1

MATERI 15
STATISTIKA NONPARAMETRIS

A. Tujuan Materi Statistika Non Parametrik

1. Memahami uji statistika nonparametris

2. Menggunakan statatistika nonparametris untuk menguji data statistik
3. Melakukan uji statistik dengan statistika nonparametris

B. Landasan Teori
Pada materi sebelumnya telah diuraikan tentang statistika untuk tujuan mengambil
kesimpulan atau dikenal dengan statistika inferensial. Namun demikian semua uji statistik
yang telah dipelajari, semuanya mempersyaratkan data berdistribusi normal. Statistik
yang mempersyaratkan data berdistribusi normal disebut statistika parametris. Jika
distribusi normal ini tidak terpenuhi, maka analisis statistika yang digunakan adalah
statistika nonparametris.
Statistika nonparametris disebut juga statistika bebas distribusi. Karena statistika
jenis ini tidak mempersyaratkan distribusi normal, maka statistika nonparametris banyak
digunakan untuk menganalisis data berbentuk nominal dan ordinal. Untuk dapat
menggunakan statistika nonparametris Sugiono (2004: 9) menguraikan berbagai jenis
statistika nonparametris sesuai dengan jenis data yang akan diolah sebagai berikut.
1. Untuk menguji hipotesis komparatif dua sampel yang berpasangan bila datanya
berbentuk nominal digunakan teknik Mc Nemar
2. Untuk menguji hipotesis komparatif dua sampel berpasangan bila datanya
berbentuk ordinal digunakan teknik statistik:
a. Sign Test (uji tanda)
b. Wilcoxon Matched Pairs
3. Untuk menguji hipotesis komparatif dua sampel independen bila datanya berbentuk
nominal digunakan teknik statistik:
a. Fisher Exact Probability
b. Chi Kuadrat Dua Sampel
4. Untuk menguji hipotesis komparatif 2 sampel independen bila datanya berbentuk
ordinal digunakan teknik statistik:

1
 2

a. Median Test
b. Mann-Whitney U Test
c. Kolmogorov Smirnov
d. Wald-Wolfowitz
5. Untuk menguji hipotesis komparatif 2 sampel berpasangan bila datanya berbentuk
nominal digunakan teknik statistik Chocran Q.
6. Untuk menguji hipotesis komparatif k sampel berpasangan bila datanya berbentuk
ordinal digunakan teknik statistik Friedman Two-Way Anova.
7. Untuk menguji hipotesis komparatif k sampel independen bila datanya berbentuk
nominal digunakan teknik statistik Chi Kuadrat k sampel.
8. Untuk menguji hipotesis komparatif k sampel independen bila datanya berbentuk
ordinal digunakan teknik statistik:
a. Median Extension
b. Kruskal-Wallis One-Way Anova
9. Untuk menguji hipotesis asosiatif yang bersifat korelatif bila datanya berbentuk
nominal digunakan teknik statistik koefisien kontingensi.
10. Untuk menguji hipotesis asosias yang bersifat korelatif bila datanya berbentuk
ordinal digunakan teknik statistik:
a. Korelasi Spearman Rank
b. Korelasi Kendal Tau

2
 3

Dalam materi sebelumnya telah diperkenalkan beberapa penggunaan statistika

nonparametris saja terutama statistika yang biasa digunakan pada pengolahan data di
bidang pendidikan sebagai alternatif bila datanya tidak berdistribusi normal.

