Bab 2

Landasan Teori
2.1. Uji Statistik Non-Parametrik
Dalam melakukan uji statistik non-parametrik kebaikan hasil ujinya relatif
lebih rendah dibanding dengan uji parametrik. Untuk meningkatkan
kebaikan hasil ujinya, ukuran sampel harus diperbesar. Akan tetapi
bagaimanapun juga uji non-parametrik sangatlah mudah dimengerti dan
relatif lebih sederhana dibandingkan dengan uji parametrik.
Uji statistik non-parametrik dapat dikelompokkan menjadi 3 kategori,
yaitu:
1. Uji sebuah sampel yang dibandingkan dengan menggunakan suatu
distribusi tertentu. Misalnya, distribusi chi-kuadrat, binomial, normal
dan distribusi lainnya. Untuk membandingkan frekuensi observasi dari
variabel kategori dengan frekuensi harapan, digunakan uji chi-square.
Untuk membandingkan frekuensi observasi dari variabel dikotomi
dengan frekuensi harapan digunakan uji binomial. Untuk
membandingkan distribusi kumulatif observasi suatu variabel dengan
distribusi normal, uniform atau Poisson, digunakan uji kolmogorov-
smirnov satu sampel. Uji runs digunakan untuk mengetahui apakah
urutan suatu barisan pengamatan berubah-ubahsecara random.
2. Uji untuk dua grup independen (bebas) atau lebih. Perbandingan lokasi
pemusatan dua buah distribusi yang diasumsikan mempunyai bentuk
yang sama, digunakan uji 2 sampel independen U Mann Whitney yang
merupakan versi non-parametrik uji T beda rata-rata. Kelompok uji 2
sampel independen meliputi uji Z kolgomorov-smirnov, reaksi ekstrem
moses dan uji runs wald wolfowitz. Untuk lebih dari 2 grup independen,
digunakan uji H kruskal-wallis.
3. Uji variabel-variabel berpasangan (paired) atau berhubungan (related).
Untuk membandingkan 2 variabel untuk masing-masing subyek,
digunakan uji wilcxonyang merupakan versi non-parametrik uji T
berpasangan atau dependen. Kelompok ujiini meliputi uji tanda dan uji
mcnemar. Uji mcnemar sangat cocok untukmembandingan 2 variabel
kategori yang dikodekan dengan 2 nilai. Untukmembandingkan lebih
dari 2 pengukuran untuk masing-masing subyek, digunakan
Ujifriedman (untuk variabel kategori tidak biner) atau uji wkendall dan uji
q-cochran.
2.1.1. Uji Dua Sampel Berkait dan Uji K-Sampel Berkait
Pada sampel berkait (related), perlakuan atau treatment dilakukan pada
satu individu yangsama atau mendekati sama. Bila 2 perlakuan
diterapkan pada subjek yang sama, dapatdigunakan uji tanda, wilcoxon
dan uji mcnemar dengan hipotesis uji:
H0 : nilai variabel pada perlakuan 1 = perlakuan 2
H1 : nilai variabel pada perlakuan 1 perlakuan 2
Bila lebih dari 2 perlakuan diterapkan pada subjek yang sama (atau
mendekati sama), maka ujiyang digunakan adalah uji Friedman, Uji W
Kendall and uji q-cochran. Uji wkendal dan Uji q-cochran dapat digunakan
untuk nilai variabel-variabel dikotomi (biner), sedangkan ujiFriednandapat
digunakan untuk nilai-nilai yang tidak biner. Hipotesis uji k-sampel
berkaitadalah:
H0 : nilai semua variabel pada semua perlakuan bernilai sama
H1 : ada suatu variabel pada suatu perlakuan yang tidak sama
2.2.Metode Non-Parametrik
Hampir seluruh uraian tentang pengujian hipotesis berkisar pada
pengujian parametrik (parametrik test) karena pengujian sedemikian itu
tertuju pada parameter populasi seperti misalnya rata-rata, varians dan
proporsi populasi. Pengujian non-parametrik merupakan cara menguji
hipotesis secara klasik dan didasarkan pada beberapa asumsi seperti
misalnya observasi sampel yang dipilih dari populasi harus bebas stokastik
dan random.
Metode non-parametrik sebaliknya tidak pernah merumuskan kondisi
maupun asumsi mengenai populasi darimana sampelnya dipilih. Tidak
