Statistika Parametrik dan Non-Parametrik

Statistika parametrik adalah prosedur yang pengujian yang dilakukan berlandaskan distribusi. Salah satu karakteristiknya penggunaan prosedur ini melibatkan asumsi-asumsi tertentu. Contoh dari statistik parametrik adalah analisis regresi, analisis korelasi, analisis varians.

Statistika non parametrik adalah prosedur dimana kita tidak melibatkan parameter serta tidak terlibatnya distribusi. Contoh : uji keacakan, uji kecocokan (goodness of fit),dll.

Kelebihan statistika non parametric

·         Asumsi yang digunakan dalam jumlah yang minimum maka kemungkina penggunaan secara salah juga kecil.

·         Untuk beberapa prosedur perhitungan dapat dilakukan dengan mudah secara manual.

·         Konsep-konsep dari prosedur ini menggunakan dasar matematika dan statistika yang mudah dipahami.

·         Prosedur ini dapat digunakan pada skala ordinal maupun nominal.

Kelemahan dari prosedur statistika non parametric

·         Jika suatu kasus yang dapat dianalisis dengan statistika parametrik, kemudian digunakan analisis statistika non parametrik akan menyebabkan pemborosan informasi.

·         Meskipun prosedur penghitungannya sederhana, perhitungannya kadang-kadang membutuhkan banyak tenaga dan menjemukan.

Kapan prosedur non parametrik digunakan ?

·         Bila hipotesis yang harus diuji tidak melibatkan suatu parameter populasi.

·         Bila skala pengukuran yang disyaratkan dalam statistika parametrik tidak terpenuhi misalnya skala ordinal dan nominal.

Data dibedakan menurut skala yang digunakan pada saat melakukan pengukuran. Dengan pengukuran dimaksudkan sebagai upaya memberikan angka numerik terhadap obyek menurut aturan-aturan tertentu. Aturan yang berbeda akan menghasilkan skala yang berlainan sehingga akan memberikan jenis pengukuran yang berbeda. Terdapat empat macam skala pengukuran yang ada yaitu:

SKALA NOMINAL

Skala nominal merupakan skala pengukuran yang paling rendah tingkatannya di antara ke empat skala pengukuran yang lain. Seperti namanya, skala ini membedakan satu obyek dengan obyek lainnya berdasarkan lambang yang diberikan. Oleh karena itu data dalam skala nominal dapat dikelompokkan ke dalam beberapa kategori, dan kepada kategori tersebut dapat diberikan lambang yang sesuai atau sembarang bilangan. Bilangan yang diberikan tidak mempunyai arti angka numerik artinya kepada angka-angka tersebut tidak dapat dilakukan operasi aritmetika, tidak boleh menjumlahkan, mengurangi, mengalikan, dan membagi. Bilangan yang diberikan hanyalah berfungsi sebagai lambang yang dimaksudkan hanya untuk membedakan antara data yang satu dengan data yang lainnya. Contoh : Data mengenai barang-barang yang dihasilkan oleh sebuah mesin dapat digolongkan dalam kategori cacat atau tidak cacat. Barang yang cacat bisa diberi angka 0 dan yang tidak cacat diberi angka 1. Data 1 tidaklah berarti mempunyai arti lebih besar dari 0. Data satu hanyalah menyatakan lambang untuk barang yang tidak cacat.
Kesimpulan : Bilangan dalam Skala Nominal berfungsi hanya sebagai lambang untuk membedakan, terhadap bilangan-bilangan tersebut tidak berlaku hukum aritmetika, tidak boleh menjumlahkan, mengurangi, mengalikan, maupun membagi.
Hubungan yang membatasi adalah hubungan sama dengan dan tidak sama ).¹ dan =dengan (
Statistik yang sesuai dengan data berskala Nominal adalah Statistik Nonparametrik. Contoh perhitungan statistik yang cocok adalah Modus, Frekuensi dan Koefisien Kontingensi.