1. Uji Wilcoxon
Uji Wilcoxon disebut juga uji peringkat bertanda. Uji Wilcoxon adalah uji
nonparametris sebagai alternatif dari uji t, bila syarat-syarat untuk uji t tidak terpenuhi.
Uji Wilcoxon digunakan untuk memperbandingkan dua rerata yang sampel-sampelnya
saling bergantungan, berpasangan atau berkorelasi. Asumsi yang mendasari
digunakannya uji Wilcoxon adalah data sampel kontinyu dan skalanya paling tidak
ordinal.
Uji Wilcoxon digunakan untuk data yang diperoleh melalui pengukuran beruntun
ataupun subyek berpasangan. Dalam perhitungannya, harga mutlak dari selisih skor-skor
yang berpasangan diurutkan sesuai peringkat. Peringkat yang menghasilkan selisih positif
+ −
atau selisih negatif dijumlahkan menghasilkan J dan J . Selanjutnya nilai-nilai
+ − +
J dan J sehingga diperoleh nilai J yaitu nilai terkecil di antara J dan
−
J . Bila J ini lebih kecil dari nilai J dalam tabel untuk N pasang, maka H0
ditolak. Sebagai catatan bila selisih antar kelompok nilainya 0 maka pasangan kelompok
tersebut tidak diberi peringkat. Selain itu bila tanda selisih berbeda sedangkan nilainya
sama, maka pasangan-pasangan kelompok tersebut diberi peringkat yang sama.
Perhatikan bahwa karena selisih sampel-sampel yang berpasangan nilainya 0, maka
sampel tersebut menjadi hilang dari peredaran. Bila banyaknya sampel-sampel
berpasangan yang selisihnya 0 melebihi 20% dari total sampel yang ada, maka
penggunaan uji Wilcoxon ini menjadi tidak tepat.
Untuk sampel yang berukuran 26 sampai 30, dapat digunakan rumus:
J −z α
J α=
J ( 2 N +1 )

di mana:
2
√ 6

N ( N +1 )
J=
4

3
 4

Sedangkan untuk sampel yang berukuran lebih besar dari 30 dapat digunakan
pendekatan distribusi normal dengan rumus:
J α −J
z=
σJ
α

di mana:

N ( N +1 )( 2 N +1 )

2. Uji Tanda (Sign Test)

σ J α=
√ 24

Uji Tanda merupakan uji nonparametris yang digunakan sebagai alternatif uji
Wilcoxon terutama apabila prasyarat dalam uji Wilcoxon tidak terpenuhi. Uji Tanda
digunakan untuk menentukan perbandingan 2 sampel berpasangan bila datanya ordinal.
Asumsi lainnya adalah skor selisih sampel satu sama lainnya tidak terikat dan mediannya
nol.
Tanda yang biasa digunakan dalam uji Tanda adalah + dan –. Penggunaan dari
kedua tanda ini tergantung pada penentuan arah dari sampel kesatu ke sampel kedua
secara teoritis. Banyaknya tanda + dan tanda – selanjutnya dibandingkan dan diambil
tanda yang paling sedikit sebagai hasil uji tanda. Bila hasil uji tanda ini dinyatakan

dengan h , maka nilai h observasi ini selanjutnya dibandingkan dengan h yang

ada pada tabel untuk n observasi. Bila h observasi lebih kecil atau sama dengan

harga h pada tabel, maka H0 ditolak. Dalam kondisi lain H0 diterima. Perhatikan bahwa

nilai-nilai kritis h untuk uji Tanda terbatas sampai n=95 . Untuk n yang lebih

dari 95, maka harga h dapat dihitung dengan jalan mengambil bilangan bulat terdekat
1
( n−1 )−k √ n+1 k=1,2879 α=0 ,01 dan
yang lebih kecil dari 2 dengan untuk

k=0,98 untuk α=0,05 . Penentuan nilai h kritis juga dapat menggunakan tabel

binomial untuk n observasi dan p=h .

Untuk sampel besar (N > 25) dapat digunakan rumus uji Chi-Kuadrat dengan

df =1 sebagai berikut.
2
2 {( n 1−n2 ) −1 }
χ =
n1 + n2

di mana:

4
 5

n1 = Banyak data positif

n1 = Banyak data negatif

3. Uji Mann-Whitney (Uji U)

Menurut Ruseffendi (1994: 498) uji Mann-Whitney atau uji U adalah uji
nonparametris yang cukup kuat sebagai pengganti uji t di mana distribusi t tidak
terpenuhi. Uji Mann-Whitney pada dasarnya digunakan sebagai alternatif uji rerata
apabila asumsi normalitas dilanggar dan variansinya tidak sama. Dengan demikian untuk
uji rerata yang memperbandingkan sampel-sampel independen dapat digunakan uji Mann-
Whitney.
Uji Mann-Whitney adalah uji nonparametris untuk data dengan skala ordinal.
Oleh karena itu, langkah utama yang harus dilakukan adalah mengurutkan data pada
kedua skor dalam peringkat. Kondisi yang mungkin terjadi adalah adanya
pengelompokkan skor pada kedua sisi. Jika hal ini terjadi, maka hasil uji Mann-Whitney
menunjukkan bahwa perbedaan antara kedua kelompok terjadi sangat signifikan. Dalam
hal ini nilai uji Mann-Whitney atau U = 0.
Kondisi lain yang mungkin terjadi adalah skor-skor menurut peringkatnya ada di
dua sisi secara acak. Bila hal ini terjadi, maka kemungkinan terjadi perbedaan antara
kedua sampel tersebut relatif kecil. Jika hasil uji statistik menunjukkan bahwa perbedaan
antara kedua sampel tidak terjadi secara signifikan, dapat disimpulkan bahwa perbedaan
antara kedua sampel itu memang tidak ada atau tidak identik. Untuk menentukan

signifikansi perbedaan antara kedua sampel ini, nilai

U hit harus dibandingkan dengan

U tab dengan ketentuan jika

U hit <U tab maka H0 ditolak yang berarti perbedaan

antara kedua sampel terjadi secara signifikan.

U hit diperoleh dari nilai terkecil di antara

2 kelompok U 1 dan U 2 . Sedangkan U 1 dan U 2 diperoleh dari persamaan:

U 1 =n1 n2 −U 2
di mana:
U1 = Jumlah banyak kalinya dari unsur-unsur 1 mendahului unsur-unsur
2

5
 6

U2 = Jumlah banyak kalinya dari unsur-unsur 2 mendahului unsur-unsur

1
n1 = Banyaknya unsur 1

n2 = Banyaknya unsur 2
Alternatif lain dapat digunakan rumus sebagai berikut.
1
U 1 =n1 n2 + 2 n1 ( n1 +1 ) −∑ R1 dan
1
U 2 =n1 n 2 + 2 n2 ( n2 +1 ) −∑ R2
di mana:
R1 = Peringkat unsur 1
R2 = Peringkat unsur 2
Perlu diketahui bahwa penggunaan rumus-rumus uji Mann-Whitney di atas
berlaku untuk sampel ukuran kecil. Oleh karena itu tabelnya pun terbatas. Bila ukuran
sampelnya besar dapat digunakan kurva normal sebagai pendekatan. Rumus yang
digunakan untuk sampel besar adalah
1
U − 2 n 1 n2
z=
n1 n 2 ( n1 + n2 +1 )
√ 12
Sebagai catatan, walaupun uji Mann-Whitney ini kuatnya hampir sekuat uji t, tetapi
kekuatannya itu menurun bila skor kembarnya banyak.

4. Uji Median (Median Test)

Uji median merupakan uji alternatif dari uji Mann-Whitney dan juga uji t. Seperti
telah diuraikan, uji Mann-Whitney adalah uji nonparametris yang digunakan untuk uji
perbandingan dua rerata sampel bebas dengan asumsi distribusi probabilitasnya kontinyu
untuk data skala ordinal. Bila syarat uji ini tidak terpenuhi terutama bila distribusinya
tidak kontinyu alternatifnya dapat digunakan uji median.
Pada uji median, bilangan-bilangan dari beberapa sampel digabungkan, lalu
mediannya dihitung. Selanjutnya bilangan-bilangan yang ada di atas ataupun di bawah
median digabungkan dalam kelompok berbeda (kelompok atas dan kelompok bawah).
Untuk memperjelas penggunaan uji median ini, perhatikan tabel berikut.

