BAB 1

PENDAHULUAN

1.1. Latar Belakang

Statistika adalah pengetahuan yang berhubungan dengan cara-cara
pengumpulan data, pengolahan atau penganalisaannya, dan penarikan
kesimpulan berdasarkan kumpulan data dan penganalisaan yang dilakukan.
Statistika dikelompokkan dalam dua kelompok yaitu statistika deskriptif
dan statistika inferensia. Statistika deskriptif adalah statistik yang berkenaan
dengan metode atau cara mendeskripsikan, menggambarkan, menjabarkan,
atau menguraikan data. Statistik deskriptif mengacu pada bagaimana menata
atau mengorganisasi data, menyajikan, dan menganalisis data. Menata,
menyajikan, dan menganalisis data dapat dilakukan misalnya dengan
menentukan nilai rata-rata hitung dan persen / proposisi. Cara lain untuk
menggambarkan data adalah dengan membuat tabel, distribusi frekuensi, dan
diagram atau grafik (Sugiyono, 2006).
Sedangkan pengertian Statistik inferensial adalah statistik yang berkenaan
dengan cara penarikan kesimpulan berdasarkan data yang diperoleh dari
sampel untuk menggambarkan karakterisktik atau ciri dari suatu populasi.
Dengan demikian dalam statistik inferensial dilakukan suatu generalisasi
(perampatan atau memperumum) dan hal yang bersifat khusus (kecil) ke hal
yang lebih luas (umum). Oleh karena itu, statistik inferensial disebut juga
statistik induktif atau statistik penarikan kesimpulan. Pada statistik inferensial
biasanya dilakukan pengujian hipotesis dan pendugaan mengenai karakteristik
(ciri) dari suatu populasi, seperti mean dan Uji t (Sugiyono, 2006).
Statistika inferensia ada dua macam, yaitu statistika parametrik dan
statistika non parametrik. Suatu hipotesis statistika merupakan pernyataan
tentang fungsi peluang dari suatu atau lebih peubah acak. Hipotesis dikatakan
sederhana apabila pernyataan menunjukkan ciri populasi secara lengkap. Bila
tidak, hipotesis dikatakan majemuk. Hipotesis yang dipelajari yaitu hipotesis
nol (H0) dan hipotesis yang merupakan konklusi apabila hipotesis nol ditolak
adalah hipotesis tandingan (H1).

1
 Pada kenyataannnya sangatlah sulit untuk mendapatkan sampel yang
memenuhi asumsi mempunyai distribusi tertentu. Kebanyakan sampel yang
diperoleh hanyalah sebatas mendekati tertentu. Oleh karena itu, kemudaian
dikembangkan suatu teknik inferensi yang tidak memerlukan uji asumsi-
asumsi tertentu mengenai distribusi sampelnya, dan juga tidak memerlukan uji
hipotesis yang berhubungan dengan parameter populasinya. Teknik ini dikenal
dengan dengan parametri bebas distribusi atau statistika non parametrik.
Statistik non parametrik adalah analisis yang tidak didasarkan
atas asumsi distribusi pada data. Umumnya teknik ini dipakai untuk data
dengan ukuran kecil sehingga tidak cukup kuat untuk mengasumsikan
distribusi tertentu pada data.

1.2. Tujuan
1.2.1. Tujuan Umum
Mahasiswa/i mampu memahami tentang statistik non parametrik.
1.2.2. Tujuan Khusus
Agar mahasiswa/i mampu memahami tentang:
1. Definisi statistik non parametrik.
2. Karakteristik statistik non parametrik.
3. Penggunaan statistik non parametrik.
4. Kelebihan statistik non parametrik.
5. Kekurangan statistik non parametrik.

BAB 2
TINJAUAN TEORI

2.1 Pengertian Statistik Non Parametrik

Statistik non parametrik adalah analisis yang tidak didasarkan atas
asumsi distribusi pada data. Umumnya teknik ini dipakai untuk data

2
dengan ukuran kecil sehingga tidak cukup kuat untuk mengasumsikan
distribusi tertentu pada data.
Statistik Nonparametrik adalah Statistik yang dipergunakan apabila kita
mengabaikan sebaran normal. Ada juga yang mendefinisikan statistik
nonparametrik adalah Statistik untuk data kualitatif dan yang memiliki bebas
sebaran.
Ketatnya asumsi dalam statistika parametrik, secara metodologis sulit
dipenuhi oleh peneliti-peneliti dalam bidang ilmu sosial. Sebab dalam kajian
sosial, sulit untuk memenuhi asumsi distribusi normal maupun kesamaan
varians (S2), selain itu banyak data yang tidak berbentuk numerik, tetapi
hanya berupa skor rangking atau bahkan hanya bersifat nilai kategori. Oleh
karenanya, statistika inferensial saat ini banyak berkembang kepada teknik
yang tidak berlandaskan pada asumsi-asumsi di atas, yang dikenal sebagai
Statistika Non parametrik.
Istilah non parametric pertama kali digunakan oleh Wolfowitz, pada tahun
1942. Metode statistic non parametric 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 statistic non parametric adalah
statistic bebas distribusi (distribution free statistics) dan uji bebas asumsi
(assumption-free test). Statistik non parametric banyak digunakan pada
penelitian-penelitian sosial. Data yang diperoleh dalam penelitian social pada
umunya berbentuk kategori atau berbentuk rangking. Uji statistic non
parametric ialah suatu uji statistik yang tidak memerlukan adanya asumsi-
asumsi mengenai sebaran data populasi. Uji statistic ini disebut juga sebagai
statistic bebas sebaran (distribution free). Statistik non parametric tidak
mensyaratkan bentuk sebaran parameter populasi berdistribusi normal.
Statistik non parametric 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
statistic non parametric digunakan untuk data berjumlah kecil (n <30).

