KELOMPOK 12

1. Ahmad Asrofi (222)

2. Ahmad Zadid Taqwa (233)
3. M. Zen Tahsinul A (235)
4. M. Muafa (244)

Konsep Uji Statistik Non-Parametrik

 KOEFISIEN KONTINGENSI

 Koefisien
  kontingensi adalah metode yang digunakan untuk mengukur keeretan hubungan (korelasi) antar
dua variabel yang keduanya bertipe data nominal (kategori)
Rumus :

C = Koefisien kontingensi
 = Chi kuadrat
 N = Jumlah data
 Adapun nilai chi kuadrat dapat di hitung dengan rumus :

fo = Frekuensi observasi
fe = Frekuensi yang diharapkan
x^2 = chi kuadrat.

Bila dalam persoalan atau kasus frekuensi teoretisnya (fe) tidak diketahui, maka dapat digunakan rumus dibawah ini untuk
mengetahui nilai (fe).

Rumus untuk menghitung frekuensi teoretis (fe)

∑fk = Jumlah Frekuensi Pada kolom

∑fb = Jumlah Frekuensi Pada Baris
∑T = Jumlah keseluruhan baris atau kolom
 Contoh Soal

 Ingin diketahui hubungan antara daerah tempat tinggal (urban dan rural) terhadap kemungkinan
beberapa penyakit degeneratif (PJK, ginjal, ca paru, ca colon). Sampel yang diambil sebanyak 200 orang.
Berikut datanya dalam bentuk tabel 2x2 (tabel kontingensi).
A. Mencari frekuensi yang diharapkan
fe (freq.expected) :

Misal : fe sel pertama (sel urban yang PJK) = 120x40/200 = 24

B. Menghitung nilai X2 (Rumus 1)

= 0,375 + 0,833 + 0,250 + 0,833 + 0,563 + 1,250 + 0,375 + 1,250 = 5,729

C. Masukan ke rumus 2 untuk mencari koefisien kontingensi (C)
Koefisien kontingensi dicari untuk menentukan derajat keeratan hubugan antara variabel
independen dan variabel dependen

= √ ((5,279) / (200 + 5,279)) = 0,16

D. Masukan ke rumus 3 untuk mencari nilai C max

= √ (2-1) /2 = √ 0,5 = 0,70

Dari point c dan d diperoleh nilai C sebesar 0,16 dan C max = 0,70. Karena nilai C dan C max cukup
jauh, artinya derajat keeratan hubungan antara variabel independen (daerah tempat tinggal)
dengan variabel dependen (penyakit degeneratif) tidak kuat.
 KORELASI SPEARMAN

 Korelasi Spearman Merupakan pengukuran non parametrik. Koefisien korelasi ini mempunyai simbol
r (rho). Pengukuran dengan menggunakan koefisien korelasi spearman digunakan untuk menilai
adanya seberapa baik fungsi monotonik (suatu fungsi yang sesuai perintah) arbitrer digunakan Untuk
menggambarkan hubungan dua variabel dengan Tanpa membuat asumsi distribusi frekuensi dari
variabel variabel yang diteliti. Nilai koefisien korelasi dan kriteria penilaian kekuatan hubungan dua
variabel sama dengan yang digunakan dalam korelasi pearson. Perhitungan dilakukan dengan cara
yang sama dengan korelasi pearson, Perbedaan terletak pada pengubahan data ke dalam bentuk
ranking sebelum dihitung koefisien korelasi nya. Itulah sebabnya korelasi ini disebut sebagai korelasi
Rank Spearman
Syarat : Data bersekala Ordinal, hubungan antar variabel tidak harus linier,Dan data tidak harus ber distribusi normal
Asumsi : Asumsi yang digunakan dalam korelasi ini ialah tingkat (rank) Berikutnya harus menunjukkan posisi cara yang
sama pada variabel variabel yang diukur. Jika menggunakan skala Likert, maka jarak skala yang digunakan harus sama

Nilai1rs1
rs=0 tidak ada hubungan monoton
Tanda rs menunjukkan arah hubungan monoton (monotonpositif/ naik dan negatif /turun)
Korelasi positif mengindikasikan bahwa kenaikan (penurunan) satu variabel berasosiasi dengan kenaikan
(penurunan variabel lain)
Korelasinegatifmengindikasikankenaikan (penurunan) satuvariabelberasosiasidenganpenurunan (kenaikan)
variabel lain
Ukuran korelasi > ukuran deskriptif statistik yang menggambarkan derajat hubungan antara dua atau lebih
variabel
Menunjukkan monotonik hubungan antara dua variabel.
> Monoton naik (berasosiasi dengan korelasi positif)
> Monoton turun (berasosiasi dengan korelasi negatif)
 Rumus

Pembuatan ranking dapat dimulai dari nilai terkecil atau nilai terbesa rtergantung permasalahannya. Bila ada data yang nilainya sama, maka
pembuatan ranking didasarkan pada nilai rata-rata dari ranking-ranking data tersebut. Apabila proporsi angka yang sama tidak besar, maka
formula diatas masih bisa digunakan. Namun apabila proporsi angka yang sama cukup besar, maka dapat digunakan suatu faktor koreksi dan
formula menjadiseperti berikut ini:
Contoh :

 Seorang manager produksi ingin mengetahui apakah ada hubungan antara nilai tes
bakat (aptitude test) pada waktu penerimaan kerja dengan rating tampilannya
setelah satu semester bekerja.  Nilai aptitude test berkisar antara  0 sampai 100. 
Sedangkan rating tampilan mempunyai skala sebagai berikut:
1 =  pekerja berpenampilan sangat dibawah rata-rata
2 =  pekerja berpenampilan dibawah rata-rata
3 =  pekerja berpenampilan sedang (rata-rata)
4 =  pekerja berpenampilan diatas rata-rata
5 =  pekerja berpenampilan sangat diatas rata-rata
 PENGERTIAN UJI WALD-WOLFOWITZ

Pengertian Uji wald-wolfowitz adalah digunakan untuk menguji hipotesis komparatif dua sempel
independen bila datanya berbentuk ordinal.Uji wald-woldfowitz ini hampir sama dengan uji mann-
whirney dan uji- kolmogorov yaitu sama-sama digunakan untuk mengetahui perbedaan dua sempel
yang independen.
Istilah nonparametrik pertama kali digunakan oleh Wolfowitz, padatahun 1942. Metode
statistik nonparametrik merupakan metode statistik yangdapat digunakan dengan mengabaikan
asumsi-asumsi yang melandasipenggunaan metode statistik parametrik, terutama yang
berkaitan dengandistribusi normal. Istilah lain yang sering digunakan untuk
statistiknonparametrik adalah statistik bebas distribusi (distributionfree statistics) danuji bebas
asumsi (assumption-free test). Statistik nonparametrik banyakdigunakan pada penelitian-
penelitian sosial. Data yang diperoleh dalampenelitian sosial pada umunya berbentuk kategori
atau berbentuk rangking.
A. Esensi
 Adapun macam-macam Esensi dalam uji wald-wolfowitz :
 untuk menguji sekumpulan besar hipotesis-hipotesis pengganti
 pengujinya tidak pada jenis perbedaan tertentu tetapi pada sembarang perbedaan
 untuk menguji signifikansi hipotesis komparatif dua sampel independen bila datanya disusun dalam
bentuk ordinal dan disusun dalam bentuk run
B. Syarat
 test run wald-wolfowitz menganggap bahwa variabel yang dipelajari memiliki ditribusi kontinu
 sekalah yang dibutuhkan setidaknya berbentuk ordinal
C. Langkah Uji Hipotesis
 Misalkan banyak sempel dari populasi pertama adalah M dan banyak sempel populasi kedua adalah N. Kita akan menyusun
masing-masing dari M (dimisalkan dengan a) dan nilai dari N (dimisalkan dengan b) dalam suatu susunan ( dimulai dari a
atau b yang terkecil) dengan tetap mempertahankan informasimengenai dari populasi manakah nilai tersebut berasal.
 Setelah susunan didapatkan langkah selanjutnya adalah menghitung banyaknya run. Misalkan terdapat suatu susunan nilai
(a dan b) dari dua sampel independent n dan m sbb: a a a b b b b b a b a b a b a a a b, maka banyaknya run dapat dihitung
dengan cara mengelompokkan nilai – nilai sejenis kedalam satu run, dalam hal ini terdapat 10 run (kelompok dari nilai a a
a  = run I, b b b b b = run II, a = run III, dst sampai b = run X) 
 Jika hipotesis nol gagal ditolak, maka dapat disimpulkan bahwa nilai dari m+n berasal dari populasi yang identik. Oleh
sebab itu, a dan b akan tercampur secara merata dan nilai total dari run juga akan menjadi besar. Sebaliknya, jika Ho
berhasil ditolak, maka nilai total dari run akan menjadi kecil yang mengindikasikan bahwa sampel berasal dari populasi
yang berbeda.
D. Sampel Kecil (n dan m ≤ 20) 
 Tentukan nilai total run dengan cara yang telah disebutkan sebelumnya
 Gunakan Tabel FI yang terdapat pada lampiran di buku Siegell (hanya compatible untuk tingkat signifikansi 5 %)
 Cari nilai run dengan menggunakan tabel tsb yang sesuai dengan harga n dan m yang kita obsevasi
 Bandingkan nilai run observasi dengan nilai run tabel
 Tolak Ho jika nilai run tabel lebih besar dari nilai run observasi
E. Sampel Besar (n dan m > 20 ):
1. Tabel FI tidak dapat digunakan

