I I
S T I K E S
A
E
Oleh :
NIM: 19.20.3046
TAHUN 2020
i
KATA PENGANTAR
Dengan mengucapkan puji syukur kehadirat Tuhan yang Maha Esa, yang telah
memberikan berkat, rahmat, serta karunia-Nya, sehingga kami dapat menyelesaikan makalah
STATISTIK PARAMETRIK DAN NON PARAMETRIK”. Dengan membuat tugas ini kami
diharapkan mampu untuk lebih mengerti materi ini.
Kami sadar, sebagai seorang Mahasiswa yang masih dalam proses pembelajaran,
penulisan makalah ini masih banyak kekurangannya. Oleh karena itu, kami sangat
mengharapkan adanya kritik dan saran yang bersifat positif, guna penulisan karya ilmiah
yang lebih baik lagi di masa yang akan datang.
Penulis
ii
DAFTAR ISI
Kata Pengantar...........................................................................................................i
Daftar Isi.....................................................................................................................ii
Bab I Pendahuluan.....................................................................................................1
1.1........................................................................................................................Latar
Belakang........................................................................................................1
1.2........................................................................................................................Rumusan
Masalah.........................................................................................................2
1.3........................................................................................................................Tujuan 2
Bab II Pembahasan.....................................................................................................3
3.1 Kesimpulan....................................................................................................22
Daftar Pustaka............................................................................................................23
iii
1
BAB I
PENDAHULUAN
1.3 TUJUAN
1. Untuk mengetahui Statistik Parametrik.
2. Untuk mengetahui Statistik Non-Parametrik.
3. Untuk mengetahui penggolongan analisis statistik parametik dan statistik non
parametik
4. Untuk mengetahui Perbedaan Statistik Parametik dan Non Parametrik
5. Untuk mengetahui tentang uji prasyarat
6. Untuk mengetahui tentang uji asumsi klasik
3
BAB II
PEMBAHASAN
data Berat Badan Knosumen remaja, Konnsumen Mud dan konsumen Dewasa,
maka jumlah data terlalu sedikit untuk diproses dengan uji F (uji lebih dari dua
sampel), walaupun tipe data rasio.Untuk data yang tidak memenuhi salah satu
asumsi tersebut, lebih baik menggunakan prosedur statistik non parametrik untuk
proses data.
PARAMETRIK NONPARAMETRIK
Deskriptif
Asumsi Distribusi Normal -
Asumsi Varian Homogen -
Jenis Data Rasio atau Interval Ordinal atau Nominal
Hubungan data set Independent -
Ukuran central Mean Median
Manfaat Lebih banyak kesimpulan Sederhana dan sedikit
outlier
Tes
Uji korelasi Pearson, Regresi Spearman
Uji 2 Kelompok, Independent Sample t test Mann-Whitney
berbeda
Uji 2 Kelompok lebih, Independent One Way Kruskal-Wallis
berbeda ANOVA
Uji berulang, 2 kondisi Paired Sample t Test Wilcoxon
Uji berulang, 2 kondisi Repeated One Way Friedman
lebih ANOVA
Menurut Dahlan (2005:12) mengemukakan bahwa uji non parametric digunakan untuk
keadaan sebagai berikut :
Jika masalah skala pengukuran variabel adalah kategorik (ordinal dan nomilnal).
Jika data dengan masalah skala pengukuran numerik tetapi tidak memenuhi syarat
untuk uji parametrik( misalnya distribusi data tidak normal), maka dilakukan uji
nonparametrik yang menrupakan alternatif dari uji parametriknya.
8
rasio memiliki titik nol mutlak. Pemahaman terhadap skala pengukuran sangat
penting, karena itu akan diterangkan lebih rinci pada bahasan selanjutnya.
Unit Penelitian : Adalah satuan atau unit yang diteliti baik berupa individu maupun
kelompok yang dapat memberikan informasi tentang aspek-aspek yang dipelajari atau
diteliti. Misalnya, petani, keluarga petani, atau kelompok petani.
SKALA PENGUKURAN
a) Skala Nominal
Skala nominal merupakan skala pengukuran yang paling lemah tingkatannya, sering
dikatakan sebagai bukan ukuran yang sebenarnya sebab hanya merupakan tanda atau
simbol untuk melakukan pengkategorian. Contohnya, pengukuran variabel jenis
kelamin didasarkan pada skala nominal, yaitu 1 untuk mengkategorikan jenis kelamin
pria dan 2 untuk mengkategorikan jenis kelamin wanita
b) Skala Ordinal
Berbeda dengan skala nominal, ukuran skala ordinal selain dapat menunjukkan
persamaan dan perbedaan juga bisa menunjukkan adanya urutan, rangking, atau
tingkatan. Sebagai contoh adalah variabel tingkat kepandaian, hasil-hasil pengukuran
1, 2, 3, dan 4 selain bisa digunakan untuk menunjukkan perbedaan, seperti 1 berbeda
dengan 2 karena 1=bodoh sekali sedangkan 2=bodoh atau 2 beda dengan 3 karena
2=bodoh sementara 3=pandai, juga menunjukkan adanya urutan.
c) Skala Interval
Skala interval termasuk ukuran yang bersifat numerik, dengan demikian jarak diantara
ukuran yang berbeda sudah memiliki makna. Contoh variabel yang memiliki skala
numerik adalah tahun kelahiran. Berdasarkan persamaan dan perbedaan dapat dengan
mudah memahami bahwa yang lahir tahun 1960 berbeda dengan yang lahir pada tahun
1990, demikian pula halnya dengan pemahaman urutan, yang lahir tahun 1960 berarti
lebih dahulu ada di dunia dibandingkan dengan yang lahir tahun 1990.
d) Skala Rasio
Skala rasio bisa disebut sebagai skala pengukuran yang paling kuat. Skala rasio
memiliki semua sifat skala interval, yang membedakannya adalah, kalau skala interval
tidak memiliki titik nol mutlak, skala rasio memilikinya. Skala rasio dapat
dicontohkan pada pengukuran variabel berat badan. Pada variabel berat badan dapat
menyatakan bahwa seseorang berat badannya lebih ringan atau lebih berat sekian kali
dari yang lain. Misalnya seorang anak kecil bernama P berat badannya 10 kg, Q = 20
kg, dan R yang sudah remaja 40 kg.
x=
∑ f xi
n
12
∑ f ( x i−x )2
S=
√ n−1
6) dk = k – 1
dk = Derajat kebebasan
k = banyak kelas interval
7) Menentukan Nilai Uji Statistik
Keterangan:
Oi = frekuensi hasil pengamatan pada klasifikasi ke-i
Ei = Frekuensi yang diharapkan pada klasifikasi ke-i
8) Menentukan Kriteria Pengujian Hipotesis
13
9) Memberi Kesimpulan
3. Uji Liliefors
Menurut Sudjana (1996: 466), uji normalitas data dilakukan dengan
menggunakan uji Liliefors (Lo) dilakukan dengan langkah-langkah berikut. Diawali
dengan penentuan taraf sigifikansi, yaitu pada taraf signifikasi 5% (0,05) dengan
hipotesis yang diajukan adalah sebagai berikut :
H0: Sampel berasal dari populasi yang berdistribusi normal
H1 : Sampel tidak berasal dari populasi yang berdistribusi normal
Dengan kriteria pengujian :
Jika Lhitung< Ltabel terima H0, dan
Jika Lhitung ≥ Ltabel tolak H0
Adapun langkah-langkah pengujian normalitas adalah :
a. Data pengamatan x1, x2 , x3, ….., xn dijadikan bilangan baku z1, z2 , z3,
x −x́
….., zn dengan menggunakan rumus i (dengan x́ dans masing-
s
masing merupakan rata-rata dan simpangan baku)
b. Untuk setiap bilangan baku ini dengan menggunakan daftar distribusi
normal baku, kemudian dihitung peluang F(zi) = P(z < zi).
c. Selanjutnya dihitung proporsi z1, z2 , z3, ….., zn yang lebih kecil atau
sama dengan zi. Jika proporsi ini dinyatakan oleh S(zi) maka:
banyaknya z 1 , z 2 , … , z n yang ≤z
S ( z i )= i
Untuk menerima atau menolak hipotesis nol (H 0), dilakukan dengan cara
membandigkan L0 ini dengan nilai kritis L yang terdapat dalam tabel untuk taraf
nyata yang dipilih
B. Uji Homogenitas
Uji homogenitas merupakan uji perbedan antara dua atau lebih populasi.
Semua karakteristik populasi dapat bervariasi antara satu populasi dengan yang
lain. Dua di antaranya adalah mean dan varian (selain itu masih ada bentuk
distribusi, median, modus, range, dll).
Penelitian yang selama ini baru menggunakan mean sebagai tolak ukur
perbedaan antara dua populasi. Para peneliti belum ada yang melakukan
pengujian atau membuat hipotesis terkait dengan kondisi varian diantara dua
kelompok. Padahal ini memungkinkan dan bisa menjadi kajian yang menarik.
Misalnya saja sangat memungkinkan suatu treatmen tidak hanya mengakibatkan
perbedaan mean tapi juga perbedaan varian. Jadi misalnya, metode pengajaran
tertentu itu cocok untuk anak-anak dengan kesiapan belajar yang tinggi tapi akan
menghambat mereka yang kesiapan belajarnya rendah. Ketika diberikan pada
kelas yang mencakup kedua golongan ini, maka siswa yang memiliki kesiapan
belajar tinggi akan terbantu sehingga skornya akan tinggi, sementara yang
kesiapan belajarnya rendah akan terhambat, sehingga skornya rendah. Nah karena
yang satu mengalami peningkatan skor sementara yang lain penurunan, ini berarti
variasi dalam kelompok itu makin lebar. Sehingga variansinya akan membesar.
Uji homogenitas bertujuan untuk mengetahui apakah varians skor yang diukur
pada kedua sampel memiliki varians yang sama atau tidak. Populasi-populasi
dengan varians yang sama besar dinamakan populasi dengan varians yang
homogen, sedangkan populasi-populasi dengan varians yang tidak sama besar
dinamakan populasi dengan varians yang heterogen.
Faktor-faktor yang menyebabkan sampel atau populasi tidak homogen adalah
proses sampling yang salah, penyebaran yang kurang baik, bahan yang sulit untuk
homogen, atau alat untuk uji homogenitas rusak. Apabila sampel uji tidak
homogen maka sampel tidak bisa digunakan dan perlu dievaluasi kembali mulai
dari proses sampling sampai penyebaran bahkan bila memungkinkan harus
diulangi sehingga mendapatkan sampel uji yang homogen.
Ada dua macam uji homogenitas untuk menguji kehomogenan dua atau lebih
variansi yaitu :
1. Uji Harley Pearson
Uji ini digunakan untuk menguji ukuran dengan cuplikan yang sama (n yang
sama ) untuk tiap kelompok, misalkan kita mempunyai dua populasi normal
dengan varians σ 12 dan σ 22, akan diuji mengenai uji dua pihak untuk pasangan
hipotesis nol H 0 dan tandingannya H1 :
15
H0 : σ 21=σ 22
{
H1 : σ 21 ≠ σ
s21 dan sampel dari populasi kedua berukuran n 2dengan varians s22 maka untuk
menguji hipotesis di atas digunakan statistik
s 21
F=
s 22
untuk taraf nyata α, dimana F β (m ,n) didapat dari daftar distribusi F dengan
peluang β, dk pembilang = m dan dk penyebut = n.
dalam hal lainnya H 0 ditolak.
Statistik lain yang digunakan untuk menguji hipotesis H 0adalah
Varians terbesar
F=
Varians terkecil
H0 : σ 21=σ 22
{H1 : σ 21 ≠ σ
s 21
F=
s 22
Varians terbesar
F=
Varians ter k ecil
5) Menarik kesimpulan
2. Uji Bartlett
Uji ini digunakan untuk menguji ukuran dengan cuplikan yang sama maupun
tidak sama (n yang sama maupun n yang berbeda) untuk tiap kelompok.
Untuk menguji kesamaan beberapa buah rata-rata, dimisalkan populasinya
mempunyai varians yang homogen, yaitu σ 12=σ 22=…=σ 2k . Demikian untuk
menguji kesamaan dua rata-rata, telah dimisalkan σ 12=σ 22, akan diuraikan
perluasannya yaitu untuk menguji kesamaan k buah (k≥2) buah populasi
berdistribusi independen dan normal masing-masing dengan varians
σ 12 , σ 21 , … , σ 2k . Akan diuji hipotesis :
H 0 : σ 21=σ 22=…=σ 2k
{
H 1 : paling sedikit satu tanda sama dengan tidak berlaku
DARI POPULASI KE
selanjutnya, dari 1 2 … k sampel-sampel itu akan
kita hitung variansnya Data hasil Y11 Y21 … . Yk 1 masing-masing adalah
pengamata Y 12 Y 22 … . Y k 2
s21=s 22=…=s 2k n … … …
Y 1n Y 2 n … . Y k n
1 2 k
17
Untuk memudahkan perhitungan, satuan-satuan yang diperlukan untuk uji Bartlett lebih baik
disusun dalam sebuah daftar seperti :
2 (∑ ( n1−1 ) s2i )
s=
∑ ( ni−1 )
Harga satuan B dengan rumus :
B=¿
x 2=¿
2 2
Dengan taraf nyata α, kita tolak hipotesis H 0 jika x ≥ x (1−α )(k−1), dimana
x 2(1−α ) (k−1) didapat dari daftar distribusi chi-kuadrat dengan peluang (1-α) dan
dk = ( k-1).
Jika harga x 2 yang dihitung dengan rumus di atas ada di atas harga x 2 dari
daftar dan cukup dekat kepada harga tersebut, biasanya dilakukan koreksi
terhadap rumus dengan menggunakan faktor koreksi K sebagai berikut :
18
k
1 1 1
K=1+
3( k−1) { ( )
∑
i=1
−
ni −1 ∑ ni−1 }
Dengan faktor koreksi ini, statistik x 2 yang dipakai sekarang ialah :
1 2
x 2K =( )x
K
Dengan x 2 di ruas kanan dihitung dengan rumus . dalam hal ini, hipotesis H 0
2 2
ditolak jika x K ≥ x (1−α )(k−1)
H 0 : σ 21=σ 22=…=σ 2k
{H 1 : paling sedikit satu tanda sama dengan tidak berlaku
2 2
x 2tabel dimana x tabel=x ( 1−α )(k−1) didapat dari daftar distribusi chi-kuadrat
dengan peluang (1-α) dan dk = ( k-1).
dihitung dengan market model, atau market adjusted model. Perhitungan nilai return yang
diharapkan dapat dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.
Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas.Tidak ada ketentuan
yang pasti tentang urutan uji mana dulu yang harus dipenuhi.Analisis dapat dilakukan
tergantung pada data yang ada.Sebagai contoh, dilakukan analisis terhadap semua uji asumsi
klasik, lalu dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan
pada uji tersebut, dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain.
1. Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau
tidak.Model regresi yang baik adalah memiliki nilai residual yang terdistribusi
normal.Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada
nilai residualnya.Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas
dilakukan pada masing-masing variabel.Hal ini tidak dilarang tetapi model regresi
memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel
penelitian.
Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas.Dalam
kelas siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan
sebagian besar berada pada kategori sedang atau rata-rata.Jika kelas tersebut bodoh
semua maka tidak normal, atau sekolah luar biasa.Dan sebaliknya jika suatu kelas
banyak yang pandai maka kelas tersebut tidak normal atau merupakan kelas
unggulan. Pengamatan data yang normal akan memberikan nilai ekstrim rendah dan
ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah. Demikian juga
nilai rata-rata, modus dan median relatif dekat.
Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi
Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode
yang paling baik atau paling tepat.Tipsnya adalah bahwa pengujian dengan metode
grafik sering menimbulkan perbedaan persepsi di antara beberapa pengamat,
sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan,
meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari
pada pengujian dengan metode grafik.
Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya
signifikansi Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan
metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai
normal, maka dapat dilakukan beberapa langkah yaitu: melakukan transformasi data,
melakukan trimming data outliers atau menambah data observasi. Transformasi
dapat dilakukan ke dalam bentuk Logaritma natural, akar kuadrat, inverse, atau
bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri,
ke kanan, mengumpul di tengah atau menyebar ke samping kanan dan kiri.
2. Uji Multikolinearitas
Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi
antara variabel-variabel bebas dalam suatu model regresi linear berganda.Jika ada
korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara
variabel bebas terhadap variabel terikatnya menjadi terganggu.Sebagai ilustrasi,
20
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak
perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran
semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi
pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun
biasanya memerlukan uji autokorelasi.
Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji
dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan
uji Lagrange Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi
adalah dengan mentransformasikan data atau bisa juga dengan mengubah model
regresi ke dalam bentuk persamaan beda umum (generalized difference equation).
Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel
terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi
berkurang 1.
5. Uji Linearitas
Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai
hubungan linear atau tidak.Uji ini jarang digunakan pada berbagai penelitian, karena
biasanya model dibentuk berdasarkan telaah teoretis bahwa hubungan antara
variabel bebas dengan variabel terikatnya adalah linear.Hubungan antar variabel
yang secara teori bukan merupakan hubungan linear sebenarnya sudah tidak dapat
dianalisis dengan regresi linear, misalnya masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau
tidak, uji linearitas tidak dapat digunakan untuk memberikan adjustment bahwa
hubungan tersebut bersifat linear atau tidak.Uji linearitas digunakan untuk
mengkonfirmasikan apakah sifat linear antara dua variabel yang diidentifikasikan
secara teori sesuai atau tidak dengan hasil observasi yang ada.Uji linearitas dapat
menggunakan uji Durbin-Watson, Ramsey Test atau uji Lagrange Multiplier
22
BAB III
PENUTUP
3.1 Kesimpulan
Bagaimana memilih uji statistik? Walaupun ini persoalan yang tidak sulit, akan tetapi
ada saja mahasiswa yang bingung dan tidak memahami cara-cara memilih uji statistik yang
benar, yang sesuai dengan karakteristik data dan besarnya sampel penelitian yang di
tenturkan pada saat pengambilan data. Secara ringkas dan sederhana dibawah ini dijelaskan
cara-cara memilih uji statistik.
Pertama, apabila kita mencoba mencari hubungan, maka itu maksudnya kita mencari
korelasi. Untuk itu digunakan statistik korelasi. Apabila kita mencari perbedaan, maka kita
harus menggunakan uji satistik untuk perbedaan. Selanjutnya, kita juga harus menentukan
apakah menggunakan statistik parametrik atau non-parametrik. Secara umum apabila data
yang telah dikumpulakan melalui instrumen adalah jenis data berupa skor berskala (interval)
dengan kurva normal, dengan besar sampel diatas 25, maka kita mungkin perlu menggunkan
statistik parametrik. Apabila menggunkan survei atau uji yang dikembangkan sendiri atau
ukuran sampelnya di bawah 23, maka kita mungkin perlu menggunkan statistik non-
parametrik. Apabila kita memiliki data campuran, maka kita lebih baik menggunakan statistik
non-parametrik. Kedua jenis statistik itu mampu menjawab masalah kita. Kebutuhan untuk
menggunkan statistik terletak kepada uji statistik mana yang kita anggap tepat.
Tanpa menguasai statistika adalah tak mungkin untuk dapat menarik kesimpulan
induktif dengan sah. Statistika harus mendapat tempat yang sejajar dengan matematika agar
keseimbangan berpikir deduktif dan induktif yang merupakan ciri dari berpikir ilmiah dapat
dilakukan dengan baik. Statistika merupakan sarana berpikir yang diperlukan untuk
memproses pengetahuan secara ilmiah. Statistika membantu untuk melakukan generalisasi
dan menyimpulkan karakteristik suatu kejadian secara lebih pasti dan bukan terjadi secara
kebetulan.
23
DAFTAR PUSTAKA
Dahlan, S.2010. Statistik untuk Kedokteran dan Kesehatan. Jakarta:Penerbit Saleba Medika.