Laporan Praktikum Statistika Industri

Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 1
Universitas Diponegoro

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.




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


Program Studi Teknik Industri 2
Universitas Diponegoro

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


Program Studi Teknik Industri 3
Universitas Diponegoro

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















Gambar 1.1 Flowchart Praktikum Modul 3 Statistik Non Parametrik





Studi Pustaka
Pengolahan Data
Identifikasi Masalah

Pengambilan Data

Penentuan Jenis Data

Analisis
Kesimpulan dan Saran
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 4
Universitas Diponegoro

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.











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


Program Studi Teknik Industri 5
Universitas Diponegoro

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),
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 6
Universitas Diponegoro

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


Program Studi Teknik Industri 7
Universitas Diponegoro

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


Program Studi Teknik Industri 8
Universitas Diponegoro

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


Program Studi Teknik Industri 9
Universitas Diponegoro

(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)


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


Program Studi Teknik Industri 10
Universitas Diponegoro

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)


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


Program Studi Teknik Industri 11
Universitas Diponegoro

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


Program Studi Teknik Industri 12
Universitas Diponegoro

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


Program Studi Teknik Industri 13
Universitas Diponegoro

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


Program Studi Teknik Industri 14
Universitas Diponegoro

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


Program Studi Teknik Industri 15
Universitas Diponegoro

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)


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


Program Studi Teknik Industri 16
Universitas Diponegoro

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.

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


Program Studi Teknik Industri 17
Universitas Diponegoro

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 :
H
o
:  = 
o

H
1
:

  
o
Kita akan menolak H
o
dan menerima H
1
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 H
o
dan menerima H
1
.
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 18
Universitas Diponegoro

Untuk menguji hipotesa :
H
o
:  = 
o

H
1
:   
o

Kita akan menolak H
o
dan menerima H
1
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 H
o
dan menerima H
1
.
Untuk menguji hipotesa :
H
o
:  = 
o

H
1
:

  
o

Kita akan menolak H
o
dan menerima H
1
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 H
o
dan menerima H
1
. 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
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 19
Universitas Diponegoro

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
ji H
o

Tandin
gan H
1
Hitung

 = 
o

  
o
  
o

  
o

w
+
w
-

w


1
= 
2


1
 
2

1


2

1


2

w
+
w
-

w

Uji rang tanda dapat pula digunakan untuk menguji hipotesis nol bahwa 
1
- 
2
= b
0
.
Dalam kasus ini tidak perlu setangkup. Seperti pada uji tanda tiap selisih kita kurangi
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 20
Universitas Diponegoro

dengan b
o
, 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)
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 21
Universitas Diponegoro


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


Program Studi Teknik Industri 22
Universitas Diponegoro


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


Program Studi Teknik Industri 23
Universitas Diponegoro

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.

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


Program Studi Teknik Industri 24
Universitas Diponegoro

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)
No
Jawaban
(1 = Bagus ; 2 =
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
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 25
Universitas Diponegoro

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. H
0
: µ
1
=

µ
2

2. H
1
: µ
1


µ
2

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 1.32
a

Std. Deviation .476
Minimum 1
Maximum 2
Sum 33
Percentiles 25 .
b,c

50 1.32
75 1.82
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 26
Universitas Diponegoro

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

Category N
Observed
Prop. Test Prop.
Exact Sig. (2-
tailed)
VAR0000
1
Group 1 1 17 .68 .50 .108
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 H
0.

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 : X
2
hitung ≤ X
2
tabel
5. Perhitungan :
SPSS
Tabel 3.4 Descriptive Staistics Data Satu Sampel (1)
Descriptive Statistics

N Mean
Std.
Deviation Minimum Maximum
Percentiles

25
th

50th
(Median) 75
th

VAR00001
25
19.080
0
2.73740 13.00 26.00 17.5000 19.0000 20.0000
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 27
Universitas Diponegoro

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

VAR00001
Test Value
a
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
Test Value
a
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








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


Program Studi Teknik Industri 28
Universitas Diponegoro

- 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 H
0

7. Kesimpulan : keacakan (random) berbeda.

- MANUAL
1. H
0
: Barisan bersifat acak
2. H
1
: 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
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 29
Universitas Diponegoro

Jadi banyaknya runtun ( run ) = 11
Untuk n1 = tanda ( - ) = 8 dan n2 = tanda ( + ) = 17 Dari output
SPSS dalam uji Run diperoleh nilai r
1
= 9 dan r
2
= 16
R1 < R < R2
9 < 11 < 16
5. Keputusan : H
0
diterima karena r > r
1
atau r < r
2

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 )

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


Program Studi Teknik Industri 30
Universitas Diponegoro

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

No Matematika Biologi Fisika Kimia Kesenian
Pengetahuan
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
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 31
Universitas Diponegoro

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. H
0
= data mengikuti sebaran distribusi normal
2. H
1
= data tidak mengikuti sebaran distribusi normal
3. α = 0.05
4. Daerah Kritis : p > 0.05 H
0
diterima, selain itu tolak H
0

5. Perhitungan:
- SPSS
Tabel 3.10 Output SPSS Data Satu Sampel (2)

Descriptive Statistics

N Mean Std. Deviation Minimum Maximum
Percentiles

25th 50th (Median) 75th
VAR00001 25 19.0800 2.73740 13.00 26.00 17.5000 19.0000 20.0000








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


Program Studi Teknik Industri 32
Universitas Diponegoro

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

VAR00001
N 25
Normal Parameters
a
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 H
0
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 H
0
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 H
0
diterima, sehingga sebaran data yang di uji mengikuti
sebaran distribusi normal.






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


Program Studi Teknik Industri 33
Universitas Diponegoro

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


Program Studi Teknik Industri 34
Universitas Diponegoro

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. H
0
: data mengikuti sebaran distribusi normal.
2. H
1
: data tidak mengikuti sebaran distribusi normal.
3. α = 0.05
4. Daerah Kritis: terima H
0
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

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


Program Studi Teknik Industri 35
Universitas Diponegoro

6. Keputusan : Terima H
0

7. Kesimpulan: Data yang di uji mengikuti sebaran distribusi normal,
karena nilai

, yaitu 13.2800016

- SPSS
1. H
0
: data mengikuti sebaran distribusi normal.
2. H
1
: data tidak mengikuti sebaran distribusi normal.
3. α = 0.05
4. Daerah Kritis: terima H
0
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








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


Program Studi Teknik Industri 36
Universitas Diponegoro

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

VAR00001
Chi-Square 13.280
a

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 H
0

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 H
0

diterima, dan distribusi yang dihipotesiskan diterima.





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


Program Studi Teknik Industri 37
Universitas Diponegoro

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

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


Program Studi Teknik Industri 38
Universitas Diponegoro

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. H
0
: d = 0 ( tidak ada pengaruh cara belajar terhadap nilai)
2. H
1
: 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 +
kelompok
Negative
Differences
a

3
Positive
Differences
b

13
Ties
c
9
Total 25
a. sendiri < kelompok
b. sendiri > kelompok
c. sendiri = kelompok





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


Program Studi Teknik Industri 39
Universitas Diponegoro

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

sendiri +
kelompok
Exact Sig.
(2+tailed)
.021
a

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 H
0.

7. Kesimpulan : Dengan tingkat kepercayaan 95% hasil belajar
dengan metode kelompok nilainya tidak jauh berbeda dengan
nilai menggunakan metode belajar sendiri

- MANUAL
1. H
0
: p = 0,5
2. H
1
: p > 0,5
3. α = 0,05
4. Daerah kritis : α > p
5. Perhitungan :








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


Program Studi Teknik Industri 40
Universitas Diponegoro

Tabel 3.20 Tabel Perhitungan Uji Tanda Data Dua Sampel Saling Berhubungan (1)
Siswa/Siswi Kelompok Sendiri
Perbedaan
Nilai
Tanda
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


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


Program Studi Teknik Industri 41
Universitas Diponegoro

F
b
(x,n,p) = F
b
(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 H
0.

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.





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


Program Studi Teknik Industri 42
Universitas Diponegoro

c. Uji Wilcoxon
1. H
0
: tidak ada perbedaan nilai antara metode belajar sendiri dan
kelompok
2. H
1
: 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

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


Tabel 3.23 Tabel Output Ranks SPSS Data Dua Sampel Saling Berhubungan (1)
Ranks
N Mean Rank Sum of Ranks
sendiri –
kelompok
Negative Ranks 3
a
7.00 21.00
Positive Ranks 13
b
8.85 115.00
Ties 9
c

Total 25
a. sendiri < kelompok
b. sendiri > kelompok
c. sendiri = kelompok


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


Program Studi Teknik Industri 43
Universitas Diponegoro

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

sendiri -
kelompok
Z -2.527
a

Asymp. Sig. (2-
tailed)
.012
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 H
0.

7. Kesimpulan: Terdapat perbedaan nilai antara metode belajar
sendiri dan kelompok.

- MANUAL

1. H
0
: tidak ada perbedaan nilai antara metode belajar sendiri dan
kelompok
2. H
1
: terdapat perbedaan nilai antara metode belajar sendiri dan
kelompok
3. α = 0,05
4. Perhitungan :






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


Program Studi Teknik Industri 44
Universitas Diponegoro

Tabel 3.25 Tabel Perhitungan Uji Tanda Data Dua Sampe Saling Berhubungan (1)
Siswa/Siswi Kelompok Sendiri
Perbedaan
Nilai
Harga
Mutlak
Peringkat
Peringkat
Bertanda
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
T
hitung
≤ 30
6. T
hitung
= |jumlah angka peringkat bertanda negatif| = 21
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 45
Universitas Diponegoro

7. Keputusan :
21 < 30 , maka H
0
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.










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


Program Studi Teknik Industri 46
Universitas Diponegoro

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


Program Studi Teknik Industri 47
Universitas Diponegoro

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.H
0
= proporsi pembelajaran sendiri dan berkelompok sama besar
2.H
1
= 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

N Mean Std. Deviation Minimum Maximum
Percentiles

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
sendiri
kelompok
0 1
0 3 7
1 5 10




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


Program Studi Teknik Industri 48
Universitas Diponegoro

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


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

a. Binomial distribution used.
b. McNemar Test

6. Keputusan : Terima H
0
karena Exact Sig. (2-tailed) = 0.774 > α
7. Kesimpulan : Tidak terdapat perubahan pembelajaran secara
berkelompok atau sendiri.

- Manual
1. H
0
= proporsi pembelajaran sendiri dan berkelompok sama
besar
2. H
1
= proporsi pembelajaran sendiri dan berkelompok tidak sama
besar
3. α = 0.05
4. Daerah Kritis : Z hitung > Z tabel H
0
ditolak, selain itu terima
H
0

5. Perhitungan:







Z tabel = 1,64
6. Keputusan: karena z hitung < z tabel maka H
0
diterima
7. Kesimpulan: Proses pembelajaran berkelompok tidak mengubah
sikap para siswa.
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 49
Universitas Diponegoro

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 H
0
diterima.
Sedangkan dengan pengujian secara manual nilai z sebesar 0.58, yang
juga menyatakan bahwa H
0
diterima. Penerimaan H
0
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
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


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


Program Studi Teknik Industri 50
Universitas Diponegoro

Ranks
7 10,21 71,50
7 4,79 33,50
14
Sekolah
Tujuh
Sekolah lain
Total
Prest asi
N Mean Rank Sum of Ranks
b. Uji Mann Whitney
1. H
0
= Prestasi Sekolah Tujuh = Prestasi Sekolah Lain
2. H
1
= 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







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 H
0
karena nilai 0,0064 < 0,05
7. Kesimpulan : Prestasi Sekolah Tujuh > Prestasi Sekolah
Lain







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


Program Studi Teknik Industri 51
Universitas Diponegoro

- MANUAL
1. H
0
= Prestasi Sekolah Tujuh = Prestasi Sekolah Lain
2. H
1
= 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
∑R
1
=71,5 ∑ R
2
= 33,5

U = n
1
n
2
+1/2 n
1
(n
1
+1)-R
1
= 7.7 + ½ 7(7+1)- 71,5= 5,5
U = n
1
n
2
+1/2 n
2
(n
2
+1)-R
2
= 7.7 + ½ 7(7+1)- 33,5 = 43,5

z =
5,5 ÷
1
2
· 7· 7
1
12
· 7· 7(7 + 7 +1)
= ÷2, 428
P (z ≤ -2,428) = 0,0075
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 52
Universitas Diponegoro

6. Keputusan : Tolak H
0
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. H
0
: u
1
= u
2

2. H
1
: u
1
= u
2

3. Taraf Nyata : 0,05
4. Wilayah Kritis : P < 0,05






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


Program Studi Teknik Industri 53
Universitas Diponegoro

5. Perhitungan :
- SPSS
Tabel 3.37 Output SPSS Frekuensi Data k =2 Tidak Saling Berhubungan

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

6. Keputusan : Terima H
0
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 H
0
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.

Frequencies
7
7
14
Sekolah
Tujuh
Sekolah lain
Total
Prest asi
N
Test Statistics
a
,571
,000
-,571
1,069
,203
Absolute
Positive
Negativ e
Most Extreme
Dif f erences
Kolmogorov-Smirnov Z
Asy mp. Sig. (2-tailed)
Prest asi
Grouping Variable: Sekolah
a.
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 54
Universitas Diponegoro

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 : s
1
- s
2
=

0
2. H
1
: s
1
- s
2
= 0
3. o : 0,05
4. Daerah kritis : P < o = P < 0,05









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


Program Studi Teknik Industri 55
Universitas Diponegoro

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

6. Keputusan :
Terima H
0
, karena berdasarkan nilai probabilitas, P > o = 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 > o = 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.





