MAKALAH

STATISTIKA NONPARAMETRIK
Diajukan untuk memenuhi tugas Mata Pelajaran Teori Probabilitas
Dosen Pengampu : Rianita Puspa Sari,ST.,MT.

Nama Kelompok

1 Adey Satrio Hermawan 2310631140060

2 Ahmad Rifa’i 2310631140065
3 Arjuna Nurhidayatullah 2310631140070

4 Boyke Akhmad Duncan Al Aziz 2310631140075

5 Devan Gunara 2310631140077

UNIVERSITAS SINGAPERBANGSA KARAWANG

PROGRAM STUDI TEKNIK INDUSTRI
2024

1
 LEMBAR PENGESAHAN MAKALAH
“ANALISIS PERBANDINGAN DATA STATISTIK PADA DUA
SUMBER DATA”

Tim Penulis:

1 Adey Satrio Hermawan NPM 2310631140060 ………………..

2 Ahmad Rifa’i NPM 2310631140065 ..………………

3 Arjuna Nurhidayatullah NPM 2310631140070 ………………..

4 Boyke Akhmad Duncan Al Aziz NPM 2310631140075 ………………..

5 Devan Gunara NPM 2310631140077 ………………..

Disetujui, ….. Mei 2024

Dosen Pengampu

Rianita Puspa Sari,ST.,MT.

2
 KATA PENGANTAR

Assalamu'alaikum.Wr.Wb
Alhamdulillah,Puji dan Syukur kami panjatkan kehadirat Allah SWT, yang
telah memberi rahmat serta karunia-Nya kepada kami sampai pada saat ini,
sehingga kami dapat menyelesaikan tugas makalah dengan baik. Adapun judul
yang kami ambil dari pembahasan makalah ini, yaitu “Analisis Perbandingan Data
Statistik Pada Dua Sumber Data”.
Dalam penyusununan makalah ini penulis banyak dibantu oleh berbagai
pihak. Untuk itu, penulis mengucapkan terima kasih kepada Ibu Rianita Puspa
Sari,ST.,MT selaku dosen mata kuliah Teori probabilitas yang telah memberikan
banyak materi dan masukan dalam penyusunan makalah ini.
Penulis menyadari masih banyak kekurangan, baik dari segi penulisan, dan
penyusunan kalimat maupun dari segi kelengkapan isi dalam penyusunan makalah
ini. Dengan keterbatasan penulis, maka kritik dan saran yang bersifat membangun
dari semua pihak sangat diharapkan demi penyempurnaan makalah ini. Harapan
kami, semoga makalah ini dapat bermanfaat bagi pembaca dan khususnya bagi
kami pribadi.
Demikian yang dapat penulis sampaikan, akhir kata terima kasih.
Wassalamu'alaikum.Wr.Wb

Karawang, Mei 2024

Penulis

3
 DAFTAR ISI

LEMBAR PENGESAHAN MAKALAH............................................................................ii

KATA PENGANTAR........................................................................................................iii
DAFTAR ISI.......................................................................................................................iv
BAB I PENDAHULUAN....................................................................................................2
1.1 Latar Belakang...........................................................................................................2
1.2 Permasalahan.............................................................................................................3
1.3 Batasan dan Asumsi...................................................................................................3
1.4 Tujuan........................................................................................................................3
1.5 Manfaat......................................................................................................................4
BAB II TINJAUAN PUSTAKA..........................................................................................5
2.1 Statistika Parametrik..................................................................................................5
2.2 Hipotesa Statistika Parametrik Satu Sampel..............................................................6
2.3 Hipotesa Statistika Parametrik Dua Atau Lebih Sampel...........................................6
2.4 Uji Chi Square............................................................................................................8
BAB III PENGUMPULAN & PENGOLAHAN DATA...................................................10
3.1 Pengumpulan Data...................................................................................................10
3.2 Pengolahan Data......................................................................................................10
BAB IV ANALISA............................................................................................................10
4.1 Distribusi Frekuensi (Pendekatan Sturgess)............................................................10
4.2 Ukuran Rata-Rata.....................................................................................................10
4.3 Ukuran Letak............................................................................................................10
4.4 Interprestasi..............................................................................................................10
BAB V PENUTUP.............................................................................................................11
5.1 Kesimpulan..............................................................................................................11
5.2 Saran.........................................................................................................................11
DAFTAR PUSTAKA........................................................................................................13

