Tampilkan postingan dengan label Uji Beda. Tampilkan semua postingan
Tampilkan postingan dengan label Uji Beda. Tampilkan semua postingan

Uji Wald-Wolfowitz dengan SPSS Versi 26

Uji Wald-Wolfowitz adalah uji beda untuk dua sampel yang tidak berkorelasi pada statistik parametrik. Uji yang sejenis misalnya Mann-Whitney U Test, Kolmogorov-Smirnov atau pun Median Test. Uji ini sebenarnya merupakan perluasan dari uji run atau run test pada satu sampel non parametrik. Apa dan bagaimana penggunaannya? Mari kita bahas bersama

Daftar isi

  1. Uji Dua Sampel tidak Berkorelasi
  2. Statistik Non Parametrik
  3. Uji beda dua sampel tidak berkorelasi pada Statistik Non Parametrik
  4. Uji Wald-Wolfowitz
  5. Simulasi Uji Wald-Wolfowitz dengan SPSS Versi 26
  6. Kesimpulan

Uji Dua Sampel Tidak Berkorelasi

Seorang peneliti bisa berhadapan dengan dua buah kelompok atau sampel data atau grup yang tidak berasal dari populasi yang sama bahkan mempunyai jumlah atau anggota sampel yang berbeda. Misalnya kita ingin mengetahui preferensi suatu merek elektronik tertentu antara kelompok mahasiswa dengan pelajar, atau antara profesi A dengan profesi B. Kedua kelompok sampel tersebut tidak berkorelasi, sehingga diperlukan metode-metode khusus.

Metode independent test sudah sering kita jumpai dalam berbagai penelitian. Metode ini dikembangkan untuk melihat perbedaan (atau persamaan) di antara dua sampel yang tidak berkorelasi. Kita bisa menggunakan beberapa acuan, misalnya nilai median, atau ranking atau acuan yang lain. 


Statistik Non Parametrik

Pada statistik parametrik, maka harus ada beberapa asumsi, misalnya normalitas dan juga skala pengukuran juga harus interval atau rasio. Pada kenyataannya banyak data penelitian yang tidak berskala itu, misalnya nominal atau ordinal atau tidak mampu memenuhi asumsi atau prasyarat pada statistik parametrik. Oleh karena itu, statistik non parametrik menjadi sangat penting ketika kita bekerja dengan data berskala nominal atau ordinal.

Sebagai contoh adalah data yang berbentuk biner, atau data yang berkala ordinal. Beberapa metode statistik non parametrik untuk dua sampel yang tidak berhubungan justru lebih banyak dari pada metode statistik parametrik untuk dua sampel yang tidak berhubungan. Beberapa di antaranya kita bahas bersama di artikel ini.


Uji Beda Dua Sampel Tidak Berkorelasi pada Statistik Non Parametrik

Ada beberapa uji beda dua sampel yang tidak berkorelasi pada statistik non parametrik. Uji tersebut misalnya Mann-Whitney U Test, Kolmogorov-Smirnov, Median Test dan yang akan kita bahas pada artikel kali ini adalah Uji Wald-Wolfowitz. Masing-masing uji mempunyai perbedaan dan karakteristik sendiri-sendiri. Untuk selengkapnya silahkan visit di artikel tentang uji beda dua sampel yang tidak berkorelasi pada statistik non parametrik.


Uji Wald-Wolfowitz

Wald-Wolfowitz sebenarnya adalah nama dua orang ahli statistik yaitu Abraham Wald dan Jacob Wolfowitz. Abraham Wald adalah seorang Yahudi berkebangsaan Hongaria yang hidup antara 31 Oktober 1902 sampai dengan 13 Desember 1950. Beliau mempunyai kontribusi besar dalam teori pengambilan keputusan, geometri dan bahkan ekonometrika. Sedangkan Jacob Wolfowitz adalah seorang Yahudi berkebangsaan Polandia yang hidup pada 19 Maret 1910 sampai dengan 16 Juli 1981. Keduanya banyak bekerja sama di bidang matematika dan salah satu warisannya adalah uji Wald-Wolfowitz.

Uji Wald-Wolfowitz sebenarnya adalah perluasan dari Run Test. Run Test (uji run) adalah uji satu sampel pada statistik non parametrik. Konsep dasar dari run test adalah menghitung ada berapa perubahan atau 'runs' pada suatu distribusi data. Run dinyatakan dengan adanya perubahan atau perbedaan pada urutan data. Nilai run tersebut lalu dikonsultasikan pada tabel run, di mana jika lebih besar (atau lebih kecil) dari nilai tabel maka peneliti dapat memberikan justifikasi apakah distribusi data tersebut random atau tidak. Uji run selengkapnya dapat Anda simak di artikel ini.

Untuk uji Wald-Wolfowitz juga menggunakan dasar yang sama. Karena ada dua sampel, maka disusun secara berturutan, misalnya dari nilai rendah ke tinggi. Dua sampel tersebut dijadikan satu secara ranking atau urut dari kecil sehingga menjadi 1 distribusi data saja, dan di kolom sebelahnya diberikan kode kelompok, dari kelompok 1 atau kelompok 2. Setelah itu, setiap ada perubahan kelompok, berarti ada 1 run, demikian seterusnya sampai nilai terbesar.

Misalnya ada data A : 3, 5, 7 dan 2 dan data B: 4, 1, dan 8
Maka kita susun menjadi satu baris secara urut: 1, 2, 3, 4, 5, 7 dan 8. Lalu kita hitung Run. Yang pertama dari 1 pada B diikuti 2 dari A, maka ada 1 run. Setelah itu dari 2 ke 3 tidak ada run karena sama-sama berasal dari A. Setelah itu 3 ke 4 ada lagi 1 run karena dari A ke B demikian seterusnya.

Setelah itu tinggal dihitung jumlah runs lalu dikonsultasikan dengan tabel runs, apakah ada perbedaan atau tidak. Adapun persamaan umumnya adalah sebagai berikut:
Rumus Wald-Wolfowitz
Rumus Wald-Wolfowitz
Dengan N adalah jumlah Runs.

Simulasi Uji Wald-Wolfowitz dengan SPSS Versi 26

Untuk simulasi uji Wald-Wolfowtz kita menggunakan data yang ada di sini. Silahkan didownload dengan akun Gmail Anda. Itu adalah data simulasi saja dari 20 yang terbagi dalam kelompok 1 dan kelompok 2. 
Menu Wald-Wolfowitz dalam SPSS Versi 26
Menu Wald-Wolfowitz dalam SPSS Versi 26

Pilih Analyze, lalu pilih Nonparametric Tests, pilih Legacy Dialogs dan klik pada 2 Independent Samples. Lalu kita akan diarahkan ke Menu Uji dua sampel tidak berkorelasi pada statistik non parametrik sebagai berikut:
Menu 2 Independent Samples
Menu 2 Independent Samples
Masukkan variabel ke Test Variable List dan berikan tanda centang pada Wald-Wolfowitz runs seperti pada gambar di atas. Setelah itu klik pada Define Groups untuk menentukan grup 1 (Tepat) dan 2 (Terlambat) seperti pada gambar di bawah:
Mendefinisikan Grup
Mendefinisikan Grup
Setelah itu klik Continue lalu Klik lagi OK sehingga akan keluar output sebagai berikut:
Output Frekuensi
Output Frekuensi
Tampak bahwa terdapta 9 sampel yang tepat dan 11 sampel yang  terlambat. Ini hanya simulasi data saja di mana total sampel adalah 20. Setelah itu output yang berikutnya adalah: 
Output Wald-Wolfowitz
Output Wald-Wolfowitz
Jumlah run dapat dilihat pada kolom Number of Runs dan nilai Wald pada kolom Z. Tampak bahw nilai Signifikansi pada kedua kemungkinan adalah sebesar 0,255 dan 0,605. Keduanya masih di atas 0,05 yang berarti bahwa tidak terdapat perbedaan antara kedua kelompok 1 dan 2 atau Tepat dan Terlambat.


