LAPORAN PRAKTIKUM

DESAIN PENELITIAN
ACARA IV
UJI NON PARAMETRIK (GOODNESS OF FIT TEST & CONTINGENCY
TEST)

Oleh :

Nama : Suci Wigati

NIM : 16/398374/KT/08369

Shiff : Senin, 13.00 WIB

Co-ass : Rizki Firnanda

LABORATORIUM KOMPUTASI DAN BIOMETRIKA HUTAN

DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2019
 ACARA IV

UJI NON PARAMETRIK (GOODNESS OF FIT TEST & CONTINGENCY TEST)

I. LATAR BELAKANG

Dalam melakukan pengujian data untuk analisis dikenal dua uji yakni uji
parametrik dan uji non parametrik. Pada data yang sebarannya bersifat normal
digunakan uji parametrik sedangkan untuk data yang sebarannya tidak normal
digunakan uji non parametrik. Uji non parametrik adalah suatu uji yang tidak
memerlukan adanya asumsi-asumsi mengenai sebaran data populasi, hal ini
berkebalikan dengan uji parametrik yang perlu asumsi-asumsi mengenai sebaran
datanya. Uji non parametrik sering disebut juga statistik bebas sebaran (distribution
free). Uji tersebut digunakan untuk menganalisis data yang berskala ordinal maupun
normal karena data berjenis tersebut sebarannya tidak normal (Hadi, 1991).

Data terdiri dari data nominal, data ordinal, dan data rasio interval. Data
nominal adalah data yang diperoleh berdasarkan proses penggolongan atau
kategorisasi. Data nominal merupakan pengklasifikasian tingkat rendah. Data nominal
bersifat diskrit dan saling terpisah antara golongan yang satu dengan yang lain. Data
ordinal lebih tinggi daripada data nominal. Data ordinal merupakan data yang
mempunyai urutan atau bisa diurutkan berdasarkan jenjang atau atribut tertentu. Data
ordinal juga bersifat diskrit (Junaidi, 2015).

Uji kebaikan-suai Kolmogorov-Smirnov (K-S) telah dikembangkan oleh

Kolmogorov tahun 1933 dan Smirnov tahun 1939. Kolmogorov telah mengembangkan
sebuah pengujian untuk mengetahui apakah pengamatan yang dilakukan konsisten
dengan sebuah sampel yang berasal dari beberapa distribusi kontinu tertentu. Smirnov
memperluasnya untuk menguji apakah dua sampel cukup layak dianggap berasal dari
distribusi yang sama (Dwidayati, 2011). Pengujian Kolmogorov-Smirnov dengan
kriteria nilai asymp. Sig (p) > α, maka sebaran data berdistribusi normal. Oleh
Sujianto, Agus Eko (2009) pedoman pengambilan keputusan dengan uji tersebut
dalam SPSS yakni jika nilai Sig atau signifikansi atau nilai probabilitas < 0,05
 distribusi data adalah tidak normal dan sebaliknya jika nilai Sig atau signifikansi atau
nilai probabilitas > 0,05 distribusi data adalah normal.

Uji kontingensi merupakan suatu uji statistika untuk menganalisis korelasi dari
data yang bersifat non parametrik. Koefisien kontingensi dilambangkan dengan “C”
untuk mengukur seberapa erat hubungan antara dua variabel yang digunakan pada
skala nominal. Uji tersebut berkaitan erat dengan chi-square yang digunakan untuk
menguji komparatif k sampel independen karena dalam koefisien kontingensi
digunakan rumus chi-square (Sugiyono, 2003). Besarnya nilai koefisien kontingensi di
atas 0,5 maka ada hubungan yang erat antara dua variabel dan sebaliknya (Santoso,
2009).

Di bidang kehutanan dari banyak hasil penelitian, pengamatan maupun riset

yang dilakukan menghasilkan data dalam bentuk bilangan maupun angka-angka
seperti diameter, tinggi pohon, dan sebagainya. Dari data yang diperoleh terkadang
berupa bilangan diskrit yang tiap unsurnya tidak mempunyai arti menurut besarnya
atau posisinya atau dapat dikatakan bilangan hanya sebagai simbol. Oleh karena itu
dalam pengolahan data untuk dianalisis sehingga dapat ditarik kesimpulan perlu
mengetahui adanya uji non parametrik agar memudahkan.