Tabel 12.2 Uji Median

6
 7

KELOMPOK KELOMPOK 1 KELOMPOK 2 JUMLAH

Kelompok Atas A B A+B
Kelompok Bawah C D C+D
Jumlah n1 = A+C n2  B  D N  n1  n 2

2
Statistika yang digunakan untuk uji median adalah χ dengan rumus:
1 2
2
χ =
{
N ( AD−BC )− 2 N }
( A+ B )( C + D )( A+C ) ( B+ D )

untuk df =k−1=1

5. Uji Friedman Two-Way Anova

Friedman two way anova digunakan untuk menguji hipotesis komparatif k sampel
berpasangan bila datanya berbentuk ordinal. Bila data tidak berbentuk ordinal, maka data
tersebut harus diubah terlebih dahulu menjadi data ordinal.
Rumus yang digunakan dalam tes Friedman adalah sebagai berikut.
k
2 12
χ = ∑ ( R )2−3 N ( k +1 )
Nk ( k +1 ) j=1 j
di mana:
N = Banyak baris dalam tabel
k = Banyak kolom
R j = Jumlah rangking dalam kolom

untuk df =k−1

6. Uji Kruskal-Wallis One Way Anova

Uji Kruskal-Wallis One Way Anova atau Anova satu jalur Kruskal-Wallis
digunakan untuk menguji hipotesis k sampel independen bila datanya berbentuk ordinal.
Jika data sampel masih berbentuk interval atau rasio, maka data tersebut harus diubah
terlebih dahulu menjadi data ordinal.
Rumus yang digunakan untuk Anova satu jalur Kruskal-Wallis adalah sebagai
berikut.

12
k
Rj2
H= ∑ −3 ( N +1 )
N ( N +1 ) j=1 n j

7
 8

di mana:
H = Kruskal-Wallis di bawah distribusi Chi Kuadrat
N = Banyak baris dalam tabel
k = Banyak kolom
R j = Jumlah rangking dalam kolom

untuk df =k−1

7. Uji Perluasan Median (Median Extention)

Uji perluasan median (Median Extention) merupakan uji nonparametris yang
2
fungsinya sama dengan uji Kruskal Wallis. Uji yang digunakan adalah uji χ dengan
rumus sebagai berikut.

( f 0 −f h )
χ 2 =∑
ij ij

fh
ij

di mana:
f0 = Banyak kasus pada baris ke-i dan kolom ke-j
fh = Banyak kasus yang diharapkan pada baris ke-i dan kolom ke-j

Derajat kebebasan untuk rumus di atas adalah df =( k−1 ) ( r−1 ) , dimana:

k adalah banyaknya kolom dan r adalah banyaknya baris.
Seperti pada tes median, langkah pertama yang harus dilakukan pada perluasan tes
median adalah menggabungkan seluruh data untuk dicari mediannya. Selanjutnya tiap
kelompok data dikelompokkan menjadi 2 kelompok di mana posisi data ada di atas

median dan di bawah median. Dalam hal ini yang dimaksud dengan
f h adalah rerata
dari pengelompokkan di mana banyaknya posisi data ada di atas median dan di bawah
median atau karena jumlah yang diharapkan dengan peluang tiap kelompok adalah 0,5

maka
f h=0,5∗J di mana J adalah jumlah data yang ada di atas median dan di

bawah median. Sebagai catatan bila dalam sel terdapat

f h yang nilainya kurangnya dari
5 sebanyak 20%, maka Chi Kuadrat tidak dapat digunakan untuk analisis.

8. Koefisien Korelasi Biseri (Biserial Coefficient of Correlation)

8
 9

Korelasi biseri adalah statistika yang digunakan untuk menentukan hubungan

antara 2 variabel berskala metrik yang salah satunya memiliki sifat dikotomus (salah
satunya telah dijadikan dua subkelompok). Bila kedua subkelompok tersebut terpisah
secara jelas, misalkan subkelompok laki-laki dan subkelompok perempuan, maka korelasi
yang terjadi disebut korelasi biseri titik. Bila korelasi itu terjadi antara X dan Y di mana X
didikotomikan, maka asumsi-asumsi yang mendasari penggunaan korelasi biseri ini
adalah sebagai berikut.
1. Y berdistribusi normal
2. Asal distribusi variabel X berbentuk normal
3. Regresi untuk variabel Y atas X berbentuk linear
Rumus yang digunakan adalah sebagai berikut.

