UJI NON PARAMETRIK

Oleh :

DIV KEPERAWATAN TK III SEMESTER VI

1. NI PUTU EVI SRIKRISNA YANTI (P07120216027)

2. I GUSTI AYU SRI PARWATI (P07120216028)
3. PUTU DIAH SANDI DEWI (P07120216029)
4. I MADE DWI TRESNA SAPUTRA (P07120216030)
5. ANNISA PRATIWI (P07120216031)

KEMENTERIAN KESEHATAN REPUBLIK INDONESIA

POLITEKNIK KESEHATAN DENPASAR

JURUSAN KEPERAWATAN

TAHUN 2019

i
 KATA PENGANTAR

Puji Tuhan, terima kasih Saya ucapkan atas bantuan Tuhan yang telah mempermudah
dalam pembuatan makalah ini, hingga akhirnya terselesaikan tepat waktu. Banyak hal yang
akan disampaikan kepada pembaca mengenai “Uji Non Parametrik.”

Saya menyadari jika mungkin ada sesuatu yang salah dalam penulisan, seperti
menyampaikan informasi berbeda sehingga tidak sama dengan pengetahuan pembaca lain.
Saya mohon maaf yang sebesar-besarnya jika ada kalimat atau kata-kata yang salah.
Demikian Saya ucapkan terima kasih atas waktu Anda telah membaca hasil karya ilmiah
Saya.

Denpasar , 8 April 2019

Penulis

2
 DAFTAR ISI
KATA PENGANTAR ................................................................................................................................. 2
DAFTAR ISI....................................................................................................................................3
BAB I................................................................................................................................................ i
PENDAHULUAN .............................................................................................................................4
1.1. Latar Belakang ............................................................................................................................ 4
1.2. Rumusan Masalah ...................................................................................................................... 5
1.3. Tujuan Penulisan ........................................................................................................................ 5
1.4. Manfaaat ...................................................................................................................................... 5
1.5 Metode Penulisan ........................................................................................................................ 5
BAB II ..............................................................................................................................................5
PEMBAHASAN ...............................................................................................................................5
2.1 PENGERTIAN STATISTIK ..................................................................................................... 5
2.2 MENGUJI HIPOTESIS KOMPARATIF DUA SAMPEL INDEPENDEN DENGAN
CARA MANUAL ....................................................................................................................... 6
2.3 MENGUJI HIPOTESIS KOMPARATIF DUA SAMPEL INDEPENDEN DENGAN
MENGGUNAKAN SPSS ......................................................................................................... 22
BAB III ........................................................................................................................................... 48
PENUTUP ...................................................................................................................................... 48
3.1 SIMPULAN ............................................................................................................................... 48
3.2 SARAN ....................................................................................................................................... 48
DAFTAR PUSTAKA ................................................................................................................................ 49

3
 BAB I

PENDAHULUAN

1.1.Latar Belakang
Pengolahan data dengan metode statistic nonparametric diperlukan untuk melengkapi
hasil pengolahan metode statistic parametric. Pada statistikparametrik data yang diolah
setidaknya harus memenuhi 3 asumsi, jika salah satu tidak terpenuhi, bias dikatan hasil yang
didapatkan akan menyimpang dari tujuannya, atau tidak tepat.
Asumsi pertama, tipe data hasuslah berupa interval/rasio, jika bertipe lain, dan tidak
dapat diproses dengan metode statistic parametric. Asumsi yang kedua adalah data jika sudah
bertipe interval/rasio, maka data haruslah berdistribusi normal. Dan asumsi yang terakhir,
data harus berjumlah besar (>30). Namun untuk syarat yang ketiga ini bias diatasi dengan
menggunakan uji t jika kalau data sudah memenuhi kedua syaratnya yang lain
Istilah nonparametric pertama kali digunakan oleh Wolfowitz pada tahun 1942.
Metode statistic nonparametric merupakan metode statistic yang dapat digunakan dengan
mengabaikan asumsi-asumsi yang melandasi penggunaan metode statistic parametric,
terutama yang berkaitan dengan distribusi normal. Istilah lain yang sering digunakan untuk
statistic nonparametric adalah statistic bebas distribusi (distribution free statistic) dan uji
bebas asumsi (assumption free test). Statistic nonparametric banyak digunakan pada
penelitian-penelitian social. Data yang diperoleh dalam penelitian social pada umumnya
berbentuk katagori atau berbentuk rangking.
Uji statistic nonparametric ialah suatu uji statistic yang tidak memerlukan adanya
asumsi-asumsi mengenai sebaran data populasi. Uji statistic ini disebut juga sebagai statistic
bebas sebaran (distribution free). Statistic nonparametric tidak mensyaratkan sebaran
parameter populasi berdistribusi normal. Statistic nonparametric 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 statistic
nonparametric digunakan untuk data berjumlah kecil (n<30).

4
1.2.Rumusan Masalah
1. Apa itu pengertian statistic nonparametrik?
2. Bagaimana cara menguji hipotesis komparatif dua sampel independen (tidak
berkorelasi) dengan cara manual?
3. Bagaimana cara menguji hipotesis komparatif dua sampel independen (tidak
berkorelasi) dengan menggunakan SPSS?

1.3.Tujuan Penulisan
1. Untuk mengetahui pengertian statistic nonparametrik.
2. Untuk mengetahui cara menguji hipotesis komparatif dua sampel independen (tidak
berkorelasi) dengan cara manual.
3. Untuk mengetahui cara menguji hipotesis komparatif dua sampel independen (tidak
berkorelasi) dengan menggunakan SPSS.

1.4.Manfaaat
1. Untuk mengetahui pengertian statistic nonparametrik.
2. Untuk mengetahui cara menguji hipotesis komparatif dua sampel independen
(tidak berkorelasi) dengan cara manual.
3. Untuk mengetahui cara menguji hipotesis komparatif dua sampel independen
(tidak berkorelasi) dengan menggunakan SPSS.

1.5 Metode Penulisan

Dalam penulisan makalah ini kami menggunakan metode deskriptif, yang diperoleh
dari literature dari berbagai media baik buku maupun elektronik yang disajikan dalam bentuk
makalah.

5
 BAB II

PEMBAHASAN

A. PENGERTIAN SATISTIK NONPARAMETRIK

Istilah nonparametric pertama kali digunakan oleh Wolfowitz pada tahun 1942.
Metode statistic nonparametric merupakan metode statistic yang dapat digunakan dengan
mengabaikan asumsi-asumsi yang melandasi penggunaan metode statistic parametric,
terutama yang berkaitan dengan distribusi normal. Istilah lain yang sering digunakan untuk
statistic nonparametric adalah statistic bebas distribusi (distribution free statistic) dan uji
bebas asumsi (assumption free test). Statistic nonparametric banyak digunakan pada
penelitian-penelitian social. Data yang diperoleh dalam penelitian social pada umumnya
berbentuk katagori atau berbentuk rangking.
Uji statistic nonparametric ialah suatu uji statistic yang tidak memerlukan adanya
asumsi-asumsi mengenai sebaran data populasi. Uji statistic ini disebut juga sebagai statistic
bebas sebaran (distribution free). Statistic nonparametric tidak mensyaratkan sebaran
parameter populasi berdistribusi normal. Statistic nonparametric 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 statistic
nonparametric digunakan untuk data berjumlah kecil (n<30)
Menguji hipotesis dua sampel independen adalah menguji kemampuan generalisasi
rata-rata data dua sampel yang tidak berkorelasi. Pada penelitian survey, biasanya sampel-
sampel yang digunakan adalah sampel independen. Sebagai contohnya adalah perbandingan
penghasilan petani dan nelayan, disiplin kerja pegawai negeri dan swasta.

