 DF = 2 P = 0.006

Individual 95.0% CIs


Sekolah N< N>= Median Q3-Q1 ---+---------+---------+---------+---
1 5 0 80.0 11.0 (------------*--------)
2 2 3 90.0 10.0 (-----------*------)
3 0 5 95.0 7.5 (------*--)
---+---------+---------+---------+---
72.0 80.0 88.0 96.0

Overall median = 90.0


* NOTE * Levels with < 6 observations have confidence < 95.0%
6. Keputusan : Terima H0 karena nilai 0,092 > 0,05
7. Kesimpulan : Ketiga sekolah memiliki median yang sama
c. Analisis
Tabel 3.63 Perbandingan Nilai P antara SPSS dan Minitab
Data k > 2 Tidak Berhubungan (Uji Median)

SPSS Minitab
P 0,092 0,006

Dari perhitungan SPSS dan Minitab telah diketahui bahwa nilai H


menunjukkan H0 diterima karena nilai P yang diperoleh dari output
SPSS adalah 0,092 sedangkan daerah kritisnya adalah P < 0,05. Hasil
analisis dengan uji Median diperoleh nilai P diperoleh dari nilai Asymp.
Sig pada SPSS. Hal ini menunjukkan bahwa ketiga sekolah memiliki
median yang sama.

Program Studi Teknik Industri 73


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15

BAB IV

PENUTUP

4.1 Kesimpulan
Dari praktikum yang sudah dilaksanakan dapat diambil beberapa kesimpulan yaitu :

1. Statistika nonparametrik (metode bebas-distribusi) merupakan pengujian


statistik untuk data yang parameter dari populasinya tidak mengikuti suatu
distribusi tertentu atau memiliki distribusi yang bebas dari persyaratan dan
variansinya tidak perlu homogen.
2. Uji statistik nonparametrik ialah suatu uji statistik yang tidak memerlukan
adanya asumsi-asumsi mengenai sebaran data populasinya (belum diketahui
sebaran datanya dan tidak berdistribusi normal). Statistik nonparametrik
digunakan ketika data tidak memenuhi asumsi klasik.
3. Statistik nonparametrik digunakan untuk mengolah data-data yang bersifat
tidak normal (tidak berdistribusi normal) sehingga tidak diperlukan uji
kenormalan. Data yang digunakan bisa berupa data nominal untuk uji
Cochran dan uji Mc Nemar, serta minimal data ordinal (bisa ordinal,
interval, dan rasio) untuk uji lainnya. Biasanya sampel yang diambil untuk
uji-uji pada statistik nonparametrik hanya sedikit, agar tidak memenuhi
asumsi normal. Uji statistik nonparametrik banyak sekali jenisnya dan
memiliki penggunaan yang berbeda, ada yang dapat digunakan pada data
independen (saling bebas) untuk dua atau lebih variabel atau pada data yang
berhubungan (dependen) untuk dua atau lebih variabel.
4. Untuk mengolah data satu sampel, pengujian dapat dilakukan dengan cara
Uji Binomial, Uji Runs, Uji Kolmogorov-Smirnov, dan Uji Chi-Square
5. Dalam mengolah statistik nonparametrik independen k=2, digunakan Uji
Mann Whitney, Uji Kolmogorov Smirnov Z, Uji Moses, dan Uji Wald
Wolfowitz. Sedangkan pada statistik nonparametrik independen k>2,
digunakan Uji Kruskal Wallis dan Uji Median.

