MAKALAH TEKNIK STATISTIK NON PARAMETRIK

“UJI KEMAKNAAN DENGAN SAMPEL TUNGGAL I”

Disusun Oleh :
Kelompok 1

Cindy Nur Khaliza (1706978540)

Firanda Dessy Syahrani (1706978635)
Nur A’isyah Amalia Putri (1706040271)
Rifdah Salma M. (1706040845)
Siti Hartinah (1706978843)

PROGRAM STUDI KESEHATAN MASYARAKAT

FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS INDONESIA
2020
A. Pendahuluan

Pengujian kemaknaan dengan sampel tunggal adalah menguji hipotesis yang

dibuat dari sebuah sampel dan menyatakan apakah sampel tersebut berasal dari bentuk
populasi tertentu. Oleh karena itu, pengujian seperti ini termasuk “Test of Goodness of
Fit”. Uji ini berfungsi untuk melihat kesesuaian suatu pengamatan (observasi) dengan
suatu distribusi tertentu. Menurut Ghozali (dalam Suliyanto, 2014:19), pengujian
kemaknaan dengan sampel tunggal pada umumnya bertujuan untuk:

1. Menguji perbedaan lokasi/letak ukuran rata-rata antara sampel dan populasi.

2. Menguji perbedaan antara frekuensi observasi dengan frekuensi yang diharapkan.
3. Menguji perbedaan antara proporsi observasi dengan proporsi yang diharapkan.
4. Menguji apakah sampel diambil dari populasi dengan bentuk distribusi tertentu.
5. Menguji apakah sampel diambil secara random dari populasi yang ada.

Pada pengujian kemaknaan pada sampel tunggal dengan asumsi populasi

berdistribusi normal dan data paling tidak berskala interval maka digunakan uji t, akan
tetapi sering kali data yang digunakan untuk menguji perbedaan rata-rata observasi
(sampel) dengan rata-rata yang diharapkan (populasi) tidak berdistribusi normal dan
skala yang digunakan bukan skala interval atau rasio (hanya skala nominal atau ordinal)
sehingga analisis yang digunakan harus menggunakan uji statistik non parametrik
(Suliyanto, 2014).

B. Uji Binomial

Uji binomial digunakan untuk menguji hipotesis bila dalam populasi terdiri atas
dua kelompok kelas dengan datanya berbentuk nominal dan jumlah sampelnya kecil
(kurang dari 25) (Sugiyono, 2007 ). Adapun dua kelompok kelas tersebut misalnya pria
dan wanita, senior dan junior, sarjana dan bukan sarjana, pemimpin dan bukan
pemimpin, dan sebagainya. Dari populasi yang telah ditentukan akan diteliti dengan
menggunakan sampel yang diambil dari populasi tersebut.

Jika dari data sampel yang telah ditentukan akan diberlakukan populasi, maka
peneliti akan menguji hipotesis statistik yaitu menguji ada tidaknya perbedaan antara
data yang ada dalam populasi itu dengan data yang ada pada sampel yang diambil dari
populasi tersebut. Untuk melakukan uji semacam ini digunakan uji binomial. Maka dari
itu, uji binomial ini digunakan untuk menguji hipotesis deskriptif (satu sampel) jika
datanya nominal berbentuk dua kategori atau dua klas. Oleh karena itu, uji binomial ini
cocok digunakan sebagai alat pengujian hipotesis bila ukuran sampelnya kecil.

Uji ini disebut sebagai uji binomial karena distribusi data dalam satu populasi
berbentuk binomial. Adapun distribusi binomial adalah suatu distribusi yang terdiri atas
dua klas. Bila proporsi pengamatan yang masuk dalam kategori pertama adalah
“sukses” = P, maka proporsi yang masuk dalam kategori kedua ”gagal” adalah 1-P = Q.
Uji binomial memungkinkan kita untuk menghitung peluang atau probabilitas untuk
memperoleh k objek dalam suatu kategori dan n-k objek dari kategori lain. (Wahid
Sulaiman, 2003). Jadi bila suatu populasi dengan jumlah n, terdapat 1 klas yang
berkategori k, maka kategori yang lain adalah n - k. Probabilitas untuk memperoleh k
obyek dalam satu kategori dan n - k dalam kategori lain adalah:

Keterangan:

● p adalah proporsi kasus yang diharapkan dalam salah satu kategori dan kategori
lainnya adalah q, besarnya q adalah 1 - p.
● k= jumlah objek berelemen”sukses” dari seri pengamatan berukuran n
● n! adalah n faktorial, yang nilainya = n(n - 1) (n - 2) … [n - (n - 1)].