SKALA ORDINAL

Skala pengukuran berikutnya adalah skala pengukuran ordinal. Skala pengukuran ordinal mempunyai tingkat yang lebih tinggi dari skala pengukuran nominal. Dalam skala ini, terdapat sifat skala nominal, yaitu membedakan data dalam berbagai kelompok menurut lambang, ditambah dengan sifat lain yaitu, bahwa satu kelompok yang terbentuk mempunyai pengertian lebih (lebih tinggi, lebih besar,…) dari kelompok lainnya. Oleh karena itu, dengan skala ordinal data atau obyek memungkinkan untuk diurutkan atau dirangking.

Contoh : Sistem kepangkatan dalam dunia militer adalah satu contoh dari data berskala ordinal Pangkat dapat diurutkan atau dirangking dari Prajurit sampai Sersan berdasarkan jasa, dan lamanya pengabdian. Jika peneliti merangking data lamanya pengabdian maka peneliti dapat memberikan nilai 1, 2, 3, … , 4 dst masing-masing terhadap seseorang anggota ABRI yang berpangkat Prajurit, Kopral, Sersan, dst. Berbeda dengan skala nominal, angka yang diberikan terhadap obyek tidak semata-mata berlaku sebagai lambang tetapi juga memperlihatkan urutan atau rangking.

Kesimpulan: Pada tingkat pengukuran ordinal, bilangan yang didapat berfungsi sebagai :

1.      lambang untuk membedakan

2.      untuk mengurutkan peringkat berdasarkan kualitas yang telah ditentukan (> atau < ).

Pada tingkat pengukuran ordinal kita bisa mengatakan lebih baik/lebih buruk, lebih besar/lebih kecil, tetapi tidak bisa menentukan berapa kali lebih besarnya/lebih buruknya.
Statistik yang sesuai dengan data berskala Ordinal adalah Statistik Nonparametrik. Contoh perhitungan statistik yang cocok adalah Median, Persentil, Korelasi Spearman (rs ), Korelasi Thau-Kendall dan Korelasi Thau-Kendall (W).

SKALA INTERVAL

Skala pengukuran Interval adalah skala yang mempunyai semua sifat yang dipunyai oleh skala pengukuran nominal, dan ordinal ditambah dengan satu sifat tambahan. Dalam skala interval, selain data dapat dibedakan antara yang satu dengan yang lainnya dan dapat dirangking, perbedaan (jarak/interval) antara data yang satu dengan data yang lainnya dapat diukur. Contoh : Data tentang suhu empat buah benda A, B, C , dan D yaitu masing-masing 20. 30, 60, dan 70 derajat Celcius, maka data tersebut adalah data dengan skala pengukuran interval karena selain dapat dirangking, peneliti juga akan tahu secara pasti perbedaan antara satu data dengan data lainnya. Perbedaan data suhu benda pertama dengan benda kedua misalnya, dapat dihitung sebesar 10 derajat, dst. Namun dalam skala interval, tidak mungkin kita melakukan perbandingan antara satu data dengan data yang lainnya. Kita tidak dapat mengatakan bahwa suhu 60 derajat Celcius dari benda C dan 30 derajat Celcius untuk suhu benda B berarti bahwa benda C 2x lebih panas dari benda B. Hal ini tidak mungkin karena skala interval tidak mempunyai titik nol yang mutlak. Titik nol yang tidak mutlak berarti : benda dengan suhu nol derajat Celcius bukan berarti bahwa benda tersebut tidak mempunyai panas.

Kesimpulan : Bilangan pada skala interval fungsinya ada tiga yaitu :

1.      Sebagai lambang untuk membedakan,

2.      Untuk mengurutkan peringkat, misal, makin besar bilangannya, peringkat makin tinggi ( > atau <),

3.      Bisa memperlihatkan jarak/perbedaan antara data obyek yang satu dengan data obyek yang lainnya.

Titik nol bukan merupakan titik mutlak, tetapi titik yang ditentukan berdasarkan perjanjian.
Statistik yang sesuai dengan data berskala Interval adalah Statistik Nonparametrik dan Statistik Parametrik. Contoh perhitungan statistik yang cocok adalah Rata-rata, Simpangan Baku, dan Korelasi Pearson.

SKALA RASIO

Skala rasio merupakan skala yang paling tinggi peringkatnya. Semua sifat yang ada dalam skala terdahulu dipunyai oleh skala rasio. Sebagai tambahan, dalam skala ini, rasio (perbandingan) antar satu data dengan data yang lainnya mempunyai makna. Contoh : Data mengenai berat adalah data yang berskala rasio. Dengan skala ini kita dapat mengatakan bahwa data berat badan 80 kg adalah 10 kg lebih berat dari yang 70 kg, tetapi juga dapat mengatakan bahwa data 80 kg adalah 2x lebih berat dari data 40 kg. Berbeda dengan interval, skala rasio mempunyai titik nol yang mutlak.

Kesimpulan : Bilangan pada skala Rasio fungsinya ada tiga yaitu :

1.      Sebagai lambang untuk membedakan

2.      Untuk mengurutkan peringkat, misal, makin besar bilangannya, peringkat makin tinggi (> atau < ),

3.      Bisa memperlihatkan jarak/perbedaan antara data obyek yang satu dengan data obyek yang lainnya.

4.      Rasio (perbandingan) antar satu data dengan data yang lainnya dapat diketahui dan mempunyai arti. Titik nol merupakan titik mutlak.

Statistik yang sesuai dengan data berskala Rasio adalah Statistik Nonparametrik dan Statistik Parametrik. Contoh perhitungan statistik yang cocok adalah Rata-rata kur, Koefisien Variasi dan statistik-statistik lain yang menuntut diketahuinya titik nol mutlak.

Sumber diperoleh dari :

1.Ronald E. Walpole, Pengantar Statistika, 1993, edisi ke-3, PT. Gramedia , Jakarta.
2.W.W. Daniel, Statistika Non Parametrik Terapan, 1978, PT. Gramedia, Jakarta.
3.Mark L. Berenson dan David M. Levine, Basic Business Statistics concepts and applications, 1996, 6th editions, Prentice Hall , New Jersey.

Read More

klasifikasi statistika

Statistika dapat diklasifikasikan dari beberapa klasifikasi, diantaranya:

1) Berdasarkan Isi yang dipelajari

Dilihat dari isi yang dipelajari terbagi manjadi dua, yakni statistika teoritis dan statistika terapan.

a. Statistika teoritis membahas secara mendalam dan teoretis, maka yang dipelajari adalah statistika teoretis atau matematis. Disini diperlukan dasar matematika yang kuat dan mendalam. Materi yang dibahas antara lain; perumusan sifat-sifat, dalil-dalil, rumus-rumus dan menciptakan model-model serta segi-segi lainnya yang teoretis dan matematis.

b. Statistika terapan yang dikenal dengan metode statistika. Aturan-aturan, rumus-rumus, dan sifat-sifat yang telah diciptakan oleh statistika teoretis, diambil dan digunakan mana yang diperlukan dalam bidang pengetahuan yang sedang diminati. Jadi disini tidak dipersoalkan bagaimana didapatnya rumusrumus, aturan-aturan ataupun sifat-sifat tersebut. Yang terpenting dalam statistika ini bagaimana cara-cara atau metode statistika digunakan.

2) Berdasarkan Aktivitas yang dilakukannya

Dilihat dari aktivitas yang dilakukannya, terbagi menjadi dua pula yakni statistika deskriptif dan statistika inferensial.

b. Statistika deskriptif adalah teknik statistik yang memberikan informasi hanya mengenai data yang dimiliki dan tidak bermaksud untuk menguji hipotesis dan kemudian menarik inferensi yang digeneralisasikan untuk data yang lebih besar atau populasi. Statistik deskriptif “hanya” dipergunakan untuk menyajikan dan menganalisis data agar lebih bermakna dan komunikatif dan disertai perhitungan-perhitungan “sederhana” yang bersifat lebih memperjelas keadaan dan atau karakteristik data yang bersangkutan (Burhan Nurgiyantoro dkk, 2000;8).