Test Statistics
a,b
8
,015
8
,500
1
Sig. (1-tailed)
Observed Control
Group Span
Sig. (1-tailed)
Trimmed Control
Group Span
Outliers Trimmed f rom each End
Prest asi
Moses Test
a.
Grouping Variable: Sekolah
b.
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 56
Universitas Diponegoro

c. Uji Walt-Wolfowitz Runs
- SPSS
1. H
0
: Prestasi Sekolah Tujuh berasal dari populasi yang
identik dengan sekolah lainnya.
2. H
1
: Prestasi Sekolah Tujuh tidak berasal dari populasi yang
identik dengan sekolah lainnya.
3. Taraf Nyata : 0,05
4. Wilayah Kritis : Z
hitung
<-Z
0,025
dan Z
hitung
>Z
0,025
atau Z
hitung
<-
1,96 dan Z
hitung
>1,96
5. Perhitungan :

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

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

6. Keputusan : Terima H
0
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.
Frequencies
7
7
14
Sekolah
Tujuh
Sekolah lain
Total
Prest asi
N
Test Statistics
b,c
4
a
-1,947 ,025
8
a
,000 ,617
Minimum Possible
Maximum Possible
Prest asi
Number
of Runs Z
Exact Sig.
(1-tailed)
There are 2 inter-group ties inv olv ing 8 cases.
a.
Wald-Wolf owitz Test
b.
Grouping Variable: Sekolah
c.
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 57
Universitas Diponegoro

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 Z
hitung
<-1,96 dan
Z
hitung
>1,96. Hasil ini menunjukkan bahwa pada uji ini H
0

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. H
0
=

u
1
= u
2

2. H
1
=

u
1
= u
2

3. Taraf Nyata = 0,05
4. Wilayah Kritis = u < 8 (Tabel L.17)










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


Program Studi Teknik Industri 58
Universitas Diponegoro

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
∑R
1
=71,5 ∑ R
2
= 33,5
∑R
1
=71,5
∑ R
2
= 33,5
Jadi,

u
1
= 71,5 ÷
7
( )
8
( )
2






= 43,5

u
2
= 33,5 ÷
7
( )
8
( )
2






= 5,5
sehingga u = 5,5
6. Keputusan : Tolak H
0
karena nilai 5,5 < 8
7. Kesimpulan : Prestasi Sekolah Tujuh > Prestasi Sekolah Lain




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


Program Studi Teknik Industri 59
Universitas Diponegoro

Analisis
Dari perhitungan manual didapatkan nilai u = 5,5 sehingga H
0

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

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


Program Studi Teknik Industri 60
Universitas Diponegoro

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. H
0
: Ketiga jenis kelas mempunyai tingkat kesuksesan yang sama
2. H
1
: 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











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


Program Studi Teknik Industri 61
Universitas Diponegoro

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

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 H
0.

5. Kesimpulan : Terdapat sekurang-kurangnya salah satu kelas
memiliki tingkat kesuksesan yang besar lebih
besar.

- MANUAL
1. H
0
: ketiga jenis kelas mempengaruhi penilaian
2. H
1
: Tidak semua jenis kelas mempengaruhi penilaian
3. α v = 2
Daerah Kritis
2
r > 9.348

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


Program Studi Teknik Industri 62
Universitas Diponegoro

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 =

=

( 14.5
2
+ 33
2
+ 24.5
2
) – 3(12)(4)
= -95.295
5. Keputusan :
2
r < 9.348, tidak berada didaerah kritis, maka
terima H
0

6. Kesimpulan : Semua jenis kelas mempengaruhi penilaian





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


Program Studi Teknik Industri 63
Universitas Diponegoro

c. Uji Kendall W
1. H
0
: Tidak ada keselarasan diantara kesuksesan pencapaian
akademis dari ketiga jenis.
2. H
1
: 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 H
0.

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


Program Studi Teknik Industri 64
Universitas Diponegoro

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
0.001. Sedangkan melalui perhitungan manual, nilai
2
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)
Siswa/i
Lab
Ruang
Belajar
Fasilitas
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
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 65
Universitas Diponegoro

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. H
0
: Semua fasilitas sekolah menunjang tingkat penilaian
2. H
1
: Tidak semua fasilitas sekolah menunjang tingkat penilaian
3. Daerah kritis : nilai asymp sig < 0.05









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


Program Studi Teknik Industri 66
Universitas Diponegoro

- 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
Cochran's Q 3.900
a

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 H
0.

5. Kesimpulan : Semua fasilitas sekolah manunjang tingkat
penilaian.

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

t ≥ X
2
0,05(2)

t ≥ 5,991
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 67
Universitas Diponegoro

5. Perhitungan :

V = c-1 = 3-1 = 2


6. Keputusan : 3,9 < 5,991; H
0
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
H
0
diterima. Sedangkan pada perhitungan manual, didapat nilai T
sebesar 3,9, nilai ini juga tidak berada pada daerah kritis, sehingga
H
0
diterima. Dari kedua uji ini dapat ditarik kesimpulan bahwa
Semua fasilitas menunjang tingkat penilaian




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


Program Studi Teknik Industri 68
Universitas Diponegoro

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. H
0
: μ
1
= μ
2
= μ
3

2. H
1
: Menunjukkan perbedaan fasilitas
3. Taraf nyata α : 0,05
4. Daerah Kritis : H > X
2
α(k-1)
H > 5,991







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


Program Studi Teknik Industri 69
Universitas Diponegoro

5. Perhitungan :
- SPSS
Tabel 3.56 Rank Data k > 2 Tidak Berhubungan

Tabel 3.57 Output SPSS Uji Kruskal Wallis

- 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 ; H
0
ditolak
7. Kesimpulan : Menunjukkan perbedaan fasilitas










Ranks
5 3,90
5 8,00
5 12,10
15
sekolah
Strada
Tujuh
Ranger
Total
f asilitas
N Mean Rank
Test Statistics
a,b
8,652
2
,013
Chi-Square
df
Asy mp. Sig.
f asilitas
Kruskal Wallis Test
a.
Grouping Variable: sekolah
b.
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15


Program Studi Teknik Industri 70
Universitas Diponegoro

- MANUAL
1. H
0
: μ
1
= μ
2
= μ
3

2. H
1
: Menunjukkan perbedaan fasilitas
3. Taraf nyata α : 0,05
4. Daerah Kritis :
H > X
2
α(k-1)
H > 5,991
5. Perhitungan :
Tabel 3.58 Rank Data k > 2 Tidak Berhubungan Data k > 2 Tidak Berhubungan
No
Sekolah
Tujuh
Sekolah Strada Sekolah Ranger
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


H =
12
15
( )
16
( )
19,5
2
5
+
40
2
5
+
60,5
2
5
|
\

|
.
|
÷ 3
( )
16
( )
6. Keputusan : 8,405 > 5,991 ; H
0
ditolak
7. Kesimpulan : Menunjukkan perbedaan fasilitas







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


Program Studi Teknik Industri 71
Universitas Diponegoro

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 H
0
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

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


Program Studi Teknik Industri 72
Universitas Diponegoro

b. Pengolahan Data
1. H
0
: Ketiga sekolah memiliki median yang sama
2. H
1
: 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 Statistics
b


Nilai
N 15
Median 90.0000
Chi-Square 4.773
a

df 2
Asymp. Sig. .092



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


Program Studi Teknik Industri 73
Universitas Diponegoro

- 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 H
0
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 H
0
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.

Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15
Program Studi Teknik Industri 74
Universitas Diponegoro
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.
Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15
Program Studi Teknik Industri 75
Universitas Diponegoro
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
Uji Binomial Satu Sampel 0,108
Terima H
0
karena
nilai 0,108 >
0,05
Tingkat
keberhasilan
pada kelas
internasional
sebesar 50%
Uji Runs Satu Sampel 11
Terima H
0
karena
9 < 11 < 16
Data dapat
bersifat random.
Uji
Kolmogorov
Smirnov
Satu Sampel 0,842
Terima H
0
karena
nilai 0,842 > 0,05
Sebaran data
pengumpulan
bahan ajar
mengikuti
distribusi normal.
Uji Chi-
Square
Satu Sampel 13,280
Terima H
0
karena
nilai 13,280 <
36,415
Data mengikuti
sebaran distribusi
normal.
Uji Tanda Dependen k=2 0,0021
Terima H
0
karena
nilai 0,0021 <
0,05
Hasil belajar
dengan metode
kelompok
nilainya tidak
jauh berbeda
dengan nilai
menggunakan
metode belajar
sendiri.


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



Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15
Program Studi Teknik Industri 76
Universitas Diponegoro
Lanjutan Tabel 4.1 Hasil Uji Statistik Nonparametrik
Uji Mann-
Whitney
Independen k=2 0,0075
Tolak H
0
karena
nilai 0,0075 <
0,05
Prestasi sekolah
tujuh lebih
banyak
daripada
prestasi yang
diperoleh
sekolah lain
Uji
Kolmogorov-
Smirnov Z
Independen k=2 0,203
Terima H
0
karena
nilai 0,203 > 0,05
Rataan
prestasi
sekolah tujuh
sama dengan
rataan prestasi
sekolah lain.


Uji Moses Independen k=2 0,5
Terima H
0
karena
nilai 0,5 > 0,05
Selisih antara
standar deviasi
prestasi
sekolah tujuh
dan prestasi
sekolah lain
sama
Uji Wald
Wolfowitz
Runs
Independen k=2
-1,947
0,00
Terima H
0

karena nilai
-1,947 > -1,96
dan 0,00 > -1,96
Prestasi sekolah
tujuh berasal
dari populasi
yang identik
dengan prestasi
sekolah lain.
Uji Jumlah
Rank
Independen k=2 5,5
Tolak H
0
karena
nilai 5,5 < 8
Prestasi sekolah
tujuh lebih
banyak daripada
prestasi yang
diperoleh
sekolah lain
Uji Friedman Dependen k>2 -95,295
Terima H
0

karena nilai -
95,295 < 9,348
Semua jenis
kelas
mempengaruhi
penilaian.

Laporan Praktikum Statistika Industri
Modul 3 “Statistik Non Parametrik”
Kelompok 15
Program Studi Teknik Industri 77
Universitas Diponegoro
Lanjutan Tabel 4.1 Hasil Uji Statistik Nonparametrik
Uji Kendall W Dependen k>2 0,00
Tolak H
0
karena
nilai 0,00 < 0,05
Ada keselarasan
diantara
kesuksesan
pencapaian
akademis dari
ketiga jenis.
Uji Cochran Q Dependen k>2 0,142
Terima H
0

karena nilai
0,142 > 0,05
Semua fasilitas
sekolah
menunjang
tingkat penilaian.
Uji Kruskal
Wallis
Independen k>2 8,41
Tolak H
0
karena
nilai 8,41 >
5,991
Menunjukkan
perbedaan
fasilitas

Uji Median Independen k>2 0,002
Tolak H
0
karena
nilai 0,002 < 0,05
Ketiga merk
tidak memiliki
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.

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. 2. Mengerti konsep statistika non parametrik. 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 Universitas Diponegoro

2

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 Universitas Diponegoro

3

BAB IV PENUTUP Berisi kesimpulan mengenai garis besar yang dapat ditarik dari analisa yang telah diberikan pada bab sebelumnya dan saran dari penyusun. 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.5 Sistematika Penulisan Dalam menyusun Laporan Statistik Industri ini. dengan pengolahan menggunakan software SPSS. maupun sampel lebih dari dua. pembatasan masalah. penulis menggunakan sistematika penulisan sebagai berikut : BAB I PENDAHULUAN Berisi latar belakang. minitab dan perhitungan manual. dua sampel.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 1. tujuan praktikum. Program Studi Teknik Industri Universitas Diponegoro 4 . Meliputi data non parametrik baik dependen maupun independen dengan satu sampel. metodologi praktikum dan sistematika penulisan.

1. (http://blog.re. Program Studi Teknik Industri Universitas Diponegoro 5 . Statistik induktif meliputi perumusan hipotesis statistik (pernyataan tentang populasi).com/2009/03/statistika-induktif-pengantar.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).htm) 2.id/definisi-statistika-deskriptif-dan-statistikainferensial. distribusi frekuensi) untuk mendapatkan gambaran sekilas mengenai data tersebut sehingga lebih mudah dibaca dan bermakna.blogspot. pengolahan serta penganalisaan terhadap data yang diperoleh sehingga nantinya dapat diambil suatu kesimpulan. Oleh sebab itu. Generalisasi tersebut mempunyai sifat “tidak pasti” karena hanya berdasarkan pada data dari sampel. histogram.1 Definisi Statistika Statistik adalah ilmu yang membahas tentang pengambilan dan pengolahan data sampai kesimpulan.or. Statistik secara garis besar dapat dibagi menjadi 2 yaitu : 2.1 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.1.html) Teknik statistik mempunyai pengumpulan data. dalam statistika induktif harus didasari denganbteoriopeluang.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 BAB II TI NJAUAN PUSTAKA 2. (http://ssantoso.

data dibagi menjadi data acak atau tunggal dan data berkelompok. rusak. Sedangkan menurut sumbernya dikenal dengan data intern dan data ekstern. dan data kontinyu merupakan data hasil pengukuran (misalnya tinggi badang 165 cm.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 pemilihan uji yang sesuai. buruk. Statistik induktif meliputi 2 hal yaitu : Teknik pengolahan data secara parametrik Teknik pengolahan data secara non parametrik 2.com/2009/03/statistika-induktif-pengantar. maupun statistik inferensi yang melakukan analisis terhadap data. (http://ssantoso. Statistik dalam prakteknya tidak bisa dilepaskan dari data yang berupa angka. Data ekstern dibagi menjadi dua. Sehingga data dapat diartikan sebagai sesuatu yang diketahui atau dianggap.2 Tipe Data Statistika Data statistik merupakan suatu keterangan atau ilustrasi mengenai suatu hal yang dapat berbentuk kategori (data kualitatif). analisa statistik. data kuantitatif dapat dibagi menjadi dua. jumlah anak 2 orang). Data berdasarkan susunannya Berdasarkan susunanya. dapat berupa sesuatu yang diketahui atau dianggap. jarak antar kota 25 km. yaitu data diskrit merupakan data hasil menghitung atau membilang (misalnya jumlah mobil 100 buah. 1. berhasil dan lain-lainnya.blogspot. Berdasarkan nilainya. penentuan taraf yang signifikan. dan dapat berbentuk suatu bilangan (data kuantitatif). Namun sebenarnya data dalam statistik juga bisa mengandung data non angka atau data kualitatif. yaitu data primer dan data sekunder.html) Data adalah bentuk jamak dari datum yang memiliki pengertian sebagai keteranganketerangan tentang suatu hal. Program Studi Teknik Industri Universitas Diponegoro 6 . baik itu dalam statistik deskriptif yang menggambarkan data. Data yang dikumpulkan dan belum mengalami pengolahan data disebut data mentah. puas. misalnya baik. luas tanah 450 m2).