4
 BAB I
PENDAHULUAN

I.1 Latar Belakang

Statistika merupakan bidang ilmu yang berkaitan dengan proses
pengumpulan, analisis, dan interpretasi data. Dalam konteks riset empiris,
statistika menjadi alat yang sangat penting. Ketika mengolah data, para
peneliti memberikan gambaran atau deskripsi tentang fenomena yang
diamati. Deskripsi yang kuat dan konsisten seringkali dapat membantu
menjelaskan suatu teori. Statistik adalah suatu disiplin ilmu yang
mempelajari sekumpulan konsep dan metode pengumpulan, penyajian,
analisis, dan interprestasi data, sampai pengambilan keputusan pada situasi
dimana terdapat ketidakpastian. (Thoifah, 2015)
Namun demikian, ada yang berpendapat bahwa ilmu cenderung
menjelaskan bagaimana sesuatu terjadi daripada mengapa terjadi. Proses
penciptaan teori baru biasanya melibatkan kreativitas, baik dengan
menyelidiki ulang teori yang ada maupun mengekstrak informasi dari dunia
nyata.
Dalam penelitian, seringkali sulit untuk mendapatkan data yang
mengikuti distribusi normal atau bersifat kontinu. Sebaliknya, data sering
kali berupa kategori yang hanya dapat dihitung frekuensinya atau berupa
data ordinal yang hanya dapat dibedakan berdasarkan tingkatannya. Dalam
kasus-kasus seperti ini, metode statistik parametrik tidak bisa digunakan.
Sebagai alternatif, para ahli telah mengembangkan metode statistik
nonparametrik yang lebih sesuai.
Metode nonparametrik, juga dikenal sebagai metode bebas sebaran,
tidak mendasarkan model uji statistiknya pada asumsi tertentu tentang
bentuk distribusi parameter populasinya. Ini berarti metode nonparametrik
tidak mengharuskan data diambil dari populasi yang mengikuti distribusi
normal atau memenuhi asumsi homoscedasticity. Namun, mereka tetap
mengasumsikan bahwa observasi-observasi adalah independen dan bahwa
variabel yang diteliti memiliki kontinuitas.

5
 Meskipun metode nonparametrik sering disebut sebagai "uji ranking"
karena bisa digunakan untuk data berurutan atau berperingkat, perlu dicatat
bahwa pilihan metode ini tidak tanpa batasan. Meskipun demikian, hasil
dari metode nonparametrik seringkali cukup baik dan tidak jauh berbeda
dengan metode parametrik.
Penting untuk diingat bahwa meskipun metode nonparametrik
memiliki asumsi yang lebih lemah daripada metode parametrik, ini tidak
berarti bahwa mereka bebas dari asumsi sama sekali. Keputusan terkait
pemilihan metode harus didasarkan pada apakah asumsi yang digunakan
dapat diterima secara sah.

I.2 Permasalahan
Kami ingin mengetahui data statistik dari statistika nonparametrik,
pengujian Kolmogorov smirnov, uji tanda, uji dwi sample wilcoxon, uji
runtun, dan uji kruskal wallis.

I.3 Batasan dan Asumsi

Statistika nonparametrik menawarkan alternatif yang lebih fleksibel
dalam analisis data, terutama ketika data tidak memenuhi asumsi distribusi
tertentu yang diperlukan oleh statistika parametrik. Namun, terdapat batasan
dan asumsi yang perlu dipertimbangkan. Secara khusus, statistika
nonparametrik kurang sensitif terhadap distribusi data yang tidak normal
dan mungkin memiliki keterbatasan pada analisis multivariat. Meskipun
begitu, teknik nonparametrik sering memerlukan asumsi tentang
independensi dan identik distribusi (iid) dalam sampel data, serta skala
pengukuran yang cukup rendah. Meskipun demikian, beberapa teknik
nonparametrik juga memerlukan ukuran sampel yang cukup besar untuk
hasil yang dapat diandalkan. Dengan memahami batasan dan asumsi ini,
peneliti dapat memilih dan menerapkan teknik nonparametrik yang sesuai
dengan data yang diamati, meningkatkan keandalan dan validitas hasil
analisis.

6
I.4 Tujuan
Seperti yang telah dirumuskan dalam permasalahan, penulisan ini
bertujuan menganalisa data statistik, pengujian Kolmogorov smirnov, uji
tanda, uji dwi sample wilcoxon, uji runtun, dan uji kruskal wallis.

I.5 Manfaat
Statistika nonparametrik memberikan beragam manfaat yang penting
dalam analisis data, khususnya saat data tidak memenuhi asumsi distribusi
normal atau memiliki skala pengukuran yang rendah. Berikut adalah
beberapa manfaat utama dari penggunaan statistika nonparametrik:
1. Fleksibilitas dalam Penggunaan Data Kategorikal atau Ordinal Statistika
nonparametrik dapat dengan mudah menangani data kategori atau
ordinal yang umumnya sulit untuk dianalisis menggunakan metode
parametrik. Ini memungkinkan peneliti untuk memanfaatkan data yang
lebih kompleks dan bervariasi dalam analisis mereka.
2. Tidak Bergantung pada Asumsi Distribusi Data
Salah satu keunggulan utama dari statistika nonparametrik adalah tidak
adanya asumsi tentang distribusi data. Hal ini memungkinkan analisis
yang lebih luas tanpa keterbatasan distribusi tertentu, seperti distribusi
normal, yang sering diperlukan dalam statistika parametrik.
3. Tidak Bergantung pada Ukuran Sampel yang Besar
Beberapa teknik nonparametrik dapat digunakan dengan baik bahkan
dengan ukuran sampel yang kecil. Hal ini memungkinkan analisis yang
lebih efisien dan hemat biaya, terutama dalam situasi di mana
pengumpulan data membutuhkan sumber daya yang terbatas.

