MAKALAH

MANAJEMEN DATA
“UJI KORELASI PARAMETRIK DAN NON PARAMTERIK”

Oleh :
KELOMPOK I

(ADELIA AGSYA SAFITRI) (1910912320025)

(AMALIA WIDIWASA MUNGGARAN) (1910912220019)
(ISTIQOMAH) (1910912320018)
(MUHAMMAD AZMIYANNOOR) (1910912110018)
(SITI HABIBAH MAULYDIA) (1910912220006)
(SYLVA PATRIA) (1910912310031)
(TALITHA NUZUL NYSSA) (1910912220001)

PROGRAM STUDI KESEHATAN MASYARAKAT

FAKULTAS KEDOKTERAN
UNIVERSITAS LAMBUNG MANGKURAT
BANJARBARU
2021
 DAFTAR ISI
Halaman
HALAMAN JUDUL .................................................................................... i
DAFTAR ISI ................................................................................................ ii
DAFTAR TABEL ........................................................................................ iii
BAB I PENDAHULUAN ............................................................................. 1
A. Latar Belakang ................................................................................ 1
B. Rumusan Masalah ........................................................................... 1
C. Tujuan Penulisan ............................................................................. 2
D. Manfaat Penulisan ........................................................................... 2
BAB II PEMBAHASAN .............................................................................. 3
A. Pengertian ....................................................................................... 3
B. Syarat .............................................................................................. 4
C. Perhitungan ..................................................................................... 7
D. Interpretasi ...................................................................................... 25
BAB III PENUTUP ...................................................................................... 30
A. Simpulan ......................................................................................... 30
B. Saran ............................................................................................... 30
DAFTAR PUSTAKA

ii
 DAFTAR TABEL

Halaman

Tabel 2.1 Panduan Interpretasi Uji Korelasi Spearman ............................... 26

Tabel 2.2 Panduan Interpretasi Uji Korelasi Spearman ............................... 27

Tabel 2.3 Panduan Interpretasi Uji Korelasi Uji Kendall’s tau-b ................. 28

iii
 BAB I
PENDAHULUAN

A. Latar Belakang
Teknik statistik untuk menganalisis data sampel yang kemudian hasilnya
digeneralisasikan untuk populasi disebut dengan statistik inferensial. Ada dua kategori
statistik inferensial, yaitu statistik parametrik dan statistik non-parametrik. Statistik
parametrik digunakan untuk data dengan skala interval dan rasio, dengan asumsi
distribusi data populasi yang digunakan untuk memilih sampel adalah normal. Ukuran
uji statistik parametrik antara lain t-test, anova, korelasi, regresi sederhana, pearson,
dan regresi berganda. Sementara itu, statistik non-parametrik digunakan ketika skala
data penelitian adalah skala nominal dan ordinal sehingga tidak memerlukan asumsi
data populasi berdistribusi normal. Ada beberapa ukuran uji dalam statistik non-
parametrik, yaitu test binomial, chi kuadrat, runtest, mc nemar test, signtest, korelasi
spearmanrank, korelasi kendalltau, dll (1).
Uji korelasi parametrik menggunakan uji pearson dan regresi. Uji korelasi
pearson digunakan untuk mengukur kekuatan dan arah asosiasi dua variabel dengan
skala interval, sedangkan uji regresi digunakan untuk memperkirakan besarnya
hubungan sebab-akibat antara variabel bebas dan variabel terikat. Sementara itu, uji
korelasi non-parametrik menggunakan uji spearman. Uji ini digunakan untuk
mengetahui hubungan apabila masing-masing variabel yang dihubungkan berbentuk
ordinal, dan sumber data antar variabel tidak harus sama (1, 2).

B. Rumusan Masalah
Berdasarkan latar belakang, rumusan masalah pada makalah ini adalah sebagai
berikut:
1. Apa yang dimaksud dengan uji korelasi parametrik dan non parametrik?
2. Apa saja syarat uji korelasi parametrik dan non parametrik?
3. Bagaimana perhitungan uji korelasi parametrik dan non parametrik?

1
 2

4. Bagaimana interpretasi uji korelasi parametrik dan non parametrik?

C. Tujuan Penulisan
1. Tujuan Umum
Tujuan umum penulisan makalah ini adalah untuk menambah pengetahuan
tentang uji korelasi parametrik dan non parametrik.
2. Tujuan Khusus
Ada pun tujuan khusus dari penulisan makalah ini antara lain:
1. Mengetahui pengertian uji korelasi parametrik dan non parametrik
2. Mengetahui syarat uji korelasi parametrik dan non parametrik
3. Mengetahui perhitungan uji korelasi parametrik dan non parametrik
4. Mengetahui interpretasi uji korelasi parametrik dan non parametrik

