BAB 1

PENDAHULUAN
1.1. Latar Belakang
Istilah nonparametrik pertama kali digunakan oleh Wolfowitz, pada tahun
1942. Metode statistik nonparametrik merupakan metode statistik yang dapat digunakan
dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode statistic parametrik,
terutama yang berkaitan dengan distribusi normal. Istilah lain yang sering digunakan untuk
statistik nonparametrik adalah statistik bebas distribusi (distribution free statistics) dan uji
bebas asumsi (assumption-free test). Statistik nonparametric banyak digunakan pada
penelitian-penelitian sosial. Data yang diperoleh dalam penelitian sosial pada umunya
berbentuk kategori atau berbentuk rangking.
Uji statistik nonparametrik ialah suatu uji statistik yang tidak memerlukan adanya
asumsi - asumsi mengenai sebaran data populasi. Uji statistik ini disebut juga sebagai statistik
bebas sebaran (distribution free). Statistik nonparametrik tidak mensyaratkan bentuk sebaran
parameter populasi berdistribusi normal. Statistik nonparametrik dapat digunakan untuk
menganalisis data yang berskala nominal atau ordinal karena pada umumnya data berjenis
nominal dan ordinal tidak menyebar normal. Dari segi jumlah data, pada umumnya statistik
nonparametrik digunakan untuk data berjumlah kecil (n <30).

1.2 Tujuan
1.2.1 Tujuan Umum
Untuk mengetahui statistik non parametrik dan hal-hal yang lain yang perlu diketahui
penyusun untuk menambah wawasan tentang ilmu statistik.
1.2.2 Tujuan Khusus
1. Untuk mengetahui definisi statistik
2. Untuk mengetahui skala pengukuran
3. Untuk mengetahui statistika parametrik dan statistika non-parametrik
4. Untuk mengetahui definisi statistik non parametrik
5. Kelebihan dan kekurangan statistik non parametrik
6. Jenis uji statistik non parametrik

1
 BAB II
PEMBAHASAN
2.1 Definisi Statistik
Ada 2 pendekatan untuk menganalisis informasi berdasarkan jenis informasi yang
diperoleh, yaitu analisis kuantitatif dan analisis kualitatif. Analisis kuantitatif/analisis data
kuantitatif adalah analisis yang berbasis pada kerja hitung menghitung angka. Angka yang
diolah disebut input dan hasilnya disebut output juga berupa angka. Analisis
kualitatif/analisis data kualitatif adalah analisis yang berbasis pada kerja pengelompokan
simbol-simbol selain angka. Simbol itu berupa kata, frase, atau kalimat yang menunjukkan
beberapa kategori. Input maupun output analisis data kualitatif berupa simbol, dimana
outputnya disebut deskripsi verbal (Suharto, 2007).
Statistik adalah sebagai alat pengolah data angka. Stasistik dapat juga diartikan sebagai
metode/asas-asas guna mengerjakan/memanipulasi data kuantitatif agar angka berbicara.
Pendekatan dengan statistik sering digunakan metode statistic yaitu metode guna
mengumpulkan, mengolah, menyajikan, menganalisis & menginterpretasikan data statistik
(Sugiyono, 2014).
Statistika dapat pula diartikan pengetahuan yang berhubungan dengan pengumpulan
data, pengolahan data, penganalisisan dan penarikan kesimpulan berdasarkan data dan
analisis. Jadi statistik adalah produk dari kerja statistika. Ada dua konsep dalam bahasa
Inggris. Statistic: nilai yang dihitung dari sebuah sampel (mean, median, modus, dsb).
Statistics: metode ilmiah untuk pengumpulan data atau kumpulan angka. Dalam bahasa
Indonesia, statistik memiliki 3 pengertian dimuka.
· Kumpulan data = data
· Nilai yang dihitung dari dari sebuah sampel = statistik sampel
· Metode ilmiah guna mengumpulkan, mengolah, menyajikan, dan analisis data =
statistik(Suprayogi, 2012)

2.2 Skala pengukuran

Pengukuran adalah proses hal mana suatu angka atau simbol dilekatkan pada
karakteristik atau properti suatu stimuli sesuai dengan aturan/prosedur yang telah ditetapkan
(Imam Ghozali, 2005). Misal, orang dapat diganbarkan dari beberapa karakteristik: umur,
tingkat pendidikan, jenis kelamin, tingkat pendapatan dan lain-lain. Ada 4 skala pengukuran
menurut Sulaiman, 2003 :

2
a. Skala nominal
Skala nominal merupakan skala yang merupakan kategori atau kelompok dari suatu subyek.
Misal, variabel jenis kelamin responden dikelompokkan menjadi dua, L/P, masing-masing
diberi kode 1 dan 2. Angka ini hanya berfungsi sebagai label kategori, tanpa memiliki nilai
instrinsik dan tidak memiliki arti apa pun. Lambang-lambang tersebut tidak memiliki sifat
sebagaimana bilangan pada umumnya, sehingga pada variabel dengan skala nominal tidak
dapat diterapkan operasi matematika standar: pengurangan, penjumlahan, perkalian, dll. Uji
statistik yang sesuai dengan skala nominal adalah uji yang mendasarkan pada jumlah seperti
modus dan distribusi frekuensi
b. Skala ordinal
Skala ordinal, lambang-lambang bilangan hasil pengukuran menunjukkan urutan atau
tingkatan obyek yang diukur menurut karakteristik yang dipelajari. Misal, kita ingin
mengetahui preferensi responden terhadap merek indomie goreng: merek Sarimi, Indomie,
Mie Sedap, Gaga Mie kemudian responden diminta untuk melakukan ranking terhadap merek
mie goreng dengan memberi angka 1 untuk merek yang paling disukai, angka 2 untuk
rangking kedua dan seterusnya. Rangkuman hasil sebagai berikut.
Merk Mie Goreng Rangking
Indomie 1
Mie Sedap 2
Sarimi 3
Gaga Mie 4

Tabel ini menunjukkan bahwa merek Indomie lebih disukai daripada Mie Sedap, merek Mie
Sedap lebih disukai daripada Sarimi, dsb. Walaupun perbedaan angka antara preferensi satu
dengan lainnya sama, namun kita tidak dapat menentukan besarnya nilai preferensi dari suatu
merek terhadap merek lainnya. Uji statistik yang sesuai adalah modus, median, distribusi
frekuensi dan statistik non-parametrik seperti rank order correlation.
c. Skala Interval
Skala pengukuran mempunyai sifat seperti skala ordinal (memiliki urutan tertentu), ditambah
satu sifat khas, yaitu adanya satuan skala (scale unit). Artinya, perbedaan karakteristik antara
obyek yang berpasangan dengan lambang bilangan satu dengan lambang bilangan berikutnya
selalu tetap. Jika dalam pengukuran preferensi responden terhadap merek indomie goreng

3
tersebut diasumsikan bahwa urutan kategori menunjukkan preferensi yang sama, maka kita
dapat mengatakan bahwa perbedaan indomie goreng merek urutan ke 1 dengan 2 adalah sama
dengan perbedaan merek 2 dengan lainnya. Namun demikian, kita tidak bisa mengatakan 3
bahwa merek yang mendapat ranking 5 nilainya lima kali preferensi daripada merek 1. Uji
statistik yang sesuai adalah semua uji statistik kecuali uji yang mendasarkan pada rasio
seperti koefisien variasi.
d. Skala rasio
Skala rasio adalah skala yang menghasilkan data dengan mutu yang paling tinggi. Perbedaan
skala rasio dengan skala interval terletak pada keberadaan nilai nol (based value). Pada skala
rasio, nilai nol bersifat mutlak, tidak seperti pada skala interval. Data yang dihasilkan oleh
skala rasio adalah data rasio. Tidak ada pembatasan terhadap alat uji statistik yag sesuai.

