NONPARAMETRIK2017

Statistik Nonparametrik
NONPARAMETRIK
1. Uji median populasi tunggal.

2. Membandingkan 2 median populasi independent yang tidak berdistribusi
normal.
3. Membandingkan K populasi independent yang tidak berdistribusi
normal.
- Uji Kruskal-Wallis untuk desain acak penuh
- Uji Friedman untuk desain acak blok
Beberapa analisis statistik seperti uji t, uji chi-square (X 2), dan uji F,
analisis regresi, analisis time series, dan analisis multivariat. Analisis
mempunyai asumsi bahwa data mengikuti distribusi populasi tertentu, dalam
hal ini, distribusi normal. Analisis seperti ini dalam statistik dikenal dengan
analisis statistik yang menggunakan prosedur parametrik. Selain harus
mengikuti distribusi normal, analisis statistik parametrik mensyaratkan pula
untuk memiliki banyak data (n > 30) dan menggunakan skala data kontinyu
(skala rasio dan interval).
Pada kenyataannya, data sering tidak mengikuti distribusi normal.
Hal ini salah satunya karena jumlah data sampel yang didapat tidak cukup
banyak sehingga tidak memenuhi distribusi normal. Tidak hanya itu,
kesulitan pengukuran secara kuantitatif menyebabkan banyak pengukuran
data dilakukan secara kualitatif sehingga skala datanya adalah biner, ordinal
atau nominal. Memaksakan analisis statistik parametrik bila asumsi-asumsi
yang disyaratkan belum dapat terpenuhi akan menghasilkan suatu
kesimpulan yang kurang bisa diandalkan. Kesulitan-kesulitan dalam data
tetap harus diatasi supaya analisis data bisa dilakukan dan menghasilkan
suatu kesimpulan yang valid, memuaskan dan dapat diandalkan. Statistika
menyediakan suatu metode analisis data tanpa distribusi awal yang
mendasari data. Prosedur analisis statistik tersebut sering dikenal
distribution free test. Salah satu cabang distribution free test adalah
nonparametrik.
Statistik nonparametrik berawal dari kenyataan bahwa dalam dunia
nyata, tidak semua data yang akan dianalisis dapat memenuhi asumsi yang
disyaratkan suatu metode analisis data statistik seperti distribusi yang
mendasari data. Nonparametrik tidak memerlukan pemodelan awal populasi
ke dalam bentuk distribusi tertentu. Dalam statistik nonparametrik, kita
tidak perlu mengubah skala data kualitatif menjadi skala data kuantitatif
(numerik) karena tidak akan berpengaruh pada hasil analisis.
Uji nonparametrik telah mendapat perhatikan karena beberapa
alasan. Pertama, perhitungan yang diperlukan sederhana dan dapat
dikerjakan dengan cepat. Kedua, datanya tidak harus merupakan
Dr. Ir. Hutwan Syarifuddin, MP 1

pengukuran kuantitatif, tetapi dapat berupa respons yang kualitatif, seperti

produk peternakan ”cacat” lawan ”tidak cacat”, ”bagus” lawan ”jelek” dan
sebagainya, atau nilai-nilai suatu skala ordinal. Pada skala ordinal,
subjeknya diberi peringkat menurut suatu urutan tertentu, dan suatu uji
nonparametrik menganalisis peringkat-peringkat tersebut. Sebagai contoh,
2 juri memberi peringkat pada lima jenis sapi. Peringkat 1 diberikan kepada
sapi yang dianggap mempunyai kualitas tertinggi, peringkat 2 diberikan
kepada sapi terbaik kedua, dan seterusnya. Uji nonparametrik dengan
demikian dapat digunakan untuk menentukan adakah kesesuaian antara
kedua juri itu. Yang ketiga dan mungkin keuntungan yang paling penting
dalam menggunakan uji nonparametrik adalah bahwa uji-ujinya disertai
dengan asumsi-asumsi yang jauh tidak mengikat dibandingkan dengan uji
parametrik padanannya.
Ada sejumlah kelemahan yang terdapat pada uji nonparametrik.
Terutama, uji-uji itu tidak memanfaatkan semua informasi yang dikandung
dalam contoh. Akibat pemborosan ini, uji nonparametrik selalu sedikit
kurang efisien dibandingkan prosedur parametriknya bila kedua metode
dapat diterapkan. Dengan demikian, uji nonparametrik memerlukan contoh
yang lebih besar dibandingkan dengan uji parametrik padanannya untuk
mencapai peluang galat jenis II yang sama.
Bila uji parametrik dan nonparametrik dapat digunakan untuk data
yang sama, kita seharusnya menghindari uji nonparametrik yang ”cepat dan
mudah” ini dan mengerjakannya dengan teknik parametrik yang lebih
efisien. Akan tetapi, karena asumsi kenormalan seringkali tidak dapat
dijamin berlakunya dan juga karena kita tidak selalu mempunyai hasil
pengukuran yang kuantitatif sifatnya, maka prosedur nonparametrik dapat
digunakan.
Ada dua kriteria utama yang digunakan untuk menentukan apakah
uji statistika nonparametrik diperlukan:
1. Jika asumsi normalitas dan kesamaan variance
(homoscedasticity) tidak dapat terpenuhi, terutama untuk sampel kecil.
2. Jika data diukur pada skala ordinal atau nominal.
Uji statistik nonparametrik juga memiliki asumsi dan keterbatasan
seperti:
1. Sampel harus acak (random sample).

2. Rancangan percobaan yang kompleks dengan interaksi tidak dapat
diakomodasi dengan statistik nonparametrik.
3. Uji nonparametrik bersifat less powerful.

1. Uji Median Populasi Tunggal.
Dua metode uji statistik untuk 1 populasi, yaitu sign test dan
Wilcoxon signed test untuk 1 populasi. Salah satu analisis statistik
nonparametrik paling sederhana adalah sign test atau uji tanda digunakan
untuk menguji dengan median suatu populasi berdistribusi kontinyu. Uji
tanda disebut pula uji lokasi karena median merupakan salah satu ukuran
pemusatan. Tabel 1 menunjukkan elemen-elemen uji hipotesis dalam sign
test.
Dalam uji tanda pengujian hipotesis nol Ho bahwa  = o lawan
alternatifnya yang diinginkan berdasarkan pada contoh acak berukuran n, uji
ini mengganti setiap nilai pengamatan yang melebihi o dengan tanda plus
dan setiap nilai contoh yang lebih kecil dari o dengan tanda minus. Bila
hipotesis nol benar dan populasinya setangkup, jumlah yang bertanda plus
kira-kira sama dengan yang bertanda minus. Bila salah satu tanda
tampaknya muncul lebih sering dari seharusnya, berdasarkan faktor
kebetulan belaka, kita tolak hipotesis bahwa nilai tengah populasinya 
sama dengan o.
Uji tanda hanya dapat diterapkan bila o tidak sama dengan nilai
pengamatan. Meskipun secara teoritis peluangnya nol mendapatkan suatu
nilai pengamatan yang persis sama dengan o bila populasinya kontinu,
tetapi dalam prakteknya nilai contoh yang sama dengan nol sering terjadi.
Bila demikian halnya, semua nilai yang sama dengan o itu harus
dikeluarkan dari analisis sehingga ukuran contohnya berkurang.
Statistik uji bagi uji tanda adalah peubah acak X yang menyatakan
banyaknya tanda plus dalam contoh acak kita. Bila hipotesis nol bahwa =o
benar, peluang bahwa suatu nilai contoh menghasilkan tanda plus atau
minus adalah sama dengan ½. Akibatnya, statistik uji X memiliki sebaran
peluang binom dengan parameter p= ½ bila Ho benar, dan dari sini kita
dapat menghitung taraf uji bagi hipotesis alternatif yang satu-arah maupun
yang dua-arah.
Karena X adalah peubah acak diskret, wilayah kritiknya besar
kemungkinan tidak mungkin sama dengan . Akan tetapi kita selalu dapat
mengambilnya sehingga wilayah kritik itu sedekat mungkin dari  tetapi
tidak pernah melampauinya. Biasanya ini menjadi masalah hanya bila
ukuran contohnya kecil.