Kesimpulan

Dari berbagai metode yang ada, semuanya mempunyai karakteristik sendiri. Wald-Wolfowitz menggunakan data ordinal tetapi tidak bisa digunakan untuk data biner. Untuk skala interval juga bisa jika diasumsikan sebagai ordinal karena tidak memenuhi asumsi normalitas. Akan tetapi memang banyak yang beranggapan bahwa metode Kolmogorov-Smirnov lebih efektif dibandingkan metode Wald-Wolfowitz.
Share:

Uji Marginal Homogeneity dengan SPSS Versi 26

Uji Marginal Homogeneity adalah uji beda untuk sampel berpasangan pada statistik non parametrik. Uji ini mungkin kurang populer karena memang tidak semua Program SPSS mempunyai menu ini. Hanya Software SPSS yang diinstall secara lengkap yang memuat menu ini, sedangkan yang custom kadang tidak memuat menu uji ini. Lantas seperti apa uji Marginal homogeneity (MH) ini? Mari kita ulas bersama-sama.

Daftar isi

  1. Uji Beda Sampel Berpasangan
  2. Statistik Non Parametrik
  3. Uji-uji yang lain
  4. Uji Marginal Homogeneity
  5. Kesimpulan
Uji Beda Sampel Berpasangan
Uji beda dua sampel berpasangan (berhubungan/berkorelasi) adalah uji beda untuk melihat perbedaan antara dua sampel yang berhubungan (berkorelasi) atau dari sampel yang sama dengan treatment (perlakuan) yang berbeda. Istilah treatment dapat berupa latihan, pemberian obat atau suntikan, metode pembelajaran, kebijakan perusahaan dan masih banyak lagi. Pada setiap kasus, kelompok yang mendapatkan perlakuan dibandingkan dengan kelompok yang tidak mendapatkan perlakuan atau mendapatkan perlakuan lainnya.

Pada kasus perbandingan antara dua kelompok, kadang-kadang ada bias yang sangat fatal. Peneliti bisa menemukan adanya perbedaan yang signifikan, tetapi sebenarnya perbedaan itu bukan dikarenakan perlakuan. Misalnya kita ingin membandingkan keputusan pembelian I-phone antara dua kelompok, yaitu kelompok masyarakat yang tinggal di perkampungan dengan masyarakat yang tinggal di perumahan. Bisa saja peneliti menemukan perbedaan yang signifikan tetapi bukan karena tempat tinggal, tetapi karena variabel yang lain, misalnya pengaruh pergaulan sosial (ini hanya contoh saja).

Salah satu cara untuk menghindari adanya bias tersebut maka dilakukan dengan menggunakan dua sampel yang berpasangan (match). Kita dapat menghubungkan atau memasangkan kedua sampel yang akan diteliti. Pemasangan tersebut dapat dilakukan dengan pengontrol dirinya sendiri atau memasangkan subjek kemudian memberikan perlakuan yang berbeda. Untuk pengontrol dirinya sendiri, kita dapat mengukur variabel yang akan diukur pada 'sebelum' lalu membandingkannya dengan 'setelah' diberikan perlakuan. Misalnya harga saham diukur sebelum melakukan stock split lalu diukur lagi setelah melakukan stock split, lalu dibandingkan.

Contoh yang memasangkan, adalah dengan memilih suatu kelas lalu membaginya menjadi dua secara acak. Setelah itu dipasangkan dengan kriteria mempunyai nilai yang relatif sama. Setelah itu bagian pertama diberikan metode pembelajaran A, sedangkan bagian yang kedua diberikan metode pembelajaran B. Setelah itu dievaluasi lalu dibandingkan pada kedua pasangan tersebut.



Statistik Non Parametrik
Statistik non parametrik dikenakan pada data yang berbentuk nominal atau ordinal, atau bisa juga kepada data berbentuk interval atau rasio, di mana asumsi pada statistik parametrik tidak terpenuhi. Selain itu, statistik non parametrik juga dapat digunakan untuk jumlah sampel yang kecil, di mana tidak dimungkinkan untuk menambah jumlah sampel. Tidak ada ukuran yang jelas tentang besar kecilnya jumlah sampel, tapi banyak para ahli yang menyatakan bahwa di bawah 30 sebagai sampel kecil.

Akan tetapi tidak dapat dikatakan bahwa statistik non parametrik lebih atau kurang dibandingkan statistik parametrik. Keduanya saling melengkapi dan masing-masing dapat dipergunakan sesuai dengan kondisi atau ketersediaan data yang ada.




Uji-uji yang lain
Ada banyak uji beda dua sampel berpasangan pada statistik non parametrik. Masing-masing uji tersebut didasarkan pada asumsi yang berbeda atau jenis data yang berbeda. Uji tersebut misalnya Uji McNemar, Uji Tanda, Uji Wilcoxon dan Uji Marginal Homogeneity. Di artikel ini kita akan membahas secara khusus pada uji marginal homogeneity. Untuk uji yang lain, kita bahas selengkapnya di sini



Uji Marginal Homogeneity
Uji marginal homogeneity adalah perluasan dari uji McNemar yang dirancang untuk data binner, atau dummy atau 0 dan 1 atau respons dan tidak respons. Untuk uji McNemar maka tabel yang ada adalah 2 x2 tetapi untuk uji marginal homogeneity bisa lebih dari 2 x 2. Uji ini memang menggunakan metode yang cukup rumit sehingga harus menggunakan Matrik Aljabar, sehingga perhitungan secara manual hampir sulit sekali dilakukan. Dalam artikel ini, kita akan menggunakan alat bantu berupa Program SPSS Versi 26 yang telah diinstall menu uji Marginal Homogeneity.

Berikut adalah simulasi uji marginal homogeneity dengan data yang bisa di download di Google Drive dengan akun Gmail Anda

Menu Marginal Homogeneity pada SPSS Versi 26
Pilih Analysze, pilih Nonparametric Tests, pilih Legacy Dialogs lalu klik pada 2 Related Samples seperti pada gambar di atas. Maka kita akan masuk ke menu Marginal homogeneity seperti gambar di bawah:
Memasukkan Sampel dan Memilih Metode yang Dipergunakan
Masukkan sampel Sebelum dan Sesudah ke Box Test Pairs seperti pada gambar di atas. Lalu berikan tanda centang pada Marginal Homogeneity pada Test Type seperti pada gambar di atas. Setelah itu klik OK sehingga akan keluar output sebagai berikut:
Output Marginal Homogeneity
Gambar di atas adalah output dengan SPSS Versi 26. Perhitungannya memang cukup rumit, tetapi kita dapat mengambil justifikasi dengan Signifikansi sebesar 0,276 > 0,05 yang berarti tidak terdapat perbedaan yang signifikan pada kedua sampel penelitian. 