II. TUJUAN
Adapun tujuan dari praktikum ini yaitu :
1. Mahasiswa mampu memahami fungsi dan penggunaan dari uji keselarasan untuk
mendukung kegiatan penelitian di bidang kehutanan.
2. Mahasiswa mampu memahami fungsi dan penggunaan dari uji kontingensi serta
menganalisis data yang diperoleh untuk menarik kesimpulan dari hasil penelitian.
 III. HASIL

- UJI KOLMOGOROV-SMIRNOV

a) NPar Tests DATA A

One-Sample Kolmogorov-Smirnov Test

Diameter

N 30
Normal Parametersa,b Mean 41.7300
Std.
14.38467
Deviation
Most Extreme Absolute .169
Differences Positive .087
Negative -.169
Test Statistic .169
Asymp. Sig. (2-tailed) .029c

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
Keterangan : Hasil pengujian data A memperlihatkan sebaran diameter mengikuti pola
distribusi normal yang ditandai dengan nilai Sig. > 0.05.

b) NPar Tests DATA B

One-Sample Kolmogorov-Smirnov Test

Diameter_B
N 30
Normal Parametersa,b Mean 32.9733
Std.
12.84410
Deviation
Most Extreme Absolute .141
Differences Positive .132
Negative -.141
Test Statistic .141
Asymp. Sig. (2-tailed) .134c

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
Keterangan : Hasil pengujian data B memperlihatkan sebaran diameter mengikuti pola
distribusi normal yang ditandai dengan nilai Sig. > 0.05.

c) NPar Tests Data Diameter C

One-Sample Kolmogorov-Smirnov Test

Diameter_C

N 30
Normal Parametersa,b Mean 36.0067
Std.
12.34967
Deviation
Most Extreme Absolute .172
Differences Positive .126
Negative -.172
Test Statistic .172
Asymp. Sig. (2-tailed) .024c

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
Keterangan : Hasil pengujian data C memperlihatkan sebaran diameter mengikuti pola
distribusi normal yang ditandai dengan nilai Sig. > 0.05.

d) NPar Tests Data Diameter D

One-Sample Kolmogorov-Smirnov Test

Diameter_D

N 30
Normal Parametersa,b Mean 38.9000
Std.
11.94005
Deviation
Most Extreme Absolute .090
Differences Positive .069
Negative -.090
Test Statistic .090
Asymp. Sig. (2-tailed) .200c,d

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Keterangan : Hasil pengujian data D memperlihatkan sebaran diameter mengikuti pola
distribusi normal yang ditandai dengan nilai Sig. > 0.05.

e) NPar Tests Data Diameter E

One-Sample Kolmogorov-Smirnov Test

Diameter_E

N 30
Normal Parametersa,b Mean 26.1833
Std.
4.09399
Deviation
Most Extreme Absolute .143
Differences Positive .067
Negative -.143
Test Statistic .143
Asymp. Sig. (2-tailed) .118c

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
Keterangan : Hasil pengujian data E memperlihatkan sebaran diameter mengikuti pola
distribusi normal yang ditandai dengan nilai Sig. > 0.05.

- UJI Chi-Square

H0 : Tidak ada perbedaan antara jumlah spesies tumbuhan dengan ditemukannya atau tidak
jumlah spesies

Ha : Ada perbedaan antara jumlah spesies tumbuhan dengan ditemukannya atau tidak jumlah
spesies

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

Spesies_Tumbuhan *
200 100.0% 0 0.0% 200 100.0%
Jumlah_Plot

Spesies_Tumbuhan * Jumlah_Plot Crosstabulation

Count

Jumlah_Plot Total
 Tidak
Ditemukan ditemukan

Spesies_Tumbuhan Diospyros
20 80 100
cauliflora

Cananga ordorata 5 95 100

Total 25 175 200

Chi-Square Tests

Asymp. Sig. Exact Sig. (2- Exact Sig. (1-

Value df (2-sided) sided) sided)

Pearson Chi-Square 10.286a 1 .001

Continuity Correctionb 8.960 1 .003

Likelihood Ratio 10.925 1 .001

Fisher's Exact Test .002 .001

Linear-by-Linear
10.234 1 .001
Association

N of Valid Cases 200

a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 12.50.

b. Computed only for a 2x2 table

Symmetric Measures

Approx.
Value Sig.
Nominal by Contingency
.221 .001
Nominal Coefficient

N of Valid Cases 200

Keterangan : Hasil uji Chi-Square memperlihatkan bahwa nilai Sig. < 0.05 artinya H0 ditolak
sehingga dinyatakan terdapat hubungan yang signifikan antara spesies tumbuhan yakni
Diospyros cauliflora dan Cananga odorata dengan jumlah ditemukannya spesies tersebut
atau tidak ditemukan. Nilai koefisien contingency (C) dari kedua variabel mencapai 0.221.