2. Gunakan pendekatan normal

3. Rumus untuk Mean dan Standar Deviasi :

2mn
ur  1
mn

2nm(2nm  n  m)
ar 
(n  m) 2 (n  m  1)

4. Karena distribusi harga-harga empiris r adalah diskret sedangkan dengan sampel besar distribusi samplingnya
didekati dengan kurva normal yang kontinu, maka dibutuhkan koreksi kontinuitas, sehingga :

5. Bandingkan nilai z observasi dengan nilai z tabel yang sesuai dengan tingkat signifikansinya
6. Tolak Ho jika nilai z observasi lebih besar dari z tabel atau nilai p-value lebih kecil dari nilai α.
Contoh : Sampel Kecil (n dan m ≤ 20) Seorang manajer di sebuah perusahaan ingin mengetahui apakah
ada perbedaan disiplin kerja antara karyawan bagian administrasi dan keuangan. Observasi
dilakukan terhadap 11 karyawan administrasi dan 8 karyawan keuangan dan pengukuran
didasarkan pada waktu kedatangan. Hasil observasi tercatat sebagai berikut :
 UJI KOLMOGOROV SMIRNOV (K-S) 2 SAMPEL

Uji Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal
baku. Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak digunakan, terutama
setelah adanya program statistik yang beredar.

Tes Kolmogorov Smirnov pada awalnya dikembangkan oleh Smirnov (1939), tetapi kemudian
dinamakan tes Kolmogorov Smirnov dua sampel karena baik Kolmogorov dan Smirnov
mengembangkan jenis tes yang serupa. Kolmogorov untuk sampel tunggal dan Smirnov untuk dua
sampel. (Daniel, 1990).
Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang
signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan
pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05 berarti data yang akan
diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak
normal.

Dalam tes ini, distribusi variabel kontinyu untuk dua sampel independen dibandingkan. Tujuan dari
pengujian ini adalah untuk menentukan apakah dua sampel yang mewakili dua tingkat variabel
kategori telah diambil dari populasi yang berbagi distribusi yang sama. Tes dua sampel Kolmogorov-
Smirnov ini membandingkan distribusi kumulatif dari variabel dependen dalam dua kategori. jika
dua distribusi kumulatif sangat berbeda pada titik tertentu, mungkin ada alasan untuk percaya
bahwa distribusi ini tidak berbagi distribusi induk yang sama, apa pun distribusinya. Perhatikan
bahwa, tidak seperti uji satu sampel Kolmogorov-Smirnov, uji dua sampel tidak menentukan secara
tepat dari dua distribusi.
 Gambaran umum prosedur
Untuk menggunakan uji dua sampel K-S, distribusi frekuensi kumulatif untuk setiap sampel
pengamatan ditentukan, menggunakan interval serupa untuk kedua distribusi. selanjutnya, untuk
setiap interval, diperoleh perbedaan antara dua fungsi distribusi kumulatif. uji dua sampel K-S
kemudian menentukan perbedaan terbesar antara kedua fungsi. perbedaan ini menjadi dasar untuk
menentukan statistik pengujian.
Uji dua sampel K-S bisa satu atau dua sisi. tergantung pada hipotesis yang dinyatakan. Artinya, satu
distribusi dapat diprediksi berbeda dari yang lain dalam arah tertentu. dalam contoh hipotesis kami,
hipotesis alternatif adalah tidak terarah, yang menunjukkan bahwa pengujiannya dua sisi.
Metode matematis untuk menentukan signifikansi untuk uji dua sampel ini bergantung pada ukuran
sampel dan ditawarkan dalam Siegel dan Castellan (1988) dan Conover (1980). SPSS untuk Windows
menyediakan pengujian ini di antara rangkaian statistik nonparametriknya.
 Asumsi kritis uji dua sampel Kolmogorov Smirnov