D. Manfaat Penulisan
1. Manfaat bagi Mahasiswa
Manfaat penulisan makalah ini bagi mahasiswa, yaitu:
a. Untuk dapat mengetahui pengertian uji korelasi parametrik dan non parametrik
b. Untuk dapat mengetahui syarat uji korelasi parametrik dan non parametrik
c. Untuk dapat mengetahui perhitungan uji korelasi parametrik dan non parametrik
d. Untuk dapat mengetahui interpretasi uji korelasi parametrik dan non parametrik
2. Manfaat bagi Institusi
Manfaat penulisan makalah ini bagi institusi adalah dapat dijadikan sebagai
media pembelajaran di program studi.
 BAB II
PEMBAHASAN
A. Pengertian
1. Statisik Parametrik
Jenis data yang dianalisis dalam statistik parametrik terutama adalah mempunyai
skala interval atau rasio. Dalam analisis menggunakan statistik parametrik,
pertimbangan jenis sebaran atau distribusi data yang menyebar secara normal adalah
mutlak. Asumsi utama dalam statistik parametrik adalah data yang akan dianalisis
harus memenuhi normalitas. Jika distribusi data tidak normal, maka analisis harus
dikerjakan dengan teknik statistik non parametrik. Sebagai jalan tengah, dapat
dilakukan transformasi lebih dahulu agar data menjadi normal. Asumsi berikutnya
yang yang harus dipenuhi dalam analisis menggunakan statistik parametrik adalah dua
data kelompok atau lebih yang akan diuji harus homogen. Sehingga persyaratan
homogenitas data-data harus diperhatikan. Asumsi yang harus terpenuhi lainnya adalah
data harus linier. Menganalisis hubungan antara dua variabel interal digunakan analisis
korelasi product moment dari Pearson. Tetapi dalam teknik non-parametrik analisis
korelasi lebih dikenal dengan korelasi tata jenjang (rank order correlation) Spearman.
Cara dan langkah-langkah melakukan penghitungan dua teknik korelasi tersebut
berbeda. Dalam analisis korelasi tata jenjang, lebih dahulu membuat urutan (ranking)
dari data yang akan dikorelasikan, sedangkan dalam product moment dari Pearson
tidak perlu dilakukan penyusunan ranking. Dalam teknik analisis statistik parametrik,
untuk melakukan uji perbedaan mean antara dua kelompok data dapat digunakan teknik
statistik uji t. Teknik statistik uji t dibedakan menjadi uji t untuk sampel yang
berkorelasi, dan uji t untuk sampel yang tidak berkorelasi. Uji beda mean antara lebih
dari dua kelompok data dapat digunakan teknik analisis varian (3).
2. Stastik Non-parametrik
Statistik non-parametrik adalah statistik yang tidak mendasarkan pada parameter-
parameter populasi. Dalam pengumpulan data tentu akan melakukan pengukuran,
kemudian dihitung mean, median, modus dan standar deviasi. ukuran-ukuran tersebut

3
 4

diistilahkan dengan parameter. Parameter-parameter populasi tersebut dalam statistik

non-parametrik tidak dijadikan acuan. Sebab, data dalam analisis statistik non-
parametrik terutama menggunakan skala data nominal atau ordinal. Data yang berskala
nominal atau ordinal dalam mengukur suatu variabel penelitian, statistik non
parametrik merupakan teknik yang cocok untuk menganalisis data tersebut. Contoh,
untuk membedakan jenis kelamin laki-laki dan perempuan menggunakan skala 1 dan
2 adalah data nominal. Untuk membedakan urutan pangkat tentara menggunakan skala
1, 2, dan seterusnya, sesuai dengan katagori data pangkat tentara yang dikumpulkan
tersebut adalah berupa data yang berskala ordinal. Selain itu, statistik non-parametrik
tidak mendasarkan kepada bentuk distribusi data tertentu. Peneliti sering dihadapkan
kepada kondisi bahwa data yang telah dikumpulkan tidak berdistribusi normal. Selain
itu, statistik non-parametrik biasanya menggunakan skala pengukuran nominal dan
ordinal yang umumnya tidak berdistribusi normal. Maka statistik non-parametrik
digunakan jika distribusi data adalah tidak berdistribusi normal, bentuk grafik data
tersebut mungkin distribusi data miring ke kiri atau ke kanan. Meskipun ada upaya
yang dapat dilakukan dengan cara mereduksi atau mengeliminasi suatu data yang
ekstrim. Tetapi, jika dengan cara mengeliminasi data tidak dapat merobah distribusi
data menjadi berdistribusi normal, maka metode statistik non-parametrik harus
digunakan. Statistik non-parametrik adalah statistik bebas sebaran, artinya tidak
menuntut persyaratan bentuk sebaran parameter populasi, dan tidak
mempermasalahkan distribusi datanya normal atau tidak (3).

B. Syarat
1. Uji Parametrik
Untuk melakukan analisis statistika parametrik dengan teknik analisis komparatif
mensyaratkan beberapa asumsi salah satunya data terdistribusi normal.Apabila hasil
uji menunjukkan data berdistribusi normal maka digunakan uji statistik parametrik
yang menggunakan teknik paired sample t-test/ a two-tailed test (4). Selain melihat
 5

normalitas dari distribusi data, peentuan statistik parametrik dapat diterapkan

berdasarkan prinsip berikut. Syarat-syarat penerapan statistik parametrik (5):
a. Distribusi sampel diambil dari distribusi populasi yang terdistribusi normal
b. Sampel diperoleh secara random
Penentuan normalitas data dapat dilakukan dengan (5):
a. Membuat kurva/grafik distribusi data, seperti histogram, boxplot, kurva Q-Q
plot.
b. Menghitung nilai kemiringan/skeweness, apabila nilai Skeweness dibagi standar
error < 2, maka data terdistribusi normal.
c. Uji normalitas dapat dilakukan dengan uji Spahiro-wilk, kolomogrov-Smirnov,
Chi- square, lonilless fit. Pada uji Kolmogorov- simrov dirumuskan hipotesis
sebagai berikut:
Ho: data terdistribusi normal
Ha: data tidak terdistribusi normal
Pada data yang terdistribusi normal, uji statistik parametrik yang dilakukan
adalah uji-t. Uji statistik untuk 1 sampel, dilakukan untuk membandingkan data sampel
dengan data yang ada pada populasi. Pada uji statistik parametrik juga variannya adalah
homogen serta memiliki skala interval dan rasio, serta sampel yang digunakan lebih
besar (6).
2. Uji Non Parametrik
Uji non parametrik digunakan jika data tidak memenuhi syarat uji paramterik,
yaitu data terdistribusi tidak normal. Dalam melakukan uji beda rata-rata, apabila data
tidak berdistribusi normal maka digunakan uji statistik nonparametrik yang dapat
menggunakan teknik Wilcoxon signed ranks test. Kita juga dapat mempertimbangkan
metode nonparametrik untuk menarik kesimpulan statistik di mana tidak ada asumsi
yang dibuat tentang populasi atau distribusi yang mendasarinya. Untuk non parametrik
setara dengan uji t parametik satu-sampel dan dua-sampel, Wilcoxon signed ranks test
(satu sampel) digunakan untuk menguji hipotesis bahwa perbedaan median antara nilai
absolut perbedaan berpasangan positif dan negatif adalah 0 (4).
 6

Apabila data terdistribusi normal maka uji statistik yang dilakukan adalah uji
parametrik sedangkan apabila data tidak terdistrubusi normal, maka dilakukan uji non-
parametrik (5).

