KONSEP UJI PARAMETRIK

DAN
NONPARAMETRIK

Oleh: DYAHSIH ALIN SHOLIHAH, M.Pd.

 UJI PARAMETRIK
o Uji parametrik merupakan ilmu statistika yang mempertimbangkan
jenis sebaran/distribusi data, yaitu apakah data menyebar normal atau
tidak
Contoh:
Di bidang kesehatan banyak variabel yang berdistribusi normal, seperti
berat badan dan tinggi badan

o Dengan kata lain, uji parametrik merupakan suatu uji yang modelnya
menetapkan adanya syarat-syarat tertentu (asumsi-asumsi) dari sebaran
(distribusi) data populasinya

o Uji parametrik banyak digunakan untuk menganalisis data interval dan

rasio

o Biasanya datanya besar yaitu > 30

o Uji parametrik ada tiga syarat (asusmsi) yang perlu diperhatikan, yaitu
skala pengukuran variabel, distribusi data, dan varians data
 UJI PARAMETRIK
o Asumsi uji parametrik
Pada uji paramerik, pengujian hipotesis dan pengambilan keputusan
dipengaruhi oleh beberapa asumsi, yang jika tidak terpenuhi maka
validitas hasil penelitian diragukan.
Asumsi tersebut adalah
1. Masalah skala variabel
Skala pengukuran variabel harus variabel numerik
2. Distribusi data
Distribusi data harus normal
3. Varians data
a. Kesamaan varians tidak menjadi syarat untuk uji kelompok yang
berpasangan
b. Kesaman varians adalah syarat tidak multak untuk 2 kelompok tidak
berpasangan, artinya varians data boleh sama boleh juga berbeda
c. Kesamaan varians adalah syarat multak untuk > 2 kelompok tidak
berpsangan artinya varians data harus atau wajib sama
 UJI PARAMETRIK

o Keunggulan uji parametrik

1. Syarat-syarat parameter dari suatu populasi yang menjadi sampel
biasanya tidak diuji dan dianggap memenuhi syarat, pengukuran
terhadap data dilakukan dengan kuat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang
berdistribusi normal serta memiliki varian yang homogen.

o Kelemahan uji parametik

1. Populasi harus memiliki varian yang sama.
2. Variabel-variabel yang diteliti harus dapat diukur setidaknya
dalam skala interval.
3. Dalam analisis varian ditambahkan persyaratan rata-rata dari
populasi harus normal dan bervarian sama, dan harus merupakan
kombinasi linear dari efek-efek yang ditimbulkan.
 UJI NONPARAMETRIK
o Uji nonparametrik
• Cabang ilmu statistik yang mempelajari prosedur-prosedur
inferensial yang tidak bergantung kepada asumsi-asumsi yang
kaku tapi cukup pada asumsi yang umum.
• Asumsi-asumsi yang kaku, misal: syarat kenormalan suatu data,
varians yang sama.

o Pengertian lain uji nonparametrik yaitu, statistika bebas sebaran

(tidak mensyaratkan bentuk sebaran parameter populasi, baik
normal atau tidak)
Contoh:
Lamanya sakit

o Oleh karena itu uji nonparametrik disebut juga uji bebas sebaran
(distribution free).

o Uji nonparametrik tetap merupakan uji sampel, artinya masuk dalam

statistika inferensial, yang penggambilan sampelnya harus random.
 UJI NONPARAMETRIK

o Uji nonparametrik didasarkan pada asumsi:

Hampir tidak mengasumsikan persyaratan apapun kecuali
distribusinya kontinyu

o Ciri-ciri uji nonparametrik:

 Data tidak berdistribusi normal
 Umumnya data berskala ordinal dan nominal
 Umunya dilakukan pada penelitian sosial
 Umumnya jumlah sampel kecil
 UJI NONPARAMETRIK

o Uji nonparametrik digunakan untuk keadaan sebagai berikut:

1. Jika masalah skala pengukuran variabel adalah kategorik (ordinal
dan nominal).
2. Jika data dengan masalah skala pengukuran numerik (interval dan
rasio) tetapi tidak memenuhi syarat untuk uji parametrik
(misalnya distribusi data tidak normal), maka dilakukan uji
nonparametrik, yang merupakan alternatif dari uji parametriknya.
Contoh:
 Alternatif uji t berpasangan adalah uji Wilcoson
 Alternatif uji t tidak berpasangan adalah uji Mann-Whitney
 Alternatif uji repeated ANOVA adalah uji Friedman
 Alternatif uji one-way ANOVA adalah uji Kruskal-Wallis
(Untuk lenih jelasnya, perhatikan tanda panah pada tabel
hipotesis berikut)
 UJI NONPARAMETRIK

Beberapa keuntungan yang dapat diperoleh jika kita memilih uji

nonparametrik adalah (Bhisma Murti, 1996):

1. Jika ukuran sampel kita kecil, tidak ada pilihan lain yang lebih baik
daripada menggunakan uji nonparametrik, kecuali jika distribusi
populasi jelas normal.