Adapun pada umumnya suatu eksperimen dapat dikatakan eksperimen binomial

apabila memenuhi syarat sebagai berikut:

● Banyaknya eksperimen merupakan bilangan tetap (fixed number of trial)

● Setiap eksperimen mempunyai 2 hasil yang dikategorikan menjadi “sukses” dan
“gagal”. Dalam aplikasinya dikategorikan apa yang disebut sukses dan gagal,
contoh:
1. lulus (sukses), tidak lulus (gagal)
2. senang (sukses), tidak senang (gagal)
3. setuju (sukses), tidak setuju (gagal)
4. puas (sukses), tidak puas (gagal)
5. barang bagus (sukses), barang rusak (gagal)
● Probabilitas sukses nilainya sama pada setiap eksperimen.
● Eksperimen tersebut harus bebas (independent) satu sama lain, artinya hasil
eksperimen yang satu tidak mempengaruhi hasil eksperimen lainnya.
Contoh eksperimen binomial:

Terdapat suatu eksperimen binomial yang terdiri dari pengambilan satu bola secara
acak (random) dari kotak yang berisi 30 bola merah (=30 M) dan 70 bola putih (=70 P).

Y = 1, jika bola merah yang terambil

0, jika bola putih yang terambil

Dengan distribusi binomial:

Apabila X = banyaknya bola merah dalam suatu hasil eksperimen binomial maka:

Misal:

Untuk MMMP, X = Y1 + Y2 + Y3 + Y4 = 1 + 1 + 1 + 0 = 3

Untuk MPMP, X = Y1 + Y2 + Y3 + Y4 = 1 + 0 + 1 + 0 = 2

Dapat ditunjukkan bahwa apabila eksperimen dilakukan sebanyak 4 kali maka, X = 0,

1, 2, 3, 4

Sedangkan untuk n kali, maka X = 0, 1, 2, 3, 4, …, n

Apabila semua nilai probabilitas X sebagai hasil suatu eksperimen dihitung, akan
diperoleh distribusi probabilitas X dan disebut distribusi probabilitas binomial.

P(X = 0) = P(PPPP) = P(P)P(P)P(P)P(P) = (0,7)4 = 0,2401

P(X = 4) = P(MMMM) = P(M)P(M)P(M)P(M) = (0,3)4 = 0,0081

P(X = 3) = p 3q + p2qp + pqp2 + qp3 = 4(0,3)3 (0,7) = 0,0756

Dari uraian di atas dapat disimpulkan bahwa dalam distribusi probabilitas binomial
dengan n percobaan berlaku rumus berikut:

Dimana:

x = 0, 1, 2, 3, …, n
p = probabilitas sukses

q = (1 – p) = probabilitas gagal

Aturan umum permutasi dapat digunakan untuk memperoleh banyaknya

kemungkinan urutan yang berbeda, dimana masing-masing urutan terdapat x sukses,
misalnya x = 3 (=3 sukses): MMMP, MMPM, MPMM, PMMM

Apabila suatu himpunan yang terdiri dari n elemen dibagi 2, yaitu x sukses dan (n
– x) gagal, maka banyaknya permutasi dari n elemen yang diambil x setiap kali dapat
dihitung berdasarkan rumus berikut:

nCx = n!/(x!(n – x)!) disebut koefisien binomial (merupakan kombinasi dari n elemen
yang diambil x setiap kali)

Jadi, masing-masing probabilitas pada distribusi binomial sebagai berikut:

X = 0, 1, 2, …, n; n! = n(n – 1)(n – 2) …. 1 (Ingat 0! = 1! = 1, dan p 0 = 1)

Dengan kata lain, probabilitas untuk memperoleh x sukses dalam eksperimen

Binomial yang dilakukan sebanyak n kali sama dengan banyaknya kombinasi dari n
elemen yang diambil x setiap kali, dikalikan dengan probabilitas untuk memperoleh
“sukses” dipangkatkan x, p x , dan kemudian dikalikan dengan probabilitas “gagal”
dipangkatkan (n – x), q n-x .