Kesimpulan
Penggunaan uji marginal homogeneity memang relatif sederhana, tetapi sebenarnya perhitungannya sangat rumit. Mungkin ini yang menyebabkan metode ini kurang populer dan di program SPSS juga tidak semuanya memuat metode ini.

Share:

Uji Beda K Sampel yang Berhubungan pada Statistik Non Parametrik

Uji beda K sampel yang berhubungan (berkorelasi) pada statistik non parametrik adalah uji beda yang dirancang untuk jumlah sampel lebih dari 2 (k sampel) yang saling berkorelasi dan tidak memenuhi asumsi normalitas sehingga tidak bisa dikenakan statistik parametrik.  Uji beda ini mirip dengan ANOVA pada statistik parametrik. Beberapa uji beda yang dapat dipergunakan pada kasus ini adalah uji Friedman, Uji Kendall's W dan Uji Cochrans. 

Daftar Isi

  1. Apa itu Uji Beda K Sampel Berhubungan
  2. Uji Friedman
  3. Uji Kendall's W
  4. Uji Cochrans
  5. Kesimpulan

Apa itu Uji Beda K Sampel Berhubungan
Dalam banyak kasus, seorang peneliti akan sering menjumpai atau menguji perbedaan dari lebih dua sampel secara bersamaan. Jumlah sampel ini sering disebut 'K' yang berarti lebih dari dua. Jika hanya ada dua kasus, maka banyak rancangan tentang uji beda dua sampel, baik yang uji beda dua sampel berhubungan maupun uji beda dua sampel tidak berhubungan.

Jika kita memaksakan pengujian banyak sampel dengan uji beda dua sampel maka akan memerlukan uji berulang yang hasilnya bisa sangat diragukan. Misalnya kita ingin menguji perbedaan 4 grup saja, maka kita perlu uji beda dua sampel sebanyak 6 kali atau 3 + 2 + 1 = 6. Sedangkan untuk 5 grup maka kita perlu melakukan 4 + 3 + 2 +1 = 10 kali pengujian. Tentu saja ini akan menimbulkan hal yang tidak efisien sehingga dirancang metode pengujian yang dapat dipergunakan untuk menguji perbedaan banyak sampel dengan lebih efisien.

Pada statistik parametrik, maka akan diaplikasikan ANOVA. Tetapi pada non parametrik maka asumsi pada ANOVA tidak terpenuhi sehingga tidak dapat dipergunakan. Oleh karena itu, berikut beberapa metode uji beda K sampel yang berhubungan untuk statistik non parametrik.

Gambar Simulasi Uji Beda

Uji Friedman
Uji Friedman juga sering disebut dengan Friedman Two-Ways Analysis of Variance by Ranks. Sesuai namanya, uji Friedman memang berdasarkan pada rangking dari sebuah data. Perbedaan preferensi dari setiap subjek akan dirangking, lalu rangking tersebut yang diuji apakah terdapat perbedaan atau tidak. Metode ini efektif dipergunakan pada data ordinal atau data yang tidak memenuhi asumsi normalitas pada statistik parametrik.

Untuk selengkapnya, silahkan visit Simulasi Uji Friedman dengan SPSS Versi 26.


Uji Kendall's W
Uji Kendall's W juga dapat dipergunakan untuk menguji perbedaan dari banyak sampel yang berhubungan pada statistik non parametrik. Uji Kendaall's W merupakan perluasan dari korelasi Kendall yang merupakan metode atau uji untuk mencari korelasi pada statistik non parametrik. Uji Kendall's W juga mengeluarkan output Chi Square, sama dengan Uji Friedman. Uji Kendall's W juga berdasarkan pada rangking dari masing-masing grup atau sampel lalu menguji perbedaan di antara banyak sampel tersebut.

Untuk selengkapnya silahkan visit Simulasi Uji Kendall's W dengan SPSS Versi 26.


Uji Cochrans
Uji yang berikutnya adalah Uji Cochrans. Uji ini berbeda dengan kedua uji sebelumnya karena dirancang khusus untuk data biner, atau 0 dan 1 saja. Kedua uji yang sebelumya kita bahas, tidak disarankan untuk diaplikasikan pada data Ya dan Tidak seperti halnya pada Uji Cochrans. Uji Cochrans juga akan menghasilkan nilai Chi Square yang sama dengan Uji Friedman dan Uji Kendall's W.

Untuk selengkapnya silahkan visit Simulasi Uji Cochrans dengan SPSS Versi 26.

Kesimpulan
Kebanyakan peneliti akan berhadapan dengan lebih dari 2 grup data atau sampel, sehingga diperlukan alat uji yang dapat dikenakan pada kasus tersebut. Untuk statistik nonparametrik, setidaknya telah ada uji Friedman, Uji Kendall's W dan Uji Cochrans untuk keperluan uji statistik tersebut. 

Share:

Uji Kruskal Wallis H dengan SPSS Versi 26

Uji Kruskal Wallis adalah uji statistik yang dipergunakan untuk menguji banyak sampel (K sampel) yang tidak saling berkorelasi atau berhubungan pada statistik non parametrik. Uji ini sudah tersedia menunya di SPSS sehingga memudahkan pengguna untuk mengaplikasikan metode tersebut. Lantas seperti apa sebenarnya Uji Kruskal Wallis tersebut? Mari kita bahas bersama.


Daftar Isi

  1. Uji Beda K Sampel Tidak Berkorelasi
  2. Apa Itu Statistik Non Parametrik
  3. Jenis-jenis Uji Beda K Sampel Tidak Berkorelasi
  4. Uji Kruskal Wallis
  5. Simulasi Uji Kruskal Wallis


Uji Beda K Sampel Tidak Berkorelasi
Peneliti sering kali menemui kasus di mana harus mencari perbedaan di antara banyak sampel (lebih dari 2). Dalam kasus 2 sampel atau 2 grup, akan lebih mudah diidentifikasi apakah terdapat perbedaan atau tidak. Tetapi ketika berhadapan dengan 3 atau lebih (K sampel) maka diperlukan metode lain yang mampu untuk menjawab pertanyaan itu. Kasus itu akan lebih rumit, jika di antara banyak sampel tersebut tidak berkorelasi atau tidak berhubungan. Akan tetapi banyak metode telah dirancang oleh para ahli untuk menangani kasus tersebut. Artikel tentang Uji Beda K Sampel tidak berkorelasi selengkapnya silahkan simak di sini.


Apa itu Statistik Non Parametrik

Secara garis besar, maka statistik dikategorikan menjadi dua kelompok besar yaitu parametrik dan non parametrik. Tidak ada yang dinyatakan lebih baik atau lebih unggu dibandingkan kedua kategori tersebut. Parametrik akan dikenakan pada data yang memenuhi beberapa prasyarat, misalnya normal atau homogen. Lebih rinci tentang statistik parametrik silahkan visit ke sini.

