statistik non parametik - metematika
DESCRIPTION
Statistik Non Parametik - MetematikaDilihat dari segi asumsi/ Aspek asumsi Asal kata parametrik “Parameter”Terdapat ukuran deskriptif dari fenomena bagi Populasi “Parameter”Terdapat juga ukuran deskriptif bagi sampel “Statistik”# Statistik Parametrik (Parameter) = Adanya asumsi : Normalitas Data, Homogenitas Varians, Untuk data besar (N>30) Dan Skala Pengukuran data umumnya adalah skala Interval / Rasio.# Statistik non Parametrik = Tidak perlu adanya Asumsi, Datanya bisa Interval atau Ordinal Dan Untuk n kecil, sangat dimungkinkan.Keeratan hubungan menurut Guilford :http://[email protected][email protected]TRANSCRIPT
STATYSTIC NON-PARAMETRIC
NAMA : NURUL CHAIRUNNISA UTAMI PUTRI
NIM : 1620070008
FAK / JUR : SAINS & TEKNOLOGI / MATEMATIKA
http://roelcup.wordpress.com
UNIVERSITAS ISLAM AS-SYAFI’IYAH
JAKARTA TIMUR
2010
STATISTIK NON PARAMETIK
Dilihat dari segi asumsi/ Aspek asumsi
Asal kata parametrik → “Parameter”
Terdapat ukuran deskriptif dari fenomena bagi Populasi → “Parameter”
Contoh : Mean → 휇
Varians → 휎
Simpangan baku → 휎
Terdapat juga ukuran deskriptif bagi sampel → “Statistik”
Contoh : Mean → 푥
Varians → 푠
Simpangan baku → 푠
Statistik Parametrik (Parameter)
Adanya asumsi :
Normalitas Data
Homogenitas Varians
Untuk data besar (휂 > 30)
Skala Pengukuran data → umumnya adalah skala Interval / Rasio.
Skala interval :
Adanya Pengelompokan (Klasifikasi)
Adanya Pengurutan (Orde)
Kesamaan Jarak (Equality of Interval)
Contoh Skala Interval : 50kg
70kg
30kg
Statistik non Parametrik
Tidak perlu adanya Asumsi.
Datanya bisa Interval atau Ordinal
Contoh data Interval : 30kg – 50kg
50kg – 70kg
70kg – 90kg
Contoh data Ordinal : 1. SD
2. SMP
3. SMA
4. PT
Untuk 휂 kecil, sangat dimungkinkan.
Contoh : untuk data Nominal atau Ordinal
o Uji chi-square (휒 )
Digunakan untuk uji asosiatif(hubungan antara variabel yang berskala
nominal/ordinal dengan variabel nominal/ordinal.
Rumus :
흌ퟐ =(푶 − 푬)ퟐ
푬
Ket : 푂 → Observation / Observasi / Pengamatan / Frekuensi nilai
pengamatan
퐸 → Expection / Nilai harapan
Nilai E dapat ditentukan dengan :
푬풊풋 =휼풊∙ × 휼∙풋휼∙∙
Ket : 풊 → baris (row)
풋 → kolom (column)
휼풊∙ → jumlah marginal baris ke-i
휼∙풋 → jumlah marginal kolom ke-j
휼∙∙ → jumlah sampel secara keseluruhan
o Pengujian hipotesis
Jika 휒 ℎ푖푡 > 휒 푡푎푏푒푙 , maka tolak 푯ퟎ
휒 푡푎푏푒푙 → 휒 ( )
푑푏 = (푏 − 1)(푘 − 1)
Selanjutnya jika terdapat hubungan antara 2 variabel tersebut , dapat
ditentukan keeratan hubungannya. Atau biasa disebut “(koefisien Kontingansi)”
Rumus :
퐶 =휒
휒 +푁
Ket : 푁 = 휼∙∙
Ukuran keeratannya dengan membandingkan nilai C dengan 퐶
Dimana nilai 퐶 adalah :
퐶 =푚 − 1푚
푚 → nilai yang paling Minimum ( dalam jumlah baris / kolom)
Contoh :
1. Seorang peneliti ingin melakukan studi hubungan antara tingkat pendapatan
dengan frekuensi rekreasi keluar kota.
Tingkat pendapatan Frekuensi rekreasi keluar kota
sesekali jarang Sering
Rendah 77 13 8
Menengah 145 58 27
tinggi 21 32 19
Apakah terdapat hubungan antara tingkat pendapatan dengan frekuensi
rekreasi keluar kota ?
Jawab :
Tingkat pendapatan Frekuensi rekreasi keluar kota
total sesekali jarang Sering
Rendah 77 13 8 98
Menengah 145 58 27 230
tinggi 21 32 19 72
total 243 103 54 400
Didapat :
Jawab :
퐸 =휂 ∙ × 휂∙
휂∙∙=
98 × 243400 = 59.535
퐸 =휂 ∙ × 휂∙
휂∙∙=
98 × 103400 = 25.235
퐸 =휂 ∙ × 휂∙
휂∙∙=
98 × 54400 = 13.23
퐸 =휂 ∙ × 휂∙
휂∙∙=
230 × 243400 = 139.725
퐸 =휂 ∙ × 휂∙
휂∙∙=
230 × 103400 = 59.225
퐸 =휂 ∙ × 휂∙
휂∙∙=
230 × 54400 = 31.05
휂∙ = 243 O = 77 O = 13 O = 8
휂∙ = 103 O = 145 O = 58 O = 27
휂∙ = 54 O = 21 O = 32 O = 19
휂 ∙ = 98
휂 ∙ = 230
휂 ∙ = 72
휂∙∙ = 400
퐸 =휂 ∙ × 휂∙
휂∙∙=
72 × 243400 = 43.74
퐸 =휂 ∙ × 휂∙
휂∙∙=
72 × 103400 = 18.54
퐸 =휂 ∙ × 휂∙
휂∙∙=
72 × 54400 = 9.72
∑퐸 = 400
휒 =(푂 − 퐸 )
퐸 +(푂 − 퐸 )
퐸 +⋯+(푂 − 퐸 )
퐸 +(푂 − 퐸 )
퐸
휒 =(77− 59.235)
59.235 +(13− 25.235)
25.235 +(8 − 13.23)
13.23 +(145− 139.725)
139.725
+(58 − 59.225)
59.225 +(27− 31.05)
31.05 +(21− 43.74)
43.74 +(32− 18.54)
18.54
+(19 − 9.72)
9.72
휒 =(17.465)
59.235 +(−12.235)
25.235 +(−5.230)
13.23 +(5.275)139.725 +
(−1.225)59.225 +
(−4.050)31.05
+(−22.740)
43.74 +(13.460)
18.54 +(9.280)
9.72
휒 =305.0292
59.235 +149.6952
25.235 +27.3529
13.23 +27.8256139.725 +
1.500659.225 +
16.402531.05 +
517.107643.74
+181.1716
18.54 +86.184
9.72
휒 = 5.1235 + 5.920 + 2.0675 + 0.1991 + 0.0253 + 0.5283 + 11.8223 + 9.7719 + 8.8599
휒 = 44.3299
Dibandingkan dengan
휒 푡푎푏푒푙 → 푑푏 = (푏 − 1)(푘 − 1)
푑푏 = (3 − 1)(3− 1)
푑푏 = 4
Jika nilai 훼 = 5% → 푇푘 = 95%
휒 . ( ) = 9.4877
Ternyata 휒 ℎ푖푡 > 휒 푡푎푏푒푙 , maka tolak 퐻
Artinya : Terdapat hubungan yang significant antara tingkat pendapatan dengan frekuensi
rekreasi keluar kota.
Atau jika nilai 훼 = 1% → 푇푘 = 99%
휒 . ( ) = 11.14
Ternyata 휒 ℎ푖푡 > 휒 푡푎푏푒푙 , maka tolak 퐻
Dengan 푇푘 = 99% terdapat hubungan yang sangat significant antara tingkat pendapatan
dengan frekuensi rekreasi keluar kota.
퐶 =휒
휒 + 푁 =휒
휒 + 휂∙∙
퐶 =44.3299
44.3299 + 400 =44.3299444.239 = √0.0996 = 0.136
퐶 : 푏 = 3 → maka 푚 = 3
푘 = 3
퐶 =푚 − 1푚 =
3 − 13 =
23 = 0.816
Semakin dekat nilai C dengan 퐶 maka semakin erat hubungannya.
Dalam = % → 0.3160.816 × 100% = 38.73% = 0.3873
Keeratan hubungan menurut Guilford :
Koef.korelasi /
kontingensi keterangan
0-0.199 Sangat Lemah / Sangat Rendah
0.200-0.399 Lemah / Rendah
0.400-0.599 Sedang
0.600-0.799 Kuat
0.800-1.000 Sangat Kuat
Keeratan hubungan dari contoh diatas dibilang lemah, berarti ada faktor lain yang
mempengaruhinya.