Dalam prakteknya uji Binomial dapat dilakukan dengan cara yang lebih
sederhana, untuk membuktikan Ho dilakukan dengan cara membandingkan nilai p
dalam tabel yang didasarkan pada n dan nilai yang terkecil dalam tabel itu dengan taraf
kesalahan yang kita tetapkan sebesar 1%. (Sugiyono, 2007)

Dengan uji binomial, pertanyaan penelitian yang akan dicari jawabannya adalah
apakah kita mempunyai alasan yang cukup kuat untuk mempercayai bahwa proporsi
elemen pada sampel kita sama dengan proporsi pada populasi asal sampel. Dalam
prosedur uji hipotesis, distribusi binomial kita gunakan sebagai acuan dalam
 menetapkan besarnya probabilitas untuk memperoleh suatu nilai “kategori pertama”
sebesar yang teramati dan yang lebih ekstrim dari nilai itu, dari sebuah sampel yang
berasal dari populasi binomial. (Departemen Biostatistik FKM UI, 2009).

Hipotesis dalam Uji Binomial adalah:

Dua sisi : Ho: p = po dan Ha: p ≠ po

Satu sisi : Ho: p ≤ po dan Ha: p > po

Ho: p ≥ po dan Ha: p < po

p = proporsi pada sampel

po = proporsi pada populasi

Perhitungan Nilai p secara Manual (Bisma Murti, 1986):

DUA SISI

Jika p ≤ po, maka:

Jika p > po, maka:

SATU SISI

Jika Ho: p ≥ po dan Ha: p < po, maka:

Jika Ho: p ≤ po dan Ha: p > po, maka:

Kriteria Pengambilan Keputusan:

Untuk Uji Dua sisi:

Bila Exact Sig. (2-tailed) < α/2 maka Ho ditolak

Exact Sig. (2-tailed) > α/2 maka Ho gagal ditolak

Untuk Uji Satu sisi:

Bila Exact Sig. (2-tailed) < α maka Ho ditolak

Exact Sig. (2-tailed) > α maka Ho gagal ditolak

Contoh:

Penelitian dilakukan untuk mengetahui pengaruh pembangunan PLTN terhadap masyarakat

sekitar. Andai hasil penelitian menyatakan bahwa 4 dari 13 kematian berusia 55 - 54 tahun
disebabkan oleh kanker. Apakah benar adanya laporan bahwa 20% dari semua kematian
disebabkan karna kanker?

Diketahui:

P= 4/13 = 0,3

Po= 20% = 0.2

P>Po → Gunakan perhitungan uji hipotesis dua sisi jika P>Po

Jawaban:

Uji Hipotesis:

Ho : P=Po

Ha: P≠ Po
Uji statistik

atau dengan melihat tabel:

untuk n= 13, k= 4 Peluang =0,3 → 0.4205

Kesimpulan:

p>0.05 → p > α → Ho Diterima. tidak ada perbedaan antara proporsi

sampel dan proporsi populasi. Sehingga, adanya laporan bahwa 20% dari
semua kematian disebabkan karna kanker benar..

Aplikasi pada SPSS:

Seorang pengusaha restoran ingin melakukan penelitian mengenai selera masakan tradisional
yang disukai mahasiswa. Hasil penelitian terhadap 30 responden di restoran tradisional
memberikan data sebagai berikut : 22 orang menyukai masakan Jawa, dan 8 orang menyukai
masakan Padang. Ujilah dugaan bahwa jumlah mahasiswa yang menyukai masakan Jawa
berbeda dengan masakan Padang. Gunakan taraf nyata sebesar 5%.

Langkah Langkah:

1. Uji Hipotesis

𝐻0 ∶ Jumlah (frekuensi) mahasiswa yang menyukai masakan Jawa dan masakan Padang
adalah sama atau tidak berbeda

𝐻a ∶ Jumlah (frekuensi) mahasiswa yang menyukai masakan Jawa dan masakan Padang
adalah berbeda

2. Klik menu Analyze → Nonparametric Tests → Binomial.

3. Muncul kotak dialog Binomial Test. Masukan variabel ”Masakan yang disukai” ke
kotak Test Variable List. Klik OK.

4. Output

Kategori Jumlah Observed. Exact.