Gambar 2.1 Perbedaan Uji Parametrik dan Non Parametrik

Uji non-parametrik yang dilakukan antara lain uji Mc-nemar untuk skala data
nominal dan uji tanda/sign test, wilcoxon untuk skala data ordinal (5). Uji statistik non
parametrik ialah suatu uji statistik yang tidak memerlukan adanya asumsi-asumsi
mengenai sebaran data populasinya (belum diketahui sebaran datanya dan tidak perlu
berdistribusi normal). Oleh karenanya statistik ini juga dikemukakan sebagai statistik
bebas sebaran (tidak mensyaratkan bentuk sebaran parameter populasi, baik normal
atau tidak). Data berjenis nominal dan ordinal tidak menyebar normal. Selain itu
statistik ini dapat digunakan pada data yang berjumlah kecil, yakni kurang dari 30 data
(7).
Berbagai literatur memberikan pengelompokan kategori statistik nonparametrik
dengan berbagai cara yang berbeda. Namun demikian, secara sederhana dan
berdasarkan prosedur yang sering digunakan, uji-uji tersebut dapat dikelompokkan atas
kategori berikut (7):
a. Prosedur untuk data dari sampel tunggal
b. Prosedur untuk data dari dua kelompok atau lebih sampel bebas (independent)
c. Prosedur untuk data dari dua kelompok atau lebih sampel berhubungan
(dependent)
d. Korelasi peringkat dan ukuran-ukuran asosiasi lainnya
 7

Uji non parametrik tidak memiliki syarat seperti uji parametrik sehingga asumsi
yang dibuat lebih lemah dan kurang teliti karena pengamatannya bebas dan variable
yang diamati kontinu, tetapi populasi tidak perlu berdistribusi normal, serta variannya
tidak perlu homogen. Selain itu, data yang digunakan tidak harus berdistribusi normal
sehingga bisa dilakukan pada level binomial atau ordinal dan prosesnya lebih
sederhana dan mudah dimengerti. Tipe uji non paramterik adalah skala kategorik dan
bisa menjadi pilihan untuk penelitian kuantitatif apabila syarat uji parametrik tidak
memenuhi (6).

C. Perhitungan
Statistik parametrik berhubungaan dengan inferens statistik (pengambilan
keputusan atas masalah tertentu) yang membahas parameter-paremeter populasi,
seperti rata-rata, proporsi dan sebagainya. Sedangkan statistik nonparametrik
berhubungan dengan inferensi statistik yang tidak membahas parameter-parameter
populasi. Salah satu cara untuk menentukan uji parametrik dan non-parametrik adalah
dengan melakukan uji normalitas. Apabila data terdistribusi normal maka uji yang
dilakukan adalah uji parametrik sedangkan apabila data tidak terdistribusi normal maka
dilakukan uji non-parametrik. Penentuan normalitas data dapat dilakukan dengan (8):
1. Membuat kurva/grafik distribusi data, seperti histogram, boxplot, kurva Q-Q plot,
2. Menghitung nilai kemiringan/skewwness, apabila nilai skeweness dibagi standar
error ≤ 2, maka data terdistribusi normal.
3. Uji normalitas dapat dilakukan dengan uji Spahiro-wilk, kolmogorov-Smirnov,
chi-square, lonilless fit.
a. Uji Kolmogorov-Smirnov Secara Manual
Statistik uji kolmogorov-smirnov merupakan selisih absolut terbesar antara S(x)
dan Fo(x), yang disebut deviasi maksimum D.
D = |S(x) – Fo(x)| maks.
 8

Apabila nilai D hitung lebih kecil dengan nilai D pada tabel, maka Ho diterima.
Sehingga dapat disimpulkan bahwa data tersebut berasal dari populasi dengan
distribusi yang normal.
Contoh:
Dilakukan sebuah survei kepada 18 wanita, mengenai umur pertama saat haid,
didapatakn hasil seperti yang terlihat pada tabel. Tentukan apakah data tersebut
berasal dari populasi yang berdistirbusi normal! (α = 5%)
Umur haid pertama Frekuensi (f)
10 3
11 4
12 6
13 2
14 1
15 1
16 1

Langkah 1: Penentuan Hipotesis

Ho : data terdistribusi normal
Ha : data tidak terdistribusi normal
Langkah 2: Menghitung Nilai S(x) dan Fo(x)
Umur Frek Frek. 𝑆 (𝑥 ) 𝑍 𝑍𝑡𝑎𝑏𝑒𝑙 Fo(x)= D=|S(x)-
haid (f) Kumla 𝑓𝑟𝑒𝑘 𝑥 − 𝑥 𝑟𝑎𝑡𝑎 0,5- Fo(x)|
= =
𝑓𝑟𝑒𝑘. 𝑘𝑢𝑚 𝑆𝐷
pertam tif (Fk) 𝑍𝑡𝑎𝑏𝑒𝑙
a
10 3 3 0,1667 -0,04 0,016 0,484 0,317
11 4 7 0,3889 -0,02 0,080 0,492 0,103
12 6 13 0,7222 0 0,000 0,000 0,722
13 2 15 0,8333 0,02 0,008 0,492 0,341
 9

14 1 16 0,8889 0,04 0,016 0,484 0,404

15 1 17 0,9444 0,06 0,023 0,476 0,468
16 1 18 1,000 0,08 0,031 0,4681 0,531
Langkah 3 : Membuat Kesimpulan
Berdasarkan perhitungan diatas didapatkan nilai D maks adalah 0,7222.
Selanjutnya bandingkan dengan nilai D pada tabel Kolmogorov smirnov. Nilai
Dtabel (untuk n=18 dan α=5%) adalah 0,309. Sehngga 0,722>0,309 atau
Dhitung>Dtabel. Dengan kata lain Ho ditolak dan disimpulkan data tersebut tidak
terdistribusi normal (9).
b. Uji Kolmogorov-Smirnov Dengan SPSS
Pada uji kolmogorov smirnov dilakukan perbandingan nilai signifikansi (α)
dengan P-value. Berikut adalah tahap melakukan uji normalitas pada program
SPSS (9).
1) Masukkan data yang akan diuji ke dalam SPSS
a) Buatlah variabel pada sheet “variabel view”
Name, yaitu kolom untuk menulis nama variabel. Nama variabel tidak
menggunakan spasi
Type, yaitu kolom untuk menentukan jenis variabel. Terdapat beberapa
ppilihan seperti numeric, string, date, dan lain sebagainya.
Value, yaitu kolom untuk memberikan keterangan apabila data terdiri atas
beberapa pengkodean. Misalnya variabel sekolah terdiri atas 3 kode, yaitu
kode 1= tidak sekolah; 2= sekolah SD-SMA; dan 3= sekolah PTN
Measure, yaitu kolom untuk menentukan jenis variabel. Pada kolom ini
hanya tersedia, nominal, ordinal.dan ratio.
b) Masukkan data setiap variabel pada sheet “data view”
Proses memasukkan data pada dasarnya mirip dengan pengoperasian di
ms.excell. Namun pada SPSS sebelum memasukkan data kesheet “data
view” kita harus menetapkan variabel pada sheet “variabel view”.
 10

2) Untuk melakukan uji normalitas maka pilih analyze > descriptive statisic >
explore.
3) Pilih “statistic” untuk memastikan tingkat kepercayaan yang digunakan sesuai
dengan asumsi yang kita gunakan
4) Pilih “plot” untuk mengaktifkan test normalitas (normality plot with test)
5) Klik OK
6) Pada window output akan muncul tabel sebagai berikut
7) Membandingkan nilai P-value pada tabel dengan nilai α (0,05), serta membuat
kesimpulan
Ho gagal ditolak jika P-value > α
Ho ditolak, jika P-value ≤ α
Pada contoh ini terlihatada 2 jenis tes normalitas yaitu kolomogrov-smirnov dan
shapiro-wilk. Apabila jumlah sampel lebih dari 50, maka uji normalitas yang
digunakan adalah kolmogorov-smirnov, sedangkan apabila sampel kurang dari 50
maka digunakan uji spahiro-wilk.
Apabila data telah diketahui normalitas dari distribusi data, maka langkah
selanjutnya adalah menentukan uji statistik yang tepat. Pada data yang terdistribusi
normal, dapat dilakukan uji statistik parametrik. Sedangkan pada data yang tidak
terdistribusi normal, perlu dilakukan modifikasi data hingga data terdistribusi normal.
Jika tidak melakukan modifikasi data, maka uji statistik yang dilakukan adalah uji
statistik non-parametrik. Pemilihan jenis uji dilakukan dengan memperhatikan jenis
data yang digunakan, jumlah sampel maupun hubungan antar variabel (9).
Untuk perhitungan uji statistik parametrik dapat menggunakan uji-t dan uji
anova. Sedangkan untuk perhitungan non-parametrik dapat menggunakan uji mann
whitney, the wilcoxon test, dan kruskal-wallis test.
 11

1. Perhitungan Paramterik
a. Uji-T dengan SPSS
Contoh soal: Pada kasus ini, data dianggap berdistribusi normal sehingga uji
statistik yang dilakukan adalah uji-t. Ditetapkan pula arah uji adalah two-tail
dengan nilai signifikasi 5%. Tentukan apakah rata-rata produktivitas padi
varietas baru sama dengan produktivitas padi varietas lama.
Proses pengolahan data selalu diawali dengan uji normalitas. Namun, pada
pembahasan ini sudah diasumsikan bahwa seluruh data telah dilakukan uji
normalitas dan telah memenuhi asumsi yang dibutuhkan untuk melakukan uji
parametrik (uji-t 1 sampel) (10).
1) Sesuai dengan soal sebelumnya mengenai rata-rata produktivitas padi
varietas baru, maka kita masukkan data ke dalam program SPSS. Pada
window variabel view buatlah variabel berikut:
Name : rata_berat_padi
Measure : scale
2) Kemudian masukan setiap data pada window data view, sehingga seperti yang
terlihat pada gambar

3) Selanjutnya dilakukan analisis dengan memilih Analyze  compare means

 one sample T test. Akan terlihat window seperti berikut
 12

4) Pindahkan variabel yang akan dianalisis ke kolom test variabel (s), lalu klik
“OK”
5) Hasil analisis akan muncul pada window output

Kesimpulan:
Berdasarkan tabel pertama dapat dilihat rata-rata produktivitas padi varietas baru
adalah 6,98 ton/ha dan pada tabel kedua diketahui nilai sig(2-tailed) adalah
0,0001 sehingga dapat disimpulkan bahwa nilai signifikansi lebih kecil dari α
(0.05) berarti Ho ditolak yang bearti rata-rata produktivitas padi varietas baru
berbeda signifikan dengan rata-rata produktivitas padi varietas lama.
b. Uji ANOVA one-way dengan SPSS
Pada program SPSS kita akan memasukkan data berdasarkan variabelnya, yaitu
variabel dependent dan variabel independent sebagai berikut (9).
 13

1) Buatlah variabel data variabel dependent dan independent dengan ketentuan:

a) Variabel dependent : produksi_susu
Measure : scale
b) Variabel independent : perlakuan
Measure : scale
Value : value “1” label “T0” ; value “2” label “T1” dan seterusnya sesuai
jumlah kelompok yang ada.
2) Masukkan data yang ada pada windows data view dan apabila kita
mengaktifkan “value labels” akan terlihat seperti ini.