2. Karena memerlukan sedikit asumsi, umumnya uji nonparametrik

lebih relevan pada situasi-situasi tertentu, sehingga kemungkinan
penerapannya lebih luas. Disamping itu, kemungkinan digunakan
secara salah (karena pelanggaran asumsi) lebih kecil daripada uji
paramerik.

3. Uji nonparamerik dapat digunakan meskipun data diukur dalam skala

ordinal.
 UJI NONPARAMETRIK

Keuntungan uji nonparametrik (lanjutan):

4. Uji nonparametrik dapat digunakan meskipun data diukur dalam skala

nominal (katagorik). Sebaliknya tidak ada uji paramerik yang dapat
diterapkan untuk data nominal.

5. Uji nonparametrik mudah dilakukan meskipun tidak terdapat

komputer (dapat dianalisa secara manual). Analisa data dapat
diselesaikan hanya dengan menggunakan kalkulator tangan. Oleh
karena itu, uji nonparametrik pantas disebut teknologi tepat guna
(appropriate technology) yang masih dibutuhkan di negara-negara
berkembang (dan terbelakang).

6. Pada umumnya para peneliti dengan dasar matematika yang kurang

merasakan bahwa konsep dan uji nonparametrik mudah dipahami.
 UJI NONPARAMETRIK

Kekurangan dari uji nonparametrik antara lain:

1. Fleksibilitas terhadap skala pengukuran variabel kadang-kadang
mendorong peneliti memilih uji nonparametrik, meskipun situasinya
memungkinkan untuk menggunakan uji paramerik. Karena
didasarkan asumsi yang lebih sedikit, uji nonparametrik secara
statistik kurang kuat dibandingkan metode paramerik.
2. Jika asumsi untuk uji paramerik terpenuhi, dengan ukuran sampel
yang sama, uji nonparametrik kurang memiliki kuasa (power)
dibandingkan ujiparamerik.
3. Penyederhanaan data (data reduction) dari skala rasio atau interval ke
dalam ordinal atau nominal merupakan pemborosan (detail)
informasi yang sudah dikumpulkan.
4. Meskipun konsep dan prosedur nonparametrik sederhana, tetapi
pekerjaan hitung-menghitung bisa membutuhkan banyak waktu jika
ukuran sampel yang dianalisis besar.
 PERBEDAAN UJI PARAMETRIK
DAN NON PARAMETRIK
o Uji Parametrik
▣ Menuntut ukuran-ukuran taraf tinggi
▣ Ukuran taraf tinggi atau tingkat tinggi adalah sesuatu yang
menghasilkan ukuran-ukuran yang digunakan untuk menunjukkan
arti penting dari perbedaan yang terjadi.
▣ Misal: ukuran berat (kg)
Perbedaan (0-485 kg) sama dengan perbedaan (485-980 kg)

o Uji Nonparametrik
▣ Terjadi ukuran ordinal (bukan taraf tinggi)
▣ Misal:
Preferensi konsumen atas 5 jenis barang (1, 2, 3, 4, 5)
3 memiliki preferensi > dari 2 tapi perbedannya belum tentu 1
Tingkat eksekutif 4 manager (1, 2, 3, 4)
Pengujian dalam ukuran ordinal dengan cara memberi rank.
Contoh: ukuran berat: 3,4 1,8 5,8
rank : 2 1 3
 JENIS-JENIS STATISTIK PADA UJI PARAMETRIK DAN
NONPARAMETRIK

Pada dasarnya uji parametrik dan nonparametrik dibedakan menjadi dua,

yaitu uji hipotesis komparatif dan korelatif.
• Uji korelatif merupakan uji untuk mengetahui ada dan tidaknya
hubungan estimasi. Dengan kata lain jika peneliti ingin mengetahui
asosiasi dengan parameter korelasi (r).
• Uji komparatif merupakan uji yang digunakan untuk mengetahui
perbandingan atau perbedaan dari kelompok sampel.
 JENIS-JENIS STATISTIK UNTUK UJI PARAMETRIK

Jenis-jenis uji parametrik antara lain:

1. Uji-t
Uji-t digunakan untuk menguji signifikansi dalam satu kelompok sampel
(satu rerata) atau dua kelompok sampel (dua rerata).
Uji-t satu kelompok sampel menggunakan One Sample t-test. Uji-t dua
kelomok sampel dibedakan menjadi dua yaitu independent sample t-test
dan paired t-test.