7
 BAB II
TINJAUAN PUSTAKA

II.1 Statistika Parametrik

Statistika adalah ilmu yang membantu kita mengambil keputusan dan
menarik kesimpulan dalam presentasi.pentingnya variabilitas (Montgomery
& Runger, 2011). Secara garis besar metode statistik terbagi menjadi 2,
yaitu statistik deskriptif dan statistik inferensial. Statistik deskriptif
merupakan metode statistik yang berfokus pada penggambaran hasil data
yang telah terkumpul, tanpa ada tujuan untuk
menyimpulkan/mengeneralisasi. Sedangkan statistik inferensial terdapat
proses pengambilan kesimpulan dari data sampel yang terkumpul menjadi
lebih umum untuk sebuah populasi.
Statistika nonparametrik adalah cabang dari analisis statistik yang
tidak bergantung pada asumsi tentang bentuk atau parameter dari distribusi
populasi. Ini berbeda dengan statistika parametrik yang sering
mengasumsikan distribusi data tertentu, seperti distribusi normal. Dalam
statistika nonparametrik, pendekatan yang lebih umum digunakan untuk
menguji hipotesis, membuat estimasi, dan mengevaluasi hubungan antar
variabel.
Salah satu keunggulan utama dari statistika nonparametrik adalah
fleksibilitasnya dalam menangani berbagai jenis data, terutama data yang
tidak memenuhi asumsi distribusi normal atau memiliki skala pengukuran
yang rendah. Ini termasuk data kategorikal, ordinal, atau bahkan data
interval yang tidak terdistribusi secara normal. Dalam situasi di mana data
berada di luar kriteria asumsi distribusi parametrik, statistika nonparametrik
menjadi pilihan yang lebih tepat.
Pendekatan nonparametrik juga sering kali lebih sederhana dan mudah
dipahami dibandingkan dengan metode parametrik yang kompleks. Ini
membuatnya lebih mudah diterapkan oleh peneliti yang mungkin tidak

8
 memiliki latar belakang statistik yang kuat. Selain itu, statistika
nonparametrik sering kali lebih toleran terhadap pelanggaran asumsi, seperti
ketidaknormalan distribusi atau varian yang tidak homogen, yang seringkali
merupakan tantangan dalam statistika parametrik.
Salah satu konsep utama dalam statistika nonparametrik adalah bahwa
teknik ini tidak memerlukan estimasi parameter populasi seperti rata-rata
atau varians. Sebaliknya, fokusnya lebih pada perbandingan peringkat atau
posisi data, pengujian hipotesis berdasarkan distribusi peringkat, dan
perhitungan statistik yang didasarkan pada proporsi atau frekuensi observasi
dalam sampel.
Metode nonparametrik sering kali digunakan dalam berbagai bidang
penelitian, termasuk ilmu sosial, kedokteran, psikologi, ekonomi, dan
lainnya. Ini dapat digunakan untuk menguji perbedaan antara kelompok,
mengevaluasi hubungan antara variabel, atau membuat estimasi parameter
populasi. Aplikasi yang luas dari statistika nonparametrik memungkinkan
peneliti dari berbagai disiplin untuk memanfaatkan teknik analisis yang
efektif tanpa harus terbatas oleh asumsi-asumsi distribusi yang khas dari
statistika parametrik.
Dalam konteks praktis, pemilihan antara statistika parametrik dan
nonparametrik sering kali didasarkan pada asumsi tentang distribusi data,
skala pengukuran, dan tujuan analisis. Statistika nonparametrik sering kali
menjadi pilihan yang baik dalam situasi di mana data tidak memenuhi
asumsi-asumsi distribusi parametrik atau ketika pendekatan yang lebih
sederhana dan lebih fleksibel diinginkan. Dengan memahami prinsip-prinsip
dasar dan kelebihan statistika nonparametrik, peneliti dapat membuat
keputusan yang tepat dalam memilih teknik analisis yang sesuai dengan data
mereka.

