STATISTIK PARAMETRIK VS STATISTIK
NONPARAMETRIK
Posted on January 17, 2014 by Andi HM
Seringkali pada saat melakukan riset, kita dihadapkan pada metode statistik apa yang cocok untuk penelitian tersebut. Dari jenis data maupun jumlah sampel yang digunakan dalam penelitian dikenal ada motde statistik yang biasa digunakan yaitu statistik parametrik dan
nonparametrik.
Untuk data-data yang bersifat kuantitatif dan mengunakan hipotesis yang mengasumsikan bahwa distribusi populasi bersifat normal, maka digunakan statistik parametrik dan sebaliknya. Namun untuk lebih jelasanya, berikut ini adalah ringkasan yang memuat perbedaan antara Statistik Parametrik dan Statistik Non Parametrik. Dengan memahami perbedaan antara keduanya, diharapkan kita bisa menemukan metode statistik yang tepat dalam
mengolah data riset yang tepat.
STATISTIK PARAMETRIK
Statistik Parametrik, yaitu statistik yang mengunakan data interval atau selang dan rasio berdasarkan fakta yang bersifat pasti dan berdasarkan sampel. Data diambil dengan memberi peluang yang sama atau independen, serta tidak bias.
Data Parametrik juga dicirikan oleh suatu populasi yang berdisribusi normal dan mempuyai varians yang sama.
Contoh metode statistik parametrik :
a. Uji-z (1 atau 2 sampel)
b. Uji-t (1 atau 2 sampel)
c. Korelasi pearson,
Keunggulan dan kelemahan statistik parametrik : Keunggulan :
1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal serta memiliki varian yang homogen.
Kelemahan :
1. Populasi harus memiliki varian yang sama.
2. Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam skala interval.
3. Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus normal dan bervarian sama, dan harus merupakan kombinasi linear dari efek-efek yang ditimbulkan.
STATISTIK NON-PARAMETRIK
Statistik Non-Parametrik adalah statistik yang tidak memerlukan
pembuatan asumsi tentang bentuk distribusi atau bebas distribusi, sehingga tidak memerlukan asumsi terhadapa populasi yang akan diuji.
Contoh metode statistik non-parametrik :
a. Uji tanda (sign test)
b. Rank sum test (wilcoxon)
c. Rank correlation test (spearman)
d. Fisher probability exact test.
e. Chi-square test, dll
Ciri-ciri statistik non-parametrik :
- Data tidak berdistribusi normal
– Umumnya data berskala nominal dan ordinal
– Umumnya jumlah sampel kecil
Keunggulan dan kelemahan statistik non-parametrik : Keunggulan :
1. Tidak membutuhkan asumsi normalitas.
2. Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih mudah dimengerti jika dibandingkan dengan statistik
parametrik karena ststistika non-parametrik tidak membutuhkan perhitungan matematik yang rumit seperti halnya statistik parametrik. 3. Statistik non-parametrik dapat digantikan data numerik (nominal)
dengan jenjang (ordinal).
4. Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan atau jenjang secara formal karena sering dijumpai hasil pengamatan yang dinyatakan dalam data kualitatif.
5. Pengujian hipotesis pada statistik non-parametrik dilakukan secara langsung pada pengamatan yang nyata.
6. Walaupun pada statistik non-parametrik tidak terikat pada distribusi normal populasi, tetapi dapat digunakan pada populasi berdistribusi normal.
Kelemahan :
1. Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.
2. Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam statistik parametrik.
3. Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi seperti pada statistik parametrik. Hal ini dikarenakan statistik non-parametrik mendekati eksperimen dengan sampel kecil dan umumnya membandingkan dua kelompok tertentu.
Dalam implementasi, penggunaan prosedur yang tepat merupakan tujuan dari peneliti. Beberapa parameter yang dapat digunakan sebagai dasar dalam penggunaan statistik non parametrik adalah:
1. Hipotesa yang diuji tidak melibatkan parameter populasi.
2. Skala yang digunakan lebih lemah dari skala prosedur parametrik. 3. Asumsi-asumsi parametrik tidak terpenuhi.
LANGKAH MENENTUKAN STATISTIK YANG AKAN DIGUNAKAN DALAM RISET
2. Apakah data berjumlah besar?
3. Apakah data memiliki distribusi tertentu?
Setidaknya dengan menjawab tiga pertanyaan diatas anda sudah mampu menentukan jenis statistik apa yang akan anda gunakan.
