MAKALAH BIOSTATISTIK

“STATISTIKA PARAMETRIK DAN NONPARAMETRIK”

KELOMPOK V:

AMALISA TANDIARA 17 04 003

ANGELITA TORROMANDA 17 04 004

IIN LUKU’ RETTA 17 04 011

TRI IRIANTI SATRIA 17 04 030

AKADEMI FARMASI TORAJA

YAYASAN NAFIRI INDONESIA
T.A. 2018/2019
TANA TORAJA
 KATA PENGANTAR

Puji syukur kami panjatkan kehadiran TYM, dimana atas rahmat dan
karuniaNyalah sehingga kami dapat menyelesaikan makalah ini yang berjudul
’’STATISTIKA PARAMETRIK DAN NONPARAMETRIK‘’. Masih banyak
kekurangan di dalam makalah kami ini, oleh karena itu kritik dan saran
membangun kami harapkan bagi pembaca. Kami berterimakasih kepada Ibu
Yunion Thomas S.Si, M.Pd selaku dosen mata kuliah Biostatistikyang telah
memberikan tugas ini kepada kami. Semoga makalah ini dapat di pahami bagi
siapapun yang membacanya.

Makale , 27 Maret 2019

Penyusun,
 DAFTAR ISI

KATA PENGANTAR ..........................................................................................

DAFTAR ISI .........................................................................................................

BAB I: PENDAHULUAN ....................................................................................

I.I Latar Belakang .................................................................................

I.II Tujuan ............................................................................................

BAB II: ISI ...........................................................................................................

II.I Statistik Parametrik ........................................................................

II.II Statistik Non Parametrik ...............................................................

BAB III: PENUTUP .............................................................................................

III.I Kesimpulan ...................................................................................

III.II Saran ...........................................................................................

DAFTAR PUSTAKA ..........................................................................................

 BAB I
PENDAHULUAN
I.1 Latar Belakang
Teknik analisis statistik parametrik menurut Nisfiannor adalah
statistic yang menghendaki data yang diambil secara random dan beberapa
persyaratan asumsi-asumsi bagi data tersebut. Asumsi-asumsi tersebut
menurut Supardi (2014) data yang digunakan berskala interval/rasio,
berdistribusi normal atau normalitas,dan syarat memiliki varian yang
homogen atau homogenitas, model regresi liner, dan sebagainya. Pendapat
senada disampaikan oleh Sugiono (2010) bahwa statistik parametrik memiliki
asumsi utama yaitu data berdistribusi secara normal, data yang diuji pada dua
kelompok atau lebih harus homogeny, dan pada regresi harus terpenuhi
asumsi linieritas. (Fajri Ismail, 2018)

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 mensyaratkanbentuk 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 jumla
 data, pada umumnya statistik nonparametrik digunakan untuk data berjumlah
kecil (n <30).
I.2. Perumusan Masalah
Perumusan masalah yang diambil dari penyusunan makalah ini adalah
a. Definisi Statistika Parametrik dan Nonparametrik
b. Syarat-syarat statistik parametrik dan non parametrik
c. Jenis-jenis uji Parametrik dan Nonparametrik

I.3. Tujuan Penulisan

Tujuan dari penulisan makalah ini adalah untuk memenuhi tugas mata kuliah
biostatistik di Akademi Farmasi Toraja.
 BAB II
ISI
I.I Statistika Parametrik

Teknik analisis statistik parametrik menurut Nisfiannor adalah

statistic yang menghendaki data yang diambil secara random dan beberapa
persyaratan asumsi-asumsi bagi data tersebut. Asumsi-asumsi tersebut
menurut Supardi (2014) data yang digunakan berskala interval/rasio,
berdistribusi normal atau normalitas,dan syarat memiliki varian yang
homogen atau homogenitas, model regresi liner, dan sebagainya. Pendapat
senada disampaikan oleh Sugiono (2010) bahwa statistik parametrik
memiliki asumsi utama yaitu data berdistribusi secara normal, data yang
diuji pada dua kelompok atau lebih harus homogeny, dan pada regresi
harus terpenuhi asumsi linieritas. (Fajri Ismail, 2018)
Santoso (2012) menerangkan tentang syarat-syarat penggunaan dan
asumsi statistik parametrik yaitu:
1) Sampel (data) diambil dari populasi yang mempunyai distribusi
normal. Jika 10 sampel tinggi badan diambil dari 5000 mahasiswa
dari sebuah perguruan tinggi, maka tinggi badan seluruh 5000
mahasiswa tersebut haruslah berdistribusi normal atau bisa
dianggap normal.
2) Pada uji t dan uji F untuk data dua sampel atau lebih, kedua sampel
diambil dari dua populasi yang mempunyai varfans yang sama.
Jadi, jika diambil sampel 10 tinggi badan pria dan 10 tinggi badan
wanita dari 3000 pria dan 2000 wanita, maka varians 3000 pria dan
2000 wanita haruslah sama atau dianggap sama.
3) Variabel (data) yang diuji haruslah data bertipe interval atau rasio
yang tingkatnya lebih tinggi dari data bertipe nominal atau ordinal.
Syarat uji parametrik menurutYulingga Nanda Hanief dan Wasis
Himawanto (2017):

Sebelum melakukan pengujian, beberapa hal harus dipenuhi persyaratan

analisis terlebih dahulu, dengan asumsi bahwa data harus:

1. Dipilih secara acak (random)

2. Homogen, artinya data yang dibandingkan harus sejenis atau bersifat
homogen, maka perlu uji homogenitas
3. Normal, artinya data yang dihubungkan berdistribusi normal, maka perlu
uji normalitas
4. Bersifat linier, artinya data yang dihubungkan berbentuk garis linier, maka
perlu uji linieritas
5. Berpasangan, artinya data yang dihubungkan mempunyai pasangan yang
sama sesuai dengan subyek yang sama, jika salah satu tidak terpenuhi
untuk persyaratan analisis korelasi atau regresi tidak dapat dilakukan
(Riduwan, 2001 : 115)

Skala pengukuran berbentuk interval dan ratio, analisis yang tepat adalah analisis
parametrik. Yang termasuk analisi parametrik, yaitu:
1. Uji (t-test)
2. Uji (t-test) dua sampel
3. Anova satu jalur (One Way-Anova)
4. Anova dua jalur (Two Way-Anova)
5. Uji Pearson Product Moment
6. Uji Korelasi Parsial (Parial Correlation)
7. Uji Korelasi Ganda (Multiple Correlation)
8. Uji Regresi (Regresion Test), dan
9. Uji Regresi Ganda (Multiple Regresion Test)
A. Uji Homogenitas
Uji homogenitas adalah suatu prosedur uji statistik yang dimaksudkan
untuk memperlihatkan bahwa dua atau lebih kelompok data sampel
berasal dari populasi yang memiliki variansi yang sama. Pada analisi
regresi, persyaratan analisis yang dibutukan adalah bahwa galat regresi
untuk setiap pengelompokan berdasarkan variabel terikatnya memiliki
variansi yang sama. Jadi dapat dikatakan bahwa uji homogenitas bertujuan
untuk mencari tahu apakah dari beberapa kelompok data penelitian
memiliki varians yang sama atau tidak. Dengan kata lain, homogenitas
berarti bahwa himpunan data yang kita teliti memiliki karakteristik yang
sama.
Pengujian homogenitas juga dimaksudkan untuk memberikan
kenyakinan bahwa sekumpulan data yang dimanipulasi dalam serangkaian
analisis memang berasal dari populasi yang tidak jauh berbeda
keragamannya. Sebagai contoh, jika kita ingin meneliti sebuah
permasalahan misalnya mengukur pemahaman siswa untuk suatu sub
materi dalam pelajaran tertentu di sekolah yang dimaksudkan homogen
bisa berarti bahwa kelompok data yang kita jadikan smapel pada penelitian
memiliki karakteristik yang sama, misalnya berasal dari tingkat kelas yang
sama. Perhitungan uji homogenitas dapat dilakukan dengan berbagai cara
dan metode, beberapa yang cukup populer dan sering di;;
gunakan oleh penulis adalah:
1. Uji Bartlett
Uji Bartlett digunakan untuk menguji apakah k sampel berasal dari
populasi dengan varians yang sama. K sampel bisa berapa saja. Karena
biasanya uji bartlett digunakan untuk menguji sampel/kelompok yang
lebih dari 2. Varians yang sama di seluruh sampel disebut
homoscedasticityatau homogenitas varians. Uji bartlett pertama kali
diperkenalkan oleh M.S.Bartlett (1937). Uji bartlett diperlukan dalam
beberapa uji statistik seperti analysis of variance (ANOVA) sebagai
syarat jika ingin menggunakan Anova.
 Uji bartlett dapat digunakan apabila data yang digunakan sudah di
uji normalitas dan datanya merupakan data normal. Apabila datanya
ternyata tidak normal bisa menggunakan uji levence.
Rumus uji bartlett yaitu:

X2 = (In.n) {B - ∑dk log 𝑠𝑖 2 }

Dimana:
n : Jumlah data
∑(𝑑𝑘 𝑠𝑖 2 )
B : (∑dk) log s2 ; yang mana s2 = ∑𝑑𝑘

Si2 : Varians data untuk setiap kelompok ke-i

dk : Derajat kebebasan
Hipotesis pengujian:
Ho : δ12 = δ22 = ..... = δk2 (Homogen)
Ha : Paling sedikit salah satu tanda tidak sma
Kriteria pengujian:
Jika : X2hitung  X2tabel (1-a; dk=k-1),maka Ho ditolak
Jika : X2hitung  X2tabel (1-a; dk=k-1), maka Ho diterima
Contoh soal:
Suatu penelitian tentang perbedaan hasil belajar siswa akibat dari
suatu perlakuan (eksperimen). Adapun perlakuan yang diberikan
adalah perbedaan strategi/metode pembelajaran pada siswa. Adapun
strategi/metode pembelajaran yaitu:
Kelompok 1 : Metode A (Diskusi kelompok besar)
Kelompok 2 : Metode B (Diskusi kelompok kecil)
Kelompok 3 : Metode C (Ceramah dengan media)
Kelompok 4 : Metode D (Ceramah tanpa media)
Adapun data hasil belajar siswa berdasarkan skor tes yang
diperoleh dan jumlah siswa untuk setiap kelompok disajikan pada tabel
berikut:
 Tabel 2.1 Hasil Belajar Siswa Dari 2 Perlakuan
No. Kelompok 1 Kelompok 2 Kelompok 3 Kelompok 4
1 23 17 15 28
2 20 22 15 24
3 21 27 14 21
4 21 25 20 23
5 24 20 21 22
6 18 17 18 26
7 13 20 19 20
8 17 22 21 22
9 22 23 15 24
10 14 25 20 23
11 18 28 19 24
12 22 26 18 21
13 21 27 14 19
14 18 18 18 22
15 19 22 25 24
16 17 25 26
17 18 24 28
18 15 16
19 24 20
20 23 24
21 19 19
22 22 17
23 20 18
24 19
25 15
Jumlah 483 339 435 397
N 25 15 23 17
Rerata 19,32 22,6 18,913043 23,352941
 Untuk menguji homogenitas varians data dari keempat kelompok
digunakan teknik bartlett. Berdasarkan data diatas dapat dihitung nilai
varians setiap kelompok seperti pada tabel berikut:

Tabel 2.2 Statistik Perhitungan

Kelompok perlakuan
Statistik
Kelompok 1 Kelompok 2 Kelompok 3 Kelompok 4
Rata-rata 19,32 22,6 18,9 23,35
Standar Deviasi (S) 3,06 3,68 3,36 2,57
Varians (S2) 9,39 13,54 11,26 6,62
Jumlah data (n) 25 15 23 17

Hipotesis pengujian:
Ho : δ12 = δ22 = ..... = δk2 (Homogen)
Ha : Paling sedikit salah satu tanda tidak sama
Langkah-langkah perhitungan:
a. Varians dari setiap kelompok sampel:
Varians dari kelompok 1 s12 : 9,39; dengan dk = 25 - 1 = 24
Varians dari kelompok 2 s22 : 13,54; dengan dk = 15 - 1 = 14
Varians dari kelompok 3 s32 : 11,26; dengan dk = 23 - 1 = 22
Varians dari kelompok 4 s42 : 6,62; dengan dk = 17 - 1 = 16
b. Tabel homogenitas varians
Tabel 2.3 Pertolongan untuk Uji Homogenitas Varians
Sampel Dk 1/(dk) S12 dk.s12 log.s12 (dk)log s12
1 24 0,04 9,39 225,44 0,97 23,25
2 14 0,07 13,54 189,60 1,13 15,84
3 22 0,05 11,26 247,83 1,05 23,14
4 16 0,06 6,62 105,88 0,82 13,33
Jumlah 76 - 40,82 768,75 -3,98 75,46
 c. Menghitung varians gabungan
∑(𝑑𝑘.𝑠𝑖 2
S2 = ∑𝑑𝑘
(24𝑥9,39+(14𝑥13,54)+(22𝑥11,26)+(16𝑥6,62)
= 24+14+22+16
768,75
= 76

= 10,12
d. Menghitung nilai B

B = (∑dk) log s2

= 76 x log (10,12)
= 76 x 1,005
= 76,378
e. Menghitung harga chi-kuadrat

X2 = (In10)(B – (∑dk log s2)

= 2,303 x (76,378 – 75,46)

= 2,11
Untuk a = 5%, dari daftar distribusi X2 dengan dk = 4 – 1 =
3 didapat X20,95(3) = 7,81 ternyata bahwa X2 = 2,111  X2(0,95(3)
= 7,81 , sehingga hipotesis yang menyatakan varians homogen
diterima dalam taraf signifikansi 5%.
2. Uji Varians (Uji F)
Rumus Uji F:
F = S12/S22
Dimana : S12 = varians kelompok 1; S22 = varians kelompok 2
Hipotesis Pengujian:
Ho = 12 = 22 (varians data homogen)
Ha = 1222 (varians data tidak homogen)
Kriteria pengujian:
Jika Fhitung tabel (0,05;dk1,dk2), maka Ho ditolak
Jika Fhitung tabel (o,o5;dk1,dk2), maka Ho diterima
 Contoh soal:
Suatu data penelitian untuk mengetahui kinerja guru berdasarkan
golongan kepangkatannya. Kemudian dibuat suatu alat ukur kinerja
guru. Dengan menggunakan alat tersebut diperoleh skor kinerja guru
dari sebanyak 70 orang responden. Adapun ringkasan data dari kinerja
guru tersebut berdasarkan golongan seperti pada tabel berikut:
Tabel 2.4 Hasil Kinerja Guru Berdasarkan Golongan Kepangkatannya
Golongan Jumlah Jumlah skor Rata-rata skor Varians data
responden kinerja
I 20 1894 92,45 8,23
II 50 4634 92,68 8,46

Langkah pengujian:
a. Varians dari setiap kelompok sampel
Varians dari golongan I s12 = 8,23, dengan dk = 20 – 1 = 19
Varians dari golongan II s22 = 8,46, dengan dk = 50 – 1 = 49
b. Menghitung nilai F
F = S12/S22 = 8,23/8,46 = 0,973
c. Menentukan Ftabel
Pada araf signifikansi 5%, dengan dk1 = 19 dan dk2 = 49 didapat
Ftabel(0,05;19,49) = 1,803
Karena Fhitung = 0,973  Ftabel (0,05;19,49) = 1,803, maka Ho ditolak.
Hal ini bermakna, bahwa varians skor data kinerja guru kelompok
golongan II dengan kelompok golongan III homogen pada taraf
kepercayaan 95%.
3. Uji Levene
Uji Levene juga merupakan metode pengujian homogenitas varians
yang hampir sama dengan uji Bartlett. Perbedaan uji Levene dengan
uji Bartlett yaitu bahwa data yang diuji dengan uji Levene tidak harus
berdistribusikan normal, namun harus kontinue. Pengujian hipotesis
yaitu:
 Ho : 12 = 22 = ... = k2 (data homogen)
H1 : Paling sedikit ada satu i2 yang tidak sama.
(𝑁−𝐾) ∑𝑘 𝑁𝑖 (𝑍𝑖.−𝑍..)2
W = (𝐾−1) ∑𝑘𝑖=1∑𝑎1 2
𝑖=1 𝑖=𝑘(𝑍−𝑍𝑖.)

Statistik uji :
Zi = Median data pada kelompok ke-i
Z. = Median untuk keseluruhan data
Kesimpulan: Ho ditolak jika WF (a, k -1, N – k).
B. Uji Linieritas
Uji linieritas adalah suatu prosedur yang digunakan untuk mengetahui
status linier tidaknya suatu distribusi data penelitian. Uji linieritas
dilakukan untuk membuktikan bahwa masing-masing variabel bebas
mempunyai hubungan yang linier dengan variabel terikat. Hasil yang
diperoleh melalui uji linieritas akan menentukan teknik-teknik analisis
data yang dipilih, dapat digunakan atau tidak. Apabial dari hasil uji
linieritas didapatkan kesimpulan bahwa distribusi data penelitian
dikategorikan linier maka data penelitian dapat digunakan dengan metode-
metode yang ditentukan.
Pengujian linearitas data menurut Riduwan (2006:172) dapat
dilakukan dengan mengikuti langkah-langkah :
a) Menentukan jumlah kuadrat regresi (JKreg(a)) dengan rumus :
(𝛴𝑌)2
𝐽𝐾𝑟𝑒𝑔(𝑎) =
𝑛

b) Menentukan jumlah kuadratregresi (JKreg(b|a)) dengan rumus :

(𝛴𝑋)(𝛴𝑌)
𝐽𝐾𝑟𝑒𝑔(𝑏|𝑎) = 𝑏 [𝛴𝑋𝑌 − ]
𝑛

nilai b dari persamaan regresi sederhana Y=a+bX (Sudjana,

2005:315):
n ΣXY− ΣX ΣY
𝑏=
nΣX2 − (ΣX )2
 ( ΣY) (ΣX2 ) − ΣX ( ΣXY)
𝑎=
nΣX2 − ( ΣX)2

c) Menentukan jumlah kuadrat residu (JKres) dengan rumus :

𝐽𝐾𝑟𝑒𝑠 = Σ𝑌2 − 𝐽𝐾𝑟𝑒𝑔𝑏|𝑎− 𝐽𝐾𝑟𝑒𝑔(𝑎)
d) Menentukan rata-rata jumlah kuadrat residu (RJKres) dengan
rumus :
JKres
𝑅𝐽𝐾𝑟𝑒𝑠 =
n−2

e) Menentukan jumlah kuadrat error (JKE) dengan rumus :

ΣY2
𝐽𝐾E= ΣK [ΣY 2 − ]
𝑛
f) Menentukan kuadrat tuna cocok (JKTC ) dengan rumus :
𝐽𝐾𝑇𝐶 = 𝐽𝐾𝑟𝑒𝑠− 𝐽𝐾𝐸
g) Menentukan rata-rata jumlah kuadrat tuna cocok (RJKTC) dengan
menggunakan rumus :
JK TC
𝑅𝐽𝐾𝑇𝐶=
k−2

h) Menentukan rata-rata jumlah kuadrat error (RJKE) dengan

menggunakan
rumus :
JK E
𝑅𝐽𝐾E =
n−k
i) Menentukan nilai F hitung dengan menggunakan rumus :
RJK TC
Fhitung=
𝑅𝐽𝐾𝐸

j) Menetapkan taraf signifikansi uji 0,05.

Kriteria pengujiannya adalah kelinieran dipenuhi oleh data jika
Fhitung< Ftabel , atau angka signifikansi yang diperoleh kurang dari 0,05.
Angka signifikansi yang lebih besar dari 0,05 menunjukkan kelinieran
tidak dipenuhi.
C. Uji Normalitas
Uji normalitas adalah suatu prosedur yang digunakan untuk
mengatahui apakah data berasal dari populasi yang terdistribusi normal
atau berada dalam sebaran normal. Distribusi normal adalah distribusi
simetris dengan modus, mean dan median berada dipusat. Distribusi
normal diartikan sebagai sebuh distribusi tertentu yang memiliki
karakteristik berbentuk seperti lonceng jika dibentuk menjadi sebuah
histogram seperti pada gambar dibawah ini.

Distribusi normal merupakan salah satu distribusi yang paling penting

kita akan hadapi. Ada beberapa alas an untuk ini:
1. Banyak variabel dependen, umumnya diasumsikan terdistribusi secara
normal dalam populasi. Artinya, kita sering berasumsi bahwa jika kita
mendapatkan seluruh populasi pengamatan, distribusi yang dihasilkan
akan sangat mirip dengan distribusi normal.
2. Jika kita dapat mengasumsikan bahwa variabel setidaknya mendekati
terdistribusi normal, maka teknik ini memungkinkan kita untuk
membuat sejumlah kesimpulan (baik yang tepat atau perkiraan)
tentang nilai-nilai variabel itu.
3. Menguji normalitas data seringkali disertakan dalam suatu analisis
statistika inferensial untuk satu atau lebih kelompok sampel.normalitas
sebaran data menjadi sebuah asumsi yang menjadi syarat untuk
menentukan jenis statistic apa yang dipakai dalam penganalisaan
selanjutnya.
Uji normalitas biasanya digunakan untuk mengukur data berskala
ordinal, interval, ataupun rasio. Jika analisis menggunakan metode
parametric, maka persyaratan normalitas harus terpenuhi yaitu data
berasal dari distribusi yang normal. Jika data tidak berdistribusi
normal,atau jumlah sampel sedilit dan jenis data adalah nominal atau
ordinal maka metode yang digunakan adalah statistika nonparametrik.
Uji normalitas digunakan untuk mengetahui apakah data yang
diperoleh terdistribusi normal atau tidak. Dasar pengambilan
keputusan adalah jika nilai Lhitung >Ltabel maka Ho ditolak, dan jika nilai
Lhitung<Ltabel maka Ho diterima (Murwani, 2001:20). Hipotesis statistic
yang digunakan :
Ho : Sampel berdistrubusi normal
H1 : Sampel data berdistribusi tidak normal
Meskipun demikian, apabila sebaran data suatu penelitian yang
mengungkapkan variabel dependen ternyata diketahui tidak normal hal
itu bukan berarti penelitian itu sebab masih ada fasilitas statstik
nonparametric yang dapat dipergunakan apabila data tadi tidak
berdistribusi normal.
Ada beberapa cara yang dapat dilakukan dalam analisis normalitas
data yaitu kolmogorof- smirnov, liliefors, chi kuadrat, dan sebagainya.
Dalam buku ini akan dijelaskan lebih lanjut uji normalitas dengan
menggunakan uji Liliefors sebagai berikut.
1. Uji normalitas menggunakan uji Liliefors
Langkah- langkah ui normalitas menggunakan uji Liliefors:
a. Mengurutkan data sampel dari kecil ke besar dan menentukan
frekuensi tiap-tiap data.
b. Menentukan nilai Zi dari tiap-tiap data dengan rumus :
𝑋𝑖 −𝑋̅
Zi =
𝑠
Keterangan:
Zi : simpangan baku kurva standart
Xi: data ke I dari suatu kelompok data
𝑋̅ : rata- rata kelompok
 𝑆 ∶ simpangan baku
c. Menentukan besar peluang untuk masing-masing Z
berdasarkan tabel Z yang disebut F(Z).
d. Menghitung frekuensi komulatif dari masing- masing nilai Z,
dan disebut S(Z).
e. Menentukan nilai Lhitung =N │F(Z) – S(Z)│
f. Menentukan Ltabel untuk n>30 dengan taraf signifikansi 5%
0,886
melalui tabel Liliefors. Maka Ltabel = dengan n adalah
𝑛

jumlah sampel.
g. Mengambil harga Lhitung yang paling besar kemudian
dibandingkan dengan LhitungLtabel maka sampel berdistribusi
normal.

II.2Statistik Nonparametrik

Pada prinsipnya, statistik non-parametrik merupakan kebalikan

dari statistik parametrik. Statistik non-parametrik menurut Hadi (1975)
disebut juga statistik bebas sebaran (distribution free) atau bebas dari uji
normalitas dan homogenitas pada datanya, Santoso (2012) mengatakan
bahwa statistik nonparametrik merupakan statistik untuk menguji data
dengan distribusi normal atau tidak, atau pada data nominal, ordinal,
interval, maupun rasio, baik pada jumlah sampel yang besar maupun kec.
Supardi menjelaskan bahwa statistika non-parametrik adalah statistik yang
parameter populasinya bebas dari keharusan terpenuhinya syarat-syarat
tertentu seperti syarat-syarat data berskala interval/rasio, syarat
pengambilan sampel secara random,berdistribusi normal dan memiliki
varian yang homogen, serta syarat model regresi linier.
Santoso (2012) menjelaskan lebih terperinci tentang persyaratan
atau kaidah dari statistika non-parametrik di antaranya:
 1) Untuk data yang tidak berdistribusi normal atau varians tidak sama,
bisa dilakukan transformasi data ke bentuk logaritmik, akar dan
sebagainya lalu dilakukan pengujian normalitas dan varians sekali
lagi.
2) Jika jumlah data terlalu sedikit, bisa diusahakan penambahan data
sehingga memenuhi prosedur statistika parametrik.
3) Untuk data bertipe nominal atau ordinal, hal ini tidak bisa diubah
karena menyangkut nature (sifat asli) data tersebut. Mau tidak mau
prosedur nonparametrik sangat dianjurkan untuk tipe data nominal dan
ordinal.

Dari penjelasan diatas, dapat ditarik kesimpulan mengenai

karakteristik statistik Non-parametrik yaitu: (1) sampel yang diambil dari
populasi tidak diwajibkan randome. (2) dapat digunakan pada data semua
data seperti data nominal,ordinal, interval, dan rasio. Namun pada
umumnya, statistika non-parametrik digunakan untuk data berjenis
nominal dan ordinal; dan (3) data yang diperoleh tidak diwajibkan melalui
uji normalitas dan homogenitas serta uji lainnya sebagaimana statistik
parametrik.

a. Uji statistik nonparametrik, menurut Sugiyono(2007):

Statistik nonparametrik yang digunakan untuk menguji hipotesis satu
sampel bila datanya nominal adalah “Test Binominal” dan Chi Kuadrat
(x2) satu sampel. Selanjutnya test yang digunakan untuk menguji hipotesis
satu sampel data ordinal adalah “Run Test”.
1. Uji Binominal (Test Binominal)
Digunakan untuk menguji hipotesis bila dalam populasi terdiri ataas
dua kelompok klas, datanya berbentuk nominal dan jumlah sampelnya
kecil (kurang dari 25). Dua kelompok klas itu misalnya klas pria dan
wanita, senior dan yunior, sarjana dan bukan sarjana, kaya dan miskin,
pemimpin dan bukan pemimpin dsb. Selanjutnya, dari populasi itu
akan diteliti dengan menggunakan sampel yang diambil daripopulasi
tersebut.
Bila dari data sampel itu akan diberlakukan untuk populasi, maka
peneliti akan menguji hipotesis statistik yaitu menguji ada tidaknya
perbedaan antara data yang ada dalam populasi itu dengan data yang
ada pada sampel yang diambil dari populasi tersebut. Untuk pengujian
semacam ini maka digunakan test binominal. Jadi test binominal
digunakan untuk menguji hipotesis deskriptif (satu sampel) bila
datanya nominal berbentuk dua kategori atau dua klas. Test ini sangat
cocok digunakan sebagai alat pengujian hipotesis bila ukuran
sampelnya kecil.
Test ini dikatakan sebagai test binominal, karena distribusi data dalam
populasi itu berbentuk binominal. Distribusi binominal adalah suatu
distribusi yang terdiri dua klas. Jadi bila dalam suatu populasi dengan
jumlah N, terdapat satu klas yang berkategori x, maka kategori lain
adalah N – x.
Dalam prakteknya test Binominal dapat dilakukan dengan cara yang
lebih sederhana, dimana untuk membuktikan Ho dilakukan dengan
cara membandingkan nilai p dalam tabel yang didasarkan pada N dan
nilai yang terkecil dalam tabel itu dengan taraf kesalahan yang kita
tetapkan 1%. Misalnya jumlah sampel dalam pengamatan ada 20, dan
kategori yang terkecil (x) pada sampel itu = 4, maka harga p = 0,006.
Dan bila taraf kesalahan α = 0,01, maka ketentuan yang digunakan
dalam pengujian hipotesis adalah apabila harga p lebih besar dari α
maka Ho diterima dan Ha ditolak. Ho suatu hipotesis yang
menunjukkan tidak adanya perbedaan data sampel dengan data
populasi.
Contoh:
Dilakukan penelitian untuk mengetahui bagaimana kecenderungan
masyarakat dalam memilih mobil untuk keluarga. Berdasarkan 24
 anggota sampel yang dipilih secara acak ternyata 14 orang memilih
mobil berbahan bakar solar.
Hipotesis nol yang diajukan adalah bahwa peluang masyarakat dalam
memilih dua jenis mobil yaitu jenis bensin dan solar adalah sama, yaitu
50%.
Ho : p1 = p2 = 0,5
Ha : p1 ≠ p2 = 0,5
Hasil pengumpulan data tersebut dapat disusun ke dalam tabel berikut.
Tabel 2.5 Kecenderungan Masyarakat Dalam Memilih Mobil Untuk
Keluarga
Alternatif Pilihan Frekuensi yang memilih
Mobil jenis bensin 14
Mobil jenis solar 10
Jumlah 24
Dalam kasus ini jumlah sampel independen (N) = 24, karena yang memilih
jenis mobil bensin ada 14 dan diesel ada 10. Frekuensi terkecilnya (x) =
10. N = 24, x = 10, maka koefisien binominalnya = 0,271. Bila taraf
kesalahan α ditetapkan 1% yang berarti 0,01, maka ternyata harga p
sebesar 0,271 lebih besar dari 0,01 (0,271 > 0,01), maka Ho diterima dan
Ha ditolak. Jadi kesimpulannya adalah kemungkinan masyarakat dalam
memilih dua jenis mobil adalah sama yaitu 50%.

2. Chi Kuadrat (x2)

Chi Kuadrat (x2) satu sampel adalah teknik statistik yang digunakan
untuk menguji hipotesis bila dalam populasi terdiri atas dua atau lebih klas
dimana data berbentuk nominal dan sampelnya besar.
Rumus:
(𝑓𝑜 −𝑓ℎ )2
χ2 = ∑𝑘𝑖=1 𝑓ℎ

Dimana:
χ2 = Chi Kuadrat
 fo = frekuensi yang diobservasi
fh = frekuensi yang diharapkan
Contoh untuk dua kategori:
Telah dilakukan pengumpulan data untuk mengetahui bagaimana
kemungkinan rakyat di kabupaten Pringgondani dalam memilih dua calon
Kepala Desa. Calon yang satu adalah wanita dan calon kedua Pria. Sampel
sebagai sumber data diambil secara random sebanyak 300 orang. Dari
sampel tersebut ternyata 200 orang memilih pria dan 100 orang memilih
wanita.
Hipotesis yang diajukan adalah:
Ho : Peluang calon pria dan wanita adalah sama untuk dapat dipilih
menjadi kepala desa
Ha : Peluang calon pria dan wanita adalah sama untuk dapat dipilih
menjadi kepala desa