Akan tetapi ternyata banyak sekali kasus di mana asumsi untuk paramtrik tidak dapat dipenuhi oleh suatu distribusi data sehingga harus menggunakan statistik non parametrik. Non parametrik juga mempunyai banyak keunggulan karena dapat dikenakan pada jumlah sampel yang kecil dan juga tidak mempunyai banyak syarat dan bahkan bisa dikenakan pada berbagai bentuk data. Artikel tentang statistik non parametrik secara rinci ada di sini.  


Jenis-jenis Uji Beda K Sampel Tidak Berkorelasi Non Parametrik

Ada banyak metode untuk mencari perbedaan antara banyak sampel yang tidak berkorelasi dengan statistik non parametrik. Ada perluasan median test, ada uji Kruskal Wallis (KW) dan ada juga Uji Jonckheere-Terspat. Semunya mempunyai keunggulan tersendiri dan dalam artikel ini kita akan membahas tentang Uji Kruskal Wallis. Untuk uji beda k sampel tidak berkorelasi yang lain silahkan klik di sini.


Uji Kruskal Wallis

Krukal Wallis sebenarnya adalah nama dari dua orang ahli yaitu William Henry Kruskal dan W. Allen Wallis. William Henry Kruskal lahir di New York pada 10 Oktober 1919 dan meninggal pada 21 April 2005. Beliau berdarah Yahudi dan ahli matematika serta statistik yang mempunyai banyak sekali karya yang ditinggalkan.

William Allen Wallis lahir di Philadelphia pada 5 November 1912 dan wafat pada 12 Oktober 1998. Beliau adalah ahli ekonomi dan statistik yang pernah menjadi penasehat 4 presiden Amerika Serikat yaitu Dwight Eisenhower, Richard Nixon, Gerald Ford, and Ronald Reagan. Suatu prestasi yang jarang dimiliki oleh orang lain.

Kedunya bekerja sama dan merancang suatu metode statistik yang sering disebut dengan Kruskal Wallis, 

Persamaan Kruskal Wallis
Dengan

KW = adalah tetapan Kruskal Wallis

k     =  jumlah sampel atau grup

nj    = jumlah kasus dalam sampel

N    = jumlah kasus dalam sampel gabungan (jumlah semua nj)

Rj    = rata-rata rangking dalam sampel atau grup

R    = (N +1)/2 = rata-rata ranking dalam sampel gabungan (grand mean)

Kita dapat menghitung secara manual tetapi kita juga bisa menggunakan alat bantu berupa software SPSS Versi 26 seperti di bawah.


Simulasi Uji Kruskal Wallis dengan SPSS Versi 26

Untuk melakukan simulasi Kruskal Wallis dengan SPSS Versi 26 silahkan download data dalam SPSS di Google Drive berikut. Pastikan akun Gmail Anda aktif agar dapat mendownload file dalam SPSS Versi 26 tersebut. Data adalah fiktif saja, yaitu respon terhadap 3 kelompok wisatawan tentang penerapan protokol kesehatan wisata di Pulau Bali pada New Normal. Ketiga kelompok tersebut adalah wisatawan dari Indonesia (Jakarta), Malaysia (Kualalumpur) dan Thailand (Bangkok). Sekali lagi, ini adalah data fiktif bukan data sebenarnya.

Peneliti ingin melihat apakah terdapat perbedaan respon wisatawan dari ketiga negara tersebut. Diharapkan tidak terdapat perbedaan yang berarti protokol kesehatan yang diterapkan telah sesuai dengan konsep wisata pada New Normal akibat pandemi Covid-19. 

Menu Uji Beda K Sampel Tidak Berkorelasi Non Paramtrik pada SPSS Versi 26
Pilih Analyze, pilih Nonparametric Tests, pilih Legacy Dialogs dan klik pada K Independent Samples seperti pada gambar di atas. Maka kita akan masuk ke sub menu sebagai berikut:

Memasukkan Variabel atau Data
Masukkan Variabel Respon ke dalam Test Variabel List. Sedangkan kategori masuk ke Grouping Variable. Berikan tanda centang pad Kruskal-Wallis H pada Test Type seperti pada gambar di atas. Setelah itu kita harus mendefinisikan kategori dengan mengklik pada Define Range seperti pada gambar di atas.

Memberikan kategori pada Grup
Masukkan 1 pada minimum dan 3 pada maksimum. Setelah itu klik Continue lalu Klik OK sehingga akan keluar output sebagai berikut:

Output Rank pada Uji Kruskal Wallis
Output Rank di atas adalah rata-rata ranking yang disusun secara otomatis oleh program. Kita juga dapat melakukan secara manual jika memungkinkan atau jumlah sampel relatif kecil. Sebanyak 20 responden dari Kualalumpur mempunyai rata-rata ranking sebesar 40,65. Dari Jakarta sebanyak 28 responden dengan rata-rata rangking 35,66 dan ada 23 responden dari Bangkok dengan rata-rata ranking 32,37. 

Untuk memberikan justifikasi apakah terdapat perbedaan atau tidak, kita hitung nilai KW atau jika dengan SPSS memberikan hasil sebagai berikut:

Output Uji Kruskal Wallis H dengan SPSS Versi 26
Tampak bahwa nilai KW adalah sebesar 1,780. Kita dapat mengkonsultasikan nilai ini dengan nilai KW pada tabel untuk sampel besar. Jika menggunakan SPSS Versi 26 maka kita bisa melihat nilai signifikansi yaitu sebesar 0,411 > 0,05 yang berarti tidak terdapat perbedaan yang signifikan di antara respon pada ketiga kelompok penelitian. Hasil ini menunjukkan bahwa protokol kesehatan yang diterapkan di Pulau Bali pada new normal telah sesuai dengan harapan dari wisatawan dari 3 negara yang menjadi subjek dalam penelitian ini.

Share:

Uji Beda K Sampel Tidak Berkorelasi pada Statistik Non Parametrik

Banyak peneliti yang bertemu dengan banyak grup (lebih dari dua grup) dan tidak saling berkorelasi. Misalnya ketika peneliti ingin melihat preferensi wisatawan dari berbagai negara ketika berkunjung ke Bali pasca Covid-19 (ini hanya contoh saja). Beberapa metode telah dikembangkan untuk mengatasi permasalahan ini. Berikut akan kita bahas bersama tentang metode-metode tersebut.

Gambar Simulasi Uji Beda

Daftar Isi

  1. Apakah itu uji beda K sampel tidak berkorelasi?
  2. Perluasan Median Test
  3. Uji Kruskal-Wallis
  4. Uji Jonckheere-Terpstra
  5. Kesimpulan

Apakah itu uji beda K sampel tidak berkorelasi
Berbagai kasus mengharuskan peneliti mencari perbedaan di antara banyak sampel (K sampel atau lebih dari dua) tetapi tidak berkorelasi. Misalnya ketika peneliti ingin melihat preferensi berbagai ahli hukum tentang UU ITE, misalnya dari kelompok Pengajar hukum, praktisi hukum dan mahasiswa hukum. Ada 3 kelompok, di mana ketiga kelompok tersebut tidak bisa dikaitkan secara langsung karena merupakan subjek yang berbeda. Jumlah pada masing-masing kelompok (sampel) juga berbeda.