3
 Sulaiman (2000) mengatakan bahwa Tes statistik Nonparametrik adalah
tes yang modelnya tidak menetapkan syarat-syarat menegenai parameter-
parameter populasi. Anggapan-anggapan tertentu dikaitkan dengan sejumlah
besar tes-tes non paramerik, yakni bahwa obeservasinya-observasinya
independen dan bahwa variabel yang diteliti pada dasarnya memiliki
kontinuitas. Namun anggapan-anggapan ini lebih sedikit dan jauh lebih lemah
dari pada anggapan-anggapan yang ini lebih sedikit dan jauh lebih lemah
daripada anggapan-anggapan yang berkaitan dengan tes parametrik.
Selanjutnya bahwa tes non-parametrik tidak menuntut sekuat yang dituntut
tes-tes parametrik; sebagian besar tes non-parametrik dapat diterakan untuk
data dalam skala ordinal, dan beberapa yang lain juaga dapat diterapkan untuk
data dalam skala nominal. Kekuatan tes non-parametrik mungkin dapat
ditingkatkan dengan hanya memperbesar ukuran jumla sampel, dan karena
ilmuan sosial jarang mencapai jenis pengukuran yang memungkinkan
penggunaan secara berarti tes parametrik, maka tes non-paramerik memainkan
peran penting dalam penelitian dilapangan ilmu sosial.
2.2 Karakteristik statistik Non Parametrik
Karakteristik atau ciri-ciri dari statistik non parametrik yaitu:
a. Prosedur non parametrik hanya fokus pada beberapa karakteristik
dibandingkan parameter populasi
b. Tidak terpaku pada asumsi distribusi data tertentu sehingga sebaran data
bebas
c. Data tidak berdistribusi normal
d. Umumnya data berskala nominal dan ordinal
e. Umumnya dilakukan pada penelitian sosial
f. Umumnya jumlah sampel kecil
g. Biasanya jumlah data yang digunakan kurang dari 30
2.3 Penggunaan Statistik Non Parametrik
Berikut adalah beberapa tes yang dapat digunakan pada statistik non
parametrik:

Statistik Non Parametrik

Analisis Data Semikuantitatif Analisis Data Kualitatif/Kategori

Kolmogorov-Smirnov satu sampel Chi Square satu sampel

Wilcoxon-Mann Chi Square

4
 Whitney test
Fisher’s exact test

Wilcoxon-Signed Mc Nemar Test

Ranked Test

Kruskal-Wallis Test Chi Square

Anova Friedman Cochran’s Q

Korelasi Spearman Uji Asosiasi:

 Koefisien
 Kontingensi
 Koefisien Phi
 Koefisien Kappa
 Koefisien Lambada, dll
Regresi Ordinal Regresi Logisitik

1. Analisis Data Semikuantitatif

a. Kolmogorov-Smirnov satu sampel
Uji Kolmogorov Smirnov merupakan pengujian normalitas yang
banyak dipakai, terutama setelah adanya banyak program statistik yang
beredar. Uji Kolmogorov-Smirnov termasuk Uji Kebaikan Suai
(Goodness of Fit). Dalam hal ini yang diperhatikan adalah tingkat
kesesuaian antara distribusi nilai sampel (skor hasil diobservasi)
dengan distribusi teoritis tertentu (normal, Seragam, atau Poisson).
Oleh karenanya uji ini dapat digunakan untuk uji kenormalan.
Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah
dengan membandingkan distribusi data (yang akan diuji
normalitasnya) dengan distribusi normal baku. Distribusi normal baku
adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan
diasumsikan normal.
Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti
terdapat perbedaan yang signifikan, dan jika signifikansi di atas 0,05
maka tidak terjadi perbedaan yang signifikan. Penerapan pada uji
Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05
berarti data yang akan diuji mempunyai perbedaan yang signifikan
dengan data normal baku, berarti data tersebut tidak normal.

5
 Langkah-langkah prinsip uji Kolmogorov-Smirnov ialah sebagai
berikut:
1) Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari
nilai terkecil sampai nilai terbesar. Kemudian susun frekuensi
kumulatif dari nilai-nilai teramati itu.
2) Konversikan frekuensi kumulatif itu ke dalam probabilitas, yaitu
ke dalam fungsi distribusi frekuensi kumulatif [S(x)]. Sekali lagi
ingat bahwa, distribusi frekuensi teramati harus merupakan hasil
pengukuran variabel paling sedikit dalam skala ordinal (tidak isa
dalam skala nominal).
3) Hitung nilai z untuk masing-masing nilai teramati di atas dengan
rumus z=(xi–x) /s. dengan mengacu kepada tabel distribusi normal
baku, carilah probabilitas (luas area) kumulatif untuk setiap nilai
teramati. Hasilnya ialah sebagai Fo(xi).
4) Susun Fs(x) berdampingan dengan Fo(x). hitung selisih absolut
antara S(x) dan Fo(x) pada masing-masing nilai teramati.
5) Statistik uji Kolmogorov-Smirnov ialah selisih absolut terbesar
Fs(xi) dan Ft(xi) yang juga disebut deviasi maksimum D.
6) Dengan mengacu pada distribusi pencuplikan kita bisa mengetahui
apakah perbedaan sebesar itu (yaitu nilai D maksimum teramati)
terjadi hanya karena kebetulan. Dengan mengacu pada tabel D, kita
lihat berapa probabilitas (dua sisi) kejadian untuk menemukan
nilai-nilai teramati sebesar D, bila Ho benar. Jika probabilitas itu
sama atau lebih kecil dari a, maka Ho ditolak.
b. Wilcoxon-Mann Whitney test
Uji Mann-Whitney digunakan untuk menguji perbedaan dua
sampel bebas/independen apabila skala pengukuran yang dipakai
adalah ordinal. Hipotesis yang diuji adalah berasal dari dua sampel
independen yang diambil dari populasi yang memiliki mean/nilai rata-
rata yang sama. Uji ini merupakan salah satu uji non-parametrik yang
sangat kuat dan sebagai alternatif uji parametrik yaitu t-test. Ketika
dilakukan uji asumsi sebagai prasyarat uji parametrik t-test tidak
memenuhi syarat