Statistik deskriptif adalah statistik yang menggambarkan kegiatan berupa pengumpulan data, penyusunan data, pengolahan data, dan penyajian data dalam bentuk tabel, grafik, ataupun diagram, agar memberikan gambaran yang teratur ringkas, dan jelas mengenai suatu keadaan atau peristiwa. (M.Subana dkk, 2000;12).

Statistika deskriptif bermaksud menyajikan, mengolah dan menganalisa data dari kelompok tertentu sebagaimana adanya dan tidak bermaksud menarik kesimpulan-kesimpulan yang berlaku bagi kelompok-kelompok yang lebih besar. Artinya kesimpulan yang ditarik melalui deskriptif hanya berlaku bagai kelompok sampel yang bersangkutan tanpa dimaksudkan menarik kesimpulan yang berlaku bagi populasi.

Ukuran statistik yang lazim digunakan untuk mendeskripsikan karakteristik sampel ialah: ukuran kecenderungan sentral; Ukuran variasi ; Ukuran letak; koefisien korelasi. Sekalipun statistika deskriptif ini hanya menyajikan karakteristik sampel, namun statistika deskriptif merupakan dasar untuk mengkaji dan melakukan inferensi karakteristik populasi.

c. Statistika inferensial adalah statistik yang berkaitan dengan analisis data (sampel) untuk kemudian dilakukan penyimpulanpenyimpulan (inferensi) yang digeneralisasikan kepada seluruh subyek tempat data diambil (populasi) (Burhan Nurgiyantoro dkk, 2000;12). Statistika inferensial adalah statistik yang berhubungan dengan penarikan kesimpulan yang bersifat umum dari data yang telah disusun dan diolah (M.Subana dkk, 2000;12) Statistika inferensial atau statistika induktif bermaksud menyajikan, menganalisa data dari suatu kelompok untuk ditarik kesimpulan-kesimpulan, prinsip-prinsip tertentu yang berlaku bagi kelompok yang lebih besar (populasi) disamping berlaku bagi kelompok yang bersangkutan (sampel).

Statistika inferensial merupakan langkah akhir dari tugas statistika karena dalam setiap penelitian kesimpulan inilah yang diinginkan. Statistika inferensial harus berdasar pada statistika deskriptif, sehingga kedua-duanya harus ditempuh secara benar agar kita mendapatkan kegunaan maksimal dari statistika ini.

Yang masih tercakup dalam statistika inferensial adalah statistik parametrik dan non-parametrik. Statistik parametrik merupakan statistika inferensial yang mempertimbangkan nilai dari satu parameter populasi atau lebih dan umumnya membutuhkan data yang skala pengukuran minimalnya adalah interval dan rasio.

Statistika parametrik adalah suatu ukuran tentang parameter, artinya ukuran seluruh populasi dalam penelitian yang harus diperkirakan dari apa yang terdapat di dalam sampel (karakteristik populasi). Satu syarat umum yang harus dipenuhi apabila seorang peneliti akan menggunakan statistika parametrik, yaitu normalitas distribusi. Asumsi ini harus terpenuhi, karena: 1) secara teoretik karakteristik populasi mengikuti model distribusi normal; 2) nilai-nilai baku statistik yang digunakan untuk uji hipotesis didasarkan kepada model distribusi normal. Asumsi-asmsi lain seperti homogenitas, linieritas harus dipenuhi sesuai dengan hipotesis yang akan diuji.

Statistika non parametrik yaitu statistik yang tidak memperhatikan nilai dari satu parameter populasi atau lebih. Statistik non parametrik digunakan karena analisis parametrik tidak konsisten lagi sehingga tidak terikat atau terbebas dari model distribusi dan sampelnya relatif kecil. Pada umumnya validitas pada statistika non parametrik tidak bergantung pada model peluang yang spesifik dari populasi. Data yang dibutuhkan lebih banyak berskala ukuran nominal atau ordinal.