II.2 Uji Kormogolov Smirnov

Uji Kolmogorov-Smirnov adalah metode yang umum digunakan
dalam statistika nonparametrik untuk membandingkan distribusi dua sampel
data. Langkah-langkahnya dimulai dengan menetapkan hipotesis nol dan

9
 alternatif, di mana hipotesis nol menyatakan bahwa kedua sampel berasal
dari populasi yang sama, sementara hipotesis alternatif menyatakan
sebaliknya.
Selanjutnya, dilakukan pengurutan kedua sampel data secara terpisah
dan dihitung perbedaan antara fungsi distribusi kumulatif empiris (ECDF)
dari kedua sampel. Nilai maksimum dari perbedaan ini disebut sebagai
statistik uji Kolmogorov-Smirnov (D).
Selanjutnya, dengan menetapkan nilai ambang yang sesuai, biasanya
0,05 atau 0,01, hasil uji dibandingkan dengan nilai kritis yang sesuai untuk
menentukan apakah hipotesis nol dapat ditolak. Jika nilai D yang dihitung
lebih besar dari nilai kritis, maka hipotesis nol ditolak, menunjukkan bahwa
kedua sampel memiliki distribusi yang berbeda secara signifikan. Namun,
jika nilai D lebih kecil dari nilai kritis, maka tidak ada cukup bukti untuk
menolak hipotesis nol, yang menyiratkan bahwa kedua sampel
didistribusikan secara serupa. Uji ini berguna terutama ketika data tidak
terdistribusi normal dan tidak memerlukan asumsi tentang parameter
populasi, sehingga sering digunakan dalam berbagai bidang analisis data.

II.3 Uji Sign Test

Uji sign test adalah metode statistik nonparametrik yang digunakan
untuk menentukan apakah terdapat perbedaan yang signifikan antara dua
kondisi atau perlakuan pada sampel data yang berpasangan. Teknik ini
cocok digunakan ketika data tidak memenuhi asumsi distribusi normal atau
jika data hanya tersedia dalam bentuk perbandingan biner (misalnya,
sukses/gagal, ya/tidak).
Langkah-langkahnya dimulai dengan merumuskan hipotesis nol
yang menyatakan bahwa tidak ada perbedaan antara dua kondisi atau
perlakuan, dan hipotesis alternatif yang menyatakan sebaliknya. Selanjutnya,
dilakukan perhitungan jumlah kejadian di mana terjadi perubahan arah (dari
negatif ke positif atau sebaliknya) antara dua kondisi. Nilai p yang dihitung
dari uji sign test kemudian dibandingkan dengan tingkat signifikansi yang

10
 telah ditetapkan.
Jika nilai p lebih kecil dari tingkat signifikansi yang dipilih, maka
hipotesis nol ditolak, menunjukkan adanya perbedaan yang signifikan antara
dua kondisi atau perlakuan. Namun, jika nilai p lebih besar dari tingkat
signifikansi, maka tidak ada cukup bukti untuk menolak hipotesis nol, yang
menyiratkan bahwa tidak ada perbedaan yang signifikan antara kedua
kondisi atau perlakuan. Uji sign test sering digunakan dalam berbagai
bidang, termasuk kedokteran, psikologi, dan ilmu sosial, karena sifatnya
yang sederhana dan kemampuannya untuk menangani data yang tidak
terdistribusi normal.

II.4 Uji Wilcoxon

Uji Wilcoxon, juga dikenal sebagai uji tanda berpasangan
Wilcoxon atau uji tanda rang, adalah salah satu teknik statistik
nonparametrik yang digunakan untuk menentukan apakah terdapat
perbedaan yang signifikan antara dua kondisi atau perlakuan pada sampel
data yang berpasangan. Metode ini cocok digunakan ketika data tidak
memenuhi asumsi distribusi normal atau jika data hanya tersedia dalam
bentuk perbandingan ordinal atau interval.
Langkah-langkah dalam uji Wilcoxon dimulai dengan menyusun
hipotesis nol yang menyatakan bahwa tidak ada perbedaan antara dua
kondisi atau perlakuan, serta hipotesis alternatif yang menyatakan
sebaliknya. Selanjutnya, dilakukan perhitungan perbedaan antara pasangan
data, kemudian nilai mutlak dari perbedaan ini diurutkan dari yang terkecil
hingga terbesar. Hasil dari perhitungan ini kemudian digunakan untuk
menghitung statistik uji Wilcoxon.
Nilai p yang dihitung dari uji ini kemudian dibandingkan dengan
tingkat signifikansi yang telah ditetapkan. Jika nilai p lebih kecil dari tingkat
signifikansi yang dipilih, maka hipotesis nol ditolak, menunjukkan adanya
perbedaan yang signifikan antara dua kondisi atau perlakuan. Namun, jika
nilai p lebih besar dari tingkat signifikansi, maka tidak ada cukup bukti
untuk menolak hipotesis nol, yang menyiratkan bahwa tidak ada perbedaan

