STATISTIK NON PARAMETRIK

UJI BEDA SATU SAMPEL

Dosen Pengampu : Dr. Amat Jaedun, M.Pd.

Oleh Kelompok 1

Benedicta Rani Nugraheni (23070550023)

Indriani H Ismail (23070550035)
Yuni Susilowati (23070550037)
Maria Angelina Fransiska Mbari (23070550041)

PROGRAM STUDI DOKTOR PENELITIAN DAN EVALUASI PENDIDIKAN

SEKOLAH PASCASARJANA
UNIVERSITAS NEGERI YOGYAKARTA
2024

ii
 DAFTAR ISI

DAFTAR ISI ................................................................................................................................... ii

BAB I PENDAHULUAN ............................................................................................................... 1

A. Latar Belakang .................................................................................................................... 1

B. Rumusan Masalah ............................................................................................................... 2

C. Tujuan Penulisan................................................................................................................. 2

BAB II PEMBAHASAN ................................................................................................................ 3

A. Uji Binomial........................................................................................................................ 3

B. Uji Chi Kuadrat ................................................................................................................... 7

C. Uji Runs ............................................................................................................................ 14

D. Uji Kolmogorov Smirnov ................................................................................................. 21

BAB III PENUTUP ...................................................................................................................... 25

Daftar Pustaka ............................................................................................................................... 26

ii
 BAB I
PENDAHULUAN

A. Latar Belakang
Statistika dalam penelitian digunakan sebagai alat pengambil keputusan yang bersifat
terukur dan empiris. Penggunaan statistika dalam penelitian disesuaikan dengan tujuan dari
penelitian itu sendiri. Statistika baik deskriptif maupun inferensial memiliki porsi dalam
pengambilan keputusan sesuai tujuannya. Inferensi statistika terhadap parameter atau ciri-ciri
suatu populasi biasanya dilakukan melalui analisis statistika parametrik.Dalam pendekatan
parametrik, analisis statistika memerlukan berbagai asusmsi mengenai distribusi skor populasi
dan mengenai sifat atau keadaan data yang akan dianalisis. Dalam artian, statistik non
parametrik memiliki asumsi yang harus dipenuhi, mislanya distribusi data normal dan
memiliki varians yang homogen.
Pada kenyataannya sering terjadi dimana keadaan data yang dimili peneliti tidak memenuhi
asumsi-asumsi tersebut, atau tidak dapat dianggap telah memenuhi sebagian dari asumsi yang
dikehendaki guna melakukan analisis non parametrik. Seringkali pula data yang hendak
dianalisis, yang telah diperoleh dari hasil pengukuran di alapangan berada pada skala nominal
atau ordinal sehingga analisis parametrik tidak dapat dilakukan menguji hipotesis-hipotesis
menjadi tidak tepat untuk diterapkan (Kariadinata, 2012). Dalam menghadapi hal demikian
maka data yang dimiliki tidak dapat dipaksakan menggunakan statistik parametrik, melainkan
dapat menggunakan statistik non parametrik.
Statistik non parametrik merupakan analisis kuantitatif yang digunakan jika asumsi dalam
analisis paramterik tidak terpenuhi seluruh atau sebagian. Statistika non parametrik juga sering
disebut dengan statistik distribution-free, yakni statistik yang bebas dari berbagai asumsi
distribusi datanya (Syaiffudin, 2016). Berdasrkan keadaan tersebut, dalam makalah ini, penulis
akan melakukan pembahasan dengan metode analisis non parametrik. Dalam non parametrik
terdapat banyak solusi untuk mengatasi permasalahan data yang tidak terdistribusi, salah
satunya adalah analisis data dengan sampel tunggal.

1
B. Rumusan Masalah
1. Uji apa saja yang dapat dilakukan dalam pengujian satu sampel yang saling berhubungan
dalam statistika nonparametrik?
2. Apa kesimpulan dari uji binominal?
3. Apa kesimpulan dari uji chi-square?
4. Apa kesimpulan dari uji Run’s?
5. Apa kesimpulan dari uji Kolmogorov-Smirnov?

C. Tujuan Penulisan
1. Mengetahui macam-macam uji satu sampel yang saling berhubungan dalam statistika
nonparametrik.
2. Mengetahui kesimpulan apa itu uji binominal.
3. Mengetahui kesimpulan apa itu uji chi-square.
4. Mengetahui kesimpulan apa itu uji Run’s.
5. Mengetahui kesimpulan apa itu uji Kolmogorov-Smirnov.

2
 BAB II
PEMBAHASAN

Statistika Non-parametrik uji beda satu sampel, merupakan uji statistika yang bertipe goodness
of fit. Statistika nonparametrik yang digunakan untuk menguji hepotesis satu sampel bila datanya
nominal adalah Tes Binomial, uji Z, dan chi kuadrat (𝑥2) satu sampel. Sedangkan statistika yang
digunakan untuk menguji hipotesis uji beda satu sampel bila datanya berbentuk ordinal adalah Run
Test dan Kolmogorov Smirnov satu sampel.