B. MENGUJI HIPOTESIS KOMPARATIF DUA SAMPEL INDEPENDEN (TIDAK

BERKORELASI) DENGAN CARA MANUAL
1. Chi Kuadrat (x2) dua sampel
Uji Chi Square (simbol x2) digunakan untuk menganalisis perbedaan proporsi (seperti
uji z) dari data dengan skala nominal/kategori/diskrit yang diperoleh dengan cara menghitung
(bukan mengukur). Prinsip uji ini adalah menghitung selisih antara frekuensi yang
terobservasi (o) dengan frekuensi harapan (e). Frekuensi harapan adalah frekuensi yang
terjadi jika tidak ada perbedaan proporsi masing-masing kelompok. (I Wayan Sukawana,

6
2008:136)
Chi kuadrat adalah teknik analisis statistik untuk mengetahui signifikasi perbedaan
antara proporsi (dan atau probabilitas) subjek atau objek penelitian yang datanya telah
terkategorikan. Dasar pijakan analisis dengan chi kuadrat adalah jumlah frekuensi yang ada.
Hal ini sesuai dengan pendapat Guilford dan further : (1978,193) sebagai berikut :
“chi square is used with data in the form of frequencies, or data that can be readily
transformed into frequencies. This includes proportions and probabilities……”
Chi kuadrat digunakan untuk menguji hipotesis komparatif dua sampel bila datanya
berbentuk nominal dan sampelnya besar. Cara perhitungan dapat menggunakan tabel
kontingensi 2 x 2 (dua baris x dua kolom). Berikut ini adalah contoh penggunaan tabel
kontingensi untuk menghitung harga chi kuadrat karena lebih mudah.
Sampel Frekuensi pada Jumlah sampel
Objek 1 Objek 2
Sampel A A B A+B
Sampel B C D C+D
Jumlah A+C B+D N
N= jumlah sampel
Rumus yang digunakan untuk menguji hipotesis ini adalah :
𝑛
𝑛(|𝑎𝑑 − 𝑏𝑐| − 2 )2
2
𝑥 =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)
Ada beberapa persyaratan dalam penggunaan teknik analisis chi kuadrat yang harus
dipenuhi disamping berpijak pada frekuensi data kategoris yang terpisah secara mutual
excluve, persyaratan lain adalah sebagai berikut (Bambang Soepeno,2007:102) :
1. Frekuensi tidak boleh kurang dari 5. Jika ini terjadi harus dikoreksi dengan Yetes
Corrections.
2. Jumlah frekuensi hasil observasi (f0) dan frekuensi yang diharapkan (f0) harap sama.
3. Dalam fungsinya sebagai pengetesan hipotesis mengenai korelasi antar variabel, chi
kuadrat hanya dapat dipakai untuk mengetahui ada atau tidaknya korelasi, bukan besar
kecilnya korelasi
Fungsi statistik sebagai alat analisis data dapat dikelompokkan menjadi tiga, yaitu :
1. Chi kuadrat sebagai alat estimasi (perkiraan), yaitu mengestimasi apakah frekuensi
dalam sampel yang diobservasi berbeda secara signifikan terhadap frekuensi pada
populasinya. Frekuensi hasil observasi pada sampel penelitian diberi simbal f0,

7
 sedangkan frekuensi dari populasi yang diestimasi diberi symbol fe, jenis chi kuadrat
untuk mengestimasi ini, biasanya dipakai untuk sampel tunggal.
2. Chi kuadrat sebagai alat untuk uji sampel yang terpisah. Teknik analisis chi kuadrat
ini berfungsi sebagai alat pengetesan hipotesis penelitian, yaitu dengan
membandingkan antara frekuensi yang diperoleh dari sampel lainnya dalam kategori-
kategori tertentu. Oleh karena fungsinya sebagai alat pengetesan hipotesis f, tentang
perbedaan frekuensi dua sampel, maka penggunaan teknik ini dipakai minimal ada
dua kelompok sampai penelitian.
3. Chi kuadrat sebagai alat pengetesan hipotesis penelitian untuk menguji sampel yang
berhubungan (correlation sample). Pengertian sampel berhubungan disini adalah, satu
sampel penelitian yang dikenai dengan dua macam perlakuan, yang selanjutnya
dilihat perubahannya.
Contoh :
Peneliti ingin mengetahui apakah ada pengaruh minum air mentah dengan kejadian
diare. Untuk itu peneliti tersebut mengambil sampel 60 orang yang biasa minum air mentah,
dari 60 orang tersebut 15 orang menderita diare serta 50 orang yang tidak pernah minum air
mentah dan ternyata 10 orang menderita diare. Apakah ada perbedaan proporsi penderita
diare pada orang yang minum air mentah lebih tinggi?
Cara menyelesaikan :
Terdapat dua cara untuk mencari jawaban pertanyaan tersebut, yaitu :
1. Untuk data yang disajikan dalam tabel 2x2 dapat dihitung dengan rumus (perhatikan
tabel berikut)
Minum Air Mentah Total
Ya Tidak
Diare A b a+b
Tidak diare C d c+d
Total a+c b+d a+b+c+d
a adalah sel 1, b sel 2, c sel 3, d sel 4
Rumus x2 pada tabel 2x2 adalah :
𝑛
𝑛(|𝑎𝑑 − 𝑏𝑐| − 2 )2
2
𝑥 =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)

8
2. Untuk data KxB dapat dilakukan dengan cara mudah yaitu dalam sistem tabel
perhitungan
Sel O (e) (o-e)2 / e
(total kolom x total baris)/n
1
2
Dst
Total Total (=nilai x2)

Jika hasil penelitian diatas disajikan dalam tabel 2x2 maka hasilnya sebagai berikut :
Minum Air Mentah Total
Ya Tidak
Diare 15 10 25
Tidak diare 45 40 85
Total 60 50 110
Jika proporsi orang diare antara yang minum air mentah dan tidak sama makan
semestinya :
Jumlah orang yang minum air mentah terkena diare : (25/110)x60 = 13.636
Orang yang tidak minum air mentah terkena diare : (25/110)x50 = 11.36
Angka itulah yang dimaksud dengan frekuensi harapan (e). Jika diperhatikan angka
tersebut diperoleh dengan rumus :
total kolom x total baris
𝑒=
n
Jawaban pertanyaan diatas, dengan langkah penyelesaian sebagai berikut :
1. Hipotesis statistiknya
H0 : O-E = 0
Ha : O-E ≠ 0
2. Tingkat kepercayaan 95% atau α = 5%
3. Rumus uji statistik
a. Rumus x2 pada 2x2 adalah :
𝑛
𝑛(|𝑎𝑑 − 𝑏𝑐| − 2 )2
𝑥2 =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)