heran jika statistik non-parametrik acapkali dinamakan statistik bebas
distribusi (distribution free statistics) karena metodenya tidak
membutuhkan asumsi tentang pola distribusi populasi. Dua asumsi
tentang sampelnya memang masih dibutuhkan, yaitu:
- Observasi sampel harus independent dan random.
- Variabel harus kontinyu.
Meskipun demikian, asumsinya jelas lebih sedikit dan lunak jika
dibandingkan dengan asumsi bagi statistik parametrik. Selain daripada
itu, asumsinya bahkan boleh dipenuhi atau tidak dipenuhi dalam
penggunaan metode non-parametrik. Istilah non-parametrik dan bebas
distribusi sebetulnya tidak identik. Non-parametrik umumnya
digunakan untuk menggambarkan bentuk pengujian yang tidak
melibatkan parameter populasi yang tertentu. Sebaliknya, bebas
distribusi berarti bentuk pengujian yang tidak membutuhkan asumsi
mengenai bentuk distribusi populasi. Lepas dari perbedaan diatas,
metode non-parametrik umumnya berarti metode pengujian yang
menyangkut salah satu dari atau kedua kondisi tersebut. Dalam banyak
hal, asumsi tentang distribusi populasi yang normal memang sukar
diterima. Guna melengkapi pengujian parametrik yang tradisional,
serangkaian cara pengujian statistik yang berhubungan dengan pola
distribusi populasi yang tidak diketahui telah dikembangkan.
2.3. Keuntungan dan Kekurangan
Keuntungan menggunakan prosedur statistika non-parametrikadalah:
a Jika ukuran sampel kecil, tidak ada pilihan lain yang lebih baik dari
pada menggunakan metode statistik non parametrik, kecuali jika
distribusi populasi jelas normal.
b Karena memerlukan sedikit asumsi, umumnya metode non parametrik
lebih relevan pada situasi-situasi tertentu, sehingga kemungkinan
penerapannya lebih luas. Disamping itu kemungkinan dipergunakan
secara salah (karena pelanggaran asumsi) lebih kecil dari pada metode
parametrik.
c Metode non-parametrik dapat digunakan meskipun data diukur dalam
skala ordinal maupun interval.
d Metode non-parametrik dapat digunakan meskipun data diukur dalam
skala nominal. Sebaliknya tidak ada teknik parametrik yang dapat
diterapkan untuk data semacam itu.
Kekurangan menggunakan prosedur statistika non-parametrik adalah:
a Fleksibilitas terhadap skala pengukuran variabel, kadang-kadang
mendorong peneliti memilih metode parametrik, meskipun situasinya
memungkinkan untuk menggunakan metode parametrik. Karena
didasarkan pada asumsi yang lebih sedikit metode non-parametrik
secara statistik kurang kuat dari pada metode parametrik.
b Jika asumsi untuk metode parametrik terpenuhi, dengan ukuran
sampel yang sama, metode non-parametrik tidak memiliki kuasa
(power) dari pada metode parametrik.
c Penyederhanaan data (data reduction) dari skala rasio atau interval ke
dalam ordinal atau nominal, merupakan pemborosan informasi yang
sudah dikumpulkan.
d Meskipun konsep dan prosedur non parametrik sederhana, tetapi
pekerjaan hitung menghitung bisa membutuhkan banyak waktu jika
ukuran sampel yang dianalisis besar.
2.4. Uji Tanda
Pengujian secara parametrik mengharuskan kita membuat asumsi bahwa
bentuk kedua distribusi populasi diketahui atau dianggap normal dan
varians dari kedua populasi juga dianggap sama.
Dalam banyak eksperimen, kita sering ingin membandingkan pengaruh
hasil dua perlakuan. Untuk data yang berpasangan, satu sebagai hasil
perlakuan A dan satu lagi hasil perlakuan B, ternyata untuk
membandingkan kedua hasil perlakuan (ditinjau dari rata-rata) itu dapat
digunakan uji tanda. Uji ini sangat baik apabila syarat-syarat berikut
dipenuhi:
a) Pasangan hasil pengamatan yang sedang dibandingkan bersifat
