UJI 1 SAMPEL PADA STATISTIK NON-PARAMETRIK

(UJI RUNS DAN UJI KOLMOGOROV SMIRNOV)

KELOMPOK 2
ERIN KURNIA SARI 1710713020
ASTO GINAWANG 1710713032
MOCHTAR GHAFFAR R. 1710713059
ANNISA TSABITAH S. 1710713110
UJI RUNS
DEFINISI UJI RUNS

Runs Test atau uji ran adalah jenis uji non

parametrik yang digunakan untuk mengetahui
suatu pengamatan peristiwa yang bersifat random
atau tidak dengan emnggunakan sampel yang
sedikit (kurang dari 30 responden). Uji Runs dapat
dilakukan dengan cara mengukur banyaknya runs
yang terjadi pada setiap kejadian atau periwtiwa.
CONTOH

Dilakukan suatu percobaan sebanyak 10 kali dengan hasil sukses atau gagal dan
hasilnya diperoleh sebagai berikut.
SGGGSSGSGG
12 3 45 6
Berdasarkan hasil percobaan diatas dapat di simpulkan bahwa percobaan tersebut mendapatkan 6 Runs yaitu runs 1 =
S, runs 2=G, runs 3 = S. runs 4 = G, runs 5= S dan runs 6 = G.
LANGKAH-LANGKAH (MANUAL)
 Buat hipotesis dengan
Ho = data tersusun acak
Ha = data tidak tersusun acak
 Gunakan rumus:
   lain.
 Bandingkan nilai z hitung
dengan z tabel (1,96), bila Z
hitung kurang dari 1,96
artinya Ho ditolak atau data
tidak tersusun secara acak.
 Keterangan
r = banyaknya runtun
(suatu urutan simbol
yang sama yang diikuti
atau diawali oleh simbol
m = jumlah subjek di
runtun a
n = jumlah subjek di
runtun b
N = jumlah sampel
h = +0,5 (jika r < ) atau
LANGKAH-LANGKAH (SPSS)

1. Klik analyse > Non Parametrik >

Runs
LANGKAH-LANGKAH (SPSS)

 2. Masukan variable nilai ujian ledalam

Variabel (s) dan klik mode dan klik ok
LANGKAH-LANGKAH (SPSS)

 3. Hasil uji Runs di

SPSS
MENYAJIKAN OUTPUT UJI RUNS

  Nilai Non Berdasarkan hasil uji Rans

Parametrik diatas didapatkan nilai
asymptomatic significant
Test Value 80
uji runs sebesar 0.006 dan
Cases < Test 13 menunjukan lebih besar
Value dari 0.05 maka nilai ujian
Cases ≥ Test 17 mata kuliah non
Value
parametrik dikatakan
acak. Dengan demikian
Total Cases 30
H0 ditolak.
Number of 8
Runs
PENYELESAIAN
 Hipotesis:
H0 : urutan data merupakan urutan yang random / acak
Ha : urutan data bukan merupakan urutan yang random /
acak
 Tingkat signifikansi : a = 0,05
 Perhitungan uji statistik
 m = 12
 n = 28
 r = 10
PENYELESAIAN

Z hitung adalah -2,8 <

1,96, dengan begitu H0
ditolak atau urutan data
tidak acak
  
UJI KOLMOGOROV-SMIRNOV
UJI KOLMOGOROV-SMIRNOV

Uji satu sampel Kolmogorov-Smirnov adalah suatu tes kecocokan (goodness of fit test) antara
distribusi serangkaian harga sampel (hasil observasi) dengan distribusi teoritis tertentu. Tes
ini menguji apakah skor sampel berasal dari suatu populasi dengan distribusi teoritis tertentu
ataukah tidak.

Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara
satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas dengan
menggunakan grafik (Firlana Firman, 2017).
KONSEP DASAR UJI KOLMOGROV SMIRNOV

Konsep dasar dari uji ini adalah membandingkan distribusi data yang akan diuji normalitasnya
dengan data distribusi normal baku. Distribusi normal baku merupakan data yang terdapat
dalam Z-Score dan berasumsi normal. Jadi, uji kolmogorov smirnov merupakan uji beda
antara data yang diuji normalitasnya dengan data distribusi normal baku.
Seperti pada uji beda biasa, yaitu:
 Jika nilai signifikansi <0,05 berarti terdapat perbedaan yang signifikan
 Jika nilai signifikansi >0,05 berarti tidak terdapat perbedaan yang signifikan
PENERAPAN UJI KOLMOGROV SMIRNOV

Penerapan pada uji Kolmogorov Smirnov yaitu:

 Jika signifikansi <0,05 berarti data yang akan diuji mempunyai perbedaan yang signifikan
dengan data normal baku artinya data tersebut tidak normal.
 Jika signifikansi >0,05 maka berarti tidak terdapat perbedaan yang signifikan antara data
yang akan diuji dengan data normal baku artinya data tersebut normal (Firlana Firman,
2017
KEGUNAAN KOLMOGOROV-SMIRNOV

 Uji satu sampel Kolmogorov-Smirnov digunakan untuk mengetahui apakah distirbusi nilai –
nilai sampel yang teramati sesuai dengan distribusi teoritis tertentu (normal, uniform,
poisson, eksponensial). Uji Kolmogorov-Smirnov beranggapan bahwa distribusi variabel
yang sedang diuji bersifat kontinu dan pengambilan sampel secara acak sederhana.
Dengan demikian uji ini hanya dapat digunakan, bila variabel diukur paling sedikit dalam
skala ordinal.
PERSYARATAN UJI KOLMOGROV SMIRNOF