Data acak atau data tunggal Adalah data yang belum tersusun atau dikelompokkan ke dalam kelas-kelas interval. tidak bisa lebih dari satu. tidak bisa di tempat lain. atau punya dua KTP. atau. Datamkualitatifmbisamdibagimmenjadindua: 1. seperti penambahan. Yang termasuk data kulitatif adalah data nominal dan data ordinal. Jika suatu pengukuran data hanya menghasilkan satu dan hanya satu-satunya kategori.mDatamNominal Data bertipe nominal adalah data yang paling “rendah” dalam level pengukuran data. Misal Amir berdomisili di Solo. Data kualitatif mempunyai ciri tidak bisa dilakukan operasi matematika. Data berdasarkan jenisnya Berdasarkan sifatnya data dibagi menjadi : a. 2. Dalam kasus ini setiap orang akan bertempat tinggal di suatu tempat tertentu (berdasar KTP). tempat tinggalmyangmditunjukkanmdenganmKTP. Misal proses pendataan tempat tinggal 40 responden dalam suatu penelitian. maka data tersebut adalah data nominal (data kategori). eprkalian dan pembagian. b. Data kualitatif Adalah data yang tidak berbentuk bilangan. data tempat tinggal adalah data nominal karena Amir hanya punya satu dan satu-satunya. Data kelompok disusun dalam bentuk distribusi frekuensi atau tabel frekuensi. maka dia (dianggap) tidak mungkin tinggal di Jakarta. data Jenis Kelamin seseorang.mDemikianmjugamTanggal Lahir seseorang. Data berkelompok Adalah data yang tersusun atau dikelompokkan ke dalam kelas-kelas interval.mInimjugamsuatumdatamnominalmkarena seorang laki-laki tidak mungkinmberkelaminmganda.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 a. Program Studi Teknik Industri Universitas Diponegoro 7 . pengurangan. Jadi.

seperti pada data nominal. Namun. Surabaya. “suka” sebagaim“2”mdan “sangat suka” sebagai “3”.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Pekerjaan (diasumsi hanya satu jenis pekerjaan dalam satu saat). Misal pada data Jenis Kelamin di atas. Di sini data tidak bisa disamakan derajatnya. 2. Misal dalam pengisian data. “tidak suka”. tidak bisa dilakukan operasi matematika. dan seterusnya. Boyolali. “sangat suka”.mataum“tidak suka” ditambah “suka” menjadi “sangat suka”! Program Studi Teknik Industri Universitas Diponegoro 8 . sepertim1m+m2mataum1m–m2. dan lainnya. seperti jika “tidak suka” dikategorikan sebagai “1”. Lelaki dianggap setara dengan Wanita. yaitu proses yang disebut kategorisasi. adalah juga data kualitatif namun dengan level yang lebih “tinggi” daripada data nominal. maka tidak bisa dianggap “1 + 2=3”. Misal data tentang sikap seseorang terhadap produk tertentu. atau dalam data Tempat Kelahiran. Jika pada data nominal.mdanmlainnya. semua data kategori dianggap sama. Pada data ordinal. Kategori ini hanya sebagai tanda saja. dalammarti “suka” dianggap lebih tinggi dari “tidak suka”. namun lebih rendahmdari “sangat suka”. data Jakarta dianggap sama dengan data Yogyakarta. dan lainnya. di sini ada preferensi atau tingkatanmdata. ada sikap yang “suka”. Jadi. Dalam pengukuran sikap konsumen. Data Nominal dalam praktek statistik biasanya akan dijadikan “angka”.mdanmseterusnya. pada data ordinal juga tidak bisa dilakukan operasi matematika. jenis kelamin lelaki dikategorikan sebagai “1” dan perempuan sebagai “2”. Jadi. ada tingkatan data. di mana data yang satu berstatus lebih tinggi atau lebih rendahmdarimyangmlain. ada data dengan urutan lebih tinggi dan urutan lebih rendah. maka pada data ordinal. Data Ordinal Data ordinal.

yaitu 300C. Data kuantitatif Adalah data yang berbentuk bilangan.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 (http://id. Pernyataan di atas bersifat relatif. Namun. jika Interval Temperatur ruang tersebut: antara 500C 800C 1100C 1400C Seperti pengukuran temperatur sebuah ruangan Panas jika Panas temperatur temperatur jika antara antara 800C 1100C temperatur Dalam kasus di atas. karena 00C hanya sebagai tanda saja. juga urutan tersebut bisa dikuantitatifkan. Yang termasuk data kuantitatif adalah data interval dan data rasio. namun pada 320F. Jadi. data temperatur bisa dikatakan data interval karena data mempunyai interval (jarak) tertentu. Dalam pengukuran 0F. juga tidak bisa dikatakan bahwa suhu 1000F adalah dua kalimlebihmpanasmdarimsuhum500F. air membeku bukan pada 00F.com/exact-sciences/statistics/2124845-tipe-datastatistik/#ixzz1Jkj2Bpbc) b. 1.shvoong. berbagai operasi matematika bisa dilakukan pada data kuantitatif.com/exact-sciences/statistics/2124845-tipe-data- statistik/#ixzz1Jko7NfUy) Program Studi Teknik Industri Universitas Diponegoro 9 . di sini data interval tidak mempunyai titik nol yang absolut. Data Interval Data Interval menempati level pengukuran data yang lebih “tinggi” dari data ordinal karena selain bisa bertingkat urutannya. (http://id. Dengan demikian.shvoong. Misal pada pengukuran temperatur. pembakaran roti dari PT omCukup omPanas omSangat ENAK JOSS. seperti pernyataan bahwa „air membeku pada 00C„.

berarti memang tidak ada sepotong roti pun dalam gudang tersebut. Misal jumlah produk roti dari gudang PT ENAK JOSS pada contoh di atas.shvoong.mbisamdikatakan bahwa sekantong beras seberat 10 kilogram adalah benar-benar dua kali lebih berat dari sekantong beras yang mempunyaimberatm5mkilogram. Perbedaan dengan data interval adalah bahwa data rasio mempunyai titik nol dalam arti sesungguhnya. Jika jumlah roti nol. dan seterusnya. x.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 2. Atau. Data Rasio adalah data bersifat angka dalam arti sesungguhnya (bukan kategori seperti pada data nominal dan ordinal) dan bisa dioperasikan secara matematika (+. maka total roti sekarang adalah 24 + 3 = 27 roti (operasi penjumlahan). Data nominal dan ordinal biasanya menggunakan metode statistik nonparametrik. sedangkan data kuantitatifmmemakaimmetodemparametrik (http://id. -. kemudian bertambah produk baru sebanyak 3 roti. Data kualitatif karena bukan data angka dalam arti sesungguhnya. Data Rasio Data Rasio adalah data dengan tingkat pengukuran paling “tinggi” di antara jenis data lainnya.com/exact-sciences/statistics/2124845-tipe-datastatistik/#ixzz1Jkp2tgCG) Program Studi Teknik Industri Universitas Diponegoro 10 .mpengukuranmpengukurannya mempunyai angka nol/0 dalam arti sesungguhnya. Dengan demikian.mMisal berat badan 0 berarti memang tanpa berat. /). tidak bisa disamakan perlakuannya dengan data kuantitatif. Jika ada 24 roti. berat badan dan tinggi badan seseorang. Jenis-jenis data di atas dikupas dengan cukup mendalam karena penerapan dalam statistik akan berbeda untuk jenis data yang berbeda.

Data sekunder Adalah data yang diperoleh atau dikumpulkan oleh orang dari sumber-sumber yang telah ada. b.16) 5. Data nominal Adalah data yang diberikan pada objek atau kategori yang tidak menggambarkan kedudukan objek atau kategori tersebut terhadap objek atau kategori lainnya. Hal 5) 4. Data berkala Adalah data yang terkumpul dari waktu ke waktu untuk memberikan gambaran perkembangan suatu kegiatan. hal. Data ini juga disebut data asli atau data baru. Data ini juga disebut sebagai data tersedia. (Dirgibson Siagian Sugiarto. Program Studi Teknik Industri Universitas Diponegoro 11 .Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3. Data primer Adalah data yang diperoleh atau dikumpulkan oleh orang yang melakukan penelitian atau yang bersangkutan yang memerlukannya. Data itu biasanya diperoleh dari perpustakaan atau dari laporan-laporan peneliti yang terdahulu. Data cross section Adalah data yang terkumpul pada suatu waktu tertentu untuk memberikan gambaran perkembangan keadaan atau kegiatan pada waktu itu. data dibagi menjadi : a. data dibagi menjadi : a. Berdasarkan skala pengukuran . Data berdasarkan waktu pengumpulan Berdasarkan waktu pengumpulannya dibagi menjadi : a. Data berdasarkan sumber pengambilannya Berdasarkan sumber pengambilannya. (Diktat Statistika Industri. b. Data berdasarkan skala pengukuran Skala pengukuran adalah peraturan penggunaan notasi bilangan dalam pengukuran.

Data itu hanya mengelompokkan objek atau kategori ke dalam kelompok tertentu. Jika pada data nominal semua data kategori dianggap sama. Data ordinal seperti pada data nominal. b.2 untuk Amerika. Nilai E untuk nilai dari 0 – 44 c. adalah juga data kualitatif namun dengan level yang lebih „tinggi‟ daripada data nominal. Kategori data tidak disusun secara logis Data bertipe nominal adalah data yang paling „rendah‟ dalam level pengukuran data. yaitu : 3. Jika suatu pengukuran hanya menghasilkan satu dan hanya satusatiunya kategori. Program Studi Teknik Industri Universitas Diponegoro 12 . Data ordinal Adalah data yang penomoran objek atau kategorinya disusun menurut besarnya. Data interval Adalah data dimana objek / kategori dapat diurutkan berdasarkan suatu atribut yang memberikan informasi tentang interval antara tiap objek/ kategori sama. data tersebut adalah data nominal (data kategori). Kategori data bersifat saling lepas 4. Data ini memiliki ciri seperti pada ciri data nominal ditambah satu ciri lagi.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 tetapi hanya sekedar label atau kode saja. Nilai C untuk nilai dari 55-64 4. yaitu kategori data dapat disusun berdasarkan urutan logis dan sesuai dengan besarnya karakteristik yang dimiliki. Nilai B untuk nilai dari 65-79 3. maka pada data ordinal ada tingkatan data. Contoh: Status Kewarganegaraan ( 1 untuk indonesia. Nilai A untuk nilai dari 80-100 2. Data ini mempunyai dua ciri.3 untuk China). Contoh: Mengubah nilai ujian ke nilai prestasi. yaitu: 1. Nilai D untuk nilai dari 45-54 5. yaitu dari tingkat terendah ke tingkat tertinggi atau sebaliknya dengan jarak / rentang yang tidak harus sama.

Atau interval antara A dan D adalah 4 – 1 = 3. Data diskret Data yang didapat dengan cara menghitung. Data ini memiliki ciri yang sama dengan ciri pada data ordinal ditambah satu ciri lagi yaitu urutan kategori data mempunyai jarak yang sama. Data berdasarkan sifatnya a. juga urutan tersebut bisa dikuantitatifkan. Data interval juga tidak memiliki nilai 0 absolut. hal 13) Program Studi Teknik Industri Universitas Diponegoro 13 . Data rasio adalah data dengan pengukuran paling „tinggi‟ di antara jenis data lainnya. Angka pada data menunjukkan ukuran yang sebenarnya dari objek/ kategori yang diukur. b. Contoh: A 1 B 2 C 3 D 4 E 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. melainkan interval dan tidak terdapat nilai nol absolut . karena selain bisa bertingkat urutannya. Data interval menempati pengukuran data yang lebih „tinggi‟ dari data ordinal. data ordinal. Data kontinu Data yang dapat mempunyai nilai yang terletak dalam suatu interval (Dergibson Siagian Sugiarto. dan data interval. Contoh: membandingkan nilai mata kuliah antara dua mahasiswa. dilengkapi dengan titik nol absolut dengan makna empiris. (Singgih Santono. Data rasio Adalah data yang memiliki sifat-sifat data nominal. d. Karena terdapat angka nol maka pada data ini dapat dibuat perkalian atau pembagian. hal 3-6) 6. Pada data ini yang dijumlahkan bukanlah kuantitas atau besaran.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Besarnya interval dapat ditambah atau dikurangi.

