LEARNING OBJECTIVE

1. Uji statistik parametrik dan non parametrik ?

Jawab :

a) STATISTIK PARAMETRIK
Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis sebaran atau
distribusi data, yaitu apakah data menyebar secara normal atau tidak. Dengan kata lain, data
yang akan dianalisis menggunakan statistik parametrik harus memenuhi asumsi normalitas.
Pada umumnya, jika data tidak menyebar normal, maka data seharusnya dikerjakan dengan
metode statistik non-parametrik, atau setidak-tidaknya dilakukan transformasi terlebih
dahulu agar data mengikuti sebaran normal, sehingga bisa dikerjakan dengan statistik
parametrik.

Contoh metode statistik parametrik :

a. Uji-T (1 atau 2 sampel)

b. Uji-Z(1 atau 2 sampel)
c. Korelasi pearson,
d. Perancangan percobaan (one or two-way anova parametrik), dll.

Ciri-ciri statistik parametrik :

- Data dengan skala interval dan rasio
- Data menyebar/berdistribusi normal

Keunggulan :
1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan
dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal serta
memiliki varian yang homogen.
Kelemahan :
1. Populasi harus memiliki varian yang sama.
2. Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam skala interval.
3. Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus normal dan
bervarian sama, dan harus merupakan kombinasi linear dari efek-efek yang ditimbulkan.

Uji T Satu Sampel (One Sample T-Test)

Uji ini digunakan untuk mengetahui perbedaan mean (rerata) populasi atau penelitian
terdahulu dengan mean data sampel penelitian. Misalnya Seorang Kepala Puskesmas
menyatakan bahwa rata-rata perhari jumlah kunjungan pasien adalah 20 orang. Untuk
membuktikan pernyatan tsb, kemudian di ambil sampel random sebanyak 20 hari kerja dan
diperoleh rata-rata 23 orang dengan standar deviasi 6 orang.

Sekarang kita akan menguji apakah rata-rata jumlah kunjungan pasien sebelumnya berbeda
secara statistik dengan yang saat ini.
Langkah-langkah pengujian.

1. HIPOTESIS
Ho = 20 ( tidak ada perbedaan kunjungan pasien tahun lalu dengan saat ini)

1
Ha ≠ 20 ( ada perbedaan kunjungan pasien tahun lalu dengan saat ini )

2. STATISTIK UJI

Uji t satu sampel :

KETERANGAN :
x = rata-rata sampel
μ = rata-rata populasi/penelitian terdahulu
S = Standar Deviasi
n = jumlah (banyaknya) sampel

Perhitungan :

DF = n – 1 → 20 -1 = 19, di tabel T, p value terletak antara 0,025 dan 0,001.

3. KEPUTUSAN STATISTIK

Karena nilai P pada tabel (< 0,025) yang berarti kurang dari nilai α = 0,05, maka Ho dapat kita
ditolak

4. KESIMPULAN
Secara statistik ada perbedaan yang signifikan antara kunjungan pasien tahun lalu dengan
saat ini.

UJI T DEPENDEN BERPASANGAN

Uji ini untuk menguji perbedaan rata-rata antara dua kelompok data yang dependen.
Misalnya untuk mengetahui apakah ada perbedaan berat badan sebelum mengikuti proram
diet dan berat badan setelah mengikuti program diet. Sama seperti uji T independen, uji T
dependen memiliki asumsi yang harus dipenuhi, yaitu :
1. Datanya berdistribusi normal.
2. Kedua kelompok data dependen (berpasangan)
3. variabel yang dihubungkan berbentuk numerik dan kategorik (dengan hanya 2 kelompok).

Rumus yang digunakan, sebagai berikut :

2
KETERANGAN :
δ = rata-rata deviasi (selisih sampel sebelum dan sampel sesudah)
SDδ = Standar deviasi dari δ (selisih sampel sebelum dan sampel sesudah)
n = banyaknya sampel
DF = n-1

Contoh :
Data sampel terdiri atas 10 pasien pria mendapat obat captoril dengan dosis 6,25 mg. Pasien
diukur tekanan darah sistolik sebelum pemberian obat dan 60 menit sesudah pemberian
obat. Peneliti ingin mengetahui apakah pengobatan tersebut efektif untuk menurunkan
tekanan darah pasien-pasien tersebut dengan alpha 5%. Adapun data hasil pengukuran
adalah sebagai berikut.