independen
b) Masing-masing pengamatan dalam tiap pasang terjadi karena
pengaruh kondisi yang serupa
c) Pasangan yang berlainan terjadi karena kondisi yang berbeda.
Sebagaimana namanya menyatakan, uji tanda ini akan dilakukan
berdasarkan tanda, yakni + dan yang didapat dari selisih nilai
pengamatan. Misalkan hasil pengamatan Xi dan Yi masing-masing terjadi
karena perlakuan A dan B. Sampel berukuran N dapat ditulis sebagai (X1,
Y1), (X2,Y2),....,(XN,YN). Selanjutnya bentuk selisih-selisih (X1 - Y1), (X2 -
Y2),....,(XN - YN). Jika Xi> Yi kita beri tanda + (positif), dan jika Xi< Yi kita
beri tanda (negatif), sedangkan untuk Xi = Yi kita abaikan pasangan
tersebut. Misalkan n menyatakan banyak pasangan yang menghasilkan
tanda-tanda positif dan negatif setelah dihilangkan pasangan Xi = Yi.
Selanjutnya misalkan h menyatakan banyak tanda + atau yang paling
sedikit. Bilangan h ini dapat dipakai untuk menguji hipotesis:
Ho: tidak ada perbedaan pengaruh kedua perlakuan
H1: terdapat perbedaan pengaruh kedua perlakuan
Dalam hal ini, pengaruh diukur oleh rata-rata, sehingga sebenarnya, uji
tanda ini dapat digunakan untuk menguji kesamaan dua rata-rata
populasi.
Untuk menolak atau menerima hipotesis Ho dalam taraf nyata 0,01 atau
0,05 sebuah daftar telah disediakan ialah daftar. Daftar tersebut berisikan
harga-harga h sebagai batas kriteria pengujian untuk harga n yang
didapat. Kriteria tersebut adalah: tolak Ho jika harga h dari perhitungan
lebih kecil atau sama dengan harga h yang didapat dari daftar untuk taraf
nyata yang dipilih. Dalam hal lainnya, Ho diterima. Dari daftar nampak
bahwa agar supaya pengujian dapat ditentukan hasilnya, diperlukan
paling sedikit n = 6.
2.4.1. Pengujian Tanda yang Sederhana
Kita misalkan x1 dan x2 merupakan variabel random dan kita
mengemukakan sebuah hipotesis bahwa distribusi populasi x1 identik
dengan distribusi populasi x2. guna menguji hipotesis diatas, kita memilih
dua sampel random yang memiliki besaran n yang sama (n1 = n2) masing-
masing dari populasi x1 dan x2. sampel dengan besaran n1 dapat saja
terdiri dari hasil observasi x1 = jumlah produk rusak per partai yang
dihasilkan dengan menggunakan m1. Sedangkan sampel dengan besaran
n2 dapat saja terdiri dari hasil observasi x2 = jumlah produk rusak per
partai yang dihasilkan dengan menggunakan mesin m2. Prosedur
pengujian tanda yang sederhana sebetulnya didasarkan pada hasil plus
atau minus dari beda antara kedua observasi sampel diatas tanpa
memperhitungkan besaran bedanya. Andaikan distribusi kedua populasi
memang diketahui normal, maka pengujian parameter
2 1
= dengan
menggunakan statistik uji t dapat saja digunakan. Sebaliknya dalam kasus
diatas dimana distribusi kedua populasi tidak diketahui, maka pengujian
tanda seharusnya digunakan.
2.4.2. Pengujian Pangkat Bertanda
Kelemahan cara pengujian tanda sederhana ialah cara pengujian
sedemikian itu tidak memperhitungkan besaran beda nilai pasangan.
Pada tahun 1945, Frank Wilcoxon mengembangkan suatu cara pengujian
yang berbeda dan dinamakan pengujian pangkat bertanda Wilcoxon
(Wilcoxons signed rank test). Titik tolak pengujian pangkat bertanda ialah
mengharuskan kita memberi pangkat pada semua beda absolut antara
nilai-nilai pasangan dari nilai beda terrendah sampai dengan nilai beda
tertinggi. Nilai beda absolut terrendah diberi pangkat nilsi 1. Nilai beda
sesudah nilai terendah diberi pangkat 2 dan begitu seterusnya. Setiap
pasang nilai yang memiliki nilai beda sama dengan nol tidak
diperhitungkan. Karena nilai bedanya diberi pangkat tanpamenghiraukan