11
 yang signifikan antara kedua kondisi atau perlakuan.
Uji Wilcoxon sering digunakan dalam penelitian ilmu sosial,
kedokteran, dan psikologi untuk menganalisis data yang tidak memenuhi
asumsi distribusi normal atau data ordinal.
II.5 Uji Runtun
Uji runtun, juga dikenal sebagai uji serangkaian atau uji runs,
adalah teknik dalam statistika nonparametrik yang digunakan untuk menguji
apakah data yang disusun dalam urutan memiliki pola atau pengelompokan
yang signifikan. Metode ini sering digunakan untuk menguji apakah suatu
rangkaian data bersifat acak atau memiliki pola tertentu.
Langkah-langkah dalam uji runtun dimulai dengan menyusun data
secara terurut dan mengidentifikasi "run" atau urutan pengamatan yang sama
atau berurutan. Setelah itu, dihitung jumlah run dalam data yang diamati.
Selanjutnya, nilai yang diharapkan dari jumlah run dihitung berdasarkan
ukuran sampel dan distribusi binomial. Statistik uji runtun kemudian
dihitung berdasarkan perbedaan antara jumlah run yang diamati dan yang
diharapkan. Nilai p yang dihitung dari uji ini kemudian dibandingkan
dengan tingkat signifikansi yang telah ditetapkan.
Jika nilai p lebih kecil dari tingkat signifikansi yang dipilih, maka
hipotesis nol ditolak, menunjukkan adanya pola atau pengelompokan yang
signifikan dalam data. Namun, jika nilai p lebih besar dari tingkat
signifikansi, maka tidak ada cukup bukti untuk menolak hipotesis nol, yang
menunjukkan bahwa data tidak menunjukkan pola yang signifikan.
Uji runtun sering digunakan dalam berbagai bidang, termasuk ilmu
sosial, ekonomi, dan ilmu lingkungan, untuk mengidentifikasi pola atau
struktur dalam data yang disusun secara urut.
II.6 Uji Kruskal Wallis
Uji Kruskal-Wallis adalah teknik statistik nonparametrik yang
digunakan untuk menguji perbedaan signifikan antara tiga atau lebih
kelompok independen dari data ordinal atau interval. Metode ini mirip
dengan analisis varians (ANOVA) namun lebih sesuai untuk data yang tidak
memenuhi asumsi normalitas atau homogenitas varians.

12
 Langkah-langkah dalam uji Kruskal-Wallis dimulai dengan
menyusun data ke dalam kelompok-kelompok yang sesuai dengan variabel
yang diteliti. Selanjutnya, peringkat diberikan pada setiap nilai dalam setiap
kelompok, kemudian dihitung nilai total peringkat untuk setiap kelompok.
Statistik uji Kruskal-Wallis kemudian dihitung berdasarkan perbedaan
antara nilai rata-rata peringkat dari setiap kelompok. Nilai p yang dihitung
dari uji ini kemudian dibandingkan dengan tingkat signifikansi yang telah
ditetapkan. Jika nilai p lebih kecil dari tingkat signifikansi yang dipilih,
maka hipotesis nol ditolak, menunjukkan bahwa terdapat perbedaan yang
signifikan antara setidaknya satu pasang kelompok.
Namun, jika nilai p lebih besar dari tingkat signifikansi, maka tidak
ada cukup bukti untuk menolak hipotesis nol, yang menyiratkan bahwa tidak
ada perbedaan yang signifikan antara kelompok-kelompok yang diuji. Uji
Kruskal-Wallis sering digunakan dalam penelitian ilmu sosial, kedokteran,
dan lingkungan untuk membandingkan distribusi data di antara beberapa
kelompok yang independen secara statistik.

13
 BAB III
PENGUMPULAN & PENGOLAHAN DATA

III.1 Studi Kasus

Perusahaan XYZ ingin mengevaluasi dampak kenaikan gaji terhadap
mutu karyawan. Kenaikan gaji merupakan salah satu kebijakan yang
diharapkan dapat meningkatkan motivasi dan kinerja karyawan. Oleh karena
itu, perusahaan tertarik untuk mengetahui apakah terdapat perbedaan
signifikan dalam nilai mutu karyawan sebelum dan sesudah
diberlakukannya kenaikan gaji. Berikut adalah data mutu 15 karyawan
sebelum dan sesudah kenaikan gaji:
Tabel 3. 1 Nilai Mutu Karyawan Pada Perusahaan XYZ

Nama Nilai Mutu

Karyawa Sebelum Sesudah
n kenaikan Gaji kenaikan Gaji
Ahmad 68 69
Budi 73 70
Cindy 76 72
Dian 70 77
Eka 73 78
Fajar 70 67
Gina 95 90
Hendra 75 79
Indra 80 90
Joko 94 95
Kiki 79 95
Lina 77 78
Mira 71 72
Nita 91 88
Oka 76 72
Putra 70 77
Rina 73 78
Sumber:

14
1. Uji Kolmogorov Smirnov
Kami melakukan pemeriksaan uji Kolmogorov Smirnov untuk
mengetahui apakah sebuah data terdistribusi secara normal. Berikut
merupakan hasil uji Kolmogorov Smirnov menggunakan software
minitab:
a. Data sebelum kenaikan gaji

Diketahui nilai P-value sebelum kenaikan gaji sebesar 0,045

(kurang dari 0,05), maka bisa disimpulan bahwa data tidak berdistribusi
secara normal atau asumsi uji normalitas data tidak terpenuhi.

b. Data setelah Kenaikan gaji

15
 Diketahui nilai P-value sesudah kenaikan gaji sebesar 0,010
(kurang dari 0,05), maka bisa disimpulan bahwa data tidak berdistribusi
secara normal atau asumsi uji normalitas data tidak terpenuhi.

2. Uji Sign Test

Kami melakukan pemeriksaan uji Sign Test untuk mengetahui .
Berikut merupakan hasil uji Sign Test menggunakan software minitab:
1. Uji Hipotesa
H0 : Tidak ada peningkatan mutu kerja setelah kenaikan gaji
H1 : Ada peningkatan mutu kerja setelah kenaikan gaji
Taraf nyata uji : 0,05
Kriteria pengujian : (pengujian satu sisi)
H0 diterima Jika 0,05 ≤ probabilitas hasil sampel
H1 diterima Jika 0,05 > probabilitas hasil sampel
2. Hasil Pengolahan Data Menggunakan Software
a. Statistik Deskriptif
Sample N Median
Data Wilcoxon 17 -1

b. Data Uji Sign Test

Null hypothesis H₀: η = 0
Alternative hypothesis H₁: η ≠ 0
Sample N<0 N=0 N>0 P-Value
Data Wilcoxon 6 0 11 0,332

3. Uji Wilcoxon
1. Uji Hipotesa
H0 : Tidak ada perubahan mutu kerja setelah kenaikan gaji
H1 : Ada peningkatan mutu kerja setelah kenaikan gaji
• Taraf nyata uji : 0,05
• Kriteria pengujian : (pengujian dua arah)

16
 • H0 : Diterima jika T > T0
• H1 : Diterima jika T < T0

2. Pengolahan Data menggunakan software

Kami melakukan uji Wilcoxon-(sign rank test) menggunakan
software Minitab. Berikut adalah hasil pengolahan datanya:
a. Data Wilxocon (selisih sebelum dan sesudah)
Nilai Mutu
Nama
Selisih
Karyawa Sebelum Sesudah
Sebelum dan
n Kenaikan Gaji Kenaikan gaji
Sesudah
Ahmad 81 82 -1
Budi 91 88 3
Cindy 86 82 4
Dian 80 87 -7
Eka 83 88 -5
Fajar 80 77 3
Gina 82 85 5
Hendra 75 85 -4
Indra 80 90 -10
Joko 53 60 -1
Kiki 55 65 -16
Lina 50 63 -1
Mira 81 82 -1
Nita 91 88 3
Oka 86 82 4
Putra 80 87 -7
Rina 83 88 -5

b. Statistika Deskriptif
Sample N Median
Data wilcoxon 17 -1,5
Null hypothesis H₀: η = 0
c.
Alternative hypothesis H₁: η ≠ 0
Sample N for Test Wilcoxon Statistic P-Value
Data wilcoxon 17 48,00 0,185
Data Uji Wilcoxon

17
4. Uji Runtun/Run Test
1. Uji Hipotesa
H0 : Sampel data gaji merupakan sampel acak
H1 : Sampel data gaji bukan merupakan sampel acak
• Taraf nyata uji : 0,05
• Kriteria pengujian : (pengujian dua arah)
• H0 : Diterima jika T < Asymp Sig
• H1 : Diterima jika T > Asymp Sig
2. Pengolahan Data menggunakan software
Kami melakukan uji Run Test menggunakan software SPSS.
Berikut adalah hasil pengolahan datanya:

Runs Test
pre test post tsst
a
Test Value 79 81
Cases < Test Value 15 15
Cases >= Test 15 15
Value
Total Cases 30 30
Number of Runs 18 18
Z .557 .557
Asymp. Sig. (2- .577 .577
tailed)

5.