9
 b. Dengan sistem tabel perhitungan
Sel O (e) (o-e)2 / e
(total kolom x total baris)/n
1
2
Dst
Total Total (=nilai x2)
4. Batas penerimaan H0 pada α = 5%
DF = (k-1)(b-1), k = jumlah kolom, b = jumlah baris
Maka DF = (2-1)(2-1) = 1, maka nilai x2 tabel adalah 3.841

|3.841

5. Perhitungan
a. Rumus x2 pada 2x2 adalah :
𝑛
𝑛(|𝑎𝑑 − 𝑏𝑐| − 2 )2
2
𝑥 =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)
110
110(|15𝑥40 − 10𝑥45| − 2 )2
2
𝑥 =
(25)(85)(60)(50)
992750
𝑥2 =
6375000
𝑥 2 = 0.156
b. Dengan sistem tabel perhitungan :
Sel O (e) (o-e)2 / e
(total kolom x total baris)/n
1 15 (25x60)/110 = 13.636 0.136
2 12 (25x50)/110 = 11.364 0.035
3 45 (60x85)/110 = 46.364 0.04
4 40 (50x85)/110 = 38.636 0.048
Total 0.259

10
 6. Kesimpulan
Hasil perhitungan statistik berada didalam daerah penerimaan H0, maka
kesimpulannya H0 diterima.
Interpretasi : tidak ada perbedaan proporsi penderita diare pada orang yang minum
air mentah dengan orang yang tidak minum air mentah

2. Fisher Exact Probability Test

Fisher probability exact test merupakan salah satu metode statistik non parametrik
untuk menguji hipotesis. Prosedur ini ditemukan oleh R.A. Fisher pada pertengahan tahun
1930. Pada penelitian dua variabel dengan data yang dinyatakan dalam persen, pengujian
hipotesis dapat dilakukan dengan statistik parametrik chi kuadrat.bila sampel yang digunakan
terlalu kecil (n<20) dan nilai ekspetasi <5 maka chi kuadrat tidak dapat digunakan walaupun
telah mengalami koreksi dari Yates. Untuk mengatasi kelemahan uji chi kuadrat tersebut
digunakan Fisher Probability Exact Test ( Budiarta, 2002).
Menurut Sugiyono (2005), uji exact fisher digunakan untuk menguji signifikansi
hipotesis komparatif dua sampel kecil independen bila datanya berbentuk nominal atau
ordinal. Untuk mempermudahkan perhitungan dalam pengujian hipotesis, data
diklasifikasikan kedalam dua kelompok yang saling bebas sehingga akan terbentuk tabel
kontingensi 2x2.
Contoh tabel kontingensi 2x2 sebagai berikut :
Kelompok Jumlah

I A b a+b
II C d c+d
Jumlah a+c b+d N
Sumber : Sugiyono, 2005
Kelompok I = sampel I
Kelompok II = sampel II
Tanda hanya menunjukkan adanya klasifikasi, misalnya lulus atau tidak
lulus, gelap atau terang, dsb. A B C D adalah data nominal yang
berbentuk frekuensi
Rumus dasar yang digunakan untuk pengujian exact fisher yaitu sebagai berikut :
(A + B)! (C + D)! (A + C)! (B + D)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
N! (A)! (B)! (C)! (D)!

11
 Cohran (1954) dalam Siegel (1992) menganjurkan untuk menggunakan uji exact
fisher bila pada uji chi kuadrat dilakukan dengan sampel kecil tersebut akan baik bila
digunakan pada kondisi sebagai berikut :
1. Bila sampel total kurang dari 20
2. Atau bila jumlah sampel 20<n<40 dengan nilai ekspektasinya <5
Pada nilai marginal yang tetap dapat disusun berbagai kombinasi. Dari setiap
kombinasi yang dihasilkan dapat dihitung selisih persentase antara yang berhasil (+) dan
tidak berhasil (-) dan dihitung nilai p menggunakan rumus di atas.
Hasil perhitungan persentase setiap kombinasi dan nilai p dapat disusun dalam bentuk
tebel. Melalui tabel tersebut kita dapat segera mengetahui besarnya p dari selisih persentase
(+) dan (-) (Budiarto, 2002). Keuntungan dan kerugian dengan menggunakan Uji exact Fisher
yaitu sebagai berikut (Budiarto, 2002) :
Keuntungan :
1. Hasilnya langsung dengan nilai p yang pasti
2. Tes hanya didasarkan atas hasil pengamatan yang nyata
3. Tidak dibutuhkan asumsi populasi berdistribusi normal
4. Tidak dibutuhkan asumsi kedua kelompok yang diambil dari populasi secara random.
Kerugian :
1. Sulit untuk dilakukan ekstrapolasi terhadap populasi studi
2. Ahli statistika yang beranggapan bahwa tujuan akhir uji statistik adalah mengadakan
estimasi terhadap parameter populasi tidak setuju dengan uji Fisher.
Hipotesis awal ditolak jika nilai p-value yang diperoleh lebih kecil dari taraf
signifikansi yang digunakan. Nilai p-value didapat dengan menjumlahkan peluang dari
pemunculan data dengan peluang dari kemungkinan pemunculan yang lebih ekstrim atau
dapat mengunakan tabel fisher. Untuk uji 1 arah hanya diambil dari satu sisi pemunculan
yang lebih ekstrim, sedangkan untuk uji 2 arah diambil dari kedua sisi pemunculan yang
lebih ekstrim
Contoh :
Untuk uji 1 arah
Seorang mahasiswa melakukan penelitian untuk menguji apakah proporsi siswa yang
mengikuti les privat lebih banyak yang lulus ujian dbandingkan dengan siswa yang tidak
mengikuti les privat. Selanjutnya diambil sampel sebanyak 15 siswa. Dari 6 yang lulus
ternyata 5 yang mnegikuti les privat dan dari 9 yang tidak lulus ternyata 7 yang tidak ikut les
privat. Gunakan α 5%
12
 Jawab :
Pertama dibentuk tabel kontingensi sebagaimana dibawah ini :
Les Privat

Hasil ujian Ya Tidak Total

Lulus 5 1 6
Tidak 2 7 9
Jumlah 7 8 15
Definisikan P1 adalah proporsi siswa yang lulus yang ikut les privat dan P2 adalah
proporsi siswa yang lulus yang tidak ikut les privat.
H0 : P1=P2 (Proporsi siswa yang lulus yang ikut les privat tidak lebih banyak dari
proporsi mahasiswa yang tidak ikut les privat)
H1 : P1>P2 ((Proporsi siswa yang lulus yang ikut les privat lebih banyak dari proporsi
mahasiswa yang tidak ikut les privat)
Peluang pemunculan data :
(A + B)! (C + D)! (A + C)! (B + D)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
N! (A)! (B)! (C)! (D)!
(6)! (9)! (7)! (8)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
5! (2)! (1)! (7)! (15)!
𝑃(𝑎,𝑏,𝑐,𝑑) = 0,0336
Peluang kemungkinan pemunculan lainnya yang lebih ekstrim :
Les Privat

Hasil ujian Ya Tidak Total

Lulus 6 0 6
Tidak 1 8 9
Jumlah 7 8 15
(A + B)! (C + D)! (A + C)! (B + D)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
N! (A)! (B)! (C)! (D)!
(6)! (9)! (7)! (8)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
6! (1)! (0)! (8)! (15)!
𝑃(𝑎,𝑏,𝑐,𝑑) = 0,0014
Jadi besarnya probabilitas (p-value) adalah sebesar 0,0336 + 0,0014 = 0,035 < 0,05
Keputusan : tolak H0 karena p-value <α dan simpulkan proporsi siswa yang lulus yang