Beberapa keuntungan dalam penggunaan statistik non parametrik adalah : a. b.2 Statistik Nonparametrik Suatu pengujian populasi seringkali dihadapkan pada suatu uji yang harus dilakukan tanpa kebergantungan asumsi-asumsi yang kaku karena bersifat khusus. Tidak memerlukan dasar matematika dan statistika yang mendalam untuk memahami metode-metode dan konsep-konsep uji statistik non-parametrik. c. sehingga hasil pengkajian dapat cepat disampaikan. Digunakan untuk menguji data nominal atau data ordinal Jumlah data kurang dari sama dengan 30 (n ≤ 30) Untuk pengambilan sampel yang singkat dan penyelesaiannya cepat. d. Distribusi populasi dan tempat pengambilan sampel tidak diketahui menyebar secara normal 2. Program Studi Teknik Industri Universitas Diponegoro 14 . hal 18) 2. Data Eksternal Data yang menggambarkan kegiatan atau keadaan di luar suatu organisasi. Prosedurnya dapat digunakan meskipun dengan skala pengukuran terendah. 4. Data Internal Data yang menggambarkan kegiatan atau keadaan di dalam suatu organisasi. Menggunakan asumsi-asumsi uji statistik yang relatif lebih sedikit dibandingkan dengan uji statistik parametrik. 3. b. Tipe utama prosedur statistik yang dimasukkan dalam nonparametrik adalah prosedur-prosedur nonparanetrik murni dan prosedur-prosedur bebas distribusi (distribution free procedures).Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 7. (Dergibson Siagian Sugiarto. Ciri–ciri dari data non parametrik adalah: 1. Uji statistik nonparametrik merupakan alternatif untuk memenuhi kebutuhan tersebut dikarenakan menghasilkan kesahihan dan validitas meskipun hanya berdasar pada asumsi-asumsi umum. Data berdasarkan sumbernya a. Perhitungan-perhitungannya dapa dilaksanakan dengan cepat dan mudah.

Ilmu Peluang dan Statistika hal 691. Efisiensinya lebih tinggi disbanding dengan uji statistik parametrik jika jumlah sampelnya sedikit. bila uji parametrik dan non parametrik keduanya berlaku pada himpunan data yang sama. Jika sampel besar. Padahal tidak semua data yang digunakan pada pengujian-pengujian tersebut diatas berdistribusi normal. n<30. penggunaan uji non-parametrik meskipun lebih cepat dan sederhana. Untuk mengatasi hal tersebut lalu digunakan uji non parametrik. c. (Modul Parktikum Statistika Industri hal 4. Uji Runtun dan Uji Kruskal Walls. Di samping memilki kelebihan-kelebihan tersebut di atas. gunakanlah selalu uji parametrik yang lebih efisien. 2005) Program Studi Teknik Industri Universitas Diponegoro 15 . b. 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. Meskipun perhitungannya sederhana tetapi pada umumnya menjemukan. Wilcoxon. Uji non parametrik adalah uji yang mengabaikan asumsi dari kenormalan data populasi. maka tingkat efisiensi non-parametrik relatif lebih rendah dibanding dengan metode parametrik. Sebagai ringkasan. Jika asumsi uji statistik parametrik terpenuhi. Uji Dwi Sampel Kolmogorov-Smirnov. (Walpole & Myers. 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. penggunaan statistik non parametrik juga mempunyai kelemahan di antaranya : a. Uji Tanda. Yang tercakup didalam uji non parametrik adalah Pengujian Kolmogorof-Smimov. akan menyebabkan pemborosan informasi.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 e.

(Djarwanto. dan pemberian jenjang didasarkan pada skor gabungan.2001. Uji Mann-Whitney Uji digunakan untuk menguji ada tidaknya perbedaan yang significant untuk 2 sampel yang independent. Hipotesis nihil yang akan diuji mengatakan bahwa dua sample independent diambil dari populasi yang memiliki distribusi yang sama. Hal 237) 2. Uji ini merupakan pengembangan dari uji Wilcoxon dengan dua sample berukuran tidak sam. Program Studi Teknik Industri Universitas Diponegoro 16 .Whitney dipakai untuk menguji apakah dua kelompok independent telahmditarikdari populasi yang sama.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 2. beraku untuk kasus dua sample independent dengan skor yang berskala ordinal. Asumsi yang diperlukan hanyalah bahwa nilai dari variable random dari dua kelompok yang diperbandingkan adalah berditribusi kontinyu.3. Uji Mann-Witney disebut juga uji U. Kedua uji tersebut berkontribusi pada perbedaan nilai 2 kelompok. setiap kelompok disekitar rata-ratanya akan menghilangkan perbedaan dan memungkinkan melakukan perbandingan bentuk (uji bentuk) antara kedua kelompok tersebut. Dengan melakukan centering atau pemusatan nilai data sample. Uji Mann-hitney tidak memerlukan anggapan tertentu mengenai populasi dari mana sampel diambil (seperti uji-uji non-parametrik lainnya).Mengenal beberapa uji satistik. 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. bila anggapan yang diperlukan bagi uji t tidak dijumpai. Uji Kolmogorof Smirnov juga dapat digunakan untuk melakukan uji lokasi dan uji bentuk. Uji ini dapat digunakan untuk pengujian dua sisi ataupun satu sisi. Uji tersebut merupakan alternatif lain dari uji tparametrik.1 Pengolahan Data Non Parametrik 1. Uji Mann.

Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3. Pengujian ini dibandinghkan dengan grup kendali. Uji Tanda (Sign) Uji tanda digunakan untuk menguji hipotesis mengenai median populasi. Bila hipotesis nol  = o benar. Uji statistik yang sesuai untuk uji tanda adalah peubah acak binomial X. maka peluang suatu nilai terok dapat menghasilkan tanda tambah atau kurang sama dengan setengah. Jadi. 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. 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. Tes ini membutuhkan data ordinal. 4. bila nilai p hitungan P = P ( X  x. Jadi. Program Studi Teknik Industri Universitas Diponegoro 17 . bila p = ½) Lebih kecil atau sama dengan suatu taraf keberartian  yang ditetapkan sebelumnya. Dalam banyak kasus prosedur non parametrik. Tes ini berfokus pada rentang di grup kendali. dan mengukur berapa banyak nilai ekstrim di grup percobaan mempengaruhi rentang saat digabungkan dengan grup mkendali. rataan digantikan oleh median sebagai parameter lokasi yang relevan untuk diuji. yang menyatakan banyaknya tanda tambah dalam terok acak. maka kita menolak Ho dan menerima H1. Uji Moses lebih fokus kepada variasi data dari dua sampel. 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.

maka kita menolak Ho dan menerima H1. bila nilai p hitungan P = P ( X  x. bila x < n/2 dan nilai p hitungan P =2P ( X  x. Jadi.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. bila p = ½) Lebih kecil atau sama dengan  kita tolak Ho dan menerima H1. Suatu uji yang memanfaatkan baik tanda maupun besarnya selisih telah Program Studi Teknik Industri Universitas Diponegoro 18 . bila p = ½) Lebih kecil dari suatu taraf keberartian  yang ditetapkan sebelumnya. Apabila n  10 peluang binomial dengan p = ½ dapat dihampiri dengan kurva normal. Jadi. Ilmu Peluang dan Statistika hal 692-693. bila p = ½) Lebih kecil daripada atau sama dengan suatu taraf keberartian . 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. 1995) 5. (Walpole & Myers. atau bila x > n/2 dan nilai p hitungan P =2P ( X  x. atau tanda tambah dari selisih antara pasangan pengamatan dalam kasus sampel berpasangan tanpa memperhatikan besarnya selisih tersebut. Uji Tanda Uji tanda hanya menggunakan tanda tambah dan kurang dari selisih antara pengamatan dan o dalam kasus satu sampel.

2 = b0. Begitu pula   o diterima apabila w+ besar dan w. 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. Pertama-tama tiap nilai sampel dikurangi dengan o. Untuk tandingan dwi pihak H o ditolak bila w+ maupun w. Selisih yang tertinggal dirang tanpa menghiraukan tandanya. masing-masing diberi rang sama dengan rata-rata rangnya. Dalam kasus ini tidak perlu setangkup. buang semua selisih yang sama dengan nol.besar.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 diusulkan oleh Frank Wilcoxon (1945) dan sekarang biasa disebut uji rang tanda Wilcoxon. Bila dua atau lebih selisih nilai mutlaknya sama.1 Uji Rang Tanda Mengu ji Ho  = o 1 = 2 Tandin gan H1   o   o   o 1  2 1  2 1  2 Hitung w+ ww w+ ww Uji rang tanda dapat pula digunakan untuk menguji hipotesis nol bahwa 1 .dan yang terkecil dari keduanya dengan w. Uji tanda Wilcoxon berlaku untuk kasus distribusi kontinu setangkup.kecil.cukup kecil. rang selisihnya tanpa memperhatikan tanda kemudian diselesaikan seperti pada kasus satu sampel. Nyatakanlah masing-masing jumlah ini dengan w+ dan w. Tabel 2. Seperti pada uji tanda tiap selisih kita kurangi Program Studi Teknik Industri Universitas Diponegoro 19 . Bila hipotesis H o :  = o dapat ditolak dan menerima tandingan   o hanya bila w+ kecil dan w. Bila hipotesis  = o benar maka jumlah rang dari selisih yang positif seharusnya hampir sama dengan jumlah rang selisih negatif.

Tuliskan ke (n1 + n2) buah data dari sample gabungan ini menurut-urutan besar nilainya. Metode Statistika. 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. 5. Dari setiap sample. untuk menguji hipotesis. Wallis. Tarsito : Bandung. Uji Median Uji yang dilakukan untuk mengetahui apakah sampel berasal dari dua populasi dengan median yang sama atau telah diambil dari populasi yang sama. Ilmu Peluang dan Statistika hal 696-698. Jika dari populasi yang sama. tentukan banyaknya data muka median. Bentuk sebuah daftar kontingensi 2 x 2 eperti di bawah ini dengan menggunakan data yang telah disusun dalam daftar kontingensi tersebut. adalah rampatan uji jumlah rang (dwi sampel Wilcoxon) untuk sejumlah sampel k > 2. Tentukan nilai median dari sample gabungan ini. Uji ini digunakan untuk menguji hipotesis H o bahwa k sampel bebas berasal dari populasi yang sama. (Walpole & Myers. (Sudjana. Ilmu Peluang dan Statistika hal 707.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 dengan bo. 4.H. maka rata-rata ke-k sampel tersebut tentu relatif sama atau tidak berbeda secara signifikan. Diperkenalkan di tahun 1952 oleh W. 2.A. Hal 464) Program Studi Teknik Industri Universitas Diponegoro 20 . 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. 1995) 7. 3. (Walpole & Myers. 1996. Kruskal dan W. sering pula disebut Uji H Kruskal Wallis. Langkah-langkah yang ditempuh dalam pengujiaan ini adalah: 1. rang tiap selisih tanpa memperhatikan tandanya dan terapkan prosedur yang sama seperti sebelumnya. Uji Kruskal Wallis Uji Kruskal-Wallis. 1995) 6.

Program Studi Teknik Industri Universitas Diponegoro 21 . Uji ini dpat digunakan apabila penerapan analisis varians dua arah parametric tidak dikehendaki dikarenakan pertimbangan tertentu. halaman 202 & 441) 9. 11.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 8. Uji Friedman sebenarnya adalah analog dengan uji analisis varians dua arah pada uji parametric. Uji Kolmogorof Smirnov juga dapat digunakan untuk melakukan uji lokasi dan uji bentuk. 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. (Singgih Santoso. Uji Friedman Uji yang dilakukan untuk mengetahui adanya perbedaan yang significant dimana jumlah sampel lebih dari 2 yang dependent. 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 ini digunakan untuk menguji apakah sebuah sampel selaras dengan salah satu distribusi teoritis. Uji Mc Nemar Digunakan untuk mengetahui apakah perubahan proporsi pasangan variabel dikotomus sama atau tidak 12. 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.

Program Studi Teknik Industri Universitas Diponegoro 22 .4 Pengolahan Data dengan MINITAB. Data yang diolah dalam SPSS harus memenuhi syarat-syarat yang meliputi kecukupan data.4. kualitas data. 2. Program SPSS adalah program yang bertujuan untuk memperkecil kesalahan penghitungan dalam pengolahan data. terutama dalam melakukan perhitungan statistik yang menggunakan rumus matematika yang rumit dan banyak data. 14.1 SPSS Untuk mengolah data tersebut kami menggunakan program SPSS (Statistical Product and Service Solution). Keunggulan MINITAB adalah selain menyediakan metode – metode statistik klasik seperti analisis regresi. Uji Cochran Q Adalah pengembangan dari uji McNemar untuk uji tiga perlakuan atau lebih. 2. pekerjaan statistik sangat terbantu dengan adanya program aplikasi komputer untuk statistik yang kini sudah banyak dipasarkan. dan SPSS 2. baik dunia kampus maupun industri. Setelah proses pengumpulan dan pengolahan data dilakukan. Uji Kendall W Uji konkordansi pada prinsipnya ingin mengetahui apakah ada keselarasan dari sekelompok objek (orang) dalam menilai objek tertentu. maka analisa output SPSS data dapat langsung diketahui.2 MINITAB Permasalahan – permasalahan statistika bukan suatu masalah rumit karena seiring dengan perkembangan teknologi komputer. Salah satu program statistik yang telah diakui banyak orang adalah program MINITAB.4. Program MINITAB merupakan program statistiks yang diakui cukup andal oleh banyak kalangan. Komputer sangat membantu pekerjaan statistik.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 13. dan memenuhi sifat-sifat keacakan.

Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 analisis faktor. desain eksperimen. dan analisis realibilitas. Untuk data non parametrik independen k = 2 menggunakan uji Kruskal Wallis. Pada data parametrik independen k = 2 digunakan program MINITAB dengan melakukan uji T dan uji F. independen k > 2 dan dependen k > 2 juga menggunakan program MINITAB. analisis deskriminan. MINITAB juga mampu memberi nilai taksiran yang mendekati nilai sebenarnya. Untuk data non parametrik independen k = 2 menggunakan uji Mann Whitney. MINITAB juga menyediakan pula metode – metode statistik untuk meningkatkan dan memperbaiki kualitas seperti pengendalian kualitas statistik. Data non parametrik independen k = 2. Dimana membandingkan rata-rata dua sampel dan membandingkan variansi dua sampel. Program Studi Teknik Industri Universitas Diponegoro 23 . dan tabulasi silang. data non parametrik dependen k > 2 menggunakan uji Friedman.