6
 maka alternatif yang dapat diambil peneliti yaitu dengan menggunakan
uji Mann-Whitney dengan mengubah data berskala interval/rasio
menjadi data berskala ordinal. Uji ini juga dapat dilakukan untuk 2
sampel dengan ukuran yang tidak sama.
Prosedur pengujian dapat dilakukan sebagai berikut :
1) Susun kedua hasil Pengamatan menjadi satu kelomok sampel
2) Hitung jenjang/ rangking untuk tiap –tiap nilai dalam sampel
gabungan
3) Jenjang atau rangking diberikan mulai dari nilai terkecil sampai
terbesar
4) Nilai beda sama diberi jenjang rata –rata
5) Selanjutnya jumlahkan nilai jenjang untuk masing-masing sampel.
6. Hitung Nilai U dengan menggunakan Rumus :

6) Diantara nilai U1 dan U2 yang lebih kecil digunakan sebagai U

hitung untuk dibandingkan dengan U table
7) Jika nilai U hitung pada no. 7 lebih besar dari n1 n2/2 maka nilai
tersebut adalah nilai U’, dan nilai U dapat dihitung dengan rumus:
U = n1n2-U’
8) Dengan kriteria Pengambilan keputusan:
 H0 diterima bila U hitung ≥ U tabel ( α; n1, n2)
 H0 ditolak bila U hitung ≤ Utabel ( α; n1, n2)

c. Wilcoxon-Signed Ranked Test

Wilcoxon signed rank test merupakan uji non parametrik yang
digunakan untuk menganalisis data berpasangan karena adanya dua
perlakuan yang berbeda.Wilcoxon signed rank test digunakan
apabila data tidak berdistribusi normal. Dasar pengambilan

7
 keputusan untuk menerima atau menolak Ho pada uji wilcoxon
signed rank test adalah sebagai berikut:
Jika probabilitas (Asymp.Sig) < 0,05 maka Ho ditolak dan Ha
diterima. Jika probabilitas (Asymp.Sig) > 0,05 maka Ho diterima dan
Ha ditolak.
Prosedur uji wilcoxon signed rank test:
1) Menentukan hipotesis
2) Menentukan level of significant sebesar 5% atau 0,05
3) Menentukan kriteria pengujian.Ho ditolak jika nilai probabilitas
< 0,05. Ho diterima jika nilai probablitias > 0,05
4) Penarikan kesimpulan berdasarkan pengujian hipotesis.
d. Kruskal-Wallis Test
Uji Kruskal Wallis adalah uji nonparametrik berbasis peringkat
yang tujuannya untuk menentukan adakah perbedaan signifikan secara
statistik antara dua atau lebih kelompok variabel independen pada
variabel dependen yang berskala data numerik (interval/rasio) dan
skala ordinal.
Prosedur Kruskal-Wallis Test:
1) Perhatikan urutan (rank) dari kecil ke besar dari pengamatan-
pengamatanyij,ganti pengamatan-pengamatan yij, dengan ranknya,
yaitu Rij.
2) Hitung jumlah rank untuk masing-masing treatment, yaitu Ri.
untuk i = 1, 2, ... ,a
3) Hitung statistik uji:

Dimana
Jika ada pengamatan yang sama maka rank Rij diambil rata-
ratanya. Jika tidak ada pengamatan yang sama (kembar) maka

Jika ni ≥ 5, H didekati dengan variabel random x² dengan derajat

bebas df =a-1.
e. Anova Friedman

8
 Uji Friedman digunakan untuk menguji perbedaan k sampel
berpasangan jika data yang digunakan berskala ordinal. Pada
prinsipnya, uji ini menguji kesesuaian atau perbedaan rangking antar
kelompok sampel yang berpasangan. Apabila data yang diperoleh
sudah dalam bentuk interval atau rasio, maka data tersebut harus
ditransformasikan terlebih dahulu menjadi data ordinal.
Uji Friedman merupakan metode non parametrik yang digunakan
untuk rancangan acak kelompok lengkap. Tujuan uji Friedman
adalah untuk melihat ada atau tidaknya perbedaan pengaruh antar
perlakuan. Ketika pengaruh perlakukan-perlakuan memiliki
pengaruh yang berbeda, respon dari subjek yang diberi suatu
perlakuan akan memiliki median yang sama dengan respon dari
subjek yang diberi perlakuan lainnya, setelah pengaruh
pengelompokkan peubah dihilangkan. Sehingga, uji ini analog
dengan dengan prosedur parametrik analisis ragam dua-arah.
Statistik uji Friedman dapat ditentukan melalui prosedur berikut:
1) Urutkan pengamatan-pengamatan dalam setiap kelompok secara
terpisah,
2) Jika terdapat ties (nilai yang sama) dalam kelompok, beri
peringkat tengah(mid-rank)
3) Statistik uji Fried man dapat diperoleh melalui rumus :

