ANALISIS STATISTIK DASAR DAN

NONPARAMETRIK

Tinjauan Singkat Teoritis Analisis Nonparametrik1

Dua istilah yang lazim dalam analisis statistik adalah analisis atau
teknik paramterik dan nonparametrik. Secara sederhana yang dimaksud
dengan analisis parametrik adalah parameterisasi atau perhitungan indeks
dari distribusi data.Sebagai contoh, sebuah distribusi normal atau tidak
ditentukan oleh rataan (μ) dan simpangan bakunya (σ). Istilah parametrik
dalam hal ini merujuk pada estimasi atau pengujian paramater, seperti
rataan (mean) atau proporsi dari populasi.
Analisis nonparametrik mengacu pada prosedur estimasi yang
tidak melibatkan distribusi tertentu. Lazimnya analisis dilakukan untuk
data kategorik. Sebagai contoh, persepsi konsumen terhadap kualitas dua
merek dinilai dengan menggunakan skala Likert (5 untuk sangat baik dan
1 untuk sangat buruk). Analisis terhadap data ini dilakukan dengan
membandingkan median keduanya dari data sejumlah responden. Karena
tidak melibatkan distribusi data, maka keperluan jumlah responden dapat
lebih sedikit dibandingkan dengan pengujian parametrik. Tabel berikut
mensarikan beberapa perbandingan antara analisis parametrik dan
nonparametrik.

Analisis Parametrik Analisis Parametrik Tujuan Pengujian

Uji t Wilcoxon, Mann- Perbandingan dua
Whitney, Rank test kelompok
Koef. Korelasi Koef. Korelasi Asosiasi antar dua
Parson Spearman variabel
Analisis Ragam satu Analisis ragam satu Perbandingan
arah ( uji F) arah Kruskall-Wallis kelompok dengan 1
faktor
Analisis Ragam dua Analisis ragam dua Perbandingan
arah ( uji F) arah Friedman kelompok dengan 2
faktor
1
Disadur dari tulisan Gerard E. Dallal, Ph.D: Nonparametric Statistics

1
 Terdapat beberapa keuntungan dari penggunaan analisis
nonparamterik, yaitu:
1. Keperluan jumlah observasi lebih sedikit. Pengujian parametrik
mensyaratkan observasi harus diperoleh dari populasi yang menyebar
normal. Bahkan untuk beberapa uji tertentu, misalnya uji t untuk dua
contoh yang independen, mensyaratkan simpangan baku populasi
keduanya harus sama.
2. Proses perhitungan dalam analisis nonparametrik relatif sederhana.
Misalnya pada uji tanda untuk data contoh yang besar, statistik ujinya
diperoleh dari formula:
(plus – minus)2/(plus + minus)
dimana plus adalah jumlah nilai yang positif dan minus adalah jumlah
nilai yang negatif. Statistik tersebut kemudian dibandingkan dengan chi-
square dengan satu derajat bebas.
3. Analisis nonparametrik diterapkan untuk data kategorik, yang banyak
diobservasi untuk mengevaluasi penilaian responden terhadap suatu
obyek tertentu.
4. Tidak mensyaratkan data contoh diambil secara acak dari sebuah
populasi. Dengan kata lain tidak mengharuskan adanya populasi.
Secara umum kelemahan dari analisis nonparametrik adalah tidak
diperolehnya parameter yang menggambarkan karakteristik kuantitatif
dari populasi. Selain itu umumnya tidak tersedia selang kepercayaan
untuk statistik yang diperoleh.

2
Uji Rata-rata Populasi

Dalam statistika, uji hipotesis dilakukan untuk membandingkan

rata-rata suatu populasi. Salah satu metode uji hipotesisnya adalah uji-t.
Uji-t menggunakan statistik t dan digunakan apabila jumlah sampel tidak
cukup besar, dalam hal ini, jumlah sampel kurang dari 30 (n<30) dan
standar deviasi populasi tidak diketahui.

Hipotesisnya adalah
H0: = 0

H1: < 0
atau > 0

Statistik uji :

Prosedur dalam MINITAB:

1. Pilih Stat > Basic Statistics > 1-Sample t

3
2. Dalam kotak , Masukkan data C1 ke dalam kotak di bawah
Variables

Isilah Mean sesuai dengan Rasio rata-rata data. Kemudian klik

OK.

3. Untuk menampilkan output dalam bentuk grafik, Pilih Graphs

dan beri tanda cek (√) pada Histogram of Data

4. Kemudian klik OK.

4
Aplikasi Uji Rata-rata Populasi

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth untuk diestimasi sehingga
akan memunculkan tampilan sebagai berikut.

One-Sample T: Economic Growth

Variable N Mean StDev SE Mean 95% CI

Economic Growth 9 4,7889 0,2472 0,0824 (4,5989;
4,9789)

Uji Rata-rata Dua Populasi

Suatu penelitian sering membandingkan rata-rata antara 2 hasil
percobaan. Statistika menyediakan alat untuk melakukan uji
perbandingan rata-rata antara 2 percobaan.

Hipotesisnya adalah
H0: 1
- )=
H1: 1
- )> atau 1
- )<

Statistik uji :

5
di mana: d : Rata-rata selisih antara 2 sampel
adalah standar deviasi selisih 2 sampel

Prosedur dalam MINITAB:

1. Pilih Stat > Basic Statistics > 2-Sample t

2. Pilih Samples in difference columns

6
3. Dalam First , Masukkan variabel C1 dan dalam Second,
Masukkan variabel C2.
4. Analisis mengasumsikan varian populasi adalah sama dan beri
tanda cek (√) pada Assume equal variance

5. Pilih Graphs dan beri tanda cek (√) pada Boxplot of Data

6. Kemudian klik OK.

7
Aplikasi Uji Rata-rata Dua Populasi

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth dan C2 yaitu Industrial
Growth untuk diestimasi sehingga akan memunculkan tampilan sebagai
berikut.

Two-sample T for Economic Growth vs Industrial Growth

N Mean StDev SE Mean

Economic Growth 9 4,789 0,247 0,082
Industrial Growth 10 10,63 2,45 0,78

Difference = mu (Economic Growth) - mu (Industrial Growth)

Estimate for difference: -5,841
95% CI for difference: (-7,605; -4,078)
T-Test of difference = 0 (vs not =): T-Value = -7,49 P-
Value = 0,000 DF = 9

Uji Varians Dua Populasi

Suatu penelitian sering tidak hanya mengukur rata-ratanya, tetapi
juga varian datanya yang menunjukkan penyebaran data. Uji varian
populasi digunakan untuk menguji kesesuaian varian suatu data dengan
varian tertentu. Uji rasio varian digunakan apabila ada 2 populasi yang
variannya akan dibandingkan. Metode tersebut mensyaratkan distribusi
datanya adalah distribusi normal.

8
Hipotesisnya adalah
H0: =1

H1: > 1 atau <1

Statistik uji :
F= atau F =

Prosedur dalam MINITAB:

1. Pilih Stat > Basic Statistics > 2 Variances

2. Pilih Samples in difference columns

9
 3. Dalam First , Masukkan variabel C1 dan dalam Second,
Masukkan variabel C2.
4. Kemudian klik OK.

Aplikasi Uji Varians Dua Populasi

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth dan C2 yaitu Industrial
Growth untuk diestimasi sehingga akan memunculkan tampilan sebagai
berikut.

Pearson Correlation
Koefisien korelasi pearson digunakan untuk mengukur keeratan
hubungan antara dua variable yang datanya berbentuk data interval atau
rasio. Disimbolkan dengan r dan dirumuskan:

Nilai dari koefisien korelasi (r) terletak antara -1 dan +1 (-1≤ r ≤ +1)
1. Jika r=+1, terjadi korelasi positif sempurna antara variabel X dan Y

10
2. Jika r=-1. Terjadi korelasi negatif sempurna antara variabel X dan Y
3. Jika r=0. Tidak terdapat korelasi antara variabel X dan Y
4. Jika 0 ‹ r ‹ +1. Terjadi positif antara variabel X dan Y
5. Jika -1≤ r ≤ +1. Terjadi korelasi negatif antara variabel X dan Y
Prosedur dalam MINITAB:

1. Pilih pilihan ‘Stat’ pada menu toolbar yang ada di dalam minitab.
2. Kemudian pilih ‘Basic Statistics’ > ‘Correlation...’