1 Uji Binomial dan Uji Runs a. Kepala Sekolah secara acak menanyakan hasil ulangan yang baru saja dilangsungkan di kelas.1. 2 = Jelek) Jelek Jelek Bagus Jelek Jelek Jelek Bagus Bagus Jelek Bagus Jelek Jelek Bagus Jelek Jelek 24 .1 Non Parametrik Satu Sampel 3. 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. Data Tugas Kepala Sekolah tidaklah mudah. Untuk yang pertama kepala sekolah ingin mengetahui proporsi nilai ulangan dari siswa-siswinya. macam-macam segala urusan yang harus dilakukan termasuk memperhatikan siswa/siswinya.1 Data Statistik Non Parametrik Satu Sampel (1) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Program Studi Teknik Industri Universitas Diponegoro Jawaban (1 = Bagus . Tabel 3.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 BAB III PENGOLAHAN DATA DAN ANALISIS 3.

32 1.1 Data Statistik Non Parametrik Satu Sampel (1) 16 17 18 19 20 21 22 23 24 25 b.b.2 Output Statistics SPSS Data Satu Sampel (1) Statistics VAR00001 N Valid Missing Mean Median Std. Perhitungan :  SPSS Tabel 3. H1: µ1 ≠ µ2 3.82 25 .32a . Daerah kritis : p value atau nilai sig < α 5.32 1. H0 : µ1 = µ2 2.476 1 2 33 . Deviation Minimum Maximum Sum Percentiles 25 50 75 Program Studi Teknik Industri Universitas Diponegoro 25 0 1. Uji Binomial 1.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3.05 Jelek Bagus Bagus Bagus Jelek Jelek Jelek Jelek Jelek Jelek 4.c 1. α = 0.

0000 75th 20.108 6.080 0 Deviation 2. .Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3. N VAR00001 25 Mean 19. .68 . (2tailed) . maka terima H0.32 1. 7. H1 : p1 ≠ p2 ≠ 0.00 17.00 Maximum 25 th 50th (Median) 19. Perhitungan : SPSS Tabel 3. Keputusan : Terlihat bahwa pada kolom Exact Sig/Exact significance dua sisi adalah 0. Ho : p1 = p2 = 0.5000 Program Studi Teknik Industri Universitas Diponegoro 26 . 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).5 2.4 Descriptive Staistics Data Satu Sampel (1) Descriptive Statistics Percentiles Std.50 Exact Sig.05 4.5 3.108.00 Test Prop.3 Output Binomial Test SPSS Data Satu Sampel (1) Binomial Test Category VAR0000 Group 1 1 Group 2 Total 1 2 N 17 8 25 Observed Prop. nilai ini berada di luar daerah kritis. 1.0000 26.73740 Minimum 13. Daerah kritis = Ho diterima jika : X2 hitung ≤ X2 tabel 5. α = 0.

009 .6 Output SPSS Uji Runs (2) Data Satu Sampel (1) Runs Test 2 VAR00001 Test Value a 19.5 Output SPSS Uji Runs (1) Data Satu Sampel (1) Runs Test VAR00001 Test Value a 19. Mode Program Studi Teknik Industri Universitas Diponegoro 27 .009 .993 Cases < Test Value Cases >= Test Value Total Cases Number of Runs Z Asymp.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3. Sig.00 9 16 25 12 -. (2-tailed) a.993 Cases < Test Value Cases >= Test Value Total Cases Number of Runs Z Asymp. Median Tabel 3.00 9 16 25 12 -. (2-tailed) a. Sig.

05 Daerah kritis : Perhitungan: -Perhitungan Manual Tabel 3.0028 6. MANUAL 1.0800 The observed number of runs = 6 The expected number of runs = 13. H0 : Barisan bersifat acak H1: Barisan tidak bersifat acak Taraf Keberartian = 0.  Keputusan : tolak H0 Kesimpulan : keacakan (random) berbeda. 5. 2.7 Data Uji Satu Sampel Uji Binomial No.68 Tanda (+) (+) (+) (-) (-) (-) (+) ( +) (+) (+) (+) (+) Runtun 9 10 11 Program Studi Teknik Industri Universitas Diponegoro 28 .Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15  MINITAB Runs Test: Jumlah Jumlah K = 19. 1 2 3 4 5 6 7 8 9 10 11 12 13 Responden 2 2 1 2 2 2 1 1 2 1 2 2 1 Tanda (+) (+) (-) (+) (+) (+) (-) (-) (+) (-) (+) (+) (-) Runtun No 1 14 15 2 16 3 17 18 19 4 20 21 5 22 6 23 7 24 25 8 Jumlah Rata-rata Responden 2 2 2 1 1 1 2 2 2 2 2 2 42 1. 3. 7.0000 10 Observations above K 15 below * N Small -. 4.The following approximation may be invalid The test is significant at 0.

Minitab dan Manual Manual 11 SPSS Minitab 0.) = 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. sedangkan pada output SPSS dan Minitab hasil pengujiannya dapat dilihat pada nilai Asymp Sig.8 Perbandingan Uji Runs Output SPSS.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Jadi banyaknya runtun ( run ) = 11 Untuk n1 = tanda ( .0028 ANALISIS : Hasil perhitungan Uji Runs dengan menggunakan output SPSS.nya. Perbedaan tersebut dikarenakan aspek yang digunakan sebagai daerah kritis berbeda-beda. Minitab dan perhitungan manual mempunyai perbedaan nilai yang cukup signifikan. 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 Universitas Diponegoro 29 . Kesimpulan : Pada tingkat kepercayaan 95% data yang didapat bersifat random ( acak ) Tabel 3. Kesimpulan yang didapat juga berbeda. Pada perhitungan manual menggunakan daerah kritis jumlah runtun kurang dari r1 atau lebih dari r2.

Untuk mewujudkan hal tersebut.1. Data Tugas Kepala Sekolah memang berat karena dalam merintis kelas Internasional sungguh tidaklah mudah. Tabel 3. Kepala Sekolah meminta para guru menurut bidang ajarnya untuk mengumpulkan bahan ajar bahasa inggris dan setiap hari melaporkannya kepada kepala sekolah.2 Uji One Sample Kolmogorov-Smirnov Test a. Sejauh ini sudah berjalan selama 25 hari.9 Data Statistik Non Parametrik Satu Sampel (2) bahan ajar in English Pengetahuan No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Program Studi Teknik Industri Universitas Diponegoro Matematika 1 6 2 4 3 3 2 4 3 2 3 6 5 4 6 2 3 4 3 Biologi 4 2 3 1 3 3 3 1 1 3 4 4 3 2 3 3 4 4 2 Fisika 3 1 3 2 1 3 3 1 2 1 3 1 3 2 3 2 3 5 Kimia 2 3 4 3 3 2 4 1 8 3 5 3 6 4 7 5 6 6 2 Kesenian 2 1 4 3 6 3 4 3 6 4 4 1 2 3 3 3 3 6 Umum 4 4 4 3 5 4 3 2 3 4 4 3 4 2 2 2 1 3 1 Total 13 19 18 17 16 19 18 15 19 20 21 23 20 17 23 18 19 19 19 30 .Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3.

5.05 Daerah Kritis : p > 0.0800 Std. Deviation 2.0000 Program Studi Teknik Industri Universitas Diponegoro 31 . 4.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Lanjutan Tabel 3.73740 Minimum 13. 2. Pengolahan Data 1.  H0 = data mengikuti sebaran distribusi normal H1 = data tidak mengikuti sebaran distribusi normal α = 0.0000 75th 20.5000 50th (Median) 19. 3.05 H0 diterima.9 Data Statistik Non Parametrik Satu Sampel (2) 20 21 22 23 24 25 Total 1 2 4 2 4 4 83 3 2 4 2 5 2 71 3 5 4 3 6 3 66 3 4 4 3 5 5 101 4 5 5 3 3 1 82 2 2 1 7 3 5 78 16 20 22 20 26 20 481 b. selain itu tolak H0 Perhitungan: SPSS Tabel 3.00 25th 17.10 Output SPSS Data Satu Sampel (2) Descriptive Statistics Percentiles N VAR00001 25 Mean 19.00 Maximum 26.

Keputusan: karena p > 0.05 maka H0 diterima. Sig. 25 19.05.0800 2. c. Uji Kolmogorov-Smirnov digunakan untuk menguji satu sampel.11 Output SPSS Uji Kolmogorov Smirnov Data Satu Sampel (2) One-Sample Kolmogorov-Smirnov Test VAR00001 N Normal Parametersa Mean Std. Deviation Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. yaitu p= 0. karena nilai p>0. sehingga sebaran data yang di uji mengikuti sebaran distribusi normal.478 6.128 .842.842 .168 . 7. uji yang dihipotesiskan adalah distribusi normal. apakah sampel yang di uji mengikuti sebaran distribusi yang dihipotesiskan. pada uji KS ini.842 maka H0 diterima Kesimpulan: sebaran data pengumpulan bahan ajar mengikuti distribusi normal.168 -. Karena H0 diterima.73740 . (2-tailed) a. Analisis Dari hasil perhitungan di dapat nilai p=0. Test distribution is Normal.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3. Program Studi Teknik Industri Universitas Diponegoro 32 .

Sejauh ini sudah berjalan selama 25 hari. a. Kepala Sekolah meminta para guru menurut bidang ajarnya untuk mengumpulkan bahan ajar bahasa inggris dan setiap hari melaporkannya kepada kepala sekolah. Untuk mewujudkan hal tersebut. Data Tugas Kepala Sekolah memang berat karena dalam merintis kelas Internasional sungguh tidaklah mudah. Tabel 3.12 Data Uji Satu Sampel Data Ordinal bahan ajar in English No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Program Studi Teknik Industri Universitas Diponegoro M 1 6 2 4 3 3 2 4 3 2 3 6 5 4 6 2 3 4 B 4 2 3 1 3 3 3 1 1 3 4 4 3 2 3 3 4 4 F 3 1 3 2 1 3 3 1 2 1 3 1 3 2 3 2 3 Ki 2 3 4 3 3 2 4 1 8 3 5 3 6 4 7 5 6 6 Ke 2 1 4 3 6 3 4 3 6 4 4 1 2 3 3 3 3 PU 4 4 4 3 5 4 3 2 3 4 4 3 4 2 2 2 1 3 Total 13 19 18 17 16 19 18 15 19 20 21 23 20 17 23 18 19 19 33 .1.3 Uji Chi Square Uji Chi Square digunakan untuk menguji apakah data yang sedang di uji mengikuti sebaran distribusi yang dihipotesiskan.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3.

89256 6.07438 0.71272705 2.27272832 2.272727 2.27273 1.71272705 25 3E-06 30.619834 0.71272705 2.528926 0. 2.272727 -0. 3.03272721 2.272727 -0.272727 3.438018 3.27273 0. Uji Chi Square Oi 13 15 16 17 18 19 20 21 22 23 26 Total 1 1 2 2 3 6 5 1 1 2 1 25 Ei oi-ei (oi-ei)^2 (oi-ei)^2/ei 2. Perhitungan: Tabel 3. Data Ordinal.272727 -0.27273 1.619834 0.07438 0.71272705 2.71272705 2.27273 1.05 4.619834 0.727273 13.727273 0.1127289 2.272727 0.272727 -1.13 Data Uji Satu Sampel.07438 0.272727 -1.619834 0.12 Data Uji Satu Sampel Data Ordinal 19 20 21 22 23 24 25 Total 3 1 2 4 2 4 4 83 2 3 2 4 2 5 2 71 5 3 5 4 3 6 3 66 2 3 4 4 3 5 5 101 6 4 5 5 3 3 1 82 1 2 2 1 7 3 5 78 19 16 20 22 20 26 20 481 b. H0: data mengikuti sebaran distribusi normal.27273 0. α = 0.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Lanjutan Tabel 3.2800016 Program Studi Teknik Industri Universitas Diponegoro 34 .27273 1. Pengolahan Data  Manual 1.272727 -1.272727 -1. Daerah Kritis: terima H0 jika 5.18182 13.27273 0.272727 -1.27273 1.727273 7.03272721 2.619834 0.23272748 2. H1: data tidak mengikuti sebaran distribusi normal.03272721 2.

05 4.2800016  SPSS 1. α = 0.3 2.3 2.3 Residual -1.3 -.7 2.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 6. Keputusan : Terima H0 7.3 -1.3 -.3 . H0: data mengikuti sebaran distribusi normal. Kesimpulan: Data yang di uji mengikuti sebaran distribusi normal.3 -.3 2.3 2. Daerah Kritis: terima H0 jika 5. H1: data tidak mengikuti sebaran distribusi normal. karena nilai .3 -1. 2.14 Output SPSS Uji Satu Sampel Data Ordinal VAR00001 Observed N 13 15 16 17 18 19 20 21 22 23 26 Total 1 1 2 2 3 6 5 1 1 2 1 25 Expected N 2.3 Program Studi Teknik Industri Universitas Diponegoro 35 . yaitu 13.7 3. Perhitungan: Tabel 3.7 -1.3 2. 3.3 2.3 2.3 -1.3 2.3 2.3 2.

Program Studi Teknik Industri Universitas Diponegoro 36 .3 13. didapatkan nilai =13. dan distribusi yang dihipotesiskan diterima. Tabel 3. Analisis Dari hasil perhitungan dan output dari SPSS.280. karena nilai .0%) have expected frequencies less than 5.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3.16 Perbandingan ChiSquare Output SPSS dan Manual Manual SPSS 13. a. Jika nilai hitung < tabel maka H0 diterima. 11 cells (100.280 c. yaitu 13.2800016 7. The minimum expected cell frequency is 2. Keputusan : Terima H0 Kesimpulan: Data yang di uji mengikuti sebaran distribusi normal.208 6.15 Output SPSS Uji Chi Square Satu Sampel Data Ordinal Test Statistics VAR00001 Chi-Square Df Asymp. Sig.280 a 10 . dari nilai tersebut disimpulkan bahwa data yang sedang di uji mengikuti sebaran distribusi normal.