1. Variabel dependen yang dipilih secara acak harus setidaknya ordinal dalam tingkat pengukurannya.
seperti uji satu sampel, uji dua sampel k-s memperoleh statistik yang didasarkan pada distribusi kumulatif.
Oleh karena itu, variabel dependen yang dipilih secara acak setidaknya harus ordinal dalam tingkat
pengukurannya. skor untuk variabel kami, kecemasan pencegahan, berasal dari skala ordinal 7 poin,
menunjukkan bahwa kami telah memenuhi asumsi pengukuran tingkat ordinal. Namun, data kami berasal
dari sampel kenyamanan dan bukan sampel acak.
2. Variabel independen atau pengelompokan harus memiliki dua tingkat yang saling eksklusif. untuk
menentukan perbedaan antara dua kelompok. perlu memiliki variabel pengelompokan dengan dua
tingkat yang saling eksklusif. ini berarti bahwa subjek dapat ditempatkan pada satu dan hanya satu tingkat
variabel independen. Jika variabel kategori ini memiliki beberapa tingkatan (misalnya, status etnis),
beberapa tingkatan dapat diciutkan menjadi dua kategori yang saling eksklusif, atau tingkatan dapat
dibandingkan dua pada satu waktu. variabel minat kita, keanggotaan kelompok, hanya memiliki dua tingkat
(intervensi vs. Kelompok kontrol); oleh karena itu, kami telah memenuhi asumsi ini.
- Kelebihan Uji Kolmogorov Smirnov :
Sederhana dan tidak menimbulkan perbedaan persepsi diantara satu pengamat dan pengamat yang
lain.yang sering terjadi pada uji normalitas dengan menggunakan grafik.
- Kelemahan Uji Kolmogorov Smirnov :
Jika kesimpulan kita memberikan hasil yang tidak normal, maka tidak bisa menentukan
transformasi.seperti apa yang harus kita gunakan untuk normalisasi.Jadi jika tidak normal, gunakan plot
grafik untuk melihat menceng ke kanan atau ke kiri, atau menggunakan Skewness dan Kurtosis sehingga
dapat ditentukan transformasi seperti apa yang paling tepat dipergunakan.
 Langkah-langkah prinsip uji Kolmogorov-Smirnov ialah sebagai berikut:

1. Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari nilai terkecil sampai nilaiterbesar. Kemudian
susunfrekuensi kumulatif dari nilai-nilai teramati itu.
2. Konversikanfrekuensikumulatifitukedalamprobabilitas,yaitu kedalamfungsidistribusifrekuensikumulatif[S(x)]. Sekali lagi
ingat bahwa, distribusi frekuensi teramati harus merupakan hasil pengukuran variabel paling sedikit dalam skala ordinal
(tidak isa dalam skalanominal).
3. Hitung nilai z untuk masing-masing nilai teramati di atas dengan rumus z=(xi–x) /s. dengan mengacu kepadatabel distribusi
normal baku (tabel B), carilah probabilitas (luas area) kumulatif untuk setiap nilai teramati. Hasilnya ialah sebagaiFo(xi).
4. Susun Fs(x) berdampingan dengan Fo(x). hitung selisih absolut antara S(x) dan Fo(x) pada masing-masing nilai teramati.
5. Statistik uji Kolmogorov-Smirnov ialah selisih absolut terbesar Fs(xi) dan Ft(xi) yang juga disebut deviasi maksimum D
6.Dengan mengacu pada distribusi pencuplikan kita bisa mengetahui apakah perbedaan sebesar itu (yaitu nilai D
maksimumteramati)terjadihanyakarenakebetulan.Denganmengacupadatabel D, kitalihatberapaprobabilitas(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.
 FISHER EXACT PROBABILITY