3. Pilih variabel dari kolom yang memuat variabel-variabel tersebut untuk

kemudian kita uji untuk menentukan ‘korelasi’– nya di kolom
‘variables’ . Caranya adalah dengan mengklik dua kali variabel yang
kita inginkan atau dengan mengklik tombol ‘select’.
4. Kemudian, klik ‘display p-values’

11
5. Setelah memasukkan semua variabel, kemudian klik ‘OK”

Aplikasi Uji Korelasi Pearson

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth dan C2 yaitu Industrial
Growth untuk diestimasi sehingga akan memunculkan tampilan sebagai
berikut.

Correlations: Economic Growth; Industrial Growth

Pearson correlation of Economic Growth and Industrial Growth

= 0,169
P-Value = 0,640

Teori dan Penggunaan Metode Nonparametrik

Pada statistik parametrik, pengujian hipotesis (Uji Parametrik)
atau aturan pengambilan keputusan dipengaruhi oleh asumsi-asumsi
tertentu. Misalnya untuk distribusi misalnya distribusi normal, binomial,
distribusi F, dan distribusi student t. Asumsi untuk bentuk varians,
misalnya memiliki varians yang homogen, seperti pada regresi dan

12
korelasi. Asumsi-asumsi tersebut tidak diuji lagi dan dianggap sudah
terpenuhi.
Jika asumsi kenormalan dan asumsi lainnya tidak terpenuhi atau
sukar untuk dipenuhi walaupun berbagai upaya transformasi data telah
dilakukan, maka kita dapat menggunakan prosedur alternatif selain uji-F
pada analisis ragam. Prosedur yang dapat digunakan adalah metode
nonparametrik, karena metode ini tidak memperhatikan bentuk sebaran
data dan asumsi analisis ragam lainnya.

Uji Chi-Kuadrat ( )

Uji Chi-kuadrat ( cocok untuk menganalisis data dengan

jumlah kategori lebih dari satu. Tekniknya adalah goodness-of-fit yakni
bahwa tes tersebut dapat digunakan untuk menguji apakah terdapat
perbedaan yang signifikan antara banyaknya pengamatan (observed) dari
objek dengan hasil dari masing-masing kategori yang diharapkan
berdasarkan hipotesis nol.
Hipotesis nol menyatakan proporsi objek yang jatuh dalam
masing-masing kategori di dalam populasi yang ditetapkan. Ini berarti,
dari hipotesis-nolnya kita dapat membuat deduksi berapakah frekuensi-
frekuensi yang diharapkan. Teknik menguji apakah frekuensi yang
diamati cukup mendekati frekuensi yang diharapkan sehingga
mempunyai kemungkinan besar untuk terjadi di bawah .

Uji Statistik:

Keterangan:
= banyak kasus yang diamati dalam kategori ke-i
= banyak hasil yang diharapkan dalam kategori ke-i di bawah

Prosedur dalam MINITAB:

1. Pilih Stat > Tables > Cross Tabulation and Chi-Square.

13
2. Dalam Bagian Baris, Masukkan data C1. Dalam Bagian columns,
masukkan data C2.

3. Klik Chi-Square.

14
4. Tandai pilihan Chi-Square analysis, Expected cell counts dan
Standardized residuals.
5. Klik OK dalam setiap kotak.

Aplikasi Uji Chi-Kuadrat ( )

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth dan C2 yaitu Industrial
Growth untuk diestimasi sehingga akan memunculkan tampilan sebagai
berikut.

Tabulated statistics: Economic Growth; Industrial Growth

Rows: Economic Growth Columns: Industrial Growth

6,6 8,2 8,8 9,5 10,7 10,8

10,9 13,2

4,4 0 0 0 1 0 0
0 0
0,1000 0,1000 0,1000 0,1000 0,1000 0,1000
0,1000 0,1000
-0,3162 -0,3162 -0,3162 2,8460 -0,3162 -0,3162 -
0,3162 -0,3162

4,6 0 0 1 0 0 0
1 0
0,3000 0,3000 0,3000 0,3000 0,3000 0,3000
0,3000 0,3000

15
 -0,5477 -0,5477 1,2780 -0,5477 -0,5477 -0,5477
1,2780 -0,5477

4,7 1 0 0 0 0 1
0 0
0,2000 0,2000 0,2000 0,2000 0,2000 0,2000
0,2000 0,2000
1,7889 -0,4472 -0,4472 -0,4472 -0,4472 1,7889 -
0,4472 -0,4472