IV. PEMBAHASAN

Uji non parametrik merupakan suatu uji statistika yang tidak memerlukan asumsi-
asumsi mengenai sebaran data suatu populasi. Pada statistik non parametrik datanya
tidak dalam bentuk distribusi normal. Adanya data-data yang berskala nominal maupun
ordinal yang sebarannya tidak dinormal memerlukan uji statistika non parametrik untuk
menganalisisnya. Data skala nominal merupakan data yang dalam bentuk bilangan
diskrit di mana bilangan tersebut hanya sebagai simbol dan tidak mempunyai arti. Data
skala nominal berasal dari data kualitatif yang sudah dikonversikan ke dalam bentuk
bilangan. Data skala ordinal juga data yang berasal dari data kualitatif yang
dikonversikan di mana bilangan hasil konversi menunjukkan urutan menurut kualitas
atributnya (Santoso, 2009).
Pada uji non parametrik dikenal adanya uji keselarasan (goodness of fit test) dan
uji kontingensi (contingency test) yang dilaksanakan pada praktikum ini. Uji keselarasan
adalah suatu uji yang digunakan untuk menilai pola suatu distribusi data. Metode yang
digunakan pada uji ini yaitu metode kolmogorov-smirnov dan metode chi-square.
Metode kolmogorov untuk mengetahui apakah pengamatan yang dilakukan konsisten
dengan sebuah sampel yang berasal dari beberapa distribusi kontinu tertentu (Dwidayati,
2011). Metode kolmogorov ini digunakan untuk data yang berskala ordinal. Metode chi-
square merupakan metode chi-square merupakan metode yang digunakan untuk
mengetahui seberapa besar hubungan atau korelasi antar variabel yang ada. Metode ini
digunakan untuk data yang berskala nominal.
Uji kontingensi (contingency test) adalah suatu uji statistik untuk melihat
hubungan anatara dua variabel yang berskala nominal. Dengan adanya uji tersebut dapat
mengetahui asosiasi atau relasi dari dua perangkat atribut. Dalam uji ini terdapat dua
tahap yakni uji chi-square dan penentuan koefisien kontingensi (C). Besarnya nilai
koefisien kontingensi di atas 0,5 maka ada hubungan yang erat antara dua variabel dan
sebaliknya.
Contoh penerapan uji kontingensi yakni pada sebuah penelitian yang berjudul
“Persepsi Masyarakat Terhadap Keberadaan Hutan Mangrove di Kelurahan Kuala
Kecamatan Singkawang Barat Kota Singkawang” oleh Khairiansyah dkk (2018). Tujuan
dari penelitian tersebut untuk mengetahui persepsi masyarakat lokal terhadap keberadaan
kawasan hutan mangrove di Kelurahan Kuala dan menganalisis hubungan masing-
masing faktor: pengetahuan, pendapatan dan kosmopolitan dengan persepsi masyarakat
lokal. Metode yang digunakan yakni dengan teknik komunikasi langsung dibantu
kuesioner dan dari data yang diperoleh digunakan analisis distribusi frekuensi dan
distribusi tabulasi silang yang kemudian diuji dengan uji statistik non parametrik Chi-
square yang juga ditentukan koefisien kontingensinya. Hasil penelitian menunjukkan
bawa persepsi masyarakat terhadap keberadaan hutan mangrove yaitu 12% memiliki
persepsi tinggi, 71% memiliki persepsi sedang, dan 17% memiliki persepsi rendah dan
hipotesis pertama yang digunakan diterima. Berdasar hasil analisis chi-square terdapat
hubungan signifikan antara tingkat pengetahuan dan tingkat kosmopolitan dengan
persepsi masyarakat terhadap keberadaan hutan mangrove di Kelurahan Kuala dengan
nilai C sebesar 0,360 yang berarti hubungan keeratan antara tingkat kosmopolitan dengan
persepsi adalah rendah.
Pada praktikum kali ini dilakukan uji non parametrik. Pada uji keselarasan
(goodness of fit test) ingin mengetahui pola distribusi diameter dari berbagai kawasan
hutan yang terletak di lima lokasi yang berbeda. Lokasi tersebut dilambangkan dengan
site A, site B, site C, site D, dan site E. Dari hasil uji dengan metode kolmogorov-
smirnov dapat diketahui bahwa sebaran diameter pada ke lima lokasi (site A, B, C, D,
dan E) mengikuti pola distribusi normal yang ditandai dengan nilai Sig. > 0.05.
Pada uji kontingensi ingin mengetahui asosiasi antara Diospyros cauliflora dan
Cananga ordorata pada suatu ekosistem hutan. Dari total 100 petak ukur yang telah
dibuat diketahui bahwa sebanyak 20 spesies Diospyros cauliflora ditemukan yang berarti
sebanyak 80 spesiesnya tidak ditemukan sedangkan untuk spesies Cananga ordorata
ditemukan 5 spesies dan 95 spesies tidak ditemukan. Hasil uji Chi-Square
memperlihatkan bahwa nilai Sig. < 0.05 artinya H0 ditolak sehingga dinyatakan terdapat
hubungan yang signifikan antara spesies tumbuhan yakni Diospyros cauliflora dan
Cananga odorata dengan jumlah ditemukannya spesies tersebut atau tidak ditemukan.
Nilai koefisien contingency (C) dari kedua variabel mencapai 0,221. Berdasar tabel nilai
interpretasi koefisien korelasi dan tingkat hubungan nilai C sebesar 0,221 termasuk
dalam interval koefisien 0,20 – 0,399 dengan tingkat hubungannya yakni rendah
(Sugiyono, 2014). Hal ini berarti asosiasi atau keeratan antara Diospyros cauliflora dan
Cananga ordorata pada suatu ekosistem adalah rendah.