Po sig(2-tailed)

Masakan 1 Masakan 22 0.73 0.016

Yang Jawa
disukai
2 Masakan 3 0.27
Padang

Total 30
5. Analisis dan Keputusan

Uji Binomial memaparkan bahwa kategori masakan tradisional ada dua yaitu masakan
Jawa dan masakan Padang, jumlah masing-maisng adalah 22 dan 8. Nilai proporsi uji
(Test Prop.) = 0.50 , proporsi pengamatan untuk kategori Masakan Jawa = 0.73 dan
kategori Masakan Padang = 0.27. hasil nilai peluang eksak Binomial 2 arah (Exact
Sig. (2-tailed)) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 adalah 0.016. < (0.05) maka keputusannya Tolak Ho

6. Kesimpulan

Kesimpulan : Jumlah (frekuensi) masyarakat yang menyukai masakan Jawa dan

masakan Padang adalah berbeda.
C. Uji Kesesuaian Kai kuadrat
● Metode ini dikembangkan oleh Pearson tahun 1900 yang merupakan perhitungan
suatu kuantitas yang disebut Kai Kuadrat yang berasal dari bahasa Yunani “Chi” (χ2).
● Pengertian chi-quare atau chi kuadrat lainya adalah sebuah uji hipotesis tentang
perbandingan antara frekuensi observasi dengan frekuensi harapan yang didasarkan
oleh hipotesis tertentu pada setiap kasus atau data yang ambil untuk diamati. Uji ini
sangat bermanfaat dalam melakukan analisis statistic jika kita tidak memiliki
informasi tantang populasi atau jika asumsi-asumsi yang dipersyaratkan untuk
penggunaan statistik parametrik tidak terpenuhi. Chi kuadrat biasanya di dalam
frekuensi observasi berlambangkan dengan frekuensi harapan yang didasarkan atas
hipotesis yang hanya tergantung pada suatu parameter, yaitu derajat kebebasan (df).
● Kegunaan Chi Kuadrat :
- Uji kenormalan data dengan melihat distribusi data (Goodness of fit test)
- Ada tidaknya asosiasi antara 2 variabel (Independent test)
- Apakah suatu kelompok homogen atau tidak (Homogenity test)
- Digunakan untuk menganalisis data yang berbentuk frekuensi.
- Digunakan untuk menentukan besar atau kecilnya korelasi dari variabel-
variabel yang dianalisis
- Cocok digunakan untuk data kategorik, data diskrit atau data nominal
● Rumus yang umum untuk chi kuadrat :

χ2 = nilai chi-square

Oij = frekuensi yang diperoleh/diamati (observed)

Eij = frekuensi yang diharapkan (expected)

df = Degree of Freedom

● Dasar Pengambilan Keputusan:

a. Jika Chi Square hitung < chi square tabel (X2= X2k-1,a) maka Ho gagal ditolak,
 dan sebaliknya
b. Jika Probabilitas > α, maka Ho gagal ditolak, begitupun sebaliknya
● Syarat melakukan uji kai kuadrat :
1. Sampel dipilih acak
2. Semua pengamatan dilakukan independen
3. Setiap sel paling sedikit berisi frekuensi harapan sebesar 1 (satu). Sel-sel
dengan frekuensi harapan kurang dari 5 tidak melebihi 20% dari total sel.
→ semakin kecil nilai frekuensi harapan (Eij), semakin besar
nilai χ2 (kai kuadrat), maka semakin jelas menolak H0. (untuk apa uji
diteruskan sedangkan perkiran hasil sudah diketahui untuk menolak H0).
4. Besar sampel sebaiknya > 30 (Cochran, 1954)
Untuk menjamin pendekatan yang memadai digunakan aturan dasar “frekuensi
harapan tidak boleh terlalu kecil” secara umum dengan ketentuan:
a. Tidak boleh ada sel yang mempunyai nilai harapan kecil dari 1 (satu)
b. Tidak lebih dari 20% sel mempunyai nilai harapan kecil dari 5 (lima)
Bila hal ini ditemukan dalam suatu tabel kontingensi, cara untuk
menanggulanginyanya adalah dengan menggabungkan nilai dari sel yang kecil ke sel
lainnya, artinya kategori dari variabel dikurangi sehingga kategori yang nilai
harapannya kecil dapat digabung ke kategori lain. Khusus untuk tabel 2x2 hal ini
tidak dapat dilakukan, maka solusinya adalah melakukan uji “Fisher Exact”

● Tabel Distribusi Kai Kuadrat

● Contoh
1. Tabel berikut menunjukan distribusi usia dari 100 orang sampel yang
tertangkap mabuk minuman keras selama mengendarai mobil (drunk driving)

Kategori Jumlah
Usia

Remaja 32

Dewasa 25
Awal

Dewasa 19

Dewasa 16
Akhir

Tua 8
Dengan tingkatan signifikansi 1%, Apakah proporsi orang yang tertangkap
kasus drunk driving sama pada semua kelompok usia?