Tabel 1. Elemen-elemen sign test untuk median populasi tunggal
Sign Test untuk Median (  ) Populasi

Uji 1 arah Uji 2 arah
Hipotesis: Hipotesis:
Ho :  =  o Ho :  =  o
H1 :  >  o atau :  <  o H1 :    o
Statistik Uji: Statistik Uji:
S = Jumlah sampel yang diamati S=S1 dan S2 yang lebih besar
lebih dari  o dimana;
atau S1=Jumlah sampel yang diamati
S = Jumlah sampel yang diamati lebih dari o
kurang dari  o S1=Jumlah sampel yang diamati
kurang dari o
S2 = n-S1
Daerah penolakan:
p-value < 
Asumsi:
Sampel diambil secara acak dari
distribusi peluang kontinyu.
Sign Test Median Populasi Tunggal untuk Sampel Besar ( n  10)

Uji 1 arah Uji 2 arah
Hipotesis: Hipotesis:
Ho :  =  o Ho :  =  o
H1 :  >  o atau :  <  o H1 :    o
Statistik Uji:
S – E(S) S – 0,5n S – 0,5n

z= = =
V (S) (0,5) (0,5)n 0,5 n
Daerah penolakan:
z>z z > z/2
Rumus Uji Tanda dengan pendekatan distribusi normal
x- μ
zH =
σ

dengan:
x = jumlah tanda (+) atau (-)
μ = n p, dimana p= 0,5
σ = n p (1-p)
n = jumlah sampel
Kasus yang akan diajdikan ilustrasi adalah uji median persentase

bakteri aktif pada limbah pabrik. Data yang akan dianalisis sebagai berikut:
41 33 43 55 56 46
37 42 47 53 30 35
Para ahli manajemen pengairan telah menentukan bahwa bakteri aktif yang
dikumpulkan dari limbah pabrik mengikuti distribusi tertentu dengan
median 40%. Apabila bakteri aktif dalam limbah melebihi 40%, maka
pabrik akan membuat proses pengolahan limbah pabrik.
Gambar 1. Kotak dialog 1- Sample Sign.
Tahap awal analisis adalah memasukkan data di atas ke worksheet

Minitab ke dalam 1 kolom. Beri nama kolom dengan ”Bakteri”. Adapun
langkah-langkah melakukan sign test dalam Minitab adalah:

1. Pilih Stat > Nonparametrik > 1-Sample Sign

2. Masukkan variabel Bakteri ke dalam Variables. Uji hipotesis akan
menguji median persentase bakteri dalam limbah. Hipotesis awalnya
adalah = 40. Cara melakukannya adalah:
3. Pilih Test Median dan isikan 40
4. Dalam Alternative, pilih not equal
5. Selanjutnya, klik OK.
Seperti telah disebutkan, hipotesis dalam uji hipotesis adalah:
Ho:Median persentase bakteri dalam limbah () = 40%
H1:Median persentase bakteri dalam limbah ()  40%
Ouput sign test menunjukkan bahwa dari 12 pengamatan yang telah

dilakukan, ada 4 pengamatan yang persentasenya dibawah 40%, 8
pengamatan yang persentasenya di atas 40%, dan tidak ada 1 pun
pengamatan yang persentasenya tepat 40%. Output memperoleh pula
statistik uji (p-value) sebesar 0,3877 dan median 42,50.
Sign Test for Median: Bakteri

Sign test of median = 40.00 versus not = 40.00
N Below Equal Above P Median
Bakteri 12 4 0 8 0.3877 42.50
Apabila p-value < , maka kesimpulannya adalah menolak hipotesis

awal. Apabila analisis digunakan level toleran () sebesar 5% maka
kesimpulan yang diperoleh dari hasil sign test adalah gagal menolak
hipotesis awal. Ini berarti median persentase bakteri dalam limbah secara
statistik sama dengan 40%. Jadi, pihak manajemen pengairan harus
membangun tempat pengolahan limbah pabrik.
Sebagai contoh berikutnya, untuk n=15 dan =0,05, Kita peroleh

dari Tabel peluang Binomi bahwa:
3
P (X ≤ 3 jika  = o) =  b(x;15,1/2)= 0,0176
x=0
dan
4
P (X ≤ 4 jika  = o) =  b(x;15,1/2)= 0,0592
x=0
sehingga wilayah kritik yang berukuran tidak melebihi  = 0,05 adalah ≤
3. Untuk menguji hipotesis
Ho :  = o
H1 :  > o

Kita tolak Ho dan terima H1 hanya bila proporsi tanda plus cukup lebih
besar dari ½, artinya bila x besar. Dengan demikian wilayah kritik terbesar
yang berukuran tidak melebihi  adalah;
x ≥ k
Untuk menguji hipotesis

Ho :  = o
H1 :   o
Kita tolak Ho dan terima H1 bila proporsi plus cukup jauh dari ½,
lebih besar ataupun lebih kecil. Dengan demikian, wilayah kritik terbesar
berukuran yang tidak melebihi  adalah:
x ≤ k’/2 atau x ≥ k/2
Karena nilai k’ dan k dapat diperoleh dari tabel peluang binom
dengan p=1/2 hanya bila ukuran contohnya kecil, maka kita dapat
menggunakan kurva normal bila n > 10. Sebagai contoh kita ingin menguji
hipotesis
Ho :  = o
H1 :  < o
Pada taraf nyata  untuk suatu contoh acak berukuran n=20 dengan
x = 6 tanda plus. Dengan menggunakan sebaran normal, wilayah kritiknya
diberikan oleh z < -1,645. Dengan demikian
= np = (20) (0,5) = 10
Σ= npq=  (20) (0,5) (0,5) = 2,236
Dan
6 - 10
z= = -1,79
2,236
Sehingga kita dapat menolak hipotesis nol (Ho).
Dalam pengujian hipotesis, kriteria untuk menolak atau tidak

menolak Ho berdasarkan P value adalah sebagai berikut:
Jika p value < , maka Ho ditolak
Jika p value ≥  , maka Ho tidak dapat di tolak.
Seorang instruktur body language menyatakan bahwa program

pelatihan yang ditawarkannya dapat menurunkan berat badan. Untuk
menginvestigasi pernyataan tersebut diambil 17 sampel acak peserta
program fitness tersebut. Ke – 17 sampel tersebut dicatat berat badannya

sebelum dan sesudah mengikuti program fitness. Dari ke-17 sampel

tersebut diperoleh data sebagai berikut (Tabel 2):
Tabel 2. Uji tanda terhadap program fitness menggunakan SPSS

Peserta Fitness Perubahan Berat Badan (1=
berkurang, 0= bertambah)
Deddy 1
Stacy 1
Tono 1
Sandra 1
Raihan 0
Sintha 1
Dora 1
Samson 0
Bonita 1
Dandy 0
Claudia 1
Petric 1
Kahar 0
Ema 1
Faruq 1
Gladys 1
Hengky 1
Apakah dapat disimpulkan bahwaa program fitness tersebut dapat

menurunkan berat badan ? Gunakan  = 0,05
Dalam contoh ini kita menguji apakah program fitness tersebut dapat
menurunkan berat badan, dengan kata lain proporsi peserta fitness yang
beratnya berkurang lebih banyak dibandingkan proporsi peserta fitness yang
beratnya bertambah, karena itu digunakan uji hipotesis satu sisi (one-sided
atau one-tailed test) dengan hipotesis;
Ho :  ≤ o
H1 :  > o
Dimana  adalah proporsi perubahan berat badan peserta fitness.
Prosedur SPSS Sign Test;

1. Pada lembar Variable View dari SPSS Data Editor kita definisikan
variable nama peserta fitness sebagai string dengan lebar 10
karakter dan diberi nama peserta serta diberi label Peserta Fitness.

Untuk variable perubahan berat badan didefinisikan dengan nama

berat dan diberi label Perubahan Berat Badan sebagai berikut:
Gambar 3. Output value label

2. Untuk variabel Perubahan Berat Badan juga diberi value label
’1=berkurang’ dan ’0=bertambah’
3. Kemudian klik OK.
4. Pada lembar Data View dari SPSS Data Editor, masukkan data ke dalam
SPSS sebagai berikut:
Gambar 4. Output analisis nonparametrik binom

Gambar 5. Output binomial test
5. Klik Analyze  NonparametricTest  Binomial.

6. Pindahkan variabel Perubahan Berat Badan ke kotak Test Variable Lists.
7. Klik OK akan didapat output dari uji tanda adalah sebagai berikut:
NPar Tests
Binomial Test
Observed Exact Sig.

Category N Prop. Test Prop. (2-tailed)
Perubahan Berat Group 1 'Berkurang 13 .76 .50 .049
Group 2 Bertambah 4 .24
Total 17 1.00
Interpretasi Hasil
1. Dari output uji tanda terlihat Test Proportion p =0,50
2. Untuk kolom proporsi yang diobservasi (observed
prop):Proporsi Group 1 = 13/17 = 0,76 dan Proporsi Group 2 = 4/17 =
0,24
3. Karena P-value=0,049 lebih kecil dari  = 0,05 maka Ho: 
≤ 0,05 ditolak. Sehingga dapat disimpulkan bahwa program fitness
tersebut dapat menurunkan berat badan.

2. Membandingkan Dua Median Populasi Independen yang Tidak

Berdistribusi Normal
Dalam suatu penelitian yang membandingkan 2 populasi

independen, kita sering menemukan bahwa asumsi normalitas data tidak
bisa dipenuhi. Hal ini mungkin terjadi karena keterbatasan data dan waktu
untuk mengumpulkan data dalam jumlah cukup besar agar memenuhi
distribusi normal. Uji t untuk 2 populasi independen tidak cukup dapat
diandalkan untuk melakukan uji 2 populasi. Untuk mengatasinya, statistika
menyediakan suatu metode uji 2 populasi independen, yaitu metode Mann-
Whitney. Uji ini sering disebut dengan Wilcoxon rank sum test untuk 2
populasi.
Mann-Whitney test didasarkan pada jumlah rangking 2 sampel
populasi.Misalnya, kita akan menguji 2 sampel, yaitu sampel X 1 dan X2.
Hipotesis ujinya adalah:
Ho:Distribusi sampel X1 dan X2 adalah sama

H1: Distribusi sampel X1 dan X2 adalah tidak sama
Rumus Uji Mann-Whitney dengan pendekatan distribusi normal

U – E (U)
zH =
σμ
dengan:
n1(n1 + 1)
U = n1n2 + - R1
2
n1n2 (n1+n2 - 1)
σ= 12
R1 = jumlah peringkat pada kelompok ke-1

n1 = jumlah sampel kelompok 1
n2 = jumlah sampel kelompok 2
Langkah-langkah melakukan uji Mann-Whitney adalah:

1. Membuat rangking untuk sampel pertama dan sampel kedua dari 1
sampai (n1 + n2). Dalam hal ini, n1 adalah banyaknya data dalam
sampel pertama (x1) dan n2 adalah banyaknya data dalam sampel
kedua (x2). Apabila ada rangking yang sama, maka rangking data
adalah rata-rata rangking. Misalnya, apabila rangking pada

pengamatan pertama dan kedua sama, maka rangking kedua data

adalah 1,5 [(rangking 1 + rangking 2)/2].
2. Menjumlahkan rangking untuk sampel pada sampel x1 (W).
3. Menghitung nilai taksiran, yaitu median selisih antara sampel
pertama (x1) dan sampel kedua (x2).
Dalam Minitab, kita menggunakan pendekatan distribusi normal untuk

menghitung level signifikan uji Mann-Whitney.
Tabel 1. memberikan data untuk diolah. Data berupa hasil penelitian
yang membandingkan kinerja paket pemroses kata yang dilakukan oleh 2
kelompok, yaitu operator yang harus menggunakan paket dan ahli
pemrograman komputer yang menggembangkan software komputer. Ada 7
pengamatan untuk tiap-tiap kelompok.
Tabel 3. Tingkat kinerja pemroses kata.

Tingkat Kinerja
Operator Pemroses Kata Ahli Pemrograman Komputer
35 45
50 60
25 40
55 90
10 65
30 85
20 95
Kemudian data dalam Tabel 3 dianalisis dalam Minitab. Sebelum

melakukan analisis seperti sebelumnya, data dimasukkan kedalam
worksheet. Masing-masing kelompok dimasukkan kolom berbeda sehingga
ada 2 kolom berisi data dalam worksheet. Beri nama kolom dengan “WPO”
untuk kolom berisi data kinerja operator pemroses kata dan beri nama “SP”
untuk kolom berisi data kinerja ahli pemrograman komputer. Simpan
worksheet dengan nama “ProsesKata.MTW”. Adapun tahap-tahap analisis
data dalam Minitab adalah:
1. Pilih Stat > Nonparametrik > Mann-Whitney.
2. Dalam First Sample, masukkan variabel WPO
3. Dalam Second Sample, masukkan variabel PS
4. Klik OK.

Gambar 6. Kotak dialog Mann-Whitney program MINITAB.
Mann-Whitney Test and CI: WPO, PS
WPO N = 7 Median = 30.00

PS N= 7 Median = 65.00
Point estimate for ETA1-ETA2 is -35.00
95.9 Percent CI for ETA1-ETA2 is (-64.99,-9.98)
W = 32.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.0106
Hipotesis
Ho:Kinerja operator pemroses kata sama dengan kinerja ahli

pemrograman komputer.
H1: Kinerja operator pemroses kata tidak sama dengan kinerja ahli
pemrograman komputer.
Daerah Penolakan
P-value < 
Interpretasi Output Uji Mann-Whitney

Output uji Mann-Whitney dalam minitab menampilkan jumlah dan
median masing-masing operator. Output menunjukkan bahwa median

kinerja operator pemroses kata adalah 30 dan median kinerja ahli

pemrograman komputer adalah 65. Median kinerja ahli pemrograman
komputer ternyata lebih besar dibandingkan kinerja operator pemroses kata.
Output menampikan nilai taksiran sebesar -35, yang merupakan
median selisih antara kinerja operator dengan ahli pemrograman komputer.
Output menunjukkan pula jumlah rangking untuk sampel pertama. Dalam
hal ini, sampel pertamanya adalah operator pemroses kata.
P-value uji Mann-Whitney adalah 0,0106. Apabila kita
menggunakan level toleransi sebesar 5%, maka kesimpulan hasil uji adalah
tolak hipotesis awal yang mengatakan bahwa kinerja operator dengan ahli
pemrograman computer adalah berbeda.
Suatu penelitian yang dilakukan terhadap 25 mahasiswa (yang tidak
kidal) yang dipilih secara acak untuk menginvestigasi desain pegangan
pintu mesin tetas telur ayam. Ada dua macam desain pegangan pintu mesin
tetas yang identik, yang satu harus diputar kekiri untuk membuka pintu dan
yang satu lagi harus diputar kekanan untuk membuka pintu. Ke-25
mahasiswa tersebut diminta membuka pintu yang menggunakan kedua
desain pegangan pintu yang identik tersebut. Data berikut merupakan data
waktu (dalam detik) yang diperlukan untuk membuka pintu dari jarak
tertentu yang sama jauh dengan menggunakan tangan kanan dan tangan kiri
dari ke 25 mahasiswa tersebut (Tabel 4).
Tabel 4. Data desain pegangan pintu ke 25 mahasiswa
No Waktu membuka desain Waktu membuka desain
pegangan pintu putar kanan pegangan pintu putar kiri
(dalam detik) (dalam detik)
1 113 137
2 105 105
3 130 133
4 101 108
5 138 115
6 118 170
7 87 103
8 116 145
9 75 78
10 96 107
11 122 84
12 103 148
13 116 147
14 107 87
15 118 166
16 103 146
17 111 123

18 104 135
19 111 112
20 89 93
21 78 76
22 100 116
23 89 78
24 85 101
25 88 123
Apakah median waktu untuk membuka pintu dengan desain

pegangan pintu putar kanan untuk orang yang tidak kidal akan lebih cepat
dibandingkan median waktu untuk membuka pintu dengan desain pegangan
pintu putar kiri? (Gunakan  = 0,05).
Subjek dalam penelitian ini 25 orang mahasiswa yang harus
membuka pintu dengan kedua desain pegangan pintu, dengan hipotesis
sebagai berikut:
Ho :  kanan ≥  kiri
H1 :  kanan <  kiri
Perhatikan bahwa bila distribusi simetris maka μ = , dimana  = median.
 kanan = median waktu untuk membuka pintu dengan desain pegangan pintu
putar kanan.
 kiri = median waktu untuk membuka pintu dengan desain pegangan pintu
putar kiri.
Prosedur SPSS Wilcoxon Signed-Rank Test
variable waktu untuk membuka pintu dengan desain pegangan pintu
putar kanan dengan nama kanan dan variable waktu untuk membuka
pintu dengan desain pegangan pintu putar kiri dengan nama kiri.
2. Pada lembar Data View dari SPSS Data Editor, masukkan data
waktu untuk membuka pintu dengan desain pegangan putar kanan
dan putar kiri atas ke dalam SPSS.
3. Klik Analyze  Nonparametric Test  2 Related Sample.

Gambar 7.
4. Klik OK. Output dari uji Peringkat Bertanda Wilcoxon adalah sebagai
berikut:
NPar Tests
Wilcoxon Signed Ranks Test
Ranks
Sum of
N Mean Rank Ranks
Waktu untuk membuka putar Negative Ranks 5a 11.30 56.50

kekiri - Waktu untuk
Positive Ranks 19b 12.82 243.50
membuka putar kekanan
Ties 1c
Total 25
a. Waktu untuk membuka putar kekiri < Waktu untuk membuka putar kekanan
b. Waktu untuk membuka putar kekiri > Waktu untuk membuka putar kekanan
c. Waktu untuk membuka putar kekiri = Waktu untuk membuka putar kekanan

Test Statisticsb
Waktu untuk
membuka putar
kekiri - Waktu
untuk membuka
putar kekanan
Z -2.672a
Asymp. Sig. (2-tailed) .008
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
Interpretasi Hasil
1. Uji Peringkat Bertanda Wilcoxon menguji Ho :  kanan ≥  kiri,
memberikan nilai z =-2,672. Karena kita melakukan uji hipotesis satu
sisi (one tail) H1 :  kanan <  kiri , maka nilai p value harus dibagi dua
0,008/2=0,004. Nilai p value uji satu sisi ini lebih kecil dari  = 0,05,
sehingga merupakan bukti kuat menolak Ho :  kanan ≥  kiri.
2. Kesimpulan median waktu untuk membuka pintu dengan desain
pegangan pintu putar kanan untuk orang yang tidak kidal akan lebih
cepat dibandingkan median waktu untuk membuka pintu dengan
desain pegangan pintu putar kiri.
Sebagai contoh Uji Mann-Whitney Test menggunakan SPSS data

sebagai berikut. Seorang pendidik percaya bahwa directed reading
activities di dalam kelas akan membantu mahasiswa memperbaiki beberapa
aspek kemampuan membaca. Untuk menguji hipotesis ini, 21 mahasiswa
semester 3 yang berpartisipasi dalam directed reading activities selama 8
minggu dibandingkan dengan 23 mahasiswa semester 3 yang tidak
berpartisipasi dalam directed reading activities. Kemudian mahasiswa dari
kedua kelompok tersebut diuji dengan Degree of Reading Power (DRP) test,
yang mengukur aspek-aspek kemampuan membaca. Data yang didapat
disajikan pada Tabel 5.
Tabel 5. Data kemampuan membaca mahasiswa
Skor DRP Mahasiswa yang Skor DRP Mahasiswa yang tidak
berpartisipasi dalam directed berpartisipasi dalam directed
reading activities reading activities
24 42
43 43

58 55
71 26
43 62
49 37
61 33
44 41
67 19
49 54
53 20
56 85
59 46
52 10
62 17
54 60
57 53
33 42
46 37
43 42
57 55
28
48
Apakah directed reading activities di dalam kelas memperbaiki

beberapa aspek kemampuan membaca (gunakan =0,05).
Dalam contoh ini kita ingin menguji bahwa median skor DRP dari
populasi mahasiswa yang berpartisipasi dalam directed reading activities
akan lebih baik atau lebih besar nilainya dibandingkan skor median DRP
dari populasi mahasiswa yang tidak berpartisipasi dalam directed reading
activities dengan hipotesis sebagai berikut:
Ho : 1 ≤  2
H1 : 1 >  2
Dimana:
1 = median skor DRP dari populasi mahasiswa yang berpartisipasi dalam
directed reading activities.
2 = median skor DRP dari populasi mahasiswa yang tidak berpartisipasi
dalam directed reading activities.
Perhatikan bahwa bila distribusi simetris maka maka μ = , dimana  =
median.
Perhatikan bahwa dalam contoh ini besar sampel tidak sama (n1=21
dan n2= 23), untuk uji Mann-Whitney (Mann-Whitney Test) dengan SPSS
seluruh data harus dituliskan ke dalam satu kolom variabel (contoh ini diberi
naka skor_drp) ditambah satu kolom variabel baru untuk menunjukkan

kelompok variabel baru untuk menunjukkan kelompok atau group skor

tersebut berasal (dalam contoh ini digunakan nama group). Nama variabel
group diberi data value ’1= Treatment (Ikut directed reading)’ dan
‘2=Kontrol (Tidak ikut directed reading)’. Perhatikan bahwa group=1
adalah group yang mendapat treatment dalam hal ini mengikuti directed
reading activities, sedangkan group=2 adalah group yang tidak
berpartisipasi dalam directed reading activities dalam hal ini digunakan
sebagai control group.
Prosedur SPSS Uji Mann-Whitney

variable skor DRP dengan nama skor_drp dan variable group yang
menunjukkan asal group mahasiswa dengan nama group (dimana
data value ‘1=treatment’ dan ‘2=kontrol’).
2. Kemudian pada lembar Data View dari SPSS Data Editor, kita
masukkan data skor_drp dan group.
3. Klik Analyze  Nonparametric Tests  2 Independent Samples.
4. Pindahkan variable skor_drp ke kotak Test Variable List dan
variabel group ke kotak Grouping Variables.
5. Kemudian klik Define Groups dan ketikan ‘1’ ke dalam box Group 1
(perhatikan bahwa groups telah didefinisikan pada saat memasukkan
data ke dalam SPSS Data Editor, dimana ‘1’ adalah ‘treatment’ dan
‘2’ adalah ‘Kontrol’. Ketikkan ‘2’ ke dalam box Group.
6. Kemudian klik continue. Pastikan anda telah memberi tanda check
() pada Mann-Whitney U, lalu klik OK.

Gambar 8. Analisis Mann-Whitney
NPar Tests
Mann-Whitney Test
Ranks
group N Mean Rank Sum of Ranks
Skor DRP treatment 21 27.57 579.00
kontrol 23 17.87 411.00
Total 44
Test Statisticsa
Skor DRP
Mann-Whitney U 135.000
Wilcoxon W 411.000
Z -2.504
Asymp. Sig. (2-tailed) .012
a. Grouping Variable: group
Interpretasi Hasil
1. Uji Mann-Whitney untuk hipotesis Ho: 1 ≤ 2 terhadap H1 : 1 >

 2 memberikan nilai Z = -2,504 dengan p value=0,012. Perhatikan
bahwa tampilan p value dari SPSS adalah untuk uji dua sisi (two
tail); sehingga untuk uji satu sisi kita harus membagi dua menjadi
0,012/2=0,006. Karena p value = 0,006 lebih kecil dari =0,05
maka Ho: 1 ≤ 2 di tolak. Sehingga dapat disimpulkan bahwa
median skor mahasiswa yang berpartisipasi dalam directed reading
activities lebih baik dibandingkan median skor mahasiswa yang
tidak berpartisipasi dalam directed reading activities.

3. Membandingkan k Populasi yang Tidak Berdistribusi Normal
Uji Mann-Whitney atau uji Wilcoxon rank sum tidak bisa digunakan
apabila ada lebih dari 2 populasi. Pada data yang mengikuti distribusi
normal, kita menggunakan metode desain eksperimen untuk
membandingkan 2 percobaan (populasi). Namun, bila asumsi dalam desain
eksperimen tidak bisa dipenuhi, maka analisisnya tidak bisa dilakukan.
Statistik menyediakan beberapa prosedur nonparametrik untuk
membandingkan beberapa populasi (lebih dari 3 populasi), antara lain uji
Kruskal-Wallis dan Uji Friedman. Kita akan melakukan uji untuk
membandingkan lebih dari 2 populasi dengan menggunakan kedua metode
tersebut.
3.1 Uji Kruskal-Wallis untuk Desain Acak Penuh

Uji kruskal-Wallis digunakan untuk melakukan uji k populasi yang
memiliki distribusi probabilitas yang sama. Uji Kruskal-Wallis sama dengan
uji F dalam analisis of variance (ANOVA). Perbedaannya, ANOVA
memerlukan asumsi bahwa data berdistribusi normal, sedangkan uji
Kruskal-Wallis tidak memerlukannya. Uji Kruskal-Wallis termasuk metode
statistik nonparametrik karena tidak memerlukan asumsi distribusi tertentu
yang mendasari data. Inilah kelebihan uji Kruskal-Wallis.
Bila uji digunakan untuk menguji k populasi, elemen-elemen uji
hipotesisnya adalah:
Hipotesis
Ho:k populasi berasal dari distribusi yang sama.

H1: Minimal 2 dari k populasi dari distribusi berbeda.
Statistik Uji
12 k T i2
H=  - 3(n+1)
N(n+1) i=1 ni
Dimana
ni = jumlah dalam i sampel
Ti = jumlah dari rangking i sampel
Rangking dihitung relatif terhadap jumlah data untuk k sampel
n = jumlah total sampel= n1+n2+nk
Daerah Penolakan
H > 2 pada derajat bebas (k – 1)

Pada uji Kruskal-Wallis, asumsi yang harus dipenuhi adalah:

1. k sampel diambil secara acak dan independen.
2. Pengamatan data diurutkan (rangking).
3. Tiap-tiap sampel minimal memiliki 5 pengukuran.
Tabel 4 menunjukkan data yang akan digunakan sebagai ilustrasi,

yaitu hasil desain eksperimen (desain acak penuh) terhadap waktu hidup
pipa Magnetron. Eksperimen melakukan uji waktu hidup 3 jenis pipa, yaitu
pipa merk A, merk B, dan merk C. Tiap jenis pipa diberi eksperimen 5 kali.
Tabel 4. Waktu hidup pipa Magnetron
Merk Pipa
A B C
36 49 71
48 33 31
5 60 140
67 2 49
53 55 42
Output memperlihatkan data dalam 2 kolom, yaitu data pada kolom
C1 bernama kolom ”Merk” dan berisi data nama merk serta data dalam
kolom C2 bernama ”Umur” dan berisi data waktu hidup pipa Magnetron.
Setelah data dimasukkan worksheet Minitab, kita bisa berlanjut ke proses
analisis data. Langkah- langkah uji Kruskal-Wallis dalam Minitab sebagai
berikut:
1. Pilih Stat > Nonparametrik Kruskal-Wallis.
2. Masukkan variabel umur ke dalam Response.
3. Masukkan variabel merk ke dalam Factor.
4. klik tombol OK.

Gambar 9. Kotak dialog Kruskal-Wallis.

Hipotesis
Ho:Distribusi waktu hidup ketiga jenis merk pipa adalah sama.

H1: Minimal ada 2 pasang jenis merk pipa yang distribusi tidak
sama.
Daerah Penolakan
Uji menggunakan level toleransi sebesar 5%. Adapun derajat
bebasnya adalah:
df = k – 1 = 3 - 1
Oleh karena itu, daerah penolakannya adalah H > 22. Lihat Tabel Chi-
Square menunjukkan 22 = 5,99147.
Interpretasi Hasil Uji Kruskal-Wallis
Kruskal-Wallis Test: Umur versus Merk
Kruskal-Wallis Test on Umur

Merk N Median Ave Rank Z
A 5 48.00 7.4 -0.37
B 5 49.00 7.3 -0.43
C 5 49.00 9.3 0.80
Overall 15 8.0
H = 0.64 DF = 2 P = 0.728
H = 0.64 DF = 2 P = 0.728 (adjusted for ties)
Hasil analisis Kruskal-Wallis menunjukkan jumlah data, median,

rata-rata rangking, dan statistik z tiap merk pipa serta nilai H sebesar 0,64.
Bila dibandingkan dengan statistik uji (H), nilai H di bawah statistik 22 .
Oleh karena itu, kesimpulannya adalah gagal tolak hipotesis awal (Ho). Jadi,
secara statistik, tidak cukup bukti bahwa ketiga jenis pipa Magnetron
memiliki waktu hidup berbeda.
3.2. Uji Friedman untuk Desain Acak Blok

Uji Friedman merupakan uji nonparametric untuk k populasi
independent. Berbeda dengan uji Kruskal-Wallis, uji Friedman digunakan

untuk membandingkan k populasi dalam desain blok. Kemudian, prosedur

perangkingannya juga berbeda. Dalam uji Freidman, rangking dilakukan per
pengamatan, bukan per perlakuan. Untuk melakukannya, elemen-elemen uji
hipotesisnya adalah:
Hipotesis
Ho:Distribusi frekuensi relatif k populasi adalah sama.

