Salah satu fungsi penelitian adalah untuk menemukan jawaban atas suatu pertanyaan mendasar atas suatu phenomena yang diamati. Dalam statistik phenomena yang diamati tersebut tidak hanya dinikmati hanya dengan kepuasan visual atau rasa saja, akan tetapi dituangkan ke dalam suatu bentuk berupa pencatatan terdokumentasi atas phenomena tersebut. Output pencatatan terdokumentasikan tersebut yang disebut dengan Data. Kebutuhan atas suatu penelitian adalah dihasilkannya suatu bentuk informasi handal atas dasar pengolahan data yang diperoleh melalui serangkaian pengujian secara statistik, sehingga informasi yang dihasilkan tidak hanya handal melainkan dapat dipertanggung jawabkan secara ilmiah.
Dalam statistika proses pengolahan data yang diperoleh dari hasil penelitian dibedakan menjadi 2 jenis tipe pengujian data diantaranya pengujian data secara Statistik Parametrik atau Statistik Non-Parametrik. Sebelum melangkah lebih jauh kepada tools statistik spesifik pada data, ada baiknya kita pahami ke 2 jenis tipe pengujian data yang telah disebutkan agar pemilihan tools statistik yang akan diterapkan kepada data penelitian tidak menjadi keliru.
- Statistik Parametrik
Pengujian data melalui statistik parametrik disyarati dengan adanya sejumlah anggapan-anggapan yang kuat yang mendasari penggunaanya. Manakala anggapan-anggapan itu terpenuhi, pengujian-pengujian parametrik inilah yang paling besar kemungkinannya untuk menolak H0 ketika H0 salah. Artinya, kalau data penelitian dianalisis secara tepat dengan pengujian parametrik, pengujian tersebut akan lebih kuat dari pengujian mana pun dalam hal penolakan terhadap H0 jika H0 salah. Oleh karenanya dalam penggunaan pengujian statistik parametrik perlu dipenuhi beberapa unsur-unsur dari model pengujian dengan statistik parametrik, diantaranya :
- Objek pengamatan harus saling independen. Artinya pemilihan sembarang kasus dari populasi untuk dimasukan dalam sampel tidak boleh menimbulkan bias pada kemungkinan-kemungkinan bahwa kasus yang lain akan termasuk juga dalam sampel tersebut dan juga skor yang diberikan pada suatu kasus tidak boleh mempengaruhi skor yang diberikan kepada kasus lainnya.
- Objek pengamatan harus ditarik dari populasi yang berdistribusi normal.
- Populasi-populasi di mana objek pengamatan ditarik harus memiliki varians yang sama.
- Variabel-variabel yang terlibat harus setidaknya dalam skala interval, sehingga memungkinkan digunakannya penanganan secara ilmu hitung terhadap skor-skornya (menambah, membagi, menemukan rata-rata, dst)
- Rata-rata populasi normal dan bervarians sama itu harus juga merupakan kombinasi linier dari efek-efek yang ditimbulkan. Artinya, efek-efek itu harus bersifat penjumlahan. (khusus dalam analisis varians atau uji F)
Kalau kita cukup mempunyai alasan untuk percaya bahwa persyaratan tersebut terpenuhi oleh data yang sedang dianalisis, tentu kita akan memilih suatu tes statistik parametrik, untuk menganalisis data. Pemilihan ini adalah paling baik, sebab tes parametrik akan merupakan tes paling kuat untuk menolak H0 manakala H0 memang harus ditolak.
Contoh penggunaan statistik parametrik seperti pada uji t dan F, yang aplikasinya banyak diterapkan semisal pada analisi regresi, path analisis, rancangan percobaan, analisis faktor (CFA), struktural equation modeling (SEM), dll.
- Statistik Non-Parametrik
Tes statistik non parametrik adalah tes yang modelnya tidak menetapkan syarat-syarat mengenai parameter-parameter populasi yang merupakan induk sampel penelitiannya. Tes non parametrik tidak menuntut pengukuran sekuat yang dituntut tes statistik parametrik. Sebagian besar tes non parametrik dapat diterapkan untuk data dalam skala ukur ordinal dan beberapa yang lain dapat diterapkan untuk data dalam skala ukur nominal.
