UJI BEDA NON PARAMETRIK

Uji nonparametrik dipakai untuk data yang tidak berdistribusi normal. Data yang
memiliki skala nominal dan ordinal pasti bukan keluarga distribusi normal sehingga uji yang
tepat adalah uji nonparametrik. Sedangkan data dengan skala interval atau rasio, harus
dipastikan dulu apakah berdistribusi normal atau tidak dengan menggunakan uji normalitas.
Jika dari hasil normalitas terbukti data berdistribusi normal maka sebaiknya dipakai uji
parametrik, kecuali tidak ada uji parametrik yang sesuai, dalam artian ada asumsi lain yang
tidak terpenuhi. Tapi kalau dari uji normalitas terbukti bahwa data tidak berdistibusi normal,
maka alat uji yang sesuai adalah uji nonparametrik.
Jenis-jenis uji beda nonparametrik:
1. Satu sampel
2. Dua sampel independent
3. Dua sampel berpasangan

1. Uji Beda Satu Sampel

Uji beda satu sampel ini digunakan untuk melakukan pengujian pada satu kelompok
observasi yang dibandingkan dengan suatu nilai tertentu.
a). Uji CHI-SQUARE
Uji beda dengan chi-square bertujuan untuk melihat apakah ada perbedaan yang
signifikan antara frekuensi yang diamati dengan frekuensi yang diharapkan.
Konsep : mentabulasi variabel ke kategori-kategori selanjutnya kategori tersebut dikoding.
H0: frekuensi yang diamati = nilai harapan
H1 : frekuensi yang diamati ≠ nilai harapan

Contoh kasus:(data rokok):

Produsen rokok memproduksi 4 merk rokok dengan harapan keempat merk rokok tersebut
memiliki tingkat penjualan yang sama. Data penjualan rokok tersebut sebulan terakhir
sebagai berikut:
no merk Penjualan
(bungkus)
1 1 148
2 2 129
3 3 214
4 4 155
Langkah-langkah dalam perhitungan menggunakan SPSS:
1. Pembobotan data
Karena data rokok diatas bukan row data (data mentah) akan tetapi data yang sudah
berupa frekuensi untuk masing-masing kategori, maka kita harus menginformasikan data
tersebut ke SPSS dengan langkah-langkah berikut:
Buka data 5 (rokok):
data- weight cases (isikan penjualan ke frekuensi variable) – 0k
Output Spss:
WEIGHT BY Penjualankotak.
 2. Analisis chi square
Selanjutnya baru dilakukan analisis uji beda dengan langkah-langkah berikut:
Caranya: analyze – nonparametric test – chi-square (isikan merk ke Test Variabel List)-
ok
Output Spss:
NPar Tests
Chi-Square Test
Frequencies
merk
Observed N Expected N Residual
1 148 161,5 -13,5
2 129 161,5 -32,5
3 214 161,5 52,5
4 155 161,5 -6,5
Total 646

Test Statistics
merk
Chi-Square 24,997a
df 3
Asymp. Sig. ,000
a. 0 cells (0,0%) have
expected frequencies
less than 5. The
minimum expected cell
frequency is 161,5.

Interpretasi Hasil:
Pada tabel merk, dapat kita lihat bahwa jml observasi berdasarkan data (Observed N) untuk
masing-masing kategori. Serta frekuensi harapan (Expected N) sebesar 161,5 untuk semua
kategori. Hal ini diperoleh dari rata-rata frekuensi.
Pengujian hipotesis berdasarkan tabel Test Statistics dengan hipotesis sebagai berikut:
H0: tingkat penjualan semua merk rokok sama
H1 : tingkat penjualan semua merk rokok tidak sama
Nilai sig 0,00 < 0,05  tolak H0 artinya tingkat penjualan semua merk rokok tidak sama

Contoh kasus: (data kuda):