A. Uji Binomial

Tes binomial digunakan untuk menguji hipotesis bila dalam populasi terdiri atas dua
kelompok (dua pilihan). Datanya berskala nominal dan jumlah sampelnya kecil (kurang dari
25). Dua kelompok tersebut misalnya kelompok pria dan wanita, Senior dan yunior, calon A
dan B, sarjana dan bukan sarjana, kaya dan miskin, PT Kedinasan dan PT Umum, dsb.
Selanjutnya, nilai populasi itu akan diteliti dengan menggunakan sampel yang diambil dari
populasi tersebut.

Bila dari data sampel itu akan diberlakukan (digeneralisasikan) untuk populasi, maka
peneliti akan menguji hipotesis mengenai ada tidaknya perbedaan antara data yang pada
sampel yang diambil dari populasi tersebut dengan dugaan yang diajukan. Untuk pengujian
semacam ini maka digunakan test binomial. Jadi tes binomial digunakan untuk menguji
hipotesis satu sampel bila datanya nominal berbentuk dua kategori atau dua kelas. Tes ini
sangat cocok digunakan sebagai alat pengujian hipotesis bila ukuran sampelnya kecil, sehingga
Chi-Kuadrat tidak tepat digunakan.

Tes ini dikatakan sebagai tes binomial, karena distribusi data dalam populasi itu berbentuk
binomial. Distribusi binomial adalah suatu distribusi yang terdiri dua kelas/kategori. Jadi bila
dalam suatu populasi dengan jumlah N, terdapat 1 kelas yang berkategori X, maka kategori
yang lain adalah N-X. Probabilitas untuk memperoleh x obyek dalam satu kategori dan N-x
dalam kategori lain adalah:

3
 𝑃 = 𝑝𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑘𝑎𝑠𝑢𝑠 𝑦𝑎𝑛𝑔 𝑑𝑖ℎ𝑎𝑟𝑎𝑝𝑘𝑎𝑛 𝑑𝑎𝑙𝑎𝑚 𝑠𝑎𝑙𝑎ℎ 𝑠𝑎𝑡𝑢 𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖.
q=1-p= proporsi kasus yang diharapkan dalam𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
n = jumlah sampel
x = jumlah frekuensi terkecil di antara kedua kategori
𝑁
ℎ𝑎𝑟𝑔𝑎 ( ) 𝑑𝑎𝑝𝑎𝑡 𝑑𝑖ℎ𝑖𝑡𝑢𝑛𝑔 𝑑𝑒𝑛𝑔𝑎𝑛 𝑚𝑒𝑛𝑔𝑔𝑢𝑛𝑎𝑘𝑎𝑛 𝑟𝑢𝑚𝑢𝑠 𝑘𝑜𝑚𝑏𝑖𝑛𝑎𝑠𝑖
𝑋

Dalam praktiknya, tes binomial dapat dilakukan dengan cara yang lebih sederhana. Di
mana untuk menguji Ho dilakukan dengan cara membandingkan nilai P dalam tabel (yang
didasarkan pada N dan nilai x terkecil dalam tabel itu). Dengan taraf kesalahan yang kita
tetapkan sebesar 5 % (𝛼 = 0.05), maka ketentuan yang digunakan dalam pengujian
hipotesis adalah apabila harga P lebih kecil dari 𝛼 = 0.05 maka Ho ditolak dan Ha
diterima. Bila harga P ≥ dari 𝛼 maka Ho diterima. Ho suatu hipotesis yang menunjukkan
tidak adanya perbedaan frekuensi yang ada pada data sampel dengan data yang diduga ada
dalam populasi tentang sesuatu hal.

Contoh Kasus :
Dilakukan penelitian untuk mengetahui kecendrungan mahasiswa PEP dalam memilih
metode perkuliahan Daring atau metode Luring. Berdasarkan anggota sampel yang dipilih
secara acak ternyata 4 orang memilih metode Luring dan sisanya memilih dengan metode
Daring. Ujilah pada taraf signifikansi 5% apakah proporsi mahasiswa yang memilih metode
Daring berbeda dengan proporsi mahasiswa yang memilih Metode Luring?

4
Langkah-Langkah penyelesaian:
1. Karena yang akan diuji adalah apakah proporsi mahasiswa yang memilih mata kuliah
pilihan A dan B berbeda atau sama, maka digunakan uji dua pihak.
2. Merumuskan Ho dan Ha
Ho: p1 = p2 = ½ (artinya proporsi mahasiwa yang memilih metode perkuliahan daring
dan metode luring sama).
Ha : p1 ≠ p2 ≠ ½ (artinya proporsi mahasiswa yang memilih memilih metode perkuliahan
daring dan metode luring berbeda).