2.3 Statistika parametrik dan statistika non-parametrik

Ilmu statistika secara garis besar dibagi menjadi 2:
a. Statistika parametrik
Merupakan ilmu statistika yang mempertimbangkan jenis sebaran/distribusi data, yaitu
apakah data menyebar normal atau tidak. Pada umumnya, Jika data tidak menyebar normal,
maka data harus dikerjakan dengan metode Statistika non-parametrik, atau setidak-tidaknya
dilakukan transformasi agar data mengikuti sebaran normal, sehingga bisa dikerjakan dg
statistika parametrik. Statistika parametrik adalah suatu uji yang modelnya menetapkan
adanya syarat-syarat tertentu (asumsi-asumsi) tentang variabel random atau populasi yang
merupakan sumber sampel penelitian. Statistika parametik lebih banyak digunakan untuk
menganalisis data yang berskala interval dan rasio dengan dilandasi asumsi tertentu seperti
normalitas. Contoh metode statistika parametrik: uji-z (1 atau 2 sampel), uji-t (1 atau 2
sampel), korelasi pearson, Perancangan Percobaan (1 or 2-way ANOVA parametrik), dll.
b. Statistika non-parametrik
Merupakan statistika bebas sebaran (tdk mensyaratkan bentuk sebaran parameter populasi,
baik normal atau tidak). Statistika non-parametrik biasanya digunakan untuk melakukan
analisis pada data berjenis Nominal atau Ordinal. Data berjenis Nominal dan Ordinal tidak
menyebar normal. Statistika nonparametik dapat digunakan untuk menganalisis data yang
berskala nominal dan ordinal. Contoh metode Statistika non-parametrik:Binomial test, Chi-
square test, Median test, Friedman Test, dll.

4
2.4 Definisi Statistik Non Parametrik
Metode Statistik Non-Parametrik sering juga disebut Metode Bebas Sebaran
(Distribution Free), karena model uji statistiknya tidak menetapkan syarat-syarat tertentu
tentang bentuk distribusi parameter populasinya. Artinya bahwa metode non-parametrik ini
tidak menetapkan. syarat bahwa observasi- observasinya harus ditarik dari populasi yang
berdistnousi normal dan tidak menetapkan syarat homoscedasticity (Djarwanto 2003, pl).
Metode Statistik Non-Parametrik adalah metode yang modelnya tidak menetapkan
syarat-syarat mengenai parameter-parameter populasi. Anggapan- anggapan tertentu
dikaitk:an dengan sejumlah besar metode non-parametrik, yakni bahwa observasi-
observasinya independen dan bahwa variabel yang diteliti pada dasarnya memiliki
kontinuitas (Sulaiman 2003, pl).
Seperti dijelaskan di muka bahwa jika hasil uji normalitas menunjukkan data tidak
terdistribusi normal maka uji statistik yang cocok digunakan adalah statistik non parametrik
atau distribution free.
Dalam kenyataannya di lapangan, banyak sekali populasi yang terdistribusi tidak
normal bahkan tidak diketahui sama sekali. Misalnya: data lamanya penyakit, atau beratnya
penyakit. Disamping itu dalam penelitian di bidang kesehatan, terutama kedokteran, sering
penarikan kesimpulan untuk uji hipotesa dilakukan dengan jumlah sampel yang kecil,
sehingga uji statistik non parametrik sering dipakai dalam dalam penelitian bidang kesehatan,
karena uji ini tidak bergantung pada jenis distribusi.

Gambar 5. Diagram alir untuk menentukan apakah uji statistik menggunakan

statistik parametrik atau non parametrik.

Sumber: Reksoatmodjo, 2009

5
2.5 Kelebihan dan Kekurangan Statistik Non Parametrik
Uji statistik non parametrik memiliki keunggulan-keunggulan dibanding statistik
parametrik. Beberapa keunggulan tersebut adalah:
1. Tidak membutuhkan asumsi normalitas distribusi populasi;
2. Umumnya mudah dikerjakan dan dimengerti karena tidak membutuhkan
perhitungan matematika yang rumit;
3. Dapat mengganti data numerik dengan ordinal;
4. Kadang tidak dibutuhkan urutan atau jenjang secara formal, karena sering dijumpai
hasil pengamatan dengan nilai kualitatif seperti “lebih besar dibanding yang lain”.
Pada penelitian perilaku kesehatan hal tersebut sering dijumpai;
5. Dilakukan secara langsung pada pengamatan yang nyata; dan
6. Dapat digunakan pada populasi berdistribusi normal
Walaupun demikian, metode ini tidak sempurna dan banyak kelemahan-
kelamahannya seperti:
1. Mengabaikan beberapa informasi tertentu. Misalnya kita mengurutkan data IPK
mahasiswa dari 3,90 lalu 3,84 lalu 3,80 lalu 3,78 lalu 3,70 dan seterusnya. Pada
statistik non parametrik data-data tersebut dikelompokkan menurut rangking
1,2,3,4,5 dan seterunya. Jika ada perubahan informasi nilai IPK misalnya 3,80
menjadi 3,82 maka hal tersebut tidak dihiraukan karena tetap ada di urutan 3.
2. Hasil uji statistik tidak setajam statistik parametrik. Interval estimasi dengan statistik
non paramatrik pada confidence interval 95% bisa dua kali lebih besar dibanding
statistik parametrik;
3. Tidak dapat diekstrapolasi atau digeneralisir ke populasi. Pada penelitian klinis yang
hanya membanding dua kelompok atau lebih dengan sampel kecil hal ini tidak
masalah, namun pada penelitian Kesmas yang melibatkan masyarakat hal ini bisa
menjadi catatan khusus.