Tabel 3.1 Saling Berhubungan 3.1 Uji Tanda dan Uji Wilcoxon a.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3. untuk mengetahui apakah ada pengaruh konsep pembentukan kelompok belajar. kepala sekolah menghubungi wali kelas untuk merancang bentuk kegiatan belajar siswa yang baru yaitu pembentukan kelompok belajar.2 Non Parametrik Dua Sampel 3.1.2. Setelah beberapa minggu kepala sekolah mengecek hasil nilai ulangan siswa-siswinya kembali.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 Universitas Diponegoro 37 .2. Data Kepala Sekolah setelah mengetahui jawaban dari siswasiswinya.

H0 : d = 0 ( tidak ada pengaruh cara belajar terhadap nilai) 2. sendiri < kelompok b.17 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (1) 22 23 24 25 b.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Lanjutan Tabel 3. Uji Tanda 80 75 70 80 80 80 75 85 1. α = 0. Daerah kritis : nilai asymp sig < α 5. sendiri > kelompok c.18 Output Frequencies SPSS Data Dua Sampel Berhubungan (1) sendiri + kelompok Negative Differencesa Positive Differencesb Tiesc 3 13 9 25 Total a.05 4. Perhitungan :  SPSS Frequencies N Tabel 3. H1: d ≠ 0 ( ada pengaruh cara belajar terhadap nilai ) 3. sendiri = kelompok Program Studi Teknik Industri Universitas Diponegoro 38 .

b. Kesimpulan : Dengan tingkat kepercayaan 95% hasil belajar dengan metode kelompok nilainya tidak jauh berbeda dengan nilai menggunakan metode belajar sendiri  MANUAL 1. .021.05 4. H1 : p > 0.021a (2+tailed) a. α = 0. nilai ini berada di luar daerah kritis maka terima H0. H0 : p = 0.5 2.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. Perhitungan : Program Studi Teknik Industri Universitas Diponegoro 39 . Binomial distribution used. 7. Keputusan : Terlihat bahwa pada kolom Exact Sig/Exact significance dua sisi adalah 0. Daerah kritis : α > p 5.5 3. Sign Test 6.

n = 13 + 3 = 16 Program Studi Teknik Industri Universitas Diponegoro 40 .20 Tabel Perhitungan Uji Tanda Data Dua Sampel Saling Berhubungan (1) Siswa/Siswi Kelompok Sendiri 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 60 65 65 60 60 70 75 75 70 70 75 70 75 70 65 70 80 65 65 70 85 80 75 70 80 70 75 60 60 75 75 80 75 80 70 75 65 80 70 70 70 80 67 70 70 80 80 80 75 85 Perbedaan Tanda Nilai Perbedaan + 10 + 10 -5 0 0 + 15 + 5 + 5 0 0 + 10 0 0 0 0 -5 + 5 0 0 + 5 0 0 0 0 + 2 + 5 0 0 -5 0 0 + 5 + 5 + 5 Banyaknya tanda positif.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3. R = 13 Banyaknya tanda negatif. r = 3 Banyaknya observasi yang relevan.

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 0,0106

SPSS

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 Universitas Diponegoro

41

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 Descriptive Statistics N Minimum Maximum 25 25 25 60.00 60.00 Mean Std. Deviation 6.66458 6.47508

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

Kelompok Sendiri Valid N (listwise)

85.00 70.6000 85.00 73.4800

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

Ranks N sendiri – kelompok Negative Ranks Positive Ranks Ties Total a. sendiri < kelompok b. sendiri > kelompok c. sendiri = kelompok 3 13
a b

Mean Rank Sum of Ranks 7.00 8.85 21.00 115.00

9c 25

Program Studi Teknik Industri Universitas Diponegoro

42

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 Universitas Diponegoro

43

maka daerah kritisnya Thitung ≤ 30 6. Thitung = |jumlah angka peringkat bertanda negatif| = 21 Program Studi Teknik Industri Universitas Diponegoro 44 .25 Tabel Perhitungan Uji Tanda Data Dua Sampe Saling Berhubungan (1) Perbedaan Siswa/Siswi Kelompok Sendiri Nilai 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 60 65 65 60 60 70 75 75 70 70 75 70 75 70 65 70 80 65 65 70 85 80 75 70 80 70 10 75 10 60 -5 60 0 75 15 75 5 80 5 75 0 80 10 70 0 75 0 65 -5 80 5 70 0 70 5 70 0 80 0 67 2 70 5 70 0 80 -5 80 0 80 5 75 5 85 5 JUMLAH Harga Peringkat Mutlak Bertanda Peringkat Perbedaan Positif Negatif 10 14 +14 10 14 +14 5 7 -7 (diabaikan) 0 15 16 +16 5 7 +7 5 7 +7 (diabaikan) 0 10 14 +14 (diabaikan) 0 (diabaikan) 0 5 7 -7 5 7 +7 (diabaikan) 0 5 7 +7 (diabaikan) 0 (diabaikan) 0 2 1 +1 5 7 +7 (diabaikan) 0 5 7 -7 (diabaikan) 0 5 7 +7 5 7 +7 5 7 +7 +115 -21 5. α = 0.05 dan n (jumlah peringkat) = 16.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3.

Keputusan : 21 < 30 . Kesimpulan : Terdapat perbedaan nilai antara metode belajar sendiri dan kelompok Tabel 3.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 7. maka H0 ditolak 8. Pada perhitungan manual menggunakan daerah kritis T hitung (jumlah peringkat bertanda negative) lebih dari T tabel. Perbedaan tersebut dikarenakan daerah kritisnya berbedabeda.26 Perbandingan Uji Wilcoxon Output SPSS dan Manual Manual 21 SPSS Analisis : Hasil perhitungan Uji Wilcoxon dengan menggunakan output SPSS dan perhitungan manual mempunyai perbedaan nilai yang sangat signifikan.nya. Program Studi Teknik Industri Universitas Diponegoro 45 . sedangkan pada output SPSS hasil pengujiannya dapat dilihat pada nilai Asymp Sig. Tetapi kesimpulan yang didapat sama bahwa terdapat perbedaan nilai antara metode belajar sendiri dan kelompok.

Data dari wali kelas sebagai berikut.27 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (2) Siswa/Siswi Sendiri 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Program Studi Teknik Industri Universitas Diponegoro Kelompok 0 1 1 1 1 1 1 0 1 1 0 1 0 1 0 1 1 0 1 0 0 0 1 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 1 1 1 1 0 1 46 .2 Uji Mc Nemar a. Kesan biasa saja = 0.1.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3. Data Dan Kemudian Kepala Sekolah juga memintai Wali Kelas untuk menanyakan kepada sswa/i kesan pembelajaran sendiri dan kelompok.2. kesan suka = 1 Tabel 3.

47610 Minimum .29 Output SPSS Uji Mc Nemar (1) Dua Sampel Saling Berhubungan (2) sendiri & kelompok kelompok sendiri 0 1 0 3 5 1 7 10 Program Studi Teknik Industri Universitas Diponegoro 47 .00 .00 Maximum 1.0000 1.6000 .28 Tabel Output Descriptive Statistics SPSS Data Dua Sampel Saling Berhubungan (2) Tabel 3.H0 = proporsi pembelajaran sendiri dan berkelompok sama besar 2. Pengolahan Data 1.27 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (2) 23 24 25 0 1 1 1 1 1 b.50000 .0000 1.0000 75th 1. Perhitungan :  SPSS Descriptive Statistics Percentiles N sendiri kelompok 25 25 Mean . Deviation .0000 .H1 = proporsi pembelajaran sendiri dan berkelompok tidak sama besar.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Laanjutan Tabel 3.05 4.0000 50th (Median) 1.0000 Tabel 3. 3.α = 0.6800 Std.00 1.00 25th .

selain itu terima H0 Perhitungan: 3.05 Daerah Kritis : Z hitung > Z tabel H0 ditolak. Keputusan: karena z hitung < z tabel maka H0 diterima Kesimpulan: Proses pembelajaran berkelompok tidak mengubah sikap para siswa. Keputusan : Terima H0 karena Exact Sig. Z tabel = 1. H1 = proporsi pembelajaran sendiri dan berkelompok tidak sama besar α = 0.  1. 5. Manual H0 = proporsi pembelajaran sendiri dan berkelompok sama besar 2.774 > α 7. Kesimpulan : Tidak terdapat perubahan pembelajaran secara berkelompok atau sendiri. 4. McNemar Test 25 . Program Studi Teknik Industri Universitas Diponegoro 48 .64 6. (2-tailed) a. (2-tailed) = 0. Binomial distribution used.774 a 6. b. 7.30 Output SPSS Uji Mc Nemar (2) Dua Sampel Saling Berhubungan (2) Test Statistics b sendiri & kelompok N Exact Sig.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3.

31 Perbandingan Output SPSS dan Manual Uji Mc Nemar SPSS Exact Sig.2. (2-tailed) sebesar 0.1 Uji Mann Whitney dan Uji Kolmogorov-Smirnov a.1.58.2 Tidak Saling Berhubungan 3. yang juga menyatakan bahwa H0 diterima. 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 3.774 menyatakan bahwa H0 diterima. (2-tailed) = 0.32 Data k =2 Tidak Saling Berhubungan Bulan 1 2 3 4 5 6 7 TUJUH 4 6 4 5 5 6 5 Sekolah Lain 3 4 2 1 3 4 5 Program Studi Teknik Industri Universitas Diponegoro 49 . Penerimaan H0 tersebut membuktikan bahwa Proses pembelajaran berkelompok tidak mengubah sikap para siswa.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 c. Analisis Tabel 3. 3.774 MANUAL Tabel diatas merupakan tabel perbandingan perhitungan Uji Mc Nemar pada Output SPSS dan Manual. Sedangkan dengan pengujian secara manual nilai z sebesar 0. Pada output SPSS terlihat nilai Exact Sig.2.

 H0 = Prestasi Sekolah Tujuh = Prestasi Sekolah Lain H1 = Prestasi Sekolah Tujuh > Prestasi Sekolah Tujuh Taraf Nyata = 0. 4. b Grouping Variable: Sekolah 6.50 Tabel 3.)] a Not corrected for ties. Keputusan Kesimpulan Lain : Tolak H0 karena nilai 0. Sig.500 33.05 Wilayah Kritis = P(U) < α Perhitungan : SPSS Tabel 3. (2-tailed) Exact Sig. 5. 7.33 Output SPSS Uji Mann Whitney (1) Data k =2 Tidak Saling Berhubungan Ranks Prest asi Sekolah Tujuh Sekolah lain Total N 7 7 14 Mean Rank 10.0064 < 0.34 Output SPSS Uji Mann Whitney (2) Data k =2 Tidak Saling Berhubungan Test Statistics(b) Prestasi 5. Uji Mann Whitney 1.79 Sum of Ranks 71. [2*(1-tailed Sig.05 : Prestasi Sekolah Tujuh > Prestasi Sekolah Program Studi Teknik Industri Universitas Diponegoro 50 .50 33.013 . 3.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 b.489 .011(a) Mann-Whitney U Wilcoxon W Z Asymp.500 -2.21 4. 2.

33.5 2 1 3.71. H0 = Prestasi Sekolah Tujuh = Prestasi Sekolah Lain 2.5 U = n1n2 +1/2 n1(n1+1)-R1 = 7.7 + ½ 7(7+1).5 ∑ R2= 33.5 6.5 10.5 U = n1n2 +1/2 n2(n2+1)-R2 = 7.5 6. H1 = Prestasi Sekolah Tujuh > Prestasi Sekolah Tujuh 3.428 P (z ≤ -2. Wilayah Kritis = P(U) < α 5.5 13.0075 Program Studi Teknik Industri Universitas Diponegoro  51 .428) = 0.5 = 43.5 13. Taraf Nyata = 0.5= 5.7 + ½ 7(7+1). Perhitungan : Tabel 3.5 z 1 5.05 4.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15  MANUAL 1.35 Tabel Ranking Data Data k =2 Tidak Saling Berhubungan No Sekolah Tujuh 1 2 3 4 5 6 7 6.5 10.5 ∑R1=71.5 10.5 Sekolah Lain 3.5   7  7 2 1  7  7(7  7  1) 12  2.5 10.5 6.

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. Uji Kolmogorov-Smirnov Z 1.0075 sehingga H 0 ditolak karena 0. H0 2. Kesimpulan : Tolak H0 karena nilai 0. karena mungkin terjadi perbedaan pembulatan pada SPSS dan manual.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 6.05.05 3.0064 Manual 0.0075 Dari perhitungan manual didapatkan nilai P = 0. Jadi. Pada akhirnya.0075 < 0. dapat disimpulkan bahwa prestasi sekolah tujuh lebih banyak daripada prestasi yang diperoleh sekolah lain yang belum memiliki kelas internasional.0075 < 0. Wilayah Kritis Program Studi Teknik Industri Universitas Diponegoro 52 . Keputusan 7. Namun terjadi sedikit perbedaan nilai hasil output SPSS dengan nilai perhitungan manual.36 Perbandingan Nilai P antara Output Software dengan Manual P SPSS 0. H1 : 1 = 2 : 1   2 : 0.05 : Prestasi Sekolah Tujuh > Prestasi Sekolah Lain c.0064. Taraf Nyata 4.05 : P < 0. c. Analisis Tabel 3.

