MAKALAH STATISTIK PARAMETRIK DAN NON PARAMETRIK

MATA KULIAH BIOSTATISTIK

I I

S T I K E S

A
E

Oleh :

NAMA: SITI NASRIAH

NIM: 19.20.3046

PROGRAM STUDI ILMU KEPERAWATAN

SEKOLAH TINGGI ILMU KESEHATAN (STIKES)

CAHAYA BANGSA BANJARMASIN

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.

Banjar, Agustus 2020

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

2.1 Pengertian Statistik Parametrik......................................................................3

2.2 Peranan Statistik non Parametrik...................................................................5
2.3 Penggolongan Analisis Statistik Parametrik dan non Parametrik..................9
2.4 Perbedaan Statistik Parametrik dan non Parametrik......................................10
2.5 Uji Prasyarat...................................................................................................10
2.6 Uji Asumsi Klasik..........................................................................................18

Bab III Penutup..........................................................................................................22

3.1 Kesimpulan....................................................................................................22

Daftar Pustaka............................................................................................................23

iii
 1

BAB I

PENDAHULUAN

1.1 LATAR BELAKANG

Pada era globalisasi, hampir semua bidang tidak terlepas dengan mengunakan angka,
data, dan fakta. Hal ini menunjukan bahwa statistika sangat dibutuhkan. Statistika sebagai
sarana mengembangkan cara berfikir logis, lebih dari itu statistika mengembangkan berpikir
secara ilmiah untuk merencanakan (forcasting) penyelidikan, menyimpulakan dan membuat
keputan yang diteliti dan meyakinkan. Baik disadari atau tidak, statistika merupakan bagian
subtansi dari latihan profesional dan menjadi landasan dari kegiatan-kegiatan penelitian.
Seringkali penelitian bertujuan untuk melihat kondisi di waktu yang akan datang
dengan suatu dasar keadaan sekarang, atau ingin melihat kondisi di waktu lalu dengan dasar
keadaan sekarang. Sifat ini memerlukan prediksi atau taksiran yang sekarang banyak
dilakukan di dunia pendidikan. Dengan melakukan prediksi keadaan siswa untuk waktu yang
akan datang merupakan kondisi yang dibutuhkan dalam dunia pendidikan. Melalui prediksi
yang baik, perencanaan pendidikan yang menyangkut kurikulum, metode mengajar, dan
fasilitas ruang dan guru dapat direalisasikan seefisien mungkin. Statistik adalah suatu disiplin
ilmu yang mempelajari sekumpulan konsep dan metode pengumpulan, penyajian, analisis,
dan interprestasi data, sampai pengambilan keputusan pada situasi dimana terdapat
ketidakpastian (Thoifah, 2013:3).
Statistik dalam dunia pendidikan dapat dirasakan manfaatnya oleh para pemakai
(seperti pendidik, mahasiswa, peneliti,dll) apabila banyak menujang kelancaran tugas para
“Petugas” pendidikan tadi. Dalam kegiatan evaluasi, statitistik menjadi alat bantu untuk
menanalisis dan menyimpulkan data hasil evaluasi. Sebagai contoh, ketika para guru
mengevaluasi ketercapaian hasil pendidikan, biasanya data yang terkumul berbentuk data
kuantitaif sebelum diinterprestasikan menjadi data kuantitatif. Pengolahan data kuantitatif
tersebut diuji dengan menggunakan statistik ukuran yang tepat sehingga diperoleh
kesimpulan bahwa test (subjek yang dievaluasi) itu berukuran tinggi-rendah, baik-jelek, atau
berhasil gagal. Dalam kehiatan penelitian (pendidikan), statistik banyak dipakai sebagai
pendeskripsian data kuantitatif yang terkumpul, melalui ukuran rata-rata, simpangan baku,
dan sejenisnya. Selain itu statistik sangat berperan untuk menguji keberlakuan suatu hipotesis
melalui alur pengujian hipotesis (Subana & Sudrajat, 2000:15).
Metode statistika adalah prosedur-prosedur yang digunakan dalam pengumpulan,
penyajian, analisis dan penafsiran data. Metode-metode tersebut dikelompokkan ke dalam
dua kelompok, yaitu statistika deskriptif dan statistika dan statistik inferensia. Statistik
deskriptif adalah metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus
nilai pengamatan (data) diantaranya mempelajari ukuran nilai pengamatan (data), diantaranya
mempelajari ukuran nilai sentral meliputi mean, median, modus, standar deviasi dan kuartil.
Sehingga memberikan informasi yang berguna. Statistika inferensia mencakup semua metode
yang berhubungan dengan analisis sebagian data (sampel) untuk kemudian sampai pada
kesimpulan mengenai keseluruhan data induknya (populasi). Dalam statistika inferensia
sering dipakai istilah parameter dan statistik. Parameter yaitu ringkasan data yang dapat
 2