tandanya, maka beda 1 dan +1 harus diberi pangkat nilai sampel, maka
jumlah pangkat bernilai positif dan negatif dihitung dan pengujian
pangkat bertanda didasarkan pada hasil penjumlahan.
2.5. Uji Wilcoxon
Uji ini merupakan perbaikan dari uji tanda yang dijelaskan dalam bagian
yang lalu. Dalam uji wilcoxon, bukan saja tanda yang diperhatikan tetapi
juga nilai selisih (X - Y).
Caranya adalah sebagai berikut:
a) Beri nomor urut setiap harga mutlak selisih (Xi - Xj). Harga mutlak
yang terkecil diberi nomor urut atau peringkat 1, harga mutlak selisih
berikutnya diberi nomor urut 2, dan akhirnya harga mutlak terbesar
diberi nomor urut n. Jika terdapat selisih yang harga mutlaknya sama
besar, untuk nomor urut diambil rata-ratanya.
b) Untuk tiap nomor urut diberikan pula tanda yang didapat dari selisih
(X - Y)
c) Hitunglah jumlah nomor urut yang bertanda positif dan juga jumlah
nomor urut yang bertanda negatif.
d) Untuk jumlah nomor urut yang didapat di c), ambilah jumlah yang
harga mutlaknya paling kecil. Sebutlah jumlah ini sama dengan J.
Jumlah inilah yang dipakai untuk menguji hipotesis:
Ho: tidak ada perbedaan pengaruh kedua perlakuan
H1: terdapat perbedaan pengaruh kedua perlakuan
Untuk menguji hipotesis di atas dengan taraf nyata 0,01 atau 0,05, kita
bandingkan J di atas dengan J yang diperoleh dari Daftar. Jika J dari
perhitungan lebih kecil atau sama dengan J dari daftar berdasarkan taraf
nyata yang dipilih maka Ho ditolak. Dalam hal lainnya Ho diterima.
Sebelum diberikan contoh mengenai penggunaan uji wilcoxon ini,
terlebihdahulu akan dijelaskan bagaimana nomor urut ditentukan untuk
sekumpulan data. Ambilah data berikut: 8, 9, 20, 14, 15, 18, 12, 6.
Jika nomor urut diberikan dimulai dari yang terkecil, maka 6 diberi nomor
urut 1, kemudian 8 diberi nomor urut 2, lalu 9 diberi nomor urut 3,
selanjutnya 12 diberi nomor urut 4 dan begitu seterusnya hingga akhirnya
20 diberi nomor urut 8. tentu saja, jika pemberian nomor urut dimulai dari
yang terbesar, urutan nomor akan dibalik. Jika ada data yang didapat dari
rata-rata nomor urut. Dengan demikian terjadilah nomor urut yang seri.
Untuk menentukan nomor urut dari kumpulan data berikut:
20, 8, 9, 10, 8, 10, 17, 10, 12, 10, 17, 17.
Jika dimulai dari data terkecil, maka nomor urut 1 dan nomor urut 2
(untuk sementara) diberikan kepada 8. rata-ratanya = (1 + 2) = 1 , dan
inilah yang merupakan nomor urut seri unutk 8. nomor urut 3 diberikan
kepada 9. data bernilai 10 mempunyai nomor urut sementara 4, 5, 6 dan 7.
rata-ratanya = (4 + 5 + 6 + 7) = 5 dan inilah yang menjadi nomor urut
seri 10. selanjutnya nilai 12 diberi nomor urut 8. data 17 mempunyai
nomor urut 10 yang didapat dari (9 + 10 + 11). Akhirnya nomor urut 12
diberikan kepada nilai 20. Uji wilcoxon ini juga dapat digunakan untuk
menguji hipotesis:
Ho: median populasi = M
H1: median populasi = M.
Berdasarkan sebuah sampel acak yang diambil dari populasi yang diduga
mempunyai median M.Sudah barang tentu bahwa untuk hal ini kita
hanya memperhatikan sebuah sampel yang diambil dari sebuah populasi.
Jika data sampel berukuran n itu X1, X2,...., Xn, maka untuk keperluan
menguji median seperti dirumuskan dimuka harus dihitung selisih (Xi M)
dan nomor urut harga mutlak M X
i
. Selanjutnya ditempuh langkah-
langkah b), c) dan d) seperti dijelaskan dimuka. Hipotesis Ho kita tolak
jika J dari perhitungan lebih kecil atau sama dengan J dari daftar
berdasarkan taraf nyata yang dipilih.
Jika ukuran sampel n lebih besar dari 25, maka J dapat dianggap
berdistribusi normal dengan rata-rata dan simpangan baku:
(
(
(
(