(2-tailed). Dengan nilai P yang lebih besar daripada 0.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 5.000 -. Grouping Variable: Sekolah Absolute Positiv e Negativ e Prest asi .05 : Rataan prestasi sekolah tujuh sama dengan rataan prestasi sekolah lain. Program Studi Teknik Industri Universitas Diponegoro 53 .203 dan pada uji ini nilai kritis berada pada P < 0. Analisis Pada perhitungan Uji Kolmogorov Smirnov Z dengan menggunakan SPSS.38 Output SPSS Uji Kolmogorov Smirnov-Z Data k =2 Tidak Saling Berhubungan Test Statisticsa Most Extreme Dif f erences Kolmogorov -Smirnov Z Asy mp.37 Output SPSS Frekuensi Data k =2 Tidak Saling Berhubungan Frequencies Prest asi Sekolah Tujuh Sekolah lain Total N 7 7 14 Tabel 3. (2-tailed) a. Hasil ini menunjukkan bahwa pada uji ini H0 diterima karena nilai P tidak memasuki daerah kritis. Kesimpulan : Terima H0 karena nilai 0. nilai P diperoleh dari nilai Asymp.203 > 0.05 menunjukkan hasil bahwa nilai rataan prestasi sekolah tujuh sama dengan rataan prestasi sekolah lain.Dari output SPSS didapatkan nilai P = 0. Sig. Keputusan 7. Perhitungan :  SPSS Tabel 3.203 6.571 .069 . Sig.05.571 1.

1.s2 = 0 H1 : s1 .2 Uji Moses. Uji Walt-Wolfowitz Runs. 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. dan Uji Jumlah Rank a. Uji Moses 1.s2  0  : 0.2. 4.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3.05 Program Studi Teknik Industri Universitas Diponegoro 54 . 3. Ho : s1 .39 Data k =2 Tidak Saling Berhubungan Bulan 1 2 3 4 5 6 7 TUJUH Sekolah Lain 4 3 6 4 4 2 5 1 5 3 6 4 5 5 b. 2.05 Daerah kritis : P <  = P < 0.

P >  = 0. (1-tailed) Sig.015 8 . Program Studi Teknik Industri Universitas Diponegoro 55 . Grouping Variable: Sekolah 6.5 > 0.b Observ ed Control Group Span Trimmed Control Group Span Prest asi 8 .05. (1-tailed) Outliers Trimmed f rom each End a. Hasil ini menunjukkan bahwa selisih antara standar deviasi prestasi sekolah tujuh sama dengan selisih standar deviasi prestasi sekolah lain. Moses Test b.40 Output SPSS Uji Moses Tabel 3. Keputusan : Terima H0. Kesimpulan: selisih antara standar deviasi prestasi sekolah tujuh dan prestasi sekolah lain sama.05 7. karena berdasarkan nilai probabilitas.5 > 0. Data k =2 Tidak Saling Berhubungan Test Statisticsa.  Perhitungan : SPSS Tabel 3.5 sehingga H 0 diterima karena P >  = 0. Analisis Dari perhitungan manual didapatkan nilai P = 0. Nilai P diperoleh dari nilai Group Span Sig. (1-tailed) yang berada pada output SPSS hasil Uji Moses.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 5.500 1 Sig.

000 > -1. b.c Number of Runs 4a 8a Z -1. Wilayah Kritis : Zhitung<-Z0.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 c. 41 Frekuensi Data k =2 Tidak Saling Berhubungan Frequencies Prest asi Sekolah Tujuh Sekolah lain Total N 7 7 14 Tabel 3. Program Studi Teknik Industri Universitas Diponegoro 56 .000 Exact Sig. Uji Walt-Wolfowitz Runs  SPSS 1.617 Prest asi Minimum Possible Maximum Possible a. H1 : Prestasi Sekolah Tujuh tidak berasal dari populasi yang identik dengan sekolah lainnya. Grouping Variable: Sekolah 6. Wald-Wolf owitz Test c. There are 2 inter-group ties inv olv ing 8 cases. Kesimpulan : Terima H0 karena nilai -1.025 atau Zhitung<1.947 .96 dan : Prestasi sekolah tujuh berasal dari populasi yang identik dengan prestasi sekolah lain. (1-tailed) .05 4. Keputusan 0.947 > -1. H0 : Prestasi Sekolah Tujuh berasal dari populasi yang identik dengan sekolah lainnya.96 dan Zhitung>1. Taraf Nyata : 0.42 Output SPSS Uji Wald Wolfowitz Data k =2 Tidak Saling Berhubungan Test Statisticsb.025 dan Zhitung>Z0.025 .96 5. 2. Perhitungan : Tabel 3.96 7. 3.

96 dan lebih besar daripada -1. d.00 sedangkan pada uji ini nilai kritis berada pada Zhitung<-1.05  4. Taraf Nyata = 0. hal ini menunjukkan bahwa prestasi sekolah tujuh berasal dari populasi yang identik dengan prestasi sekolah lain. H0 = 1  2 H1 = 1  2 3. Uji Jumlah Rank  MANUAL 1.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Analisis Pada perhitungan Uji Walt Wolfowitz Runs dengan menggunakan SPSS. Wilayah Kritis = u < 8 (Tabel L. nilai Z diperoleh dari nilai Z maximum possible dan Z minimum posible.947 dan Z minimum sebesar 0. 2. Dari hasil output SPSS yang diperoleh.96.17)  Program Studi Teknik Industri Universitas Diponegoro 57 .96 dan Zhitung>1. 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.Dari outpust SPSS didapatkan nilai Z maksimum sebesar -1.

5   6.5 10. Keputusan : Tolak H0 karena nilai 5.5  2  sehingga u = 5.5 ∑R1=71.5 13.5 10. 6. Perhitungan : No Sekolah Tujuh 1 2 3 4 5 6 7 ∑R1=71.5 ∑ R2= 33.5 < 8 7.5    43.5 6.5 10.5 13.5 Sekolah Lain 3.43 Rank Uji Jumlah Rank Data k =2 Tidak Saling Berhubungan  78  u1  71.5  2   78  u 2  33.5 2 1 3.5 6. Kesimpulan : Prestasi Sekolah Tujuh > Prestasi Sekolah Lain Program Studi Teknik Industri Universitas Diponegoro 58 .5 6.5 Tabel 3.5 Jadi.5 10.5 ∑ R2= 33.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 5.5    5.

dapat disimpulkan bahwa prestasi sekolah tujuh lebih banyak daripada prestasi yang diperoleh sekolah lain yang belum memiliki kelas internasional.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Analisis Dari perhitungan manual didapatkan nilai u = 5. Hasil ini menyatakan bahwa nilai rataan prestasi sekolah tujuh berbeda dengan rataan prestasi sekolah lainnya.1 Uji Friedman dan Uji Kendall W a.5 sehingga H0 ditolak karena 5.3 Non Parametrik Lebih Dari Dua Sampel 3.1 Saling Berhubungan 3. 3. Pada SMA Judika sebenarnya tidak hanya kelas internasional saja namun juga terdapat kelas percepatan dan kelas reguler.5 < 8. apakah terdapat perbedaan yang yang jelas. Tabel 3. Setiap bulan Kepala Sekolah meminta wakil kepala sekolah bagian akademik untuk menilai tingkat kesuksesan pencapaian akademis dari ketiga jenis kelas disekolahnya.2. Jadi.1. Data Setiap bahan ajar tak pernah lupa untuk disebarkan kepada para siswa dan siswinya yang ada di bangku kelas Internasional.2.44 Data Statistik Non Parametrik k>2 Saling Berhubungan Bulan 1 2 3 4 5 6 7 Reguler 70 71 70 70 75 75 80 Eksel 80 85 84 80 82 80 89 Internasional 70 80 85 80 81 80 87 Program Studi Teknik Industri Universitas Diponegoro 59 .

04 Program Studi Teknik Industri Universitas Diponegoro 60 .05  SPSS Friedman Test Tabel 3.44 Data Statistik Non Parametrik k>2 Saling Berhubungan 8 9 10 11 12 75 75 78 86 75 80 88 87 90 91 81 79 75 80 85 b. 3. H1: Sekurang-kurangnya salah satu kelas memiliki tingkat kesuksesan yang lebih besar.75 2.45 Output SPSS Statistik Non Parametrik k>2 Saling Berhubungan Ranks Mean Rank Reguler Eksel Internasional 1.21 2. Daerah kritis : nilai asymp sig < 0. Uji Friedman 1. H0 : Ketiga jenis kelas mempunyai tingkat kesuksesan yang sama 2.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Lanjutan Tabel 3.

Friedman Test  MINITAB Friedman Test: C1 versus C2 blocked by C3 S = 14. H0 : ketiga jenis kelas mempengaruhi penilaian 2. H1 : Tidak semua jenis kelas mempengaruhi penilaian 3.46 Output SPSS Uji Friedman Statistik Non Parametrik k>2 Saling Berhubungan Test Statisticsa N Chi-Square Df Asymp.000 84.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Tabel 3. Sig/Asymptotic significance dua sisi adalah 0.167 4. s nilai ini berada pada daerah kritis.001 P = 0. maka tolak H0. 5.0 24. Keputusan : Terlihat bahwa pada kolom Asymp.5 C2 1 2 3 N 12 12 12 Est Median 75.29 S = 15.348 Program Studi Teknik Industri Universitas Diponegoro 61 .5 33. Kesimpulan : Terdapat sekurang-kurangnya salah satu kelas memiliki tingkat kesuksesan yang besar lebih besar. Sig.500 81.000.000 a.000 (adjusted for ties) Sum of Ranks 14.  MANUAL 1. dan nilai P < α. 12 15.000 Grand median = 80.24 DF = 2 DF = 2 P = 0.244 2 . α v=2 2 Daerah Kritis r > 9.

47 Rank Data k > 2 Saling Berhubungan Bulan 1 2 3 4 5 6 7 8 9 10 11 12 Reguler 1. Perhitungan : Tabel 3.5 2 2.52) – 3(12)(4) 5.5 3 2 3 3 3 3 Internasional 1. Keputusan : terima H0 2 r < 9. Kesimpulan : Semua jenis kelas mempengaruhi penilaian Program Studi Teknik Industri Universitas Diponegoro 62 .5 2 3 2.5 2 3 2 1 1 2 2 r= = = -95. maka 6.295 ( 14.5 1 1 1 1 1 1 1 1 2 2 1 Eksel 3 3 2 2. tidak berada didaerah kritis.52 + 332 + 24.348.5 3 2.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 4.

maka tolak H0. Daerah kritis : nilai asymp sig < 0..000.635 15.21 2. 3.05  SPSS Kendall's W Test Tabel 3. H1: Ada keselarasan diantara kesuksesan pencapaian akademis dari ketiga jenis.04 Tabel 3.244 2 . Program Studi Teknik Industri Universitas Diponegoro 63 .Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 c. Sig/Asymptotic significance dua sisi adalah 0.75 2. H0 : Tidak ada keselarasan diantara kesuksesan pencapaian akademis dari ketiga jenis. 2.000 a.49 Output SPSS Uji Kendall W Statistik Non Parametrik k>2 Saling Berhubungan Test Statistics N Kendall's W a Chi-Square df Asymp. Uji Kendall W 1. nilai ini berada pada daerah kritis. Keputusan : Terlihat bahwa pada kolom Asymp. 12 . Sig. Kendall's Coefficient of Concordance 4.48 Output SPSS Statistik Non Parametrik k>2 Saling Berhubungan Ranks Mean Rank Reguler Eksel Internasional 1.

3.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 5. dan Manual pada Uji Friedman. Hal ersebut juga menjadi perhatian Kepala Sekolah. nilai ini berarti bahwa Semua jenis kelas mempengaruhi penilaian suatu sekolah. Data Fasilitas sekolah secara umum ruang belajar.295.001.000 Tabel 3.295 Tabel di atas merupakan tabel perbandingan output MINITAB. dan lapangan olahraga. Berikut data yang diperoleh: Tabel 3.membuktikan bahwa peluang nilainya ialah 0.000. yakni 0.51 Data k>2 Saling Berhubungan (Cochran) Siswa/i 1 2 3 4 5 6 7 Program Studi Teknik Industri Universitas Diponegoro Lab 1 1 0 1 1 1 0 Ruang Belajar 0 0 0 0 0 1 1 Fasilitas Olahraga 1 1 1 1 1 1 0 64 . nilai 2 r yang didapat melalui Uji friedman adalah sebesar -95. Sedangkan nilai p MINITAB hanya ada pada uji Friedman. lab.1. Kesimpulan : Ada keselarasan diantara kesuksesan pencapaian akademis dari ketiga jenis. c.2 Uji Cochran Q a.001 . SPSS. Sig.001 MANUAL 2 r = -95. Dari tabel tersebut terlihat bahwa nilai asymsig pada kedua uji memiliki nilai yang sama. Sedangkan melalui perhitungan manual.2. Analisis Uji Friedman SPSS Asymp. Nilai p sebesar 0. Kepala Sekolah meminta wakil Kepala Sekolah bagian fasilitas sekolah untuk yang diberikan telah sesuai harapan. 0.50 Perbandingan Output Software dan Manual Uji Friedman MINITAB P = 0.

Pengolahan Data 1.51 Data k>2 Saling Berhubungan (Cochran) 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 1 0 0 0 0 1 0 1 1 1 1 1 1 0 0 1 0 1 1 1 0 0 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 0 0 0 1 1 1 1 b.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 Lanjutan Tabel 3.05 Program Studi Teknik Industri Universitas Diponegoro 65 . H0 : Semua fasilitas sekolah menunjang tingkat penilaian 2. H1: Tidak semua fasilitas sekolah menunjang tingkat penilaian 3. Daerah kritis : nilai asymp sig < 0.

0 4. α = 0. Keputusan : Terlihat bahwa pada kolom Asymp. H1 : Tidak semua fasilitas sekolah menunjang tingkat penilaian 3. 25 3. nilai ini tidak berada pada daerah kritis.900 a 2 . H0 : Semua fasilitas menunjang tingkat penilaian 2. 5. Sig.  MANUAL 1. 1 is treated as a success. Kesimpulan : Semua fasilitas sekolah manunjang tingkat penilaian. Daerah Kritis : t ≥ X2α(k-1) t ≥ X20.991 Program Studi Teknik Industri Universitas Diponegoro 66 .05(2) t ≥ 5. Sig/Asymptotic significance dua sisi adalah 0. maka terima H0.142 a. 4.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15  SPSS Cochran Test Tabel 3.142.52 Output SPSS Frekuensi Data k>2 Saling Berhubungan (Cochran) Frequencies Value 0 Lab Ruang_Belajar Fasilitas_Olahraga 10 12 5 1 15 13 20 Tabel 3.53 Output SPSS Uji Cochran Data k>2 Saling Berhubungan (Cochran) Test Statistics N Cochran's Q Df Asymp.