Kasus ini sangat berbeda dengan suatu sampel yang diberikan tiga (atau lebih) perlakuan yang berbeda. Karena jika seperti ini maka berarti ketika kelompok sampel tersebut berkorelasi atau dapat dikontrol dengan 'dirinya sendiri' yang diberikan treatment yang berbeda. Berikut adalah beberapa metode statistik yang dapat dikenakan dalam kasus ini yang sudah tersedia menunya di SPSS. 


Perluasan Median Test
Sesuai dengan namanya, sebenarnya uji ini adalah Median Test pada dua sampel yang tidak berkorelasi, tetapi diperluas penggunaannya pada sampel lebih dari dua (K sampel). Jadi konsep yang digunakan juga sama yaitu dengan menggunakan nilai Median. Masing-masing grup dipisahkan menjadi dua bagian yaitu di atas median dan di bawah median. Dari hasil ini bisa kita lihat apakah sampel-sampel tersebut mempunyai perbedaan atau tidak.



Uji Kruskal Wallis
Metode yang kedua adalah Uji Kruskal-Wallis atau yang juga sering disebut dengan One Way Analysis of variance by rank. Sesuai dengan namanya maka metode ini berdasarkan rangking dari masing-masing grup. Setelah dirangking lalu dijumlahkan rangkingnya dan dicari nilai rata-rata dari rangking tersebut. Nilai rata-rata rangking inilah yang dijadikan dasar untuk menentukan apakah terdapat perbedaan atau tidak di antara grup dalam penelitian.

Untuk langkah selengkapnya, silahkan simak di Simulasi Uji Kruskal-Wallis dengan SPSS Versi 26.


Uji Jonckheere-Terpstra
Uji ini jarang dipergunakan tetapi sebenarnya juga powerfull untuk uji beda seperti ini. Uji Ini menghasilnya nilai yang sering disebut dengan J-T, jadi ada Rata-rata J-T atau Standard deviasi J-T. Justifikasi uji ini menggunakan nilai signifikansi di mana < 0,05 berarti terdapat perbedaan yang signifikan.

Simulasi Uji Jonckheere-Terpstra dengan SPSS Versi 26 selengkapnya silahkan simak di sini.  


Kesimpulan
Tidak ada uji yang dianggap paling benar dalam kasus ini. Semua tergantung dari kondisi dan juga justifikasi peneliti. Bisa juga uji atau metode yang lain dipergunakan sebagai perkuatan dari suatu uji agar tidak menimbulkan perdebatan di para peneliti yang lain.

Share:

Uji Tanda (Sign Test) pada Dua Sampel Berhubungan dengan SPSS Versi 26

Uji Tanda (sign test) adalah uji beda antara dua sampel yang berhubungan (berkorelasi) berdasarkan arah perbedaan antara dua pengukuran, bukan pada pengukuran kuantitatif data itu sendiri. Uji ini dipergunakan memang untuk data yang tidak memungkinkan pengukuran kuantitatf tetapi masih memungkinkan untuk menentukan setiap pasang observasi, mana yang lebih besar, mana yang lebih kecil.


Daftar Isi

  1. Pendahuluan
  2. Data yang dipergunakan
  3. Metode analisis dengan SPSS Versi 26
  4. Uji yang lain


Pendahuluan

Uji beda dua sampel berpasangan (paired test) sering dipergunakan dalam suatu sampel yang diberikan treatment tertentu lalu dibandingkan antara sebelum dan sesudah. Atau bisa juga bukan perlakuan tetapi karena adanya suatu peristiwa atau kondisi tertentu. Salah satu metode uji beda ini yang non parametrik adalah uji tanda atau sign test. Dasar pemikiran dari metode ini adalah dengan melihat arah perbedaan antara dua sampel yang akan diuji, misalnya lebih besar, lebih kecil atau sama dengan. 

Sebagai ilustrasi, misalnya seorang guru yang membandingkan suatu metode pembelajaran lalu mengukur hasil metode pembelajaran tersebut. Seorang siswa akan mempunyai nilai atau skor sebelum dan sesudah. Hipotesis yang diharapkan adalah bahwa periode atau skor setelah diberikan metode pembelajaran lebih tinggi dibandingkan skor sebelum diberikan suatu metode pembelajaran tersebut.

Atau contoh lain, misalnya tentang stock split. Pemecahan saham diharapkan membuat suatu saham menjadi lebih likuid karena harganya murah. Maka dilakukan uji beda antara sebelum dan sesudah adanya kebijakan pemecahan saham. Pengukuran dilakukan terhadap volume perdagangan atau jumlah lembar saham yang diperjualbelikan oleh perusahaan yang melakukan stock split.


Data yang dipergunakan

Dalam artikel ini, data yang dipergunakan adalah data yang sama dengan yang dipergunakan dalam artikel uji Wilcoxon. Data bisa Anda peroleh di Google Drive dengan akun Gmail. Ada dua sampel yaitu sebelum dan sesudah yang akan kita uji apakah terdapat perbedaan atau tidak. Kedua sampel tidak normal sehingga kita gunakan uji beda non parametrik.


Metode analisis dengan SPSS Versi 26

Langkah pertama adalah masuk ke menu uji tanda. Pilih Analyze, Nonparametric Tests, piih Legacy Dialogs lalu klik pada 2 Related Samples sebagai berikut:

Menu Uji Tanda (Sign Test) dengan SPSS Versi 26

Setelah di klik maka akan masuk ke menu uji tanda yaitu sebagai berikut:

Memasukkan Sampel Penelitian
Masukkan data sampel sebelum dan sesudah seperti pada gambar di atas. Lalu berikan tanda centang (tickmark) pada Test Type lalu klik OK. Penggunaan Wilcoxon, McNemar dan Marginal Homogeneity kita bahas di artikel yang lain. Maka akan keluar output sebagai berikut:

Output Uji Tanda dengan SPSS Versi 26

Pada Frequencies tampak bahwa negative differences sebanyak N = 15. Dari superscript (a) maka kita melihat bahwa artinya Sesudah < Sebelum. Nilai sesudah yang lebih rendah dari pada sebelum ada sebanyak 15 kasus atau sampel (N). Sedangkan yang positive differences dengan superscript (b) sebanyak N = 12. Jumlah sampel sesudah > sebelum ada 12 kasus. Sedangkan yang sama (ties) ada 8 sampel.

Sedangkan Test Statistics memberikan nilai Signifikansi sebesar 0,700 > 0,05 yang berarti tidak terdapat perbedaan yang signifikan antara data sebelum dengan data sesudah. Ini konsisten dengan hasil pengujian dengan Wilcoxon. Apakah hasilnya selalu konsisten? Belum tentu. Konsep dasar uji tanda dengan Wilcoxon berbeda sehingga bisa memberikan hasil yang berbeda pula. Uji tanda menggunakan tanda, sedangkan uji Wilcoxon menggunakan rangking.

Pengujian tanpa alat bantu SPSS bisa dilakukan dengan menggunakan Tabel Uji Tanda yang dipisahkan menjadi sampel besar dan sampel kecil. Tabel tersebut bisa diperoleh di buku statistik yang Anda punyai.

