TUGAS BIOSTATISTIK

ANALITIK NON PARAMETRIK

Oleh ;

Kelompok 6

1. MADE RIANA AYU ANDARI (15.321.2234)

2. NI NYOMAN TRI ARMILAYANTI (15.321.2253)
3. NI PUTU MITA RAHAYU (15.321.2256)
4. PUTU DIKA PAYANA (15.321.2264)
5. PUTU MONITA MAHARDANI (15.321.2266)

PROGRAM STUDI ILMU KEPERAWATAN

STIKES WIRAMEDIKA PPNI BALI

2018

1
 ANALITIK NON PARAMETRIK

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. Kelebihan Dan Kekurangan Uji Non Parametrik

Statistik non parametrik mempunyai beberapa kelebihan dan kekurangan, diantaranya:
1. Tingkat kesalahan penggunaan prosedur statistik nonparametrik relatif kecil karena
statistik jenis ini tidak memerlukan banyak asumsi.
2. Perhitungan yang harus dilakukan pada umumnya sederhana dan mudah, khususnya
untuk data yang kecil.
3. Konsep dalam statistik nonparametrik mudah untuk dimengerti.
4. Dapat digunakan untuk menganalisa data yang berbentuk hitungan maupun peringkat
(rank).

2
C. Uji hubungan (Rank spearman)
Korelasi rank spearman digunakan untuk menganalisis hubungan antara variabel dengan
skala ordinal atau variabel dengan data interval yang tidak berdistribusi normal (fungsinya sperti
uji korelasi product moment). Oleh karena itu uji ini tidak senssitif terhadap nilai ekstrim. Rumus
uji rank spearman sebagai berikut :
=1–6∑

keterangan : = koefisien korelasi spearman

d = selisih rank x dan y
n = jumlah subyek

langkah-langkah uji Rank spearman :

1. Urutkan tiap pasangan tiap variabel x dan y
2. Tetapkan rank untuk x dan y (data sama memiliki rank yang sama)
3. Kurangkan rank x dan y atau sebaliknya
4. Kurangkan selisih rank tersebut
5. Jumlahkan kuadrat selisih rank x dan y sehingga diperoleh
6. Masukkan dalam rumus
7. Tetapkan nilai r tabel
8. Bandingkan nilai r hitung dan r tabel.
H0 diterima jika r dihitung ≤ r tabel
H0 ditolak jika r dihitung ≥ r tabel
Contoh : Seorang peggawai ingin meneliti apakah ada hubungan antara BB ibu sebelum
hamil dengan berat badan bayi yang dilahirkannya. Untuk itu diambil 10 sampel dengan data
(yang diarsir) sebagai berikut :

3
 Subyek BB ibu (x) BBL (y) R (x) R (y) d1 d2
1 48 2.85 1 3 2 4
2 52 2.9 3 4 1 1
3 60 3.4 9 8 -1 1
4 55 3.3 5 6 1 1
5 65 3.6 10 10 0 0
6 58 3.35 8 7 -1 1
7 52 2.8 3 2 -1 1
8 56 3 6 5 -1 1
9 57 3.5 7 9 2 4
10 49 2.6 2 1 -1 1
Jumlah 1 15

Langkah I Langkah II Langkah III Langkah IV dan V

Langkah VI :

r=1-6 ∑ r = 1 – 6 X 15 1 - = 1 – 0,09
0,91

– - 10

Langkah VII
Nilai tabel r pada 5% dengan n = 10 adalah 0,648.

Langkah VIII
Kesimpulan nilai r hitung lebih besar dari nilai tabel maka H0 ditolak. Interpretasi terdapat
hubungan antara BB ibu sebelum hamil dengan BBL.

4
 Sebaliknya, kekurangan statistik non parametrik yang paling utama adalah hasil tidak
selalu sesuai dengan yang diharapkan karena kesederhanaan perhitungannya. Namun, walaupun
perhitungan dalam statistik non parametrik sangat sederhana, bila jumlah datanya sangat besar
maka dibutuhkan perhitungan yang sangat lama. Untuk kasus yang demikian, prosedur statistik
parametrik lebih tepat untuk digunakan.
Berikut adalah beberapa uji statistik yang biasa dipakai. Kolom pertama menguraikan uji
statistik parametrik, sementara kolom kedua menampilkan uji statistik non parametrik yang
sepadan.

Uji Parametrik (menggunakan Uji nonparametrik yang Tujuan

asumsi distribusi Normal)
Uji - t untuk sample bebas
Uji – t berpasangan
Koefisien korelasi Pearson
Analisa varians satu arah (Uji F ) Analisa varians dengan
Analisa varians dua arah
bersesuaian
Uji Mann-Whitney U; Membandingkan dua sample bebas
Uji Wilcoxon jumlah
peringkat
Uji Wilcoxon pasangan Meneliti perbedaan dalam suatu grup
dengan peringkat yang
cocok
Koefisien korelasi Mengetahui hubungan korelasi linier
peringkat Spearman antara dua peubah
Membandingkan tiga grup atau lebih
menggunakan peringkat
Kruskal-Wallis
Analisa varians dua arah Mabandingkan tiga grup atau lebih
Friedman dengan menggunakan dua faktor yang
berbeda

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.

5
D. Syarat-Syarat Yang Harus Dipehuhi Dalam Uji Parametrik
Ada terdapat enam persyaratan yang harus dipenuhi pada uji asumsi klasik agar data
observasi tersebut dapat menggunakan uji statistik parametrik atau statistik inferesial, yaitu :
1. 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).
2. 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.
3. 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.
4. 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 berturut-turut atau time series

6
 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 R² 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

7
 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

8
 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.

E. 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

9
 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
a. Prosedur untuk data dari dua kelompok atau lebih sampel bebas (independent)
b. Prosedur untuk data dari dua kelompok atau lebih sampel berhubungan
(dependent)
c. Korelasi peringkat dan ukuran-ukuran asosiasi lainnya

1. Prosedur untuk data dari sampel tunggal

Prosedur bertujuan untuk menduga dan menguji hipotesis parameter populasi seperti
ukuran nilai sentral. Dalam statistik parametrik, ukuran nilai sentral yang umum adalah rata-rata
dan median, dan pengujian hipotesisnya menggunakan uji t. Namun demikian, uji t memiliki
asumis bahwa populasi dari sampel yang diambil berdistribusi normal. Jika asumsi ini tidak
terpenuhi, akan mempengaruhi kesimpulan pengujian hipotesis.
Prosedur non parametrik untuk menduga nilai sentral untuk sampel tunggal ini
diantaranya adalah uji tanda untuk sampel tunggal dan uji peringkat bertanda Wilcoxon. Selain
pengukuran tendensi sentral, juga terdapat prosedur non parametrik lainnya untuk sampel
tunggal dalam pengukuran proporsi populasi (yaitu uji binomial) dan uji kecenderungan (trend)
data berdasarkan waktu (yaitu uji Cox-Stuart)

2. Prosedur untuk sampel independen.

Prosedur ini digunakan ketika kita ingin membandingkan dua variabel yang diukur dari
sampel yang tidak sama (bebas). Misalnya sampel yang diambil berasal dari dua populasi yaitu

10
 populasi rumah pedagang sate dan populasi pedagang bakso, dan ingin membandingkan rata-rata
pendapatan diantara kedua kelompok pedagang ini.
Dalam statistik parametrik, untuk membandingkan membandingkan nilai rata-rata dua
kelompok independent, dapat digunakan uji t (t-test). Untuk nonparametrik, alternatif
pengujiannya diantaranya adalah Wald-Wolfowitz runs test, Mann-Whitney U test dan
Kolmogorov-Smirnov two-sample test. Selanjutnya, jika kelompok yang diperbandingkan lebih
dari dua, dalam statistik parametrik dapat menggunakan analisis varians (ANOVA/MANOVA),
dan pada statistik nonparametrik alternatifnya diantaranya adalah analisis varians satu arah
berdasarkan peringkat Kruskal-Wallis dan Median test.

3. Prosedur untuk Sampel dependen.

Prosedur ini digunakan ketika ingin membandingkan dua variabel yang diukur dari
sampel sama (berhubungan). Misalnya ingin mengetahui perbedaan produktivitas kerja, dengan
pengukuran dilakukan pada sampel pekerja yang sama baik sebelum maupun sesudah pelatihan
dilakukan.
Pada statistik parametrik, jika ingin membandingkan dua variabel yang diukur dalam
sampel yang sama, dapat menggunakan uji t data berpasangan. Sebaliknya, alternatif non-
parametrik untuk uji ini adalah Sign test dan Wilcoxon’s matched pairs test. Jika variabel diteliti
bersifat dikotomi, dapat menggunakan McNemar’s Chi-Square test. Selanjutnya, jika terdapat
lebih dari dua variabel, dalam statistik parametrik, dapat menggunakan ANOVA. Alternatif
nonparametrik untuk metode ini adalah Friedman’s two-way analysis of variance dan Cochran Q
test.

4. Korelasi Peringkat dan Ukuran-Ukuran Asosiasi Lainnya.

Dalam statistik parametrik ukuran korelasi yang umum digunakan adalah korelasi
Product Moment Pearson. Diantara korelasi nonparametrik yang ekuivalen dengan koefisien
korelasi standar ini dan umum digunakan adalah Spearman R, Kendal Tau dan coefficien
Gamma. Selain ketiga pengukuran tersebut, Chi square yang berbasiskan tabel silang juga relatif
populer digunakan dalam mengukur korelasi antar variabel.

11
5. Statistik Uji Kruskal-Wallis
Bagian ini akan membahas mengenai Statistik Uji Kruskal-Wallis, contoh perhitungan
manualnya dan aplikasi pada program statistik SPSS.
Analisis varians satu arah berdasarkan peringkat Kruskal-Wallis pada statistik non-
parametrik dapat digunakan pada sampel independent dengan kelompok lebih dari dua.

6. 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. Statistik chi-square juga merupakan bagian dari korelasi non-
parametrik, tetapi berbeda dengan ketiga jenis korelasi tersebut.

7. Korelasi Peringkat dengan SPSS

Tulisan ini merupakan lanjutan dari tulisan seri 4 non-parametrik yang membahas
mengenai korelasi peringkat pada statistik non-parametrik. Jika pada tulisan sebelumnya
diberikan pengertian dasar dan contoh perhitungan secara manual, maka pada bagian ini akan
diberikan aplikasi perhitungannya menggunakan paket program statistik SPSS.

12
 DAFTAR PUSTAKA

Supangat, andi. 2007. Statistika dalam kajian deskriptif, interfensi dan nonparametrik. Jakarta:
kencana prenada media group
Sukawana, I Wayan. 2008. Pengantar Statistik untuk Perawat. Denpasar. Jurusan Keperawatan
Poltekkes Denpasar

13