( Y 1 −Y 2 ) pq
rb=
u sy
dengan
rb
= Koefisien korelasi biseri
Y1 = Rerata variabel Y untuk kategori 1
Y 2 = Rerata variabel Y untuk kategori 2
p = Proporsi subyek yang ada pada ketegori 1
q = Proporsi subyek yang ada pada kategori 2
sy = Simpangan baku Y
u = Tinggi ordinat kurva normal baku pada titik z yang memotong bagian
luas normal baku menjadi bagian p dan q
Misalkan dari 145 murid diperoleh informasi bahwa ada 21 murid yang selalu
belajar dan 124 murid tidak belajar. Proporsi untuk masing-masing kelompok adalah

21 124
p= =0 , 1448 q= =0 , 8552
145 dan 145 . Tentu saja nilai p+q=1 , sehingga
q=1− p . Untuk nilai-nilai p=0 ,1448 dan q=0 ,8552 diperoleh nilai

z1 =1 , 06
( 0,8552−0 ,1448 )
2 (pada daftar luas di bawah lengkungan normal standar 0 ke z).

9
 10

Dengan demikian untuk z=1,06 diperoleh u=0,2275 (pada daftar tinggi ordinat y
untuk normal standar).

Untuk menguji signifikan korelasi ( ρ≠0 ) dapat digunakan pendekatan

distribusi normal. Glass dan Hopkins (Ruseffendi, 1993: 490) mengemukakan pendapat
beberapa para ahli bahwa bila koefisien korelasi biseri populasinya sama dengan nol,

rb
σr
maka untuk sampel besar b itu mendekati distribusi normal dengan rerata nol dan
deviasi baku 1. Jadi,
rb
z=
σr
b

untuk

pq
σ rb = √
u √n

9. Koefisien Korelasi Biseri Titik (Point Biserial Coeffisient of Correlation)

Seperti yang telah diuraikan pada pembahasan sebelumnya, koefisien korelasi
biseri titik adalah koefisien biseri di mana subkelompok-subkelompoknya terpisah secara
jelas. Koefisien korelasi biseri titik adalah koefisien korelasi Pearson yang salah satu
peubahnya secara alamiah dikhotomi dengan skala nominal dan peubah yang lain
sekurang-kurangnya berskala interval (metrik). Karena subkelompok-subkelompok dalam
koefisien biseri titik terpisah secara jelas dengan skala nominal maka nilai-nilai untuk
peubah dikhotominya dapat ditentukan secara sembarang, misalkan 1 untuk subkelompok
1 dan 0 untuk subkelompok lainnya (angka 1 dan 0 hanya bersifat indentitas saja bisa
diganti dengan angka lain atau angka sembarang.
Rumus untuk menentukan koefisien korelasi biseri titik adalah sebagai berikut.

( Y 1−Y 0 ) √ pq
r bt =
sy
dengan
r bt = Koefisien korelasi biseri titik
Y1 = Rerata variabel Y untuk kategori bernilai 1

10
 11

Y 0 = Rerata variabel Y untuk kategori bernilai 0

p = Proporsi subyek yang ada pada ketegori bernilai 1

q = Proporsi subyek yang ada pada kategori bernilai 0
sy = Simpangan baku Y
Uji signfiikansi korelasi biseri titik digunakan rumus:
r bt √ n−2
t=
√ 1−rbt2
untuk df =n−2

C. Langkah-langkah Praktikum
Permasalahan 1
Seorang guru ingin mengetahui apakah ada perbedaan hasil belajar matematika
siswa antara siswa yang diberi pembelajaran dengan model A dan model B. Ia mengambil
sampel sebanyak 41 orang yang ia bagi ke dalam 2 kelompok secara acak. Kelompok X
terdiri dari 20 orang siswa mendapatkan model pembelajaran A dan kelompok Y terdiri
dari 21 orang siswa mendapatkan model pembelajaran B. Hasil penelitiannya dapat
dilihat pada tabel berikut.
X Y X Y
14 12 16 12
9 20 13 15
12 4 14 14
50 20 30 12
13 12 40 12
12 60 12 14
11 10 15 9
12 16 13 14
19 10 12 7
18 14   7
14 9    

Tunjukkan apakah terdapat perbedaan hasil belajar antara siswa yang mendapatkan model
A dengan siswa yang mendapatkan model B!
Untuk menjawab permasalahan di atas akan digunakan program SPSS dengan
langkah-langkah pengolahan data sebagai berikut.

11
 12

1. Ujilah terlebih dahulu normalitas dari kedua data di atas, misalkan dengan uji one
sample Kolmogorov-Smirnov (lihat langkah-langkah uji normalitas pada bab
sebelumnya).
2. Bila hasil uji normalitas menyatakan bahwa kedua data tidak berdistribusi normal,
tanpa melakukan transformasi data dan triming, kita akan melakukan uji statatistik
nonparametris dengan uji Mann-Whitney.
3. Seperti pada uji rerata untuk sampel bebas, langkah pertama yang dilakukan adalah
memasukkan data pada data view sesuai dengan variabel-variabel yang didefinisikan
pada variable view. Perlu diingat, pada uji perbandingan dua sampel independen,
variabel independen dan dependen harus dapat diidentifikasi dengan jelas. Misalkan
pada variabel independen kita beri nilai 1 dan 2 untuk masing-masing kelompok X
dan kelompok Y. Pada SPSS pemberian nilai ini terdapat pada value labels.
4. Apabila semua data telah di-input dengan benar, dari menu utama SPSS klik Analyze
 Nonparametric Tests  2 Independent Samples sehingga muncul kotak dialog
seperti nampak di bawah ini.

Gambar 12.1 Uji Nonparametris Dua Sampel Bebas

5. Masukkan variabel Nilai ke kotak Test Variable List dan variabel Nilai ke dalam
Grouping Variable, kemudian klik Define Groups untuk memunculkan jendela
Define Groups

12
 13

Gambar 12.2. Jendela Define Groups pada Uji Nonparametris

6. Masukkan nilai 1 dan 2 ke Group 1 dan Group 2, lalu tekan Continue untuk kembali
ke jendela Two Independent Samples Tests.
7. Pilih Mann Whitney U pada Test Type, abaikan yang lain kemudian tekan OK.

Analisis Output
Hasil ouput uji Mann Whitney menunjukkan bahwa nilai Asymp. Sig (2-tailed)
berada di atas 0,05, sehingga H0 diterima. Dengan demikian hasil belajar kedua kelompok
tersebut tidak berbeda secara signifikan.

Permasalahan 2
Dari sebuah laporan disebutkan bahwa ada kecenderungan perbedaan prestasi
kerja guru SMP bila ditinjau dari jarak rumah ke sekolah. Untuk menindaklanjuti laporan
tersebut seorang guru matematika di SMP tersebut telah melakukan penelitian terhadap
sejumlah guru yang dibagi ke dalam 3 kelompok, kelompok 1 untuk jarak 0 - 5 km,
kelompok 2 untuk jarak lebih dari 5 km sampai 10 km dan kelompok 3 untuk jarak lebih
dari 10 km. Data hasil penelitian dapat dilihat pada tabel berikut.
NO 0-5 km >5-10 km >10 km
1 70 75 65
2 75 86 68
3 82 53 70
4 63 62 73
5 54 67 59
6 48 83 64
7 65 85 75
8 67 45 83
9 68 67  

13
 14

10   69  

Untuk membuktikan hasil laporan tadi, langkah-langkah pengolahan data yang

dilakukan adalah sebagai berikut.
1. Pada Variable view, buatlah nama variabel jarak dan prestasi, kemudia klik icon yang
ada pada kolom Values untuk memunculkan jendela Value Lbels.

Gambar 12.3. Jendela Value Labels

2. Beri nilai 1 untuk jarak 0-5 km, nilai 2 untuk jarak lebih dari 5-10 km dan beri
nilai 3 untuk jarak lebih dari 10 km. Kemudian klik OK dan lanjutkan dengan peng-
input-an seluruh data hasil penelitian sesuai dengan variabel yang telah didefinisikan.
3. Dari menu utama SPSS, klik Analyze  Nonparametric Test  K Independent
Samples sehingga muncul jendela berikut.

Gambar 12.4. Jendela Test Nonparametric Kruskal-Wallis

4. Masukkan variabel Prestasi ke dalam kotak Test Variable List dan variabel Jarak ke
Grouping Variable, lalu pilih Define Range dan masukkan angka 1 untuk Range
Minimum serta angka 3 untuk Range Maximum.
5. Pada bagian Test Type pilih Kruskal-Wallis H, lalu tekan OK.

14
 15

Analisis Output
Pada bagian output nampak bahwa signifikansi hasil uji Kruskal-Wallis
menunjukkan nilai di atas 0,05 yang berarti H0 tidak mungkin ditolak. Dengan demikian
perbedaan itu nyatanya tidak terjadi.

D. Tugas
1. Perhatikan kembali tugas pengolahan data pada modul 4 ini. Gunakan statistika
nonparametris untuk menguji kedua data tersebut, kemudian bandingkan hasilnya
dengan uji paramteris! Apa yang dapat disimpulkan? Ujilah terlebih dahulu
normalitas datanya dengan uji Lilliefors!
2. Seorang guru di suatu SMP bermaksud ingin mengetahui korelasi antara nilai ujian
dengan persiapan belajar. Untuk maksud tersebut, ia memberikan tes kepada sejumlah
siswa yang diambil secara acak. Selesai tes, semua siswa diberi angket untuk
mengetahui kesiapan siswa sebelum mengikuti tes. Hasilnya dari penelitiannya dapat
dilihat pada tabel berikut.

KONDISI SISWA SEBELUM TES

RENTANG
BELAJAR TIDAK BELAJAR
45 – 49 2 30
50 – 54 1 27
55 – 59 3 29
60 – 64 4 18
65 – 69 5 10
70 – 74 5 3
75 – 79 6 2

Tentukan apakah korelasi tersebut terjadi atau tidak?

3. Seorang guru olahraga bermaksud memilih 10 orang siswa untuk diikutsertakan
dalam suatu lomba lari cepat 100 m. Setelah mendapatkan 10 orang siswa terbaik,
kemudian ia melatih kesepuluh siswa tersebut. Selama pelatihan, ia mencatat
perkembangan kesepuluh siswa tersebut terutama sebelum dan sesudah diberi
pelatihan. Hasilnya dapat dilihat pada tabel berikut.
KONDISI SISWA
SISWA S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
Sebelum dilatih 14 13 11 15 17 19 16 19 13 11
Sesudah dilatih 18 15 14 19 18 19 20 21 17 15

15
 16

Tunjukkan apakah hasil latihan memberikan perkembangan yang berarti bagi

kemampuan lari siswa?
Petunjuk: Gunakan Uji Wilcoxon
4. Sebuah penelitian dimaksudkan untuk mengetahui perbedaan daya tangkap siswa
terhadap pelajaran Matematika. Sampel diambil dari dua kelas berbeda yang masing-
masing berjumlah 15 orang dan 12 orang. Hasilnya nampak pada tabel berikut.
SISWA
KELAS 1 2 3 4 5 6 7 8 9 10 11 12 1 14 15
3
A 34 56 67 43 56 2 45 56 87 98 65 47 4 67 85
3 5
B 23 43 56 78 98 7 54 32 45 56 67 78
6

Tentukan apakah perbedaan itu ada?

Petunjuk: Gunakan Uji Median
5. Seorang guru ingin meneliti tentang hasil belajar siswa berdasarkan status sosial
ekonomi siswa. Data hasil penelitiannya ditampilkan pada tabel berikut.
STATUS SISWA
EKONOMI S1 S2 S3 S4 S5 S6 S7 S8
KAYA 50 20 45 60 75 46 77 85
MENENGAH 45 60 75 80 68 83 69
MISKIN 45 87 56 60 45 56

Tentukan apakah perbedaan itu ada?

Petunjuk: Gunakan Kruskal-Wallis One Way Anova

E. Sumber Bacaan
1. Ruseffendi. 1993. Statistika Dasar untuk Penelitian Pendidikan. Jakarta: Dirjen
Dikti, Depdikbud
2. Sudjana. 2005. Metode Statistika. Bandung: Tarsito
3. Sugiyono. 2004. Statistik Nonparametris untuk Penelitian. Bandung: Alfabeta

--------------------------

Diperiksa tanggal: Paraf Nilai

16
 17

17