Metode Statistik Nonparametrik

Pengertian dan Perbedaan Statistik Parametrik dan Non parametric

By Aip Ripai

Dalam terminologi ilmu statistika, statistik parametrik dan non parametrik merupakan dua hal yang sering digunakan. Lantas apa perbedaan keduanya? Secara sederhana sebetulnya antara statistik parametrik dan non parametrik mudah dibedakan dari istilahnya saja. Statistik non parametrik adalah statistik yang ditidak mendasarkan pada parameter-parameter statistik. apa itu parameter-parameter statistik? jika anda melakukan penelitian, tentu anda melakukan pengukuran-pengukuran, nah ukuran-ukuran tersebut diistilahkan dengan parameter. dalam statistik kita mengenal mean, median, modus dan standar deviasi. itulah parameter-parameter statistik. dalam statistik non parametrik, parameter tersebut tidak dijadikan acuan. Mengapa? ketika kita menggunakan skala data nominal atau ordinal, parameter-parameter tersebut menjadi tidak relevan. itu lebih kepada membuat ranking pada data. selain itu, statistik non parametrik tidak mendasakan pada distribusi data tertentu.

Penggunaan statistik non parametric

Statistik non parametrik banyak digunakan pada kondisi di mana peneliti dihadapkan pada data yang berupa ranking, misalnya data untuk menilai peringkat mana yang lebih penting diantara beberapa atribut produk. Begitupun ketika hendak menganalisis data berupa data nominal atau data dikotomus, misalnya kita hanya menggunakan skala 1 dan 2 untuk membedakan jenis kelamin laki-laki dan perempuan. Parameter-parameter statistik seperti rata-rata dan standar deviasi menjadi tidak relevan. Jika kita paksakan untuk menggunakannya maka tentu rata-rata data hanya menyebar di antara angka 1 dan 2.

Ketika peneliti menggunakan skala ordinal dalam mengukur suatu variabel, statistik non parametrik merupakan metode yang cocok untuk menganalisis data tersebut. Namun, kebanyakan peneliti menggunakan statistik parametrik melalui penghitungan parameter mean dan standar deviasi terlebih dahulu. Memang, dalam hal interpretasi, statistik parametrik lebih mudah dipahami dibandingkan statistik non parametrik. Kita tentu akan lebih mudah membaca rata-rata atau penyimpangan suatu data dibandingkan ranking dari data itu sendiri. Alasan kemudahan membaca hasil inilah yang sering dijadikan justifikasi untuk menghindari statistik non parametrik.

Alasan kedua penggunaan statistik non parametrik adalah ketika data peneliti dihadapkan pada data yang tidak berdistribusi normal atau peneliti tidak memiliki cukup bukti yang kuat data berasal dari distribusi data seperti apa. Kita sering dihadapkan pada kondisi di mana data tidak berdistribusi normal, misalnya distribusi data terlalu miring ke kiri atau ke kanan. Berbagai usaha dapat dilakukan dengan mereduksi data outlier atau data ekstrim. Namun, jika hal tersebut tidak merubah distribusi data menjadi terdistribusi normal, maka metode non parametrik dapat dilakukan.

Contoh metode analisis non parametric

Kedua metode ini tentu memiliki konsekuensi terhadap pendekatan analisis yang digunakan. Untuk menganalisis pengaruh suatu variabel penyebab terhadap variabel respon, biasanya kita menggunakan analisis regresi linier sederhana atau berganda. Dalam metode non parametrik, metode tersebut tidak lagi relevan. Pendekatan yang cocok adalah regresi non parametrik.

Begitu pun ketika kita menganalisis hubungan antara dua variabel. Biasanya kita menggunakan analisis korelasi Pearson Product Moment. Namun, dalam metode non parametrik analisis korelasi lebih dikenal dengan korelasi Rank spearman. Teknik perhitungannya berbeda. Dalam Rank spearman, kita terlebih dahulu membuat ranking dari data yang akan dikorelasikan sementara dalam Pearson product moment tidak dilakukan. Metode korelasi non parametrik populer lainnya adalah Kendall Tau.

Contoh kasus dan hasil analisis Uji Binomial (Statistik Nonparametrik)

Kasus:

Misalnya kita ingin menyelidiki apakah suatu metode diet baru merupakan metode yang efektif menurunkan berat badan atau tidak. Dari beberapa wanita yang mengikuti metode diet tersebut diambil 10 wanita sebagai data sampel. Data berat badan ke 10 wanita tersebut sebelum dan sesudah diet adalah sebagai berikut:

Wanita	Sebelum	Sesudah	Tanda
1	58	60	-
2	60	54	+
3	61	58	+
4	69	62	+
5	64	58	+
6	62	59	+
7	56	54	+
8	63	60	+
9	68	62	+
10	59	58	+

Penyelesaian:

Hasil analisis dengan menggunakan software SPSS:

Binomial Test
		Category	N	Observed Prop.	Test Prop.	Exact Sig. (2-tailed)
Berat_Badan	Group 1	Meningkat	1	.10	.50	.021
	Group 2	Menurun	9	.90
	Total		10	1.00

Hipotesis

H   ₀ : P₁ = P₂

(Berat badan sampel sebelum dan sesudah diet adalah sama).

H   ₁ : P₁ ≠ P₂ 

(Berat badan sampel sesudah diet mengalami penurunan).

Taraf signifikansi

alpha = 5 % = 0,05

Daerah kritik

Menolak H₀ jika p-value < α

Keputusan

Karena nilai p-value (0,021) < α (0.05), maka diputuskan bahwa H₀ ditolak.

Kesimpulan

Berat badan sampel sesudah diet mengalami penurunan.