Sebelum : 175 179 165 170 162 180 177 178 140 176
Sesudah : 140 143 135 133 162 150 182 150 175

1. HIPOTESIS :

Ho : δ = 0 (Tidak ada perbedaan tekanan darah sistolik pria antara sebelum dibandingkan
sesudah dengan pemberian Catopril) Ha : δ ≠ 0 (Ada perbedaan tekanan darah sistolik
setelah diberikan Catopril dibanding sebelum diberikan obat)

2. STATISTIK UJI
Uji T dua sampel berpasangan (Uji T Dependen) Perhitungan

3. KEPUTUSAN
Dengan α = 0,05, maka Pvalue < α, sehingga Ho ditolak

3
4. KESIMPULAN
Tekanan Darah sistolik setelah pemberian Catopril terbukti bermakna atau signifikan
berbeda dibandingkan sebelum pemberian catropil.

Uji Paired sample t-test

Digunakan untuk membandingkan mean dari suatu sampel yang berpasangan (paired).
Sampel berpasangan adalah sebuah kelompok sampel dengan subyek yang sama namun
mengalami dua perlakuan atau pengukuran yang berbeda .
Contoh kasus

Produsen obat diet ingin mengetahui efektivitas pengaruh obatnya terhadap penurunan
berat badan. Maka diambil sampel sebanyak 10 orang dan dilakukan penimbangan berat
badan sebelum dan sesudah minum obat diet selama 1 bulan

Formulasi paired sample t-test

UJI T INDEPENDEN
Uji ini untuk mengetahui perbedaan rata-rata dua populasi/kelompok data yang
independen. Contoh kasus suatu penelitian ingin mengetahui hubungan status merokok ibu
hamil dengan berat badan bayi yang dilahirkan. Respondan terbagi dalam dua kelompok,
yauti mereka yang merokok dan yang tidak merokok. Uji T independen ini memiliki
asumsi/syarat yang mesti dipenuhi, yaitu :
1. Datanya berdistribusi normal.
2. Kedua kelompok data independen (bebas)
3. variabel yang dihubungkan berbentuk numerik dan kategorik (dengan hanya 2 kelompok)

Secara perhitungan manual ada dua formula (rumus) uji T independen, yaitu uji T yang
variannya sama dan uji T yang variannya tidak sama. Untuk varian sama gunakan formulasi
berikut :

4
 Dimana Sp :

KETERANGAN :

Xa = rata-rata kelompok a
Xb = rata-rata kelompok b
Sp = Standar Deviasi gabungan
Sa = Standar deviasi kelompok a
Sb = Standar deviasi kelompok b
na = banyaknya sampel di kelompok a
nb = banyaknya sampel di kelompok b
DF = na + nb -2
Sedangkan untuk varian yang tidak sama gunakan formulasi berikut :

Untuk DF (degrre of freedom) uji T independen yang variannya tidak sama itu berbeda
dengan yang di atas (DF= Na + Nb -2), tetapi menggunakan rumus :

Nah... untuk menentukan apakah varian sama atau beda, maka menggunaka rumus :

Bila nilai P > α , maka variannya sama, namun bila nilai P <= α, berati variannya berbeda.

UJI Z
Uji Z adalah salah satu uji statistika yang pengujian hipotesisnya didekati dengan distribusi
normal. Menurut teori limit terpusat, data dengan ukuran sampel yang besar akan

5
berdistribusi normal. Oleh karena itu, uji Z dapat digunakan utuk menguji data yang
sampelnya berukuran besar. Jumlah sampel 30 atau lebih dianggap sampel berukuran besar.
Selain itu, uji Z ini dipakai untuk menganalisis data yang varians populasinya diketahui.
Namun, bila varians populasi tidak diketahui, maka varians dari sampel dapat digunakan
sebagai penggantinya.

Kriteria Penggunaan uji Z

1. Data berdistribusi normal
2. Variance (σ2) diketahui
3. Ukuran sampel (n) besar, ≥ 30
4. Digunakan hanya untuk membandingkan 2 buah observasi.

Contoh Penggunaan Uji Z

1. Uji-Z dua pihak

Contoh kasus
Sebuah pabrik pembuat bola lampu pijar merek A menyatakan bahwa produknya tahan
dipakai selama 800 jam, dengan standar deviasi 60 jam. Untuk mengujinya, diambil sampel
sebanyak 50 bola lampu, ternyata diperoleh bahwa rata-rata ketahanan bola lampu pijar
tersebut adalah 792 jam. Pertanyaannya, apakah kualitas bola lampu tersebut sebaik yang
dinyatakan pabriknya atau sebaliknya?

Hipotesis

H0 : = μ (rata ketahanan bola lampu pijar tersebut sama dengan yang dinyatakan oleh
pabriknya)
HA : ≠ μ (rata ketahanan bola lampu pijar tersebut tidak sama dengan yang dinyatakan oleh
pabriknya)
Analisis
Nilai Ztabel dapat diperoleh dari Tabel 1. Dengan menggunakan Tabel 1, maka nilai Z0,025
adalah nilai pada perpotongan α baris 0,02 dengan α kolom 0,005, yaitu 1,96. Untuk
diketahui bahwa nilai Zα adalah tetap dan tidak berubah-ubah, berapapun jumlah sampel.
Nilai Z0,025 adalah 1,96 dan nilai Z0,05 adalah 1,645.

Tabel 1. Nilai Z dari luas di bawah kurva normal baku

Kriteria Pengambilan Kesimpulan

6
Jika |Zhit| < |Ztabel|, maka terima H0
Jika |Zhit| ≥ |Ztabel|, maka tolak H0 alias terima HA

Kesimpulan
Karena harga |Zhit| = 0,94 < harga |Ztabel |= 1,96, maka terima H0
Jadi, tidak ada perbedaan yang nyata antara kualitas bola lampu yang diteliti dengan kualitas
bola lampu yang dinyatakan oleh pabriknya.
2. Uji Z satu pihak

Contoh kasus
Pupuk Urea mempunyai 2 bentuk, yaitu bentuk butiran dan bentuk tablet. Bentuk butiran
lebih dulu ada sedangkan bentuk tablet adalah bentuk baru. Diketahui bahwa hasil gabah
padi yang dipupuk dengan urea butiran rata-rata 4,0 t/ha. Seorang peneliti yakin bahwa urea
tablet lebih baik daripada urea butiran. Kemudian ia melakukan penelitian dengan ulangan
n=30 dan hasilnya adalah sebagai berikut:
Hasil gabah padi dalam t/ha

Hipotesis
H0 : = (rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet sama dengan padi
yang dipupuk dengan urea butiran)
HA : > (rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet lebih tinggi dari
padi yang dipupuk dengan urea butiran)

Analisis
= 4,0 t/h
= 4,9 t/h
S = 0,78 digunakan sebagai estimasi σ
Zhit = (yt – yb)/(σ/√n) = (4,0 – 4,9)/(0,78/√30 = – 6,4286
Ztabel = Zα= Z0,05 = 1,645

Kriteria Pengambilan Kesimpulan

Jika |Zhit| < |Ztabel|, maka terima H0
Jika |Zhit| ≥ |Ztabel|, maka tolak H0 alias terima HA

Kesimpulan
Karena harga |Zhit| = 6,4286 > harga |Ztabel |= 1,645, maka tolak H0 alias terima HA
Jadi, rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet nyata lebih tinggi
dari padi yang dipupuk dengan urea butiran
Anova (analysis of varian) digunakan untuk menguji perbedaan mean (rata-rata) data lebih
dari dua kelompok. Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata lama
hari dirawat antara pasien kelas VIP, I, II, dan kelas III. Anova mempunyai dua jenis yaitu
analisis varian satu faktor (one way anova) dan analsis varian dua faktor (two ways anova).
Pada kesempatan ini hanya akan dibahas analisis varian satu faktor.

Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:

1. Sampel berasal dari kelompok yang independen
2. Varian antar kelompok harus homogen

7
3. Data masing-masing kelompok berdistribusi normal

Asumsi pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara
random terhadap beberapa (> 2) kelompok yang independen, yang mana nilai pada satu
kelompok tidak tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap
asumsi kedua dan ketiga dapat dicek jika data telah dimasukkan ke komputer, jika asumsi ini
tidak terpenuhi dapat dilakukan transformasi terhadap data. Apabila proses transformasi
tidak juga dapat memenuhi asumsi ini maka uji Anova tidak valid untuk dilakukan, sehingga
harus menggunakan uji non-parametrik misalnya Kruskal Wallis. Uji Anova pada prinsipnya
adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi didalam
kelompok (within) dan variasi antar kelompok (between). Bila variasi within dan between
sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada
perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang
dibandingkan tidak ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari
variasi didalam kelompok, artinya intervensi tersebut memberikan efek yang berbeda,
dengan kata lain nilai mean yang dibandingkan menunjukkan adanya perbedaan. Rumus uji
Anova adalah sebagai berikut :

DF = Numerator (pembilang) = k-1, Denomirator (penyebut) = n-k

Dimana varian between :

Dimana rata-rata gabungannya :

Sementara varian within :

KETERANGAN :

Sb = varian between

Sw = varian within

8
 Sn2 = varian kelompok

X = rata-rata gabungan

Xn = rata-rata kelompok

Nn = banyaknya sampel pada kelompok

k = banyaknya kelompok

b) 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.

Contoh metode statistik non-parametrik :

a. Uji tanda (sign test)
b. Rank sum test (wilcoxon)
c. Rank correlation test (spearman)
d. Fisher probability exact test.
e. Chi-square test, dll

Ciri-ciri statistik non-parametrik :

- Data tidak berdistribusi normal
- Umumnya data berskala nominal dan ordinal
- Umumnya dilakukan pada penelitian sosial
- Umumnya jumlahsampel kecil

Keunggulan :
1. Tidak membutuhkan asumsi normalitas.
2. Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih mudah
dimengerti jika dibandingkan dengan statistik parametrik karena ststistika non-parametrik
tidak membutuhkan perhitungan matematik yang rumit seperti halnya statistik parametrik.
3. Statistik non-parametrik dapat digantikan data numerik (nominal) dengan jenjang
(ordinal).
4. Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan atau jenjang secara
formal karena sering dijumpai hasil pengamatan yang dinyatakan dalam data kualitatif.

5. Pengujian hipotesis pada statistik non-parametrik dilakukan secara langsung pada

pengamatan yang nyata.

6. Walaupun pada statistik non-parametrik tidak terikat pada distribusi normal populasi,
tetapi dapat digunakan pada populasi berdistribusi normal.

Kelemahan :
1. Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.
2. Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam statistik
parametrik.

9
3. Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi seperti pada
statistik parametrik. Hal ini dikarenakan statistik non-parametrik mendekati eksperimen
dengan sampel kecil dan umumnya membandingkan dua kelompok tertentu.

UJI NON PARAMETRIK 2 KELOMPOK SAMPEL BEBAS

ANALISIS KOMPARATIF DUA SAMPEL INDEPENDEN
Untuk analisis komparatif dua sampel independen, uji statistiknya adalah sebagai berikut.
1. 1. Analisis Komparatif Dua Sampel Independen untuk Data Nominal

Untuk data nominal yang independen, analisis komparasinya menggunakan Uji Fisher Exact
dan Kai Kuadrat dua sampel.

1. a. Uji Fisher Exact Probability

Uji Fisher Exact Probability merupakan pengujian hipotesis komparatif untuk data nominal
dari dua sampel yang independen.

Keterangan:
K-1 = klasifikasi pertama
K-2 = klasifikasi kedua
A,B,C,D = data nominal berbentuk frekuensi

10
Contoh soal
Sebuah penelitian dilakukan untuk membuktikan opini yang menyatakan bahwa eksekutif
muda lebih menyukai pekerjaan yang berisiko dibandingkan dengan eksekutif tua. Dari
pengamatan yang dilakukan terhadap 7 eksekutif muda, 5 orang menyukai pekerjaan
berisiko dan 2 orang tidak menyukai, sedangkan dari pengamatan 6 eksekutif tua, 3 orang
menyukai pekerjaan berisiko dan 3 orang tidak menyukai. Dengan taraf nyata 5%, ujilah
kebenaran pendapat tersebut!

Jawab:

d. Uji Statistik

11
UJI BINOMIAL
Uji binomial adalah uji non parametric yang digunakan untuk menggantikan uji statistik t jika
asumsi n kecil dan populasi normal sebagai syarat uji t tidak dipenuhi.
Uji binomial Uji binomial digunakan untuk menguji hipotesis bila dalam populasi terdiri atas
dua kelompok kelas, datanya berbentuk nominal dan jumlah sampelnya kecilnya (kurang
dari 25).

Uji binomial

• Syarat:

– Populasi terdiri 2 kelas (misal: pria dan wanita)

– Data Nominal

– Jumlah sampel kecil (<25)>

• Distribusi data Binomial (terdiri 2 kelas): kelas dengan kategori (x) dan kelas dengan
ketegori (N-x)

• Ketentuan: Bila harga P > α , Ho diterima – P = proporsi kasus – Α = taraf kesalahan ( 1% =

0,01)

CONTOH
Penelitian tentang kecenderungan Ibu hamil memilih tempat bersalin di Polindes atau di
Puskesmas. Jumlah sampel 24 Ibu hamil, 14 Ibu hamil memilih di Polindes, 10 Ibu hamil
memilih di Puskesmas
• Ho = peluang Ibu hamil memilih tempat bersalin di Polindes atau Puskesmas adalah sama,
yaitu 50%
• Ho = p1 = p2 = 0,5
• Sampel (n) = 24

12
• Frekuensi kelas terkecil (x) = 10
• Tabel (n=24, x=10) didapat koefisien binomial (p) = 0,271
• Bila taraf kesalahan (α) ditetapkan 1% = 0,01 • p = 0,271 > 0,01 maka Ho diterima

KESIMPULAN

Kemungkinan Ibu hamil memilih tempat bersalin di Polindes atau di Puskesmas adalah sama
yaitu 50 %

UJI CHI KUADRAT (χ²)

Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara frekuensi
observasi/yg benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi
Pengertian Frekuensi Observasi dan Frekuensi Harapan

frekuensi observasi → nilainya didapat dari hasil percobaan (o)

frekuensi harapan → nilainya dapat dihitung secara teoritis (e)

Kegunaan Chi-Square
1. Ada tidaknya asosiasi antara 2 variabel (Independent test)
2. Apakah suatu kelompok homogen atau tidak (Homogenity test)
3. Uji kenormalan data dengan melihat distribusi data (Goodness of fit test)
Contoh :
1. Sebuah dadu setimbang dilempar sekali (1 kali) berapa nilai ekspektasi sisi-1, sisi-2, sisi-3,
sisi-4, sisi-5 dan sisi-6 muncul?

2. Sebuah dadu setimbang dilempar 120 kali berapa nilai ekspektasi sisi-1, sisi-2, sisi-3, sisi-4,
sisi-5 dan sisi-6 muncul?

Bentuk Distribusi Chi Kuadrat (χ²)

Nilai χ² adalah nilai kuadrat karena itu nilai χ² selalu positif.
Bentuk distribusi χ² tergantung dari derajat bebas(db)/degree of freedom.
Contoh : Berapa nilai χ² untuk db = 5 dengan α = 0.010? (15.0863)
Berapa nilai χ² untuk db = 17 dengan α = 0.005? (35.7185)

13
Pengertian α pada Uji χ² sama dengan pengujian hipotesis yang lain, yaitu luas daerah
penolakan H0 atau taraf nyata pengujian
Penggunaan Uji χ²
Uji χ² dapat digunakan untuk :
a. Uji Kecocokan = Uji kebaikan-suai = Goodness of fit test
b. Uji Kebebasan
c. Uji beberapa proporsi

Penelitian ingin membuktikan hubungan sosial ekonomi (sosek) ibu hamil dengan ANC
kemudian diambil sampel 100 ibu hamil yang terdiri dari 30 sosek, 30 sosek sedang dan 40
sosek tinggi. Dari ibu yang soseknya rendah 10 ibu periksa hamil (melakukan ANC), yang
sosek sedang 15 ibu periksa hamil dan yang soseknya tinggi 35 periksa hamil.

Pertanyaan:
a. Hitung proporsi/persentase melakukan ANC pada
masing-masing sosek.
b. Ujilah apakah ada perbedaan proporsi ANC diantara 3sosek tersebut.

Jawaban:
Hipotesis:
Ho: ΠR= ΠS= ΠT(Proporsi melakukan ANC antara ke-3 sosek sama)
Ha: ΠR ≠ ΠS ≠ ΠT (Ada perbedaan proporsi melakukan ANC antara ke-3 sosek)

Sumber : Sugiyono. 2009. Metode Penelitian Kualitatif Kuantitatif dan R&D. Bandung:
Alfabeta

14