Statistik Nonparametrik

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 statistik 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
nonparametrik banyak digunakan pada penelitian-penelitian sosial.Data yang diperoleh dalam
penelitian sosial pada umumnya berbentuk kategori atau berbentuk ranking (Tavi & Riantri,
2010:10).
Menurut Suharyadi dan Purwanto dalam bukunya “Statistika untuk Ekonomi dan Keuangan
Modern” (2009:262) mengemukakan bahwa beberapa kalangan mempunyai pandangan yang skeptis
terhadap statistik parametrik tersebut.Hal ini terjadi apabila asumsinya dipandang tidak relevan,
seperti distribusi yang bersifat normal, mungkin saja tidak selalu sesuai dengan kondisi nyata.
Siegel,Sidney dalam bukunya “Statistik Nonparametrik Untuk Ilmu-Ilmu Sosial” (1986:39)
mengemukakan bahwa tes statistik parametrik adalah paling kuat apabila semua anggapan model
statistiknya dipenuhi dan bila variabel-variabel yang dianalisis diukur setidaknya dalam suatu skala
interval. Tetapi, meskipun semua anggapan tes parametrik mengenai populasi dan syarat-syarat mengenai
kekuatan pengukuran dipenuhi, kita ketahui dari konsep kekuatan efisiensi bahwa dengan memperbesar
ukuran sampel dengan banyak elemen yang sesuai kita dapat menggunakan suatu tes nonparametrik
sebagai ganti tes parametrik dengan masih mempertahankan kekuatan yang sama untuk menolak 𝐻0.
Terlebih lagi, anggapan-anggapan yang harus dibuat untuk memberikan pembenaran
terhadap penggunaan tes parametrik biasanya hanya didasarkan atas dugaan dan anggapan, sebab
pengetahuan tentang parameter-parameter populasinya hampir selalu tidak ada. Akhirnya untuk
beberapan distribusi populasi, tes statistik nonparametrik jelas lebih unggul dalam kekuatan
dibandingkan dengan tes parametrik (Siegel,Sidney, 1986:40).
2.3Uji Mann-Whitney
Siegel,Sidney dalam bukunya “Statistik Nonparametrik Untuk Ilmu-Ilmu Sosial” (1986:145)
mengemukakan bahwa jika tercapai setidak-tidaknya pengukuran ordinal, tes U Mann-Whitney dapat
dipakai untuk menguji apakah dua kelompok independen
telah ditarik dari populasi yang sama. Tes ini termasuk dalam tes-tes paling kuat di antara tes-tes
nonparametrik. Tes ini merupakan alternatif lain untuk tes 𝑡 parametrik yang paling berguna apabila
peneliti ingin menghindari anggapan-anggapan tes 𝑡 itu, atau manakala pengukuran dalam
penelitiannya lebih lemah dari skala interval.
Kalau tes Mann-Whitney diterapkan untuk data yang dapat dianalisis secara layak dengan tes
parametrik yang paling kuat, yaitu, tes 𝑡, maka kekuatan efisiensinya mendekati 3/𝑛 =95,5% seiring
dengan meningkatnya 𝑁 (Mood, 1954), dan mendekati 95% meskipun untuk sampel berukuran sedang.
Karena itu, tes ini merupakan pengganti yang sangat baik untuk tes 𝑡, dan tentu saja tes ini tidak memiliki
anggapan-anggapan yang membatasi, serta persyaratan-persyaratan, yang semuanya itu diperlukan dalam
tes 𝑡 (Siegel,Sidney, 1986:159).
Whitney (1948: 51-56) memberikan contoh-contoh distribusi dimana tes U ini lebih unggul
dibandingkan dengan tes parametrik lain yang dapat dipakai sebagai pengganti tes ini.
Uji Mann-Whitney dikembangkan oleh Henry Mann dan Donald Ransom Whitney pada
tahun 1947. Uji Mann-Whitney merupakan uji nonparametrik yang digunakan untuk menguji apakah
dua buah sampel independen berasal dari populasi yang sama. Populasi dari sampel pertama berbeda
dengan populasi dari sampel kedua sehingga kedua sampel tersebut bersifat independen.
Uji Mann-Whitney menguji parameter populasi dari masing-masing sampel.Pada dasarnya,
parameter yang di uji adalah median populasi. Jika nilai median dari populasi pertama sama dengan
nilai median dari populasi kedua, maka kedua sampel tersebut berasal dari populasi yang sama.
Namun jika nilai median dari populasi pertama tidak sama dengan nilai median dari populasi kedua,
maka kedua sampel tersebut berasal dari populasi yang berbeda.
Data yang dianalisis pada uji Mann-Whitney berupa ranking dari hasil pemeringkatan seluruh
nilai dari dua sampel.Karena data yang dianalisis berupa ranking, maka data tersebut termasuk data
ordinal.Setelah elemen dari masing-masing
 diberi ranking, kemudian menjumlahkan ranking berdasarkan masing-masing sampel.Setelah
menjumlahkan ranking untuk masing-masing sampel, kemudian menentukan nilai dari statistik uji
Mann-Whitney.
𝑈1=𝑛1𝑛2+(𝑛1)(𝑛1+1)2−𝑅1 𝑈2=𝑛1𝑛2+(𝑛2)(𝑛2+1)2−𝑅2
Keterangan :1 adalah jumlah elemen pada sampel pertama. 𝑛2adalah jumlah elemen pada sampel
kedua. 𝑅1adalah jumlah ranking pada sampel pertama. 𝑅2adalah jumlah ranking pada sampel kedua.
Nilai 𝑈 yang terkecil adalah nilai dari uji statistik Mann-Whitney. Nilai dari uji statistik
Mann-Whitney digunakan untuk menentukan apakah hipotesis akan diterima atau ditolak. Nilai dari
uji statistik Mann-Whitney dibandingkan dengan nilai kritis Mann-Whitney berdasarkan tabel nilai
kritis Mann-Whitney.Berikut aturan dalam pengambilan keputusan berdasarkan uji statistik Mann-
Whitney.
𝐽𝑖𝑘𝑎 𝑛𝑖𝑙𝑎𝑖 𝑢𝑗𝑖 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘 𝑀𝑎𝑛𝑛−𝑊ℎ𝑖𝑡𝑛𝑒𝑦 >𝑛𝑖𝑙𝑎𝑖 𝑘𝑟𝑖𝑡𝑖𝑠 ,ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑜𝑙 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎. 𝐽𝑖𝑘𝑎
𝑛𝑖𝑙𝑎𝑖 𝑢𝑗𝑖 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘 𝑀𝑎𝑛𝑛−𝑊ℎ𝑖𝑡𝑛𝑒𝑦<𝑛𝑖𝑙𝑎𝑖 𝑘𝑟𝑖𝑡𝑖𝑠 ,ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑜𝑙 𝑑𝑖𝑡𝑜𝑙𝑎𝑘.
Untuk masing-masing sampel berukuran besar, yakni lebih dari 20, maka pendekatan normal
atau uji statistik 𝑍 dapat digunakan. Nilai dari uji statistik Mann-Whitney terlebih dahulu
ditransformasi ke dalam bentuk nilai peubah acak normal 𝑍. Berikut rumus untuk mentransformasi
nilai dari uji statistik Mann-Whitney ke bentuk nilai peubah acak normal 𝑍.
𝑧=𝑢−􁉂𝑛1𝑛22􁉂(𝑛1)(𝑛2)(𝑛1+𝑛2+1)12
 Keterangan : adalah nilai dari uji statistik Mann-Whitney. 𝑛1adalah jumlah elemen pada
sampel pertama. 𝑛2adalah jumlah elemen pada sampel kedua. 𝑧adalah nilai peubah acak normal 𝑍.
Setelah memperoleh nilai peubah acak normal 𝑍, kemudian pengambilan keputusan terhadap
hipotesis dapat dilakukan dengan cara membandingkan nilai peubah acak normal 𝑍 dengan nilai krits
yang diperoleh berdasarkan tabel distribusi normal. Cara lain dengan menentukan nilai probabilitas
kumulatif dari nilai peubah acak normal 𝑍 berdasarkan tabel distribusi kumulatif normal. Nilai
probabilitas kumulatif dari nilai peubah acak normal 𝑍 kemudian dibandingkan dengan nilai tingkat
signifikansi. Berikut aturan dalam pengambilan keputusan berdasarkan uji statistik 𝑍.
𝐽𝑖𝑘𝑎 𝑛𝑖𝑙𝑎𝑖 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 𝑘𝑢𝑚𝑢𝑙𝑎𝑡𝑖𝑓>𝑡𝑖𝑛𝑔𝑘𝑎𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑘𝑎𝑛𝑠𝑖,ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑜𝑙 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎. 𝐽𝑖𝑘𝑎
𝑛𝑖𝑙𝑎𝑖 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 𝑘𝑢𝑚𝑢𝑙𝑎𝑡𝑖𝑓<𝑡𝑖𝑛𝑔𝑘𝑎𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑘𝑎𝑛𝑠𝑖,ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑜𝑙 𝑑𝑖𝑡𝑜𝑙𝑎𝑘.
2.4 Uji Chi Kuadrat

Uji chi kuadrat goodness of fit merupakan uji statistik yang dikembangkan oleh Karl Pearson pada
tahun 1900.Uji chi kuadrat goodness of fit digunakan untuk menguji keselarasan antara frekuensi
harapan atau teori dan frekuensi pengamatan.Data yang dianalisis pada uji chi kuadrat dapat berupa
data nominal atau data ordinal.Hipotesis nol pada uji chi kuadrat menyatakan terjadi keselarasan
antara frekuensi harapan dan ferkuensi pengamatan.
Uji statistik yang digunakan adalah uji statistik chi kuadrat.Nilai dari uji statistik chi kuadrat
digunakan untuk menentukan apakah hipotesis diterima atau ditolak.Berikut rumus untuk
menghitung nilai uji statistik chi kuadrat.
 𝒳2=Σ􁉂𝑓𝑝−𝑓ℎ􁉂2𝑓ℎ
Keterangan :𝑝 merupakan frekuensi pengamatan. 𝑓ℎmerupakan frekuensi harapan atau teori.
𝒳2merupakan nilai uji statistik chi kuadrat.
Nilai uji statistik chi kuadrat kemudian dibandingkan dengan dengan nilai kritis berdasarkan
tabel nilai kritis chi kuadrat.Berikut aturan keputusan berdasarkan uji statistik chi kuadrat.
𝑗𝑖𝑘𝑎 𝒳2<𝑛𝑖𝑙𝑎𝑖 𝑘𝑟𝑖𝑡𝑖,ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑜𝑙 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎. 𝑗𝑖𝑘𝑎 𝒳2>𝑛𝑖𝑙𝑎𝑖 𝑘𝑟𝑖𝑡𝑖,ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑜𝑙 𝑑𝑖𝑡𝑜𝑙𝑎𝑘.
2.5 Teknik Quota Sampling
Sugiarto, dkk (2001:42) menyatakan Quota sampling bahwa sampel yang diambil harus
sejumlah tertentu yang dijatah (quotum) dari setiap subgroup yang telah ditentukan dari suatu
populasi.
Menurut Sugiarto,dkk (2001) kelebihan dari teknik sampling ini adalah pada rendahnya biaya
penelitian. Kelebihan lainnya adalah dengan keleluasaan peneliti untuk menentukan elemen-elemen
untuk setiap quotanya.Bahkan pada kondisi-kondisi tertentu, hasil penelitian dengan teknik quota
sampling dapat menyamai hasil penelitian yang dilakukan dengan salah satu teknik sampling yang
termasuk rumpun probability sampling.
Kekurangan dari teknik Quota sampling menurut Sugiarto,dkk (2001) adalah permasalahan
bertambah lagi dengan kenyataan dilapangan bahwa pewawancara cenderung mencari lokasi/tempat-
tempat dimana sampel dapat ditemukan dan kadang pewawancara memilih-milih responden untuk
diwawancarai berdasarkan kriteria yang
tidak dapat diterima seperti penampilan (gaya berpakaian, sikap), jenis kelamin, ras, dan lain
sebagainya.