3) Analisis dilakukan dengan memilih analyze compare means  one way

ANOVA sehingga terlihat tabel berikut:
 14

Pindahkan variabel dependent ke dalam dependent list sedangkan variabel

independent ke dalam kolom factors.
4) Mengingat uji asumsi yang harus dipenuhi pada uji Anova yaitu uji homogenitas,
maka pada “option” kita aktifkan “homogeneity of variance test”
5) Pada uji anova, apabila diketahui terdapat beda yang signifikan antar kelompok,
maka perlu dilanjutkan ke uji-t untuk membandingkan kelompok manakah yang
berbeda. Namun, melalui fasilitas SPSS kita dapat mengaktifkan “post hoc” 

“bonferreni”.
6) Akan terlihat hasil pada windows output, terlihat 3 macam tabel yaitu tabel
homogenitas, tabel Anova dan tabel post hoc. Pada masing-masing tabel dapat
diambil kesimpulan sebagai berikut:

Berdasarkan tabel didapatkan nilai sig (0,39) lebih besar dari α (0,05),
sehingga Ho diterima dan disimpulkan bahwa variasi antar kelompok sama
atau homogen.

Berdasarkan uji ANOVA, didapatkan nilai sig (0,0001) lebih kecil dari α (0,05),
sehingga Ho ditolak dan dapat disimpulkan bahwa terdapat perbedaan rata-rata
produktivitas susu sapi pada kelompok pemberian pakan yang berbeda (9).
 15

Pada penelitian ni, kelompok pemberian pakan terbagi menjadi lebih dari 2, maka
perlu diketahui kelompok manakah yang dinyatakan berbeda signifikan. Hal
tersebut dapat diketahui melalui tabel post hoc di bawah ini

Pada hasil uji post-hoc bonforrenni kita akan mendapati kelompok yang berbeda
nyata, melalui nilai sig < α (0,05), atau dengan memperhatikan tanda (*) (9).
2. Perhitungan Uji Non-Paramterik
a. Uji Wilcoxon dengan SPSS
Bangun data dalam SPSS seperti gambar dibawah. Pada variabel view, bentuk
variabel sebelum dan sesudah. Kemudian atur tipe data (type) dengan numeric.
Pada Data View, isi data berat badan sebelum mengkonsumsi obat penambah
berat badan merek XYZ selama satu minggu (10).
 16

Kemudian pilih Analyze  Nonparametric Test  2 Related Samples. Pindahkan

variabel sebelum pada bagian variabel 1, sedangkan variabel sesudah
dipindahkan pada bagian variabel 2. Pada bagian Test Type pilih Wilcoxon.
Kemudian pilih OK (10).
 17

Tabel diatas, yakni tabel Ranks merupakan hasil berdasarkan SPSS. Berdasarkan
tabel tersebut diketahui selisih dari pasangan nilai data yang bernilai negatif atau
pengamatan ranking yang negatif (Negative Ranks) sebanyak 2, selisih dari
pasangan nilai data yang bernilai positif atau pengamatan ranking yang positif
(Positive Ranks) sebanyak 12, dan selisih dari pasangan nilai data yang bernilai
nol (Ties) sebanyak 1. Jumlah responden dalam sampel (Total) sebanyak 15.
Diketahui jumlah ranking untuk kelompok tanda positif (+) adalah 102,
sedangkan jumlah ranking untuk kelompok tanda negatif (-) adalah 3. Hasil pada
Tabel Ranks tersebut sesuai dengan hasil dengan perhitungan secara manual (10).
Ranks
N Mean Rank Sum of Ranks
Sesudah - Negative Ranks 2𝑎 1.50 3.00
Sebelum
Positive Ranks 12𝑏 8.50 102.00
Ties 1𝑐
Total 15
a. Sesudah < Sebelum
 18

b. Sesudah > Sebelum

c. Sesudah = Sebelum

Test Statistics
Sesudah – Sebelum
Z −3.113𝑎
Asymp. Sig (2-tailed) .002
a. Based on negative ranks
b. Wilcoxon Signed Ranks Test
Tabel diatas, yakni tabel test statistics merupakan hasil berdasarkan SPSS.
Berdasarkan tabel tersebut, diketahui nilai normal Z terstandarisasi adalah -
3,113, sedangkan nilai probabilitas kumulatif dari Z (Asymp. Sig (2-tailed))
adalah 0,0002. Karena nilai probabilitas 0,002 < α = 0,05, maka hipotesis nol
ditolak dan hipotesis alternatif diteirma. Ini berarti pernyataan “terdapat
perbedaan yang signifikan secara statistika mengenai berat badan, sebelum dan
sesudah mengkonsumsi obat penambah berat badan merek XYZ” dapat diterima
pada tingkat signifikansi 5%. Perhatikan bahwa (2-tailed) berarti pengujian
dilalkukan secara dua arah (10).