H1: Minimal ada 1 pasang k populasi yang distribusi berbeda
Statistik Uji
12 k
Fr =  Ti2 – 3b(k+1)
bk(k+1) i=1
Dimana
b = jumlah pengamatan dalam suatu perlakuan.
k = banyaknya perlakuan
n = jumlah rangkin untuk perlakuan ke i.
Dalam hal ini, rangking tiap pengamatan mulai dari rangking 1 sampai k.
Kemudian, rangking-rangking di tiap blok dijumlahkan dan akan
menghasilkan T1,T2, ....Tk.
Daerah Penolakan
Fr > 2 dengan derajat bebasnya adalah: (k – 1).
Asumsi yang harus dipenuhi adalah:

1. k perlakuan diambil secara acak.
2. Bila menggunakan pendekatan distribusi chi-square, pengamatan di
tiap perlakuan minimal 5 pengamatan.
3. Bila suatu pengamatan memiliki rangking sama, maka penentuan
rangking adalah rata-rata rangking pengamatan dan data
diasumsikan tidak sama.
Contoh data eksperimen dari data jumlah korosi berbagai jenis

logam pada 3 jenis segel disajikan pada (Tabel 5).
Tabel 5. Data jumlah korosi tiap logam untuk berbagai jenis segel.
Jenis Segel
Logam 1 2 3
1 21 23 15

2 29 30 21
3 16 19 18
4 20 19 18
5 13 10 14
6 5 12 6
7 8 18 12
8 26 32 21
9 17 20 9
10 4 10 2
Tahap-tahap analisis data dalam Minitab adalah:

1. Pilih Stat > Nonparametrik Friedman.
2. Dalam Kotak Response, masukkan variabel Korosi
3. Dalam Treatment, masukkan variabel Perlakuan
4. Dalam Blocks, masukkan variabel Blok
5. Klik OK.
Gambar 10. Kotak dialog uji Friedman.

Friedman Test: Korosi versus Perlakuan, Blok

Friedman test for Korosi by Perlakuan blocked by Blok
S = 7.80 DF = 2 P = 0.020
Est Sum of
Perlakuan N Median Ranks
1 10 16.167 18.0
2 10 19.833 27.0
3 10 13.500 15.0
Grand median = 16.500
Hipotesis dalam membandingkan 3 perlakuan (jenis segel) adalah:
Ho:Kemampuan menahan korosi ketiga jenis segel adalah sama.

H1: Kemampuan menahan korosi ketiga jenis segel adalah tidak sama.
Analisis akan menggunakan level toleransi sebesar 5% dan k adalah

3. Oleh karena itu, derajat bebasnya adalah:
df = k – 1= 3- 1 = 2
Nilai statistik chi-square pada level toleransi 5% dan df = 2 (2(5%,2))
adalah 5,99147. Dari penjelasan di atas, kita mengetahui daerah penolakan
untuk uji adalah bila Fr > 2(5%,2). Nilai Fr yang diperoleh dari uji Friedman
sebesar 7,85. Berdasarkan hasil, kesimpulannya adalah ketiga perlakuan
(jenis segel 1,2, dan 3) memiliki kemampuan menahan korosi yang tidak
sama.

Uji Kolmogorov – Smirnov

Metode ini mirip dengan Mann-Whitney yang dipergunakan untuk menguji
perbedaan dua populasi dari dua sampel tidak berpasangan (independent) .
Pada sejumlah program komputer seperti halnya SPSS metode ini juga
digunakan membandingkan sebaran suatu data dengan sebaran tertentu
seperti normal, poison dan logaritmatik.
Sebagai contoh untuk mengetahui apakah suatu data mempunyai sebaran
normal maka dapat diuji dengan menggunakan metode Kolmogorov –
Smirnov. Biasanya program komputer langsung membandingkan sebaran
data yang diuji dengan sebaran normal data tersebut. Jika hasil dari analisis
diperoleh nilai-p yang lebih kecil dari  yang ditetapkan maka berarti
terdapat perbedaan yang nyata antara sebaran data yang diuji dengan
sebaran normal data tersebut sehingga tolak Ho atau data yang diuji tidak
menyebar normal. Pada gambar 28 diperlihatkan contoh hasil uji
Kolmogorov –Smirnov dengan menggunakan Program SPSS terhadap data
yang menyebar normal.

Gambar 28. Hasil Analisis Kosmolgorov – Smirnov Menggunakan Program

SPSS
Untuk analisis ini digunakan Ho = data menyebar normal dan H1 = data

menyebar tidak normal. Perhatikan nilai-p (Asymp. Sig (2-tailed) = 0,646 >
a = 0,05 berarti terima Ho sehingga dapat disimpulkan data yang diuji
menyebar secara normal.
Uji Satu sampel Kolmogorov-Smirnov (One-Sample Kolmogorov-

Smirnov Test)
Uji satu sampel Kolmogorov-Smirnov merupakan salah satu uji

untuk kebaikan sesuai (goodness of fit). Uji digunakan untuk
membandingkan tingkat kesesuianan sampel dengan suatu distribusi
tertentu, yaitu normal, uniform, poisson atau eksponensial.
Statistik
Dengan prosedur pengolahan data di SPSS, pada uji ini akan di

hitung mean, standar deviasi, minumum, maximum, jumlah kasus non-
missing dan quartile.
Kriteria Data untuk Uji Satu Sampel Kolmogorov-Smirnov

Ada beberapa hal yang harus dipenuhi dalam uji satu sampel Kolmogorov-
Smirnov, yaitu:
Data
Data yang digunakan yaitu data kuantitatif (dengan skala pengukuran
interval atau rasio).
Asumsi
Uji Kolmogorov-Smirnov berasumsi bahwa parameter uji distribusi
ditentukan. Prosedur estimasi parameter menggunakan data dari sampel.
Mean dan standar deviasi sampel adalah parameter untuk distribusi normal,
nilai minimum dan maksimum sampel menentukan range distribsui uniform.
Mean sampel adalah parameter untuk distribusi poisson dan eksponensial.
Prosedur yang Berkaitan dengan Uji Satu Sampel Kolmogorov-

Smirnov
Contoh
Dari data sampel kemasan gula pasir PT Sinar Mentari pada contoh uji
binomial ingin diketahui apakah data yang diambil berdistribusi normal
atau tidak.
Langkah-Langkah untuk uji satu sampel Kolmogorov-Smirnov adalah:
1. Definisikan variabel berat gula.

Nama : Berat_Gula
Width : 10
Decimal :2
Measure :Scale
Properti variabel lain sesuai default.
Setelah itu masukkan data gula pasir ke kolom Berat_Gula.
2. Setelah itu klik menu Analyze, pilih Nonparametric Tests.