Independent sample t-test digunakan untuk menghitung dua kelompok

sampel yang tidak saling berpasangan.
Sedangkan paired sample t-test digunakan untuk menghitung dua
kelompok sampel yang saling berpasangan.

2. ANOVA
ANOVA adalah analisis yang digunakan untuk menguji signifikansi
perbedaan dua rerata atau lebih. Jenis-jenis ANOVA antara lain One-Way
ANOVA dan Repeated ANOVA.
 JENIS-JENIS STATISTIK UNTUK UJI PARAMETRIK

Jenis-jenis uji parametrik antara lain: (lanjutan)

3. Regresi
Regresi digunakan untuk mengestimasi atau memprediksi nilai dari suatu
variabel berdasarkan nilai variabel lainnya.
Variabel yang diestimasi itu disebut variabel dependen (variabel terikat)
sedangkan variabel yang diperkirakan memengaruhi variabel dependen
itu disebut variabel independen (variabel bebas).

4. Korelasi
Korelasi digunakan untuk menguji hubungan antar variabel.

5. Analisi Jalur
Analisis jalur digunakan untuk menguji hubungan kausal (sebab akibat)
yang didapatkan melalaui kajian teori yang telah dirumuskan. Analisis
jalur digunakan dalam rangka mempelajari saling ketergantungan antar
variabel.
 JENIS-JENIS STATISTIK UNTUK UJI NONPARAMETRIK

Bentuk Hipotesis

Macam Komparatif Lebih Dari Dua

Mandiri Komparatif Dua Sampel
Data Sampel Asosiatif/
(Satu
Hubungan
Sampel) Berpasang Tidak Berpasang Tidak
an Berpasangan an Berpasangan
Binominal MC Nemar Fixer exact- Cochran Chi-Kuadrat k Koefisien
probability sampel kontingensi
Nominal
Chi- Chi-Kuadrat 2
Kuadrat (1 sampel
sampel)
Sign test Media test Friedman Median- Korelasi-
Two-way extension Spearman-
ANOVA Rank
Mann-Whitney-
Wilcoxon- U-test Kruskal-Wallis
Ordinal Run test
matched Kolmogorov- One-way
pairs Smirnov ANOVA

Run-Wald- Korelasi-
Wolfowitz Kendal Tau
Jika ditulis dalam urutan masing-masing dan kegunaannya dari tabel
tersebut adalah sebagai berikut:

1. Pengujian Hipotesis 1 Sampel (Hipotesis Mandiri)

a. Tes Binomial
b. Chi-Kuadrat
c. Run Test
2. Pengujian Hipotesis Komparatif 2 Sampel Berpasangan
a. Mc Nemar Test
b. Sign Test
c. Wilcoxon Match Pairs test
3. Pengujian Hipotesis Komparatif 2 Sampel Tidak Berpasangan
a. Chi-Kuadrat Dua Sampel
b. Fisher Exact Probability Test
c. Test Median (Median Test)
d. Mann-Whitney U-Test
e. Test Kolmogorov-Smirnov Dua Sampel
f. Test Run Wald-Wolfowitz
Jika ditulis dalam urutan masing-masing dan kegunaannya dari tabel
tersebut adalah sebagai berikut:

4. Pengujian Hipotesis Komparatif k Sampel Berpasangan

a. Test Cochran
b. Test Friedman

5. Pengujian Hipotesis Komparatif k Sampel Tidak Berpasangan

a. Chi-Kuadrat k Sampel
b. Median Extention (Perluasan Median)
c. Analisis Varian Satu Jalan Kruskal-Wallis

6. Pengujian Hipotesis Asosiatif (Hubungan)

a. Koefisien Kontingensi
b. Korelasi Spearman Rank
c. Korelasi Kendal Tau
LANGKAH DALAM MENENTUKAN UJI PARAMETRIK ATAU NONPARAMETRIK
 LANGKAH DALAM MENENTUKAN UJI PARAMETRIK ATAU
NONPARAMETRIK

Keterangan:
 Arti gambar melengkung pertama

menunjukkan upaya yang dilakukan untuk menormalkan sebaran data

dari tidak normal menjadi normal.
Caranya yaitu transformasi data.