Pada gambar diatas menyajikan nilai-nilai probabilitas kumulatif dari Z yang

lebih detail (18 angka di belakang koma).
 19

b. Uji Mann-Whitney dengan SPSS

Bangun data dalam SPSS seperti pada gambar di bawah. Pada Variable View,
bentuk variabel Jurusan dan Nilai. Kemudian atur tipe data (Type) dengan
Numeric. Untuk variabel Jurusan, beri Value 0 untuk Label “Matematika”,
dan Value 1 untuk Label “Statistika”. Kemudian aktifkan Data View. Ketik
data seperti pada gambar sehingga diketahui masing-masing jurusan
diamati 10 mahasiswa. Pada kolom Jurusan, nilai 0 menyatakan jurusan
matematika, sedangkan nilai 1 menyatakan jurusan statistika (10).

Pilih Analyze => Nonparametric Tests => 2 Independent Samples(Gambar

10.34), sehingga muncul kotak dialog Two Independent Samples Test (Gambar
10.35). Pada Gambar 10.35, variabel Nilai dimasukkan pada kotak Test Variable
List dan variabel Jurusan dimasukkan pada kotak Grouping Variable. Pada Test
Type,pilih Mann-Whitney U. Selanjutnya pilih Define Groups, sehingga muncul
kotak dialog Two Independent Samples: Define Groups. Pada kotak Two
 20

Independent Samples: Define Groups,ketik 0 pada Group 1,dan ketik 1 pada

Group 2. Angka 0 berarti untuk kode jurusan matematika dan angka 1 untuk kode
jurusan statistika. Kemudian pilih Continue dan OK (10).

Tabel dibawah yakni Tabel Rank merupakan hasil berdasarkan SPSS. Padakolom
Sum of Ranks, diketahui jumlah ranking nilai ujian matakuliah kalkulus
mahasiswa jurusan matematika adalah 72,5 dan jumlah ranking nilai ujian
matakuliah kalkulus mahasiswa jurusan statistika adalah 137,5. Pada kolom
Mean Rankmerupakan nilai rata-rata dari ranking nilai ujian matakuliah kalkulus
berdasarkan masing-masing jurusan (10).
Ranks
Jurusan N Mean Rank Sum of Ranks
Nilai Matematika 10 7.25 72.50
Statistika 10 13.75 137.50
Total 20
Pada (Tabel Test Statistics) diketahui nilai statistik uji Mann-Whitney adalah
17,5. Nilai kritis Mann-Whitney adalah 23. Karena nilai dari statistik dari uji
 21

Mann-Whitney, yakni 17,5 lebih kecil dari nilai kritis Mann-Whitney, yakni 23,
maka hipotesis nol ditolak dan hipotesis alternatif diterima. Ini berarti pernyataan
mengenai “terdapat perbedaan yang signifikan secara statistika mengenai nilai
ujian matakuliah kalkulus antara mahasiswa jurusan matematika dan mahasiswa
jurusan statistika” dapat diterima pada tingkat signifikansi 5%. Perhatikan juga
bahwa diketahui nilai Asymp. Sig. (2-tailed)adalah 0,013. Nilai tersebut
merupakan:
2× (nilai probabilitas kumulatif dari nilai normal 𝑍=−2,497) = 2× 0,0062 = 0,013.
Karena nilai probabilitas kumulatif 0,013<𝛼=0,05, maka hipotesis nol ditolak
dan hipotesis alternatif diterima. Ini berarti pernyataan mengenai “nilai ujian
matakuliah kalkulus mahasiswa jurusan statistika berbeda signifikan secara
statistika dengan nilai ujian matakuliah kalkulus mahasiswa jurusan matematika”
dapat diterima pada tingkat signifikansi 5%. Perhatikan bahwa “(2-tailed)”
berarti pengujian dilakukan secara dua arah (10).

c. Uji Kruskal-Wallis dengan SPSS

Bangun data dalam SPSS seperti pada gambar di bawah. Pada Variable View,
bentuk variabel Jumlah dan Bimbel (bimbingan belajar). Untuk variabel Bimbel,
beri Value 1 untuk Label “bimbingan belajar A”, beri Value 2 untuk Label
“bimbingan belajar B”, dan beri Value 3 untuk Label “bimbingan belajar C”.
Kemudian aktifkan Data View. Input data pada Data View seperti pada Gambar
10.63. Pilih Analyze => Nonparametric Tests => K Independent
 22

Samples(Gambar 10.64), sehingga muncul kotak dialog Test for Several

Independent Samples (Gambar 10.65). Pada Gambar 10.65, pilih Kruskal-Wallis
H pada Test Type. Kemudian variabel jumlah dimasukkan pada Test Variable
List dan variabel Bimbel dimasukkan pada Grouping Variable.Selanjutnya pilih
Define Group. Isi Minimum dengan nilai 1 dan Maximum dengan nilai 3.
Perhatikan bahwa nilai 1 (nilai Value yang paling minimum) berarti Label untuk
bimbingan belajar A,sedangkan nilai 3 (nilai Value yang paling maksimum)
berarti Label untuk bimbingan belajar C. Selanjutnya pilih Continue dan OK
(10).
23
 24

Hasil berdasarkan SPSS disajikan pada (Tabel Ranks). Berdasarkan Tabel

dibawah untuk kolom Mean Rank, diketahui rata-rata ranking dari bimbingan
belajar A adalah 6,33. Nilai tersebut merupakan hasil bagi antara jumlah
rankingpada bimbingan belajar A, yakni 38 dengan banyaknya elemen sampel
bimbingan belajar A yakni, 6 (10).
Pada Tabel Test Statistics, diketahui nilai statistik dari Kruskal-Wallis 𝐻 atau Chi
Squareadalah 11,165 dan nilai probabilitas dari uji Kruskal-Wallis (Asymp. Sig.)
adalah 0,004. Oleh karena nilai probabilitas, yakni 0,004, lebih
kecildibandingkan tingkat signifikansi 𝛼=0,05, maka hipotesis nol ditolak dan
hipotesis alternatif diterima. Hal ini berarti terdapat perbedaan kualitas yang
signifikan secara statistika di antara ketiga bimbingan belajar tersebut pada
tingkat signifikansi 5% (10).
 25