menggambarkan secara keseluruhan populasi, sedangkan statisti merupakan ringkasan data

yang berasal dari sampel.

1.2 RUMUSAN MASALAH

1. Bagaimanakah Statistik Parametrik?
2. Bagaimanakah Statistik Non-Parametrik?
3. Bagaimanakah Penggolongan Analisis Statistik Parametrik dan non Parametrik?
4. Bagaimanakah Perbedaan Statistik Parametik dan Non Parametik?
5. Bagaimanakah dengan Uji Prasyarat?
6. Bagaimanakah dengan Uji Asumsi Klasik?

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

2.1 Statistik Parametrik

Menurut Sulaiman ( 2005:1) mengatakan Tes parametrik adalah suatu tes yang
modelnya menetapkan syarat-syarat tertentu tentang parameter populusai yag menjadi sama
penelitiannya. Terhadap syarat-syarat tersebut biasanya tidak dilakukan pengujian terlebih
darhulu dan dianggap sudah memenuhi syarat. Seberapa jauh makna hasil tes parametrik
tersebut tergantung pada validitas anggapan tadi. Tes-test parametrik juga memnuntut bahwa
nilai-nilai yang dianalisis merupakan hasil dari suatu pengukuran minimal dengan skala
interval.
Sugiyono (2013:79) mengemukakan statistik parametris itu bekerja berdasarkan
asumsi bahwa data setiap variabel yang akan dianalisis berdasarkan berdistribusi normal.
Untuk itu sebelum peneliti menggunkan teknik statistik parametris, maka kenormalan data
harus diuji terlebih dahulu. Bila data tidak normal, maka statitik parametris tidak dapat
digunakan, untuk itu perlu digunakan statistik nonparametris. Tetapi perlu diingat bahwa
yang menyebabkan tidak normal itu apanya. Misalnya ada kesalahan instrumen dan
pengumpulan data, maka dapat mengakibatkan data diperoleh menjadi tidak akan normal.
Supardi (2013:8) mengatakan Statistik parametrik adalah bagian statistik yang parameter
populasinya harus memnuhi syarat-syarat tertentu seperti syarat data berkala intervak/rasio,
styarat penagambilan sampel harus random, berdisribusi normal atau normalitas dan syarat
memiliki varian yang homogen ata homogenitas, model regsi lineier, dan sebagainya. Dalam
statistika parametrik, inidikator-indikator yang dianalisis adalah parameter-parameter dari
ukuran objek yang digunakan. Menurut (Nisfiannoor,2009:15) mengatakan statistik
inferensial dengan model parametrik (independent Sample T test, Paired Sample T test, One
Way ANOVA, Korelasi Pearson, Analisis Regresi, dll.
Beberapa metode statistik parametrik (uji T dan Uji F/Anova) mensyaratkan asumsi
(Santoso, 2005:3) :
 Sampel (data) diambil dari populasi yang mempunyai berdistribusi normal. Jika 10
sampel Tinggi badan diambil dari populasi 5000 mahasiswa sebuah perguruan
tinggi, data tinggi badan 5000 mahasiswa haruslah berdistribusi normal.
 Pada Uji t dan uji F untuk dua sampel atau lebih, kedua sampel diambil dari dua
populasi yang mempunyai varian sama. Jadi jika diambil sampel 10 tinggi badan
pria dan 10 tinggi badan wanita dari 3000 pria dan 2000 wanita, maka varian 3000
tinggi badan pria dan varian 2000 tinggi badan wanita harusla sama atau bisa
diangga sama.
 Variabel (data) yang diuji haruslah data bertipe interval atau rasio, yang
tingkatannya lebih tinggi dari data tipe nominal atau ordinal. Tinggi Badan Pria
atau Wanita (sentimeter) jelas bertipe rasio, karena dapat dari proses mengukur.
Namun pendapat atau sikap pria dan wanita (suka atau tidak suku yang diukur
dengan skala Likert) bukanlah data interval atau rasio, namun data Ordinal.
 Jumlah (sampel) data singkat kecil, sedangkan distribusi data populasinya tidak
diketahui kenormalannya. Mislanya hanya diambil masing-masing 5 sampel untuk
 4