13
 ikut les privat lebih banyak dari proporsi mahasiswa yang tidak ikut les privat dengan
tingkat kepercayaan sebesar 95%
Uji 2 arah
Terdapat anggapan bahwa diketahui hubungan antara makan buah dengan diare. Oleh
karena seorang mahasiswa melakukan penelitian untuk menguji dugaan tersebut. Jumlah
sampel yang diambil adalah sebesar 41 orang. Kemudian diklasifikasikan ke dalam tabel
kontingensi seperti dibawah ini. Gunakan α 5%
Diare Total
Ada Tidak ada
Es buah Ada 6 14 20
Tidak ada 1 20 21
Total 7 34 41
Jawab :
H0 : P1=P2 (tidak terdapat hubungan antara makan buah dengan diare)
H1 : P1≠ P2 (terdapat hubungan antara makan buah dengan diare)
Peluang pemunculan data :
(A + B)! (C + D)! (A + C)! (B + D)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
N! (A)! (B)! (C)! (D)!
(20)! (21)! (7)! (4)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
6! (14)! (1)! (20)! (41)!
𝑃(𝑎,𝑏,𝑐,𝑑) = 0,0362
Peluang kemungkinan pemunculan lainnya yang lebih ekstrim :
Diare Total
Ada Tidak ada
Es buah Ada 7 13 20
Tidak ada 0 21 21
Total 7 34 41
(A + B)! (C + D)! (A + C)! (B + D)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
N! (A)! (B)! (C)! (D)!
(20)! (21)! (7)! (4)!
𝑃(𝑎,𝑏,𝑐,𝑑) =
7! (13)! (0)! (21)! (41)!
𝑃(𝑎,𝑏,𝑐,𝑑) = 0,0034
Jadi besarnya probabilitas (p-value) adalah sebesar 0,0362 + 0,0034 = 0,0396 < 0,05

14
 3. Test Median (Median Test)
Test median digunakan untuk menguji signifikasi hipotesis komparatif dua sampel
bila datanya berbentuk ordinal atau nominal. Pengujian didasarkan atas median dari sampel
yang diambil secara acak. Dengan demikian H0 yang akan diuji berbunyi : tidak terdapat
perbedaan dua kelompok populasi berdasarkan mediannya. Pada test Fisher digunakan untuk
sampel kecil dan test Chi Kuadrat untuk sampel besar, maka pada test median ini digunakan
untuk sampel antara Fisher dan Chi Kuadrat.
Untuk menggunakan test median, maka pertama-pertama harus dihitung gabungan
dua kelompok (median untuk semua kelompok). Selanjutnya dibagi dua, dan dimasukkan ke
dalam tabel berikut :
Kelompok Kelompok 1 Kelompok 2 Jumlah
Di atas median A B A+B
gabungan
Di bawah median C D C+D
gabungan
Jumlah A+C = n1 B+D = n2 N = n1+ n2
Keterangan :
A= banyak kasus dalam kelompok I di atas median gabungan = ½ n1
B= banyak kasus dalam kelompok II di atas median gabungan = ½ n2
C= banyak kasus dalam kelompok I di atas median gabungan = ½ n1
D= banyak kasus dalam kelompok II di atas median gabungan = ½ n2
Apabila hipotesa nihil benar, berarti bahwa dua populasi dari mana sampel diambil
mempunyai median yang sama, dapat diharapkan bahwa setengah dari skore masing-masing
sampel akan terletak diatas dan setengahnya akan jatuh dibawah median. Dengan perkataan
lain dapat diterapkan bahwa a = c = 0,5 n1 dan b = d = 0,5 n2. Kemudian bila n = n1 + n2
lebih besar frekuensi yang diharapkan dalam salah satu sel sekurang-kurangnya 5, dapatlah
dipergunakan uji dengan uji statistik yang dinyatakan dengan rumus sebagai berikut
(pengujian dengan menggunakan rumus chi kuadrat) :
𝑛
𝑛(|𝑎𝑑 − 𝑏𝑐| − 2 )2
2
𝑥 =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)
Yang mempunyai derajat bebas 1.
Kriteria keputusan pengujinya adalah :
H0 diterima apabila 2 2  x x ; d.b.1

15
 H0 ditolak apabila 2 2  x x ; d.b.1
Contoh :
Dilakukan penelitian untuk mengetahui apakah penghasilan guru bilogi dan guru
kimia berbeda berdasarkan medianya. Dari hasil wawancara terhadap 10 guru biologi dan 9
guru kimia diperoleh hasil sebagai berikut :
Pendapatan Guru Biologi dan Kimia
No Guru Biologi Guru Kimia
1 50 45
2 60 50
3 70 55
4 70 60
5 75 65
6 80 65
7 90 70
8 95 80
9 95 100
10 100
Hipotesis :
H0 : tidak ada perbedaan pendapatan guru biologi dan guru kimia
Ha : ada perbedaan pendapatan guru biologi dan guru kimia
Untuk menghitung nilai median maka data diurutkan sebagai berikut :
40 50 50 55 60 60 65 65 70 70 70 75 80 80 90 95 95 100 100
Nilai median untuk kelompok tersebut adalah pada urutan 10 yaitu : 70, maka dapat
diketahui A = 6, B = 2, C = 4, D = 7
Jumlah skor Biologi Kimia Jumlah
Diatas median A=6 B=2 A+B = 8
Dibawah median C=4 D=7 C+D = 11
Jumlah A+C = 10 B+D = 9 N = 19
Perhitungan :
𝑛
𝑛(|𝑎𝑑 − 𝑏𝑐| − 2 )2
2
𝑥 =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)
19
19(|6𝑥7 − 2𝑥4| − 2 )2
2
𝑥 =
(8)(11)(10)(9)

16
 11404,75
𝑥2 =
7920
𝑥 2 = 1,43
Interpretasi :
Nilai tabel chi kuadrat dengan dk=1 pada taraf nyata 5% = 3,841 dengan demikian nilai
hitung < nilai tabel
H0 diterima yang berarti tidak ada perbedaan yang bermaksa pendapatan guru biologi
dan guru kimia

4. Mann-Whitney U-Test
Uji Mann-Whitney atau lebih dikenal dengan u-test. Uji ini dikembangkan oleh H.B
Mann dan D.R. Whitney dalam tahun 1947. Uji Mann-Whitney ini digunakan sebagai
alternatif lain dari uji T parametrik bila anggapan yang diperlukan bagi uji T tidak dijumpai.
Tehnik ini dipakai untuk mengetest signifikansi perbedaan antara dua populasi, dengan
menggunakan sampel random yang ditarik dari populasi yang sama. Test ini berfungsi
sebagai alternatif penggunaan uji-t bilamana persyaratan-persyaratan parametriknya tidk
terpenuhi, dan bila datanya berskala ordinal.
Ada dua macam tehnik U-test ini, yaitu U-test untuk sampel-sampel kecil dimana
n<20 dan U-test sampel besar bila n=>20. Oleh karena pada sampel besar bila n=>20, maka
distribusi sampling U-nya mendekati distribusi normal, maka test signifikansi untuk uji
hipotesis nihilnya disarankan menggunakan harga kritik Z pada tabel probabilitas normal.
Sedangkan test signifikansi untuk sampel kecil digunakan harga kritik U . Adapun formula
rumus Mann-Whitney Test, adalah sebagai berikut:
𝑈1 = 𝑛1 𝑛2 + 𝑛1 (𝑛1 + 1)/2 − ∑1 𝑅
𝑈2 = 𝑛1 𝑛2 + 𝑛2 (𝑛2 + 1)/2 − ∑2 𝑅
Keterangan:
𝑛1 = Jumlah kasus kelompok 1
𝑛2 = Jumlah kasus kelompok 2
∑1 𝑅 = Jumlah rangking dalam kelompok 1
∑2 𝑅 = Jumlah rangking dalam kelompok 2