Para penggemar balap kuda sering menyatakan bahwa dalam posisi start mempengaruhi
tingkat keberuntungan sebagai pemenang. Berikut hasil pengamatan terhadap terhadap 50
kuda peserta balap kuda
No. observasi Pemenang (posisi start)
1 1
2 3
...
50

Langkah-langkah dalam perhitungan menggunakan SPSS:

Buka data 5 (kuda)
Analyze – noparametric tests – legacy dialogs – chi-square
Isikan variabel pemenang ke test variable list
Ok

Output Spss:
NPar Tests
Chi-Square Test
Frequencies

PEMENANG
Observed N Expected N Residual
1 8 8,3 -,3
2 8 8,3 -,3
3 9 8,3 ,7
4 7 8,3 -1,3
5 9 8,3 ,7
6 9 8,3 ,7
Total 50

Test Statistics
PEMENAN
G
Chi-Square ,400a
df 5
Asymp. Sig. ,995
a. 0 cells (0,0%) have
expected frequencies less
than 5. The minimum
expected cell frequency is
8,3.
Interpretasi Hasil:
H0 : Posisi start tidak mempengaruhi tingkat keberuntungan
H1 : Posisi start mempengaruhi tingkat keberuntungan
Nilai sign 0,995 > 0,05  terima H0  artinya posisi start tidak mempengaruhi tingkat
keberuntungan untuk menjadi pemenang  secara statistik, dengan tingkat kepercayaan
95%, tidak terbukti bahwa posisi start mempengaruhi tingkat keberuntungan pemenang.
b). Uji BINOMIAL
Uji beda binomial dipakai untuk menguji apakah peluang dari dua kemungkinan sama
atau tidak. Konsep dasarnya adalah menguji rata-rata dari sampel yang berasal keluarga
distribusi binomial. Distribusi binomial adalah distribusi dimana nilai hanya terdiri dari 2
pilihan (sukses dan gagal). Data dari keluarga binomial ini sering disebut data biner yaitu
data yang hanya ada 2 pilihan). Misal X=1 jika sukses dan X=2 jika gagal.
Uji binomial bertujuan untuk membandingkan frekuensi observasi dari 2 kategori

Contoh kasus:
Apakah stres mempengaruhi metode kerja seseorang? Untuk mengetahui jawaban dari
pertanyaan tersebut, dilakukan survei terhadap 14 karyawan yang mendapat perlakuan keras
dan bekerja dibawah tekanan. Kemudian dicatat metode yang dipakai dalam menyelesaikan
pekerjaannya. Jika menggunakan metode lama = 1 dan jika menggunakan metode baru =2,
menghasilkan data sbb:

Langkah-langkah dalam perhitungan menggunakan SPSS:

Panggil data 5 (stres)
Analyze – nonparametric tests – binomial
Masukkan metode ke test variabel list – ok
Output Spss:
Binomial Test
Category N Observed Test Prop. Exact Sig. (2-
Prop. tailed)
Group 1 1 8 ,57 ,50 ,791
metode Group 2 2 6 ,43
Total 14 1,00
Interpretasi Hasil:
Dari output diatas ditunjukkan peluang masing-masing berdasarkan sampel, yaitu peluang
metode lama (p) 57% dan peluang metode baru (q) 43%. Ada perbedaan rata-rata antara
kedua metode tersebut. Selanjutnya kita akan menguji apakah perbedaan tersebut terbukti
signifikan atau tidak. Pengujian menggunakan hipotesis sebagai berikut
Ho : p = q = 0,50 (tidak ada perbedaan peluang menggunakan metode lama dengan metode
baru )
H1 : p ≠ q (pada kondisi stres, peluang menggunakan metode lama tidak sama dengan metode
baru
Signifikan = 0,791 > 0,05  terima Ho  artinya pada kondisi stres, peluang penggunaan
metode lama sama dengan peluang penggunaan metode baru
 2. Uji beda dua sampel Independen (Mann-Whitney U)
Uji beda dua sampel independen berujuan untuk menguji apakah rata-rata dari dua
kelompok sampel yang tidak saling berhubungan sama atau tidak (sama seperti Uji
Independent Sample T Test namun dipakai untuk data kategorik atau data yang tidak
berdistribusi normal).