Program Studi Teknik Industri 74


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15

6. Dalam mengolah statistik nonparametrik dependen k=2, digunakan Uji


Wilcoxon, Uji Tanda, dan Uji Mc Nemar. Sedangkan pada statistik
nonparametrik dependen k>2 , digunakan Uji Cochran dan Uji Friedman.
7. Hasil praktikum yang didapatkan :
Tabel 4.1 Hasil Uji Statistik Nonparametrik
Jenis Uji Keterangan Nilai Keputusan Kesimpulan
Tingkat
Terima H0 karena keberhasilan
Uji Binomial Satu Sampel 0,108 nilai 0,108 > pada kelas
0,05 internasional
sebesar 50%
Terima H0 karena Data dapat
Uji Runs Satu Sampel 11
9 < 11 < 16 bersifat random.
Sebaran data
Uji pengumpulan
Terima H0 karena
Kolmogorov Satu Sampel 0,842 bahan ajar
nilai 0,842 > 0,05
Smirnov mengikuti
distribusi normal.
Terima H0 karena Data mengikuti
Uji Chi-
Satu Sampel 13,280 nilai 13,280 < sebaran distribusi
Square
36,415 normal.
Hasil belajar
dengan metode
kelompok
nilainya tidak
Terima H0 karena jauh berbeda
Uji Tanda Dependen k=2 0,0021 nilai 0,0021 < dengan nilai
0,05 menggunakan
metode belajar
sendiri.

Tidak ada
perbedaan nilai
Terima H0 karena
Uji Wilcoxon Dependen k=2 115 antara metode
nilai 115 > 30
belajar sendiri
dan kelompok
Tidak terdapat
perubahan
pembelajaran
secara
Tolak H0 karena
Uji Mc Nemar Dependen k=2 0,774
nilai 0,774 > 0,05
berkelompok
atau sendiri.

Program Studi Teknik Industri 75


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15

Lanjutan Tabel 4.1 Hasil Uji Statistik Nonparametrik


Prestasi sekolah
tujuh lebih
Tolak H0 karena banyak
Uji Mann-
Independen k=2 0,0075 nilai 0,0075 < daripada
Whitney
0,05 prestasi yang
diperoleh
sekolah lain

Rataan
prestasi
sekolah tujuh
Uji
Terima H0 karena sama dengan
Kolmogorov- Independen k=2 0,203
nilai 0,203 > 0,05 rataan prestasi
Smirnov Z
sekolah lain.

Selisih antara
standar deviasi
prestasi
Terima H0 karena
Uji Moses Independen k=2 0,5
nilai 0,5 > 0,05
sekolah tujuh
dan prestasi
sekolah lain
sama
Prestasi sekolah
Terima H0 tujuh berasal
Uji Wald
-1,947 karena nilai dari populasi
Wolfowitz Independen k=2
0,00 -1,947 > -1,96 yang identik
Runs
dan 0,00 > -1,96 dengan prestasi
sekolah lain.
Prestasi sekolah
tujuh lebih
Uji Jumlah Tolak H0 karena banyak daripada
Independen k=2 5,5
Rank nilai 5,5 < 8 prestasi yang
diperoleh
sekolah lain
Semua jenis
Terima H0 kelas
Uji Friedman Dependen k>2 -95,295 karena nilai - mempengaruhi
95,295 < 9,348 penilaian.

Program Studi Teknik Industri 76


Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15

Lanjutan Tabel 4.1 Hasil Uji Statistik Nonparametrik


Ada keselarasan
diantara
Tolak H0 karena kesuksesan
Uji Kendall W Dependen k>2 0,00
nilai 0,00 < 0,05 pencapaian
akademis dari
ketiga jenis.
Semua fasilitas
Terima H0
sekolah
Uji Cochran Q Dependen k>2 0,142 karena nilai
menunjang
0,142 > 0,05
tingkat penilaian.
Menunjukkan
Tolak H0 karena
Uji Kruskal perbedaan
Independen k>2 8,41 nilai 8,41 >
Wallis fasilitas
5,991
Ketiga merk
Tolak H0 karena tidak memiliki
Uji Median Independen k>2 0,002
nilai 0,002 < 0,05 median yang
sama

4.2 Saran

Beberapa hal yang dapat kami sarankan antara lain :

1. Sebaiknya praktikan lebih memperbanyak referensi dalam mengerjakan laporan


praktikum modul ini.

2. Sebaiknya asisten dan praktikan memahami betul konsep mengenai statistik


nonparametrik agar tidak terjadi kesalahan dalam pengolahan data.

3. Seharusnya praktikan dapat mempelajari betul langkah-langkah dalam


menggunakan software, baik SPSS maupun Minitab agar output yang dihasilkan
tepat.

4. Sebaiknya praktikan lebih mendalami hasil dari praktikum ini, menganalisis


dengan baik sehingga dapat diaplikasikan dalam kehidupan.

Program Studi Teknik Industri 77


Universitas Diponegoro