18
 BAB IV
ANALISA

IV.1 Uji Kolmogorov Smirnov

1. Data Hasil Uji

Data Mean StDev K KS P-value

Sebelum
Kenaikan 77.2 8.440 17 0.211 0.045
Gaji
Setelah
Kenaikan 79.24 9.073 17 0.216 0.040
Gaji

2. Interpretasi
Hasil uji Kolmogorov-Smirnov (KS) memberikan informasi
tentang sejauh mana distribusi data yang diamati cocok dengan
distribusi yang diharapkan (dalam kasus ini, distribusi normal). Pada
kedua kelompok data (sebelum dan setelah kenaikan gaji), kita
memiliki nilai KS dan p-value yang sesuai:
a. Nilai KS yang lebih kecil menunjukkan bahwa distribusi data
memiliki kesesuaian yang lebih baik dengan distribusi yang
diharapkan (distribusi normal) di kedua kelompok data.
b. P-value yang diperoleh dari kedua uji Kolmogorov-Smirnov adalah
di bawah taraf signifikansi yang telah ditetapkan (0.05). Hal ini
mengindikasikan bahwa kita memiliki cukup bukti untuk menolak
hipotesis nol (H₀) yang menyatakan bahwa distribusi data sama
dengan distribusi yang diharapkan.

IV.2 Uji Sign Test

1. Statistika Deskriptif
a. Jumlah sampel (N): 17
b. Median dari data Sign Test adalah 1.

19
 2. Hasil Uji Sign Test:
a. Jumlah sampel yang memiliki perbedaan positif, N > 0
(peningkatan mutu kerja setelah kenaikan gaji) adalah 11
b. Jumlah sampel yang memiliki perbedaan negatif N < 0(penurunan
mutu kerja setelah kenaikan gaji) adalah 6.
c. Tidak ada sampel yang memiliki perbedaan nol N = 0.
d. P-value yang dihasilkan adalah 0.332.

3. Interpretasi
a. P-value (0.332) lebih besar dari taraf signifikansi yang telah
ditetapkan (0.05). Oleh karena itu, tidak cukup bukti statistik untuk
menolak hipotesis nol (H₀), yang menyatakan bahwa tidak ada
peningkatan mutu kerja setelah kenaikan gaji.
b. Meskipun terdapat lebih banyak kasus di mana nilai mutu karyawan
meningkat setelah kenaikan gaji (11 kasus) dibandingkan yang
mengalami penurunan (6 kasus), perbedaannya tidak signifikan
secara statistik.
IV.3 Uji Wilcoxon
1. Statistika Deskriptif:
a. Jumlah sampel (N) adalah 17.
b. Median dari data Wilcoxon adalah -1.5. Median ini mengindikasikan
bahwa nilai median dari perbedaan antara nilai mutu setelah dan
sebelum kenaikan gaji adalah -1.5.
2. Hasil Uji Wilcoxon:
a. Nilai Wilcoxon Statistic adalah 48.00.
b. P-value yang dihasilkan adalah 0.185.
3. Interpretasi:
a. P-value yang diperoleh (0.185) lebih besar dari taraf signifikansi
(0.05). Hal ini menunjukkan bahwa tidak cukup bukti statistik untuk
menolak hipotesis nol (H₀), yang menyatakan bahwa tidak ada
peningkatan mutu kerja setelah kenaikan gaji.
b. Nilai median yang negatif (-1.5) menunjukkan adanya

20
 kecenderungan bahwa rata-rata nilai mutu karyawan cenderung turun
setelah kenaikan gaji, meskipun perbedaannya tidak signifikan
secara statistik.
IV.4 Uji Run Test
1. Data Hasil Uji
Runs Test
pre test post tsst
a
Test Value 79 81
Cases < Test Value 15 15
Cases >= Test 15 15
Value
Total Cases 30 30
Number of Runs 18 18
Z .557 .557
Asymp. Sig. (2- .577 .577
tailed)

2. Interpretasi
Hasil uji Run Test memberikan informasi tentang data yang
diamati bersifat acak ataupun tidak. Dengan cara melakukan uji Run
Test pada data kenaikan gaji karyawan.
Setelaf dilakukannya uji Run Test didapatkan nilai Asymp Sig
sebesar 0,577 yang dimana nilai ini melebihi nilai taraf uji sebesar 0,05
yang berarti kami menerima H0 : Sampel data gaji merupakan sampel
acak.

21
 BAB V
PENUTUP

V.1 Kesimpulan
Dari beberapa uji yang dilakukan terdapat beberapa poin penting yang perlu
diinterpretasikan:
1. Berdasarkan hasil Analisa uji Kormogolov Smirnov, dapat disimpulkan
bahwa distribusi data dalam kedua kelompok (sebelum dan setelah
kenaikan gaji) tidak dapat dianggap berasal dari distribusi normal.
2. Berdasarkan hasil Analisa uji Sign test, Kesimpulan dari hasil ini adalah
bahwa kenaikan gaji belum tentu secara signifikan meningkatkan mutu
kerja karyawan, setidaknya berdasarkan analisis sign test dari data yang
diberikan. Oleh karena itu, hipotesis nol (H₀) diterima, yang berarti
tidak ada peningkatan mutu kerja yang dapat diamati secara signifikan
setelah kenaikan gaji. Hal ini menunjukkan perlunya evaluasi lebih
lanjut atau pengamatan lebih lanjut terhadap faktor-faktor lain yang
mungkin memengaruhi mutu kerja karyawan.
3. Berdasarkan hasil uji Wilcoxon dan interpretasi di atas, kita tidak
memiliki cukup bukti untuk menyatakan bahwa kenaikan gaji telah
berdampak signifikan terhadap peningkatan mutu kerja karyawan.
Meskipun demikian, perlu diingat bahwa hasil ini dapat dipengaruhi
oleh berbagai faktor lain di luar variabel yang diamati dalam penelitian
ini. Sehingga, perlu dilakukan analisis lebih lanjut atau penelitian yang
lebih komprehensif untuk mendapatkan pemahaman yang lebih
mendalam tentang faktor-faktor yang memengaruhi mutu kerja
karyawan.
4. Berdasarkan hasil interpretasi uji Run Test dengan nilai Asymp Sig
sebesar 0,577 yang lebih besar dari nilai taraf uji sebesar 0,05, maka
kesimpulan yang dapat diambil adalah: Kami gagal untuk menolak
hipotesis nol (H0). Artinya, tidak ada cukup bukti untuk menyimpulkan

22
 bahwa data kenaikan gaji karyawan tidak acak. Dalam konteks ini, kita
menerima bahwa sampel data gaji merupakan sampel acak. Ini berarti
bahwa pola kenaikan gaji karyawan dalam data yang diamati tidak
menunjukkan kecenderungan atau pola yang signifikan secara statistik.

V.2 Saran
Dalam bab ini, kami menyarankan beberapa langkah yang dapat
diambil untuk mengoptimalkan penggunaan statistika parametrik dalam
analisis data dan penelitian di masa depan. Berikut adalah saran-saran yang
kami ajukan:
1. Memperhatikan Asumsi-asumsi Statistik Parametrik
Penting untuk memahami dan memeriksa asumsi-asumsi yang
terkait dengan teknik statistik parametrik yang digunakan, seperti
distribusi normalitas, homogenitas varians, dan independensi observasi.
Penelitian lebih lanjut dapat dilakukan untuk mempelajari cara-cara
untuk menangani pelanggaran asumsi ini atau untuk memilih teknik
statistik alternatif jika asumsi tidak terpenuhi.
2. Memperluas Pemahaman tentang Teknik Parametrik
Disarankan untuk terus memperluas pengetahuan tentang teknik
statistik parametrik yang tersedia, termasuk memahami kapan dan
bagaimana menerapkan setiap teknik dengan benar. Hal ini dapat
dilakukan melalui literatur ilmiah, kursus pelatihan, atau konsultasi
dengan ahli statistik.
3. Memperhatikan Ukuran Sampel
Ukuran sampel yang memadai adalah kunci dalam statistika
parametrik. Penelitian lebih lanjut dapat dilakukan untuk memahami
bagaimana menentukan ukuran sampel yang cukup untuk analisis
statistik yang diinginkan dan bagaimana mengurangi risiko kesalahan
akibat ukuran sampel yang kecil.
4. Pemilihan Teknik Statistik yang Sesuai
Penting untuk memilih teknik statistik yang sesuai dengan tujuan
penelitian dan jenis data yang diamati. Misalnya, jika kita ingin

23
 membandingkan rata-rata antara dua kelompok data, uji-t independen
dapat menjadi pilihan yang tepat, sementara jika kita ingin
membandingkan rata-rata antara tiga atau lebih kelompok data, ANOVA
dapat lebih sesuai.

5. Penerapan Validasi dan Reproduksibilitas

Menggunakan validasi silang dan metode pengujian ulang adalah
langkah-langkah penting dalam memastikan keandalan hasil analisis
statistik parametrik. Menyediakan detail yang memadai tentang metode
analisis yang digunakan akan membantu dalam reproduksi hasil oleh
peneliti lain.
6. Konsultasi dengan Ahli Statistik
Terutama bagi mereka yang tidak memiliki latar belakang statistik yang
kuat, konsultasi dengan ahli statistik dapat menjadi langkah yang
bijaksana dalam merancang, menerapkan, dan menafsirkan analisis data
menggunakan teknik statistik parametrik.

24
 DAFTAR PUSTAKA

Montgomery & Runger, 2011. Applied Statistics and Probability for engineers.
Fifth ed. s.l.:John Wiley & Sons, Inc..
Thoifah, 2015. Statitiska Pendidikan dan Metode Penelitian Kuantitatif. Malang:
Malang, Mandani.

25