3. Dari berbagai pilihan yang ada, pilih 1- sample K-S
4. Setelah itu akan muncul kotak dialog 1-sampel K-S Test. Masukkan
variabel Berat ke kotak Test Variable List. Aktifkan Normal pada
pilihan Test Distribution.
5. Abaikan pilihan lain. Selanjutnya klik OK
Hasilnya pada jendela output akan muncul tampilan seperti gambar

berikut:

Prosedur Pengujian Hipotesis
Dalam kasus ini, hipotesis yang diuji adalah kenormalan data sampel berat
gula pasir.
1. Hipotesis
H0: Data sampel berdistribusi normal
Ha:Data sampel tidak berdistribusi normal
2. Statistik uji: Uji Kolmogorov-Smirnov

3.  = 0,05
4. Daerah kritis: H0 ditoloak jika sif < 
5. Dari hasil pengolahan dengan SPSS, diperoleh sign=0,745
6. Karena Sign >  (0,745 > 0,05) maka Ho diterima.
Kesimpulan :Data sampel gula pasir berdistribsui normal.
Uji Tanda
Dalam banyak eksperimen, kita sering ingin membandingkan

pengaruh hasil dua perlakuan. Untuk data yang berpasangan satu sebagai
hasil perlakuan A dan perlakuan B, ternyata untuk membandingkan kedua
hasil perlakuan (ditinjau dari rata-rata) itu dapat digunakan uji tanda. Uji ini
sangat baik apabila syarat-syarat berikut dipenuhi:
a. Pasangan hasil pengamatan yang sedang dibandingkan bersifat
indenpendent.
b. Masing-masing pengamatan dalam tiap pasang terjadi karena
pengaruh kondisi yang serupa.
c. Pasangan yang berlainan terjadi karena kondisi yang berbeda.
Uji tanda akan dilakukan berdasarkan tanda, yakni (+) dan (-) yang didapat
dari selisih nilai pengamatan. Misalkan hasil pengamatan Xi dan Yi masing-

masing terjadi karena perlakuan A dan B. Sampai berukuran N dapat ditulis

sebagai (X1, Y1), (X2, Y2), ..., (XN,YN). Selanjutnya untuk selisih-selisih (X1 -
Y1), (X2 - Y2), ..., (XN -YN). Jika Xi > Yi kita beri tanda + (positif), dan jika
Xi < Yi kita beri tanda – (negatif), sedangkan untuk Xi = Yi kita abaikan
pasangan tersebut. Misalkan n menyatakan banyak pasangan yang
menghasilkan tanda-tanda positif dan negatif setelah dihilangkan pasangan
Xi=Yi. Selanjutnya misalkan h menyatakan banyak tanda yang terjadi
paling sedikit. Bilangan h ini dapat dipakai untuk menguji hipotesis:
H0 : tidak ada perbedaan pengaruh kedua perlakuan

H1 : terdapat perbedaan pengaruh kedua perlakuan
Dalanm hal ini, pengaruh diukur oleh rata-rata, sehingga sebenarnya, dalam
hal ini, uji tanda ini dapat digunakan untuk menguji kesamaan dua rata-rata
populasi.. Kriteria adalah: tolak H0 jika harga h dari perhitungan lebih
kecil atau sama dengan harga h yang terdapat dari daftar untuk taraf nyata
yang dipilih. Dalam hal lainnya H1 diterima. Supaya pengujian dapat
ditentukan hasilnya, diperlukan paling sedikit n = 6.
Contoh mengenai hasil dua macam kacang tanah (dinyatakan dalam ons),
untuk tiap rumpun dari berbagai lokasi.
Lokasi
(1) Macam X (2) Macam Y (3) Tanda (Xi - Yi)
1 3,4 3 +
2 3,7 3,9 -
3 2,8 3,2 -
4 4,2 4,6 -
5 4,6 4,3 +
6 3,8 3,4 +
7 3,6 3,5 +
8 2,9 3 -
9 3 2,9 +
10 3,8 3,7 +
11 4 3,7 +
12 3,9 4 -
13 3,8 3,5 +

14 4,2 4,5 -
15 4,7 3,9 +
16 4 3,7 +
17 3,6 3,2 +
18 3,2 2,9 +
19 3,4 3 +
20 2,9 3,5 -
Kolom akhir berisikan tanda (Xi-Yi) yang memberikan h = 7 untuk tanda

yang terjadi paling sedikit, ialah tanda negatif. Dengan n = 20 dan  = 0,05,
didapat h = 5. Dari pengamatan diperoleh h = 7 dan ini lebih besar dari 5.
Jadi hipotesis bahwa hasil kedua macam kacang tanah sama tidak dapat
ditolak pada taraf nyata 0,05..
Apabila n lebih besar dari 95, maka harga h dapat dihitung dengan jalan
mengambil bilangan bulat terdekat yang lebih kecil dari:
½ (n – 1) – k √ n + 1
Dengan k = 1,2879 untuk  = 0,01 dan k = 0,9800 untuk  = 0,05.
Contoh hasil penelitian menghasilkan n = 150 dan h = 60 untuk  = 0,05

maka;
½ (n – 1) – k √ n + 1 = ½ (150-1) – (0,98) √150 + 1 = 62,4578.
Dari sini didapat h = 62 sehingga h dari penelitian yang sama dengan 60

lebih kecil dari 62. Jadi kita tolak hipotesis bahwa tidak ada perbedaan
antara pengaruh kedua perlakuan.
Uji Wilcoxon
Uji ini merupakan perbaikan daripada uji tanda. Dalam uji Wilcoxon, bukan
saja tanda yang diperhatikan tetapi juga nilai selisih (X – Y).
Caranya adalah sebagai berikut:

a. Beri nomor urut untuk setiap harga mutlak selisih (Xi- Yi). Harga
mutlak yangterkecil diberi nomor urut atau rank 1, harga mutlak
selisih berikutnya diberi nomor urut 2, dan akhirnya harga mutlak
terbesar diberi nomor urut n. Jika terdapat selisih yang harga
mutlaknya sama besar, untuk nomor urut diambil rata-ratanya.

b. Untuk tiap nomor urut berikan pula tanda yang didapat dari selisih
(X-Y).
c. Hitunglah jumlah nomor urut yang bertanda positif dan juga jumlah
nomor urut yang bertanda negatif.
d. Untuk jumlah nomor urut yang didapat di c), ambillah jumlah yang
harga mutlaknya paling kecil. Sebutlah jumlah ini sama dengan J.
Jumlah J inilah yang dipakai untuk menguji hipotesis:
H0 : tidak ada perbedaan pengaruh kedua perlakuan

H1 : terdapat perbedaan pengaruh kedua perlakuan
Untuk menguji hipotesis di atas dengan taraf nyata  = 0,01 atau  = 0,05,
kita bandingkan J di atas dengan J yang diperoleh dari daftar. Jika J dari
perhitungan lebih kecil atau sama dengan J dari daftar berdasarkan taraf
nyata yang dipilih maka H0 ditolak. Dalam hal lainnya H0 diterima.
Contoh untuk menentukan nomor urut dari kumpulan data berikut:

20, 8, 9, 10, 8, 10, 17, 10, 12, 10, 17, 17
Jika dimulai dari data terkecil, maka nomor urut 1 dan nomor urut 2 (untuk
sementara) diberikan kepada 8. Rata-ratanya = ½ (1+2)= 1,5. dan inilah
yang merupakan nomor urut seri untuk 8. Nomor urut 3 diberikan 9. Data
bernilai 10 mempunyai nomor urut sementara 4,5,6, dan 7. rata-ratanya= ¼
(4+5+6+7)=5,5 dan inilah yang menjadi nomor urut seri untuk 10.
Selanjutnya nilai 12 diberi nomor urut 8. Data 17 mempunyai nomor urut 10
yang didapat dan 1/3 (9+10+11). Akhirnya nomor urut 12 diberikan kepada
nilai 20.
Contoh uji wilcoxon
Lokasi Macam X Macam Y Rank Tanda Rank