Demikian, semoga bermanfaat
ah, untuk membacanya, kan ada dua tuh: Kolmogorov-Smirnov dan Shapiro-Wilk.
Ketentuannya:
a. Jika Responden > 50, maka membacanya pake Kolmogorov-Smirnov
b. Jika Responden ≤ 50, maka membacanya pake Shapiro-Wilk
Responden kita jumlahnya 22 , jadi tabel yang dilihat ialah Tabel Shapiro -Wilk. Kita liat p/sig – nya.
Data akan Memiliki Distribusi Normal jika p ≥ 0,05
Hasil di gambar di atas, sig untuk variabel Pengetahuan memiliki nilai 0,000 sedangkan sig untuk
variabel sikap memiliki nilai 0,009.
Keduanya < 0,05
INTERPRETASI:
JADI KEDUA VARIABEL TERSEBUT, BAIK VARIABEL PENGETAHUAN DAN SIKAP TIDAK MEMILIKI DISTRIBUSI DATA YANG NORMAL.
Uji Normalitas Data ini berfungsi manakala kita hendak mengkategorikan / Mengelompokkan Data
pada Distribusi Frekuensi, jika:
a. Data Berdistribusi Normal:
1. Acuan Normal: didasarkan pada Mean (rata2) dan Standar Deviasi.
Untuk 2 Kategori: Pengetahuan Baik: X ≥ Mean
Pengetahuan Kurang: X < Mean
Pengetahuan Cukup: Mean-SD ≤ X ≤ Mean+SD
Pengetahuan Kurang: X < Mean-SD
2. Acuan baku : sesuai konsep teori yang ada (kategori menurut pakar2 ilmu tertentu)
b. Data Tidak Berdistribusi Normal: Pengelompokan didasarkan pada nilai Median dan Kuartil (K1, K2, K3)
Untuk 2 kategori: Pengetahuan Baik: X ≥ Median
Pengetahuan Kurang: X < Median
Untuk 3 kategori: Pengetahuan Baik: X > K3
Pengetahuan Sedang : K1 ≤ X ≤ K3
Pengetahuan Kurang : X < K1 (Kuartil 1)
Hasil Output diatas untuk tabel Risk Estimate dapat di interpretasikan
1. Odds ratio yang dihitung disini merupakan odds dari siswa yang les privat dibandingkan dengan siswa yang tidak les privat terhadap hasil ujian yang lulus (kolom 1). Ini diketahui dari “odds ratio for Les_Privat(Ya/Tidak)” dimana siswa yang les privat sebagai pembilang (numerator) dan siswa yang tidak les privat sebagai penyebut (denominator). Nilai Odds ratio sebesar 9,107 berarti siswa yang ikut les privat memilki kecenderungan untuk lulus ujian sebesear 9,107 atai 9 kali lebih besar dibandingkan dengan siswa yang tidak ikut les privat. Selanjutnya diperoleh juga selang kepercayaan [(3,55),(23,363)] dimana pada selang kepercayaan tidak mengandung nilai odds ratio 1 sehingga menunjukan adanya hubungan antara les privat dengan hasil ujian pada taraf signifikansi 5 %
3. Relative risk untuk hasil ujian tidak lulus (kolom 2) dihitung dengan
membandingkan peluang siswa yang ikut les privat yang lulus ujian dengan siswa yang tidak ikut les privat yang lulus ujian. Relative risknya di SPSS dapat dilihat pada “For Cohort Hasil_Ujian=Tidak”, Yaitu 0,364. Artinya siswa yang ikut les privat
memiliki peluang atau resiko untuk tidak lulus ujian 0,364 kali lebih kecil
dibandingkan dengan siswa yang tidak ikut les privat. Untuk selang kepercayaannya didapat [(0,212),(5,518)] dimana pada selang kepercayaan tidak mengandung nilai relative risk 1 sehingga menunjukan adanya hubungan antara les privat dengan hasil ujian pada taraf signifikansi 5 %
4. N=100 menunjukan jumlah sampel.
Kesimpulan yang bisa diambil bahwa siswa yang ikut les privat memiliki peluang yang lebih besar untuk lulus ujian dibandingkan dengan siswa yang tidak ikut les privat. Dari ketiga selang
kepercayaan menunjukan hasil yang konsisten dimana tidak ada satupun yang mengandung nilai 1 sehingga dapat dikatakan terdapat hubungan antara les privat dengan hasil ujian pada taraf
