Statistika

Program S1 Bududaya Perairan,

Fakultas Kedokteran Hewan,
Universitas Airlangga
Surabaya.

Kusnoto, MSi., drh.

Telp. 3818859; HP 081330575763
 Aplikasi Uji statistik
Parametrik Nonparametrik
Satu sampel • Uji T  Uji Binomial
• Uji Z  Uji satu sampel Chi-Kuadrat
 Uji satu sampel Kolmogorov-Smirnov
 Uji Run satu sampel
Dua sampel saling • Uji T (Paired T  Uji McNemar Signifikansi Perubahan
berhubungan (Two Test)  Uji Tanda (Sign Test)
Dependent Samples) • Uji Z  Uji Rangking-Bertanda Wilcoxon
Dua sampel tidak • Uji T (Pooled T  Kemungkinan yang eksak dari Fisher
berhubungan (Two Test)  Uji 2 untuk 2 sampel independen
Independent • Uji Z  Mann-Witney U test
Samples)  Uji Median
 Uji 2 sampel Kolmogorov-Smirnov
 Uji run Walt-Wolfowitz
 Reaksi ekstrem Moses

Beberapa sampel Anova (F test)  Analisis Varian Rangking dua arah Friedman
berhubungan sama subyek  Uji Q Cochran
Beberapa sampel tidak Anova (F test)  Uji 2 untuk k sampel independen
berhubungan  Analisis Varian Rangking satu arah Krukhal-
Wallis
 Perluasan Tes Median
 Uji Statistik Non-Parametrik
 Distribusi tidak normal  non free
distribution
 Tidak menguji parameter Ex:
 Goodness of fit test  uji kesesuaian data
dengan populasi asalnya
 Test for randomness
 Fokus analisis / prinsip atau skewed….
 Keuntungan dan Kekurangan…
 Fokus analisis/prinsip atau skewed
1. Rangking/order  peringkat/urutan  data diurut terlebih
dahulu baru dirangking
2. Sign  diberi tanda  when  didasarkan pada nilai
patokan  yaitu: median atau modus
 tanda yang digunakan p.u. berupa positif (+) atau
negatif (-)
3. Run  runtun / deret
 means  menghitung banyaknya deret yaitu
banyaknya data sejenis yang berurutan sebelum
berganti ke jenis lain.
 Ex. deret  LLLLLPPPPP  deret terlalu sedikit
deret  LPLPLPLPLP  deret terlalu banyak
Data seperti diatur berarti non random
4. Klasifikasi / Kategori Tinggi
 Ex.  data pendidikan Sedang
Rendah
 Keuntungan dan Kekurangan
 Keuntungan
1. Mengerjakannya mudah dan juga cepat
dibanding uji parametrik.
2. Nilai p yang diperoleh dari analisis itu
merupakan nilai yang exact (nyata) biasanya
pada sampel-sampel kecil.
3. Jika sampel size kecil tidak ada pilihan lain
yaitu menggunakan statistik non-parametrik
 Keuntungan dan Kekurangan
 Kekurangan
 Jika persyaratan dengan uji parametrik terpenuhi
kemudian digunakan uji statistik non parametrik
maka jadi pemborosan informasi.
 Power of efficiency non-parametrik lebih rendah
dibandingkan power of efficiency parametrik,
sehingga perlu sampel lebih banyak untuk
membuat kesimpulan sama.
 Jenisnya banyak  tabel untuk titik ktritisnya juga
banyak dan bervariasi  sehingga untuk
mempelajarinya perlu waktu yang lebih lama.
 Referensi:
 Nonparametric Statistics for Behavioral
(Sidney Siegel & John Catelan. 2nd, 1990).
 Statistik Nonparametrik. Edisi pertama
(Samsubar Saleh, 1986).
 Statistika Nonparametrik Terapan (Wayne W.
Daniel, 1978 Terj. Alex Tri Kantjono W., 1989,
PT Gramedia, Jakarta)
 Mengolah Data Statistik Secara profesional
“SPSS versi 10.0” (Singgih Santoso, 2001).
 Why pakai “Nonparametrik”
 Jenis data 
 ordinal/nominal, atau
 Interval / rasio  yang “non free distribution”
 Sampel size  kecil

Kasus Satu Sampel

yang Dibahas
 Uji Binomial
 Test Satu Sampel Chi Kuadrat

 Uji Binomial
 Uji Binomial menguji hipotesis tentang suatu
proporsi populasi. Ciri binomial adalah data berupa
dua (bi) macam unsur, yaitu ‘gagal’ atau ‘sukses’
yang diulang sebanyak n kali. Dalam hal ini
pemakai bebas untuk mendefinisikan apa yang
dimaksud ‘sukses’ dan apa yang dikategorikan
‘gagal’.
 Salah satu contoh yang paling populer untuk
penerapan uji Binomial adalah pelemparan sebuah
mata uang berkali-kali, di mana ‘sukses’ diartikan
jika hasil pelemparan adalah munculnya ‘angka’,
sedangkan ‘gagal’ diartikan sebagai munculnya
‘gambar’.
 Coso: Binomial – sampel kecil
 Dalam suatu study mengenai akibat-akibat stress, seorang
pembuat eksperimen mengajarkan kepada 18 mahasiswa,
dua metode yang berbeda untuk membuat simpul dengan
tali yang sama.
 Setengah dari subyek-subyek itu (dipilih secara random)
mempelajari metode A terlebih dahulu, dan separuhnya lagi
metode B lebih dulu.
 Kemudian pada tengah malam setelah ujian akhir yang
mereka tempuh selama empat jam, masing-masing subyek
disuruh membuat simpul tali tadi.
 Ramalannya adalah stress akan mengakibatkan
kemunduran (regresi), yakni bahwa subyek-subyek itu akan
kebal kepada metode yang I mereka pelajari dalam hal
membuat simpul tali.
 Setiap subyek dikategorikan menurut apakah dia
menggunakan metode simpul tali yang mereka pelajari
pertama kali, ataukah metode yang mereka pelajari yang
kedua, jika subyek-subyek itu diminta untuk membuat
simpul dibawah keadaan stress.
Tabel 1. Metode simpul tali yang dipilih
dibawah stress
Metode yang dipilih
Jumlah
Yang dipelajari I Yang dipelajari II
Frekuensi 16 2 18
• N = banyak observasi independen = 18
• x = frekuensi yang lebih kecil = 2
• Tabel D  untuk kemungkinan yang berkaitan dengan
x  2 adalah p= 0,001
• Karena p ini < dari  = 0,01
• Maka H0 ditolak, H1 = diterima
• Kesimpulan = p1 > p2 , yakni bahwa :
Orang-orang yang dibawah kondisi stress kembali ke
metode yang dipelajari pertama diantara 2 metode yang ada.
  Untuk populasi yang terdiri dari dua kelas, jika
diketahui proporsi kasus-kasus dalam satu kelas
adalah p, maka kelas satunya adalah 1-p
 Probabilitas untuk memperoleh  obyek dalam
satu kategori dan N -  obyek dalam kategori
lainnya dihitung dengan:

p()= N pXqN-X .................. 1


dimana:
p = Proporsi kasus yang diharapkan terdapat dlm satu kategori,
q = 1 – P, yakni proporsi kasus yang diharapkan terdapat dlm
kategori lainnya, dan

N!  N! adalah N faktorial,
N = 
 artinya=N(N-1)(N-2)…… Tabel T
x ! (N-X) ! Ex. 4! = (4) (3) (2) (1) = 24…Tabel S
 Coso :
 Sebuah dadu dilemparkan lima kali,
bagaimanakah secara pasti dua di antara lima
lemparan itu akan menghasilkan enam?
 Penyelesaian :
 N = banyaknya lemparan dadu = 5
  = banyaknya muncul “enam” = 2
 p = proporsi yang diharapkan untuk “enam“ = 1/6
 q = 1 – P = 5/6
 Kemungkinan dua di antara 5 lemparan itu
secara pasti akan menghasilkan “enam” dicari
dengan rumus sebagai berikut:
 p()= N pXqN-X

5! 1 2
5 3

p(2) =    =
0,16
2! 3! 6 6
 Kemungkinan untuk secara pasti
mendapatkan dua “enam” ketika
melemparkan dadu yang seimbang
sebanyak lima kali adalah p = 0,16
 Berapa kemungkinan akan diperoleh
secara eksak nilai yang telah diamati ?
 …
 Dalam Penelitian
 “Berapakah kemungkinan untuk memperoleh
nilai – nilai yang diobservasi atau nilai – nilai
yang lebih ekstrim ?”
 Distribusi sampling binomialnya:

x
 NpiqN-i

................ 2
i=0

 Dengan kata lain: Menjumlahkan kemungkinan

nilai yang diobservasi dengan kemungkinan –
kemungkinan nilai yang lebih ekstrim.
Misal:
 ingin mengetahui kemungkinan akan memperoleh
paling banyak dua “enam“ jika sebuah dadu yang
seimbang dilempar sebanyak lima kali.
 Penyelesaian :

 N = 5,  = 2, p = 6, dan q = 5/6

 Untuk mendapatkan paling banyak dua “ enam “

adalah p (   2 )
 Kemungkinan untuk memperoleh 0 “enam“ adalah p
(0)
 Kemungkinan mendapatkan 1 “enam“ adalah p ( 1 )

 Kemungkinan mendapatkan 2 “enam“ adalah p ( 2 )

 Dari rumus 2
 p(2)=p(0)+p(1)+p
(2)
 Artinya: kemungkinan untuk
memperoleh dua ”enam” atau kurang
dari dua adalah jumlah tiga harga
kemungkinan yang disebutkan di atas.
 Masing-masing kemungkinan tersebut dapat
dihitung dengan rumus 1
Dengan demikian
5! 1 0
5 5

p(0) =    =
0,40 p(  2) = p(0) +p(1) +p(2)
0! 5! 6 6 = 0,40 + 0,40 + 0,16
= 0,96
4! 1 1
5 4

p(1) =    = Telah ditentukan bahwa

0,40 kemungkinan dibawah Ho
1! 4! 6 6 untuk memperoleh dua
5! 1 2
5 3 ”enam” atau kurang kalau
p(2) =    = sebuah dadu yang
0,16 seimbang dilemparkan
2! 3! 6 6 lima kali adalah p = 0,96
Untuk sampel kecil N  25

rumus 2 Tabel D
 Sampel-sampel besar
• N  makin besar  distribusi binomial “cenderung
mendekati distribusi normal“
 Kecenderungan :
 Kuat  jika P mendekati ½
 Lemah  jika P mendekati 0 atau 1
 Makin besar kesenjangan antara P dan Q, maka
seharusnya N makin besar sebelum pendekatan
distribusi normal dapat digunakan secara berarti.
 Kalau  P mendekati 0 atau 1
 NPQ  harus  9
  sampling diperkirakan normal dengan mean = NP
dan SD =  NPQ
 Oleh karena itu H0 dapat diuji dengan :
  - µ2  - NP
Z =  =  ............ 3
 NPQ
Z = kurang lebih normal dengan mean = 0 dan varian = 1

 Distribusi binomial untuk variabel diskrit

 karena distribusi normal  maka perlu koreksi
kontinuitas.
 Koreksi kontinuitas terjadi dgn pengurangan
0,5 terhadap selisih antara nilai  yang
diobservasi dan nilai yang diharapkan:
µ = NP oleh sebab itu :
 Kalau  < µ  tambahkan 0,5 pada 
 Bila  > µ  kurangkan 0,5 pada 
  Sehingga selisih yang diobservasi diperkecil
0,5 maka  Z menjadi :

(  0,5) - NP
Z =  ............................................ 4
 NPQ

 Signifikansi harga Z  Tabel A

 Satu sisi  terjadinya harga – harga  yang
seekstrim harga  observasi dibawah Ho
 Jika diperlukan ”dua sisi”  Tabel A 
dikalikan 2
 Coso:
 Pada Data “ pembuatan simpul tali “ dalam
kasus tersebut diketahui:
 N = 18,  = 2, dan P = Q = ½
  < NP ............ ( 2 < 9 )
 dengan rumus 4:

( 2 + 0,5 ) – ( 18 ) ( 0,5 )
Z =  = - 3,07
 (18 ) ( 0,5 ) ( 0,5 )
 Cara lihat Tabel:
Z … … … 07
… 
… 
… 
3,0    0,0011
Jadi p = 0,0011, ini menunjukkan bahwa suatu
z yang seekstrem -3,07 memiliki suatu
kemungkinan satu sisi yang berkaitan dengan
terjadinya p = 0,0011 di bawah Ho.
Jika diasosiasikan dengan harga x yang
terobservasi atau bahkan harga yang lebih
ekstrem ternyata < , maka tolaklah Ho.
 Test Satu Sampel Chi Kuadrat
 Tekhniknya adalah tipe goodness of fit,
yakni tes tersebut dapat digunakan untuk
menguji apakah terdapat perbedaan yang
signifikan antara banyak yang diamati
( observed ) dari obyek atau jawaban–
jawaban yang masuk dalam masing–
masing kategori dengan banyak yang
diharapkan ( expected ) berdasarkan Ho
 Jumlah kategori boleh dua atau lebih,
misalnya : sikap atau respon orang
mungkin dikategorikan menurut apakah
mereka “mendukung“, “acuh tak acuh“
atau “menentang“ pernyataan tertentu,
guna memungkinkankan peneliti menguji
hipotesis bahwa jawaban itu akan
berbeda dalam hal frekuensinya.
 Harus dapat menyatakan frekuensi manakah
yang diharapkan itu. Hipotesis nol
menyatakan proporsi obyek yang jatuh dalam
masing–masing kategori dalam populasi yang
ditetapkan. Ini berarti dari Ho-nya kita dapat
membuat deduksi berapakah frekuensi yang
diharapkan.
 Tekhnik 2 menguji apakah frekuensi yang
diamati cukup mendekati frekuensi yang
diharapkan sehingga mempunyai
kemungkinan besar untuk terjadi dibawah
Ho.
 Ho diuji dengan :
k (Qi – Ei)2
=   ...................... 5
i=1 Ei
 Dimana :
 Qi = banyak kasus yang diamati dalam
kategori ke-i
 Ei = banyak kasus yang diharapkan dalam
kategori ke-i dibawah Ho
k
  = penjumlahan semua kategori
i=1
 Jika frekuensi yang diamati dan
diharapkan ternyata tidak banyak
berbeda, maka selisih (Qi = Ei) akan
kecil, sehingga 2 kecil. Kalau perbedaan
besar  harga 2 akan besar pula. Secara
kasar semakin besar 2 makin besarlah
frekuensi2 yang diamati tidak berasal dari
populasi yang diharapkan menurut
ketentuan Ho.
 Distribusi sampling chi–kuadrat dan
harga–harga kritis tertentu dapat dilihat
pada Tabel C. Setiap kolom dicantumkan
kemungkinan2 harga tertentu terjadi (dua
sisi) dibawah Ho. Untuk setiap db
terdapat satu harga chi–kuadrat
tersendiri.
 Besarnya db menunjukkan banyak observasi
yang bebas untuk bervariasi sesudah batasan–
batasan tertentu dikenakan pada data.
 db = k – 1  k = banyak kategori dalam
klasifikasi.
 Jika kemungkinan yang berkaitan dengan
minculnya dibawah H0 suatu 2 yang diperoleh
untuk db = k – 1 adalah = atau < dari harga 
yang ditetapkan sebelumnya, maka H0 dapat
ditolak.
 Kalau k = 2, maka frekuensi yang diharapkan harus
serendah–rendahnya 5
 Kalau k > 2, tes untuk satu kasus ini tidak boleh
dipakai jika > 20 % dari frekuensi yang diharapkan
tidak boleh < 5 atau jika sembarang frekuensi yang
diharapkan < 1 (Cocrhan, 1945).
 Frekuensi yang diharapkan kadang–kadang dapat
diperbesar dengan cara menggabungkan kategori–
kategori yang berdekatan. Hal ini baik dilakukan
apabila penggabungan dapat dilakukan secara
berarti.
 Jika setelah penggabungan kategori–kategori yang
yang berdekatan akhirnya mendapatkan dua kategori
saja dan frekuensi yang diharapkan masih ada yang <
5, maka yang harus dipakai bukan 2 melainkan tes
binomial, untuk menentukan kemungkinan yang
berkaitan dengan terjadinya frekuensi yang
diobservasi dibawah hipotesis–nol.
 Harus dicatat bahwa kalau db > 1, tes 2 tidak
memiliki kepekaan terhadap efek urutan. Dengan
demikian kalau suatu hipotesis juga memperhitungkan
urutan, tes 2 bukanlah tes yang terbaik  contoh tes
dengan menggunakan urutan .......
 Para penggemar balapan ikan mengemukakan bahwa
diarena balap ikan berbentuk bundar, ikan–ikan yang
berada dalam posisi start tertentu lebih bruntung dari
yang lain. Posisi satu adalah yang terdekat dengan
pagar pada sisi dalam arena pacuan, posisi delapan
adalah yang paling jauh dari sisi pagar. Pacuan
tersebut diikuti delapan ikan pacu yang berlangsung
diarena pacuan yang berbentuk lingkaran.
 Hipotesis
 Ho: tidak terdapat perbedaan dalam hal
banyak pemenang yang diharapkan, yang
mengambil start dari posisi manapun, dan
setiap perbedaan yang diamati semata–mata
adalah variasi yang kebetulan sebagaimana
dapat diharapkan dalam suatu sampel random
dari posisi rekanguler dimana f1 = f2 = .... =
f8.
 H1: frekuensi untuk f1, f2,.......,f8 tidak sama
semuanya.
 Tes statistik.
 Karena akan di : kan antara data dari suatu
sampel dengan populasi tertentu yang
ditetapkan yang cocok adalah tes satu sampel.
 Tes 2 dipilih karena hipotesis yang diuji
berkaitan dengan suatu perbandingan
mengenai frekuensi yang diamati dengan
frekuensi yang diharapkan dalam kategori–
kategori yang diskrit yaitu posisi start
 T tes2 bukanlah yang paling cocok untuk
data ini, karena disini terlibat masalah urutan.
 Tingkat signifikansi. Kita tentukan  = 0,01 , N
= 144 yakni banyak keseluruhan pemenang
dalam 18 hari pacuan.
 Distribusi sampling. Distribusi sampling 2

sebagaimana dihitung dengan rumus 5,

mengikuti distribusi chi–kuadrat dengan db=
k–1.
 Daerah penolakan. Ho akan ditolak jika

kemungkinan harga 2 terjadi dibawah Ho

dengan db= 7 adalah = 0,01.
 Keputusan  sampel yang terdiri dari 144

pemenang menghasilkan data yang terlihat

pada Tabel 2.
 Tabel C menunjukkan X2 > 16,3 untuk db=7 mempunyai
kemungkinan kemunculan antara p=0,05 dan p=0,02  artinya
0,05 > p > 0,02  karena kemungkinan itu lebih besar dari
tingkat signifikansi yang telah ditetapkan sebelumnya
(=0,01), maka kita tidak dapat menolak Ho pada tingkat
signifikansi tersebut (0,05 > p > 0,02). Terlihatlah bahwa kita
memerlukan lebih banyak data sebelum dapat menyimpulkan
secara pasti yang berkaitan dengan Ho.
 Frekuensi yg diharapkan kecil.
 Kalau db=1, yaitu k=2, maka masing2 frekuensi yang diharapkan harus
serendah2nya 5. kalau db>1 yakni bila k>2, tes X2 untuk kasus satu-
sampel ini tidak boleh dipakai jika lebih dari 20% dari frekuensi yang
diharapkan < 5 atau jika sembarang frekuensi yang diharapkan < 1
(Cochran, 1954).
 Frekuensi yang diharapkan kadang dapat diperbesar dengan cara
menggabungkan beberapa kategori yang berdekatan.
 Cth… sangat mendukung, mendukung, acuh tak acuh, menentang,
sangat menentang.
 Jika seseorang mulai hanya dengan dua kategori
Ringkasan Penggunaan tes x2 dalam kasus satu sampel,
prosedur penggunaan tes ini meliputi 5 langkah:
1. Letakkan frekuensi-frekuensi terobservasi dalam k kategori.
Jumlah frekuensi itu seluruhnya harus N, yakni banyaknya
observasi-observasi independen.
2. Dari H0 tentukan frekuensi yang diharapkan (harga E 1-nya)
untuk tiap-tiap k sel itu. Manakala k>2, dan bila lebih dari
20% dari E1 lebih kecil dari 5, gabungkanlah kategori-kategori
yang berdekatan apabila hal ini memungkinkan dan dengan
demikian kita mengurangi harga k serta meningkatkan harga
beberapa E1. apabila k = 2, tes x2 untuk kasus satu
sampeldapat digunakan secara memadai hanya jika tiap-tiap
frekuensi yang diharapkan adalah lima atau lebih.
3. Dengan memakai rumus(5) hitunglah harga x2.
4. Tetapkan harga db. Db = k-1
5. Dengan melihat tabel C, tetapkan probabilitas yang dikaitkan
dengan terjadinya suatu harga yang sebesar harga x 2
hitungan untuk harga db yang bersangkutan. Jika harga ini
sama atau kurang dari , tolaklah H0
Test Satu-Sampel Kolmogorov-Smirnov
Fungsi dan Dasar Pemikiran
Tes satu sampel Kolmogorov-Smirnov adalah
suatu tes goodness-of-fit. Artinya, yang
diperhatikan adalah tingkat kesesuaian antara
distribusi serangkaian harga sampel (skor yang
diobservasi) dengan suatu distribusi teoritis
tertentu. Tes ini menetapkan apakah skor dalam
sampel dapat secara masuk akal dianggap
berasal dari suatu populasi dengan distribusi
teoritis itu.
 Contoh :
Andaikan seorang peneliti ingin menguatkan,dengan sarana
eksperimen observasi sosiologis bahwa orang-orang negro amerika
tampaknya memiliki hirarki kecenderungan menyukai (preferensi)
warna kulit menurut gelap terangnya.1 Untuk menguji seberapa
sistematisnya kecenderungan kesukaan tingkat-tingkat warna kulit