17
 a. Contoh perhitungan untuk sampel kecil
Suatu penelitian untuk menguji apakah perbedaan skor prestasi dari penggunaan dua
metode mengajar pada dua sampel berbeda secara signifikansi atau tidak, di mana data-data
dari dua sampel tersebut sebagai berikut :
Analisis U-Test Tentang perbedaan Prestasi Belajar dari Metode A dan B
Prestasi Metode A Prestasi Metode B Ranking 1 (R1) Ranking 2 (R2)
(X1) (X2)
45 55 1 3
50 75 2 6
60 90 4 8
65 100 5 9
80 7
∑1 𝑅 = 19 ∑2 𝑅 = 26
Harga 𝑈1 dan 𝑈2 dapat dicari dengan prosedur sebagai berikut :

𝑈1 = 𝑛1 𝑛2 + 𝑛1 (𝑛1 + 1)/2 − ∑ 𝑅
1

𝑈1 = (5)(4) + 5(5 + 1)/2 − 19

𝑈1 = 20 + 15 − 19
𝑈1 = 16

𝑈2 = 𝑛1 𝑛2 + 𝑛2 (𝑛2 + 1)/2 − ∑ 𝑅
2

𝑈2 = (5)(4) + 4(4 + 1)/2 − 26

𝑈2 = 20 + 10 − 26
𝑈2 = 4
Jadi 𝑈2 = 4 merupakan harga yang terkecil
Test signifikansi U-test untuk sampel kecil digunakan formula sebagai berikut :
𝑈 =/< 𝑈0
Hipotesis Nihil ditolak
Untuk melihat harga kritik ini dilakukan dengan berdasar pada besarnya 𝑛1 dan 𝑛2 .
Dimana 𝑛1 = 5 dan 𝑛2 = 4, dalam tabel kritik Runs Test, diperoleh harga 2 untuk taraf
signifikansi 5% dan 9 untuk taraf signifikansi 1%. Dengan mengkonsultasikan pada
tabel kritik ini, maka harga U perhitungan lebih kecil untuk taraf signifikansi 1%,
sehingga hipotesis nihil yang diajukan ditolak pada taraf signifikansi 1% dan diterima
pada taraf signifikansi 5%.

18
 Seandainya hipotesis nihil yang diajukan adalah:
“ Tidak ada perbedaan prestasi dari penggunaan metode mengajar A dan B”
Bilamana yang digunakan adalah taraf kepercayaan 95% (taraf signifikansi 5%),
maka kesimpulan yang dapat ditarik adalah perbedaan prestasi dari penggunaan
dua metode, yaitu metode A dan B adalah tidak signifikan.
b. Contoh perhitungan untuk sampel besar(n=/>20)
Pada kasus yang sama dengan contoh di atas, namun jumlah sampel dan variasi
prestasinya tidak sama, peneliti mengajukan hipotesis nihil seperti contoh pada sampel kecil,
sedangkan data yang dapat terkumpul tertabulasikan pada tabel berikut.
Analisis U-Test untuk Sampel Besar Tentang Perbedaan Prestasi dari
Penggunaan Metode Mengajar A dan B
Prestasi Metode Prestasi Metode Ranking 1 (R1) Ranking 2 (R2)
A (X1) B (X2)
30 50 1 5.5
35 58 2 9
40 66 3 14
45 69 4 17
50 70 5.5 18
55 71 7 19
57 72 8 20
60 75 10 23
61 76 11 24
63 77 12 25
65 78 13 26
67 79 15 27
68 80 16 28
73 81 21 29
74 82 22 30
83 84 31 32
16 16 181.5 346.5

Perhitungan besarnya U adalah sebagai berikut :

𝑈1 = (16)(16) + 16(16 + 1)/2 − 181.5

𝑈1 = 256 + 136 − 181.5

𝑈1 = 210.5

𝑈2 = 256 + 136 − 346

𝑈1 = 46

Test signifikansi untuk sampel besar , menggunakan harga kritik Z dengan

19
 formulasi rumusan sebagai berikut :
𝑈 − 𝑛1 𝑛2 /2
𝑍=
√𝑛1 𝑛2 (𝑛1 + 𝑛2 + 1)/12

** Untuk perhitungan harga Z, U yang digunakan bebas (tidak harus U yang

harganya kecil).
𝑈 − 𝑛1 𝑛2 /2
𝑍=
√𝑛1 𝑛2 (𝑛1 + 𝑛2 + 1)/12

210.5 − (16)(16)/2
𝑍=
√(16)(16)(16 + 16 + 1)/12

210.5 − 128
𝑍=
26.53

𝑍 = 3.11

Karena harga Z=3.11 lebih besar dari harga kritik Z 1.96 untuk tes dua sisi untuk test
signifikansi 5% maka hipotesis nihil yang diajukan ditolak, peneliti dapat membuat simpulan,
bahwa perbedaan prestasi dengan menggunakan metode A dan metode B, merupakan
perbedaan yang signifikan.

5. Test Kolmogrov-Smirnov Dua Sampel

Uji Kolmogorov Smirnov digunakan untuk menguji hipotesis komparatif dua sampel
independen bila datanya berbentuk ordinal yang tersusun pada tabel distributif frekuensi
kumulatif dengan menggunakan klas-klas interval. Uji Kolmogorov Smirnov atau uji
goodness of fit (kesesuaian) antara frekuensi yang hasil pengamatan dengan frekuensi yang
diharapkan yang tidak memerlukan anggapan tertentu tentang distribusi populasi dari suatu
sampel. Kolmogorov Smirnov dapat digunakan untuk menentukan suatu distribusi sebaran
suatu sampel. Rumus yang digunakan adalah sebagai berikut :
𝐷 = 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚 [𝑆𝑛1 (𝑋) − 𝑆𝑛2 (𝑋)]
Contoh:
Dilakukan penelitian untuk membandingkan produktivitas operator mesin CNC
(Computered Numerical Controlled) lulusan SMK mesin dan SMU IPA. Pengamatan
dilakukan pada sampel yang dipilih secara random. Untuk lulusan SMK 10 orang dan juga
untuk lulusan SMU 10 orang. Produktivitas kerja diukur dari tingkat kesalahan kerja selama 4
bulan. Hasilnya ditunjukkan dalam tabel berikut :
Tingkat Kesalahan Kerja Operator Mesin CNC Lulusan SMK Dan SMU Dalam %

20
 No Lulusan SMK Lulusan SMA
1 1,0 3,0
2 2,0 4,0
3 1,0 8,0
4 1,0 2,0
5 3,0 5,0
6 1,0 6,0
7 2,0 3,0
8 1,0 5,0
9 5,0 7,0
10 6,0 8,0

