DAN
NONPARAMETRIK
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 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 Oleh karena itu uji nonparametrik disebut juga uji bebas sebaran
(distribution free).
1. Jika ukuran sampel kita kecil, tidak ada pilihan lain yang lebih baik
daripada menggunakan uji nonparametrik, kecuali jika distribusi
populasi jelas normal.
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
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
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
Run-Wald- Korelasi-
Wolfowitz Kendal Tau
Jika ditulis dalam urutan masing-masing dan kegunaannya dari tabel
tersebut adalah sebagai berikut:
Keterangan:
Arti gambar melengkung pertama
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?
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)
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
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
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)
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
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:
Interpretasi Hasil
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.
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 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
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
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
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
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”.