3) Berdasarkan jumlah variabel:

a. Statistika Univariat: teknik analisis statistik yang hanya melibatkan satu variabel dependent

b. Statistika Multivariat: teknik analisis statistik yang melibatkan lebih dari satu variabel dependent sekaligus.

DAFTAR PUSTAKA

Bungin, Burhan. 2006. Metode Penelitian Kuantitatif Komunikasi, Ekonomi, dan Kebijakan Publik serta Ilmu-ilmu Sosial Lainnya. Jakarta. Prenada Media Group.

Hadi, S. 1995. Statistik 1, 2, 3, Yogyakarta. Andi Offset

Nazir, Mohamad. 1983. Metode Penelitian. Jakarta. Ghalia Indonesia.

Sudjana. 1992. Metoda Statistika (Edisi ke 5). Bandung: Tarsito

Sugiyono. 2003. Statistika untuk Penelitian, Bandung. Alfabeta

Susetyo, Budi. 2010. Statistika Untuk Analisis Data Penelitian. Bandung. PT. Refika Aditama.

Walpole, R.E. 1992. Pengantar Statistika. Jakarta. PT Gramedia Pustaka Utama.

Read More

istilah-istilah umum statistika

Istilah-Istilah Umum Statistika

Beberapa istilah yang sering digunakan dalam statistika antara lain:

·         Frekuensi (f) : Jumlah Individu yang mendapatkan skor/nilai tertentu dalam suatu kelompok data

·         Jumlah Frekuensi (n) : Jumlah individu dari suatu perangkat data

·         Frekuensi Kumulatif (fcum) : Banyaknya data yang berada di bawah atau di atas skor / nilai tertentu

·         Frekuensi Relatif (frel) atau f(%) : Persentase dari fcum

·         Kelas Interval (ci) : Sekelompok skor pada tiap-tiap kelas

·         Banyak kelas interval : jumlah kelas interval yang diperlukan untuk mengelompokkan suatu perangkat data, 1 + 3,3 log.n

·         Rentang/Range ( R ) : Selisih antara skor tertinggi dengan skor terendah dari suatu perangkat data.

·         Panjang Kelas Interval (p) : Jarak/banyaknya skor atau nilai yang tercakup dalam tiap-tiap kelas interval.

·         Ujung Kelas Bawah (Bb) (lower limit) : Skor/nilai terendah pada kelas ybs

·         Ujung Kelas Atas (Ba) (upper limit) : Skor/nilai tertinggi pada kelas ybs

·         Batas Kelas/Batas nyata /real limit Bawah : Batas bawah kelas ybs dikurangi setengah dari satuan terkecil data yang dicatat (0,5; 0,05)

·         Batas Kelas/Batas nyata /real limit Atas : Batas Atas kelas ybs ditambah setengah dari satuan terkecil data yang dicatat (0,5; 0,05)

·         Tanda Kelas/Midpoint/Titik tengah (xi) : Nilai yang membagi kelas ybs menjadi dua bagian yang sama besar, X ½ (Bb+Ba)

DAFTAR PUSTAKA

Bungin, Burhan. 2006. Metode Penelitian Kuantitatif Komunikasi, Ekonomi, dan Kebijakan Publik serta Ilmu-ilmu Sosial Lainnya. Jakarta. Prenada Media Group.

Hadi, S. 1995. Statistik 1, 2, 3, Yogyakarta. Andi Offset

Nazir, Mohamad. 1983. Metode Penelitian. Jakarta. Ghalia Indonesia.

Sudjana. 1992. Metoda Statistika (Edisi ke 5). Bandung: Tarsito

Sugiyono. 2003. Statistika untuk Penelitian, Bandung. Alfabeta

Susetyo, Budi. 2010. Statistika Untuk Analisis Data Penelitian. Bandung. PT. Refika Aditama.

Walpole, R.E. 1992. Pengantar Statistika. Jakarta. PT Gramedia Pustaka Utama.

Read More