Ranks
Bimbel N Mean Rank
Bimbingan belajar A 6 6.33
Bimbingan belajar B 6 6.75
Bmbingan belajar C 6 15.42
Total 18

Test Statistics
Sesudah – Sebelum
Chi-Square 11.165
Df 2
Asymp. Sig. .004
a. Kruskal Wallis Test
b. Grouping Variable: Bimbel

D. Interpretasi
1. Uji Korelasi Parametik
Uji korelasi parametik menggunakan teknik korelasi yang banyak digunakan
orang-orang hingga saat ini. Uji korelasi parametik menggunakan teknik uji korelasi
pearson product momen. Korelasi Pearson merupakan metode statistika yang
membantu peneliti menemukan suatu besaran tentang kuat tidaknya hubungan
variabel-variabel dengan hanya melibatkan satu variabel bebas dan satu variabel
terikat. Uji korelasi Pearson dilambangkan dengan (R). Syarat-syarat data yang
digunakan dalam uji Korelasi Pearson adalah (11):
a) Berskala interval/rasio
b) Variabel X dan Y harus bersifat independen satu dengan lainnya
c) Variabel harus kuantitatif simetris.
 26

Koefisian korelasi yang dihasilkan dari Uji Korelasi Pearson berguna untuk
melihat seberapa kuat hubungan linier antar variabel. Artinya jika koefisien korelasi
Pearson menghasilkan variabel yang tidak linier maka variabel tersebut tidak memiliki
hubungan yang kuat. Karena nilai koefisien korelasi berada antara -1<0<1, maka
interpretasi dari uji korelasi yang bisa diperoleh yaitu (11):
1) Jika r = -1, korelasi negative sempurna sehingga taraf signifikansi dari pengaruh
variabel X terhadap variabel Y sangat lemah.
2) Jika r = 1 artinya korelasi positif sempurna sehingga dapat diartikan taraf
signifikan dari pengaruh variabel X terhadap variabel Y sangat kuat.
3) Jika r = 0 maka artinya tidak terdapat hubungan antara dua variabel tersebut.
Selain itu untuk menerjemahkan hasil akhir dari uji korelasi juga perlu
memperhatika signifikansi dimana jika Sig. (2-tailed) < 0,05, maka hubungan yang
terdapat pada r dianggap signifikan. Sedangkan jika nilai Sig >0,05 maka hubungan
ditolak. Berikut interpretasi dari hasil uji statistiknya (11, 12):

Tabel 2.1 Panduan Interpretasi Uji Korelasi Spearman

No. Parameter Nilai Interpretasi

1. Kekuatan 0,00 Tidak ada hubungan
korelasi 0,01-0,09 Hubungan kurang berarti
(nilai ini 0,10-0,29 Hubungan moderat
berlaku untuk 0,30-0,49 Hubungan kuat
hasil positif 0,50-0,069 Hubungan sangat kuat
dan negative) 0,70-0,89 Hubungan mendekat sempurna
>0,9
2. Koefisien 0,00-0,199 Sangat rendah
korelasi 0,20-399 Rendah
0,40-0,599 Sedang
0,60-0,799 Kuat
 27

0,80-1,000 Sangat kuat

2. Uji Korelasi Non Parametik

Sebelum melakukan uji korelasi, terlebih dahulu dilakukan uji normalitas. Apabila
berdistribusi normal (p < 0,05), maka dilakukan uji korelasi Pearson sedangkan jika
berdistirbusi tidak normal (p> 0,05) maka dilakukan dengan uji korelasi non-
parametik. Uji korelasi non-parametik, dapat dilakukan dengan dua uji yaitu (13):
a) Uji korelasi Spearman
Seperti yang sudah dikatakan bahwa korelasi spearman adalah pengukuran yang
digunakan untuk uji korelasi non-parametik. Dengan simbol r(rho). Hasil dari
pengukuran ini digunakan untuk menilai ada tidaknya fungsi yang sesuai
perintah(monotik) untuk mengggambarkan hubungan dua variabel dengan tanpa
membuat asuumsi distribusi frekuensi dari variabel-variabel yang diteliti. Adapun
interpretasi dari uji korelas didasarkan pada nilai p, kekuatan korelasi, dana rah
korelasi. Berikut panduan interpretasi uji korelasi (13, 14):

Tabel 2.2 Panduan Interpretasi Uji Korelasi Spearman

No. Parameter Nilai Interpretasi

1. Kekuatan 0,00 – 0,199 Sangat lemah
korelasi 0,20 – 0,399 Lemah
0,4 – 0,599 Sedang
0,6-0,799 Kuat
0,8 -1,00 Sangat kuat
2. Nilai p P < 0,05 Terdapat korelasi yang bermakna
antara variabel yang diuji
P > 0,05 Tidak terdapat korelasi yang
bermakna antara variabel yang diuji
 28

3. Arah korelasi + (positif) Searah, semakin besar nilai suatu

variabel semakin besar pula nilai
-(negative) variabel lainnya
Berlawanan arah, semakin besar nilai
suatu variabel maka semakin kecil
variabel lainnya.

b) Uji Korelasi Kendall’s tau-b

Uji korelasi Kendall merupakan pengukuran statistika untuk mengetahui hubngan
antara dua variabel berskala ordinal atau diantaranya memiliki skala ordinal
sedangkan yang lainnya beskala nominal atau rasio. Adapaun interpretasi dari uji
korelasi kendall’s tau-b dapat dilihat dari tabel berikut (15, 16):