Jawab:
 Ho: Tidak ada perbedaan proporsi orang yang tertangkap drunk driving pada
semua kelompok usia

Ha: ada perbedaan proporsi orang yang tertangkap drunk driving pada semua
kelompok usia

α= 1%= 0.01

Probabilitas= ⅕=0.2 ….. (Karna ada 5 kategori usia)

Uji Statistik X2:

fE
Kategori Umur fo p (fo - fE) (fo - fE)2 (fo - fE)2
(=n..p)
fE

Remaja 32 0.2 20 12 144 7.20

Dewasa Awal 25 0.2 20 5 25 1.25

Dewasa 19 0.2 20 -1 1 0.05

Dewasa Akhir 16 0.2 20 14 16 0.8

Tua 8 0.2 20 -12 144 7.2

X2=16.5

X2 Tabel= k - 1, α.

= 5-1, 0.01

= 4, 0,01 → lihat tabel distribusi X2= 13.277

Keputusan:

Chi square hitung = 16.5 lebih besar dibandingkan chi square

tabel= 13.277 → Ho Ditolak

Kesimpulan:

Terdapat perbedaan proporsi drunk driving pada kategori usia.

● Contoh Aplikasi dengan SPSS:

Kasus 1: Selama ini manajer pemasaran sabun mandi HARUM menganggap bahwa
konsumen sama-sama menyukai tiga warna sabun mandi yang diproduksi, yaitu putih, hijau
dan kuning. Untuk mengetahui apakah pendapat Manajer tersebut benar, kepada dua belas
orang responden ditanya warna sabun mandi yang paling disukainya. Berikut adalah data
kuesioner tersebut:
(Tabel SPSS)

Nama_Resp Warna

Renny 1

Ronny 2

Sugiarto 3

Deddy 3

Sintha 2

Sussy 3

Lily 3

Linna 3

Lanny 1

Ruben 1

Ricky 2

Rossy 2

Keterangan:
1= Putih
2= Hijau
3= Kuning
Langkah Langkah:
1. Uji Hipotesis
Ho: p1=p2=p3=1/3
Hi: p1≠ p2≠ p3≠1/3
NB: Ho menyatakan seharusnya distribusi sampel responden mengikuti distribusi
teoritis, yaitu semua warna dipilih merata.
2. Analyze → Nonparametric Test → Chi Square
 Insert:
● Test Variable Test atau nama variabel yang akan diuji. Sesuai kasus, masukkan
variabel warna.
● Expected Range. Disini karena data sudah diinput, maka pilihan tetap pada GET
FROM DATA.
● Expected Values. Jika dilihat pada kasus, Manajer menganggap kesenangan terhadap
warna adalah sama, yang berarti semua warna seharusnya dipilih secara merata
(sepertiga konsumen memilih warna putih, sepertiga memilih warna hjau dan
sepertiga memilih warna kuning). Dengan demikian, tetap pada pilihan ALL
CATEGORIES EQUAL.
3. Tekan “Ok”
4. Output