 Sedangkan gambar melengkung kedua

menunjukkan upaya yang dilakukan supaya data yang mempunyai

varians berbeda diupayakan untuk mempunyai varians yang sama.
Caranya yaitu transformasi data.

 Transformasi ini bisa dengan menggunakan fungsi-fungsi log, akar,

kuadrat dll.

 Jika setelah transformasi gagal maka 'terpaksa' menggunakan

nonparametrik. Jadi terlihat bahwa begitu spesialnya uji parametrik ini.
 ALUR PEMILIHAN UJI HIPOTESIS

Keterangan:
Tanda panah ke bawah menunjukkan uji alternatif jika syarat uji parametrik tidak
terpenuhi
 Contoh Kasus: Menentukan Jenis Uji
o Kasus 1:
Seorang manager ingin mengetahui tingkat penjualan sales-salesnya
sebelum dilakukan pelatihan, 3 bulan setelah dilakukan pelatihan, dan 1
tahun setelah dilakukan pelatihan. Data dikumpulkan dari 15 orang pegawai
dari divisi penjualan.

Keterangan:
X1 = Sebelum pelatihan
X2 = 3 bulan setekah
X3 = 1 tahun setelah
 Contoh Kasus: Menentukan Jenis Uji
▣ Uji apakah yang mungkin digunakan untuk menjawab kasus tersebut?

Langkah-langkah yang digunakan untuk menjawab kasus tersebut adalah

sebagai berikut.
 Contoh Kasus: Menentukan Jenis Uji

▣ Bagaimana melakukan uji Repeated ANOVA?

Langkahnya adalah sebagai berikut.

1. Memeriksa syarat repeated ANOVA, yaitu distribusi data normal
2. Jika distribusi data normal, maka dipilih uji repeated ANOVA
3. Jika distribusi data tidak normal, maka diupayakan untuk melakukan
transformasi data supaya distribusi data menjadi normal
4. Jika transformasi data tidak menghasilkan distribusi data yang normal,
maka dipilih uji Friedman sebagai alternatif uji repeated ANOVA
5. Jika pada uji repeated ANOVA atau uji Friedman menghasilkan nilai p <
0,05 maka dilanjutkan dengan melakukan analisis Post Hoc.
 Uji Normalitas
dan
Uji Varians (Homogenitas)
 UJI NORMALITAS

Bagaimana mengetahui suatu data mempunyai distribusi normal atau

tidak?

 Untuk mengetahui apakah dua atau lebih kelompok data mempunyai

distribusi normal atau tidak, dapat dicari menggunakan SPSS.
 SPSS memberikan uji ini dengan nama Test of Normality
 Jika nilai test tidak signifikan (p > 0,05), maka hipotesis nol akan diterima,
bahwa kelompok data berdistribusi normal
 Jika nilai test signifikan (p < 0,05), maka hipotesis nol akan ditolak, bahwa
kelompok data tidak berdistribusi normal, hal ini menyalahi asumsi
 Jadi yang dikehendaki adalah tidak dapat menolak hipotesis nol (hipotesis
nol diterima) atau hasil test tidak signifikan (p > 0,05)
 UJI NORMALITAS
Bagaimana mengetahui suatu data memiliki distribusi normal atau tidak?
 Mengetahui set data memiliki distribusi normal atau tidak (mengguankan
SPSS), bisa dilakukan dengan metode deskriptif dan metode analitis.
Kriteria Sebaran Data
Metode Parameter Keterangan
Dikatakan Normal
Koefisien varian Nilai koefisien varians < 30% SD/mean × 100%
Rasio skewness Nilai rasio skewness -2 s/d 2 skewness/SE skewness
Rasio kurtosis Nilai rasio kurtosis -2 s/d 2 kurtosis/SE kurtosis
Histogram Simetris tidak miring kiri maupun
kanan, tidak terlalu tinggi atau
Deskriptif terlalu rendah
Box plot Simetris median tepat ditengah,
tidak ada outlier atau nilai ekstrim
Normal Q-Q plots Data menyebar sekitar garis
Detrended Q-Q Data menyebar sekitar garis pada
plots nilai 0
Kolmogorov- Nilai kemaknaan (p) > 0,05 Untuk sampel besar (> 50)
Analitik Smirnov
Shapiro Wilk Nilai kemaknaan (p) > 0,05 Untuk sampel besar (≤ 50)
 UJI NORMALITAS
Kasus 2:
Anda melakukan penelitian dan sudah mengumpulkan data. Salah satu variabel
yang Anda ukur adalah variabel umur. Di sini, Anda ingin mengetahui apakah
variabel umur responden mempunyai distribusi normal atau tidak. Data yang
diperoleh adalah sebagai berikut.
Respon Umur Respon Umur Respon Umur Respon Umur Respon Umur
den den den den den
1 11 11 17,5 21 11 31 21 41 16
2 12 12 17 22 17,5 32 7 42 15
3 13 13 17 23 12 33 17,5 43 20
4 10 14 16 24 8 34 19,5 44 14
5 14 15 9 25 10 35 18 45 12
6 14 16 16 26 19 36 23 46 12
7 15 17 16 27 19 37 17 47 21
8 15 18 17 28 19 38 10 48 14
9 15 19 24 29 8 39 16 49 13
10 22 20 16 30 20 40 19 50 13
 UJI NORMALITAS

Lanjutan Data Kasus 2:

Respon Umur Respon Umur Respon Umur Respon Umur Respon Umur
den den den den den
51 14 61 17,5 71 11 81 22,5 91 16
52 12 62 17 72 19 82 21 92 15
53 13 63 17 73 12 83 21,5 93 20
54 10 64 14,5 74 19 84 21 94 14
55 14 65 9 75 10 85 18 95 12
56 14 66 15,5 76 19 86 23 96 25
57 15 67 18,5 77 19 87 17 97 21,5
58 15 68 17 78 19 88 12,5 98 14
59 15 69 17 79 20 89 16,5 99 13
60 15 70 18,5 80 20 90 19 100 13
Penyelesaian Kasus 2: (Bagaimana mengetahui suatu data mempunyai distribusi
normal atau tidak dengan menggunakan SPSS)

Lakukan prosedur sebagai berikut:

 Bukalah file SPSS
 Isilah bagian Variabel View
 Isilah bagian Data View
 Langkah selanjutnya Uji Normalitas:

 Analyze  Descriptive Statistics  Explore

 Masukkan variabel umur-responden ke dalam Dependent List

 Langkah selanjutnya Uji Normalitas:

Akan terlihat tampilan sebagai berikut:

 Pilih Both pada Display
 Biarkan kotak Statistics sesuai default SPSS. Pilihan ini akan memberikan output
deskripsi variabel
 Aktifkan kotak Plots, aktifkan Factor levels together pada Boxplots (untuk
menampilkan boxplot), aktifkan Histogram pada Descriptive (untuk menampilkan
Histogram), dan Normality plot with test (untuk menampilkan plot dan uji
normalitas. Akan terlihat tampilan sebagai berikut:

 Proses telah selesai, klik Continue, klik OK.

 Diperoleh Output Uji Normalitas sebagai berikut:
1. Menilai Distribusi Secara Deskriptif (menghitung dan melihat)

a. Menghitung koefisien varians

koefisien varians = (standar deviasi/mean) × 100%
= (3,87885/15,9) × 100% = 24,3953%
b. Menghitung rasio skewness
rasio skewness = skewness/standar error of skewness
= -0,041/0,241 = -0,1701
c. Menghitung rasio kurtosis
rasio kurtosis = kurtosis/standar error of kurtosis
= -0,459/0,478 = -0,9602
d. Melihat Histogram
Pada output diperoleh histogram sebagai berikut

Berdasarkan grafik histogram di atas, tampak bahwa distribusi data membentuk

kurva normal
e. Melihat Q-Q Plot
Secara teoritis, suatu set data dikatakan mempunyai distribusi normal jika data
tersebut di sekitar garis. Dari output SPSS diperoleh Q-Q plot sebagai berikut.

Terlihat bahwa plot-plot mengikuti garis fit line, maka variabel berdistribusi
normal.
f. Melihat Detrended Normal Q-Q
Secara teoritis, suatu set data dikatakan mempunyai distribusi normal jika data
tersebar di sekitar garis (angka nol). Dari output SPSS diperoleh Detrended
normal Q-Q sebagai berikut.

Terlihat bahwa plot-plot tersebar merata di atas dan di bawah garis horizontal,
serta garis horizontal tepat berada ditengah diagram, maka variabel berdistribusi
normal.
g. Melihat Boxplot
 Boxplot teoritis
Nilai di atas garis adalah nilai
ekstrim atas

Persentil 75

Whisker Hspred
Persentil 50

Persentil 25

Nilai di bawah garis adalah nilai

ekstrim bawah
Boxplot teoritis (lanjutan)

Keterangan:
 Kotak besar mengandung 50% data, yaitu dari persentil 25 sampai
persentil 75. Garis tebal pada tengah kotak merupakan median
(persentil 50). Wilayah ini dinamakan Hspred.
 Data 1,5 hspred disebut Whisker
 Nilai lebih dari 1,5 hspred dinamakan data outlier (diberi tanda o)
 Nilai lebih dari 3 hspred dinamakan data ekstrem (diberi tanda *)
g. Melihat Boxplot (lanjutan)
Secara teoritis suatu data dikatakan berdistribusi normal jika:
1. Nilai median ada di tengah-tengah kotak
2. Nilai whisker terbagi secara simetris ke atas dan ke bawah
3. Tidak ada nilai ekstrem atau outlier

Dari output diperoleh boxplot sebagai berikut.

Terlihat bahwa box berada ditengah dengan kedua kaki yang sama panjang, garis
horizontal berada ditengah box dan tidak terdapat plot-plot di atas atau di
bawah box, maka variabel berdistribusi normal.
2. Menilai distribusi data secara analitik
Untuk mengetahui apakah distribusi data mempunyai distribusi normal atau
tidak secara analitis, menggunakan uji Kolmogorov-Smirnov dan Shapiro-Wilk.
a. Uji Kolmogorov-Smirnov digunakan untuk sampel yang besar (lebih dari
50)
b. Uji Shapiro-Wilk digunakan untuk sampel yang sedikit (kurang atau sama
dengan 50)

 Uji normalitas Kolmogorov-Smirnov

Dari output diperoleh hasil sebagai berikut

Diperoleh nilai p = 0,200. Karena nilai p > 0,05 maka H0 diterima, sehingga
diambil kesimpulan bahwa “distribusi data umur adalah normal”.
 POLEMIK SEKITAR UJI NORMALITAS DATA

Dalam beberapa kasus, hasil metode-metode tersebut sering tidak sama.

Oleh karena itu untuk kesepakatan, metode analitis, akan dipakai sebagai
metode untuk menguji normalitas data.

Adapun alasan pemilihan kesepakatan ini adalah:

1. Dibandingkan dengan menghitung nilai koefisien varians, rasio
skewness dan rasio kurtosis, uji Kolmogorov-Smirnov maupun uji
Shapiro-Wilk adalah uji yang lebih sensitif
2. Dibandingkan dengan metode melihat histogram dan plots, metode
analitis lebih objektif.
Jika menggunakan plots atau histogram, mungkin saja interpretasi
penulis berbeda dengan pembaca sehingga kesimpulan juga berbeda.
Dengan demikian, kesepakatan ini akan mengurangi unsur subjektivitas
pengamatan terhadap histogram maupun plot.
 UJI VARIANS

Bagaimana mengetahui dua buah data atau lebih mempunyai varians

yang sama atau tidak?

 Untuk mengetahui apakah dua atau lebih kelompok data mempunyai

varians yang sama atau tidak, dapat dicari menggunakan SPSS.
 SPSS memberikan uji ini dengan nama Levene’s test of homogeneity of
variance
 Jika nilai Leven’s test tidak signifikan (p > 0,05), maka hipotesis nol akan
diterima, bahwa kelompok memiliki varians data yang sama
 Jika nilai Leven’s test signifikan (p < 0,05), maka hipotesis nol akan
ditolak, bahwa kelompok memiliki varians data yang berbeda, hal ini
menyalahi asumsi
 Jadi yang dikehendaki adalah tidak dapat menolak hipotesis nol (hipotesis
nol diterima) atau hasil Leven’s test tidak signifikan (p > 0,05)
 UJI VARIANS
Kasus 3: (Bagaimana mengetahui dua buah data atau lebih
mempunyai varians yang sama atau tidak?

Enam belas penderita yang dirawat di rumah sakit dikelompokkan secara

acak ke dalam 4 kelompok yang akan diberi 4 pengobatan. Perubahan
tekanan darah sesudah diberikan pengobatan itu ternyata hasilnya sebagai
berikut.
Obat
A B C D
10 12 9 17
8 14 13 14
7 11 10 13
11 15 12 16

Selanjutnya akan di uji apakah data di atas mempunyai varians yang sama
atau tidak.
 UJI VARIANS
Langkah-langkah melakukan uji varians
 Analyze  Compare means One-Way ANOVA
 Masukkan variabel tekanan-darah ke dalam Dependent List
 Masukkan variabel obat ke dalam Factor
 UJI VARIANS
Langkah selanjutnya:

 Aktifkan kotak Options

 Pilih Homogeneity of Variance (untuk menguji varians data)

 Klik Continue
 Klik OK
 UJI VARIANS
Akan diperoleh output sebagai berikut:

Interpretasi Hasil

Significancy test of homogeneity of variance menunjukkan angka p = 1,000

(p > 0,05)
Karena p > 0,05, maka maka H0 diterima.
Sehingga dapat ditarik kesimpulan bahwa tidak ada perbedaan varians
antar kelompok data yang dibandingkan, dengan kata lain varians data
adalah sama
Transformasi Data
 TRANSFORMASI DATA

o Data yang tidak terdistribusi secara normal dapat ditransformasi

suapaya menjadi normal.

o Data yang mempunyai varians tidak sama dapat ditransformasi

supaya mempunyai varians sama.

o Transformasi dilakukan dengan menggunakan fungsi log, akar,

kuadrat atau fungsi lainnya.

o Untuk mentransformasi data supaya mempunyai distribusi normal,

kita tidak mempunyai panduan pasti. Harus dicoba berbagai metode
seperti log10, akar kuadrat, kuadrat, akar tiga, dll. Sifatnya coba-coba.

o Untuk mentransformasi data supaya mempunyai varians yang sama,

kita mempunyai panduan, yaitu dengan memperhatikan nilai
slopedan power.
 TRANSFORMASI DATA UNTUK MENORMALKAN DATA YANG
BERDISTRIBUSI TIDAK NORMAL

Kasus 4:

Terdapat 4 metode diet dan 3 golongan usia peserta program diet. Berikut
data rata-rata penurunan berat peserta keempat metode dalam tiga
kelompok umur.

Penurunan Berat Badan (kg)

Sampel
Metode 1 Metode 2 Metode 3 Metode 4

Sampel 1 4 8 7 6

Sampel 2 6 9 3 5

Sampel 3 4 8 3 5
 TRANSFORMASI DATA UNTUK MENORMALKAN DATA YANG
BERDISTRIBUSI TIDAK NORMAL

o Lakukan uji normalitas seperti pada Kasus 1

o Kemudian akan diperoleh output uji normalitas seperti pada tabel di bawah ini

o Interpretasi Hasil
Karena nilai p pada uji Shapiro-Wilk untuk ketiga kelompok data adalah 0,000 <
0,05 maka H0 ditolak, sehingga dapat diambil kesimpulan bahwa distribusi
data ketiga kelompok adalah tidak normal.
o Karena distribusi data tidak normal, maka dilakukan proses transformasi
data
 TRANSFORMASI DATA UNTUK MENORMALKAN DATA YANG
BERDISTRIBUSI TIDAK NORMAL
Lakukan prosedur sebagai berikut:
 Buka file normalitas
 Transform  Compute Variable
 Ketik ke dalam kotak Target Variable
Klik Arithmetic pada Function Grup. Cari pilihan Lg10 pada pilihan Functions, kalau
sudah ditemukan pindahkan ke kotak Numeric Expression dengan mengklik tanda
panah. Terlihat ada spasi setelah kata Lg10 (nampak log10[?]).
 Pindahkan variabel penurunan-berat ke spasi tersebut dengan mengklik tanda panah.
Terlihat variabel penurunan-berat mengisi spasi yang kosong tadi.
 TRANSFORMASI DATA UNTUK MENORMALKAN DATA YANG
BERDISTRIBUSI TIDAK NORMAL

 Proses telah selesaik. Klik OK.

Lihat pada Data View. Pada Data View terdapat variabel baru bernama
yang merupakan hasil transformasi data variabel penurunan-berat. Pada Data View
akan terlihat tampilan sebagai berikut.
 TRANSFORMASI DATA UNTUK MENORMALKAN DATA YANG
BERDISTRIBUSI TIDAK NORMAL

Uji Normalitas Variabel Baru ( )

Lakukan uji normalitas untuk variabel dengan langkah-langkah
seperti pada Kasus 2.
Akan diperoleh output sebagai berikut:

Interpretasi Hasil
Uji normalitas Shapiro-Wilk menghasilkan nilai probabilitas (p) sebesar 0,463.
karena nilai p > 0,05 maka H0 diterima. Sehingga diambil kesimpulan bahwa
variabel berdistribusi normal.
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA
Kasus 5
Sebuah perusahaan ingin mengetahui apakah terdapat perbedaan keterlambatan
masuk kerja antara pekerja yang rumahnya jauh atau dekat dari lokasi perusahaan.
Misalkan jarak rumah dikategorikan dekat (kurang dari 10 km), sedang (10 – 15 km)
dan jauh ( lebih dari 15 km). Keterlambatan masuk kerja dihitung dalam menit
keterlambatan selama sebulan terakhir.
Penelitian dilakukan pada tiga kelompok pekerja dengan sampel acak, dengan masing-
masing sampel untuk yang memiliki jarak rumah dekat sebanyak 5 sampel, jarak
sedang sebanyak 4 sampel dan jauh sebanyak 3 sampel. Ujilah dengan tingkat
kepercayaan 95 %. Datanya sebagai berikut :
Dekat Sedang Jauh
59 77 89
110 99 102
132 128 121
143 144 60
(Keterangan: Diasumsikan uji varians menghasilkan kesimpulan bahwa data mempunyai
varians yang berbeda. Sehingga perlu dilakukan transformasi data, agar mempunyai
varians yang sama).
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA
1. Mencari Bentuk Transformasi
Untuk memproleh bentuk transformasi, lakukanlah langkah sebagai berikut:
 Analyze  Descriptive Statistic  Explore
 Masukkan variabel keterlambatan ke dalam Dependent List
 Masukkan variabel jarak ke dalam Factor List
 Pilih Plots pada kotak Display List
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA
Aktifkan kotak Plots

 Pilih Power Estimation (untuk mencari bentuk transformasi

terbaik).
 Klik Continue. Klik OK.
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA
Diperoleh Output SPSS

Interpretasi
Nilai Slope dan nilai Power adalah panduan bagi kita untuk
menentukan jenis transformasi. Berikut ini ditampilkan tabel
transformasi yang dianjurkan berdasarkan nilai slope dan power.
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA

Panduan Mencari Bentuk Transformasi Terbaik Dengan

Memperthitungkan Faktor Slope Dan Power

Slope Power Bentuk Transformasi

-1 2 Square (kuadrat)
0 1 Tidak perlu transformasi
0,5 0,5 Square root (akar)
1 0 Logaritma
1,5 -0,5 1/Square root
2 -1 Reciprocal (1/n)

Karena nilai Slope dan Power yang diperoleh adalah 1,313 dan -0,313,
maka menurut tabel di atas, bentuk anjuran transformasi yang terbaik
adalah dengan 1/Square root.
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA
2. Melakukan Transformasi Data
Lakukan prosedur sebagai berikut:
 Transform  Compute Variable
 Ketik trans-keterlambatan ke dalam kotak Target Variable (sebagai nama variabel
baru)
 Pindahkan sqrt dari kotak Function ke kotak Numeric Expression dengan mengklik
tanda panah
 Tampak ada kolom berkedip-kedip
 Masukkan variabel keterlambatan ke dalam kolom berkedip-kedip dengan
mengkliktanda panah sehingga tampil ekspresi sebagai berikut: sqrt(keterlambatan)
 Lalu ketik 1/ sebelum sqrt(keterlambatan) sehingga tertulis: 1/SQRT(keterlambatan)
yang berarti 1/square root
 Akan tampak tampilan sebagai berikut
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA
 Proses telah selesaik. Klik OK.

Lihat pada Data View. Pada Data View terdapat variabel baru bernama
yang merupakan hasil transformasi data variabel penurunan-berat. Pada Data
View akan terlihat tampilan sebagai berikut.
 TRANSFORMASI DATA SUPAYA DATA MEMPUNYAI
VARIANS YANG SAMA
3. Melakukan uji varians untuk variabel hasil transformasi
Lakukan langkah-langkah sebagai berikut:
 Analyze  Compare menas  One-Way ANOVA
 Masukkan variabel trans-keterlambatan ke dalam Dependent List
 Masukkan variabel jarak ke dalam Factor List
 Aktifkan kotak options
 Pilih Homogeneity of Variance (untuk menguji varians data)
 Klik Continue. Klik OK

Interpretasi Hasil
Pada uji varians, diperoleh nilai p = 0,736. Karena nilai p > 0,05 maka H0
diterima, sehingga dapat diambil kesimpulan bahwa “tidak ada perbedaan
varins antar kelompok data yang dibandingkan” dengan kata lain “varians data
adalah sama”.