BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Statistik Non Parametrik Penelitian di bidang ilmu sosial seringkali menjumpai kesulitan untuk memperoleh data kontinu yang menyebar mengikuti distribusi normal. Data penelitian ilmu ilmu sosial yang diperoleh kebanyakan hanya berupa kategori yang hanya dapat dihitung frekuensinya atau berupa data yang hanya dapat dibedakan berdasarkan tingkatan atau rankingnya. Menghadapi kasus data kategorikal atau data ordinal seperti itu, jelas peneliti tidak mungkin mempergunakan metode statistik parametrik sebagai gantinya diciptakan oleh para pakar metode statistik lain yang sesuai yaitu yang disebut metode statisik nonparametrik. Metode statistik nonparametrik ini sering juga disebut metode bebas sebaran (distribution free) karena model uji statistiknya tidak menetapkan syarat syarat tertentu tentang bentuk distribusi parameter populasinya. Artinya bahwa metode statistika nonparametrik ini tidak menetapkan syarat bahwa observasi observasinya harus ditarik dari populasi yang berdistribusi normal dan tidak menetapkan syarat homoscedasticity. Dalam jumlah uji statistik nonparametrik hanya menetapkan asumsi/persyaratan bahwa observasi observasinya harus independen dan bahwa variabel yang diteliti pada dasarnya harus memiliki kontinuitas. Banyak diantara uji uji statistik nonparametrik kadangkala disebut

2 sebagai uji ranking, karena teknik teknik nonparametrik ini dapat digunakan untuk skor yang bukan skor eksak dalam pengertian keangkaan, melainkan berupa skor yang semata mata berupa jenjang jenjang (rank). Uji statistik nonparametrik atau uji bebas sebaran (distribution free) digunakan dalam kondisi sebagai berikut: 1. Bentuk distirbusi populasinya, dari mana sampel atau sampel sampel penelitiannya diambil, tidak diketahui menyebar secara normal. 2. Variabel penelitiannya hanya dapat diukur dalam skala nominal (diklasifikasikan dalam kategori dan hitung frekuensinya). 3. Variabel penelitiannya hanya dapat diukur dalam skala ordinal (disusun dalam tingkatan dan dinyatakan dalam ranking pertama, kedua, ketiga, dan seterusnya). 4. Ukuran sampel atau sampel sampel penelitiannya kecil dan sifat distribusi frekuensinya tidak diketahui secara pasti. 2.2 Kelebihan dan Kekurangan Metode Statistik Nonparametrik Manfaat atau kelebihan metode statistik nonparametrik dibanding metode statistik parametrik, antara lain sebagai berikut: 1. Nilai probabilitas dari sebagian besar uji statistik nonparametrik diperoleh dalam bentuk yang lebih pasti (kecuali untuk kasus sampel yang besar), tak peduli bagaimana bentuk distribusi populasi yang merupakan induk dari sampel sampelnya. Ketetapan nilai probabilitas itu tidaklah tergantung pada bentuk distribusi populasinya, meskipun beberapa uji statistik nonparametrik mungkin menganggap adanya kesamaan bentuk

3 dua distribusi populasi atau lebih, dan beberapa uji yang lain menganggap bahwa distribusi populasinya simetris. Dalam kasus kasus uji nonparametrik tertentu memang menganggap bahwa distribusi yang mendasarinya adalah kontinu, suatu anggapan yang juga dibuat dalam uji uji parametrik. 2. Apabila sampel sampelnya kecil atau terpaksa kecil karena sifat hakikat sampel itu sendiri (misalnya n = 6), hanya uji statistik nonparametrik yang dapat digunakan, kecuali jika sifat distribusi populasinya diketahui secara pasti. 3. Uji uji statistik nonparametrik dapat digunakan untuk mengalisis data yang pada dasarnya merupakan jenjang atau ranking dan juga untuk data yang skor skor keangkaannya secara sepintas kelihatan memiliki kekuatan ranking, dan bahkan bagi data yang hanya dapat dikategorikan sebagai plus atau minus, lebih atau kurang, lebih baik atau lebih buruk, dan sebagainya. 4. Uji uji statistik nonparametrik dapat digunakan untuk menganalisis data yang hanya merupakan klasifikasi semata, yakni data yang diukur dalam skala nominal. 5. Tersedia uji uji statistik nonparametrik untuk menganalisis sampel sampel yang terdiri dari observasi observasi dari beberapa populasi yang berlainan. 6. Uji uji statistik nonparametrik sederhana perhitungannya sehingga lebih mudah dipelajari dan diterapkan dibanding dengan uji uji parametrik.

4 Di samping kelebihan kelebihan tersebut, uji uji statistik nonparametrik juga mempunyai kekurangan kekurangan. Adapun kekurangan kekurangan yang dapat dikemukakan dari uji statistik nonparametrik adalah: 1. Apabila persyaratan persyaratan bagi model statistik parametrik dapat dipenuhi dan apabila pengukuran data mempunyai kekuatan seperti yang disyaratkan, pemakaian uji statistik nonparametrik, kekuatan efisiensinya menjadi lebih rendah. 2. Uji statistik nonparametrik tidak dapat dipergunakan untuk menguji interaksi seperti dalam model analisis varians. 3. Metode statistik nonparametrik tidak dapat dipergunakan untuk membuat prediksi (ramalan) seperti dalam model analisis regresi, karena asumsi normal tidak dapat dipenuhi. 4. Macam uji statistik nonparametrik terlalu banyak sehingga menyulitkan peneliti dalam memilih uji mana yang paling sesuai. 2.3 Pengukuran Kofisien Korelasi Nonparametrik Metode Korelasi Jenjang Spearman (Rank Correlation Method) Metode korelasi jenjang ini dikemukakan oleh Carl Spearman pada tahun Metode ini diperlukan untuk mengukur keeratan hubungan antara dua variabel di mana dua variabel itu tidak mempunyai joint normal distribution dan conditional variance tidak diketahui sama. Korelasi rank dipergunakan apabila pengukuran kuantitatif secara eksak tidak mungkin/sulit dilakukan. Misalnya: mengukur tingkat moral, tingkat kesenangan, tingkat motivasi, dan lain sebagainya.