Warna Observed N Expected N Residual

Putih 3 4 -1
Hijau 4 4 0
Kuning 5 4 +1
Total 12

Analisis:
1. Dari tabel WARNA terlihat bahwa putih dipilih oleh 3 responden, warna hijau 4
responden dan warna kuning 5 responden. Ini adalah frekuensi yang didapat dari input
 data (observed).
2. Dari tabel WARNA untuk kolom EXPECTED, karena distribusi seharusnya
merata, maka masing-masing warna seharusnya diminati oleh masing-masing
responden (dari 12 responden dibagi 3 warna).
3. Kolom RESIDUAL dari tabel WARNA adalah selisih antara kolom Observed dan
kolom Expected. Seperti untuk warna putih, angka residual adalah 3 – 4 atau –1.
Demikian untuk dua angka residual yang lain
5. Keputusan:
● Perbandingan Chi-Square Hitung dengan Chi-Square tabel:
Dari tabel Output TEST STATISTICS terlihat angka Chi Square hitung adalah
0,500
● Mencari Chi-Square Tabel:
Derajat kebebasan (df)= jumlah baris-1= 3-1 = 2.CI 95% →
Signifikan = 5%. Pada χ2 (0,05;2) → (lihat tabel) didapat
angka 5,991
6. Kesimpulan
Berdasarkan perbandingan Chi square hitung dan Chi square tabel:
Karena Chi-Square hitung (χ2) < Chi-Square tabel, maka Ho diterima.
Berdasar angka Probabilitas:
Karena angka pada kolom EXACT. SIG adalah 0,779 yang adalah > 0,05, maka Ho
diterima.Hal ini berarti konsumen menyukai ketiga warna sabun mandi secara
proporsional, dalam arti tidak ada warna yang lebih disukai dari lainnya. Perhatikan
walaupun dalam sampel warna putih paling sedikit peminatnya, dan warna kuning
paling banyak yang menyukai, namun setelah diuji dengan Chi- Square, ternyata
distribusi sampel tersebut masih sesuai dengan distribusi teoritis (yang seharusnya),
yaitu warna disukai secara merata.

D. Uji kesesuaian Kolmogorov-Smirnov

Uji Kolmogorov-Smirnov adalah pengujian normalitas yang banyak dipakai. 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
(Tobing, D., dkk, 2017).
 Uji Kolmogorov-Smirnov juga merupakan uji kecocokan (goodness of fit), yaitu
untuk mengetahui kesesuaian antara distribusi nilai-nilai sampel/skor yang diamati dengan
beberapa distribusi teoritis tertentu. Uji Kolmogorov-Smirnov beranggapan bahwa distribusi
variabel yang sedang diuji bersifat kontinu dan pengambilan sampel secara acak sederhana.
Dengan demikian uji ini hanya dapat digunakan, bila variabel diukur paling sedikit dalam
skala ordinal (Departemen Biostatistik FKM UI, 2009).

Prinsip dari uji Kolmogorov–Smirnov adalah menghitung selisih absolut antara fungsi
distribusi frekuensi kumulatif sampel [Fs(x)] dan fungsi distribusi frekuensi kumulatif teoritis
[Ft(x)] pada masing-masing interval kelas.

Hipotesis yang diuji dinyatakan sebagai berikut (dua sisi):

Ho : F(x) = Ft(x) untuk semua x dari - ∼ sampai + ∼

Ha : F(x) ≠ Ft(x) untuk paling sedikit sebuah x

Dengan F(x) ialah fungsi distribusi frekuensi kumulatif populasi pengamatan Statistik uji
Kolmogorov-Smirnov merupakan selisih absolut terbesar antara Fs(x) dan Ft(x), yang disebut
deviasi maksimum D.

D = |Fs(x) – Ft(x)| maks

Langkah-Langkah Prinsip Uji Kolmogorov-Smirnov:

● Susun hipotesis
● Susun frekuensi-frekuensi dari tiap nilai teramati, urutkan dari dari nilai terkecil
sampai nilai terbesar.
● Susun frekuensi kumulatif dari nilai-nilai teramati.
● Konversikan frekuensi kumulatif ke dalam probabilitas, yaitu ke dalam fungsi
distribusi frekuensi kumulatif [Fs(x)].
● 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 kumulatif
untuk setiap nilai teramati. Hasilnya ini ialah sebagai Ft(xi).
● Susun Fs(x) berdampingan dengan Ft(x).
● Hitung selisih absolut antara Fs(xi) dan Ft(xi) pada masing-masing nilai teramati.
selisih absolut terbesar Fs(xi) dan Ft(xi) yang juga disebut deviasi maksimum D
 ● Kemudian nilai D maksimum dibandingkan dengan nilai kritis pada tabel distribusi
normal, pada ukuran sampel n dan tingkat kemaknaan alfa. Ho ditolak bila nilai D
maksimum lebih besar atau sama dengan nilai kritis alfa. Maka distribusi yang
diamati dan distribusi normal berbeda secara bermakna, dan begitu juga sebaliknya.