Uji yang lain

Uji beda untuk dua sampel yang berkorelasi non parametrik ada beberapa macam dengan konsep yang berbeda-beda. Artikel ini menggunakan uji tanda yang menggunakan perbedaan tanda lebih besar atau lebih kecil. Konsep Wilcoxon berbeda, meskipun masih mirip yaitu menggunakan rangking. Kedua data diubah menjadi data rangking, baru rangking tersebut yang diuji apakah terdapat perbedaan atau tidak. 

Masih ada konsep yang lain, yaitu Uji McNemar yang menggunakan konsep dasar Cross Tabulation atau tabulasi silang yang sering dikenal pada Chi Square. Juga masih ada lagi uji beda dua sampel berkorelasi non parametrik yaitu Marginal Homogeneity.

Share:

Uji Beda Dua Sampel Berhubungan pada Statistik Non Parametrik

Uji beda dua sampel berhubungan adalah uji beda untuk melihat perbedaan antara dua sampel yang berhubungan (berkorelasi) atau dari sampel yang sama dengan treatment (perlakuan) yang berbeda. Istilah treatment dapat berupa latihan, pemberian obat atau suntikan, metode pembelajaran, kebijakan perusahaan dan masih banyak lagi. Pada setiap kasus, kelompok yang mendapatkan perlakuan dibandingka dengan kelompok yang tidak mendapatkan perlakuan atau mendapatkan perlakuan lainnya.


Daftar Isi

  1. Pendahuluan
  2. Uji McNemar
  3. Uji Sign
  4. Uji Wilcoxon
  5. Uji Marginal Homogeneity
  6. Kesimpulan


Pendahuluan

Pada kasus perbandingan antara dua kelompok, kadang-kadang ada bias yang sangat fatal. Peneliti bisa menemukan adanya perbedaan yang signfikan, tetapi sebenarnya perbedaan itu bukan dikarenakan perlakuan. Misalnya kita ingin membandingkan keputusan pembelian Iphone antara dua kelompok, yaitu kelompok masyarakat yang tinggal di perkampungan dengan masyarakat yang tinggal di perumahan. Bisa saja peneliti menemukan perbedaan yang signifikan tetapi bukan karena tempat tinggal, tetapi karena variabel yang lain, misalnya pengaruh pergaulan sosial (ini hanya contoh saja).

Simulasi Gambar Uji Beda Sampel Berpasangan Non Parametrik
Salah satu cara untuk menghindari adanya bias tersebut maka dilakukan dengan menggunakan dua sampel yang berpasangan (match). Kita dapat menghubungkan atau memasangkan kedua sampel yang akan diteliti. Pemasangan tersebut dapat dilakukan dengan pengontrol dirinya sendiri atau memasangkan subjek kemudian memberikan perlakuan yang berbeda. Untuk pengontrol dirinya sendiri, kita dapat mengukur variabel yang akan diukur pada 'sebelum' lalu membandingkannya dengan 'setelah' diberikan perlakuan. Misalnya harga saham diukur sebelum melakukan stock split lalu diukur lagi setelah melakukan stock split, lalu dibandingkan.

Contoh yang memasangkan, adalah dengan memilih suatu kelas lalu membaginya menjadi dua secara acak. Setelah itu dipasangkan dengan kriteria mempunyai nilai yang relatif sama. Setelah itu bagian pertama diberikan metode pembelajaran A, sedangkan bagian yang kedua diberikan metode pembelajaran B. Setelah itu dievaluasi lalu dibandingkan pada kedua pasangan tersebut.

Ada beberapa metode yang dapat dipergunakan untuk menganalisis model ini. Berikut beberapa di antaranya akan dibahas disertai dengan contoh.


Uji McNemar

Uji McNemar cocok dipergunakan untuk uji sampel berpasangan yang menggunakan skala ordinal atau bahkan nonimal. Dengan keunikan ini, maka Uji McNemar dapat dipergunakan untuk uji beda sampel berpasangan yang menggunakan data biner atau dummy (0 dan 1). Konsep dasarnya menggunakan tabulasi silang (cross tabulation) seperti yang telah kita kenal baik pada Chi Square.

Untuk contoh uji McNemar dengan SPSS versi 23 silahkan visit ke sini.


Uji Sign

Uji Sign juga merupakan uji beda dua sampel berpasangan tetapi berdasarkan 'tanda' yaitu lebih besar, lebih kecil atau sama dengan. Jadi uji sign tidak mendasarkan pada pengukuran kuantitatif dari data, tetapi kepada mana yang lebih besar, mana yang lebih kecil atau sama dengan. Oleh karena itu dapat dipergunakan untuk data yang tidak memungkinkan atau kesulitan untuk mengukur secara kuantitatif.

Berikut contoh simulasi Uji Sign dengan SPSS Versi 26.


Uji Wilcoxon

Pengembangan dari Uji Sign adalah Uji Wilcoxon. Dengan uji Wilcoxon, kita tidak hanya mendapatkan arah tetapi juga menggunakan ranking dari masing-masing kedua data. Jadi kedua sampel dilakukan ranking lalu ranking itulah yang diuji bedanya. Jadi kita dapat mendapatkan informasi yang lebih dibandingkan dengan uji Sign. Dengan uji Wilcoxon, kita tidak hanya mendapatkan informasi  bahwa kedua sampel berbeda atau tidak, tetapi juga bisa menentukan sampel mana yang lebih tinggi (atau lebih rendah).

Berikut adalah contoh Simulasi Uji Wilcoxon dengan SPSS Versi 23.


Uji Marginal Homogeneity

Uji Marginal homogeneity sudah terdapat di SPSS Versi 26 dan beberapa versi sebelumnya. Metode ini lebih powerfull dibandingkan ketiga metode lainnya yang telah dibahas di atas.

Berikut adalah contoh simulasi Uji Marginal Homogeneity dengan SPSS Versi 26


Kesimpulan

Dengan menggunakan uji beda dua sampel yang berhubungan, kita bisa mengeleminir adanya pengaruh dari variabel lain yang tidak menjadi topik dalam penelitian. Dengan adanya kontrol dari 'diri sendiri' maka unsur bias tersebut dapat direduksi. Untuk non parametrik, setidaknya tersedia alat analisis yang beragam, karena data non parametrik juga mempunyai variasi yang beragam, dari nominal, ordinal, berbentuk distribusi frekuensi ataupun sebenarnya rasio tetapi tidak memenuhi asumsi normalitas.

Share:

Uji Beda Dua Sampel Independent pada Statistik Non Parametrik

Uji beda dua sampel independent dipergunakan untuk menguji perbedaan dua sampel yang tidak berkorelasi, bisa parametrik atau non parametrik.  Untuk statistik non parametrik, setidaknya ada dua kemungkinan, yaitu dua sampel tersebut mungkin diambil secara random dari populasi atau dua sampel ini berasal dari pemberian dua perlakuan secara random terhadap anggota sampel. Kedua metode ini tidak mensyaratkan adanya jumlah data yang sama pada kedua sampel tersebut.