Untuk sampel yang besar n1 dan n2 lebih besar 40, pengujian signifikansinya dapat
menggunakan rumus di atas. Dalam hal ini besarnya n1 tidak harus sama dengan n2. Jadi bisa
berbeda. Di bawah ini akan ditunjukkan berbagai rumus untuk menguji signifikansi harga
yang didasarkan pada tingkat kesalahan yangditetapkan. Misalkan kesalahan 5% (0.05) harga
D maka dapat dihitung dengan rumus sebagai berikut :

𝑛1 + 𝑛2
𝐾𝐷 = 1,36√
𝑛1 𝑛2

6. Test Run Wald-Wolfowitz

Run test digunakan untuk menguji hipotesis deskriptif (satu sampel). Data yang skala
pengukurannya ordinal dimana untuk mengukur urutan suatu kejadian. Pengujian dilakukan
dengan cara mengukur kerandoman populasi yang didasarkan atas data hasil pengamatan
melalui data sampel.
Hipotesis :
Ho : p1 = p2 = 0,5
H1 : p1 ≠ p2 ≠ 0,5
Artinya run kelompok 1 sama dengan run kelompok 2.
Uji Satistik :
𝑘
2
(𝑓𝑜 − 𝑓ℎ)2
𝑥 =∑
𝑓ℎ
𝑖=1

Dimana : f o = frekuensi yang diobservasi

f h = frekuensi yang diharapkan
Kriteria Uji :
Ho ditolak jika : X ² hitung > X ² tabel
Ho diterima jika : X ² hitung ≤ X ² tabel

21
 Pengujian H0 dilakukan dengan membandingkan jumlah run dalam observasi dengan
nilai yang ada pada tabel (harga r dalam test run), dengan tingkat signifikasi tertentu. Bila
run observasi berada diantara run kecil dan run besar, maka H0 diterima dan H1 ditolak.
C. MENGUJI HIPOTESIS KOMPARATIF DUA SAMPEL INDEPENDEN (TIDAK
BERKORELASI) DENGAN MENGGUNAKAN SPSS
1. Chi-square
Prof D melakukan sebuah penelitian untuk mengetahui pengaruh dari les privat
terhadap tingkat kelulusan ujian siswa. Prof D terlebih dahulu mengambil sampel dengan
menentukan yang ikut les dan tidak ikut les. Kemudian baru dilihat berapa yang lulus dan
tidak lulus. Data yang diperoleh disajikan dalam tabel berikut :

Kemudian Prof D melakukan uji Chi-Square untuk melihat apakah terdapat hubungan
dari les privat dengan hasil ujian. Prof D menggunakan taraf signifikansi 5 % .
Ho: Tidak terdapat hubungan antara les privat dengan hasil ujian atau les privat dan hasil
ujian saling bebas
H1: Terdapat hubungan antara les privat dengan hasil ujian atau les privat dan hasil ujian
tidak saling bebas
Tolak hipotesis awal (Ho) jika nila p-value kurang dari atau sama dengan tingkat
signfikansi yang dipakai
Penyelesaian dengan SPSS adalah sebagai berikut :
Definisikan data pada Variabel View. Disini akan dibuat tiga variabel, yaitu Hasil Ujian,
Les Privat, dan Freq untuk variabel jumlahnya. Skala data untuk variabel Hasil Ujian dan
les privata adalah Nominal, sedangkan Freq berskala Scale Berikan kode pada
kolom Values
 Untuk variabel Hasil Ujian adalah
1 =Lulus, 2 = Tidak
 Untuk variabel Les Privat

22
 1 =Ya, 2 = Tidak
Setelah itu semua selesai, baru masukan data kedalam SPSS

Kemudian dilakukan pembobotan dengan Weight Case untuk menghubungkan

variabel Hasil Ujian dan Les Privat dengan Freq
 Pilih Data dan Klik Weight Cases
 Kemudiaan akan muncul kotak dialog Weight Cases
 Tandai Weight Cases By, lalu pindahkan Variabel Freq ke Frequency Variable
 OK

23
Selanjutnya untukmelakukan uji Chi-Square sebagai berikut
 Pilih Anlyze, Descriptive Statistics, lalu klik Crosstabs
 Kotak dialog Crosstabs muncul, pindahkan Les Privat ke Row(s) dan Hasil Ujian
ke Colum(s)

24
 Klik Statistics, Pada kotak dialog Crosstabs:Statistics yang muncul centang Chi-
Square
 Klik Cells, kemudian pilih opsi yang dingiinkan, dalam kasus ini
dipilih Observed, Expected, Unstandardized, dan Adjusted
Standardized. (Step ini bisa dilompat jika tidak membutuhkan)
 Klik Continue, lalu Ok

25
Output yang muncul adalah

26
Hasil Output untuk tabel Les_Privat*Hasil_Ujian Crosstabulation dapat di interpretasikan
Nilai Adjusted Residual yang cukup besar (dengan nilai absolut 4,9) menunjukan deviasi atau
perbedaan yang besar pada setiap sel dari nilai yang diharapkan. Terlihat bahwa nilai
Residual yang merupakan selisih antar nilai Observed denga Expected Frequency menjauh
dari nol. Jika hipotesis awal benar, maka kita mengharapkan nilai residualnya akan menjadi
nol atau mendekati nol.
Hasil Output untuk tabel Chi-Square Test dapat di interpretasikan
Pada tabel ini tidak hanyan nilai Chi-Square saja yang ditampilkan tapi ada juga nilai dari uji
dengan menggunakan Likelihood Ratio dan Fisher’s Exact Test. Didapa nilai dari Chi-Square
adalah 23, 802 dan p-value<0,0001 sehingga dapat diambil tolak hipotesis awal dan nyatakan
terdapat hubungan yang signifikan antara les pirvat dengan hasil ujian pada taraf signifikansi
5 %. Hasil ini juga sejalan dengan uji Likelihood Ratio dimana nilainaya adalah 24,14 0
den p-value<0,001 karena nilai p-value<0,05 tolak hipotesis awal juga.

27
2. Fisher Exact Probability Test
Seorang mahasiswa melakukan penelitian untuk menguji apakah proporsi siswa yang
mengikuti les privat lebih banyak yang lulus ujian dibandingkan dengan siswa yang tidak
mengikuti les privat. Selanjutnya diambil sampel sebanyak 15 siswa. Dari 6 yang lulus
ternyata 5 yang mengikuti les privat dan dari 9 yang tidak lulus ternyata 7 yang tidak ikut les
privat. Gunakan alpha 5 %.
Pertama dibentuk tabel kontingensi sebagaimana dibawah ini

Definisikan P1 adalah Proporsi siswa yang lulus yang ikut les privat dan P2 adalah proporsi
siswa yang lulus yang tidak ikut les privat
Ho: P1=P2 ( Proporsi siswa yang lulus yang ikut les privat tidak lebih banyak dari proporsi
mahasiswa yang tidak ikut les privat)
H1: P1>P2 ( Proporsi siswa yang lulus yang ikut les privat lebih banyak dari proporsi
mahasiswa yang tidak ikut les privat)
Langkah – langkah Uji Fisher dengan SPSS adalah sebagai berikut :
Definisikan data pada Variabel View. Disini akan dibuat tiga variabel, yaitu Hasil Ujian, Les
Privat, dan Freq untuk variabel jumlahnya. Skala data untuk variabel Hasil Ujian dan les
privata adalah Nominal, sedangkan Freq berskala Scale Berikan kode pada kolom Values
 Untuk variabel Hasil Ujian adalah
1 =Lulus, 2 = Tidak
 Untuk variabel Les Privat
1 =Ya, 2 = Tidak