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.

Menurut Santoso (2010:10) metode statistik parametik digunakan untuk:

 Data dalam jumlah besar, biasanya diatas 30.
 Distribusi data adalah normal atau dapat dianggap normal
 Data bertipe interval atau rasio.
Jika salah satu asumsi diatas tidak terpenuhi, seperti jika data cukup banyak, namun
tidak berdistribusi normal, atau tipe data adalah nominal atau ordinal, maka metode statistik
nonparametrik dapat digunakan.
Dengan demikian, metode parametrik secara natur lebih kuat (powerful) dibanding
nonparametrik; jika pada data yang sama dilakukan pengolahan data dengan metode
parametrik kemudian nonparametrik, dan keduanya mengahsilkan kesimpulan yang berbeda,
maka hasil dari metode parametrik dapat jadi patokan. Pada umumnya, penggunaan metode
parametrik dijadikan alternatif awal untuk mengolah data; jika data memang tidak dapat
diolah dengan parametrik, maka barulah digunakan metode nonparametrik.
Namun demikian, dalam praktik banyak data atau kasus yang justru tidak bisa
memenuhi kritera pengguna metode paramerik. Karena itu berkembanglah sejumlah besar
metode statistik nonparametrik untuk inferensi pada data yang tidak memenuhi syarat
parametrik. Walaupun tidak powerful seperti metode parametrik, namun pengguna metode
nonparametrik dalam praktik sangat membantu banyak pengambilan keputusan secara
statistik.
STATISTIKA DENGAN UJI HIPOTESIS
Dalam beberapa kondisi, peneliti telah memiliki gambaran (dugaan) tentang populasi
(bisa berdasarkan kajian teori, atau hasil penelitian terkait sebelumnya). Dan, tujuan
utama peneliti adalah membuktikan, dengan alat statistika, apakah dugaan yang yang
dimilikidapatdibuktikanbenar atau sebaliknya. Ada dua kelompok besar yang dapat
dilakukan dengan uji hipotesis yaitu:
1. Uji hipotesis terkait uji rerata yaitu untuk menguji atau mengestimasi besarnya rerata
1 kelompok, menguji beda dua kelompok atau lebih, dengan berbagai kondisi
kelompok (saling bebas atau berpasangan/ tidak saling bebas).
2. Uji hubungan baik terbatas pada besarnya derajat asosiasi (uji korelasi) atau
mencari bentuk hubungan fungsional beberapa variabel (uji regresi). Uji regresi
saat ini juga telah berkembang sangat luas tergantung distribusi variabel respon
yang dihadapi

MATERI POKOK STATISTIKA PARAMETRIK

a. Korelasi Product Moment
Korelasi product moment disebut juga korelasi Pearson adalah teknik analisis
statistik yang mempunyai kegunaan untuk menganalisis data penelitian yang
 5

mempunyai karakteristik di antaranya:

 Hipotesis yang diajukan adalah hipotesis asosiatif
 Datanya berskala minimal interval
 Penyebaran data berdistribusi normal
b. Regresi Linear Sederhana
c. Regresi Linear Ganda
d. Regresi Logistik
Teknik statistik ini digunakan untuk mengetahui pengaruh satu variable independen
atau lebih (X) terhadap satu variable dependen (Y), dengan syarat:
 Variabel dependent harus merupakan variable dummy yang hanyapunya
dua alternatif. Misalnya Puas atau tidak puas, dimana jika responden
menjawab puas maka kita beri skor 1 dan jika menjawab tidak puas kita
beri skor 0.
 Variabel independent mempunyai skala data interval atau rasio

2.2 Statistik 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 jumlah data, pada umumnya statistic non parametric digunakan untuk data berjumlah
kecil (n <30).
Sulaiman (2000:1) mengatakan bahwa Tes statistik Nonparametrik adalah tes yang
modelnya tidak menetapkan syarat-syarat menegenai parameer-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
 6

memungkinkan penggunaan secara berarti tes parametrik, maka tes non-paramerik

memainkan peran penting dalam penelitian dilapangan ilmu sosial.Menurut
(Nisfiannoor,2009:15) mengatakan statistik inferensial dengan model parametrik (Mann-
Whitney, wilcoxon, kruskal-wallis, Moses, Wald wolfowitz, Runs, Kendal, Spearman, dan
lain-lain.
Suciptawati (2009:3) 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 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.

Kekurangan- kekurangan statistika nonparametik, yaitu:

1) Uji-uji nonparametrik tidak memanfaatkan semua informasi yang terkandung
dalam sampel. Akibatnya, uji nonparametrik memerlukan ukuran sampel yang
lebih besar dibandingkan uji parametrik untuk mencapai peluang kesalahan jenis
II yang sama.
2) Uji nonparametrik tidak dapat digunakan untuk menguji adanya interaksi seperti
dalam model analisis ragam.
3) Metode nonparametrik tidak dapat digunakan untuk membuat ramalan seperti
dalam analisis regresi, karena asumsi sebaran normal tidak dapat dipenuhi.
4) Macam uji statistika nonparametrik terlalu banyak sehingga menyulitkan peneliti
dalam memilih uji yang sesuai.
Informasi dari penggunaan tes Non-Parametrik
Tes Penggunaan fungsi
Chi-square Menggunakan data nominal Tes independensi variabel
untuk menguji indepedensi satu
sampel atau lebih dari 2 sampel
Cochran Q Untuk menguji hubungan lebih Membantu pada data yang
dari 2 sampel pada skala memberikan jawaban 2
nominal kategori
Uji tanda Untuk menguji hubungan 2 Tes yang baik untuk data
sampel pada skala ordinal berjenjang (rangking)
Uji median - Pada satu sampel, untuk
 7

melihat randomisasi pada

data dari populasi
- Untuk menguji
independensi lebih dari 2
sampel pada skala
ordinal
Uji Mann- Untuk menguji independensi Analog pada independensi 2
Whitney U lebih dari 2 sampel pada skala sampel t-test
oridinal
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-way
2 sampel pada skala ordinal 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-square
pada skala ordina atau uji Mann-Whitney

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

- Alternatif uji t berpasangan adalah uji wilcoxon.

- Alternatif uji t tidak berpasangan adalah uji Mann-Whitney.
- Alternatif uji repeated ANOVA adalah uji Friedman.
- Alternatif Uji one Way ANOVA adalah uji Kruskal-Wallis.

