Statistik Parametrik dan Non-Parametrik

Statistik Parametrik

Uji parametrik dilakukan jika data memenuhi beberapa asumsi, jika tidak dipenuhi maka hasil yang didapat tidak akurat atau bias. Beberapa uji pendahuluan terhadap asumsi-asumsi harus dilakukan untuk analisis lebih lanjut.

Beberapa asumsi yang harus dipatuhi pada statistik parametrik antara lain:

• Data harus berasal dari populasi yang TERDISTRIBUSI NORMAL,
• Populasi harus memiliki KERAGAMAN SAMA, artinya jika dua atau beberapa kelompok data digunakan  dalam penelitian, ia harus memiliki keragaman yang sama (equal variances),
• Variabel dependen menggunakan data kuantitatif, tidak bias untuk data yang dengan tipe kategorik atau ordinal,
• Toleran terhadap pelanggaran beberapa asumsi, tapi dapat meningkatkan standar error sehingga hasil menjadi bias, pada beberapa kasus kita dapat menemukan penolakan terhadap H0 dan penerimaan terhadap H1 karena hasil analisis yang bias.

Statistik parametrik biasa digunakan pada penelitian yang menggunakan data dengan sebaran normal dan Poisson. Sebaran normal diasumsikan dengan pengamatan independen dengan mean µ dan keragaman σ2 yang tidak diketahui. Sedangkan sebaran Poisson diasumsikan dengan pengamatan independen menggunakan variabel acak Poisson dengan mean θ yang tidak diketahui. Dengan demikian dapat disimpulkan bahwa dalam statistik parametrik parameternya tidak diketahui. Pada statistik parametrik sasarannya adalah menggunakan observasi untuk menarik inferensia atau kesimpulan mengenai parameter yang tidak diamati atau dengan model yang telah disusun.

Statistik Non-Parametrik

Ketika asumsi-asumsi yang digunakan pada uji parametrik tidak terpenuhi, kita dapat melakukan prosedur non-parametrik.

Statistik non-parametrik juga biasa dikenal dengan “distribution free-statistics”, yang digunakan untuk menjelaskan beberapa atribut populasi, menguji hipotesis, dan menguji perbedaan antar atribut antar populasi yang tidak memerlukan asumsi mengenai bentuk atau sebaran populasi data dan juga rentang pengukuran.

Uji non-parametrik hanya memiliki sedikit batasan, beberapa diantaranya adalah:

• TIDAK mengasumsikan data MENYEBAR NORMAL,
• Data bersifat independen, kecuali data berpasangan,
• Skala pengukuran dapat bersifat kategorik maupun ordinal, tergantung variabel yang digunakan,
• Jumlah sampel tidak sebanyak yang digunakan pada uji parametrik, dapat dilakukan dengan sedikit sampel.

Beberapa hal yang dapat kita pertimbangkan ketika akan menggunakan uji non-parametrik antara lain:

Data tidak menyebar normal, r, t, Z, F, dan lain-lain biasanya bersifat “robust”, terlalu banyak asumsi yang dilanggar sehingga hasil menjadi bias,

Biasanya disiplin ilmu psikologi menggunakan tipe data ordinal dan interval, serta dengan jumlah pengukuran yang tidak sama dan menyebabkan keragaman populasi tidak sama, uji non-parametrik dapat digunakan sebagai alternatif.

Jika kita hanya memiliki sedikit jumlah sampel, uji berikut ini juga berguna,

Sensitivitas atau power dalam pengujian akan lebih baik dengan uji parametrik, tetapi pada kasus pelanggaran asumsi uji parametrik, uji non-parametrik akan memberikan sensitivitas yang lebih baik,

Uji non-parametrik pada data kuantitatif lebih banyak menggunakan peringkat daripada nilai, karena untuk data independen, sebaran peringkat akan lebih baik daripada sebaran nilai.

Tabel Uji Parametrik dan Non-Parametrik

download versi pdf di bawah ini >>>