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:

Tidak ada komentar:

Posting Komentar

Baca dulu sebelum tulis komentar:

Sebelum menuliskan pertanyaan, mohon disimak tanya jawab yang ada terlebih dahulu. Pertanyaan yang sama atau senada biasanya tidak terjawab. Untuk pengguna Blogger mohon profil diaktifkan agar tidak menjadi dead link. Atau simak dulu di Mengapa Pertanyaan Saya Tidak Dijawab?
Simak juga Channel kami di Statistik TV
Komentar akan kami moderasi dulu sebelum ditampilkan. Aktifkan Akun Google Anda.

Terima kasih.

Translate

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *