Uji mengetahui data berdistribusi normal atau tidak dilakukan uji normalitas

Kolmogorov-Smirnov. Berikut tabel berisi poin-poin umum analisis data statistik

terkait perbedaan antara metode parametrik dan nonparametrik:

PARAMETRIK NONPARAMETRIK
Deskriptif
Asumsi Distribusi Normal -
Asumsi Varian Homogen -
Jenis Data Rasio atau Interval Ordinal atau Nominal
Hubungan data set Independent -
Ukuran central Mean Median
Manfaat Lebih banyak kesimpulan Sederhana dan sedikit outlier
Tes
Uji korelasi Pearson, Regresi Spearman
Uji 2 Kelompok, berbeda Independent Sample t test Mann-Whitney
Uji 2 Kelompok lebih, berbeda Independent One Way ANOVA Kruskal-Wallis
Uji berulang, 2 kondisi Paired Sample t Test Wilcoxon
Uji berulang, 2 kondisi lebih Repeated One Way ANOVA Friedman

Perbedaan Statistik Parametrik dan Statistik Non-Parametrik

Saat kita hendak melakukan suatu riset, seringkali kita dihadapkan pada pilihan metode.
Metode statistik apakah yang cocok digunakan dalam riset kita tersebut. Dalam mempelajari
statistik, biasanya kita langsung dihadapkan pada metode statistik parametrik, padahal tidak
semua data cocok diolah dengan statistik parametrik. Walaupun perkembangan statistik
parameter sudah sedemikian canggih namun statistik parametrik memiliki beberapa kekurangan,
misalnya pada masalah-masalah sosial yang memiliki skala nominal dan rasio, statistik
parametrik tidak mampu mengukur dengan baik. Kalaupun bisa, hal tersebut merupakan upaya
yang berlebihan (excessively method). Maka Statistik parametrik digunakan jika kita telah
mengetahui model matematis dari distribusi populasi suatu data yang akan dianalisis. Jika kita
tidak mengetahui suatu model distribusi populasi dari suatu data dan jumlah data relatif kecil
atau asumsi kenormalan tidak selalu dapat dijamin penuh,maka kita harus menggunakan
statistik non parametrik (statistik bebas distribusi).

Berikut ini adalah ringkasan yang memuat perbedaan antara Statistik Parametrik dan Statistik
Non Parametrik. Dengan memahami perbedaan antara keduanya, diharapkan kita bisa
menemukan metode statistik yang tepat dalam mengolah data riset yang tepat.

STATISTIK PARAMETRIK

Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis sebaran atau distribusi
data, yaitu apakah data menyebar secara normal atau tidak. Dengan kata lain, data yang akan
 dianalisis menggunakan statistik parametrik harus memenuhi asumsi normalitas. Pada
umumnya, jika data tidak menyebar normal, maka data seharusnya dikerjakan dengan metode
statistik non-parametrik, atau setidak-tidaknya dilakukan transformasi terlebih dahulu agar data
mengikuti sebaran normal, sehingga bisa dikerjakan dengan statistik parametrik.

Contoh metode statistik parametrik :

a. Uji-z (1 atau 2 sampel)
b. Uji-t (1 atau 2 sampel)
c. Korelasi pearson,
d. Perancangan percobaan (one or two-way anova parametrik), dll.

Ciri-ciri statistik parametrik :

- Data dengan skala interval dan rasio
- Data menyebar/berdistribusi normal

Keunggulan dan kelemahan statistik parametrik :

Keunggulan :
1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan
dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal serta memiliki
varian yang homogen.
Kelemahan :
1. Populasi harus memiliki varian yang sama.
2. Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam skala interval.
3. Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus normal dan
bervarian sama, dan harus merupakan kombinasi linear dari efek-efek yang ditimbulkan.

STATISTIK NON-PARAMETRIK

Statistik Non-Parametrik adalah test yang modelnya tidak menetapkan syarat-syaratnya yang
mengenai parameter-parameter populasi yang merupakan induk sampel penelitiannya. Oleh
karena itu observasi-observasi independent dan variabel yang diteliti pada dasarnya memiliki
kontinuitas. Uji metode non parametrik atau bebas sebaran adalah prosedur pengujian hipotesa
yang tidak mengasumsikan pengetahuan apapun mengenai sebaran populasi yang
mendasarinya kecuali selama itu kontinu.

Pendeknya: Statistik Non-Parametrik adalah 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.

Contoh metode statistik non-parametrik (selengkapnya dapat dilihat disini) :

a. Uji tanda (sign test)
b. Rank sum test (wilcoxon)
c. Rank correlation test (spearman)
d. Fisher probability exact test.
e. Chi-square test, dll

Ciri-ciri statistik non-parametrik :

- Data tidak berdistribusi normal

- Umumnya data berskala nominal dan ordinal

- Umumnya dilakukan pada penelitian sosial
- Umumnya jumlah sampel kecil

Keunggulan dan kelemahan statistik non-parametrik :

Keunggulan :
1. Tidak membutuhkan asumsi normalitas.
2. Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih mudah
dimengerti jika dibandingkan dengan statistik parametrik karena ststistika non-parametrik tidak
membutuhkan perhitungan matematik yang rumit seperti halnya statistik parametrik.
3. Statistik non-parametrik dapat digantikan data numerik (nominal) dengan jenjang (ordinal).
4. Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan atau jenjang secara formal
karena sering dijumpai hasil pengamatan yang dinyatakan dalam data kualitatif.
5. Pengujian hipotesis pada statistik non-parametrik dilakukan secara langsung pada pengamatan
yang nyata.
6. Walaupun pada statistik non-parametrik tidak terikat pada distribusi normal populasi, tetapi dapat
digunakan pada populasi berdistribusi normal.