Konsep dan Pengertian

Sebelum menggunakann statistika non parametric ada beberapa konsep atau

pengertian dasar yang perlu diketahui. Hal ini sangat dibutuhkan dalam rangka memudahkan
memahami proses, teknik-teknik, dan prosedur yang tersedia. Selain itu, akan memudahkan
pula manakala harus memilih dan menggunakan teknik-teknik yang paling tepat serta sesuai
dengan desain penelitian yang dilaksanakan, sehingga tidak akan terjadi kesalahan dalam
menginterpretasikan hasil-hasil pengujiannya. Beberapa konsep dan pengertian-pengertian
yang perlu dipahami antara lain:

 Obyek Penelitian : Merupakan suatu obyek yang diteliti karakteristiknya. Misalnya,

penduduk seandainya semua orang yang menempati wilayah tertentu yang diteliti,
atau peternak seandainya yang diteliti karakteristiknya hanya peternak, atau peternak
sapi seandainya yang diteliti karakteristiknya hanya peternak sapi.
 Variabel : Adalah karakteristik dari obyek penelitian yang memiliki nilai bervariasi.
Misalnya, jenis kelamin: laki-laki dan perempuan. Status ekonomi: tinggi, sedang,
rendah. Berat badan: 50 kg, 60 kg, 70 kg.
 Variabel Bebas/Independent : Dalam hubungan antar dua atau lebih variabel,
variabel bebas merupakan variabel yang dapat mempengaruhi variabel lainnya.
Misalnya; variabel X dan variabel Y, yang menggambarkan variabel X mempengaruhi
variabel Y, maka X disebut variabel bebas.
 Variabel Tak Bebas/Dependent : Dalam hubungan antar dua atau lebih variabel,
variabel tak bebas merupakan variabel yang dipengaruhi oleh variabel lainnya.
Misalnya; variabel X dan variabel Y, yang menggambarkan variabel Y dipengaruhi
oleh variabel X, maka Y disebut variabel tak bebas.
 Data : Adalah fakta, baik berbentuk kualitatif maupun kuantitatif. Data kualitatif
diperoleh melalui pengamatan, misalnya pemilikan lahan petani di suatu desa cukup
tinggi. Data kuantitatif diperoleh melalui pengukuran, misalnya pemilikan lahan di
suatu desa antara 2-5 ha tiap petani.
 Pengukuran : Adalah suatu proses kuantifikasi atau mencantumkan bilangan kepada
variabel tertentu. Misalnya, berat badan secara kualitatif bisa dibedakan sebagai
ringan, sedang, atau berat, dan melalui proses pengukuran dengan cara menimbang
kita dapat menyatakan berat badan: 50 kg, 60 kg, 70 kg.
 Skala Pengukuran : Adalah bilangan yang dicantumkan kepada variabel berdasarkan
aturan-aturan yang telah ditentukan dan disepakati. Dikenal 4 macam skala
pengukuran yaitu: nominal, ordinal, interval, dan rasio. Skala nominal hanya dipakai
untuk membedakan, skala ordinal mengisyaratkan adanya peringkat, skala interval
menunjukkan adanya jarak yang tetap tetapi tidak memiliki titik nol mutlak, dan skala
 9

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.

2.3 Penggolongan Analisis Statistik Parametrik Dan Nonparametrik

Pada dasarnya, baik statistik parametrik maupun nonparametrik dapat digunakan
untuk analisis statistik yang bersifat:
1. Korelatif
Teknik analisis korelatif digunakan untuk mengetahui hubungan atau korelasi dari
sebuah variabel yang lain. Misalnya variabel X dan variabel Y. Teknik analisis
yang sering dipakai adalah korelasi Pearson dan regresi.
2. Komparatif
 10

Teknik analisis komparatif digunakan untuk mengetahui perbedaan nilai rata-rata

dari suatu kelompok dengan kelompok lainya. Misalnya perbedaan kecemasan
antara kelompok pria dan wanita, serta perbedaan motivasi kerja antara bagian
produksi, pemasaran, dan keungan. Teknik analisis yangsering digunakan adalah
T-test dan anova.