Dalam bidang kesehatan pengujian hipotesa untuk menarik kesimpulan hampir tidak pernah dilakukan
dengan sampel besar. Untuk itu dibutuhkan metode alternatif yang tidak bergantung pada bentuk
distribusi populasi. Para ahli statistika telah menemukan metode statistika yang disebut statistika non-
parametrik.
Uji pasti Fisher merupakan alternatif yang biasa dipakai untuk ukuran sampel kecil. Prosedur uji pasti
fisher dapat memberikan hasil yang akurat untuk semua tabel2 x 2, yang nilai-nilai harapannya terlalu kecil
untuk dapat dianalisis dengan uji Kai Kuadrat.
Fisher probability exact test merupakan salah satu metode statistik non parametrik untuk menguji
hipotesis. Prosedur ini ditemukan oleh R.A. Fisher pada pertengahan tahun 1930. Pada penelitian dua
variabel dengan data yang dinyatakan dalam persen, pengujian hipotesis dapat dilakukan dengan statistik
parametrik chi-kuadrat. Bila sampel yang digunakan terlalu kecil (n<20) dan nilai ekspektasi < 5 maka chi-
kuadrat tidak dapat digunakan walaupun telah mengalami koreksi dari Yates. Untuk mengatasi kelemahan
uji chi-kuadrat tersebut digunakan Fisher probability exact test (Budiarto, 2002).
 Contoh Tabel
Contoh tabel kontingensi 2 x 2 sebagai berikut :
Kelompok Jumlah

I a B a+b
II c D c+d
Jumlah a+c b+d N
Sumber: Sugiono, 2005
Kelompok I = sampel I
Kelompok 2 = sampel II
Tanda : menunjukkan adanya klasifikasi misalnya lulus-tidak lulus, gelap-
terang, dan sebagainya. A B C D adalah data nominal yang berbentuk frekuensi.
2.5.3. Rumus Dasar
Rumus dasar yang digunakan untuk pengujian exact fisher yaitu sebagai berikut :
Cohran (1954) dalam Siegel (1992) menganjurkan untuk menggunakan uji exact fisher bila pada
uji chi-kuadrat dilakukan dengan sampel kecil tersebut akan baik bila digunakan pada kondisi
sebagai berikut :
1. Bila sampel total kurang dari 20
2. atau bila jumlah sampel 20 < n < 40 dengan nilai ekspektasinya <5
Pada nilai marginal yang tetap dapat disusun berbagai kombinasi. Dari setiap kombinasi yang
dihasilkan dapat dihitung selisih persentase antara yang berhasil (+) dan tidak berhasil (-) dan
dihitung nilai p menggunakan rumus di atas.
Hasil perhitungan persentase setiap kombinasi dan nilai p dapat disusun dalam bentuk tebel.
Melalui tabel tersebut kita dapat segera mengetahui besarnya p dari selisih persentase (+) dan (-)
(Budiarto, 2002).
Keuntungan dan kerugian dengan menggunakan Uji exact Fisher yaitu sebagai berikut (Budiarto, 2002) :
Keuntungan :
1. Hasilnya langsung dengan nilai p yang pasti
2. Tes hanya didasarkan atas hasil pengamatan yang nyata
3. Tidak dibutuhkan asumsi populasi berdistribusi normal
4. Tidak dibutuhkan asumsi kedua kelompok yang diambil dari populasi secara random.
Kerugian :
1. Sulit untuk dilakukan ekstrapolasi terhadap populasi studi
2. Ahli statistika yang beranggapan bahwa tujuan akhir uji statistik adalah
mengadakan estimasi terhadap parameter populasi tidak setuju dengan uji Fisher.
 
TERIMA KASIH