Simulasi Uji Beda Dua Sampel Independent pada Statistik Non Parametrik

Daftar Isi

  1. Pendahuluan
  2. Median Test
  3. Mann Whitney U Test
  4. Kolmogorov Smirnov
  5. Wald Wolfowitz
  6. Kesimpulan


Pendahuluan

Banyak kasus di mana kita berhadapan denga dua buah kelompok atau sampel data yang tidak berasal dari populasi yang sama atau mempunyai jumlah atau anggota sampel yang tidak sama. Untuk statistik parametrik, maka harus ada beberapa asumsi, misalnya normalitas dan juga skala pengukuran juga harus interval atau rasio. Tetapi banyak data yang tidak berskala itu, misalnya nominal atau ordinal. Oleh karena itu, statistik non parametrik menjadi sangat penting ketika kita bekerja dengan data berskala nominal atau ordinal.

Sebagai contoh adalah data yang berbentuk biner, atau data yang berkala ordinal. Beberapa metode statistik non parametrik untuk dua sampel yang tidak berhubungan justru lebih banyak dari pada metode statistik parametrik untuk dua sampel yang tidak berhubungan. Beberapa di antaranya kita bahas bersama di artikel ini.


Median Test

Independent Sample T Test adalah uji untuk melihat apakah terdapat perbedaan antara dua sampel yang tidak berhubungan (berkorelasi) berdasarkan nilai median. Dua sampel ini bisa berasal dari populasi yang berbeda atau bisa juga berasal dari satu sampel tetapi dengan perlakuan (treatment) yang berbeda. Jika lebih dari dua sampel maka bisa menggunakan K Independent sample t test. Dalam hal ini K independent sample t test juga akan memberikan hasil yang konsisten jika dikenakan pada dua sampel.

Karena menggunakan median, maka metode statistik ini dapat dikenakan pada data rasio atau interval, tetapi tidak memenuhi asumsi parametrik. Metode ini dapat diaplikasikan pada dua sampel, tetapi juga bisa diterapkan pada banyak sampel (atau k). Simulasi selengkapnya tentang Median test kami berikan di sini. Dalam simulasi tersebut diberikan contoh median test dengan menggunakan SPSS Versi 23.


Mann Whitney U Test

Mann Whitney U Test dapat diterapkan pada data yang berbentuk ordinal atau rangking. Dalam data ordinal, maka jelas dipergunakan statistik non parametrik, karena data ordinal tidak bisa dikenai uji normalitas seperti data berskala interval atau rasio. Tetapi metode ini juga sering dipergunakan pada data berskala interval atau rasio tetapi tidak memenuhi asumsi normalitas sehingga data tersebut dianggap berbentuk ordinal.

Metode Mann Whitney U test sering dipergunakan dalam test non response bias di mana kuesioner yang diberikan bisa saja berbentuk interval, misalnya dengan skala 1 sampai dengan 7 atau bahkan skala 1 sampai dengan 10. Artikel tentang Mann Whitney U Test selengkapnya kami tampilkan di sini.


Kolmogorov Smirnov

Uji Kolmogorov Smirnov Z adalah uji untuk menguji perbedaan dua sampel yang tidak berhubungan berdasarkan distribusi frekuensi pada statistik non parametrik. Mungkin kita lebih familier uji Kolmogorov Smirnov untuk uji normalitas. Uji itu merupakan perluasan penggunaan dan pada satu sampel. Diperluas oleh Liliefors sebagai uji normalitas dan akhirnya populer dipergunakan untuk menguji normalitas suatu distribusi data.

Uji Kolmogorov Smirnov pada dua sampel juga menggunakan prinsip dasar yang sama dengan satu sampel yang berdasarkan frekuensi atau frekuensi kumulatif. Kalau satu sampel dibandingkan dengan frekuensi kumulatif data normal, kalau untuk dua sampel, keduanya dibandingkan, berbeda atau tidak. Simulasi uji non parametrik dua sampel independen dengan Kolmogorov Smirnov dibahas di sini. 


Wald Wolfowitz

Metode yang keempat yang kita bahas di sini adalah metode Wald Wolfowitz. Sering juga disebut dengan Wald Wolfowitz Runs, karena memang merupakan pengembangan dari uji Run atau Run test yang telah kita bahas di uji satu sampel non parametrik. Jumlah Run atau Run(s) (jamak) menjadi penentu apakah satu sampel tersebut acak atau tidak. Uji ini juga diadopsi di uji asumsi klasik menjadi uji autokorelasi yang juga sangat populer atau sering dipergunakan.

Karena merupakan pengembangan dari run test, maka uji ini juga menghitung jumlah runs dari masing-masing sampel lalu dibandingkan apakah mempunyai perbedaan atau tidak. Simulasi uji Wald Wolfowitz selengkapnya kami bahas di sini dengan SPSS Versi 26.


Kesimpulan

Bekerja dengan statistik non parametrik memang membuat wawasan kita menjadi semakin luas. Banyak pengukuran di masyarakat luas yang tidak dengan serta merta kita gunakan sebagai data apa adanya. Bobot orang suka dengan sangat suka akan bias ketika berbeda orang dan juga berbeda selisihnya dengan tidak suka dengan sangat tidak suka. Hal inilah yang membuat statistik parametrik tetap dipergunakan sampai dengan sekarang.

Jika dihitung-hitung maka jumlah metode pada statistik non parametrik sering lebih banyak dibandingkan statistik parametrik dalam kasus yang sama. Statistik non parametrik juga mempunyai keunikan lain yaitu dapat dikenakan pada jumlah sampel yang kecil dan sering kali dapat kita hitung secara manual atau menggunakan spread sheet saja. 

Share:

Uji Beda Satu Sampel untuk Statistik Non Parametrik

Uji beda satu sampel non parametrik dipergunakan untuk menguji hipotesis dari satu sampel saja dan tidak terdistribusi secara normal. Jika jumlah data relatif banyak dan memenuhi asumsi normalitas, maka bisa dipergunakan one sample t test. Uji apa saja yang termasuk dalam kategori ini, kita simak bersama.

Daftar Isi

  1. Pendahuluan
  2. Uji Binomial
  3. Uji Chi Square
  4. Uji Kolmogorov Smirnov
  5. Run Test


Pendahuluan

Uji non parametrik mempunyai keunikan khusus yaitu sering bekerja pada jumlah sampel yang kecil, sehingga dimungkinkan untuk menghitungnya secara manual atau menggunakan alat bantu sederhana, seperti kalkulator atau program spread sheet, misalnya Microsoft Excel. Berbeda dengan statistik parametrik yang banyak bekerja pada jumlah sampel yang besar, sehingga perhitungan seperti itu menjadi agak sulit untuk dilakukan. Kelebihan-kelebihan statistik non parametrik telah kami ulas di sini.

Dalam statistik parametrik kita hanya mengenal one sample t test, tetapi untuk non parametrik, kita mengenal berbagai uji statistik yang lebih bervariatif. Jika sampel tersebut tidak normal, atau jumlahnya relatif sedikit, atau merupakan data biner, maka uji parametrik one sample t test tidak dapat diterapkan. Pengujian satu sampel non parametrik menyatakan bahwa apakah sampel tertentu berasal dari populasi tertentu. Uji satu sampel berbeda dengan uji dua sampel dan juga sering berfungsi sebagai uji goodness of fit. Berikut berbagai uji satu sampel untuk statistik non parametrik.