2.6 Jenis Uji Statistik Non Parametrik

Perlu diperhatikan jenis hubungan sampel/kelompok yang terbagi menjadi dua yaitu
dependen (berpasangan, paired) atau independen (bebas, impaired). Hubungan sampel
dependen yaitu 1) satu sampel dilakukan pengukuran sebanyak dua kali (sebelum dan
sesudah intervensi); atau 2) Dua sampel atau lebih diukur dalam waktu yang bersamaan
dengan mengontrol variabel yang diteliti (yang diberi intervensi atau tidak diberi intervensi),

6
umumnya pada penelitian eksperimen. Sedangkan hubungan sampel independen yaitu dua
sampel atau lebih yang tidak saling berkaitan diukur dua kali atau lebih, umumnya pada
penelitian survey.
Contoh data sampel berpasangan: 1) penelitian membandingkan perilaku sehat anak
SD sebelum dan sesudah diberikan penyuluhan kesehatan; 2) penelitian membandingkan
prestasi kerja perawat sebelum dan sesudah diberi motivasi kerja. Contoh data sampel bebas:
1) Penelitian membandingkan kualitas pelayanan RS pemerintah dengan RS swasta; atau 2)
Penelitian membandingkan prestasi kinerja dokter umum dengan dokter spesialis.
(Sheskin, 2004) dalam bukunya yang berjudul Handbook of Parametric and
Nonparametric Statistical Procedures memberikan pedoman untuk memilih uji statistik non-
parametrik sebagai berikut:

1. UJI STATISTIK 1 SAMPEL

a. Untuk jenis data ordinal/peringkat

 Tujuan menguji hipotesis nilai median pada satu populasi
1. Tes Wilcoxon Signed-Ranks
2. Tes Single-sample (uji median)
 Tujuan menguji hipotesis distribusi data pada satu populasi
1. Tes Kolmogorov-Smirnov (uji kesesuaian distribusi 1 sampel)
2. Tes Lilliefors (uji normalitas satu sampel)

b. Untuk jenis data nomimal/kategorik

 Tujuan menguji hipotesis distribusi data pada satu populasi
1. Tes Chi-square (uji kesesuaian distribusi)
2. Tes Runs (uji random data)
3. Tes Frekuensi (uji random data)
4. Tes Gap (uji random data)
5. Tes Poker (uji random data)
6. Tes Maksimum (uji random data)
7. Tes Kupon Kolektor (uji random data)
 Tujuan menguji hipotesis proporsi satu populasi
1. Tes Binomial Sign untuk satu sampel
2. Tes z untuk proporsi populasi
3. Tes Runs Single-sample