(1) (2) (3) Beda (Xi-Yi) (Xi-Yi) Positif Negatif
1 3,4 3 0,4 15,5 15,5
2 3,7 3,9 -0,2 6 6
3 2,8 3,2 -0,4 15,5 15,5
4 4,2 4,6 -0,4 15,5 15,5
5 4,6 4,3 0,3 9,5 9,5
6 3,8 3,4 0,4 15,5 15,5
7 3,6 3,5 0,1 3 3
8 2,9 3 -0,1 3 3
9 3 2,9 0,1 3 3
10 3,8 3,7 0,1 3 3
11 4 3,7 0,3 9,5 9,5

12 3,9 4 -0,1 3 3
13 3,8 3,5 0,3 9,5 9,5
14 4,2 4,5 -0,3 9,5 9,5
15 4,7 3,9 0,8 20 20
16 4 3,7 0,3 9,5 9,5
17 3,6 3,2 0,4 15,5 15,5
18 3,2 2,9 0,3 9,5 9,5
19 3,4 3 0,4 15,5 15,5
20 2,9 3,5 -0,6 19 19
Jumlah 138,5 71,5
Dari daftar di atas didapat harga J=71,5 yaitu jumlah yang harga mutlaknya
paling kecil. Dengan  = 0,05 dan n = 20, dari daftar didapat J=52. Karena
J=71,5 dari perhitungan lebih besar dari 52, maka hipotesis H0 diterima.
Kelebihan statistik Nonparametrik

1. Asumsi yang digunakan minimum sehingga mengurangi kesalahan
penggunaan.
2. Perhitungan dapat dilakukan dengan cepat dan mudah
3. Konsep dan metode nonparametrik mudah dipahami bahkan oleh
seseorang dengan kemampuan matematik yang minim.
4. Dapat diterapkan pada skala peubah kualitatif (Nominal dan
Ordinal).
5. Dapat digunakan untuk menganalisa data yang berbentuk hitungan
maupun peringkat (rank)
Kekurangan Statistik Nonparametrik

1. Bila digunakan pada data yang dapat di uji menggunakan statistika
parametrik maka hasil pengujian menggunakan statistik
nonparametrik menyebabkan pemborosan informasi.

2. Pekerjaan hitung-menghitung (aritmatik) karena memerlukan banyak

tenaga dan ketelitian terkadang menjemukan.
Keterbatasan Nonparametrik
1. Sampelnya harus acak (random sample)
2. Rancangan percobaan yang komplek dengan interaksi tidak dapat
diakomodasi dengan statistik non parametrik
3. Uji non parametrik bersifat less powerfull.
Prosedur Nonparametrik digunakan

1. Bila hipotesis yang diuji tidak melibatkan suatu parameter populasi
2. Bila data telah diukur menggunakan skala nominal dan ordinal
3. Bila asumsi-asumsi yang diperlukan pada suatu prosedur pengujian
parametrik tidak terpenuhi.
4. Bila penghitungan harus dilakukan secara manual.
Kriteria utama yang digunakan untuk menentukan apakah uji statistik

non parametrik diperlukan
1. Jika asumsi normalitas dan kesamaan variance (Homoscedasticity)
tidak dapat terpenuhi untuk sampel kecil.
2. Pada saat data di ukur pada skala ordinal atau nominal.
Contoh Soal Ujian Statistika
1. Jelaskan kriteria level data nominal, ordinal, interval dan rasio. Berikan
contoh masing-masing?
2. Apa Kelebihan dan kekurangan dari statistik Nonparametrik?

NONPARAMETRIK2017

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

NONPARAMETRIK2017

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistik Nonparametrik

1. Uji median populasi tunggal.

Dr. Ir. Hutwan Syarifuddin, MP 1

pengukuran kuantitatif, tetapi dapat berupa respons yang kualitatif, seperti

1. Sampel harus acak (random sample).

Dr. Ir. Hutwan Syarifuddin, MP 2

1. Uji Median Populasi Tunggal.

Dr. Ir. Hutwan Syarifuddin, MP 3

Tabel 1. Elemen-elemen sign test untuk median populasi tunggal

Sign Test untuk Median (  ) Populasi

Sign Test Median Populasi Tunggal untuk Sampel Besar ( n  10)

S – E(S) S – 0,5n S – 0,5n

Rumus Uji Tanda dengan pendekatan distribusi normal

Dr. Ir. Hutwan Syarifuddin, MP 4

Kasus yang akan diajdikan ilustrasi adalah uji median persentase

Gambar 1. Kotak dialog 1- Sample Sign.

Tahap awal analisis adalah memasukkan data di atas ke worksheet

Dr. Ir. Hutwan Syarifuddin, MP 5

1. Pilih Stat > Nonparametrik > 1-Sample Sign

Ouput sign test menunjukkan bahwa dari 12 pengamatan yang telah

Sign Test for Median: Bakteri

Apabila p-value < , maka kesimpulannya adalah menolak hipotesis

Sebagai contoh berikutnya, untuk n=15 dan =0,05, Kita peroleh

Dr. Ir. Hutwan Syarifuddin, MP 6

Untuk menguji hipotesis

Sehingga kita dapat menolak hipotesis nol (Ho).

Dalam pengujian hipotesis, kriteria untuk menolak atau tidak

Seorang instruktur body language menyatakan bahwa program

Dr. Ir. Hutwan Syarifuddin, MP 7

sebelum dan sesudah mengikuti program fitness. Dari ke-17 sampel

Tabel 2. Uji tanda terhadap program fitness menggunakan SPSS

Apakah dapat disimpulkan bahwaa program fitness tersebut dapat

Prosedur SPSS Sign Test;

Dr. Ir. Hutwan Syarifuddin, MP 8

Untuk variable perubahan berat badan didefinisikan dengan nama

Gambar 3. Output value label

Gambar 4. Output analisis nonparametrik binom

Dr. Ir. Hutwan Syarifuddin, MP 9

Gambar 5. Output binomial test

5. Klik Analyze  NonparametricTest  Binomial.

Observed Exact Sig.

Perubahan Berat Group 1 'Berkurang 13 .76 .50 .049

Group 2 Bertambah 4 .24

Dr. Ir. Hutwan Syarifuddin, MP 10

2. Membandingkan Dua Median Populasi Independen yang Tidak

Dalam suatu penelitian yang membandingkan 2 populasi

Ho:Distribusi sampel X1 dan X2 adalah sama

Rumus Uji Mann-Whitney dengan pendekatan distribusi normal

R1 = jumlah peringkat pada kelompok ke-1

Langkah-langkah melakukan uji Mann-Whitney adalah:

Dr. Ir. Hutwan Syarifuddin, MP 11

pengamatan pertama dan kedua sama, maka rangking kedua data

Dalam Minitab, kita menggunakan pendekatan distribusi normal untuk

Tabel 3. Tingkat kinerja pemroses kata.

Kemudian data dalam Tabel 3 dianalisis dalam Minitab. Sebelum

Dr. Ir. Hutwan Syarifuddin, MP 12

Gambar 6. Kotak dialog Mann-Whitney program MINITAB.

Mann-Whitney Test and CI: WPO, PS

WPO N = 7 Median = 30.00

Ho:Kinerja operator pemroses kata sama dengan kinerja ahli

Interpretasi Output Uji Mann-Whitney

Dr. Ir. Hutwan Syarifuddin, MP 13

kinerja operator pemroses kata adalah 30 dan median kinerja ahli

Dr. Ir. Hutwan Syarifuddin, MP 14