28
Setelah itu semua selesai, baru masukan data kedalam SPSS
Kemudian dilakukan pembobotan dengan Weight Case untuk menghubungkan variabel Hasil
Ujian dan Les Privat dengan Freq
 Pilih Data dan Klik Weight Cases
 Kemudiaan akan muncul kotak dialog Weight Cases
 Tandai Weight Cases By, lalu pindahkan Freq ke Frequency Variable
 OK

29
Selanjutnya baru dilakukan Uji Fisher
 Pilih Anlyze, Descriptive Statistics, lalu klik Crosstabs
 Kotak dialog Crosstabs muncul, pindahkan Hasil Ujian ke Row(s) dan Les Privat
ke Colum(s)
 Klik Statistics, Pada kotak dialog Crosstabs:Statistics yang muncul centang Chi-
Square
 Klik Continue, lalu Ok

30
31
Output yang muncul adalah

Yang ditandai angka satu merupakan nilai signifikansi (p-value) yang digunkan untuk uji 2
arah, sedangkan yang ditandai angka 2 untuk uji satu arah.
Dengan demikian tolak Ho karena p-value < α (0,041 < 0,05) dan simpulkan proporsi siswa
yang lulus yang ikut les privat tidak sama dengan proporsi mahasiswa yang tidak ikut les
privat dengan tingkat kepercayaan sebesar 95 %.

32
3. Test Median (Median Test)
Uji Median akan melengkapi uji Kruskalls Wallis. Uji Median akan menguji apakah
beberapa variabel yang diuji mempunyai median (titik tengah) yang sama atau tidak.
Contoh : Suatu penelitian dilakukan untuk mengetahui apakah ada perbedaan antara tingkat
penjualan (unit) setiap bulan dari 3 merek barang yang berbeda. Berikut adalah data
penjualan 5 bulan terakhir.

Merk tingkat_penjualan
1 165
1 98
1 130
1 210
1 195
2 120
2 115
2 90
2 126
2 107
3 140
3 156
3 220
3 112
3 142

Kode merk
1 : merk_oke
2 : merk_bagus
3 : merk_mantap
Berikut langkah – langkah untuk melakukan uji Median :
1. Klik menu Analyze > Nonparametric Tests > Legacy Dialogs > K Independent
Samples..

33
2. Pada kotak dialog yang mncul, masukkan variabel penjualan ke kotak Test Variable
List. Karena kita mengelmpokkan kategori berdasar merk, masukkan variabel merk
ke kotak Grouping Variable. Pastikan pilihan Median aktif.

3. Klik menu Define Range.

Pada kotak Minimum masukkan angka 1.
Pada kotak Minimum masukkan angka 3 (jumlah variabel kategori)
Klik Continue.

34
4. Klik OK untuk melakukan analisa.
Maka pada jendela output akan muncul hasil sebagai berikut
Output 1

Output pertama ini menunjukkan informasi mengenai banyaknya data yang

diolah untuk masing – masing variabel. Banyaknya data yang disajikan
berdasarkan median, yaitu data yang nilanya > median dan data yanga nilainya
<= median
Output 2

35
 Output ke 2 ini memberikan informasi nilai sebagai dasar pengambil keputusan. Untuk
menentukan apakah tingkat penjualan setiap bulan dari 3 merek barang sama.atau tidak,
pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Tingkat penjualan setiap bulan dari 3 merek mempunyai median (titik tengah)
yang sama.
H1 = Tingkat penjualan setiap bulan dari 3 merek mempunyai median (titik tengah)
yang tidak sama.
Syarat H0 diterima atau tidak berdasarkan nilai probabilitas sebagai berikut :
Apabila probabilitas > 0.05 maka H0 diterima
Apabila probabilitas < 0.05 maka H0 ditolak
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.031.Maka
H0 ditolak (0.031 < 0.05) . Dengan demikian keputusan yang diambil adalah
Jadi : Tingkat penjualan setiap bulan dari 3 merek mempunyai median (titik tengah)
yang tidak sama.

4. Mann-Whitney U-Test
Uji Mann Whintey merupakan pengganti uji t untuk dua sampel bebas. Uji ini
merupakan uji untuk mengetahui apakah ada perbedaan dari mean 2 variabel yang diuji.
Contoh : Apakah ada perbedaan anggaran belanja perawatan tubuh pria dan wanita per
bulan? Untuk mengetahuinya dilakukan pengambilan data dari sampel pria dan wanita.
Berikut data uang belanja (dalam ribuan) yang didapatkan :

36
Uang_belanja Jenis_kelamin
180 1
220 1
240 1
250 1
280 1
280 1
320 1
360 1
380 1
400 1
420 1
440 1
480 1
560 1
600 1
620 1
660 1
700 1
1000 1
1040 1
180 2
200 2
200 2
200 2
300 2
380 2
420 2
540 2
760 2

37
Kode yang digunakan untuk variabel jenis_kelamin adalah sebagai berikut :
1 : wanita
2 : pria
Langkah – langkah melakukan uji Mann Whitney adalah sebagai berikut :
1. Masukkan data tersebut. Pastikan melakukan pengkodean untuk kategori data.
2. Klik menu Analyze > Nonparametric Tests > Legacy Dialogs > 2 Independent
Samples…

3.
3. Pada kotak dialog yang muncul , masukkan variabel uang_belanja pada kotak Test
Variabel List. Masukkan variabel jenis_kelamin pada kotak Grouping Variable.
Pastikan pilihan Mann-Whitney U aktif.

4. Klik tombol Define Groups

Pada kotak Group 1, masukkan angka 1 untuk wanita. Pada kotak Group 2,
masukkan angka 2 untuk pria. Klik Continue.

5. Klik Ok untuk melakukan analisa. Maka pada jendela output akan muncul hasil
analisa sebagai berikut.
38
Output 1

Output pertama ini menunjukkan informasi mengenai banyaknya data yang diolah
untuk masing – masing variabel. .
Output 2

Pada output ke-2 ini memberikan informasi nilai sebagai dasar pengambilan
keputusan. Untuk menentukan apakah ada perbedaan anggaran belanja perawatan
tubuh pria dan wanita per bulan , pertama – tama kita membuat hipotesis sebagai
berikut :
H0 = Anggaran belanja perawatan tubuh pria dan wanita per bulan adalah sama.
H1 = Anggaran belanja perawatan tubuh pria dan wanita per bulan tidak sama.
Syarat H0 diterima atau tidak berdasarkan nilai probabilitas sebagai berikut :
Apabila probabilitas > 0.05 maka H0 diterima
Apabila probabilitas < 0.05 maka H0 ditolak
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.150. Maka
keputusan yang diambil adalah H0. (0.15 > 0.05)
Jadi : Anggaran belanja perawatan tubuh pria dan wanita per bulan adalah sama.

39
5. Test Kolmogrov-Smirnov Dua Sampel
Data hasil ujian psikotes 30 mahasiswa apakah berdistribusi normal?