Contoh Soal 1 (Distribusi Normal):

Dari suatu autopsy diketahui berat otak 15 orang dewasa penderita penyakit tertentu
sebagaimana tersaji pada tabel 2, dari data tersebut diperoleh mean sebesar 1083 dan
simpangan baku sebesar 129.
Tabel 2. Langkah-langkah menghitung nilai-nilai Fs(xi) dan Ft(xi)

Xi Frekuensi Frek. Fs(xi) z=(xi–X)/S Ft(xi) Fs(xi)-Ft(xi)

Kumulatif kumulatif kumulatif

904 1 1 0.0667 -1,39 0,0823 0,0156

920 1 2 0,1333 -1,26 0,1038 0,095
973 1 3 0,2000 -0,85 0,1977 0,0023
1001 1 4 0,2667 -0,64 0,2611 0,0056
1002 1 5 0,3333 -0,63 0,2643 0,0690
1012 1 6 0,4000 -0,55 0,2912 0,1088
1016 1 7 0,4667 -0,52 0,3015 0,1652
1039 1 8 0,5333 -0,34 0,3669 0,1664
1086 1 9 0,6000 0,02 0,5080 0,1080
1140 1 10 0,6667 0,44 0,6700 0,3367
1146 1 11 0,7333 0,49 0,6879 0,0454
1168 1 12 0,8000 0,66 0,7454 0,0546
1233 1 13 0,8667 1,16 0,8770 0,0103
1255 1 14 0,9333 1,33 0,9082 0,0251
1348 1 15 1,000 2,05 0,9798 0,0202

Hipotesis. Hipotesis yang diuji dinyatakan sebagai berikut (dua sisi):

Ho : Kedua sampel berasal dari populasi dengan distribusi yang sama
Ha : kedua sampel bukan berasal dari populasi dengan distribusi yang sama
Untuk memperoleh nilai-nilai Ft(xi), pertama-tama yang dilakukan adalah
mengkonversikan setiap nilai x teramati menjadi nilai unit variabel normal yang disebut z.
Sedang z=(xi–x) /s. dari tabel distribusi kumulatif normal baku, kita temukan luas area dari
minus tak terhingga sampai z. luas area tersebut memuat nilai-nilai Ft(xi). Selanjutnya kita
hitung statistik uji D, dari sekian banyak nilai D ternyata statistik uji D maksimum adalah =
0,1664.

Kesimpulan. Kita mengacu pada tabel D (0,338), dengan n=15 dan α (dua sisi) = 0,05,
karena 0,1664 < 0,338, maka Ho gagal ditolak. Kita dapat simpulkan bahwa sampel berat
otak berasal dari populasi dengan distribusi normal.

Perhitungan dengan SPSS

Kriteria Pengambilan keputusan:

Exact Sig. (2-tailed) < α maka Ho ditolak

Exact Sig. (2-tailed) > α maka Ho gagal ditolakLangkah-langkah analisa:

1. Siapkan data ke editor SPSS

2. Lakukan tahap berikut: pilih Analyze, Nonparametrik test, 1-Sampel K-S
3. Pindahkan variabel berat otak ke kotak Test Variabel List , pada Test distribution,
klik Normal, klik Option untuk memperoleh nilai statistik deskriptif.
Kesimpulan: Karena nilai Exact Sig. (2-tailed) > α (0,05) maka Ho gagal ditolak, berarti
sampel berat otak berasal dari populasi yang berdistribusi normal.

Contoh Soal 2 (Distribusi Poisson):

Diberikan data suatu sampel acak

Data 8 1 3 3 2

1 4 0 5 9
Apakah data di atas berdistribusi poisson atau tidak?