f. Korelasi Spearman

9
 Studi korelasi ini pada hakikatnya merupakan penelitian atau
penelahan hubungan antara dua variabel pada suatu situasi atau
sekelompok subjek. Hal ini dilakukan untuk melihat hubungan antara
gejala satu dengan gejala yang lain, atau variabel satu dengan variabel
yang lain.
Untuk mengetahui korelasi antara suatu variabel dengan variabel
lain tersebut diusahakan dengan mengidentifikasi variabel yang ada
pada suatu objek, kemudian diidentifikasi pula variabel lain yang ada
pada objek yang sama dan dilihat apakah ada hubungan antara
keduanya.
Dalam uji statistik biasanya menggunakan analisa korelasi. Secara
sederhana dapat dilakukan dengan cara melihat skor atau nilai rata-rata
dari variabel yang satu dengan skors rata-rata dari variabel yang lain.
Koefisien korelasi yang diperoleh selanjutnya dapat dijadikan dasar
untuk menguji hipotesis penelitian yang dikemukakan terhadap
masalah tersebut, dengan membuktikan apakah ada hubungan kedua
variabel tersebut, dan sejauh mana hubungan antara keduanya.
Misalnya penelitian untuk mengetahui apakah ada hubungan antara
berat badan bayi waktu lahir dengan jumlah paritas dari ibu, hubungan
antara pendidikan ibu dengan status gizi anak balita, hubungan antara
angka kematian anak balita dengan kelengapan imunisasi dan
sebagainya.
Analisis korelasi digunakan untuk menentukan suatu besaran yang
menyatakan bagaimana kuat hubungan suatu variabel dengan variabel
lain dengan tidak mempersoalkan apakah suatu variabel tertentu
tergantung kepada variabel lain (Sekaran, 2010). Adapun analisis
korelasi yang digunakan di dalam penelitian ini adalah korelasi
product moment pearson dengan rumus sebagai berikut:

Keterangan :

10
 r = Koefisien korelasi pearson
n = Banyaknya data
ΣX = Total variabel X
ΣY = Total variabel Y
Koefisien korelasi mempunyai nilai -1 ≤ r ≤ +1, dimana:
a. Apabila r = +1, maka korelasi antara dua variabel dikatakan
sangat kuat dan searah, artinya jika X naik sebesar 1 maka Y
juga akan naik sebesar 1 atau sebaliknya.
b. Apabila r = 0, maka hubungan antara kedua variabel sangat
lebar atau tidak ada hubungan sama sekali.
c. Apabila r = -1, maka korelasi antar kedua variabel sangat kuat
dan berlawanan arah, artinya apabila X naik sebesar 1 maka Y
akan turun sebesar 1 atau sebaliknya.
Untuk memberikan interpretasi koefisien korelasinya maka penulis
menggunakan pedoman :
Interval Koefisien Tingkat Hubungan

0,00 – 0,199 Sangat Rendah

0,20 – 0,399 Rendah

0,40 – 0,599 Sedang

0,60 – 0,799 Kuat

0,80 – 1,000 Sangat Kuat

Kedua variabel tersebut, x dan y, bisa berhubungan dengan salah

satu dari 3 cara berikut:

1. Hubungan Positif. Artinya, semakin berminat seorang

mahasiswa atas Matakuliah Pengantar Ilmu Politik, semakin
besar minat mereka untuk Berpolitik Praktis.
2. Tidak Ada Hubungan. Artinya, minat mahasiswa atas matakuliah
Pengantar Ilmu Politik tetap sama kendati mereka berminat
untuk Berpolitik Praktis.

11
 3. Hubungan Negatif. Artinya, semakin mahasiswa berminat atas
matakuliah Pengantar Ilmu Politik, semakin tidak berminat
mahasiswa untuk Berpolitik Praktis.
g. Regresi Ordinal
Regresi ordinal adalah salah satu dari berbagai jenis analisis yang
khusus digunakan jika variabel dependen adalah data berskala
kategorik bertingkat. Istilah kategori bertingkat juga biasa disebut
dengan istilah ordinal atau ranking. Prinsip yang digunakan dalam
regresi ordinal adalah prinsip general least square. Prinsip general least
square yaitu metode pemodelan yang memprediksikan probabilitas
kumulatif dari tiap kategori yang ada.
2. Analisis Data Kualitatif/Kategori
a) Chi Square
Uji chi-square/ Uji statistik nonparametik biasanya digunakan bila
data yang dianalisis tidak menggambarkan suatu distribusi nominal
dan data diukur pada suatu tingkat nominal maupun tingkat ordinal.
Chi-square (C2)adalah suatu uji non-parametik yang digunakan oleh
perawat peneliti yang berminat dalam jumlah peserta atau peristiwa
yang berada dalam kategori spesifik(Walttz & Bausell, 1981, hal. 244-
245).
Sebagai contoh, klien psikiatrik mungkin dikategorikan terkait
dengan kepatuhan mereka terhadap aturan pengobatan psikotropik.
Peneliti mungkin meramalkan bahwa klien dengan diagnosa khusus
atau karakteristik kepribadian tertentu akan mengikuti aturan lebih
sering dari lainya.
Satistik chi- square tidak memberikan informasi apapun tentang
kekuatan suatu hubungan, hanya menyampaikan adanya atau tidak
adanya hubungan antara variabel yang diteliti. Untuk menegakkan
luasnya dan sifat hubungan, statistik tambahan seperti phi. Cramer’s V
atau contingency coefficient dapat digunakan.
Uji digunakan untuk menguji perbedaan frekuensi antara dua
kelompok independen. Skala pengukjran data minimal ber-skala
nominal. Secara umum uji tentang perbedaan ini sama artinya dengan
uji hubungan antara dua buah variabel yang berskala nominal atau