Contoh Output Chi Square

Uji Binomial

Uji binomial adalah uji beda satu sampel non parametrik yang datanya merupakan dikotomi atau biner. Banyak sekali populasi yang hanya terdiri dari dua kelompok, misalnya pria dan wanita, setuju dan tidak setuju, menikah dan belum menikah, anggota dan bukan anggota sudah vaksin dan belum vaksin dan masih banyak lagi. Populasi ini sering disebut binary population atau dichotomous population.

Jika kita melihat jumlah kategori (2) maka kemungkinan yang ada adalah pasti 1/2 atau 0,5. Di sini kita ingin melihat berapakah probabilitas kita mendapatkan nilai esktrem dibandingkan nilai observasi. Sebagai ilustrasi, kita memberikan pertanyaan kepada orang tua siswa apakah bersedia melakukan sekolah tatap muka (ini hanya contoh, bukan kasus yang sebenarnya) di daerah yang telah berada pada zona hijau. Sebelum diberikan angket, diadakan penjelasan tentang protokol kesehatan dan berbagai informasi penting tentang Covid secara online. Hipotesis yang diberikan adalah bahwa dengan adanya pemahaman yang benar, maka orang tua siswa akan mengijinkan sekolah tatap muka.

Dalam kasus ya dan tidak seperti ini, maka uji binomial sangat cocok untuk diterapkan karena pasti tidak normal. Artikel dan contoh tentang uji binomial kami tampilkan di sini. 


Uji Chi Square

Uji Chi Square dalam kasus satu sampel dapat dipergunakan untuk data kategori atau ordinal. Sering disebut dengan Chi Square Goodness of Fit Test. Uji Chi Square memang sangat luas penggunaannya dalam satunya adalah untuk uji satu sampel non parametrik. Skala kategori atau ordinal misalnya ranking dalam suatu kejuaraan, atau sangat suka, suka dan tidak suka. Jumlah kategori bisa dua atau lebih.

Uji Chi Square juga bisa dikembangkan menjadi korelasi kontingensi atau bahkan diadopsi untuk melihat efikasi suatu vaksin. Uji ini untuk menguji apakah terdapat perbedaan antara jumlah subjek atau respons yang diobservasi dengan jumlah objek yang diharapkan. Atau bisa juga disebut untuk menilai tingkat kesesuaian antara observasi dengan harapan (expected) dalam setiap kategori. Untuk lebih rinci silahkan klik di sini


Uji Kolmogorov-Smirnov

Uji Kolmogorov-Smirnov (KS) mungkin lebih terkenal di statistik parametrik, terutama untuk uji normalitas. Konsep sederhana dari uji KS adalah untuk melihat apakah terdapat perbedaan antara distribusi data dengan distribusi normal dalam bentuk frekuensi data. Dengan konsep yang sederhana ini, maka uji KS sering diadopsi untuk uji normalitas dengan membandingkan distribusi data dengan distribusi normal. Jika terdapat perbedaan berarti data tersebut tidak normal. Konsep ini dikembangkan lebih lanjut menjadi uji Liliefors dalam statistik parametrik.

Klik di sini untuk artikel tentang uji Kolmogorov Smirnov dengan SPSS.


Run Test

Istilah run test juga malah populer di statistik parametrik, terutama untuk uji autokorelasi pada regresi linear. Tetapi sebenarnya run test dikembangkan pada statistik non parametris untuk kasus uji satu sampel. Sering juga disebut dengan The one sample runs test of randomness karena memang diuji untuk melihat apakah suatu distrubusi data random atau tidak.

Run adalah setiap pergantian dari sesuatu yang berbeda. Setiap ada pergantian maka disebut ada run, demikian seterusnya sampai terhitung ada berapa run dalam distribusi data tersebut. 

Klik untuk melihat contoh dan simulasi run test dengan SPSS.

Share:

Uji Beda K Independent Sample dengan Perluasan Median Test

Median Test adalah uji beda untuk melihat perbedaan dari dua sampel yang tidak berhubungan (2 Independent Samples T Test). Dalam kasus lebih dari 2 sampel atau K Samples, maka metode ini masih dapat dipergunakan. Jika peneliti berhadapan dengan 5 atau bahkan 10 sampel maka akan kesulitan jika harus melakukan pengujian berulang-ulang dengan 2 sampel saja, sehingga kita dapat melakukannya secara langsung. Untuk data yang dipergunakan dalam analisis ini, dapat Anda download di Google Drive

Data yang dipergunakan adalah data respons yang diberikan kepada wisata dari Jakarta, Kuala Lumpur dan Bangkok terhadap penerapan adaptasi baru wisata di Pulau Bali. Peneliti ingin melihat apakah terdapat perbedaan preferensi penerapan adaptasi baru wisatawan di Pulau Bali di antara ketiga daerah asal wisatawan tersebut. (ini hanya data simulasi, bukan data yang sebenarnya).

Langkah pertama adalah dengan melakukan uji normalitas dengan Liliefors yang berdasarkan pada Kolmogorov Smirnov yaitu sebagai berikut:

Uji Normalitas dengan Liliefors
Tampak bahwa nilai signifikansi adalah sebesar 0,000 < 0,05 yang menunjukkan bahwa terdapat perbedaan yang signifikan antara distribusi data dengan distribusi normal. Berarti data tidak terdistribusi secara normal, sehingga menggunakan statistik non parametrik.

Langkahnya sama, yaitu pilih Analyze, pilih Nonparametric Tests, pilih Legacy Dialogs lalu klik pada K Independent Samples seperti pada gambar di bawah:

Memilih Menju Median Test
Maka kita akan masuk ke menu Median Test sebagai berikut:

Menu Median Test
Masukkan variabel respons ke Test Variable List dan Kategori ke Grouping variable seperti pada gambar di atas. Berikan tanda centang pada Median, lalu klik Define Group di bawah Kategori, sehingga akan masuk ke sub menu sebagai berikut:

Sub Menu Grouping Variable
Berikan nilai 1 pada Minimum dan 3 pada maximum karena memang ada 3 kategori dalam penelitian. Setelah itu klik Continue lalu Klik OK sehingga akan keluar output sebagai berikut:

Output Frekuensi
Tampak bahwa dari 22 wisatawan dari Kuala Lumpur terbari rata menjadi 11 di atas median dan 11 di bawah atau sama dengan median. Untuk Jakarta, jumlah yang di bawah atau sama dengan median dua kali yang di atas median. Untuk wisatawan dari Bangkok bahkan hampir 3 kali jumlah responden yang memberikan skor di bawah atau sama dengan median.

Untuk uji hipotesis, maka menggunakan output sebagai berikut:

Output Uji Hipotesis
Jumlah responden total adalah 71 dengan nilai median 35. Diperoleh nilai Chi Square sebesar 2,651 dengan signifikansi sebesar 0,266 > 0,05. Berarti tidak terdapat perbedaan preferensi di antara ketiga kelompok wisatawan berdasarkan daerah asal. Hal ini menunjukkan bahwa pengelolaan tujuan wisata pada adaptasi baru akibat Covid-19 sudah dapat memenuhi ekspektasi dari berbagai daerah asal wisatawan.

Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *