Statistika Non Parametrik:

Aneka Pengujian
Muhammad Doddy, PhD
Tujuan Pembelajaran

Dalam bab ini, kita akan belajar:

• Bagaimana menggunakan uji tanda (sign test).
• Bagaimana menggunakan uji McNemar.
• Bagaimana menggunakan uji Wilcoxon.
• Bagaimana menggunakan uji Kruskal-Wallis.
• Bagaimana menggunakan uji Fisher Exact.
• Bagaimana menggunakan korelasi rank spearman.
Uji Tanda (Sign Test)
Statistika Non-Parametrik: Aneka Pengujian
Uji Tanda
• Tujuan uji tanda adalah untuk melihat adanya perbedaan dan bukan besarnya
perbedaan serta didasarkan pada prosedur pada tanda positif dan negatif dari
perbedaan antara pasangan data
• Contoh aplikasi uji tanda adalah mengidentifikasi preferensi konsumen untuk
salah satu dari dua merek produk.
• Tujuannya adalah untuk menentukan apakah ada perbedaan dalam preferensi
antara dua item yang dibandingkan.
• Untuk mencatat data preferensi konsumen, kita menggunakan tanda plus jika
individu lebih suka satu merek dan tanda minus jika individu lebih suka merek lain.
• Karena data dicatat sebagai tanda plus dan minus, tes ini disebut uji tanda.
Contoh Uji Tanda
• Sebuah perusahaan kecap melakukan studi riset pasar dengan mengambil sampel
sebanyak 36 konsumen. Ke-36 konsumen tersebut diminta untuk mencicipi dua
merek kecap dan menunjukkan preferensi. Hasil tes adalah sebagai berikut.
Respon Jumlah
Menyukai Merek A 18
Menyukai Merek B 12
Tidak Menyukai Keduanya 6

• Apakah hasil respons dari ke-36 konsumen menunjukkan perbedaan yang

signifikan dalam preferensi konsumen untuk kedua merek?
Contoh Uji Tanda
• Menentukan Hipotesis:
• H0: p = 0,50  Tidak ada perbedaan preferensi antara merek A dan B
• Ha: p ≠ 0,50  Tidak ada perbedaan preferensi antara merek A dan B
• Menentukan Tanda:
Respon Jumlah Tanda
Menyukai Merek A 18 +
Menyukai Merek B 12 -
Tidak Menyukai 6 0
Keduanya
• Tanda positif (+) adalah 18 dan tanda negatif (-) adalah 12. Pilihan tidak menyukai
keduanya (0) tidak dimasukkan ke dalam perhitungan.
Contoh Uji Tanda
• Mencari Chi-Square Tabel dengan taraf nyata 0,05. Jumlah kelompok ada 2 yaitu n1
dan n2. Maka nilai derajat bebas (degree of freedom) = c – 1 = 2 – 1 = 1. Maka Chi-
Square Tabel = 3,841
α (taraf nyata)
Df 0,10 0,05 0,02 0.01
1 2,706 3.841 5.412 6.635
2 4,605 5.991 7.824 9.210
3 6,251 7.815 9.837 11.345

• Mencari Statistik uji berupa Chi-Square hitung

==
Uji Tanda: Contoh
• Chi-Square hitung = 0,83
• Karena harga chi square hitung lebih kecil dari chi square tabel ( 0,83 < 3,841),
maka bisa disimpulkan tidak ada perbedaan preferensi konsumen antara
kecap merek A dan B.

0,83 3,841
Uji McNemar
Statistika Non-Parametrik: Aneka Pengujian
Uji McNemar

• Digunakan untuk menguji perbedaan antara dua proporsi sampel terkait (tidak
independen).
• Kita perlu menggunakan statistik uji yang mengikuti distribusi normal.
Uji McNemar: Tabel Kontingensi
Kondisi (Group) 2
Kondisi (Group) 1
Ya Tidak Total

Ya A B A+B
Tidak C D C+D
Total A+C B+D n

Di mana A = jumlah responden yang menjawab Ya untuk kondisi 1 dan kondisi 2

B = jumlah responden yang menjawab Ya untuk kondisi 1 dan Tidak untuk kondisi 2
C = jumlah responden yang menjawab Tidak untuk kondisi 1 dan Ya untuk kondisi 2
D = jumlah responden yang menjawab Tidak untuk kondisi 1 dan kondisi 2
n = jumlah responden dalam sampel
Uji McNemar: Tabel Kontingensi

Kondisi (Group) 2
Kondisi (Group) 1
Ya Tidak Total

Ya A B A+B
Tidak C D C+D
Total A+C B+D n

Proporsi sampel adalah:

Uji McNemar: Tabel Kontingensi

Kondisi (Group) 2
Kondisi (Group) 1
Ya Tidak Total

Ya A B A+B
Tidak C D C+D
Total A+C B+D n

Proporsi populasi adalah:

π1 = proporsi populasi yang menjawab ya untuk kondisi 1
π2 = proporsi penduduk yang menjawab ya untuk kondisi 2
Uji McNemar: Tabel Kontingensi
Untuk menguji hipotesis:
H0 : π1 = π2
H1 : π 1 ≠ π2

Gunakan statistik uji:

Uji McNemar: Contoh
• Sekitar 300 pelanggan barbershop disurvey dan ditanyakan apakah mereka
tertarik untuk kembali ke barbershop. Dalam upaya untuk meningkatkan omset,
barbershop mengadakan promo yang menarik. Pelanggan barbershop yang sama
disurvei lagi. Tentukan apakah promosi efektif dalam mengajak kembali
pelanggan barbershop. Data dirangkum sebagai berikut:

Survey Setelah
Survey Sebelum Promo
Promo Ya Tidak Total

Ya 118 2 120
Tidak 22 158 180
Total 140 160 300
Uji McNemar: Contoh
Survey Setelah
Survey Sebelum Promo
Promo
Ya Tidak Total

Ya 118 2 120
Tidak 22 158 180
Total 140 160 300
Ujilah hipotesis (pada tingkat signifikansi 0,05):
• H0: π1 ≥ π2: Promosi tidak efektif
• H1: π1 < π2: Promosi efektif meningkatkan bisnis
Uji McNemar: Contoh

Survey Setelah Promo Nilai kritis (signifikansi 0,05) adalah Z =

Survey Sebelum
Promo Ya Tidak Total -1.96
Statistik pengujiannya adalah:
Ya 118 2 120
Tidak 22 158 180
Total 140 160 300

Karena Z = -4,08 < -1,96, H0 ditolak dan bisa disimpulkan bahwa perubahan
promosi secara signifikan meningkatkan bisnis bagi barbershop.
Uji Jumlah Peringkat Wilcoxon
Statistika Non-Parametrik: Aneka Pengujian
Uji Jumlah Peringkat Wilcoxon

Uji jumlah peringkat Wilcoxon (Wilcoxon Rank-Sum)

• Uji dua median populasi independent
• Populasi tidak perlu berdistribusi normal
• Prosedur bebas distribusi
Uji Jumlah Peringkat Wilcoxon

• Bisa digunakan saat keduanya n1 , n2 ≤ 10

• Tetapkan peringkat ke nilai sampel n1 + n2 dan gabungkan
• Jika ukuran sampel tidak sama, misalkan n1 mengacu pada sampel berukuran
lebih kecil
• Peringkat nilai terkecil = 1, peringkat nilai terbesar = n1 + n2
• Tetapkan peringkat rata-rata untuk data yang bernilai sama.
• Jumlahkan peringkat untuk setiap sampel: T1 dan T2
• Dapatkan statistik uji, T1 (dari sampel yang lebih kecil)
Memeriksa Peringkat

• Jumlah peringkat harus memenuhi rumus di bawah ini

• Dapat menggunakan ini untuk memverifikasi jumlah T1 danT2

𝑛(𝑛+1)
𝑇 1 +𝑇 2=
2
Di mana n = n1 + n2
Uji Jumlah Peringkat Wilcoxon: Hipotesis dan
Keputusan
M1 = median populasi 1; M2 = median populasi 2
Statistik Uji = T1 (Jumlah peringkat dari sampel yang lebih kecil)