12
 oe\rdinal yang dapat dihitung frekuensinya. Hubungan tersebut dapat
kita jelaskan dengan contoh sebagai berikut :
a. Ada hubungan antara kebiasaan tidak menyusui dengan kanker
payudara pada dasarnya sama artinya dengan ada perbedaan
frekuensi orang yang menderita kanker payudara akibat perbedaan
kebiasaan tidak menyusui.
b. Ada hubungan antara pengetahuan gizi dengan tingkat pengetahuan
zat gizi pada dasarnya sama artinya dengan ada perbedaan tingkat
konsumsi zat gizi akibat perbedaan pengetahuan gizi.
c. Ada hubungan anta tingkat konsumsi energi dengan status gizi
pada dasarnya sama artinya dengan ada perbedaan status gizi
akibat adaya perbedaan tingkat konsumsi.
Rumus dasar Chi Square seperti dibawah ini (Sugiyono, 2007)

1) Mencari chi square dengan rumus:

X2=

Keterangan :

X2= nilai chi square

fo= frekuensi yang diobservasi

fe= frekuensi yang diharapkan

2) Mencari nilai X2 tabel dengan rumus

dk=(k-1)(b-1)

keterangan

k=banyaknya kolom

b=banyaknya baris

13
 Untuk mengetahui hubungan antara karakteristik dengan tingkat
pengetahuan ibu bayi usia 9-12 bulan tentang pemberian imunisasi dasar
digunakan taraf signifikan yaitu α(0,05):

a. Apabila p ≤ 0,05 = Ho ditolak, berarti ada hubungan antara

karakteristik dengan tingkat pengetahuan ibu tentang pemberian
imunisasi dasar.
b. Apabila p > 0,05% = Ho diterima, berarti tidak ada hubungan antara
tingkat pengetahuan ibu tentang pemberian imunisasi dasar.
Ketentuan yang berlaku pada uji Chi Square yaitu:

1) Bila tabelnya 2 x 2, dan tidak ada nilai E<5, maka uji yang dipakai
sebaiknya “Continuity Correction”
2) Bila tabel 2 x 2, dan ada nilai E<5, maka uji yang dipakai adalah
“Fisher’s Exact Test”
3) Bila tabelnya lebih dari 2 x 2, maka digunakan uji “Pearson Chi
Square”
Koefisien kontigensi digunakan untuk menghitung hubungan antar
variabel bila datanya berbentuk nominal. Koefisien kontigensi (CC) sangat
erat hubungannya dengan chi square yang digunakan untuk menguji
hipotesis komparatif (k) sampel independent. Rumus menghitung koefisien
kontigensi adalah (Sugiyono, 2007 p.239).

C=

Keterangan:

C = Koefisien kontegensi

X2 = harga Chi quadrat yang diperoleh

N = jumlah responden

14
Kriteria keeratan hubungan dengan menggunakan koefisien kontigensi
yaitu sebagai berikut: (Sugiyono, 2007).

1) 0,00-0,19 = hubungan sangat lemah

2) 0,20-0,39 = hubungan lemah
3) 0,40-0,59 = hubungan cukup kuat
4) 0,60-0,79 = hubungan kuat
5) 0,80-1,00 = hubungan sangat kuat
Menurut Nursalam, 2006 , Rumus yang digunakan adalah:

Keterangan :
Oij = Jumlah observasi pada kasus-kasus yang dikategorikan dalam baris
ke-1 dalam kolom ke-j
Eij =Jumlah kasus yang diharapkan yang dikategorikan dalam baris
ke-1 dalam kolom ke-j.

Cara menghitung frekuensi yang diharapkan (Eij) adalah:

b = menunjukan penjumlahan semua nilai dalam baris ke-i

k =menunjukan penjumlahan semua nilai dalam kolom
n = menunjukan semua nilai pada sel tabel yang ada
Harga-harga yang dihasilkan dari rumus tersebut berdistribusi chi kuadrat
dengan derajat bebas (db) = (b-1) (k-1), dimana b = banyak baris dan k =
banyak kolom dalam table kontigensi.
Dengan perkataan lain untuk mendapatkan frekuensi yang
diharapkan bagi masing-masing sel (Eij) yaitu dengan mengalikan (jumlah
baris x jumlah dalam kolom) dibagi dengan jumlah total kasus.
Uji chi kuadrat ini menuntut syarat-syarat tertentu untuk dapat digunakan.
Uji ini menuntut frekuensi-frekuensi yang diharapkan (Eij) tidak boleh
terlalu kecil. Kalau tuntutan ini tidak terpenuhi, hasil-hasil uji ini menjadi
tidak berarti.

15
 Uji chi kuadrat dengan derajad kebebasan lebih besar dari 1 (tabel
dengan baris lebih dari 2 dan atau kolom lebih dari 2) maka uji ini dapat
dilakukan jika :
a. Jumlah sel dengan frekuensi yang diharapkan kurang dari 5 tidak boleh
lebih dari 20 % dai umlah seluruhnya, dan atau
b. Tidak satu sel pun boleh memiliki frekuensi yang diharapkan kuang
dari 1.
c. Kalau persyaratan iu tidak terpenuhi dengan data yang ada, maka
peneliti harus menggambungkan kategorikategori yang berdekatan,
sehingga meningkatkan harga-harga Eij dalam berbagai sel. Kemudian
hasil penggambungan tersebut dilihat kembali apakah persyaratan
tersebut sudah memenuhi dilanjutkan dengan menerapkan chi kuadrat
sehingga hasilnya dapat berarti.
d. Bila penggambungan kategori tersebut jumlah selnya mencapai 2x2,
syarat penggunaan chi kuadrat terpenuhi, maka penggunaan rumus chi
kuadrat sebaiknya menggunakan Yate’s correction, dengan rumus
sebagai berikut:

=
Keterangan :
Oij =jumlah observasi pada kasus-kasus yang dikategorikan
dalam baris ke-i dan kolom ke-j
Eij = jumlah kasus yang diharapkan yang dikategorikan dalam
baris ke-i dan kolom ke-j

Atau dengan menggunakan angka pada table 2 x 2 maka akan didapatkan :

Namun bila penggabungan kategori-kategori tersebut jumlah selnya

sampai mencapai 2 x 2 dan masih belum memenuhi syarat penggunaan
chi kuadrat (Rule of the Thumb) dimana frekuensi harapan <1 masih ada

16
dan atau frekuensi harapan < 5 lebih dari 20 % maka gunakan uji nyata
dan Fisher (Fisher Exact Test).