Contoh kasus:
Langkah-langkah dalam perhitungan menggunakan SPSS:
Buka data 5 (tembakau)
Analyze – Non parametric test – legacy dialogs – 2 independent sampel
(isikan variabel yang akan di uji ke test variable list dan kelompok variabel ke grouping
variabel kemudian definisikan ) – centang Mann whitney U – ok
Output Spss:

NPar Tests
Mann-Whitney Test
Ranks
jenis tembakau N Mean Rank Sum of Ranks
1 10 9,40 94,00
kenikmatan
2 7 8,43 59,00
rokok
Total 17

Test Statisticsa
kenikmatan
rokok
Mann-Whitney U 31,000
Wilcoxon W 59,000
Z -,417
Asymp. Sig. (2-tailed) ,677
Exact Sig. [2*(1-tailed
,740b
Sig.)]
a. Grouping Variable: jenis tembakau
b. Not corrected for ties.
Interpretasi Hasil:
H0 : Tidak ada perbedaan rasa antara tembakau 1 dan tembakau 2
H1 : Ada perbedaan rasa antara tembakau 1 dan tembakau 2
Nilai sig 0,677 > α  terima H0  tidak ada perbedaan rasa antara tembakau 1 dan
tembakau 2

2. Uji beda dua sampel berpasangan (2-Related Sample Wilcoxon)

Uji beda dua sampel berpasangan bertujuan untuk penguji apakah ada perbedaan
antara rata-rata 2 populasi yang berpasaangan. Konsep dasar dari uji 2-Related Sample
Wilcoxon) adalah menguji perbedaan pasangan pengamatan berdasarkan nilai mediannya.

Langkah-langkah dalam perhitungan menggunakan SPSS:

Analyze – Non parametric test – legacy dialogs – 2 related sampel
(isikan variabel yang akan di uji ke test pair ) – ok

Contoh kasus: (DATA 2 : data muktarith):

Output Spss:
NPar Tests
Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks
a
Negative Ranks 0 ,00 ,00
Pendapatan sesudah (Y) - Positive Ranks 30b 15,50 465,00
Pendapatan sebelum Ties 0c
Total 30
a. Pendapatan sesudah (Y) < Pendapatan sebelum
b. Pendapatan sesudah (Y) > Pendapatan sebelum
c. Pendapatan sesudah (Y) = Pendapatan sebelum

Test Statisticsa
Pendapatan
sesudah (Y) -
Pendapatan
sebelum
Z -4,784b
Asymp. Sig. (2-tailed) ,000
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.
Interpretasi Hasil:
H0 : tidak ada perbedaan pendapatan sebelum dan sesudah mendapat pinjaman
H1 : ada perbedaan pendapatan sebelum dan sesudah mendapat pinjaman

Nilai signifikansi 0,00 < 0,05  tolak H0 yaitu ada perbedaan pendapatan yang signifikan
antara sebelum dan sesudah mendapat pinjaman. Sehingga dapat disimpulkan bahwa secara
statistik, dengan tingkat kepercayaan 95%, pengaruh pembiayaan qoardh terhadap
pendapatan memang signifikan / berarti/ penting.

Atau
H0 : pendapatan sebelum = sesudah mendapat pinjaman
H1 : pendapatan sebelum > sesudah mendapat pinjaman
Nilai signifikansi 0,00 < 0,05  tolak H0 yaitu pendapatan sebelum > sesudah mendapat
pinjaman

Atau
H0 : pendapatan sebelum = sesudah mendapat pinjaman
H1 : pendapatan sebelum < sesudah mendapat pinjaman
Nilai signifikansi 0,00 > - 0,05 tidak tolak H0, belum cukup bukti untuk tolak H0