V. KESIMPULAN
Berdasarkan hasil praktikum dapat disimpulkan bahwa :
1. Uji keselarasan digunakan untuk menilai pola distribusi dari data yang diperoleh.
Penggunaan uji keselarasan pada praktikum ini yaitu untuk mengetahui pola
distribusi diameter dari berbagai kawasan hutan yang terletak di lima lokasi yang
berbeda yakni site A, site B, site C, site D, dan site E dengan hasilnya bahwa sebaran
diameter pohon pada kelima lokasi tersebut mengikuti pola distribusi normal.
2. Uji kontingensi berfungsi untuk mengetahui asosiasi atau relasi dari dua perangkat
atribut yang digunakan. Penggunaan uji kontingensi pada praktikum ini yaitu untuk
mengetahui asosiasi antara Diospyros cauliflora dan Cananga ordorata pada suatu
ekosistem hutan dengan hasilnya bahwa terdapat hubungan yang signifikan antara
spesies tumbuhan yakni Diospyros cauliflora dan Cananga odorata dengan jumlah
ditemukannya spesies tersebut atau tidak ditemukan dan asosiasi atau keeratan antara
Diospyros cauliflora dan Cananga ordorata pada suatu ekosistem adalah rendah.

VI. DAFTAR PUSTAKA .

Dwidayati, Nurkaromah. 2011. Aplikasi Goodness Of-Fit Test Kolmogorovsmirnov

(K-S) Untuk Pengujian Waktu Tunggu Kecelakaan Pesawat Terbang. Jurnal

 Sainteknol Vol 9 No. 2.

Hadi, Sutrisno. 1991. Statistik Dalam Basica Jilid 1. ANDI OFFSET. Yogyakarta.

Junaidi. 2015. Memahami Skala-Skala Pengukuran. Fakultas Ekonomika dan

Bisnis, Universitas Jambi. Jambi.

Khairiansyah, M., S. Zainal., dan J. Nugroho. 2018. Persepsi Masyarakat Terhadap

Keberadaan Hutan Mangrove di Kelurahan Kuala Kecamatan Singkawang
Barat Kota Singkawang. Jurnal Hutan Lestari Vol. 6 (2) : 416 – 427.
Santoso, Hadi. 2009. Analisis Korelasi Berdasarkan Koefisien Kontingensi C
Menurut Cramer dan Simulasinya. Skripsi. Fakultas MIPA, Universitas Negeri
Semarang. Semarang.
Sugiyono. 2003. Statistik Non Parametrik untuk Penelitian. CV Alfabeta. Bandung.
Sugiyono. 2014. Metode Penelitian Kualitatif dan R & D. CV Alfabeta. Bandung.
Sujianto, Agus Eko. 2009. Aplikasi Statistik Dengan SPSS. Prestasi Pustaka. Jakarta.