Langkah- langkah pengujian hipotesis :

1. Tentukan hipotesis
Ho : Tidak ada hubungan antara 2 variabel kategorik
H1 : Ada hubungan antara 2 variabel kategorik
2. Gunakan uji statistik chi kuadrat (X2)
3. Tentukan tingkat signifikansi (α) yang sesuai 0,01 atau 0,05
Titik kritis X2 pada α = 0,05 dan df = (b-1) (k-1)
4. Kriteria pengujian Ho:
Ho ditolak bila X2 hitung > X2 table (α, df)
5. Perhitungan
a. Jika baris > 2 dan atau kolom > 2 dan chi kuadrat memenuhi
syarat maka gunakan rumus :

=
b. Tabel 2 X 2 dan chi kuadrat memenuhi syarat maka gunakan
rumus :

Atau

6. Kesimpulan
Apabila hitung lebih besar dari tabel, Ho ditolak maka dapat

disimpulkan ada hubungan antara dua variabel kategorik pada α yang

sesuai.

17
b) Mc Nemar test
Pengujian ini dipergunakan apabila peneliti ingin mengetahui
perbedaan suatu kondisi sebelum dilakukan perlakuan dan sesudah
dilakukan perlakuan, misalkan apabila kita ingin mengetahui persepsi
konsumen terhadap suatu produk sebelum dan sesudah diberikan
informasi komposisi gizi.
Uji Mc Nemar merupakan salah satu metode pengujian hipotesis yang
digunakan ketika terdapat 2 sampel yang saling berpasangan/dependen.
Salah satu contoh yang paling umum adalah situasi “sebelum” dan
“sesudah” perlakuan/treatment.
Sampel bisa saja dipilih dengan subjek yang berbeda yang memiliki
karakteristik yang mirip dengan syarat sampel harus diambil secara acak.
Uji Mc Nemar merupakan salah satu uji non parametrik yang bisa
digunakan untuk penelitian apabila syarat dan ketentuannya memenuhi
syarat.
c) Cochran’s Q
Metode ini merupakan perluasan dari McNemar Test, yang
dipergunakan untuk lebih dari 2 variabel apabila kedua variabel tersebut
berhubungan. Pengujian ini dapat dipergunakan untuk data nominal
maupun ordinal. Cochran Q dapat menganalisis multiple-choice dan
membandingkan index. Hipotesis nol (Null hypothesis menyatakan
yang ada dalam daftar dinyatakan memiliki frekuensi yang sama.
Metode ini dapat mengidentifikasi signifikansi.
d) Uji Asosiasi
1) Koefisien Kontingensi
Koefisien Kontingensi adalah uji korelasi antara dua variabel yang
berskala data nominal. Fungsinya adalah untuk mengetahui asosiasi
atau relasi antara dua perangkat atribut. Koefisien ini fungsinya sama
dengan beberapa jenis koefisien korelasi lainnya, seperti koefisien
korelasi phi, cramer, lambda, uncertainty, spearman, kendall tau,
gamma, Sommer’s. Namun dalam hal ini, Kontingensi C adalah uji
korelasi yang spesifik untuk data berskala nominal. Selain itu uji ini
juga paling sering atau lazim digunakan dibandingkan uji koefisien
korelasi data nominal lainnya.

18
 Koefisien kontingensi adalah metode yang digunakan untuk
mengukur keeratan hubungan(asosiasi atau korelasi) antara 2 variabel
yang keduanya bertipe data nominal (kategorik). Koefisienkontingensi
c dapat diperoleh dengan melakukan perhitungan sesuai rumus:

2) Koefisien Phi
Koefisien phi adalah uji asosiatif pada skala data nominal apabila
tabel kontingensi berbentuk 2 x 2. Sehingga dapat dikatakan bahwa
koefisien korelasi phi dirancang untuk peubah dikhotom. Makna dari
dikhotom atau dikotomi adalah dua kategori yang bersifat nominal.
Silahkan pelajari artikel kami tentang Jenis Data dan Variabel
Penelitian.
Dihitung dengan menggunakan rumus:

Koefisien phibernilai dari 1 sampai dengan +1. Jika nilai

mutlak dari koefisien phimendekati satu, berarti ada asosiasi yang
kuat antara dua peubah.
3) Koefisien Kappa

19
 Koefisien Cohen’s Kappa digunakan untuk mengukur keeratan dari
2 variabel pada tabel kontingensi yang diukur pada kategori yang sama
atau untuk mengetahui tingkat kesepakatan dari 2 juri dalam menilai.
Jika pada baris dan kolom dari tabel kontingensi memberikan
kategori yang sama maka hubungan atau asosiasi antara kedua variabel
tersebut mengukur tingkat kesepakatan. Dengan demikian tabel
kontingensi yang terbentuk akan semetris karena pengklasifikasian
kategori dari kedua variabel adalah sama. Untuk mengukur tingkat
kesekatan tersebut digunakan Koefisien Cohen’s Kappa. Secara umum
koefisien Cohen’s Kappa dapat digunakan untuk:
 Mengukur tingkat kesepakatan ( degree of agreement ) dari dua
penilai dalam mengklasifikasikan obyek ke dalam grup /
kelompok
 Mengukur kesepakatan alternatif metode baru dengan metode
yg sudah ada
4) Koefisien Lambda
Koefisien korelasi sederhana adalah koefisien korelasi yang
digunakan untuk mengukur derajat hubungan dari dua variabel. Salah
satu rumus untuk mengukur variabel nominal yaitu dengan korelasi
lambda. Rumus korelasi lambda digunakan pada analisis korelasi
sederhana untuk variabel nominal dengan variabel nominal.
Langkah-langkah dalam uji lambda yaitu:
a) Menentukan variabel yang dihubungkan
b) Menentukan jenis hipotesis
c) Menentukan masalah skala variabel.
Keputusan uji lambda adalah:
Ho : Ada hubungan anatara X dan Y, bila diperoleh nilai 5% (0,05)
atau 1% (0,01).
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara
dua variabel dengan skala-skala tertentu.

e) Regresi logistik
Regresi logistik adalah sebuah pendekatan untuk membuat model
prediksi seperti halnya regresi linear atau yang biasa disebut dengan istilah
Ordinary Least Squares (OLS) regression. Perbedaannya adalah pada
regresi logistik, peneliti memprediksi variabel terikat yang berskala

20
 dikotomi. Skala dikotomi yang dimaksud adalah skala data nominal
dengan dua kategori, misalnya: Ya dan Tidak, Baik dan Buruk atau Tinggi
dan Rendah.
Asumsi regresi logistik:
1. Regresi logistik tidak membutuhkan hubungan linier antara variabel
independen dengan variabel dependen.
2. Variabel independen tidak memerlukan asumsi multivariate normality.
3. Asumsi homokedastisitas tidak diperlukan
4. Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval
atau skala ratio).
5. Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi
dan rendah atau baik dan buruk)
6. Variabel independen tidak harus memiliki keragaman yang sama antar
kelompok variabel
7. Kategori dalam variabel independen harus terpisah satu sama lain atau
bersifat eksklusif
8. Sampel yang diperlukan dalam jumlah relatif besar, minimum
dibutuhkan hingga 50 sampel data untuk sebuah variabel prediktor
(independen)
9. Dapat menyeleksi hubungan karena menggunakan pendekatan non
linier log transformasi untuk memprediksi odds ratio. Odd dalam
regresi logistik sering dinyatakan sebagai probabilitas

Berikut adalah penggunaan statistik non parametrik:

Tes Penggunaan Fungsi

Chi-square Menggunakan data nominal Tes independensi
untuk menguji indepedensi satu variable
sampel atau lebih dari 2 sampel
Cochran Q Untuk menguji hubungan lebih Membantu pada data
dari 2 sampel pada skala yang memberikan
nominal jawaban 2 kategori
Uji tanda Untuk menguji hubungan 2 Tes yang baik untuk data
sampel pada skala ordinal berjenjang (rangking)
Uji median - Pada satu sampel, untuk
melihat randomisasi pada

21
 data dari populasi
- Untuk menguji
independensi lebih dari 2
sampel pada skala
ordinal
Uji Mann- Untuk menguji independensi Analog pada
Whitney U lebih dari 2 sampel pada skala independensi 2 sampel t-
oridinal test
Uji Kruskal – Untuk menguji independesi Alternatif uji One-Way
walls lebih dari 2 sampel pada skala Anova dimana asumsi
ordinal distribusi normal tidak
digunakan
Uji friedman Uji menguji hubungan lebih dari Alternatif dari uji Two-
2 sampel pada skala ordinal way ANOVA diamana
asumsi distribusi normal
tidak digunakan
Kolmogorov- Untuk menguji independensi Uji ini lebih powerful
smirnov dari satu sampel atau 2 sampel dibandingkan uji chi-
pada skala ordina square atau uji Mann-
Whitney

2.4 Kelebihan Statistik Non Parametrik

22
 Beberapa keuntungan yang dapat diperoleh jika kita memilih metode non-
parametrik ialah :
a. Asumsi dalam uji-uji statistik nonparametrik relatif lebih longgar. Jika
pengujian data menunjukkan bahwa salah satu atau beberapa asumsi yang
mendasari uji statistik parametrik. (misalnya mengenai sifat distribusi
data) tidak terpenuhi, maka statistik nonparametrik lebih sesuai diterapkan
dibandingkan statistic parametrik.
b. Perhitungan-perhitungannya dapat dilaksanakan dengan cepat dan mudah,
sehingga hasil penelitian segera dapat disampaikan.
c. Untuk memahami konsep-konsep dan metode-metodenya tidak
memerlukan dasar matematika serta statistika yang mendalam.
d. Uji-uji pada statistik nonparametrik dapat diterapkan jika kita menghadapi
keterbatasan data yang tersedia, misalnya jika data telah diukur
menggunakan skala pengukuran yang lemah (nominal atau ordinal).
e. Efisiensi statistik nonparametrik lebih tinggi dibandingkan dengan metode
parametrik untuk jumlah sampel yang sedikit.
f. Karena memerlukan sedikit asumsi, metode non-parametrik penerapannya
lebih luas. Disamping itu, kemungkinan digunakan secara salah (karena
pelanggaran asumsi) lebih kecil daripada metode parametrik.
g. Beberapa uji non-parametrik dapat membedakan sejumlah sampel.
Beberapa uji parametrik dapat dipakai untuk menganalisis persoalan
serupa, tetapi menuntut asumsi yang hampir tidak mungkin dipenuhi.
h. Statistik non-parametrik dapat menggunakan data numerik (nominal)
dengan jenjang (ordinal).
i. Pengujian hipotesis pada statistik non-parametrik dilakukan secara
langsung pada pengamatan yang nyata.
j. Walaupun pada statistik non-parametrik tidak terikat pada distribusi
normal populasi, tetapi dapat digunakan pada populasi berdistribusi
normal.
Suciptawati (2009) mengemukakan kelebihan-kelebihan statistik
nonparametrik, yaitu:
1) Perhitungannya sederhana dan dapat dikerjakan dengan cepat, karna
analisisnya menggunakan cacahan, peringkat (rank) bahkan dapat
menggunakan tanda dari selisih pengamatan berpasangan.
2) Datanya tidak harus merupakan data kuantitatif, tetapi dapat berupa

23
 kualitatif (skala nominal/ordinal).
3) Nilai peluang dari sebagian besar uji statistika nonparametrik diperoleh
dalam bentuk yang lebih pasti (kecuali untuk kasus sampel yang besar),
tidak peduli bagaimana bentuk sebaran populasi yang merupkan induk dari
sampel-sampelnya. Ketepatan nilai peluang itu tidak tergantung pada
bentuk sebaran populasinya, meskipun beberapa uji statistika
nonparametrik menganggap adanya kesamaan bentuk dua sebaran populasi
atau lebih, dan beberapa uji yang lain menganggap sebaran populasi
simetris. Dalam kasus-kasus uji nonparametrik tertentu menganggap
sebaran yang mendasarinya adalah kontinyu, suatu anggapan yang juga
digunakan pada parametrik.
4) Dapat digunakan untuk sampel berukuran kecil n=6.
2.5 Kelemahan Statistik Non Parametrik
Adapun yang menjadi kelemahan statistik nonparamatrik adalah:
a. Jika asumsi untuk metode parametrik terpenuhi, dengan ukuran sampel
yang sama, metode non-parametrik kurang memiliki kuasa (power)
dibanding metode parametrik.
b. Statistik non-parametrik terkadang mengabaikan beberapa informasi
tertentu.
c. Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam
statistik parametrik.
d. Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi
studi seperti pada statistik parametrik. Hal ini dikarenakan statistik
nonparametrik mendekati eksperimen dengan sampel kecil dan umumnya
membandingkan dua kelompok tertentu.
e. Statistik Nonparametrik tidak bisa dipergunakan untuk mengukur
interaksi.
f. Jika jumlah sampel besar, tingkat efisiensi nonparametrik relatif lebih
rendah dibandingkan dengan metode parametrik.

24
 BAB 3
PENUTUP
3.1 Kesimpulan
Statistik non parametrik adalah analisis yang tidak didasarkan atas
asumsi distribusi pada data. Umumnya teknik ini dipakai untuk data
dengan ukuran kecil sehingga tidak cukup kuat untuk mengasumsikan
distribusi tertentu pada data.
Karakteristik atau ciri-ciri dari statistik non parametrik yaitu prosedur non
parametrik hanya fokus pada beberapa karakteristik dibandingkan parameter
populasi, tidak terpaku pada asumsi distribusi data tertentu sehingga sebaran
data bebas, data tidak berdistribusi normal, umumnya data berskala nominal
dan ordinal, umumnya dilakukan pada penelitian sosial, umumnya jumlah
sampel kecil, dan biasanya jumlah data yang digunakan kurang dari 30.
Penggunaan statitik non parametrik meliputi penggunaan tes Chi-
square,Cochran Q, uji tanda, uji median, Uji Mann-Whitney U, Uji Kruskal –
walls, Uji friedman, Kolmogorov-smirnov.
Keunggulan statistik nonparametrik diantaranya asumsi dalam uji-uji
statistik nonparametrik relatif lebih longgar. Jika pengujian data menunjukkan
bahwa salah satu atau beberapa asumsi yang mendasari uji statistik parametrik
(misalnya mengenai sifat distribusi data) tidak terpenuhi, maka statistik
nonparametrik lebih sesuai diterapkan dibandingkan statistik parametric;
perhitungan-perhitungannya dapat dilaksanakan dengan cepat dan mudah,
sehingga hasil penelitian segera dapat disampaikan; untuk memahami konsep-
konsep dan metode-metodenya tidak memerlukan dasar matematika serta statistika
yang mendalam; uji-uji pada statistik nonparametrik dapat diterapkan jika kita
menghadapi keterbatasan data yang tersedia, misalnya jika data telah diukur
menggunakan skala pengukuran yang lemah (nominal atau ordinal); dan efisiensi
statistik nonparametrik lebih tinggi dibandingkan dengan metode parametrik untuk
jumlah sampel yang sedikit.

25
 Adapun yang menjadi kelemahan statistik nonparamatrik adalah bila
asumsi normal dapat dipenuhi maka kesimpulan analisis yang diperoleh
kemungkinan membias; statistik Nonparametrik tidak bisa dipergunakan untuk
mengukur interaksi; dan karena tidak bisa dipakai untuk analisis regresi,
praktis statistik nonparametrik bukan untuk peramalan.

3.2 Saran
Berdasarkan pengalaman yang kami dapat dari penulisan makalah ini,
kami menemukan satu penghambat yaitu tidak tersedianya buku sumber yang
memadai terkait materi “Statistik Non Parametrik” di perpustakaan Jurusan
Keperawatan Poltekkes Kemenkes Kupang, sehingga dengan ini kami
memberi saran kepada pihak Jurusan Keperwatan Poltekkes Kemenkes
Kupang untuk menyediakan buku terkait dengan keperawatan kritis yang lebih
lengkap di Perpustakaan untuk membantu mahasiswa dalam pembuatan tugas.

26