5 Untuk menghitung rank correlation coefficientnya, yang dinotasikan dengan r s, dilakukan langkah langkah sebgai berikut: 1. Nilai pengamatan dari dua variabel yang akan diukur hubungannya diberi jenjang. Bila ada nilai pengamatan yang sama dihitung jenjang rata ratanya. 2. Setiap pasang jenjang dihitung perbedaannya. 3. Perbedaan setiap pasang jenjang tersebut dikuadratkan dan dihitung jumlahnya. 4. Nilai r s (koefisien korelasi Spearman) dihitung dengan rumus: Keterangan: menunjukkan perbedaan setiap pasang rank. menunjukkan jumlah pasangan rank. Hipotesis nihil yang akan diuji mengatakan bahwa dua variabel yang diteliti dengan nilai jenjangnya itu independen, tidak ada hubungan antara jenjang variabel yang satu dengan jenjang dari variabel lainnya. 12 3, ,

6 Kriteria pengambilan keputusannya adalah: diterima apabila $2 6 % ditolak apabila &2 6 Nilai 2 6 dapat dilihat pada tabel nilai r (lampiran 2) Untuk n 10 dapat dipergunakan Tabel nilai t, di mana nilai t sampel dapat dihitung dengan rumus: diterima apabila! "#$$! "# ditolak apabila &! "# atau '! "# Metode Korelasi Jenjang Kendall Selain koefisien korelasi Spearman, terdapat metode pengukuran lain tentang keeratan hubungan antara variabel random X dan Y, di mana X dan/atau Y tidak berdistribusi normal atau tidak diketahui distribusinya. Metode ini disebut Kendall rank Correlation Coefficient (metode ini dikemukakan untuk pertama kalinya oleh Maurice G. Kendall pada tahun 1938). Koefisien korelasi Kendall dinotasikan dengan 7 (huruf Junani, dibaca: tau). Koefisien korelasi Kendall dihitung dengan rumus: 7 3 8#

7 Nilai 7 ini akan bergerak berkisar antara -1 sampai +1. Untuk n yang lebih besar dari 10, maka 7 mendekati distribusi normal, dengan mean: 9 :, Dan standar deviasi: ; : <= > Pengujian hipotesis nihil yang mengatakan bahwa tidak ada korelasi/asosiasi yang nyata antara dua set pengamatan lawan hipotesis alternatif terdapat korelasi, dengan menghitung nilai?:? 79 : ; : 7 - <= > Kriteria pengambilan keputusan: diterima apabila?$?! ditolak apabila?&?! Koefisien Kontingensi C Untuk mengukur derajat hubungan, asosiasi, atau dependensi dari klasifikasi klasifikasi dalam tabel kontingensi, digunakan koefisien kontingensi (coefficient of contingency) yang dinyatakan dengan rumus:

8 @ A A < Keterangan: A = nilai chi-square = besar sampel Nilai A dihitung dengan rumus: G E A BB C C D F C D C D CHIHCJK LMINOHI Koefisien Cramer C Koefisien Cramer C merupakan suatu ukuran derajat asosiasi atau hubungan antara dua pasangan atribut atau variabel, terutama apabila salah satu kedua variabel tersebut hanya berupa serangkaian kategori (skala nominal) yang tidak menunjukkan tingkatan. Koefisien Cramer dihitung dari tabel kontingensi. Tabel kontingensi tersebut disusun berdasarkan data dari dua pasangan variabel kategorikal yang tidak menunjukkan tingkatan. Misalnya dua variabel itu adalah A dan B. Variabel A dengan kategori A 1, A 2,..., A k dan variabel B dengan kategori B 1, B 2,..., B r. Tabel kontingensi ditunjukkan sebagai berikut:

9 Tabel 2.1. Tabel kontingensi Keterangan: Tabel dapat berupa Tabel, Tabel =, Tabel PP, Tabel QR, dan seterusnya. Koefisien Cramer C dihitung dengan A S Keterangan: A = nilai chi square = besar sampel S = jumlah baris atau kolom dalam tabel kontingensi mana yang lebih kecil

10 2.3.5 Koefisien Phi Untuk Tabel TT Untuk dua pasangan atribut dengan skala nominal yang terdiri dari dua kategori (tabel kontingensi ), ukuran asosiasi, hubungan, atau dependensinya dapat dipergunakan koefisien phi U. Untuk menghitung koefisien phi U, variabel berskala nominal dengan dua kategori (dikotomi atau binary), misalnya dengan kode 0 dan 1, disusun dalam bentuk Tabel seperti tabel 2.2 di bawah ini: Tabel 2.2. Tabel Variable Y Variabel X Jumlah A B A+B 0 C D C+D Jumlah A+C B+D N Koefisien phi untuk Tabel dihitung denrgan rumus: WXYZ@W V 8X<Z@<YX<@Z<Y Nilai V berkisar antara nol dan satu. Signifikansi nilai koefisien phi diuji dengan menggunakan statistik A yang dihitung dengan rumus: [WXYZ@W A \ X<Z@<YX<@Z<Y