2.4 Perbedaan Statistik Parametrik Dan Statistik Non Parametrik

o Statistik Parametrik:
- Teknik-teknik statistika yang didasarkan atas asumsi mengenai populasi yang
diambil sampelnya.
- Contoh: pada uji t diasumsikan populaso terdistribusi normal.
− Sebutan parametric digunakan karena pada uji t ini yang diuji adalah parameter
(contoh: rata-rata populasi)
− Membutuhkan data kuantitatif dengan level interval atau rasio

oStatistik Non Parametrik:

− Cocok untuk data yang tidak memenuhi asumsi statistika parametric atau yang
berjenis kualitatif
− Disebut juga distribution-free statistics
− Didasarkan atas lebih sedikit asumsi mengenai populasi dan parameter
dibandingkan dengan statistika parametik
− Ada yang dapat digunakan untuk data nominal
− Ada yang dapat digunakan untuk data ordinal

2.7 Uji Prasyarat

A. Uji Normalitas
Pengujian normalitas adalah pengujian tentang kenormalan distribusi data.Uji
ini merupakan pengujian yang paling banyak dilakukan untuk analisis statistik
parametrik.Karena data yang berdistribusi normal merupakan syarat dilakukannya
tes parametrik. Sedangkan untuk data yang tidak mempunyai distribusi normal,
maka analisisnya menggunakan tes non parametric.
Data yang mempunyai distribusi yang normal berarti mempunyai sebaran
yang normal pula. Dengan profit data semacam ini maka data tersebut dianggap
bisa mewakili populasi. Normal disini dalam arti mempunyai distribusi data
normal. Normal atau tidaknya berdasarkan patokan distribusi normal dari data
dengan mean dan standar deviasi yang sama. Jadi uji normalitas pada dasarnya
melakukan perbandingan antara data yang kita miliki dengan data berdistribusi
normal yang memiliki mean dan standar deviasi yang sama dengan data kita.
Terdapat 4 cara untuk menentukan apakah data diatas tersebut berasal dari
populasi yang berdistribusi normal atau tidak.Empat cara pengujian normalitas
data sebagai berikut:
1. Kertas Probabilitas Normal
 11

Apabila dari penelitian sudah terkumpul data lengkap, maka untuk

pengujian normalitas dilalui langkah-langkah sebagai berikut.
a. Membuat tabel distribusi frekuensi.
b. Menentukan batas nyata tiap-tiap kelas interval.
c. Mencari frekuensi kumulatif dan frekuensi kumulatif relative (dalam
persen).
d. Dengan skala sumbu mendatar dan sumbu menegak, menggambarkan
grafik dengan data yang ada, pada kertas probabilitas normal.
e. Dengan angka-angka yang ada pada tabel distribusi diletakkan titik-
titik frekuensi kumulatif relative pada kertas probabilitas yang telah
disediakan pada buku-buku statistic. Jika letak titik-titik berada pada
garis lurus atau hampir lurus, maka dapat disimpulkan dua hal:
- Mengenai data itu sendiri
Dikatakan bahwa data itu terdistribusi normal atau hampir normal
(atau dapat didekati oleh distribusi normal).
- Mengenai populasi dari mana data sampel diambil.
Dikatakan bahwa populasi dari mana data sampel itu diambil
ternyata berdistribusi normal atau hampir terdistribusi normal, atau
dapat didekati oleh distribusi normal. Jika titik-titik yang diletakkan
tidak menunjukkan terletak pada garis lurus maka dapat disimpulkan
bahwa data atau sampel yang diambil tidak berasal dari populasi
normal.
2. Uji Chi Kuadrat
Menurut Prof.DR.Sugiono (2005, dalam buku “ Statistika untuk
Penelitian“), salah satu uji normalitas data yaitu chi kuadrat ( x 2 ) merupakan
pengujian hipotesis yang dilakukandengan cara membandingkan kurve normal
yang terbentuk dari data yang telah terkumpul (B) dengan kurve normal baku
atau standar (A). Jadi membandingkan antara (B/A). Bila B tidak berbeda
secara signifikan dengan A, maka B merupakan data yang berdistribusi
normal.
Ho:data berasal dari populasi yang berdistribusi normal
H1:data tidak berasal dari populasi yang berdistribusi normal
Grafik distribusi chi kuadrat ( x 2 ) umumnya merupakan kurve positif ,
yaitu miring ke kanan. Kemiringan ini makin berkuran jika derajat kebebasan
(dk) makin besar. Langkah-Langkah Menguji Data Normalitas dengan Chi
Kuadrat:
1) Menentukan Mean/ Rata-Rata