3. Menentukan tingkat signifikansi (α)

Tingkat signifikansi atau taraf nyata α yang digunakan adalah 5%
sehingga tingkat kepercayaannya yaitu : 1 – α = 1 – 5% = 95%
4. Menghitung nilai p(X)
a. Cara 1 : Nilai p(X) dapat diperoleh dengan perhitungan manual dengan menggunakan
rumus

𝑛
P(x) =∑ ( )𝑝 𝑞 dengan ( ) nCx=
𝑥

Dari soal diketahui :

p=q=½
n = 10
x = 4 (diambil dari nilai terkecil antara 4 dan 7)
Sehinga setelah dilakukan perhitungan diperoleh nilai
p(X) = 0,377

5
 b. Cara 2 : dengan melihat tabel binomial

5. Menentukan kriteria pengujian (penolakan/penerimaan) hipotesis

Kriteria pengujian :
Uji dua pihak : Tolak Ho jika : 2p(X) ≤ α
Telah diketahui α = 5% = 0.05
Dan p(X) = 0,377, sehingga 2p(X) = 2 x 0,377 = 0,754
Sementara itu, 2p(X) = 0,754 > α = 0,05
Sehingga Ho gagal ditolak, berarti Ho diterima

6
6. Membuat kesimpulan
Dengan tingkat signifikansi 5% (tingkat kepercayaan 95%) dan dengan data sampel yang
ada disimpulkan tidak terdapat cukup bukti untuk menyatakan bahwa terdapat perbedaan
yang nyata dari proporsi mahasiswa dalam memilih kedua metode daring dan luring atau
Proporsi mahasiswa yang memilih metode perkulahan daring dan luring sama.

Lampiran perhitungannya

7
P(4)

P(x) =∑ ( )𝑝 𝑞 dengan ( ) nCx=

P(4) = 210 x 0,54 x 0,510-4
P(4) = 210 x 0,510
P(4) = 210 x 0,2460
P94) = 0,2050
Karena p(0) = 0,0010
P(1) = 0,0098
P(2) = 0,0439
P(3) = 0,1172
P(4) 0,2050
Maka p(x< 4) = p(0) + p(1) + p(2) + p(3) + p(4)
= 0,0010 + 0,0098 + 0,0439 + 0,1172 + 0,2050
= 0,3769 = 0,377

8
B. Uji Chi Kuadrat

Uji Chi-Square termasuk salah satu alat uji dalam statistik yang sering digunakan dalam
praktek. Chi Kuadrat (𝑋2) adalah teknik statistika yang digunakan untuk menguji hipotesis uji
beda satu sampel bila dalam populasi terdiri atas dua atau lebih kelas, data berbentuk nominal dan
sampelnya besar atau menguji ada tidaknya hubungan diantara dua variabel kategoris. Data
pengujian hipotesa menggunakan distribusi Chi-Square tidak berasal dari populasi berdistribusi
normal. Kegunaan Chi‐Square: y Uji Chi Square berguna untuk menguji hubungan atau pengaruh
dua buah variabel nominal dan mengukur kuatnya hubungan antara variabel yang satu dengan
variabel nominal lainnya (C = Coefisien of contingency). Berikut merupakan syarat-syarat yang
terdapat dalam uji chi square (Negara & Prabowo, 2018):
1. Tidak terdapat sel yang memiliki nilai Actual Count (F0) sebesar 0 (Nol)
2. Apabila tabel yang di teliti memiliki bentuk kontingensi 2 X 2, maka tidak boleh ada 1 sel
saja yang memiliki nilai expected count (“Fh”) kurang dari 5;
3. Tabel yang di teliti memiliki bentuk kontingensi lebi dari 2 X 2, misalnya 2 x 3, maka jumlah
sel yang memiliki nilai frekuensi harapan kurang dari 5 tidak boleh lebih dari 20%.
Penerapan rumus pada chi square terdapat beberapa macam. Apabila pada tabel kontingensi
menyatkan 2 X 2 maka rumus yang digunakan adalah Continuty Correction. Apabila tabel
kontingensi 2 X 2, tetapi tidak memenuhi syarat dalam uji Chi-square maka rumus yang digunakan
adalah Fisher Exact Test. Sedangkan apabila pada kontingen lebih dari 2 X 2, misal 2 X 3 maka
rumus yang digunakan adalah Pearson Chi-square. Berikut merupakan rumus uji Chi-square
(Putra, Sholeh, & Widyastuti, 2014):

𝑓0 − 𝑓ℎ2
𝑋2 = 𝑎
𝑓ℎ

9
 𝑑𝑖𝑚𝑎𝑛𝑎

𝑋2 =Nilai Chi Square

fo = Frekuensi yang diperoleh dari populasi atau sample yang diamati

fh = Frekuensi yang diharapkan dalam sampel dari frekuensi yang diharapkan dalam

populasi.Frekuensi yang diharapkan (fh) dapat diperoleh dengan:

𝑇𝑜𝑡𝑎𝑙 𝑏𝑎𝑟/𝑠
fh =
𝑁

Adapun langkah-langkah dalam pengujian Chi-square yaitu (Negara & Prabowo, 2018):

a. Merumuskan hipotesis H0 dan H1

H0 : Tidak terdapat pengaruh yang signifikan antara dua

variabelH1 : Terdapat pengaruh yang signifikan antara dua

variabel

b. Mencari nilai frekuensi harapan (Ei)

(𝑇𝑜𝑡𝑎𝑙 𝑏𝑎𝑟/𝑠) 𝑥 (𝑇𝑜𝑡𝑎𝑙 𝑘𝑜𝑙𝑜𝑚)
Ei untuk setiap sel =
𝑇𝑜𝑡𝑎𝑙 𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢6𝑎𝑛

c. Menghitung distribusi Chi-square

d. Menentukan taraf signifikansi α
e. Menentukan nilai χ2 tabel
● Taraf signifikansi (α) = 0,05
● d.f = (Jumlah baris – 1) (Jumlah kolom – 1
f. Menentukan kriteria pengujian
Jika χ2 hitung χ2 tabel, maka H0

Diterima Jika χ2 hitung > χ2 tabel,

maka H0 Ditolak Jika Sig. ≥ 0,05 maka

H0 Diterima

Jika Sig. < 0,05 maka H0 Ditolak

g. Membandingkan χ2 hitung dengan χ2 tabel atau Sig. dengan α Keputusan H0 ditolak 10

atauditerima.
 h. Membuat kesimpulan ada tidaknya pengaruh antar variable.

Contoh Kasus

Telah dilakukan penelitian terhadap 25 reponden untuk mengetahui pengetahuan responden

terkait covid. Responden ini terdiri dari laki-laki dan perempuan sedangkan kategori
pengetahuannya adalah baik dan buruk. Apakah terdapat hubungan antara jenis kelamin
dengan tingkat pengetahuannya terhadap covid-19?. Berdasarkan hasil survei dilapangan
terhadap 25 responden diperoleh data sebagai berikut:
Gender Pengetahuan
1=Laki-laki 1= Buruk
2= Perempuan 2= Baik

11
Responden Gender Pengetahuan

1 1 2

2 2 2

3 1 2

4 1 1

5 2 2

6 2 2

7 2 1

8 2 1

9 1 1

10 1 2

11 1 1

12 2 2

13 2 2

14 2 1

15 1 1

16 2 1

17 1 1

18 1 1

19 1 2

20 2 1

21 1 1

22 1 1

23 2 2

24 2 2

25 2 1

12
Langkah-Langkah pengujiannya sebagai berikut:

1. Tulis Hipotesis Ha dan Ho

Ho ; χ= 0, Tidak terdapat hubungan yang signifikan antara jenis kelamin dengan tingkat
pengetahuan tentang covid 19

Ha : χ ≠ 0, Terdapat hubungan yang signifikan antara jenis kelamin dengan tingkat

pengetahuan tentang covid 19

2. Buatlah Tabel kontingensi

Tabel kontingensi berbentuk 2x2 (2 baris dan 2kolom). Setiap kotak disebut sel, setiap
sebuah kolom berisi sebuah subvariabel, setiap sebuah baris berisi sebuah sub variabel.

Pengetahuan
Gender Total
Buruk Baik

Laki-laki 8 4 12

Perempuan 6 7 13

Total 14 11 25

tabel diatas merupakan tabel kontingensi 2x2. Mengapa? karena variabel pertama terdiri dari
dua kategori yaitu laki-laki dan perempuan sehingga terdiri dari dua baris. Variabel kedua
juga ada dua kategori yaitu pengetahuan buruk dan baik sehingga terdiri dari 2 baris juga.
maka diperoleh formula tabel kontingensinya yaitu 2x2 ( 2 baris dan 2 kolom).

3. Cari nilai frekuensi yang diharapkan (fh)

(𝑇𝑜𝑡𝑎𝑙 𝑏𝑎𝑟/𝑠) 𝑥 (𝑇𝑜𝑡𝑎𝑙 𝑘𝑜𝑙𝑜𝑚)
fh untuk setiap sel= ei=
𝑇𝑜𝑡𝑎𝑙 𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢6𝑎𝑛

mengapa harus menghitung Fh? agar kita mengetahui apakah ada cell/baris yang frekuensi
harapannya kurang dari 5, karena jika ada cell yang fh-nya kurang dari 5 maka analisis chi
square ini tidak bisa dilanjutkan dan bisa diganti dengan analisislainnya.