Jawab:

Ho: data berdistribusi poisson

Ha: data tidak berdistribusi poisson

x f fkum l Sn(Xi) Fo(X) S(n-1)(Xi) D+ D-

0 1 1 1 0.1 0.027324 0 0.0726763 0.027324

1 2 3 2 0.2 0.125689 0.1 0.0743109 0.025689

2 1 4 3 0.3 0.302747 0.2 -0.002747 0.102747

3 2 6 4 0.4 0.515216 0.3 -0.115216 0.215216

4 1 7 5 0.5 0.706438 0.4 -0.206438 0.306438

5 1 8 6 0.6 0.844119 0.5 -0.244119 0.344119

8 1 9 7 0.7 0.988329 0.6 -0.288329 0.388329

9 1 10 8 0.8 0.995976 0.7 -0.195976 0.295976

max(D+) = 0.0743109 dan max(D-) = 0.388329

D = max(D+, D-) = 0.388329

Perhitungan dengan SPSS

Daerah penolakan Ho ditolak bila:

● D > D table = 0.9987 atau Asymp.Sig (2-tailed)<α

Kesimpulan:

Dari perhitungan diperoleh D = 0.388329 < D table = 0.9987 dan dari SPSS diperoleh nilai
Asymp.Sig (2-tailed) adalah = 0.922 > α =0.05. maka Ho diterima. Jadi dapat disimpulkan
bahwa data berdistribusi poisson.

E. Persamaan dan Perbedaan antar Uji

 Uji Binomial, Uji Chi Square dan Uji Kolmogorov-Smirnov merupakan uji
kemaknaan pada satu sampel atau kita sebut juga dengan deskriptif. namun, dalam
aplikasinya, masing masing uji memiliki perbedaan, yang dapat dilihat dari
Kegunaannya, jumlah sampel dan jenis data yang diuji. Berikut perbedaan antara uji
kemaknaan satu sampel yaitu:

Tabel 1. Persamaan dan Perbedaan Uji Binomial, Uji Chi Square, dan Uji
Kolmogorov-Smirnov

No Persamaan Perbedaan

Uji Binomial Uji Chi Square Uji Kolmogorov

1 Digunakan untuk data data Data menggunakan

menguji hipotesis menggunakan menggunakan skala ordinal
deskriptif (dugaan skala skala nominal
terhadap suatu variabel nominal/district
dalam sampel tunggal
walaupun di dalamnya
bisa terdapat beberapa
kategori).

2 Digunakan untuk Sampel yang Sampel yang Sampel yang

menguji perbedaan digunakan kecil digunakan digunakan bisa
proporsi populasi. ≤25 banyak ≥30 banyak, bisa sedikit

Ketiga uji ini termasuk

3 “Test of Goodness of Menguji hipotesis Menguji apakah Menguji apakah
tentang suatu data sampel suatu sampel
Fit”
proporsi populasi yang diambil mengikuti suatu
menunjang bentuk populasi
hipotesa yang teoritis
menyatakan
bahwa populasi
asal sampel
mengikuti
distribusi yang
telah ditetapkan

REFERENSI

Departemen Biostatistik FKM UI. (2009). Statistik Non Parametrik. Depok: FKM UI.
Corder, Gregory W. dan Dale I. Foreman. (2009). Nonparametric Statistics for Non
Statisticians. New Jersey: John Wiley & Sons, Inc
Novrinda, H. (2009). [online] Staff.ui.ac.id. Available at:
http://staff.ui.ac.id/system/files/users/herry_n/material/bahan-kuliah-uji-statistik-chi-
square.pdf [Accessed 18 Feb. 2020].
Sugiyono. (2007). Staistika Untuk Penelitian. Bandung: IKAPI
Suliyanto. (2014). Statistik Non Parametrik: dalam Aplikasi Penelitian. Yogyakarta: ANDI.
Suciptawati N.L.T (2016) Penuntun Pratikum: Statistik Non Parametrik dengan SPSS.
Available at https://simdos.unud.ac.id/uploads/file_pendidikan_1_dir/76fa066ec9cf1
90b0c20c3c32ce7c15e.pdf [Accessed 5 Mar. 2020].
Tobing, D., dkk. (2017). Bahan Ajar Praktikum Statistik. Universitas Udayana: Program
Studi Psikologi Fakultas Kedokteran.
Anonymous. Chi Square: Goodness of Fit test. Available at: http://staffnew.uny.ac.id
/upload/132058092/pendidikan/chisquare.pdf [Accessed 5 Mar. 2020].
UNY. (2014). Distribusi Binomial. Available at: http://staffnew.uny.ac.id/
upload/198401312014042002/pendidikan/DISTRIBUSI%20BINOMIAL.pdf [Accessed
3 Mar. 2020]
Widiastuti, A. (2016). [online] Repository.usd.ac.id. Available at:
https://repository.usd.ac.id /8062/2/123114017_full.pdf [Accessed 4 Mar. 2020].