x=
∑ f xi
n
 12

2) Menentukan Simpangan Baku

∑ f ( x i−x )2
S=
√ n−1

3) Membuat daftar distribusi frekuensi yang diharapkan

 Menentukan batas kelas
 Mencari nilai Z skor untuk batas kelas interval
 Mencari luas 0 – Z dari tabel kurva normal
 Mencari luas tiap kelas interval
 Mencari frekuensi yang diharapkan (Ei)
4) Merumuskan formula hipotesis
Ho:data berasal dari populasi yang berdistribusi normal.
H1:data tidak berasal dari populasi yang berdistribusi normal.
5) Menentukan taraf nyata (a)
Untuk mendapatkan nilai chi-square tabel

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

d. Hitung selisih F(zi) – S(zi), kemudian tentukan harga mutlaknya.

e. Ambil harga yang paling besar di antara harga-harga mutlak selisih
tersebut, misal harga tersebut L0.
 14

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

Berdasarkan sampel acak yang masing-masing secara independen diambil dari

populasi tersebut. Jika sampel dari populasi kesatu berukuran n 1dengan varians

s21 dan sampel dari populasi kedua berukuran n 2dengan varians s22 maka untuk
menguji hipotesis di atas digunakan statistik

s 21
F=
s 22

Kriteria pengujian adalah : diterima hipotesis H 0 jika

F( 1−α )(n −1) < F < F 1

1 α (n1−1 ,n2−1)
2

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

Prosedur pengujian hipotesis :

1) Menentukan formulasi hipotesis

H0 : σ 21=σ 22
{H1 : σ 21 ≠ σ

2) Menentukan taraf nyata (α) dan Ftabel

Ftabel ditentukan dengan α, derajat bebas pembilang ( n1−1), dan derajat

penyebut ( n2−1) dengan rumus Ftabel =F 1 α(n −1 ,n −1) 1 2

2

3) Menentukan kriteria pengujian:

Ho diterima jika F( 1−α ) (n −1 ) < F < F 1 α ( n −1 , n −1)

1
1 2
2
 16

Ho ditolak jika F( 1−α )(n −1) ≤ F = F 1 α (n −1, n −1) atau

1
1 2
2

F( 1−α )(n −1) ≥ F = F 1

1 α (n1−1 ,n 2−1)
2

4) Menentukan uji statistik

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

Berdasarkan sampel-sampel acak yang masing-masing diambil dari setiap

populasi.Metode yang akan digunakan untuk melakukan pengujian ini adalah
dengan uji Bartlett. Kita misalkan masing-masing sampel berukuran
n 1 , n1 , … , n k dengan data Y ij (i=1,2 , … , kdanj=1,2 , … , n k ) dan hasil
pengamatan telah disusun dalam daftar :

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 :

Sampe dk 1 s21 Log s21 (dk) log s21

l ke dk
1 n 1−1 1 s21 Log s21 (n 1−1 ¿ log s 21
¿
(n 1−1 ¿
2 n2 −1 1 s22 Log s22 (n 2−1 ¿ log s 2k
. . (n 2−1 . . .
. . . .
. . . .
k n k −1 1
¿ s2k Log s2k (n k −1 ¿ log s 2k
(n k −1 ¿
jumlah ∑ n k −1 1 ∑ (n k−1¿ log s2k ¿
∑ (n −1¿ ¿ … …
k

Dari daftar ini kita hitung harga-harga yang diperlukan, yakni :

2 (∑ ( n1−1 ) s2i )
s=
∑ ( ni−1 )
Harga satuan B dengan rumus :

B=¿

Untuk uji Bartlet digunakan statistik chi-kuadrat.

x 2=¿

Dengan ln 10 = 2,3026, disebut logaritma asli dari bilangan 10.