4,9 0 0 0 0 0 0
0 1
0,1000 0,1000 0,1000 0,1000 0,1000 0,1000
0,1000 0,1000
-0,3162 -0,3162 -0,3162 -0,3162 -0,3162 -0,3162 -
0,3162 2,8460

5,0 0 0 0 0 0 0
0 0
0,1000 0,1000 0,1000 0,1000 0,1000 0,1000
0,1000 0,1000
-0,3162 -0,3162 -0,3162 -0,3162 -0,3162 -0,3162 -
0,3162 -0,3162

5,1 0 1 0 0 1 0
0 0
0,2000 0,2000 0,2000 0,2000 0,2000 0,2000
0,2000 0,2000
-0,4472 1,7889 -0,4472 -0,4472 1,7889 -0,4472 -
0,4472 -0,4472

All 1 1 1 1 1 1
1 1
1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
1,0000 1,0000
* * * * * *
* *

13,3 14,3 All

4,4 0 0 1
0,1000 0,1000 1,0000
-0,3162 -0,3162 *

4,6 1 0 3
0,3000 0,3000 3,0000
1,2780 -0,5477 *

4,7 0 0 2
0,2000 0,2000 2,0000
-0,4472 -0,4472 *

4,9 0 0 1
0,1000 0,1000 1,0000
-0,3162 -0,3162 *

5,0 0 1 1
0,1000 0,1000 1,0000
-0,3162 2,8460 *

5,1 0 0 2
0,2000 0,2000 2,0000

16
 -0,4472 -0,4472 *

All 1 1 10
1,0000 1,0000 10,0000
* * *

Cell Contents: Count

Expected count
Standardized residual

Pearson Chi-Square = 50,000; DF = 45

Likelihood Ratio Chi-Square = 33,915; DF = 45

* WARNING * 60 cells with expected counts less than 1

* WARNING * Chi-Square approximation probably invalid

* NOTE * 60 cells with expected counts less than 5

Uji Kolmogorov-Smirnov

Uji Kolmogorov Smirnov adalah suatu uji goodness-of-fit.

Artinya, yang diperhatikan adalah tingkat kesesuaian antara distribusi
serangkaian harga sampel (skor yang diobservasi) dengan suatu distribusi
teoritis tertentu. Uji ini menetapkan apakah skor-skor dalam sampel dapat
secara masuk akal dianggap berasal dari suatu populasi dengan distribusi
teoritis itu. Singkatnya, uji ini mencakup penghitungan distribusi
frekuensi kumulatif yang akan terjadi di bawah distribusi teoritisnya,
serta membandingkan distribusi frekuensi itu dengan distribusi frekuensi
kumulatif hasil observasi.
Uji Kolmogorov-Smirnov memusatkan perhatian pada
penyimpangan (deviasi) terbesar.

Prosedur dalam MINITAB:

1. Pilih Stat > Basic Statistics > Normality Test

17
2. Masukkan data pada kolom Variabel.
3. Tandai pilihan Kolmogorov-Smirnov.
4. Klik OK.

18
Aplikasi Uji Kolmogorov-Smirnov

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth untuk diestimasi sehingga
akan memunculkan tampilan sebagai berikut.

19
Uji Mann-Whitney (U-Test)

Uji Mann-Whitney disebut juga pengujian U. Pengujian U

digunakan untuk menguji rata-rata dari dua sampel berukuran tidak sama,
uji ini dikembangkan oleh H.B. Mann dan D.R Whitney pada tahun 1947.

Hipotesisnya adalah
H0: h1 = h2
H1: h1 ≠ h2

dimana h adalah rata-rata dari populasi.

Statistik uji :

Atau:

Nilai U yang diambil adalah nilai U yang terkecil. Untuk memeriksa

ketelitian perhitungan digunakan rumus:

Prosedur:

1. Pilih pilihan ‘Stat’ pada menu toolbar yang ada di dalam minitab.
2. Kemudian pilih ‘Nonparametrics’ > ‘Mann-Whitney...’

20
3. Pindahkan variabel yang mengandung sampel data yang mengandung
populasi ke kolom ‘first sample’ di sebelah kanan. Caranya adalah
dengan mengklik dua kali variabel yang dimaksud atau mengklik
‘select’ pada variabel yang diinginkan. Hal yang sama juga dilakukan
untuk ‘second sample’.
4.Anda dapat menentukan selang kepercayaan mulai dari 0 sampai 100%
Minitab akan secara otomatis memunculkan selang kepercayaan 95%.
Hal yang harus diingat adalah Minitab akan menghitung selang
kepercayaan pada level yang paling dekat dengan hasil estimasi. Oleh
karenanya, kita dapat memilih ‘alternatif’ jenis-jenis tes yang akan
dilakukan oleh Minitab. Pilihan tersebut tersedia di kotak ‘alternative’.
Pilihan yang dapat dipilih adalah (less than) atau selang kepercayaan
lebih rendah dari estimasi, (not equal) atau tidak sama dengan selang
kepercayaan. (greater than) atau selang kepercayaan lebih dari
estimasi.

21
5.Setelah memasukkan semua variabel, kemudian klik ‘OK”

Aplikasi Uji Mann-Whitney

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth untuk diestimasi sehingga
akan memunculkan tampilan sebagai berikut.

Mann-Whitney Test and CI: Economic Growth; Industrial

Growth

N Median
Economic Growth 10 4,700
Industrial Growth 10 10,750

Point estimate for ETA1-ETA2 is -5,900

95,5 Percent CI for ETA1-ETA2 is (-8,301;-3,901)
W = 55,0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at
0,0002
The test is significant at 0,0002 (adjusted for ties)

22
Uji Kruskal-Wallis (H Test)

Prosedur ini dikembangkan oleh Kruskal dan Wallis (1952).

Dalam rancangan percobaan, uji ini biasanya digunakan untuk percobaan
yang menggunakan RAL. Uji ini digunakan untuk menguji hipotesis:

Ho: Nilai tengah diperlakukan sama

H1: minimal ada satu nilai tengah perlakuan yang tidak sama dengan
yang lainnya.

Statistik uji :

dengan:
= banyaknya ulangan pada perlakuan ke-i
N = jumlah pengamatan
= jumlah peringkat (rank) dari perlakuan ke-i

dan

Adalah peringkat dari pengamatan pada perlakuan ke-i ulangan ke-j

Kaidah keputusan uji ini :
Jika H > maka tolak Ho, selainnya terima Ho.

Prosedur:

1. Pilih pilihan ‘Stat’ pada menu toolbar yang ada di dalam minitab.
2. Kemudian pilih ‘Nonparametrics’ > ‘Kruskal-Wallis...’

23
1. Setelah kita pilih ‘Kruskal-Wallis’ maka kita harus
menambahkan variabel di kotak yang terdapat di sebelah kanan, yakni
kotak ‘response’ dan kotak ‘factor’. Caranya kita akan
menambahkannya dengan cara mengklik tombol ‘select’ pada variabel
di kotak sebelah kiri yang akan kita perlakukan sebagai response.
Begitu pula dengan variabel yang akan kita masukkan sebagai factor.

24
2. Setelah memasukkan semua variabel, baik untuk response dan
factor, kemudian klik ‘OK”

Aplikasi Uji Kruskal-Wallis

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth dan C2 yaitu Industrial
Growth untuk diestimasi sehingga akan memunculkan tampilan sebagai
berikut

Kruskal-Wallis Test: Economic Growth versus Industrial

Growth

Kruskal-Wallis Test on Economic Growth

Industrial Ave
Growth N Median Rank Z
6,6 1 4,700 5,5 0,00
8,2 1 5,100 9,5 1,39
8,8 1 4,600 3,0 -0,87
9,5 1 4,400 1,0 -1,57
10,7 1 5,100 9,5 1,39
10,8 1 4,700 5,5 0,00
10,9 1 4,600 3,0 -0,87
13,2 1 4,900 7,0 0,52
13,3 1 4,600 3,0 -0,87
14,3 1 5,000 8,0 0,87
Overall 10 5,5

H = 8,67 DF = 9 P = 0,468
H = 9,00 DF = 9 P = 0,437 (adjusted for ties)

* NOTE * One or more small samples

25
Runs Test (Uji Randomness)

Runs test (uji randomness) bertujuan untuk menentukan apakah

urutan yang dipilih atau sampel yang diambil diperoleh secara acak atau
tidak. Pengujian randomness didasarkan pada banyaknya run atau tanda
nilai median dalam urutan sampel. Satu run adalah satu atau lebih simbol
positif atau negatif (+/-) identik yang didahului atau diikuti oleh simbol
lain atau tidak ada simbol di depan atau di belakangnya. Misalnya: untuk
tanda (+ - +) dianggap tiga run.

Hipotesisnya:
Ho: Proses pengambilan sampel adalah proses random
H1: Proses pengambilan sampel bukan proses random
.

Prosedur:

1. Pilih pilihan ‘Stat’ pada menu toolbar yang ada di dalam minitab.
2. Kemudian pilih ‘Nonparametrics’ > ‘Run Test...’

3. Pilih variabel dari kolom yang memuat variabel-variabel tersebut untuk

kemudian kita uji untuk menentukan ‘randomness’– nya di kolom

26
 ‘variables’ . Caranya adalah dengan mengklik dua kali variabel yang
kita inginkan atau dengan mengklik tombol ‘select’.
4. Jika Anda menyukai, Anda dapat memilih pilihan Above and Below the
Mean yang akan berfungsi sebagai dasar untuk menentukan jumlah
‘runs’. Sedangkan, pilihan Above and Below memberikan pilihan
untuk memasukkan nilai yang nantinya digunakan untuk menentukan
jumlah ‘runs’.

5. Setelah memasukkan semua variabel, kemudian klik ‘OK”

Aplikasi Uji Runs

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth dan C2 yaitu Industrial
Growth untuk diestimasi sehingga akan memunculkan tampilan sebagai
berikut

27
Runs Test: Economic Growth; Industrial Growth

Runs test for Economic Growth

Runs above and below K = 4,77

The observed number of runs = 4

The expected number of runs = 5,8
4 observations above K; 6 below
* N is small, so the following approximation may be invalid.
P-value = 0,206

Runs test for Industrial Growth

Runs above and below K = 10,63

The observed number of runs = 7

The expected number of runs = 5,8
6 observations above K; 4 below
* N is small, so the following approximation may be invalid.
P-value = 0,399

The Signed Rank Test (Uji Urutan Bertanda Wilcoxon)

Uji urutan bertanda Wilcoxon pertama kali diperkenalkan oleh

Frank Wilcoxon pada tahun 1945 sebagai penyempurnaan dari uji tanda
(sign test). Pada uji urutan bertanda tersebut, di samping memperhatikan
tanda perbedaan (positif atau negatif) juga memperhatikan besarnya beda
dalam menentukan apakah ada perbedaan nyata antara data pasangan
yang diambil dari sampel atau sampel yang berhubungan.

Hipotesisnya:
Ho: Jumlah urutan tanda positif dengan jumlah urutan tanda
negatif adalah sama (tidak ada perbedaan nyata antara
pasangan data)
H1: Jumlah urutan tanda positif dengan jumlah urutan tanda
negatif adalah berbeda (ada perbedaan nyata antara
pasangan data).

Uji statistik:
1. Menentukan tanda beda dan besarnya tanda beda antara pasangan
data.
2. Mengurutkan bedanya tanpa memperhatikan tanda atau jenjang.

28
 a. Angka 1 untuk beda yang terkecil dan seterusnya
b. Jika terdapat beda yang sama, dimbil rata-ratanya
c. Beda nol tidak diperhatikan
3. Memisahkan tanda beda positif dan negatif atau tanda jenjang
4. Menjumlahkan semua angka positif dan angka negatif
5. Nilai terkecil dari nilai absolut hasil penjumlahan merupakan
nilai yaitu nilai uji statistik

Prosedur:
1. Pilih pilihan ‘Stat’ pada menu toolbar yang ada di dalam minitab.
2. Kemudian pilih ‘Nonparametrics’ > ‘Sample-Wilcoxon...’

3. Pilih variabel dari kolom yang memuat variabel-variabel tersebut untuk

kemudian kita uji untuk menentukan beda pasangan datanya di kolom
‘variables’ . Caranya adalah dengan mengklik dua kali variabel yang
kita inginkan atau dengan mengklik tombol ‘select’.

29
4. Jika Anda menyukai, Anda dapat memilih pilihan selang kepercayaan.

5. Setelah memasukkan semua variabel, kemudian klik ‘OK

Aplikasi Uji Wilcoxon

Untuk mengaplikasikan uji tersebut, kita mengaplikasikan pada

contoh data yang terdapat di dalam MINITAB. Ikuti langkah-langkah
seperti yang telah tercantum di bagian sebelumnya. Kemudian kita
masukkan variabel C1 yaitu Economic Growth dan C2 yaitu Industrial
Growth untuk diestimasi sehingga akan memunculkan tampilan sebagai
berikut

Wilcoxon Signed Rank CI: Economic Growth

Confidence
Estimated Achieved Interval
N Median Confidence Lower Upper
Economic Growth 10 4,750 94,7 4,600 4,950

The Rank Correlation Test (Uji Korelasi Spearman)

Pengujian korelasi urutan Spearman dikemukakan oleh Carl

Spearman pada tahun 1904. Metode tersebut digunakan untuk mengukur
keeratan hubungan antara dua variabel atau data ordinal. Kedua variabel
itu tidak memiliki distribusi normal dan kondisi varians tidak diketahui
sama.

30
Koefisien korelasi urutan Spearman disimbolkan :
1. Jika = 1, data sampel menunjukkan hubungan positif
sempurna, yaitu urutan untuk setiap data sama.
2. Jika = -1, data sampel menunjukkan hubungan negatif
sempurna, yaitu urutan untuk setiap data merupakan urutan
terbalik.
3. Jika = 0, data sampel tidak ada hubungan.

Dengan demikian, nilai berkisar antara -1 dan +1 (-1 ).

Koefisien korelasi urutan Spearman dirumuskan:

Keterangan:
d = beda urutan dalam satu pasangan data
n = banyaknya pasangan data

Prosedur dalam MINITAB:

1. Pilih Stat > Tables > Cross Tabulation and Chi-Square.
2. Dalam Bagian Baris, Masukkan data C1. Dalam Bagian columns,
masukkan data C2.
3. Klik Other Stats.
4. Tandai pilihan Correlation coefficients for ordinal categories.
5. Klik OK dalam setiap kotak.

31
Selain itu, kita dapat menggunakan korelasi untuk menentukan rank
Spearman. Prosedurnya adalah
1. Hilangkan baris yang mengandung nilai missing values.
2. Pilih Data > Rank.
3. Dalam Jendela Rank data in, masukkan data C1. Dalam jendela Store
ranks in, masukkan data C3. Klik OK.
4. Pilih Data > Rank.
5. Dalam Jendela Rank data in, masukkan data C2. Dalam jendela Store
ranks in, masukkan data C4. Klik OK.

6. Pilih Stat > Basic Statistics > Correlation.

32
7. Dalam bagian Variables, masukkan data C3 C4. Hilangkan tanda (√)
Display p-values. Kemudian Klik OK.

Uji Korelasi Rank Kendall

Uji korelasi Rank Kendall cocok sebagai ukuran korelasi dengan

jenis data yang sama seperti data di mana korelasi Spearman ( dapat
dipergunakan. Artinya jika sekurang-kurangnya tercapai pengukuran
ordinal terhadap variabel-variabel X dan Y, sehingga setiap subyek dapat
diberi ranking pada X maupun Y, maka korelasi Rank Kendall ( akan
memberikan suatu ukuran tingkat asosiasi atau korelasi antara kedua
himpunan ranking itu. Satu keuntungan penggunaan dibandingkan
dengan , dapat dikatakan bahwa dapat digeneralisasikan sebagai suatu
koefisien korelasi parsial.

Uji Statistik:

Keterangan:
S : Jumlah Observasi
N : Banyak objek atau individu yang diurutkan pada X dan Y

33
Prosedur dalam MINITAB:
1. Pilih Stat > Regression > Ordinal Logistic Regression.
2. Untuk response, Masukkan data C1. Dalam Bagian model, masukkan
model yang diinginkan.
3. Klik OK

34