Tabel 2.3 Panduan Interpretasi Uji Korelasi Uji Kendall’s tau-b

No. Parameter Nilai Interpretasi

1. Nilai Nilai Sig. < 0,05 Hubungan antara variabel signifikan
signifikansi atau terdapat hubungan antara
Nilai Sig > 0,05 variabel
Hubungan antara variabel tidak
sginifikan atau tidak terdapat
hubungan antara variabel
2, Tingkat 0,00 – 0,25 Sangat lemah
keeratan 0,26 – 0,50 Cukup
hubungan 0,51 – 0,75 Kuat
(koefisien 0,76-0,9 Sangat kuat
korelasi) 1,00 Sempurna
 29

3. Arah korelasi + (positif) Searah, semakin besar nilai suatu

variabel semakin besar pula nilai
-(negative) variabel lainnya
Berlawanan arah, semakin besar nilai
suatu variabel maka semakin kecil
variabel lainnya.
 BAB III
PENUTUP
A. Simpulan
Dalam melakukan analisis statistika parametrik dengan teknik analisis komparatif
mensyaratkan beberapa asumsi salah satunya data terdistribusi normal. Apabila hasil
uji menunjukkan data berdistribusi normal maka digunakan uji statistik. Pada data yang
terdistribusi normal, uji statistik parametrik yang dilakukan adalah uji-t. Uji non
parametrik digunakan jika data tidak memenuhi syarat uji paramterik, yaitu data
terdistribusi tidak normal. Dalam melakukan uji beda rata-rata, apabila data tidak
berdistribusi normal maka digunakan uji statistik nonparametrik yang dapat
menggunakan teknik Wilcoxon signed ranks test Uji non parametrik tidak memiliki
syarat seperti uji parametrik sehingga asumsi yang dibuat lebih lemah dan kurang teliti
karena pengamatannya bebas dan variable yang diamati kontinu, tetapi populasi tidak
perlu berdistribusi normal, serta variannya tidak perlu homogen.

B. Saran
Makalah ini diharapkan mahasiswa mampu mempelajari dan memahami
mengenai uji korelasi parametrik dan non-parametrik ini untuk membantu
mempermudahkan dalam menganalisis data dengan menggunakan uji korelasi
parametrik dan non-parametrik.

30
 DAFTAR PUSTAKA

1. Sobur S. Analisi Korelasi dan Regresi Linier Sederhana. 2019. 1–64 p.

2. Harmon M, Skow B, Simonson P, Peck J, Craig RT, Jackson JP, et al. Metode
Penelitian Kuantitatif [Internet]. Vol. 4, Philosophy of Science. 2016. 1–10 p.

3. Budiwanto, S. Metode Statistika Untuk Mengolah Data Keolahragaan. UM Penerbit &

Percetakan. 2014.

4. Maryadi. Membandingkan hasil uji statistika parametrik dan nonparametrik (studi

kasus : pelaksanaan kebijakan pengendalian dana Idle pemerintah daerah). Jurnal Of
Applied Managerial Accounting. 2020;4(1):142–9.

5. Tyastirin E, Hidayati I. Statistik parametrik untuk penelitian kesehatan. Program Studi

Arsitektur Uin Sunan Ampel: Surabaya; 2017. 28–32 p.

6. Adiputra IMS, Dkk. Statistika kesehatan: Teori dan aplikasi. Medan: Yayasan Kita
Menulis; 2021. 1–124 p.

7. Nuryadi, Dkk. Dasar-Dasar Statistik Penelitian [Internet]. Yogyakarta: Sibuku Media;

2017. 1–177 p.

8. Sawego Gati Putro, febriadi. dony A. Perbandingan kebugaran jasmani pada siswa
perokok dan non perokok di sma negeri 1 porong. J Pendidik olahraga dan Kesehat.
2021;9(1):229–32.

9. Tyastirin E, Hidayati I. Statistik parametrik untuk penelitian kesehatan. Program Studi

Arsitektur Uin Sunan Ampel. 2017. 28–32 p.

10. Suyatno. Statistika nonparametrik dengan SPSS, Minitab, dan R. Medan: USU Press;
2017. 1–131 .

11. Safitri WR. Analisis korelasi pearson dalam menentukan hubungan antara kejadian
Demam Berdarah Dengue dengan kepadatan penduduk di Kota Surabaya pada tahun
2012-2014. J Ilmu Keperawatan. 2016;2(2):1–9.

12. Mulyana UR, Fitrianna AY. Hubungan Motivasi Belajar Terhadap Kemampuan
Pemecahan Masalah Matematik Siswa Smp Pada Materi Segitiga Segiempat. JPMI
(Jurnal Pembelajaran Mat Inov. 2019;2(6):415.

13. Yanti CA, Akhri IJ. Perbedaan Uji Korelasi Pearson, Spearman dan Kendall Tau dalam
Menganalisis Kejadian Diare. J Endur Kaji Ilm Probl Kesehat [Internet]. 2021;6(1):51–
8. Available from: http://doi.org/10.22216/jen.v6i1.5256
14. Fitri A. Hubungan motivasi dengan lamanya masa tunggu kerja pada lulusan Fakultas
Keperawatan Univesitas Sumatera Utara periode 2008 dan 2009. J Keperawatan
Abdurrab [Internet]. 2016;1(1):1–15. Available from:
https://www.usu.ac.id/id/fakultas.html

15. Nurbiantoro DA, Septimar zahrah M, Winarni LM. Hubungan Pengetahuan Dengan
Keterampilan Perawat Dalam Pelaksanaan Triase Di Rsud Kota Tangerang. J Heal
Sains [Internet]. 2020;1(6):414–26. Available from:
http://jurnal.healthsains.co.id/index.php/jhs/article/view/75/126

16. Salehudin M. Literasi Digital Media Sosial Youtube Anak Usia Dini. J Ilm Potensia.
2020;5(2):106–15.