H0 diterima : Semua fasilitas menunjang tingkat penilaian c. didapat nilai T sebesar 3. Sig.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 5. maka H0 diterima. 0. Analisis Tabel 3.54 Perbandingan Uji Cochran Hasil Output SPSS dan Manual SPSS Asymp.output SPSS sebesar 0.9 < 5. Perhitungan : V = c-1 = 3-1 = 2 6.9. sehingga H0 diterima. nilai ini juga tidak berada pada daerah kritis. Keputusan 7. Kesimpulan : 3.142 karena nilai ini tidak berada pada daerah kritis. Sedangkan pada perhitungan manual.142 Manual T= Berdasarkan tabel diatas terlihat nilai Asymp. Sig.991. Dari kedua uji ini dapat ditarik kesimpulan bahwa Semua fasilitas menunjang tingkat penilaian Program Studi Teknik Industri Universitas Diponegoro 67 .

55 Data k > 2 Tidak Saling Berhubungan Bulan 1 2 3 4 5 TUJUH 80 87 80 70 85 Strada 90 85 80 90 95 Ranger 97 98 90 90 95 b. 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. H0 : μ1 = μ2 = μ3 H1 : Menunjukkan perbedaan fasilitas Taraf nyata α : 0. 3.1.2 Tidak Saling Berhubungan 3. Tabel 3.2.1 Uji Kruskal Wallis a.2. 4.991 Program Studi Teknik Industri Universitas Diponegoro 68 . Pengolahan Data 1. 2.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 3.05 Daerah Kritis : H > X2α(k-1) H > 5.

9 8.00 12.b Chi-Square df Asy mp.90 8. Grouping Variable: sekolah  MINITAB Kruskal-Wallis Test on fasilitas sekolah 1 2 3 Overall H = 8. Sig.0 Z -2. 7. Keputusan Kesimpulan : 8.41 H = 8.65 N 5 5 5 15 Median 80.013 a.652 2 .56 Rank Data k > 2 Tidak Berhubungan Ranks f asilitas sekolah Strada Tujuh Ranger Total N 5 5 5 15 Mean Rank 3.00 90.1 8.57 Output SPSS Uji Kruskal Wallis Test Statisticsa.51 0. H0 ditolak : Menunjukkan perbedaan fasilitas Program Studi Teknik Industri Universitas Diponegoro 69 .013 (adjusted for ties) 6.00 2.51 DF = 2 DF = 2 P = 0.10 Tabel 3.991 .00 95. Kruskal Wallis Test b.0 12.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 5.00 Ave Rank 3. f asilitas 8.015 P = 0.41 > 5.  Perhitungan : SPSS Tabel 3.

991 5.5 H= 12  2 40 2 60.5 9.991 .5 12. 2.5 12.52  19. 4.5 Sekolah Strada 9. Kesimpulan : Menunjukkan perbedaan fasilitas Program Studi Teknik Industri Universitas Diponegoro 70 .5 19. 3.5     316 5 5  1516 5 6. H0 ditolak  7.05 Daerah Kritis : H > X2α(k-1) H > 5.405 > 5.5 5.5 3 9. Keputusan : 8. H0 : μ1 = μ2 = μ3 H1 : Menunjukkan perbedaan fasilitas Taraf nyata α : 0.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15  MANUAL 1.58 Rank Data k > 2 Tidak Berhubungan Data k > 2 Tidak Berhubungan No 1 2 3 4 5 ∑ Sekolah Tujuh 3 7 3 1 5.5 40 Sekolah Ranger 14 15 9. Perhitungan : Tabel 3.5 60.

60 Data k > 2 Tidak Berhubungan (Uji Median) Bulan 1 2 3 4 5 TUJUH 80 87 80 70 85 Strada 90 85 80 90 95 Ranger 97 98 90 90 95 Program Studi Teknik Industri Universitas Diponegoro 71 . SPSS.991).2.652 Minitab 8. Analisis Tabel 3. dan Minitab telah diketahui bahwa nilai H menunjukkan H0 ditolak karena nilai H yang diperoleh dari perhitungan manual adalah 8. 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.59 Perbandingan Nilai H antara Output Software dengan Manual Data k > 2 Tidak Berhubungan H SPSS 8. 3. Perbedaan nilai ini muncul disebabkan karena perbedaan hasil pembulatan antara Minitab dan SPSS.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 c.652(lebih besar dari 5.41 Manual 8.2 Uji Median a. Tabel 3.405 Dari perhitungan manual. Begitu juga dengan nilai H yang diperoleh dari output SPSS.405 dan minitab sebesar 8.991.1. Hal ini menunjukkan bahwa ketiga sekolah memiliki fasilitas yang berbeda-beda. Hasil analisis dengan Kruskal Wallis diperoleh nilai H pada output SPSS sebesar 8.41 sedangkan daerah kritisnya adalah H > 5.

773a 2 . H0 H1 sama 3. Sig.62 Output SPSS Uji Median Data k > 2 Tidak Berhubungan Test Statisticsb Nilai N Median Chi-Square df Asymp. Pengolahan Data 1.Laporan Praktikum Statistika Industri Modul 1 “Statistik Non Parametrik” Kelompok 15 b.61 Output SPSS Frekuensi Median Data k > 2 Tidak Berhubungan Frequencies Sekolah TUJUH Nilai > Median <= Median 0 5 Strada 1 4 Ranger 3 2 Tabel 3. 2.05 Perhitungan : SPSS Median Test Tabel 3. 15 90.092 Program Studi Teknik Industri Universitas Diponegoro 72 .0000 4. 4.  Taraf Nyata : 0.05 : Ketiga sekolah memiliki median yang sama : Ketiga sekolah tidak memiliki median yang Wilayah Kritis : P < 0. 5.

092 sedangkan daerah kritisnya adalah P < 0.0 Overall median = 90.63 Perbandingan Nilai P antara SPSS dan Minitab Data k > 2 Tidak Berhubungan (Uji Median) P SPSS 0.0% 6. Program Studi Teknik Industri Universitas Diponegoro 73 .0 80.5 P = 0.05 7.0% CIs ---+---------+---------+---------+--(------------*--------) (-----------*------) (------*--) ---+---------+---------+---------+--72.092 > 0.0 88.006 Individual 95.0 95. Hasil analisis dengan uji Median diperoleh nilai P diperoleh dari nilai Asymp.0 7.0 90.006 Dari perhitungan SPSS dan Minitab telah diketahui bahwa nilai H menunjukkan H0 diterima karena nilai P yang diperoleh dari output SPSS adalah 0.0 96.0 10. Sig pada SPSS.092 Minitab 0.18 DF = 2 Sekolah 1 2 3 N< 5 2 0 N>= 0 3 5 Median 80.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. Keputusan : Terima H0 karena nilai 0.0 * NOTE * Levels with < 6 observations have confidence < 95. Analisis Tabel 3.05. Hal ini menunjukkan bahwa ketiga sekolah memiliki median yang sama. Kesimpulan : Ketiga sekolah memiliki median yang sama c.0 Q3-Q1 11.

Uji Runs. digunakan Uji Mann Whitney. Uji statistik nonparametrik banyak sekali jenisnya dan memiliki penggunaan yang berbeda. 3. pengujian dapat dilakukan dengan cara Uji Binomial. Sedangkan pada statistik nonparametrik independen k>2. digunakan Uji Kruskal Wallis dan Uji Median. 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). Program Studi Teknik Industri Universitas Diponegoro 74 . Untuk mengolah data satu sampel. interval. Dalam mengolah statistik nonparametrik independen k=2. Uji Kolmogorov-Smirnov. serta minimal data ordinal (bisa ordinal. Statistik nonparametrik digunakan ketika data tidak memenuhi asumsi klasik. Statistik nonparametrik digunakan untuk mengolah data-data yang bersifat tidak normal (tidak berdistribusi normal) sehingga tidak diperlukan uji kenormalan. 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.1 Kesimpulan Dari praktikum yang sudah dilaksanakan dapat diambil beberapa kesimpulan yaitu : 1.Laporan Praktikum Statistika Industri Modul 3 “Statistik Non Parametrik” Kelompok 15 BAB IV PENUTUP 4. 2. dan rasio) untuk uji lainnya. dan Uji Chi-Square 5. 4. dan Uji Wald Wolfowitz. Biasanya sampel yang diambil untuk uji-uji pada statistik nonparametrik hanya sedikit. Uji Kolmogorov Smirnov Z. 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. agar tidak memenuhi asumsi normal. Data yang digunakan bisa berupa data nominal untuk uji Cochran dan uji Mc Nemar. Uji Moses.

280 Uji Tanda Dependen k=2 0. Hasil belajar dengan metode kelompok nilainya tidak jauh berbeda dengan nilai menggunakan metode belajar sendiri. Program Studi Teknik Industri Universitas Diponegoro 75 . Uji Wilcoxon Dependen k=2 115 Terima H0 karena nilai 115 > 30 Uji Mc Nemar Dependen k=2 0.05 Tidak ada perbedaan nilai antara metode belajar sendiri dan kelompok Tidak terdapat perubahan pembelajaran secara berkelompok atau sendiri.842 Satu Sampel 13.0021 Terima H0 karena nilai 0.774 > 0. Dalam mengolah statistik nonparametrik dependen k=2.774 Tolak H0 karena nilai 0. Sedangkan pada statistik nonparametrik dependen k>2 . digunakan Uji Wilcoxon. dan Uji Mc Nemar.108 Uji Runs Uji Kolmogorov Smirnov Uji ChiSquare Satu Sampel 11 Satu Sampel 0. Hasil praktikum yang didapatkan : Tabel 4. Data mengikuti sebaran distribusi normal. digunakan Uji Cochran dan Uji Friedman. Uji Tanda. Sebaran data pengumpulan bahan ajar mengikuti distribusi normal.842 > 0.05 Terima H0 karena 9 < 11 < 16 Terima H0 karena nilai 0.108 > 0.0021 < 0.05 Terima H0 karena nilai 13.415 Uji Binomial Satu Sampel 0.Laporan Praktikum Statistika Industri Modul 3 “Statistik Non Parametrik” Kelompok 15 6. 7.1 Hasil Uji Statistik Nonparametrik Jenis Uji Keterangan Nilai Keputusan Terima H0 karena nilai 0.05 Kesimpulan Tingkat keberhasilan pada kelas internasional sebesar 50% Data dapat bersifat random.280 < 36.

0075 < 0.5 > 0.203 Terima H0 karena nilai 0.295 < 9.5 Uji Wald Wolfowitz Runs Independen k=2 -1.00 Uji Jumlah Rank Independen k=2 5.05 Prestasi sekolah tujuh lebih banyak daripada prestasi yang diperoleh sekolah lain Uji KolmogorovSmirnov Z Independen k=2 0. Prestasi sekolah tujuh lebih Tolak H0 karena banyak daripada nilai 5.348 penilaian.96 yang identik dan 0.05 Rataan prestasi sekolah tujuh sama dengan rataan prestasi sekolah lain.Laporan Praktikum Statistika Industri Modul 3 “Statistik Non Parametrik” Kelompok 15 Lanjutan Tabel 4.0075 Tolak H0 karena nilai 0.947 > -1.05 dan prestasi sekolah lain sama Prestasi sekolah Terima H0 tujuh berasal karena nilai dari populasi -1.1 Hasil Uji Statistik Nonparametrik Uji MannWhitney Independen k=2 0. Program Studi Teknik Industri Universitas Diponegoro 76 .203 > 0.947 0.295 Selisih antara standar deviasi prestasi Terima H0 karena sekolah tujuh nilai 0.96 dengan prestasi sekolah lain.5 Uji Friedman Dependen k>2 -95.5 < 8 prestasi yang diperoleh sekolah lain Semua jenis Terima H0 kelas karena nilai mempengaruhi 95. Uji Moses Independen k=2 0.00 > -1.

41 > fasilitas 5.05 Ketiga merk tidak memiliki median yang sama Uji Median Independen k>2 0.2 Saran Beberapa hal yang dapat kami sarankan antara lain : 1.05 pencapaian akademis dari ketiga jenis. 4.05 tingkat penilaian. menganalisis dengan baik sehingga dapat diaplikasikan dalam kehidupan. Sebaiknya praktikan lebih memperbanyak referensi dalam mengerjakan laporan praktikum modul ini.00 < 0.00 Uji Cochran Q Dependen k>2 0.Laporan Praktikum Statistika Industri Modul 3 “Statistik Non Parametrik” Kelompok 15 Lanjutan Tabel 4. Sebaiknya asisten dan praktikan memahami betul konsep mengenai statistik nonparametrik agar tidak terjadi kesalahan dalam pengolahan data.991 Tolak H0 karena nilai 0. Program Studi Teknik Industri Universitas Diponegoro 77 .002 4. Seharusnya praktikan dapat mempelajari betul langkah-langkah dalam menggunakan software.1 Hasil Uji Statistik Nonparametrik Uji Kendall W Dependen k>2 0. baik SPSS maupun Minitab agar output yang dihasilkan tepat.142 Uji Kruskal Wallis Independen k>2 8. Sebaiknya praktikan lebih mendalami hasil dari praktikum ini. Menunjukkan Tolak H0 karena perbedaan nilai 8.41 Ada keselarasan diantara Tolak H0 karena kesuksesan nilai 0. 2. Semua fasilitas Terima H0 sekolah karena nilai menunjang 0.002 < 0. 3.142 > 0.

Sign up to vote on this title
UsefulNot useful