+ +
=
+
=
24
1) 1)(2n n(n

4
1) n(n

J
J
...............................................(1)
kriteria pengujian dalam hal ini, seperti biasa, didapat dari daftar
distribusi normal baku dengan menggunakan transformasi:
(
(

=
J
J

J
z ..................................................................(2)
2.6. Koefisien Korelasi Pangkat
Dalam bagian ini akan dibicarakan korelasi antara dua variabel yang
berbeda dengan yang telah dijelaskan. Korelasi ini dikenal dengan nama
korelasi pangkat. Derajat hubungan yang mengukur korelasi pangkat
dinamakan koefisien korelasi pangkat atau koefisien korelasi spearman,
yang disini akan diberi simbul r (dibaca: er aksen).
Misalkan pasangan data hasil pengamatan (X1 , Y1), (X2 , Y2),....., (Xn , Yn)
kita susun menurut urutan besar nilainya dalam tiap variabel. Nilai Xi
disusun menurut urutan besarnya, yang terbesar diberi nomor urut atau
peringkat 1, terbesar kedua diberi peringkat 2, terbesar ketiga
diberiperingkat 3, dan seterusnya sampai kepada nilai Xi terkecil diberi
peringkat n, demikian pula untuk variabel Yi. Sekarang kita bentuk selisih
atau beda peringkat Xi dan peringkat Yi yang data aslinya berpasangan.
Sebutlah beda ini bi. Maka koefisien korelasi peringkat diantara serentetan
pasangan Xi dan Yi dihitung dengan rumus:
(
(