7
 4. Tes Chi-square independen
2. UJI STATISTIK 2 SAMPEL INDEPENDEN
a. Untuk jenis data ordinal/peringkat
 Tujuan menguji hipotesis median dan karakteristik lainnya pada 2 sampel independen
1. Tes Mann-Whitney U
2. Tes randomisasi dua sampel independen
3. Tes Bootstrap
4. Tes Jackknife
5. Tes Kolmogorov-smirnov 2 sampel independen
6. Tes Median untuk dua sampel independen
7. Tes van der Waerden Normal-scores untuk k sampel independen
 Tujuan menguji hipotesis variabilitas data pada 2 sampel independen
1. Tes Siegel-Tukey untuk variabilitas data
2. Tes Moses untuk variabilitas data
3. Tes Bootstrap untuk variabilitas data
4. Tes Jackknife untuk variabilitas data
b. Untuk jenis data nominal/kategorik
 Tujuan menguji hipotesis distribusi data 2 sampel independen
1. Tes Chi-square untuk homogenitas data
2. Tes Fisher exact
 Tujuan menguji hipotesis proporsi sampel
1. Tes z untuk dua proporsi sampel independen

3. UJI STATISTIK 2 SAMPEL DEPENDEN

a. Untuk jenis data ordinal/peringkat
 Tujuan menguji hipotesis urutan/order data pada 2 sampel dependen
1. Tes Wilcoxon Signed-ranks Berpasangan
2. Tes Binomial sign untuk dua sampel dependen
b. Untuk jenis data nominal/kategorik
 Tujuan menguji hipotesis distribusi data pada dua populasi dependen
1. Tes McNemar
2. Tes Gart untuk efek peringkat
3. Tes Bowker untuk simetris internal

8
 4. Tes Stuart-Maxwell untuk homogenitas marjinal
4. UJI STATISTIK DUA ATAU LEBIH SAMPEL INDEPENDEN
a. Untuk jenis data ordinal/peringkat
 Tujuan menguji hipotesis median atau karakteristik lain dari dua atau lebih sampel
independen
1. Tes Median untuk sampel independen
2. Tes Kruskal-Wallis One-Way ANOVA berdasarkan rangking
3. Tes Jonckheere-Terpstra untuk uji alternatif rangking
4. Tes van der Waerden Normal-scores untuk k sampel independen
b. Untuk jenis data nominal/kategorik
 Tujuan menguji hipotesis distribusi data pada 2 atau lebih sampel independen
1. Tes Chi-square untuk homogenitas data
5. UJI STATISTIK DUA ATAU LEBIH SAMPEL DEPENDEN
a. Untuk jenis data ordinal/peringkat
 Tujuan menguji hipotesis median dari dua atau lebih populasi dependen
1. Tes Friedman Two-way ANOVA berdasarkan rangking
2. Tes Page untuk alternatif rangking
b. Untuk jenis data nominal/kategorik
 Tujuan menguji hipotesis distribusi data pada dua atau lebih populas dependen
1. Tes Cochran Q
6. UJI KORELASI/ASOSIASI
a. Untuk jenis data ordinal/peringkat
 Uji Bivariat (dua kelompok data ordinal

9
 BAB III
PENUTUP
3.1 Kesimpulan
Statistika Parametrik yaitu ilmu statistika yang mempertimbangkan
jenis sebaran/distribusi data, yaitu apakah data menyebar normal atau tidak.
Pada umumnya, Jika data tidak menyebar normal, maka data harus dikerjakan dengan
metode Statistika non-parametrik, atau setidak2nya dilakukan transformasi agar data
mengikuti sebaran normal, sehingga bisa dikerjakan dengan statistika parametrik. Statistika
parametrik adalah prosedur yang pengujian yang dilakukan berlandaskan distribusi. Salah
satu karakteristiknya penggunaan prosedur ini melibatkan asumsi-asumsi tertentu. Contoh
dari statistik parametrik adalah analisis regresi, analisis korelasi, analisis varians.
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.
Maka, Statistik Non-Parametrik adalah 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.

10
 DAFTAR PUSTAKA

Sheskin, D. J. (2004). Handbook of parametric and non parametric statistical procedures.

Technometrics, 46, 1193. https://doi.org/10.1198/tech.2004.s209
Sugiyono. (2014). Metode Penelitian Kuantitatif, Kualitatif dan R & D. Bandung: Alfabeta.
https://doi.org/10.1017/CBO9781107415324.004
Suharto, E. (2007). Pendekatan Kuantitatif dan Kualitatif dalam Metode Penelitian. Magistra,
19.
Suprayogi, S. D. (2012). STATISTIKA DESKRIPTIF Suprayogi Statistika Deskriptif.
Statistika Deskriptif.

11