itu, peneliti mengadakan pemotretan satu persatu atas sepuluh
orang negro. Fotografer memrosesnya sedemikian rupa sehingga
dari setiap subyek yang sama didapatkan 5 cetakan yang satu dan
yang lainnya sedikit berbeda dalam hal gelap terangnya. Kelima
lembar foto dengan subyek yang sama itu dapat diurutkan
tingkatannya dari warna kulit yang paling gelap sampai yang palinp
terang. Potret yang menunjukkan warna paling gelap dari masing-
masing subyek diletakkan ditingkat satu, yang kurang gelap
diletakkan ditingkat lima. Selanjutnya setiap subyek diminta memilih
diantara kelima foto wajahnya sendiri itu. Jika gelap dan terangnya
warna wajah mereka tidak penting, maka kelima lembar foto itu
akan dipilih sama seringnya, dengan perbedaan-perbedaan random
saja. Jika gelap dan terang itu penting bagi mereka, maka mereka
akan secara konsisten menyukai salah satu dari tingkat yang ekstrim.
i. Hipotesis nol. H0 : tidak terdapat banyak
perbedaaan pilihan yang diharapkan untuk
masing-masing dari kelima tingkatan, dan setiap
perbedaan yang terobsesi hanyalah variasi yang
kebetulan semata-mata yang dapat diharapkan
terjadi dalam suatu sampel random dari populasi
rektangular dimana f1= f2= f3 …………= f5. H1 :
frekuensi f1, f2, f3………..f5 tidak semuanya sama.
ii. Tes statistik. Tes satu sampel Kolmogorov-
Smirnov dipilih karena peniliti ingin
membandingkan distribusi skor yang diobservasi
pada suatu skala ordinal, dengan satu distribusi
teoritis.
iii. Tingkat signifikansi. Dipilih  = 0,01. N =
banyaknya orang negro yang bertindak sebagai
subyek penelitian = 10
iv. Distribusi sampling. Berbagai harga kritis D dari distribusi
sampling disajikan dalam tabel E bersama-sama dengan
kemungkinan yang berkaitan dengan terjadinya harga-
harga itu dibawah Ho
v. Daerah penolakan. Daerah penolakan tediri dari semua
harga D (dihitung dengan rumus (4.6)) yang sedemikian
besarnya sehingga kemungkinan yang berkaitan dengan
terjadinya harga-harga tersebut dibawah H0 sama atau
kurang dari  = 0,01
vi. Keputusan. Dalam studi hipotesis ini, masing-masing
subyek negro memilih satu diantara kelima foto yang
sama. Misalkan satu orang memilih cetakan kedua, (yang
warnanya setingakat lebih terang daripada yang gelap)
lima orang memilih cetakan keempat, (setingakt lebih
hitam daripada yang paling terang), dan empat orang
memilih cetakan kelima (cetakan yang paling terang.
Table 4.3 menyajikan data itu dan meletakkannya dalam
bentuk yang sesuai dengan untuk menerapkan tes satu
sampel Kolmogorov-Smirnov.
 Langkah2 penghitungan tes Kolmogorov-Smirnov:
1. Tetapkan fungsi kumulatif teoretisnya, yakni
distribusi kumulatif yang diharapkan dibawah H0
2. Aturlah skor-skor yang diobservasi dalam suatu
distribusi kumulatif dengan memasangkan tiap
interval SN(X) dengan interval F0(X) yang sebanding
3. Untuk tiap-tiap jenjang pada distribusi kumulatif,
kurangilah F0(X) dengan SN(X)
4. Dengan memakai rumus (4.6) carilah D
5. Lihatlah Tabel E untuk menemukan kemungkinan
(dua sisi) yang dikaitkan dengan munculnya harga-
harga sebesar harga D observasi dibawah H0. jika p
sama atau kurang dari , tolaklah H0