Statistik Non Parametrik

Statistik non parametrik adalah sekumpulan metode analisis data yang tidak mengandalkan asumsi distribusi probabilistik tertentu pada populasi. Berbeda dengan statistik parametrik yang mensyaratkan asumsi seperti normalitas, homogenitas varians, atau linearitas, metode non parametrik dapat diterapkan pada data yang tidak memenuhi syaratsyarat tersebut, sehingga lebih fleksibel dan sering dipilih ketika data bersifat ordinal, tidak beraturan, atau memiliki ukuran sampel kecil.

Kenapa Memilih Metode Non Parametrik?

• Data tidak normal Jika grafik atau uji normalitas menunjukkan penyimpangan signifikan, metode non parametrik tetap dapat memberikan hasil yang valid.
• Skala pengukuran ordinal Ketika variabel hanya dapat diurutkan (misalnya rating 15), pendekatan parametrik yang memerlukan skala interval biasanya tidak tepat.
• Ukuran sampel kecil Dengan sampel < 30, asumsi central limit theorem belum dapat diandalkan, sehingga teknik non parametrik menjadi pilihan yang lebih aman.
• Keberadaan outlier Metode non parametrik kurang sensitif terhadap nilai ekstrim, sehingga hasil analisis tidak mudah terdistorsi.

Kelompok Metode Non Parametrik

Uji Satu Sampel

• Uji tanda (Sign test) Menguji apakah median populasi sama dengan nilai hipotetik.
• Uji satu sampel KolmogorovSmirnov Membandingkan distribusi sampel dengan distribusi teoritis tanpa mengasumsikan bentuk tertentu.

Uji Dua Sampel Independen

• MannWhitney U (Wilcoxon ranksum) Menguji perbedaan lokasi (median) antara dua kelompok independen.
• Uji KruskalWallis Perluasan MannWhitney untuk tiga kelompok atau lebih.
• Uji KolmogorovSmirnov dua sampel Membandingkan keseluruhan bentuk distribusi dua sampel.

Uji Dua Sampel Berpasangan

• Uji Wilcoxon signedrank Menguji perbedaan median pada data berpasangan (misalnya sebelumsesudah).
• Uji tanda berpasangan Versi sederhana dari Wilcoxon yang hanya memperhitungkan arah perubahan.

Uji Hubungan & Korelasi

• Korelasi Spearman () Mengukur kuatnya hubungan monotonic antara dua variabel ordinal atau numerik.
• Kendalls Alternatif Spearman yang lebih tahan terhadap ikatan (ties) pada data.
• Uji Chisquare () untuk tabel kontingensi Menguji independensi antara dua variabel kategori.

LangkahLangkah Umum Analisis Non Parametrik

1. Definisikan pertanyaan penelitian dan pilih statistik yang sesuai dengan tipe data serta desain studi.
2. Periksa asumsi dasar Walaupun tidak memerlukan normalitas, kebanyakan uji non parametrik mengasumsikan independensi observasi dan skala ordinal atau lebih tinggi.
3. Hitung statistik uji Biasanya melibatkan peringkat (ranking) data, kemudian menghitung nilainilai seperti U, H, atau rangking selisih.
4. Tentukan nilainilai kritis Menggunakan tabel distribusi khusus atau perangkat lunak statistik untuk memperoleh pvalue.
5. Interpretasi hasil Jika pvalue (biasanya 0,05), tolak hipotesis nol; sebaliknya, gagal menolak.
6. Laporkan ukuran efek Misalnya r untuk MannWhitney atau untuk KruskalWallis, sehingga pembaca dapat menilai signifikansi praktis.

Kelebihan dan Keterbatasan

Kelebihan

• Tidak sensitif terhadap pelanggaran asumsi distribusi.
• Dapat digunakan pada data ordinal dan data numerik dengan outlier.
• Implementasi yang relatif mudah pada perangkat lunak umum (SPSS, R, Python).

Keterbatasan

• Secara teoritis kurang efisien dibandingkan uji parametrik ketika asumsi parametrik terpenuhi.
• Interpretasi biasanya terbatas pada median atau urutan, bukan pada ratarata.
• Beberapa uji non parametrik (misalnya KruskalWallis) tidak memberikan informasi langsung tentang kelompok mana yang berbeda; dibutuhkan posthoc test tambahan.

Contoh Implementasi dengan R

# Contoh MannWhitney Udata1 <- c(12, 15, 14, 10, 13)data2 <- c(22, 25, 19, 23, 20)wilcox.test(data1, data2, exact = FALSE)# Contoh KruskalWallisgroup <- factor(c('A','A','A','B','B','B','C','C','C'))value <- c(5,6,7,8,9,7,6,5,4)kruskal.test(value ~ group)# Contoh Spearmanx <- c(1,2,3,4,5)y <- c(5,6,7,8,7)cor.test(x, y, method = "spearman")

Penutup

Statistik non parametrik memberikan alternatif yang kuat bagi peneliti yang menghadapi data tidak memenuhi asumsi klasik. Dengan memahami karakteristik masingmasing uji, cara perankingan, serta interpretasi ukuran efek, peneliti dapat memperoleh insight yang valid tanpa harus memaksakan data ke dalam model parametrik yang tidak cocok. Pilihan metode yang tepatapakah MannWhitney, KruskalWallis, Wilcoxon signedrank, atau korelasi Spearmanakan meningkatkan kredibilitas temuan dan mempermudah komunikasi hasil kepada komunitas ilmiah.

Untuk informasi lebih lanjut, kunjungi Wikipedia atau sumber statistik terpercaya seperti R Project.