Nilai Psikotes

Langkah-langkah SPSS
1. Klik Analyze >Nonparametric >1 Sample K-S
2. Masukkan variabel ujian psikotes ke dalam Test Variable List
3. Klik OK
Hipotesis
H0= Nilai ujian psikotes berdistribusi normal
H1= Nilai ujian psikotes tidak berdistribusi normal

Kriteria uji :
Tolak hipotesis nol (H0) bila asymtotic signifikan value uji Kolmogorov-Smirnov < 0.50

Hasil Output SPSS

40
 Nilai Kolmogorov smirnov Z

Hasil analisis di atas nilai Kolmogorov-Smirnov sebesar 0.799(>0.05), maka hipotesis nol
(H0) diterima yang artinya nilai ujian psikotes 30 mahasiswa berdistribusi normal. Karena
Kolmogorov-Smirnov test digunakan untuk mengetahui normalitas data, kita akan
bandingkan dengan analisis QQ Plot. Apakah data juga berdistribusi normal ?

Kurva QQ Plot

Hasil uji dengan Diagram QQ Plot tampak bahwa data mengikuti garis diagonal yang
menunjukkan bahwa data hasil ujian psikotes 30 mahasiswa bedistribusi normal.

6. Test Run Wald-Wolfowitz

Salah satu alternatif uji dua sampel bebas pada statistik non parametrik adalah uji
Wald Wolfowitz. Kita akan melakukan pengujian dengan menggunakan data yang sama
seperti pada pengujian Mann – Whitney. Langkah – langkah melakukan uji Wald Wolfowitz

41
adalah sebagai berikut :
1. Klik menu Analyze > Nonparametric Tests > Legacy Dialogs > 2 Independent
Samples…

2. Pada kotak dialog yang muncul , masukkan variabel uang_belanja pada kotak Test
Variabel List. Masukkan variabel jenis_kelamin pada kotak Grouping Variable.
Pastikan pilihan Wald-Wolfowitz aktif.

3. Klik tombol Define Groups. Pada kotak Group 1, masukkan angka 1 untuk wanita.
Pada kotak Group 2, masukkan angka 2 untuk pria. Klik Continue

4. Klik OK untuk melakukan analisa. Maka pada jendela output akan muncul hasil
analisa sebagai berikut.
Output 1

42
 Output pertama ini menunjukkan informasi mengenai banyaknya data yang diolah
untuk masing – masing variabel.
Output 2

Pada output ke-2 ini memberikan informasi nilai sebagai dasar pengambilan keputusan.
Untuk menentukan apakah ada perbedaan anggaran belanja perawatan tubuh pria dan wanita
per bulan , pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Anggaran belanja perawatan tubuh pria dan wanita per bulan adalah sama.
H1 = Anggaran belanja perawatan tubuh pria dan wanita per bulan tidak sama.
Syarat H0 diterima atau tidak berdasarkan nilai probabilitas sebagai berikut :
Apabila probabilitas > 0.05 maka H0 diterima
Apabila probabilitas < 0.05 maka H0 ditolak
Dari hasil di atas pada kolom Exact Sig terlihat bahwa nilai probabilitas pada baris Minimum
Possible = 0.516 dan pada baris Maximum Possible = 0.667. Kedua nilai probabilitas
tersebut lebih besar dari 0.05.
Maka keputusan yang diambil adalah H0.
Jadi : Anggaran belanja perawatan tubuh pria dan wanita per bulan adalah sama.

Jenis Uji Dua Sampel Pengertian

Uji Sampel Berpasangan
1. Mc. Nemar Teknik ini digunakan untuk menguji
hipotesis komparatif dua sampel yang
berkorelasi bila datanya berbentuk
nominal atau diskrit

43
 2. Sign Test Tes ini digunakan untuk menguji
hipotesis komparatif dua sampel
berkolerasi, bila datanya berbentuk
ordinal
3. Wilxocon Test Test ini digunakan untuk menguji
hipotesis komperatif dua sampel yang
berkolerasi bila datanya berbentuk
ordinal (berjenjang)
Uji Sampel Tidak Berpasangan
1. Chi Kuadrat Chi kuadrat digunakan untuk menguji
hipotesis komparatif dua sampel bila
datanya berbentuk nominal dan
sampelnya besar
2. Fisher Test Distribusi ini merupakan salah satu
distribusi yang paling banyak digunakan
dalam statistika terapan terutama dalam
rancangan percobaan
3. Median Test Test median digunakan untuk menguji
signifikasi hipotesis komparatif dua
sampel bila datnya berbentuk ordinal atau
nominal
4. Mann-whitney U-Test Tehnik ini dipakai untuk mengetest
signifikansi perbedaan antara dua
populasi, dengan menggunakan sampel
random yang ditarik dari populasi yang
sama.
5. Kolmogrov Test Uji Kolmogorov Smirnov digunakan
untuk menguji hipotesis komparatif dua
sampel independen bila datanya
berbentuk ordinal yang tersusun pada
tabel distributif frekuensi kumulatif
dengan menggunakan klas-klas interval.

44
6. Run wald-woldfwitz test Run test digunakan untuk menguji
hipotesis deskriptif (satu sampel). Data
yang skala pengukurannya ordinal
dimana untuk mengukur urutan suatu
kejadian. Pengujian dilakukan dengan
cara mengukur kerandoman populasi
yang didasarkan atas data hasil
pengamatan melalui data sampel

45
 BAB III

PENUTUP

3.1 SIMPULAN
Nonparametric pertama kali digunakan oleh Wolfowitz pada tahun 1942. Metode
statistic nonparametric merupakan metode statistic yang dapat digunakan dengan
mengabaikan asumsi-asumsi yang melandasi penggunaan metode statistic parametric,
terutama yang berkaitan dengan distribusi normal. Istilah lain yang sering digunakan untuk
statistic nonparametric adalah statistic bebas distribusi (distribution free statistic) dan uji
bebas asumsi (assumption free test). Uji statistic nonparametric ialah suatu uji statistic yang
tidak memerlukan adanya asumsi-asumsi mengenai sebaran data populasi.
Pengujian hipotesis komparatif dua sampel independen (tidak berkorelasi) terdapat
dua cara yaitu dengan cara manual dan menggunakan SPSS.

3.2 SARAN
Kami sadar sebagai penulis sadar bahwa makalah ini masih jauh dari kata sempurna,
kedepannya kami akan lebih dalam memberi contoh studi kasus dan lebih detail dalam
menjelaskan tentang statistic nonparametrik dengan sumber-sumber yang lebih banyak lagi

46
 DAFTAR PUSTAKA

Aleks, Maryunis. 2007. Statistika dan Teori Probabilitas, untuk Penelitian Pendidikan.
Fakultas Matematika dan Ilmu Pengetahuan Alam UNP.

Anonim.2012. Statistika Nonparametrik Adalah. Available on :

http://www.scribd.com/doc/32185113/Statistika-Nonparametrik-adalah. Diakses pada
tanggal 5 April 2018

Koyan,Wayan.2012.Buku Ajar Statistik.Denpasar:UNDIKSHA

Purwandari, Eka. 2012. Artikel Statistik Nonparametrik Adalah. Available on : http://eka-

purwandari.blogspot.com/2012/06/artikel-statistik-Nonparametrik.html. Diakses pada
tanggal 5 April 2018

Sugiyono. 2002. Statistika untuk Penelitian. Bandung: Penerbit CV Alfabeta

Sugiyono. 2004 Statistik Nonparametrik Untuk Penelitian. Bandung: PenerbitAlfabeta

47