Persyaratan Uji Kolmogorov Smirnov adalah:

 Data berskala interval atau ratio (kuantitatif)
 Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
 Dapat untuk n besar maupun n kecil
KELEMAHAN DARI UJI KOLMOGOROV SMIRNOV

 Kelemahan dari Uji Kolmogorov Smirnov, yaitu bahwa jika kesimpulan kita memberikan
hasil yang tidak normal, maka kita tidak bisa menentukan transformasi seperti apa yang
harus kita gunakan untuk normalisasi. Oleh karena itu, .gunakan plot grafik untuk melihat
grafik tersebut menyimpang ke kanan atau ke kiri, atau menggunakan Skewness dan
Kurtosis sehingga dapat ditentukan transformasi seperti apa yang paling tepat
dipergunakan.
LANGKAH – LANGKAH UJI KOLMOGOROV-SMIRNOV

Langkah – langkah prinsip uji Komogorov Smirnov ialah sebagai berikut (Malonda, 2011) :
 Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari nilai terkecil sampai nilai
terbesar. Kemudian susun frekuensi kumulatif dari nilai-nilai teramati itu.
 Konversikan frekuensi kumulatif itu ke dalam probabilitas, yaitu ke dalam fungsi distribusi
frekuensi kumulatif [S(x)]. Sekali lagi ingat bahwa, distribusi frekuensi teramati harus
merupakan hasil pengukuran variabel paling sedikit dalam skala ordinal (tidak bisa dalam
skala nominal).
 Hitung nilai z untuk masing-masing nilai teramati di atas dengan rumus z=(xi–x) /s. dengan
mengacu kepada tabel distribusi normal baku (tabel B), carilah probabilitas (luas area)
kumulatif untuk setiap nilai teramati. Hasilnya ialah sebagai Fo(xi).
 Susun Fs(x) berdampingan dengan Fo(x). hitung selisih absolut antara S(x) dan Fo(x) pada
masing-masing nilai teramati.
 Statistik uji Kolmogorov-Smirnov ialah selisih absolut terbesar Fs(xi) dan Ft(xi) yang juga
disebut deviasi maksimum D.
 Dengan mengacu pada distribusi pencuplikan kita bisa mengetahui apakah perbedaan
sebesar itu (yaitu nilai D maksimum teramati) terjadi hanya karena kebetulan. Dengan
mengacu pada tabel D, kita lihat berapa probabilitas (dua sisi) kejadian untuk menemukan
nilai-nilai teramati sebesar D, bila Ho benar. Jika probabilitas itu sama atau lebih kecil dari
a, maka Ho ditolak.
APLIKASI UJI KOLMOGOROV-SMIRNOV DALAM BIDANG
KESEHATAN

Ujilah hipotesis nol yang menyatakan bahwa data ini berasal dari suatu
populasi berdistribusi normal, diketahui bahwa pada populasi, rata – rata
usia mulai haid = 12; dengan SD = 50.
JAWAB

Hipotesis
 Hipotesis yang diuji dinyatakan sebagai berikut (dua sisi) :

 Ho : Kedua sampel berasal dari populasi dengan distribusi yang sama

 Ha : Kedua sampel bukan berasal dari populasi dengan distribusi yang sama
PERHITUNGAN
 Perhitungan

Langkah – langkah menghitung nilai – nilai

S(xi) dan Fo(xi) :
Untuk memeperoleh nilai-nilai Fo(x), pertama-
tama yang dilakukan adalah
mengkonversikan setiap nilai x teramati
menjadi nilai unit variabel normal yang
disebut z. Sedang z=(xi–x) /s. dari tabel
distribusi kumulatif normal baku (Tabel B),
kita temukan luas area dari minus tak
terhingga sampai z. luas area tersebut
memuat nilai-nilai Fo(x). Selanjutnya kita
hitung statistik uji D, dari sekian banyak nilai
D ternyata statistik uji D maksimum adalah =
0,7222.
 Selanjutnya nilai tersebut
dibandingkan dengan nilai D tabel
(Tabel Kolmogorov-Smirnov)

Keputusan
Dari tabel D diatas, dengan n=18 dan α
(dua sisi) = 0,05 kita dapatkan nilai
tabel 0,309. Karena 0,722 > 0,309,
maka Ho ditolak, maka kita simpulkan
bahwa sampel yang berasal dari
populasi tidak dengan distribusi normal.
MENYAJIKAN OUTPUT UJI KOLMOGOROV-SMIRNOV

Buka lembar kerja SPSS, lalu buka

data kolmogorov_koles.sav. klik
Analyze – Nonparametric Test –
Legacy Dialogs – 1-Sample KS
 Masukkan variabel kadar
kolesterol ke kotak Test
Variabel List. Pada Test
distribution klik normal lalu
klik OK
OUTPUT UJI KOLMOGROV SMIRNOV
 Dengan Ho : Data Kadar Kolesterol
berasal dari populasi yang berdistribusi
normal
 Ha : Data Kadar Kolesterol bukan
berasal dari populasi yang berdistribusi
normal

 Jika dilihat dari nilai Sig. (2-tailed) yatu

0,293 > 0,05 maka dapat disimpulkan
Ho gagal tolak. Berarti Data Kadar
Kolesterol berasal dari populasi yang
berdistribusi normal.