Kelemahan :
1. Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.
2. Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam statistik parametrik.
3. Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi seperti pada
statistik parametrik. Hal ini dikarenakan statistik non-parametrik mendekati eksperimen dengan
sampel kecil dan umumnya membandingkan dua kelompok tertentu. (Khairul Amal)

Dalam implementasi, penggunaan prosedur yang tepat merupakam tujuan dari peneliti.
Beberapa parameter yang dapat digunakan sebagai dasar dalam penggunaan statistik non
parametrik adalah:
1. Hipotesa yang diuji tidak melibatkan parameter populasi.
2. Skala yang digunakan lebih lemah dari skala prosedur parametrik.
3. Asumsi-asumsi parametrik tidak terpenuhi.

LANGKAH MENENTUKAN STATISTIK YANG AKAN DIGUNAKAN DALAM

RISET
1. Apakah jenis skala pengukuran data Anda, nominal, ordinal, interval atau rasio?
2. Apakah data yang Anda miliki berjumlah besar?
3. Apakah data Anda memiliki distribusi tertentu?
 Jenis Data Statistik dan Skala Pengukuran
Jenis Data

Data ialah sekumpulan informasi yang diperoleh dari suatu pengamatan. Adapun yang dimaksud
dengan datum adalah elemen-elemen dalam data.

Data yang diperoleh dari suatu sampel dan populasi dapat dibedakan menjadi dua jenis, yaitu :

a. Data kualitatif yakni data yang bukan berupa angka (non numerik) biasa disebut dengan istilah
atribut. Data kualitatif dibagi menjadi dua:

Nominal adalah Data yang paling rendah dalam level pengukuran data. Contoh : Jenis kelamin, tgl
dan tempat lahir seseorang

Ordinal ada tingkatan data. Contoh : Sangat setuju, Setuju, kurang setuju, tidak setuju

b. Data kuantitatif: data yang berupa angka (numerik). Data jenis ini dibedakan menjadi dua bagian,
yaitu data diskrit dan kontinyu. Selain itu Ddata kuantitatif dibagi menjadi dua:

o Data Interval, Contoh : Interval temperatur ruang adalah sbb :

Cukup panas jika antara 50C-80 C

Panas jika antara 80 C-110 C

Sangat panas jika antara 110 C-140 C

Data Rasio tingkat pengukuran paling tinggi ; bersifat angka dalam arti sesungguhnya. Beda
dengan interval mempunyai titik nol dalam arti sesungguhnya.

Selain pembagian tersebut, ada yang membagi data menjadi data primer dan data sekunder.
Data primer adalah data yang diperoleh langsung dari sumbernya, misal melalui wawancara,
penyebaran kuesioner, pengukurn langsung, dan lain lain. Sedangkan data sekunder adalah data
yang diambil/ disadur dari pihak lain, misal diambil dari koran, jurnal, penelitian/ publikasi pihak lain,
dan lain-lain.

Skala Pengukuran

Skala pengukuran : cara mengukur suatu varibel. Terdapat 4 jenis skala pengukuran, yakni :

a. Skala Nominal : angka yang diberikan pada objek/ variabel pengukuran hanya memiliki arti sebagai
label saja (asal bisa dibedakan). Tidak memiliki tingkatan.

Contoh skala nominal :

 No. Jenis Kendaraan Jumlah (Unit)

1. Peugeuot 1,367

2. Toyota 68,638

3. Isuzu 20,521

4. Daihatsu 15,721

5. BMW 1,515

b. Skala Ordinal : angka yang diberikan pada objek/ variabel pengukuran mengandung pengertian
tingkatan.

Contoh skala ordinal:

No. Jenis Kendaraan Jumlah (Unit)

1. Toyota 68,638

2. Isuzu 20,521

3. Daihatsu 15,721

4. BMW 1,515

5. Peugeuot 1,367

c. Skala Interval : angka yang diberikan pada objek/ variabel pengukuran mengandung sifat ordinal
ditambah sifat jarak/ interval.

Contoh skala interval :

Suhu udara dapat berkisar antara -4 hingga 40 C. Jika termometer menunjukkan 0 C, bukan berarti
tidak ada suhu, tetapi hanya sebagai penunjuk bahwa suhu saat itu tergolong rendah.

d. Skala Rasio : angka yang diberikan pada objek/ variabel pengukuran mengandung sifat interval
ditambah sifat yang mampu memberikan keterangan tentang nilai absolut variabel yang diukur.
Artinya apabila menunjuk angka 0 (nol), maka berarti benar-benar nol, tidak ada, atau kosong.

Contoh skala rasio :

Jumlah komponen mesin yang diproduksi per batch adalah 1.000.000 komponen. Bila dalam
suatu batch menunjukkan angka produksi 0, maka artinya adalah pada saat itu tidak dilakukan
proses produksi sehingga tidak ada output produksi.