STATISTIKA

NORMALITAS DATA (NON PARAMETRIK)

SUHRON
 Analisis Non-Parametrik

◼ Analisis statistika yang sejauh ini sudah

dibahas merupakan golongan analisis statistika
parametrik
◼ Salah satu asumsi penting dalam statistika
parametrik adalah data berskala rasio/interval
dan berdistribusi normal
◼ Apabila data berskala nominal/ordinal dan/atau
tidak berdistribusi normal, maka alternatif
analisis yg bisa digunakan adalah analisis
non-parametrik
 Keuntungan Statistik Non
Parametrik

◼ Uji nonparametrik tertentu dapat digunakan

untuk analisis data nominal
◼ Uji nonparametrik tertentu dapat digunakan
untuk analisis data ordinal
◼ Proses perhitungan pada statistika non
parametrik biasanya lebih sederhana
dibandingkan pada statistika parametrik,
khususnya untuk sampel kecil
 Kerugian Statistik Non
Parametrik

◼ Kadang-kadang tidak ada alternatif uji

nonparameterik yg bersesuaian dengan uji
parametrik. Misal: analisis regresi
◼ Uji nonparametrik menjadi tak berguna apabila
uji parametrik untuk data yang sama tersedia
◼ Uji nonparametrik pada umumnya tidak tersedia
secara luas dibandingkan dengan uji parametrik
◼ Untuk sampel besar, perhitungan untuk
statistika nonparametrik menjadi rumit
Macam Data Bentuk Hipotesis
Deskriptif Komparatif (dua sampel) Komparatif (lebih dari 2 Asosiatif
(satu sampel) (hubungan)
variabel)
Related Independen Related Independen
Nominal Binomial Mc Nemar Fisher Exact 2 for k sample 2 for k sample Contingency
Probability Coefficient C
Cochran Q
2 One 2 Two
Sample Sample

Ordinal Run Test Sign test Median test Friedman Median Spearman Rank
Wilcoxon Mann-Whitney Two Way- Extension Correlation
matched parts U test Anova
Kruskal-Wallis Kendall Tau
Kolmogorov One Way
Simrnov Anova

Wald-
Woldfowitz

Interval T Test* T-test of* T-test of* One-Way One-Way Pearson

Related independent Anova* Anova* Product
Rasio Moment *
Two Way Two Way
Anova* Anova* Partial
Correlation*

Multiple
Correlation*
 Penggunaan Non Parametrik
TES PENGGUNAAN FUNGSI
Chi Square Menggunakan data nominal untuk menguji Tes independensi variabel
independensi satu sampel atau dua sampel atau
lebih dari 2 sampel
Codran Q Untuk menguji hubungan lebih dari 2 sampel Membantu pada data yang memberikan
pada skala nominal jawaban 2 kategori
Uji Tanda Untuk menguji hubungan 2 sampel pada skala Tes yang baik untuk data berjenjang
ordinal (rangking)
Uji median -Pada satu sampel untuk melihat randomisasi pada -Untuk melihat kesimetrisan distribusi
data dari populasi - Tes independensi variabel
- untuk menguji independensi lebih dari 2 sampel
pada skala ordinal
Uji Mann-Whitney U Untuk menguji independensi 2 sampel pada skala Analog pada independensi 2 sampel t-
ordinal Test
Uji Kruskal- Untuk menguji independensi lebih dari 2 sampel Alternatif dari uji One-Way ANOVA di
Wallis pada skala ordinal mana asumsi distribusi normal tidak
digunakan
Uji Fiedman Uji menguji hubungan lebih dari 2 sampel pada Alternatif dari uji Two-Way ANOVA
skala ordinal dimana asumsi distribusi normal tidak
digunakan
Uji Kolmogorov- Untuk menguji independensi dari satu sampel Uji ini lebih powerful dibanding uji chi-
Smirnov atau 2 sampel pada skala ordinal. square atau uji Mann-Whitney
 Uji Kolmogorov-Smirnov: Uji
Normalitas
Fungsi Pengujian :
Untuk menguji apakah distribusi data empiris
sesuai dengan distribusi teoritis normal
Persyaratan Data :
Dipakai untuk data berskala ordinal namun
dapat digunakan juga bagi data berskala
nominal.
Hipotesis yang diuji:
Ho : data berdistribusi normal
H1 : data tidak berdistribusi normal
 Prosedur Pengujian
1. Tentukan distribusi frekuensi kumulatif teoritis Fo(x), yaitu distribusi
frekuensi kumulatif di bawah Ho.
2. Susun skor hasil pengamatan dalam distribusi frekuensi kumulatif
pengamatan Sn(x) yang sesuai dengan Fo(x).
3. Untuk tiap jenjang/rank, hitung selisih harga mutlak Fo(x) - Sn(x).
4. Hitung harga D maksimum dengan rumus

• D = max Fo(X) – Sn(X) 

D = penyimpangan
Fo(X) = sebaran kumulatif teoritis
Sn(X) = sebaran kumulatif hasil observasi
Kriteria: Jika D > D-tabel → Tolak Ho
 Contoh
Berikut ini adalah temperatur (0C) selama 20 hari
di Pantai Balekambang
24, 35, 17, 21, 24 , 37, 26, 46, 58, 30,
32, 13, 12, 38, 41, 43, 44, 27, 53, 27
Ujilah apakah data tersbeut berdistribusi
normal
 a. Contoh: buat distribusi frekuensi

◼ Urutkan data secara ascending (terkecil→terbesar):

12, 13, 17, 21, 24, 24, 26, 27, 27, 30, 32, 35, 37, 38, 41, 43, 44, 46, 53, 58

◼ Tentukan range: 58 - 12 = 46
◼ Pilih banyaknya kelas: k=1+3.322 log(20)=5.322 → 5
◼ Hitung lebar kelas: 10 (46/5 -- pembulatan)

◼ Tentukan batas kelas: 10-20, 20 - 30, . . . , 50 - 60

◼ Hitung banyaknya pengamatan untuk setiap kelas
 Contoh: Distribusi Frekuensi (lanj.)
Data Terurut
12, 13, 17, 21, 24, 24, 26, 27, 27, 30, 32, 35, 37, 38, 41, 43, 44, 46, 53, 58

KELAS FREKUENSI
10 – 20 3

20 – 30 6

30 - 40 5

40 – 50 4

50 - 60 2

Total 20
 Contoh: Uji Kolmogorov-Smirnov

1. Ho : data berdistribusi normal

2. H1 : data tidak berdistribusi normal
3. n=20 α=0.05
4. Titik kritis: D-tabel=0.294
 Contoh: Mean Data Berkelompok
Data Terurut
12, 13, 17, 21, 24, 24, 26, 27, 27, 30, 32, 35, 37, 38, 41, 43, 44, 46, 53, 58


Niai
KELAS tengah Fi f .x
x= i i

10 – 20
(Xi)
15 3
f i

3(15) + 6(25) + 5(35) + 4(45) + 2(55)

20 – 30 25 6 x=
20
30 - 40 35 5 660
x= = 33
40 – 50 45 4 20
50 - 60 55 2

Total 20
 Contoh: Varians Data Berkelompok

KELAS
Niai
tengah Xi − X ( X i − X )2 Fi fi ( X i − X )2
x = 33
(Xi)
10 – 20 15 15-33=-18 (-18)2=324 3 3(324)= 972

20 – 30 25 25-33=-8 (-8)2=64 6 6(64)=384

30 - 40 35 35-33=2 22=4 5 5(4)=20

40 – 50 45 45-33=12 122=144 4 4(144)=576

50 - 60 55 55-33=22 222=484 2 2(484)=968

Total 20 2920
k

 f (X − X ) 2

s = s 2 = 153.684 = 12.4
i i
2920
s =
2 i =1
= = 153.684
n −1 20 − 1
5. Statistik uji:
X = 33 s = 12.4
Niai tengah
KELAS Fi Sn(X) Z Fo(X)
(Xi)
10 – 20 15 3 3/20=0.150
-1.45 0.0733
Xi − X
20 – 30 25 6 0.450
-0.65 0.2594 Z=
30 - 40 35 5 0.700
0.16 0.5641 s
40 – 50 45 4 0.900
0.97 0.8334
50 - 60 55 2 1.000
1.77 0.9620
Total 20
 Sn(X) 0.150 0.450 0.700 0.900 1.000

Fo(X) 0.073 0.259 0.564 0.833 0.962

│Fo(X)-Sn(X)│ 0.077 0.191 0.136 0.067 0.038
D 0.077 0.191 0.136 0.067 0.038

5. Statistik uji: D = 0.191

6. Keputusan : D < D-tabel= 0.294 → Terima Ho
7. Kesimpulan: Data berdistribusi normal
 Latihan

◼ Berikut ini adalah data yang menunjukkan

panjang karapas kepiting (mm)
78 95 100 77 86 90 92
85 73 92 90 102 80 90

◼ Lakukan uji Kolmogorov-Smirnov untuk

menentukan normalitas data