Meskipun semua anggapan tes parametrik mengenai populasi dan syarat-syarat mengenai kekuatan pengukuran dipenuhi (5 poin syarat parametrik), kita ketahui bahwa dengan memperbesar ukuran sampel dengan banyak elemen yang sesuai dapat menggunakan suatu tes non parametrik sebagai ganti tes parametrik dengan masih mempertahankan kekuatan yang sama untuk menolak H0.
Keuntungan Tes Statistik Non Parametrik
- Pernyataan kemungkinan yang diperoleh dari sebagian besar tes statistik non parametrik adalah kemungkinan-kemungkinan yang eksak, tidak peduli bagaimana bentuk distribusi populasi yang merupakan induk sampel-sampel yang kita tarik.
- Jika sampelnya sekecil N = 6, hanya tes statistik non parametrik yang dapat digunakan kecuali kalau sifat distribusi populasinya diketahui secara pasti.
- Terdapat tes statistik non parametrik untuk menggarap sampel-sampel yang terdiri dari observasi-observasi dari beberapa populasi yang berlainan. Tidak ada satupun di antara tes parametrik dapat digunakan untuk data semacam itu tanpa menuntut kita untuk membuat anggapan-anggapan yang nampak tidak realistis.
- Tes statistik non parametrik dapat untuk menggarap data yang pada dasarnya merupakan ranking dan juga untuk data yang skor-skor keangkaanya secara sepintas kelihatan memiliki kekuatan ranking. Jika data pada dasarnya berupa ranking atau bahkan data itu hanya bisa diikategorikan sebagai plus (+) atau minus (-), data tersebut dapat digarap dengan menggunakan statistik non parametrik.
- Metode statistik non parametrik dapat digunakan untuk menggarap data yang hanya merupakan klasifikasi semata, yakni yang diukur dalam skala nominal.
Kelemahan Tes Statistik Non Parametrik
- Jika data telah memenuhi semua anggapan model statistik parametrik, dan jika pengukurannya mempunyai kekuatan seperti yang dituntut, maka penggunaan tes statistik non parametrik akan merupakan penghamburan data. Misal : kita ingat bahwa bila suatu tes statistik non parametrik memiliki kekuatan efisiensi besar, katakanlah 90%, ini berarti bahwa kalau semua syarat tes statistik parametrik dipenuhi, maka tes statistik parametrik yang sesuai akan efektif dengan sampel yang 10% lebih kecil daripada yang digunakan dalam tes statistik non parametrik.
- Belum ada satupun metode statistik non parametrik untuk menguji interaksi-interaksi dalam model analisis varian (ANOVA), kecuali kita berani membuat anggapan-anggapan khusus tentang aditivitas.
Contoh penggunaan statistik non parametrik seperti pada uji t pada parametrik digantikan menjadi uji Mannn Whitney ataupun Wilcoxon pada non parametrik dan uji F pada parametrik digantikan oleh uji Kruskal Wallis pada non parametrik, dll.
Dengan pengetahuan kita akan klasifikasi metoda statistik yang sudah dijelaskan di atas, diharapkan ada kehati-hatian dalam diri peneliti untuk menentukan dan menetapkan suatu alat uji statistik pada data hasil penelitiannya. Kata kuncinya adalah “mengoptimalkan penolakan H0 (asumsi dasar penelitian) yang memang seharusnya di tolak”. Sehingga perlakuan awal terhadap data penelitian yang telah didapatkan menjadi lebih teliti dan spesifik guna mengoptimalkan penggunaan alat atau metode statistik yang tepat agar dihasilkan suatu simpulan yang optimal atas suatu penelitian.
———————————————————————————————————————————————————-
- Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :
- WhatsApp : 0813 2170 9749
- Email : welcome@mobilestatistik.com
- Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.
- “1st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”
———————————————————————————————————————————————————-