Tabel 2.6 Kecenderungan Rakyat di Kabupaten Pringgodani dalam

Memilih Kepala Desa
Alternatif Calon Frekuensi yang Frekuensi yang
Kepala Desa diperoleh diharapkan
Calon Pria 200 150
Calon Wanita 100 150
Jumlah 300 300
Catatan: Jumlah frekuensi yang diharapkan adalah sama yaitu 50% :
50% dari semua sampel.
Untuk dapat menghitung besarnya Chi Kuadrat dengan menggunakan
rumus, maka diperlukan tabel penolong berikut.
 Tabel 2.7 Tabel Penolong untuk Menghitung Chi Kuadrat dari 300
Orang Sampel
Alternatif fo fh fo - fh (fo - fh )2 (fo − fh )2
pilihan 𝑓ℎ

Pria 200 150 50 2500 16,67

Wanita 100 150 -50 2500 16,67
Jumlah 300 300 0 5000 33,33
Catatan: Disini frekuensi yang diharapkan (fh) untuk kelompok yang
memilih pria dan wanita = 50%. Jadi 50% x 300 = 150
Harga Chi Kuadrat dari perhitungan dengan rumus ditunjukkan pada
tabel di atas adalah 33,33.
3. Run Test
Digunakan untuk menguji hipotesis deskriptif (satu sampel), bila skala
pengukurannya ordinal maka Run Test dapat digunakan untuk
mengukur urutan suatu kejadian. Pengujian dilakukan dengan cara
mengukur kerandoman populasi yang didasarkan atas data hasil
pengamatan melalui data sampel.
Pengamatan terhadap data dilakukan dengan mengukur banyaknya
“run” dalam suatu kejadian. Sebagai contoh misalnya melempar
sekeping uang logam yang muka diberi tanda x dan bagian belakang
diberi tanda y. Setellah dilempar sebanyak 15 kali maka mengahsilkan
data berikut:
xxxyyyxyyyyxxyx
1 2 3 4 5 6 7
Kejadian diatas terdiri atas 7 run, yaitu run pertama memberikan data
x, kedua y, ketiga x, keempat y, kelima x, keenam y, ketujuh x.
Pengujian Ho dilakukan dengan membandingkan jumlah run dalam
observasi dengan harga r dalam test run, dengan tingkat signifikan
tertentu. Bila run observasi berada diantara run kecil dan run besar
maka Ho diterima dan Ha ditolak
b. Uji statistik nonparametrik, menurut Herlina Budiono dan Jonathan
Sarwono, 2012):
1. Uji McNemar
Pengertian
Uji McNemar merupakan prosedur yang digunakan untuk melihat
adanya tingkat signifikansi perubahan yang diaplikasikan dalam riset
eksperimental yang mengukur kondisi sebelum dan sesudah ada
perlakuan terhadap obyek riset.
Aplikasi prosedur ini diterapkan pada tabel kontingengsi dengan
karakteristik bersifat dikotomi yang membuat data menjadi
berpasangan antara sampel satu dengan sampel lainnya dengan tujuan
melihat apakah terdapat kesamaan frekuensi marginal antara baris dan
kolom.
Kegunaan
Kegunaan utama prosedur ini ialah untuk melihat adanya
perubahan antara kondisi sebelum ada perlakuan dan sesudah ada
perlakuan.
Asumsi
Asumsi pokok prosedur ini ialah data ditempatkan pada tabel
kontigensi dalam bentuk baris dan kolom dimana baris merupakan
kondisi sebelum ada perlakuan dan kolom adalah sesudah perlakuan.
Pengujian hipotesis selalu satu sisi.
Syarat
Data berskala nominal atau bersifat dikotomi (kategorikal) atau
ordinal.
Hipotesis
Hipotesis dalam uji McNemar akan berbunyi sebagai berikut:
H0: p = 0 (kondisi sebelum = kondisi sesudah)
H1 : p < 0 atau p > 0 (kondisi sebelum < sesudah) atau
(kondisi sebelum > sesudah > sesudah )
 Rumus
Rumus prosedur ini ialah:
x2 = (A – D2)
A+D

Dimana : A adalah banyak observasi dalam sel A; D adalah

banyak observasi dalam sel D. Dengan model penempatan
data seperti di bawah ini:

Sesudah
- +

A B
Sebelum +
- C D
-
Contoh kasus sebagai berikut:
Riset ingin melihat apakah ada perbedaan yang signifikan dalam
penggunaan kartu kredit sebelum dan sesudah bunga turun. Observasi
difokuskan pada adanya kenaikan penggunaan kartu kredit atau tidak.
Data sebagai berikut:
Sesudah:ada Sesudah:tidak ada Total
kelainan kelainan Baris
Sebelum ada kelainan 5 5 10
Sebelum:tdk ada 4 4 8
kelainan
Total kolom 9 9 18

Untuk menekan sumber kesalahan diperlukan koreksi kontinuitas ; maka

rumus akan menjadi sebagai berikut:

(|𝐴−𝐷|−1)2
x2 = 𝐴+𝐷
 Dengan Degree of Freedom (DF) = 1

2. Uji Tanda
Pengertian
Uji tanda (Sign Test) digunakan untuk melihat arah perbedaan
antara dua sampel yang berhubungan dimana kedua sampel tersebut
mencerminkan adanya kondisi sebelum dan sesudah ada perlakuan
yang diberikan pada partisipan / responden dalam sampel-sampel
tersebut. Diberi nama uji tanda karena pengujian dalam prosedur ini
menggunakan tanda tambah (+) dan kurang (-) yang berfungsi untuk
mewakili arah perbedaan antara kedua sampel tersebut. Dengan
demikian uji tanda tidak menggunakan tanda tambah atau kurang
untuk menentukan tingkatan kedua partisipan yang didasarkan pada
hubungan antara kedua sampel tersebut.
Sebagai contoh data dibawah ini menunjukkan hasil observasi 3
responden kolom sebelum menunjukkan nilai observasi sebelum
diberi instruksi dan kolom sesudah menunjukkan nilai observasi
sesudah ada instruksi:

Instruksi

Responden Sebelum Sesudah Tanda

A 4 4 0

B 5 3 +

C 4 3 -

Kegunaan
Salah satu kegunaan uji tanda ialah dapat digunakan dalam riset
ekperrimental untuk melihat kondisi perbedaan antara dua sampel
yang berhubungan saat sebelum dan sesudah diberikan perlakuan
(treatment).
Asumsi
Asumsi pokok prosedur ini ialah variable-variabel yang diteliti
mempunyai distribusi selisih observasi. Maksudnya terdapat selisih
antara data sampel sebelum dan sesudah perlakuan diberikan. Obyek
dalam sampel tidak harus ditarik dari populasi yang sama. Pasangan
dalam kondisi sebelum dan sesudah dapat berasal dari populasi yang
berbeda dalam kaitannya dengan faktor demografi, seperti umur,
pendidikan, jenis kelamin, pekerjaan dan sejenisnya.

Syarat
Syarat menggunakan uji tanda ialah:
 Jika sampel kecil (n ≥ 25) pergunakan pendekatan binomial
dengan ketentuan P = Q = ½
 Jika sampel besar (n > 25) pergunakan pendekatan distribusi
normal

Hipotesis

Hipotesis yang akan diuji dalam uji tanda sebagai berikut:

 H0: median score = 0 (median selisih nilai antara sebelum

perlakuan dan sesudah perlakuan sama dengan nol)
 H1: median score ≠ 0 (median selisih nilai antara sebelum
perlakuan dan sesudah perlakuan tidak sama dengan nol)

Rumus

 Dengan distribusi normal.

Untuk menghitung nilai z digunakan rumus seperti dibawah ini:
𝑥−𝑢𝑥 𝑥−1/2𝑁
Z= =
𝜎𝑥 1/2√𝑁
3. Uji Peringkat Bertanda Wilcoxon : Prosedur Alternatif untuk uji T
sampel berpasangan/Dependen
Pengertian
Uji peringkat bertanda Wilxocon merupakan pengujian non-
parametrik yang digunakan untuk membandingkan dua kelompok
yang berpasangan dengan cara melihat perbedaan dan besarnya
perbedaan antara kedua kelompok yang dibandingkan.
Kegunaan
Sebagai alternatif untuk uji t sampel berpasangan saat data.
Asumsi
Pasangan bersifat dependen sehingga kita dapat memberikan bobot
yang berbeda antar pasangan yang dibandingkan. Data sebenarnya
adalah selisih antar nilai yang dipasang-pasangkan.
Persyaratan
 Digunakan hanya untuk sampel kecil < 25; jika sampel besar atau
> 25 harus menggunakan pendekatan distribusi normal.
 Hanya untuk membandingkan dua sampel yang berhubungan.

Hipotesis

Hipotesis akan berbunyi seperti di bawah ini:

H0: μ = 0 (kondisi sebelum= kondisi sesudah atau jumlah rangking

positif = jumlah rangking negatif)

H1: μ ≠ 0 (kondisi sebelum ≠ kondisi sesudah atau jumlah rangking

positif ≠jumlah rangking negatif)

Rumus:

𝑁(𝑁+1)
Μ= ∆
 BAB III

PENUTUP

III.1 Kesimpulan

 Karakteristik statistika parametrik yaitu : (1) data yang diambil dari

populasi harus random; (2) jenis data adalah Interval/rasio; (3) ada
persyaratan asumsi bagi data di antaranya data tersebut harus homogen
dan normal (diuji dengan rumus homogenitas dan normalitas).
 Karakteristik statistik Non-parametrik yaitu: (1) sampel yang diambil
dari populasi tidak diwajibkan randome. (2) dapat digunakan pada data
semua data seperti data nominal,ordinal, interval, dan rasio. Namun pada
umumnya, statistika non-parametrik digunakan untuk data berjenis
nominal dan ordinal; dan (3) data yang diperoleh tidak diwajibkan
melalui uji normalitas dan homogenitas serta uji lainnya sebagaimana
statistik parametrik.
 DAFTAR PUSTAKA

Hanief, Yulingga Nanda dan Himawanto, Wasis. 2017. Statistik Pendidikan.

Yogyakarta: Budi Utama

Ismail, Fajri H. 2018. Statistika Untuk Penelitian Pendidikan dan Ilmu-ilmu

Sosial. Jakarta: Prenadamedia Grop

Sarwono,Jonathan dan Budiono, Herlina. 2012. Statistik Terapan: Aplikasi untuk

Riset Skripsi, Tesis dan Disertasi. Jakarta : Gramedia

Sugiyono.2007. Statistika Untuk Penelitian. Bandung: Alvabeta