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)

Prosedur pengujian hipotesis :

1) Menentukan formulasi hipotesis

H 0 : σ 21=σ 22=…=σ 2k
{H 1 : paling sedikit satu tanda sama dengan tidak berlaku

2) Menentukan taraf nyata (α) dan x 2tabel

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).

3) Menentukan kriteria pengujian:

2 2
Ho diterima jika x < x( 1−α ) (k−1)
2 2
Ho ditolak jika x ≥ x (1−α )(k−1)
4) Menentukan uji statistik
x 2=¿
5) Menarik kesimpulan

2.8 Uji Asumsi Klasik

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada
analisis regresi linear berganda yang berbasis ordinary least square (OLS).Jadi analisis regresi
yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi
logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan
pada analisis regresi linear, misalnya uji multikolinearitas tidak dilakukan pada analisis
regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.
Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang
bertujuan untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang
 19

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

adalah model regresi dengan variabel bebasnya motivasi, kepemimpinan dan

kepuasan kerja dengan variabel terikatnya adalah kinerja.Logika sederhananya
adalah bahwa model tersebut untuk mencari pengaruh antara motivasi,
kepemimpinan dan kepuasan kerja terhadap kinerja.Jadi tidak boleh ada korelasi
yang tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan kerja
atau antara kepemimpinan dengan kepuasan kerja.
Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas
adalah dengan variance inflation factor (VIF), korelasi pearson antara variabel-
variabel bebas, atau dengan melihat eigenvalues dan condition index (CI).
Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai
berikut:
a) Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang
tinggi.
b) Menambah jumlah observasi.
c) Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural,
akar kuadrat atau bentuk first difference delta.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat
ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain.
Model regresi yang memenuhi persyaratan adalah di mana terdapat kesamaan
varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut
homoskedastisitas.
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan
memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya).Model
yang baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti
mengumpul di tengah, menyempit kemudian melebar atau sebaliknya melebar
kemudian menyempit.Uji statistik yang dapat digunakan adalah uji Glejser, uji Park
atau uji White.
Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah
dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan
jika semua data bernilai positif.Atau dapat juga dilakukan dengan membagi semua
variabel dengan variabel yang mengalami gangguan heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t
dengan periode sebelumnya (t -1).Secara sederhana adalah bahwa analisis regresi
adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi
tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya.Sebagai
contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah
terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari,
akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan
autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah
tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan
yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan
Februari akan rendah.
 21

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.

Herinaldi. 2005. Prinsip-prinsip Statistik untuk Teknikni dan Sains.Jakarta: Penerbit

Erlangga.
Nisfiannoor, M. 2009. Pendekatan Statitika Modern untuk Ilmu sosial. Jakarta: Penerbit
Salemba humanika.
Santoso,S.2005. Seri Solusi bisnis Berbasis IT: menggunakan SPSS untuk Statistika Non
Parametrik. Jakarta: PT Elex Media Komputindo.
Santoso,S.2010. Statistik Nonparametrik Konsep dan Aplikasi dengan SPSS. Jakarta: PT Elex
Media Komputindo.
Santoso,S.2010. Statistik Parametrik Konsep dan Aplikasi dengan SPSS. Jakarta: PT Elex
Media Komputindo.
Siregar, S.2010. Statistika Deskrpitif untuk Penelitian dilengkapi Perhitungan Manual dan
Aplikasi SPSS versi 17.Jakarta: Rajawali Pers.
Subana&Sudarajat.2000. Statistika Pendidikan. Bandung: Pustaka Setia.
Suciptawati, N.L. 2010. Metode Statistika Non Parametrik. Bali.Udayana University Press.
Sugiyono. (2013). Statistika untuk Penelitian. Bandung: CV Alfabeta.
Supardi, 2013. Aplikasi Statitiska dalam Penelitian Edisi revisi, Konsep Statitiska yang lebih
Komprehensif. Jakarta : CHANGE PUBICATION.
Thoifah, I. 2016. Statitiska Pendidikan dan Metode Penelitian Kuantitatif. Malang: Madani