=

1) n(n
b 6
1 r'
2
2
i
............................................................(3)
kita lihat, bahwa dalam hal ini, seperti juga bagian 2 dan bagian 3, tidak
ada asumsi apapun mengenai distribusi X dan Y, yang berarti tidak
terdapat pula asumsi mengenai parameter populasi. Karena itulah bagian
ini dikenal dengan statistika nonparametrik atau statistika bebas
distribusi.
Harga r bergerak dari 1 sampai dengan +1, sebagaimana halnya
koefisien korelasi r biasa. Harga r = +1 berarti terdapat persesuaian yang
sempurna antara Xi dan Yi sedangkan r = -1 menyatakan penilaian yang
betul-betul bertentangan antara Xi dan Yi.
Koefisien korelasi nomor urut (peringkat) yang diperoleh dengan rumus
(3) dapat digunakan untuk menguji hipotesis nol mengenai tidak
terdapatnya korelasi antara variabel-variabel X dan Y melawan hipotesis
tandingan atau alternatif terdapat korelasi positif atau persesuaian antara
X dan Y atau melawan alternatif terdapat korelasi negatif atau
pertentangan antara X dan Y. Dalam hal alternatif yang pertama, kita
tolak hipotesis nol jika r dari perhitungan lebih besar atau sama dengan
batas nilai kritis dari daftar.
2.7. Uji Runtun
Dalam semua uraian terdahulu mengenai penggunaan metode statistika,
telah dimisalkan bahwa sampel yang digunakan adalah sampel acak yang
diambil dari populasi tertentu. Akan tetapi, apabila data telah diambil
selama jangka waktu tertentu dan ada alasan cukup kuat mengenai
kesangsian keacakannya, maka dianjurkan untuk mengadakan pengujian
mengenai keacakan sampel diamaksud. Pengujian untuk ini akan
berdasarkan kepada adanya runtun.
Runtun adalah barisan huruf-huruf atau tanda-tanda yang identik yang
didahului atau di ikuti oleh sebuah huruf atau sebuah tanda yang
berbeda. Untuk runtun permulaan, barisan dimaksud tidak didahului
oleh huruf atau tanda apapun. Demikian pula untuk runtun terakhir,
barisan itu tidak diakhiri oleh huruf atau tanda yang berbeda. Panjang
runtun ditentukan oleh banyak huruf atau tanda yang ada dalam setiap
runtun.
Misalkan sampel I dan sampel II terdiri atas data sebagai berikut:
Sampel I: 5, 16, 12, 17, 8, 9, 12
Sampel II: 20, 7, 14, 19, 10
Jika kedua sampel digabungkan dan datanya disusun menurut urutan
nilainya, maka didapat:
5, 7 , 8, 9, 10 , 12, 12, 14 , 16, 17, 20 , 19
Deretan bilangan ini dapat dianggap terdiri atas delapan runtun. Runtun-
runtun yang didapat dari sampel II telah diberi garis bawah dua buah
untuk membedakan dengan runtun-runtun yang didapat dari sampel I
yang diberi garis bawah sebuah.
Dengan adanya runtun ini, kita dapat menguji hipotesis tentang:
a) Data pengamatan telah diambil secara acak dari sebuah populasi, atau
sampel yang diambil dari sebuah populasi adalah acak.
b) Dua sampel acak berasal dari populasi yang sama atau dua populasi
mempunyai distribusi yang sama.
Statistik yang digunakan untuk menguji hipotesis diatas ialah banyak
runtun dalam deretan yang akan kita nyatakan dengan u.
Untuk melakukan uji hipotesis yang dicantumkan di (a), ialah:
Ho: data sampel telah diambil secara acak dari sebuah populasi, melawan
alternatif.
H1: data sampel diambil tidak secara acak,
Kita tempuh langkah sebagai berikut:
a) Tuliskan data hasil pengamatan dalam sampel menurut urutan
didapatnya atau urutan terjadinya.
b) Tentukan besarnya median sampel.
c) Data yang harganya lebih besar dari median supaya diberi tanda positif
sedangkan data yang lebih kecil dari median diberi tanda negatif.
d) Hitung berapa banyak tanda positif, diberi simbul n1, dan berapa
banyak tanda negatif, diberi simbul n2.
Dengan mengambil taraf nyata 0,05, bandingkanlah harga u yang didapat
dengan harga u dari daftar sebagai batas nilai kritis. Daftar tersebut, pada
kolom kirinya berisikan harga terkecil di antara n1 dan n2, sedangkan baris
paling atas berisikan harga terbesar diantara n1 dan n2. harga u dengan
taraf nyata 0,05 dapat dicari didalam tiap sel daftar. Harga u yang kecil
menyatakan nilai kritis untuk uji pihak kiri dan harga u yang besar
merupakan nilai kritis untuk uji pihak kanan. Dengan demikian, kriteria
pengujian adalah tolak Ho jika u dari perhitungan lebih kecil atau sama
dengan u terkecil dari daftar. Dalam hal lainnya hipotesis Ho diterima.
Apabila hipotesis yang dihadapi seperti yang dirumuskan di (b), yaitu:
Ho: dua sampel acak berasal dari populasi yang sama atau dua
populasi mempunyai distribusi yang sama, melawan alternatif.
H1: kedua sampel berasal dari populasi yang berlainan atau distribusi
kedua populasi berlainan.
Maka langkah yang ditempuh untuk menguji hipotesis ini adalah:
a) Gabungkan kedua sampel yang didapat menjadi sebuah sampel
berukuran n1 + n2, jika n1 = ukuran sampel kesatu dan n2 = ukuran
sampel kedua.
b) Tuliskan ke-( n1 + n2) buah data dari sampel gabungan menurut urutan
nilainya.
c) Nyatakan data dari sampel kesatu dengan a dan data dari sampel
kedua dengan b.
d) Hitung banyak runtun yang didapat dalam sampel gabungan ini dan
nyatakan dengan u.
Kriteria pengujian adalah terima hipotesis ho, jika u hasil perhitungan
terletak antara harga-harga u dari daftar. Dalam hal lainnya Ho ditolak.
Jika n1 dan n2 kedua-duanya lebih besar dari 20, maka u dapat mengikuti
distribusi normal dengan rata-rata dan simpangan baku:
(
(
(
(
(

+ +

=
+
+ =
1) n (n ) n (n
) n n n (2n n 2n

n n
n 2n
1
2 1
2
2 1
2 1 2 1 2 1
u
2 1
2 1
u
....................................(4)
untuk menjadikan normal baku digunakan trasformasi:
(

o

=
u
u
u
z ....................................................................(5)
2.8. Uji Median
Dalam bagian ini akan dibicarakan cara pengujian nonparametrik yang
lain yang dikenal dengan uji median. Hipotesisnya yang dihadapi ialah:
Ho: dua sampel acak telah diambil dari dua populasi dengan median yang
sama atau telah diambil dari populasi yang sama.
H1: kedua sampel itu berasal dari dua populasi dengan median yang
berlainan atau dari dua populasi yang berlainan
Langkah yang ditempuh untuk pengujian hipotesis ini ialah:
a) Gabungkan kedua sampel menjadi sebuah sampel berukuran n1 + n2,
dengan n1 = ukuran sampel yang diambil dari populasi kesatu dan n2 =
ukuran sampel yang diambil dari populasi kedua.
b) Tuliskan ke-( n1 + n2) buah data dari sampel gabungan ini menurut
urutan besar nilainya.
c) Tentukan median dari sampel gabungan ini.
d) Dari setiap sampel, tentukan banyak data yang ada di muka median.
Nyatakan hal ini dengan A1 untuk sampel I dan A2 untuk sampel II.
Tentukan juga data yang ada di bawah median, dan nyatakan hal ini
dengan B1 untuk sampel I dan B2 untuk sampel II.
Dengan menggunakan data yang telah disusun dalam daftar kontingensi
tersebut, untuk menguji hipotesis Ho digunakan uji chi-square.
Selanjutnya, kita tolak hipotesis Ho jika X
2
dari perhitungan lebih besar
atau sama dengan X
2
1- dengan dk = 1 dan = taraf nyata. Dalam hal
lainnya Ho diterima.
2.9. Uji Kenormalan
Dari uaraian-uaraian terdahulu, misalnya dalam uruaian tentang berbagai
distribusi sampling, teori menaksir, pengujian hipotesis, telah kita lihat
bahwa pentingnya untuk mengetahui model populasi yang dipelajari,
terutam model normal, asumsi normalitas, telah melancarkan teori dan
metoda sebegitu rupa sehingga banyak persoalan yang dapat diselesaikan
dengan lebih mudah dan cepat. Karenanya, cukup mudah dimengerti
kiranya bahwa asumsi normalitas perlu dicek keberlakuannya agar
langkah-langkah selanjutnya dapat dipertanggungjawabkan. Jika ternyata
asumsi tidak benar atau terlalu menyimpang, tidak hanya mengenai
normalitas tetapi juga pengamatan bersifat independen, tidak terdapat
kesalahan ketika mencatat hasil pengamatan, homogenitas tentang
varians dan sebagainya, bukan saja langkah-langkah penelitian tidak
dapat dipertanggungjawabkan tetapi juga ternyata salah. Pengujian
mengenai homogenitas tentang Varians telah diuraikan dalam bab
terdahulu dengan dimisalkan populasi berdistribusi normal. Mengenai
kemungkinan kesalahan yang terjadi terhadap hasil pengamatan , tidak
ada uji statistik yang tersedia, kecuali pengamatan atau penelitian harus
dilakukan secara teliti dan jujur. Soal keacakan mengenai sampel dapat
diuji secara khusus dan ini akan dibicarakan kemudian. Disini, akan
diuraikan bagaimana uji normalitas dilakukan.
Sekarang kita akan membahas sedikit tentang pengertian pengujian yang
ajeg. Pengertian ini timbul dari kenyataan bahwa tidak selalu asumsi-
asumsi, semua atau sebagian, dapat dipnuhi dengan tepat. Dalam
beberapa hal, penyimpangan wajar dari syarat-syarat yang telah
digariskan sering tidsk mengakibatkan bahaya yang hebat. Misalnya,
sedikit terjadi penyimpangan dari normalitas dan atau dari sifat
homogenitas Varians, biasanya hanya memberikan akibat buruk yang kecil
terhadap hasil pengujian dan kesimpulannya. Distribusi t atau distribusi
student telah diketahiu tidak sensitif terhadap penyimpangan wajar dari
normalitas, sehingga penggunaanya tidak dibatasi keras oleh asumsi
normalitas. Sifat demikian, ialah tidak sensitif terhadap penyimpangan
wajar dari syarat yang digariskan, dinamakan ajeg. Jika hal ini terjadi
sehubungan dengan pengujian hipotesis, maka diperoleh uji ajeg.
Sekarang marilah kita tinjau mengenai uji normalitas. Persamaaan
distribusi normal dengan rata-rata dan simpangan baku o. Jika sebuah
sampel acak berukuran n telah diambil dengan rata-rata x dan simpangan
baku s, maka kurva normal yang cocok atau sesuai dengan data tersebut
(Untuk keperluan ini data harus disusun dalam daftar distribusi frekuensi
yang terdiri atas k buah kelas interval). Ialah :
2
s
x x
2
1
e
2 s
n
y
|
|
.
|

=
Untuk keperluan penelitian, kita harus menghitung frekuensi teoritik Ei
dan mengetahui frekuensi nyata atau hasil pengamatan Oi. Frekuensi Oi
jelas didapat dari sampel, masing-masing menyatakan frekuensi dalam
tiap kelas interval. Harga Ei frekuensi teoritik, didapat dari hasil kali
antara n dengan peluang atau luas dibawah kurva normal untuk interval
yang bersangkutan. Untuk menentukan kriteria pengujian digunakan
distribusi chi-square dengan dk = ( k 3 ) dan taraf o.
Pada bagian ini akan diperlihatkan uji kenormalan secara nonparametrik.
Uji yang digunakan dikenal dengan nama uji lilliefors.
Misalkan kita mempunyai sampel acak dengan hasil pengamatan x1,
x2,.....,xn. Berdasarkan sampel ini akan diuji hipotesis nol bahwa
sampeltersebut berasal dari populasi berdistribusi normal melawan
hipotesis tandingan bahwa distribusi tidak normal.
Untuk pengujian hipotesis nol tersebut kita tempuh prosedur berikut
a) Pengamatan x1, x2,.....,xn dijadikan bilangan baku z1, z2, ...,zn dengan
menggunakan rumus
s
x x
z
i
i

= ( x dan s masing-masing merupakan
rata-rata dan simpangan baku sampel).
b) Untuk tiap bilangan baku ini dan menggunakan daftar distribusi
normal baku, kemudian dihitung peluang F(zi) = (
i
z z s ).
c) Selanjutnya dihitung proporsi z1, z2, ...,zn yang lebih kecil atau sama
dengan zi. Jika proporsi ini dinyatakan oleh S(zi), maka
n
z z z
z S
n
i
i 2 1
z yang ,..., , . banyaknya
) (
s
=
d) Hitung selisih F(zi) S(zi) kemudian harga mutlaknya.
Untuk menerima atau menolak hipotesis nol, kita bandingkan Lo
inidengan nilai kritis L yang diambil dari Daftar untuk taraf nyata yang
dipilih. Kriterianya adalah tolak hipotesis nol bahwa populasi
berdistribusi normal jika Lo yang diperoleh dari data pengamatan
melebihi L dari daftar. Dalam hal lainnya hipotesis nol diterima.
2.10. Analisis Varians
Kita tahu bahwa kumpulan hasil pengamatan mengenai sesuatu hal, skor
hasil belajar para siswa, berat bayi yang baru lahir, gaji pegawai di suatu
perusahaan, hasil jagung setiap hektar misalnya, nilai datanya bervariasi
dari yang satu dengan yang lain. Karena adanya variasi atau ragam ini
untuk sekumpulan data, maka digunakan alat ukurnya yaitu Varians. Kita
lihat juga bahwa Varians bersama-sama rata-rata telah banyak digunakan
untuk membuat kesimpulan mengenai populasi, baik secara
deskriptifmaupun induktif melalui penaksiran dan pengujian hipotesis
mengenai parameter.
Dalam modul ini, Varians akan dibahas lebih lanjut dengan terlebih
dahulu melalui berbagai jenis Varians kemudian menggunakannya untuk
pengujian hipotesis melalui teknik analisis Varians, disingkat ANAVA
(AnalisisVarians).
Yang diberikan disini hanyalah ANAVA yang sederhana yaitu ANAVA
satu arah.
Jenis Varians
Dalam bab yang lalu telah kita bahas berbagai jenis Varians ialah Varians
sampel S
2
dan Varians populasi
2
o . Varians untuk sekumpulan data ini
melukiskan derajat perbedaan atau variasi nilai data individu yang ada
dalam kelompok atau kumpulan data tersebut. Varians ini dihitung dari
nilai rata-rata sekumpulan data. Selanjutnya juga kita kenal Varians
sampling berbagai statistik, untuk rata-rata diberi lambang
2
x
o , untuk
proporsi dengan lambang
2
n
x
o dan untuk statistik lainnya telah kita
bahas dalam bab-bab sebelumnya.
Barangkali secara umum Varians dapat digolongkan kedalam Varians
sistematik dan Varians galat. Varians sistematik adalah Varians
pengukuran karena adanya pengaruh yang memyebabkan skor atau nilai
data lebih condong kesatu arah tertentu dibandingkan keraha lain. Setiap
pengeruh alami atau buatan manusia yang dapat menyebabkan terjadinya
peristiwa dapat diduga atau diramalkan dalam arah tertentu, merupakan
pengaruh sistematik sehingga menyebabkan terjadinya Varians
sistematik. Cara mengajar yang dilakukan seorang ahli secara sistematik
mempengaruhi kemajuan anak didik lebih baik bila dibandingkan dengan
kemajuan anak yang diajar sembarangan, hasil skor ujiannya
menggambarkan adanya Varianssistematik.
Salah satu jenis Varians sistematik dalam kumpulan data hasil penelitian
adalah Varians antar kelompok atau kadang-kadang disebut pula Varians
eksperimental. Varians ini menggambarkan adanya perbedaan atau
variasi sistematik antara kelompok-kelompok hasil pengukuran. Dengan
demikian varians ini terjadi karena adanya perbedaan antara kelompok-
kelompok individu.
2.10.1. Rangking Satu Arah Kruskal-Wallis
Fungsi uji ini adalah untuk menentukan apakah k sampel independen
berasal dari populai-populasi yang berbeda. Teknik Kruskal-Wallis
menguji hipotesis nol bahwa k sampel berasal dari populasi identik,
dalam hal rata-ratanya. Uji Kruskal-Wallis sering disebut juga uji H
Kruskal-Wallis.
Langkah-langkah pengujiannya:
Misalkan ni (i = 1, 2,...,k) menyatakan benyaknya pengamatan pada
sampel ke-i
Gabungkanlah semua k sampel dan urutkan ke semua pengamatan dan
beri rangking dari 1, 2,.....,n. Bila terdapat pengamatan dan biasa dan
berikan rata-rata rang jika pengamatan dapat dibedakan. Jumlah rang
semua pengamatan ni dari sampel ke-i dinyatakan dengan peubah acak
ri..
Statistik ujinya:
(

+
+
=

=
k
1 i
i
2
i
) 1 n ( 3
n
r
) 1 n ( n
12
h ....................................(6)
= ......% 1 k v ;
2
x = o
Kesimpulan: tolak Ho jika h > 1 ;
2
=k v x
Apabila terdapat angka sama antara dua skor atau lebih, tiap-tiap skor
mendapatkan rangking yang sama, untuk itu perlu dilakukan koreksi
untuk angka sama tersebut dalam menghitung h, sebagai berikut:
(
(
(
(

+
+
=

=
n n
T
1
1) 3(n
n
r
1) n(n
12
h
3
k
1 i i
2
i
*
.................................(7)
Dimana:
T = t
3
t (t = jumlah observasi berangka sama dalam serangkaian
skor berangka sama).
N = banyak observasi dalam seluruh k sampel bersama-sama.
T = jumlah semua kelompok yang mempunyaiangka sama.