Fh Laki-laki buruk = 89 𝑥12 = 6,72

2:

13
 Fh Laki-laki Baik = 88x12 = 5,28
2:

Fh Perempuan Buruk = 89 𝑥 13 = 7,28

2:

Fh Perempuan Baik =88x13= 5,72

2:

berdasarkan hasil perhitungan diatas diketahui bahwa tidak ada cell/baris yang kurang dari 5
sehingga data penelitian tersebut dapat dilanjutkan pengujiannya menggunakan Chi Square.

4. Isikan Nilai fe (frekuensi harapan setiap sel) ke Dalam Tabel Kontingensi

Kelompok F0 Fh

Laki-laki buruk 8 6,72

Laki-laki baik 4 5,28

Perempuan buruk 6 7,28

Perempuan Baik 7 5,72

total 25 25

5. Hitung nilai Chi‐Square

jika menggunakan tabel kontingensinya 2x2 maka rumus perhitungannya sebagai berikut:

𝑁 (𝐴𝐷=𝐵𝐶)²
X² = (𝐴A𝐵)(𝐶A𝐷)(𝐴A𝐶)(𝐵A𝐷)

Pengetahuan
Gender
Buruk Baik

Laki-Laki A (8) B (4)

Perempuan C (6) D (7)

14
 𝑁 (𝐴𝐷=𝐵𝐶)²
X² =
(𝐴A𝐵)(𝐶A𝐷)(𝐴A𝐶)(𝐵A𝐷)

2: (B.D=9.E)²
X² = (BA9)(EAD)(BAE)(9AD)

2: (:E=29)²
X² =
(82)(8F)(89)(88)

2: (F2)²
X² =
(29.G29

2:.EGG
X² =
29.G29

X² = 1,066 (Chi Square Hitung)

6. Tentukan kriteria pengujian

● Jika χ2 hitung ≤ χ2 tabel, maka Ho diterima.
● Jika χ2 hitung > χ2 tabel, maka Ho ditolak.
ATAU

● Jika Sig. χ2 hitung > alpha, maka Ho diterima.

● Jika Sig. χ2 hitung < alpha, maka Ho ditolak.
7. Tentukan nilai χ2 Tabel
● Taraf signifikansi (α) = 0,05
● Chi Square Tabel dengan rumus db: (k-1)(b-1) (K= jumlah kolom, b= jumlah baris),
db= (2-1)(2-1)= 1, jika 𝑎 adalah 0,05, maka chi square tabel adalah : 3, 841 ( lihat chi
square tabel).
8. Bandingkan χ2 hitung dengan χ2 tabel. berdasarkan hasil perhitungan diperoleh bahwa:
● X² hitung (1,066) < X² tabel (3,841).
● Ho diterima
Kesimpulan:
Tidak terdapat pengaruh yang signifikan antara jenis kelamin dan tingkat pengetahuan tentang
covid 19

15
C. Uji Runs
Statistik nonparametrik adalah cabang dari statistika yang berfokus pada metode analisis data
ketika asumsi tentang distribusi populasi tidak terpenuhi atau tidak diketahui. Salah satu teknik
nonparametrik yang digunakan dalam analisis data adalah uji Run atau sering disebut juga sebagai
Run Test. Uji Run digunakan untuk menguji apakah suatu rangkaian data memiliki susunan yang
acak atau tidak.
1. Pengertian Uji Run (Run Test)
Uji Run merupakan salah satu teknik statistik nonparametrik yang digunakan untuk
menguji apakah suatu rangkaian data memiliki susunan yang acak atau tidak. Konsep dasar dari
uji ini adalah untuk mengidentifikasi pola atau urutan yang muncul dalam data.
Misalkan terdapat sebuah rangkaian data berupa sekuens dari dua nilai, misalnya X1,
X2,…….Xn. Setiap nilai dalam rangkaian ini dapat diasumsikan sebagai suatu observasi dari dua
kategori atau klasifikasi yang berbeda. Dalam uji Run, kita tertarik untuk melihat apakah
terdapat pola berurutan atau "run" dari nilai-nilai yang sama ataukah distribusi nilai-nilai
tersebut acak. Konsep dasar Run Test :
 Deret Data: Uji Run berfokus pada deret data yang terdiri dari dua kategori (misalnya
“berhasil” dan “gagal”, “atas” dan “bawah”, atau “ya” dan “tidak”).
 Tanda: Setiap elemen dalam deret data diberi tanda 1 jika nilainya di atas median (atau
batas tertentu), dan tanda 0 jika nilainya di bawah median.
 Run: Run adalah urutan berkelanjutan dari tanda-tanda yang sama (misalnya 1-1-1-0-0-
1-1-1).
Misalkan kita akan menguji apakah deretan orang yang membeli karcis berikut (laki-laki/L
dan perempuan/P) tersusun secara random atau tidak.

Untuk menjelaskan uji run ini, mari kita tuliskan tanda ( + atau - ) berdasarkan data yang
diberikan. Tentu saja kita bisa menggunakan tanda lainnya sesuai keinginan.

16
 Sekarang kita definisikan run sebagai urutan tanpa ganggunan dari satu simbol atau
atribut. Selanjutnya, kita definisikan Panjang run sebagai banyaknya elemen yang ada di
dalamnya. Dengan demikian, deretan di atas terdiri dari 5 run (R) yaitu diperoleh dari susunan
yang berjenis kelamin sama: run pertama ada dua P, run kedua ada dua L, run ketiga ada tiga
P, run keempat ada 2 L, run kelima dengan 1 P.

2. Langkah-langkah Uji Run

i. Tentukan hipotesis nol (H0), hipotesis alternatif (H1) dan taraf signifikansinya (α).
Dalam uji Run, hipotesis nol menyatakan bahwa data diambil dari distribusi acak,
sedangkan hipotesis alternatif menyatakan bahwa data tidak diambil dari distribusi
acak.
ii. Susunlah observasi-observasi n1 dan n2 menurut urutan terjadinya; kemudian hitunglah
banyaknya run (r) berdasarkan pengamatan yang terjadi;
iii. Hitunglah kemungkinan di bawah H0 yang dikaitkan dengan suatu nilai yang seekstrem
r yang diobservasi. Untuk menguji hipotesis, kita perlu menentukan nilai kritis dari
statistik uji. Nilai kritis ini bergantung pada tingkat signifikansi yang dipilih dan
ukuran sampel. Jika probabilitas (p-value) itu sama atau kurang dari α, tolaklah H0. Nilai
p-value bergantung pada ukuran n1 dan n2, yakni:
Jika n1 dan n2 ≤20, pakailah Tabel run-F untuk α=0,05.
Tabel F1 menyajikan nilai-nilai r yang sedemikian kecilnya sehingga
kemungkinannya di bawah H0. Tabel F2 menyajikan nilai-nilai r yang sedemikian
besarnya sehingga kemungkinannya di bawah H0
Untuk uji run sampel kecil atau kurang dari sama dengan 20, pergunakan
tabel run-F1 (batas minimum) dan tabel run-F2 (batas maksimum) dalam
penentuan penolakan H0. Tabel run-F (Siegel, 1997) memberikan nilai
kritis R di bawah H0 untuk α=0,05α=0,05.
Jika nilai Robs jatuh di antara nilai kritis yang diberikan
Tabel F1 dan F2 (F1<Robs<F2), maka H0 diterima. Jika nilai Robs≤nilai kritis
dari tabel F1 atau Robs≥ nilai kritis dari tabel F2, maka H0 ditolak.

17
 Jika (n1 dan n2 > 20), hitunglah Z dengan menggunakan rumus (2) di atas, lalu lihat
tabel normal.
Untuk sampel besar, distribusi dari sampel R (run) mendekati distribusi normal Z
dengan rata-rata μr dan varians σ2r.

Dimana :

iv. Membandingkan nilai observasi dari statistik uji dengan nilai kritis yang telah
ditentukan. Jika nilai observasi berada di luar daerah kritis, kita menolak hipotesis nol
dan menyimpulkan bahwa terdapat pola yang signifikan dalam data. Keputusan: Jika
p-value yang didapat sama atau kurang dari α, maka H0 ditolak.
v. Kesimpulan
3. Contoh Kasus
1) Sampel Kecil
• Ada 15 wali kelas yang diberikan pertanyaan atau kuesioner tentang vaksinasi dan
Pembelajaran Tatap Muka dan diperoleh data sebagai berikut.

18
• Tentukan apakah data tersebut acak atau tidak.
Penyelesaian :
1. Menentukan Hipotesis
H0 : Data hasil wali kelas tentang vaksinasi dan PTM acak.
Ha : Data hasil wali kelas tentang vaksinasi dan PTM tidak acak.
2 . Menentukan Mediannya
Median = 16 (merupakan nilai tengah dari data yang diurutkan)
Menandai data yang yang sama atau diatas 16 dengan “+” dan dibawah 16
dengan “-“.

19
Berdasarkan data tersebut diperoleh n1 = 7 dan n2 = 8. Berdasarkan kolom tanda, maka kita
bisa menghitung jumlah Runs, yaitu + untuk wali kelas 01 dan 02. Karena wali kelas 03 dan
04 adalah - (berubah tanda dari +), maka muncul Runs baru. Sehingga total Runs menjadi 2.
Wali murid 05 dan 06 muncul + dan Runs bertambah lagi sehingga menjadi 3. Demikian
seterusnya sehingga total ada 9 Runs (atau r = 9)

20
4. Mencari nilai run tabel

5. Pengambilan kesimpulan
Dari tabel F1, diperoleh nilai r bawah = 4
Dari tabel F2, diperoleh r atas = 13
Berdasarkan nilai r tabel dan r hitung, diketahui bahwa
r bawah < r hitung < r atas (4 < r9 < 13), maka Ho diterima.

Kesimpulannya adalah data hasil jawaban wali kelas tentang vaksinasi dan PTM acak
2) Sampel besar
Seorang peneliti ingin mengetahui apakah pengaturan antrian pria dan wanita di depan box
pembelian tiket teater mengikuti pengaturan random. Data diperoleh dengan melakukan tally
jenis kelamin dari urutan 50 orang yang menuju box pembelian tiket. Urutan dari 30 pria (P)
dan 20 wanita (W) adalah sebagai berikut:

21
Pembahasan :
Hipotesis
H0 : Urutan pria dan wanita dalam antrian adalah random
H1 : Urutan pria dan wanita dalam antrian tidak random
Tingkat Signifikansi: α=0,05
Uji Statistik:
Karena bertujuan untuk menguji kerandoman data yang berasal dari sampel tunggal
dan datanya berskala nominal, maka uji yang dipilih adalah uji run sampel tunggal.
Diketahui N = 50, P = 30, W = 20, dan Robs = 35. Untuk sampel besar maka
menggunakan pendekatan distribusi normal.

2𝑛8𝑛2
𝑟− +1
𝑛8𝑛2
𝑍= 2𝑛8𝑛2 (2𝑛1𝑛2=𝑁)
N
𝑁2(𝑁 − 1)

2.30.20
35 − 30 + 20 + 1
=
2.30.20 (2.30.20 − 50)
502 − (50 − 1)
= 2,98

22
Karena H1 tidak memprediksi arah dari kerandoman, maka digunakan uji dua arah. Sehingga
daerah penolakan mencakup nilai Z(α/2) di luar ± 1,96; atau jika (p-valuetabel normal x 2) ≤
αsig maka Tolak H0
Keputusan:
Karena Zobs = 2,98 > Z(α/2) = 1,96; maka tolak H0. Atau karena (p-valuetabel normal x 2) = 0,0014
x 2 ≤ αsig = 0,05; maka tolak H0.
Kesimpulan: Dengan tingkat signifikansi 5%, dapat disimpulkan bahwa urutan pria dan wanita
dalam antrian adalah tidak acak.

D. Uji Kolmogorov Smirnov

Uji Kolmogorov-Smirnov termasuk uji kesesuaian atau kecocokan (Goodness of fit). Dalam hal
ini, yang diperhatikan adalah tingkat kesesuaian antara distribusi nilai sampel (skor hasil
diobservasi) dengan distribusi teoritis tertentu (normal, atau poisson). Uji ini dapat digunakan
untuk uji kenormalan (Siegel, 2011: 59). Uji ini juga sering digunakan dalam berbagai bidang
termasuk pada ilmu sosial, ekonomi, dan alam, untuk menguji kesesuaian data dengan distribusi
yang diharapkan atau untuk membandingkan dua sampel data.
Fungsi utama dari uji Kolmogorov-Smirnov adalah untuk menguji kesesuaian antara distribusi
data yang diamati dengan distribusi yang diharapkan atau teoritis. Ini membantu dalam
menentukan sejauh mana data cocok dengan model distribusi yang diasumsikan. Adapun rumusan
hipotesisnya adalah sebagai berikut:
Ho : Distribusi data yang diuji dalam populasinya berdistribusi normal
Ha : Distribusi data yang diuji dalam populasinya tidak berdistribusi normal
Statistik uji : D = maks | Fo (x) – Sn (x) |

Contoh kasus:
Suatu penelitian tentang tinggi badan mahasiswa yang mengikuti pelatihan kebugaran fisik/
jasmani dengan sampel sebanyak 26 orang diambil secara random. Didapatkan data sebagai
berikut ini: 162, 158, 170, 167, 159, 160, 170, 163, 164, 158, 164, 158, 156, 161, 163, 160, 168,
159, 156, 162, 159, 164, 167, 158, 163, 160 cm. Sedilikilah dengan 𝖺= 5%, apakah data
tersebut diambil dari populasi yang berdistribusi normal?

23
 Penyelesaian:
 Hipotesis:
Ho : Data tinggi badan mahasiswa dalam populasinya berdistribusi normal.
Ha : Data tinggi badan mahasiswa dalam populasinya tidak berdistribusi normal.
 Taraf signifikansi: α = 0.05
 Statistik uji:
D = maks | Fo (x) – Sn (x) |
 Daerah penolakan: Ho diterima jika Dhitung < Dtabel untuk n = 26
Langkah analisis

(1) Data sampel diurutkan dari yang terkecil, kemudian ditransformasikan ke dalam nilai baku
H
𝑍𝑖 = 𝑥/=K , xi = data ke-i, 𝑋S = rata-rata nilai data, S = simpangan baku data.
𝑆

(2) Dari nilai baku Z ditentukan nilai probabilitas komulatif Sn (xi) = P (Z≤ Zi) berdasarkan
distribusi normal baku.
/
(3) Tentukan nilai probabilitas harapan/teoritis kumulatif Fo(xi). Fo(xi) = , n = banyak data
𝑛

(4) Tentukan nilai maksimum dari |Fo(x) – Sn(X)|, sebagai nilai D hitung
(5) Nilai D tabel dapat dilihat dari tabel Nilai Kritis D untuk uji Normalitas
Kolmogorov_Smirnov

24
 Xi Fi Fkum Fo(xi) = Sn(xi) = P (Z≤ Zi) |Fo(x) – SN(X)| Abs

156 2 2 0,0769 -1,4627 0,0718 -0,0051 0,0051

158 4 6 0,2308 -0,9656 0,1671 -0,0636 0,0636
159 3 9 0,3462 -0,7170 0,2367 -0,1095 0,1095
160 3 12 0,4615 -0,4684 0,3197 -0,1418 0,1418
161 1 13 0,5000 -0,2199 0,4130 -0,0870 0,0870
162 2 15 0,5769 0,0287 0,5114 -0,0655 0,0655
163 3 18 0,6923 0,5258 0,7005 0,0082 0,0082
164 3 21 0,8077 0,5258 0,7005 -0,1072 0,1072
167 2 23 0,8846 1,2715 0,8982 0,0136 0,0136
168 1 24 0,9231 1,5200 0,9357 0,0127 0,0127
170 2 26 1,0000 2,0171 0,9782 -0,0218 0,0218
26

Keputusan: Dari perhitungan di atas diperoleh D max yaitu sebesar 0,1418. Sementara Dtabel
diperoleh dengan taraf signifikansi (α = 0.05) sebesar 0,259. Jika dilihat dari kesepakatan Ho
diterima jika Dhitung<Dtabel untuk n=26 maka dapat diputuskan 0,1418<0,259 yang artinya Ho
diterima sehingga interpretasinya adalah bahwa data tinggi badan mahasiswa yang mengikuti
pelatihan kebugaran fisik/ jasmani berdistribusi normal.

25
26
 BAB III
PENUTUP

1. Tes satu sampel biasanya bertipe goodness of fit. dalam kasus ini, kita menarik suatu sampel
random dan kemudian menguji hipotesis bahwa sampel ini ditarik dari suatu populasi dengan
distribusi tertentu (specified). Terdapat empat uji untuk pengujian satu sampel yang akan
dibahas yaitu uji Binomial, uji Chi-Square, uji Runs, dan uji Kolmogorov-Smirnov.
2. Uji Binomial satu populasi yang dianggap hanya mempunyai dua kelompok (dua kategori),
contohnya populasi hanya bisa dikelompokkan menjadi laki-laki – perempuan, kaya – miskin,
sukses – gagal, dan lain sebagainya. Data yang teramati termasuk dalam skala nominal dan
terdistribusi menurut distribusi binomial. Jumlah sampelnya kecil.
3. Nilai chi-square selalu positif karena merupakan hasil pengkuadratan serta datanya berbentuk
diskrit atau nominal.
4. Uji Run’s membagi data menjadi dua kategori. N1 banyaknya lambang pertama atau yang lebih
sedikit dan n2 adalah banyak lambang kedua atau yang lebih banyak, maka ukuran sampelnya
adalah n = n1 + n2. Datanya berbentuk nominal atau ordinal.
5. Uji Kolmogorov-Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data
normal baku. Dapat digunakan untuk analisis dengan jumlah sampel besar dan kecil.

27
 DAFTAR PUSTAKA

Saiffudin, A.(2016). Aplikasi mudah Statistika Non Parametrik.Yogyakarta: Pustaka Pelajar.

Kariadinata, Rahayu dkk. (2012). Dasar-Dasar Statistik Pendidikan. Bandung: CV Pustaka

Setia.

Negara, Igo C & Agung Prabowo. (2018). Penggunaan Uji Chi-Square untuk Mengetahui
Pengaruh Tingkat Pendidikan dan Umur Terhadap Pengetahuan Penasun Mengenai HIV-
AIDS di Provinsi DKI Jakarta.Purwokerto: Prosiding Seminar Nasional Matematika dan
Terapannya 2018 P-ISSN: 2550-0384

Siegel, Sidney. (2011). Statistik Non Parametrik Untuk Ilmu Sosial. Jakarta: PT. Gramedia Pustaka
Utama.

Suciptawati, Ni Luh Putu. (2010). Metode Statistika Nonparametrik. Denpasar: Udayana

University Press.

Sufren dan Natanael, Yonathan. (2013). Mahir Menggunakan SPSS Secara Otodidak. Jakarta: PT.
Elex Media Komputindo.

Sugiyono. (2013). Statistik Nonparametris Untuk Penelitian. Bandung: CV. Alfabeta

28
29