BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Proses sosial merupakan pengaruh timbal balik antara berbagai sisi kehidupan,
diantaranya pengaruh timbal balik kehidupan ekonomi dengan segi kehidupan politik, antara
sektor kehidupan hukum, agama, pilitik dan sebagainya.
Selanjutnya, cara-cara sosiologi mempelajari lingkup permasalahanya secara prinsip
terdapat dua cara yaitu, dengan cara penyelesaian yang bersifat kualitatif atau dengan cara
yang bersifat kuantitatif. Meode kualitatif atau yang dikatakan juga dengan studi non
parametrik merupakan metode yang bersifat historis, kompratif, case study, dan sebagainya,
sehingga dari pelaksanaan analisis dari data yang bersifat kulitatif tersebut perlu dilakukan
tahapan tersendiri dalam melakukan langkah perhitungan dan penujianya. Selain pokok
bahasan yang mengacu pada pengertian uji non parametrik dalam makalah ini juga
terdapat model-model analisis statistik non-parametrik.
B.
Rumusan Masalah
Dari uraian diatas maka diperoleh beberapa pertanyaan diantaranya:
1. Apa yang dimaksud dengan uji non parametrik?
2. Apakah kekurangan dan kelebihan uji non parametrik?
3. Adakah model-model tertentu dalam penentuan uji non parametrik?
BAB II
PEMBAHASAN
A. Pengertian Statistik Non Parametrik
Statistik Non-Parametrik, yaitu statistik bebas sebaran (tidak mensyaratkan bentuk
sebaran parameter populasi, baik normal atau tidak). Selain itu, statistik non parametrik
biasanya menggunakan skala pengukuran sosial, yakni nominal dan ordinal yang umumnya
tidak berdistribusi normal.
Berbeda dengan statistik parametrik, statistik non parametrik adalah prosedur statistik
yang tidak mengacu pada parameter tertentu. Itulah sebabnya, statistik non parametrik sering
disebut sebagai prosedur yang bebas distribusi (free-distibution procedures).
Banyak orang berpendapat, jika data yang dikumpulkan terlalu kecil maka prosedur
statistik non parametrik lebih baik digunakan. Pendapat ini bisa benar dan bisa pula salah.
Masalahnya adalah, bagaimana mendefinisikan besar-kecilnya suatu data, bukankah hal ini
sangat relatif. Yang jelas, kita pasti menggunakan statistik non parametrik bila kita tidak
mengetahui dengan pasti distribusi dari data yang kita amati.
Namun jika kita yakin data yang diamati berdistribusi normal, misalkan dibuktikan
dengan memakai uji statistik, maka kita bisa memakai prosedur statistik parametrik untuk
distribusi normal. Sebaliknya, walaupun data yang dikumpukan berjumlah besar, tetapi tidak
dapat dipastikan distribusinya, maka sebaiknya dipakai prosedur statistik non parametrik.
B.
Tujuan
Membandingkan dua
sample bebas
Meneliti perbedaan dalam
suatu grup
Mengetahui hubungan
korelasi linier antara dua
peubah
Membandingkan tiga grup
atau lebih
Jadi dapat disumpulkan bahwa penggunaan statistik non parametrik lebih diutamakan
jika hipotetis yang akan diuji tidak melibatkan parameter dari populasi. Data yang diambil
tidak memenuhi syarat yang ditetapkan oleh statistik parametrik dan asumsi-asumsinya
ditolak, atau bila kita membutuhkan hasil yang cepat sebelum melakukan penelitian
berikutnya.
C. Syarat-Syarat Yang Harus Dipehuhi Dalam Uji Parametrik
1.
2.
3.
4.
Ada terdapat enam persyaratan yang harus dipenuhi pada uji asumsi klasik agar data
observasi tersebut dapat menggunakan uji statistik parametrik atau statistik inferesial, yaitu :
Uji kerandoman
Kerandoman data diperlukan karena data observasi yang homogen akan
mengakibatkan bentuk distribusi tidak normal, disamping itu kerandoman data
mencerminkan atau representatif terhadap populasinya, karena data yang diambil atau
dicuplik dari suatu populasi seharusnya data itu mencerminkan sifat-sifat dari
populasinya.Hal ini juga menyangkut variabel random, di mana variabel random adalah
variabel yang nilainya merupakan hasil dari suatu peristiwa, sehingga data tersebut tidak bias
atau tidak gayut atau nilai-nilai yang dihasilkan tidak berpola (heterogen).
Uji normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat
dan variabel bebas keduanya mempunyai distribusi normal ataukah tidak. Model regresi yang
baik adalah memiliki distribusi data normal atau mendekati normal.Ada beberapa pendekatan
yang dapat dilakukan untuk mengetahui apakah data tersebut berdistribusi normal atau tidak
yaitu : analisis grafik dan analisis statistik. Analisis statistik bisa digunakan uji Kolmogorov
Smirnov, atau dengan memanfaatkan deskripsi data nilai-nilai skewness dan kurtosisnya.
Uji linearitas
Uji ini biasanya dilakukan untuk melihat apakah spesifikasi model yang digunakan
sudah benar atau tidak. Apakah fungsi yang digunakan dalam suatu studi empiris sebaiknya
berbentuk linear, kuadrat atau kubik. Dengan uji ini akan diperoleh informasi apakah model
empiris sebaiknya linear, kuadrat atau kubik.Ada beberapa pendekatan yang dapat dilakukan
untuk mengetahui apakah model persamaan regresi tersebut linear atau tidak yaitu : uji
Durbin-Watson, uji Ramsey test dan uji Lagrange Multiplier.
Uji heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika
variance dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut
Homoskedastisitas dan sebaliknya. Model regresi yang baik adalah yang homoskedastisitas.
Sebagai tambahan bahwa pada umumnya data yang diambil dari populasi secara berturutturut atau time series pada umumnya cenderung terjadi homoskedastisitas, sedangkan data
yang cross-section kemungkinan besar tidak terjadi homoskedastisitas.Ada beberapa
pendekatan untuk mengetahui apakah dalam model regresi terdapat kesamaan variance atau
tidak yaitu : Pendekatan grafik yang dihasilkan dengan memplot antara nilai prediksi variabel
terikat (ZPRED) dengan residualnya (SRESID). Deteksi ada tidaknya heteroskedastisitas
dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara
SRESID dan ZPRED. Dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah
residual (Y prediksi Y sesungguhnya) yang telah distudentized.Dasar analisisnya adalah
jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit) maka mengindikasikan telah terjadi
heteroskedastisitas. Dan jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka telah terjadi homoskedastisitas. Pendekatan statistik
dengan menggunakan uji White, uji Glejser dan uji Park.
5. Uji multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan
adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi
korelasi antara variabel bebas (tidak terjadi multikolinearitas). Jika variabel bebas saling
berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel
bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol.Untuk mendeteksi ada
atau tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut :Nilai R yang
dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual
variabel-variabel bebas banyak yang tidak signifikan mempengaruhi variabel terikat.
Menganalisis matrik korelasi variabel-variabel bebas. Jika antar variabel bebas ada korelasi
yang cukup tinggi (umumnya diatas 0,90), maka hasil ini merupakan indikasi adanya
multikolinearitas. Tidak adanya korelasi yang tinggi antar variabel bebas tidak berarti bebas
dari multikolinearitas.
Multikolinearitas dapat disebabkan karena adanya efek kombinasi dua atau lebih
variabel bebas.Multikolinearitas dapat juga dilihat dari : nilai tolerance dan lawannya
variance inflation faktor (VIF). Kedua ukuran ini menunjukkan setiap variabel bebas
manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap
variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas lainnya.
Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh
variabel bebas lainnya.
Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi adalah menunjukkan
adanya kolinearitas yang tinggi. Nilai cut-off yang umum dipakai adalah nilai tolerance 0,10
atau sama dengan nilai VIF di atas 10%.
6. Uji autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada
korelasi antara residual (kesalahan pengganggu) pada periode sebelum dan sesudah, jika
terjadi korelasi maka dinamakan terjadi autokorelasi, dan model regresi yang baik adalah
yang tidak mengandung autokorelasi. Pada data silang waktu (cross-section) masalah
autokorelasi jarang ditemui, namun pada data runtun waktu (time-series) masalah
autokorelasi sering ditemui.Ada beberapa pendekatan yang digunakan untuk mengetahui
apakah model regresi terdapat autokorelasi atau tidak yaitu : uji Durbin-Watson digunakan
untuk autokorelasi tingkat satu (firs order autocorrelation) dan mensyaratkan adanya intercept
(konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel bebas. Uji
lainnya seperti uji Lagrange Multiplier (LM Test) dan uji Statistik Q : Box Pierce dan Ljung
Box.Untuk kedua uji yang terakhir ini mensyaratkan bahwa data observasi di atas 100 sampel
dan derajat autokorelasi lebih dari satu. Korelasi peringkat.
Terdapat tiga jenis koefisien korelasi peringkat pada nonparametrik yang umumnya
digunakan yaitu Spearman R, Kendal tau dan Gamma Coefficient.
Statistik chi-square juga merupakan bagian dari korelasi non-parametrik, tetapi
berbeda dengan ketiga jenis korelasi tersebut, perhitungannya didasarkan pada tabel frekuensi
dua arah (tabel silang). Selain itu, dalam Spearman R,
Kendal tau dan Gamma mempersyaratkan data dalam skala ordinal (atau dapat
diordinal/di peringkat), sedangkan pada statistik chi-square dapat berupa data nominal
maupun ordinal.
Untuk statistik chi-square akan dibahas pada seri tulisan mengenai non-parametrik
berikutnya Spearman R adalah ukuran korelasi pada statistik non-parametrik yang analog
dengan koefisien korelasi Pearson Product Moment pada statistik parametrik. Spearman R
adalah korelasi Pearson yang dihitung atas dasar rank dari data.
Kendal tau, adalah ukuran korelasi yang setara dengan Spearman R, terkait dengan
asumsi yang mendasarinya serta kekuatan statistiknya. Namun, besaran Spearman R dan
Kendal tau akan berbeda karena perbedaan dalam logika mendasari serta formula
perhitungannya.
Jika Spearman R setara dengan koefisien korelasi Pearson Product Moment, yaitu
koefisien korelasinya pada dasarnya menunjukkan proporsi variabilitas (dimana untuk
Spearman R dihitung dari ranks sedangkan korelasi Pearson dari data aslinya), sebaliknya
ukuran Kendal tau merupakan probabilita perbedaan antara probabilita data dua variabel
dalam urutan yang sama dengan probabilita dua variabel dalam urutan yang berbeda.
Berdasarkan logika perhitungan ini, Noether (1981) dalam (Daniel,1991) mengemukakan
bahwa koefisien Kendal tau lebih mudah ditafsirkan dibandingkan Spearman R. Gamma
statistic, lebih baik dibandingkan Spearman R atau Kendal tau ketika data mengandung
banyak observasi yang memiliki nilai yang sama.
Gamma ekuivalen dengan Spearman R dan Kendal tau dari sisi asumsi yang
mendasarinya. Tetapi dari sisi intepretasi dan perhitungannya, Gamma lebih mirip dengan
Kendal tau.Secara sederhana, untuk melihat efektivitas iklan terhadap penjualan, akan dilihat
korelasi dari kedua variabel tersebut.
Jika terdapat korelasi positif yang signifikan, maka dapat disimpulkan iklan tersebut
efektif dalam meningkatkan penjualan. Demikian juga sebaliknya.
Untuk menghitung koefisien korelasi untuk ketiga pengukuran (tersebut, langkah
pertama yang dilakukan adalah dengan memberi rangking untuk iklan dan penjualan, mulai
dari yang angka terkecil sampai angka terbesar.
D. Model-Model Analisis Statistik Non-Parametrik
Statistik nonparametrik adalah valid dengan asumsi yang longgar serta teorinya
relatif luwes. Karenanya metode ini relatif serba bisa/serba guna, memiliki banyak alternatif
prosedur dan diaplikasikan dalam banyak metode-metode analisis baru.
Mengingat banyaknya alternatif prosedur statistik non-parametrik menyebabkan
berbagai literatur memberikan pengelompokan kategori statistik non parametrik dengan
berbagai cara yang berbeda. Namun demikian, secara sederhana dan berdasarkan prosedur
yang sering digunakan, uji-uji tersebut diantaranya dapat dikelompokkan atas kategori
berikut: statistik nonparametrik adalah valid dengan asumsi yang longgar serta teorinya
relatif luwes.
Karenanya metode ini relatif serba bisa/serba guna, memiliki banyak alternatif
prosedur dan diaplikasikan dalam banyak metode-metode analisis baru.
Mengingat banyaknya alternatif prosedur statistik non-parametrik menyebabkan
berbagai literatur memberikan pengelompokan kategori statistik non parametrik dengan
berbagai cara yang berbeda. Namun demikian, secara sederhana dan berdasarkan prosedur
yang sering digunakan, uji-uji tersebut diantaranya dapat dikelompokkan atas kategori
berikut:
Prosedur untuk data dari sampel tunggal
Prosedur untuk data dari dua kelompok atau lebih sampel bebas (independent)
Prosedur untuk data dari dua kelompok atau lebih sampel berhubungan (dependent)
BAB III
KESIMPULAN
1.
2.
3.
4.
5.
6.
7.
Korelasi peringkat, bagian ini akan membahas mengenai korelasi peringkat. Terdapat tiga
jenis koefisien korelasi peringkat pada nonparametrik yang umumnya digunakan yaitu
Spearman R, Kendal tau dan Gamma Coefficient.
Korelasi peringkat dengan SPSS, bahsan ini merupakan lanjutan dari tulisan seri 4 nonparametrik yang membahas mengenai korelasi peringkat pada statistik non-parametrik
DAFTAR PUSTAKA
Supangat, andi. 2007. Statistika dalam kajian deskriptif, interfensi dan nonparametrik.
Jakarta: kencana prenada media group