Uji dua arah Uji arah kiri Uji arah kanan

H0: M1 = M2 H0: M1 ≥ M2 H0: M1 ≤ M2
H1: M1 ≠ M2 H1 : M 1 < M 2 H1: M 1 > M 2

Tolak Terima Tolak Tolak Terima Terima Tolak

T1L T1R T1L T1R

Tolak H0 jika T1 ≤ T1L Tolak H0 jika T1 ≤ T1L Tolak H0 jika T1 ≥ T1U
atau jika T1 ≥ T1U
Uji Jumlah Peringkat Wilcoxon:
Contoh dengan Sampel Kecil
• Data sampel dikumpulkan berdasarkan tingkat kapasitas (% kapasitas) untuk dua
pabrik.
• Apakah rata-rata tingkat operasi untuk dua pabrik sama?
• Untuk pabrik A, tingkat operasi nya adalah 71, 82, 77, 94, 88
• Untuk pabrik B, tingkat operasi nya adalah 85, 82, 92, 97
• Uji kesetaraan median populasi pada tingkat signifikansi 0,05
Uji Jumlah Peringkat Wilcoxon:
Contoh dengan Sampel Kecil
Kapasistas Peringkat
Nilai Pabrik A Pabrik B Pabrik A Pabrik B
Peringkat 71 1
Kapasitas: 77 2
82 3,5
Peringkat 3 dan 4 82 3,5
memiliki nilai 85 5
yang sama 88 6
92 7
94 8
97 9
Jumlah Peringkat 20,5 24,5
Uji Jumlah Peringkat Wilcoxon:
Contoh dengan Sampel Kecil
Pabrik B memiliki ukuran sampel yang lebih kecil, sehingga statistik uji adalah
jumlah dari peringkat Pabrik B:
T1 = 24,5

Ukuran sampel adalah:

n1 = 4 (Pabrik B)
n2 = 5 (Pabrik A)
Tingkat signifikansi adalah α = 0,05
Uji Jumlah Peringkat Wilcoxon:
Contoh dengan Sampel Kecil
 Nilai kritis arah kiri α n1
dan kanan untuk T1 n2 One- Two-
dari Tabel: Tailed Tailed 4 5

4
0,05 0,10 12, 28 19, 36
0,025 0,05 11, 29 17, 38
T1L = 11 dan 5
0,01 0,02 10, 30 16, 39
T1R = 29
0,005 0,01 --, -- 15, 40
6
Uji Jumlah Peringkat Wilcoxon:
Contoh dengan Sampel Kecil
 a = 0,05 Statistik Uji (Jumlah peringkat dari sampel
 n1 = 4 , n2 = 5 yang lebih kecil):

Uji Dua Arah T1 = 24.5

H0: M1 = M2
H1: M1 ≠ M2
Keputusan:
Tidak ada cukup bukti untuk membuktikan
Tolak Terima Tolak
bahwa median tidak sama.
T1L=11 T1R=29 Kesimpulan:
Tolak H0 jika T1 ≤ T1L = 11 Terima pada α = 0,05. Tidak ada perbedaan
atau jika T1 ≥ T1R = 29 tingkat operasi Pabrik A dan Pabrik B
Uji Jumlah Peringkat Wilcoxon:
Menggunakan Pendekatan Normal
• Untuk sampel besar, statistik uji T1 mendekati normal dengan rata-rata dan
simpangan baku:

μ𝑇 =
1
𝑛1 (𝑛+1)
2 σ𝑇 =1
√
𝑛1 𝑛2 (𝑛+1)
12

• Harus menggunakan pendekatan normal jika n1 atau n2 > 10

• Tetapkan n1 menjadi yang lebih kecil dari dua ukuran sampel
• Dapat menggunakan pendekatan normal untuk sampel kecil
Uji Jumlah Peringkat Wilcoxon:
Menggunakan Pendekatan Normal
• Statistik uji Z adalah

𝑇 1 − μ𝑇
Z= 1

σ𝑇 1

• Dimana Z mengikuti distribusi normal standar

Uji Jumlah Peringkat Wilcoxon:
Menggunakan Pendekatan Normal
Dengan menggunakan contoh sebelumnya:
Ukuran sampelnya adalah:
n1 = 4 (Pabrik B)
n2 = 5 (Pabrik A)
Tingkat signifikansi adalah α = 0,05

Statistik pengujian adalah T1 = 24,5

Uji Jumlah Peringkat Wilcoxon:
Menggunakan Pendekatan Normal
𝑛1 (𝑛+1) 4 (9+1)
μ𝑇 = = =20
1
2 2

σ𝑇 =
1
√ 12 12 √
𝑛1 𝑛2 (𝑛+1) 4(5)(9+1)
= =4 ,082

𝑇 1 − μ𝑇 24 , 5 −20
• Statistik pengujian adalah: Z= 1
= =1 ,10
σ𝑇 1
4 , 082
 Z = 1,10 lebih kecil dari nilai Z kritis 1,96 (untuk α = 0,05) sehingga kita
menerima H0 - tidak ada cukup bukti bahwa median tidak sama.
Uji Peringkat Kruskal-Wallis
Statistika Non-Parametrik: Aneka Pengujian
Uji Peringkat Kruskal-Wallis

• Menguji perbedaan lebih dari 2 kelompok populasi.

• Mirip dengan uji ANOVA satu arah akan tetapi tidak terdistribusi normal.
• Asumsi:
• Sampelnya acak dan independen.
• data dapat diberi peringkat.
• populasi memiliki variabilitas yang sama.
• populasi memiliki bentuk yang sama.
Uji Peringkat Kruskal-Wallis

• Tentukan peringkat secara keseluruhan untuk setiap nilai.

• Jika ada nilai yang sama, masing-masing nilai diberi peringkat rata-rata.
• Jumlahkan peringkat untuk data dari masing-masing kelompok (c).
• Hitung statistik uji H.
Uji Peringkat Kruskal-Wallis
 Statistik uji Kruskal-Wallis H (dengan c - 1 derajat kebebasan):

[ ]
𝑐 2
12 𝑇
𝐻= ∑
𝑛(𝑛+1) 𝑗=1 𝑛 𝑗
𝑗
− 3(𝑛+1)

Di mana:
n = jumlah total sampel
c = Jumlah kelompok
Tj = Jumlah rangking setiap kelompok
nj = Ukuran sampel setiap kelompok
Uji Peringkat Kruskal-Wallis
 Lakukan pengujian dengan membandingkan nilai H yang dihitung dengan nilai
kritis 2 dari distribusi chi-square dengan degree of freedom adalah c – 1.

• Aturan keputusan

• Tolak H0 jika statistik uji H > 2R
0 • Jika tidak, maka terima H0
Terima H0 Tolak H0
2
R
2
Uji Peringkat Kruskal-Wallis: Contoh

• Berikut adalah data sampel penjualan dari tiga kota yang diambil secara acak dari
beberapa toko. Apakah ada perbedaan penjualan di tiga kota?

Bekasi Depok Tangerang

23 55 30
41 60 40
54 72 18
78 45 34
66 70 44
Uji Peringkat Kruskal-Wallis: Contoh

Bekasi Ranking Depok Ranking Tangerang Ranking

23 2 55 10 30 3
41 6 60 11 40 5
54 9 72 14 18 1
78 15 45 8 34 4
66 12 70 13 44 7

 = 44  = 56  = 20
Uji Peringkat Kruskal-Wallis: Contoh

H 0 : MedianB =MedianD=MedianT
• Nilai stasitika H adalah

[ ]
𝑐 2
12 𝑇
𝐻= ∑
𝑛(𝑛+1) 𝑗=1 𝑛 𝑗
− 3(𝑛+1)
𝑗
Kruskal-Wallis Rank Test
Example
 Bandingkan H = 6,72 dengan nilai kritis dari distribusi chi-square untuk
3 - 1 = 2 derajat kebebasan dan  = 0,05:

Karena H = 6.72 > , tolak H0

Terdapat perbedaan penjualan di tiga kota

Uji Fisher Exact (Fisher Exact Test)
Statistika Non-Parametrik: Aneka Pengujian
Uji Fisher Exact

• Uji Fisher atau yang dikenal dengan Fisher Exact Probability Test digunakan untuk
menguji signifikansi hipotesis perbandingan dua sampel kecil yang independen
untuk data yang berbentuk nominal.
Uji Fisher Exact: Contoh

• Sebuah perusahaan handphone melihat bahwa konsumen pria lebih menyukai

handphone berwarna gelap dan konsumen wanita menyukai handphone
berwarna terang. Perusahaan mengadakan penelitian mengenai preferensi ini dan
mengambil 15 sampel yang diambil secara acak. Hasil dari penelitian adalah
sebagai berikut:
Konsumen Gelap Terang Jumlah
Pria 6 2 8
Wanita 1 6 7
7 8 15

• Apakah ada perbedaan preferensi warna antara kedua konsumen?

Contoh Uji Fisher Exact
• Hipotesis:
• H0: Tidak terdapat perbedaan preferensi warna antara pria dan wanita.
• H1: Terdapat perbedaan preferensi warna antara pria dan wanita.
Kelompok Gelap Terang Jumlah
Pria 6 (A) 2 (B) 8
Wanita 1 (C) 6 (D) 7
7 8 15

( 𝐴+ 𝐵 ) ! × ( 𝐶 + 𝐷 ) ! × ( 𝐴+𝐶 ) ! × ( 𝐵+ 𝐷 ) !
𝑃=
𝑁 ! 𝐴! 𝐵! 𝐶 ! 𝐷 !
(6 +2)! (1+6)! (6+1)! (2+6) !
𝑃= =0 , 03
15! 6 ! 2 ! 1 ! 6 !
Contoh Uji Fisher Exact

• Jika P > α  H0 diterima

Jika P < α  H0 ditolak
 0,03 < 0,05  H0 ditolak
• Kesimpulan: Ada perbedaan preferensi (kesukaan) warna antara pria dan wanita.
Korelasi Peringkat Spearman
Statistika Non-Parametrik: Aneka Pengujian
Korelasi Peringkat Spearman

• Korelasi Spearman merupakan alat uji statistik yang digunakan untuk menguji

hipotesis asosiatif dua variabel bila datanya tidak normal.
• Jika data terdistribusi secara normal bisa menggunakan korelasi Pearson.
• Korelasi Spearman juga digunakan untuk mencari signifikansi hubungan asosiatif
untuk variabel dengan data berbentuk ordinal.
Contoh Korelasi Rank Spearman
Apakah ada hubungan motivasi belajar dengan IPK seorang mahasiswa? Berikut ini
adalah data kuesioner dari lima orang mahasiswa di mana mahasiswa tersebut
ditanya motivasi belajar dari angka 1 sampai 10.

Motivasi IPK
9 3,9
8 3,4
5 2,1
6 3,5
7 3,0
Contoh Korelasi Rank Spearman

• Menentukan Hipotesis:
• H0: Tidak ada korelasi antara motivasi dengan IPK mahasiswa.
• Ha: Terdapat korelasi antara motivasi dengan IPK mahasiswa.
• Menentukan taraf nyata dengan alpha = 0,05
• Nilai Z tabel dua arah dengan probabilitas = 0,5 – 0,025 = 0,475 adalah ±1,96.
Contoh Korelasi Rank Spearman
Selisih
Motivasi IPK Rangking Motivasi Rangking IPK Selisih
Kuadrat
9 3,9 5 5 0 0

8 3,4 4 3 1 1

5 2,1 1 1 0 0

6 3,5 2 4 2 4

7 3,0 3 2 1 1

 Di2 6

6∑ 𝐷 2
𝑖 6 ×6
𝑟 𝑠=1 − =1 − =1 −0,3=0,7
𝑛 (𝑛 − 1)
2
5( 5 − 1)
2
Contoh Korelasi Rank Spearman

𝑟𝑠 0,7 • Nilai Z hitung = 1,4

𝑍= = =1,4
1 1 • Karena harga Z hitung lebih kecil dari Z
√ ( 𝑛 −1 ) √ ( 5 −1 ) tabel ( 1,4 < 1,96), maka bisa disimpulkan
tidak ada korelasi yang signifikan antara
motivasi dan IPK

-1,96 1,4 1,96

Ringkasan Bab

Pada bab ini kita telah:

• Menjelaskan uji tanda
• Menjelaskan uji McNemar
• Menjelaskan uji jumlah peringkat Wilcoxon
• Menjelaskan uji jumlah peringkat Kruskal-Wallis
• Menjelaskan uji Fisher Exact
• Menghitung korelasi peringkat Spearman dan menguji signifikansinya.