📈 Bagian 1: Uji Parametrik — Asumsi & Karakteristik
🔑 Definisi Uji Parametrik
Uji parametrik adalah uji statistik yang mengasumsikan bahwa data mengikuti distribusi tertentu (biasanya distribusi normal) dan menggunakan parameter populasi (rata-rata, standar deviasi).
Uji parametrik seperti mobil balap Formula 1 — sangat cepat dan powerful, tapi hanya bisa berjalan di lintasan khusus (asumsi terpenuhi). Kalau lintasan rusak (asumsi dilanggar), mobil bisa tergelincir dan hasilnya tidak valid.
⭐ Karakteristik Utama
- Mengasumsikan distribusi normal — data harus berdistribusi normal atau mendekati normal
- Menggunakan rata-rata (mean) dan standar deviasi sebagai parameter utama
- Cocok untuk data interval dan rasio — data numerik dengan skala yang bermakna
- Lebih powerful — mampu mendeteksi efek yang lebih kecil jika asumsi terpenuhi
- Sensitif terhadap outlier — nilai ekstrem bisa merusak hasil
✅ Kapan Menggunakan Uji Parametrik?
- Data berdistribusi normal (uji Shapiro-Wilk atau Kolmogorov-Smirnov, p > 0,05)
- Ukuran sampel cukup besar (n ≥ 30, Central Limit Theorem berlaku)
- Data diukur pada skala interval atau rasio
- Tidak ada pencilan (outlier) ekstrem
- Variansi antar kelompok homogen (uji Levene, p > 0,05)
📋 Bagian 2: Contoh Uji Parametrik & Link ke Sesi
📊 Uji Parametrik Populer
📊 Z-Test
Membandingkan rata-rata sampel dengan populasi ketika varians populasi diketahui. Jarang dipakai dalam praktik karena σ biasanya tidak diketahui.
📖 Pelajari lebih lanjut: Sesi 07: Confidence Interval
📊 T-Test (Independent & Paired)
Membandingkan rata-rata dua kelompok (independen atau berpasangan) ketika varians tidak diketahui. Paling sering dipakai dalam penelitian.
📖 Pelajari cara hitung manual & Excel: Sesi 09: Independent t-Test
📊 ANOVA (Analysis of Variance)
Membandingkan rata-rata tiga kelompok atau lebih. Bisa one-way (1 faktor) atau factorial (2+ faktor).
📖 Pelajari ANOVA lengkap: Sesi 10: Analysis of Variance
📊 Pearson Correlation
Mengukur kekuatan dan arah korelasi linear antara dua variabel numerik. Hasil: r dari -1 sampai +1.
📖 Pelajari regresi & korelasi: Sesi 12: Simple Linear Regression
📉 Bagian 3: Uji Non-Parametrik — Tanpa Asumsi
🔑 Definisi Uji Non-Parametrik
Uji non-parametrik adalah uji statistik yang tidak memerlukan asumsi tentang distribusi populasi. Mereka didasarkan pada peringkat (ranks), tanda (signs), atau frekuensi — bukan rata-rata.
Uji non-parametrik seperti mobil off-road — bisa berjalan di segala medan (data tidak normal, ordinal, ada outlier). Mungkin tidak secepat mobil balap, tapi lebih fleksibel dan aman untuk kondisi lapangan yang tidak sempurna.
⭐ Karakteristik Utama
- Tidak memerlukan asumsi normalitas — bisa dipakai untuk data skewed
- Didasarkan pada peringkat, tanda, atau frekuensi — bukan mean
- Dapat digunakan dengan data ordinal atau nominal — skala Likert, kategori
- Berguna untuk sampel kecil (n < 30) dan data condong (skewed)
- Kurang sensitif terhadap outlier — robust terhadap nilai ekstrem
- Power lebih rendah — butuh efek lebih besar untuk deteksi signifikan
✅ Kapan Menggunakan Uji Non-Parametrik?
- Data tidak berdistribusi normal (uji Shapiro-Wilk, p < 0,05)
- Data berskala ordinal atau nominal (skala Likert, kategori)
- Ukuran sampel kecil (n < 30)
- Ada outlier signifikan yang tidak bisa dihapus
- Data condong (skewed) dan transformasi tidak membantu
📋 Bagian 4: Contoh Uji Non-Parametrik & Alternatifnya
📊 Uji Non-Parametrik Populer
📊 Mann-Whitney U Test
Alternatif non-parametrik untuk t-test independen — membandingkan 2 kelompok independen ketika data tidak normal.
📖 Bandingkan dengan versi parametrik: Sesi 09: Independent t-Test
📊 Wilcoxon Signed-Rank Test
Alternatif untuk t-test berpasangan — membandingkan 2 pengukuran dari subjek yang sama (pre-test vs post-test).
📖 Kapan pakai paired t-test vs Wilcoxon: Tergantung normalitas data difference.
📊 Kruskal-Wallis Test
Alternatif non-parametrik untuk ANOVA satu arah — membandingkan 3+ kelompok ketika data tidak normal.
📖 Pelajari ANOVA (versi parametrik): Sesi 10: Analysis of Variance
📊 Spearman Rank Correlation
Alternatif untuk Pearson correlation — mengukur korelasi ketika data tidak linear atau berskala ordinal.
📖 Bandingkan dengan Pearson: Sesi 12: Simple Linear Regression
📊 Chi-Square Test
Menguji hubungan antara variabel kategorik (misal: jenis kelamin × preferensi produk). Tidak ada versi parametrik karena data bukan numerik.
📖 Pelajari Chi-Square lengkap: Sesi 11: Uji Chi-Square
📋 Bagian 5: Perbandingan Cepat Parametrik vs Non-Parametrik
📊 Tabel Perbandingan
| Aspek | Uji Parametrik | Uji Non-Parametrik |
|---|---|---|
| Asumsi Distribusi | Diperlukan (biasanya normal) | Tidak Diperlukan |
| Tipe Data | Interval / Rasio | Ordinal / Nominal / Non-normal |
| Menggunakan Mean | Ya | Biasanya Tidak (peringkat/tanda) |
| Statistical Power | Lebih Tinggi | Lebih Rendah |
| Sensitivitas Outlier | Tinggi | Rendah |
| Ukuran Sampel | Besar (n ≥ 30 ideal) | Kecil juga bisa |
| Contoh Uji | T-Test, ANOVA, Pearson | Mann-Whitney, Kruskal-Wallis, Spearman |
- Power lebih tinggi (deteksi efek kecil)
- Interpretasi lebih intuitif (mean, SD)
- Confidence interval lebih presisi
- Robust terhadap outlier & skewness
- Bisa untuk data ordinal/nominal
- Tidak butuh asumsi distribusi
🎯 Bagian 6: Aturan Sederhana Memilih Uji
📌 Panduan Memilih Uji Statistik
🎯 Decision Tree: Pilih Uji yang Tepat
→ Gunakan Uji Parametrik
→ Gunakan Uji Non-Parametrik
💡 Tips Praktis
- Selalu uji normalitas terlebih dahulu — pakai Shapiro-Wilk (n < 50) atau Kolmogorov-Smirnov (n ≥ 50) sebelum memilih uji.
- Jika ragu, uji non-parametrik adalah pilihan yang lebih aman — meskipun kurang powerful, hasilnya tetap valid.
- Untuk sampel besar (n > 30), uji parametrik tetap valid bahkan jika data tidak normal sempurna (Central Limit Theorem).
- Dalam laporan penelitian, cantumkan alasan pemilihan uji statistik — ini menunjukkan rigor metodologis.
- Jangan memaksakan uji parametrik hanya karena “lebih keren” atau “lebih sering dipakai” — integritas ilmiah lebih penting.
📚 Bagian 7: Contoh Kasus Indonesia
🇮🇩 Studi Kasus: Program Pelatihan UMKM Yogyakarta
Mengetahui apakah program pelatihan kewirausahaan meningkatkan pendapatan UMKM di Yogyakarta.
📋 Desain Penelitian
- 30 UMKM mengikuti program pelatihan (kelompok eksperimen)
- 30 UMKM tidak mengikuti program (kelompok kontrol)
- Pendapatan diukur sebelum dan sesudah program (dalam juta rupiah)
🔍 Langkah-Langkah Analisis
- Uji normalitas data pendapatan menggunakan Shapiro-Wilk → p = 0,03 (tidak normal)
- Karena data tidak normal, gunakan uji non-parametrik
- Pilih Mann-Whitney U Test untuk membandingkan pendapatan antara kelompok eksperimen dan kontrol
- Hasil: p = 0,02 → perbedaan signifikan
Karena data tidak normal, peneliti menggunakan Mann-Whitney U Test dan menemukan perbedaan signifikan (p = 0,02) — program pelatihan efektif meningkatkan pendapatan UMKM.
Memilih uji yang tepat berdasarkan karakteristik data adalah kunci validitas penelitian. Jangan memaksakan uji parametrik jika asumsinya tidak terpenuhi — hasilnya bisa menyesatkan!
🚨 Bagian 8: Kesalahan Umum yang Wajib Dihindari
🚨 3 Kesalahan Fatal
Akibat: Hasil uji tidak valid, kesimpulan bisa salah.
Solusi: Selalu uji normalitas (Shapiro-Wilk atau K-S) sebelum pilih uji.
Akibat: Memaksakan uji parametrik padahal tidak cocok.
Solusi: Uji non-parametrik adalah alat yang sah dan sering lebih tepat untuk data dunia nyata.
Akibat: Outlier bisa merusak mean dan hasil uji.
Solusi: Jika ada outlier, pertimbangkan transformasi data atau gunakan uji non-parametrik.
✅ Yang Benar
- Selalu periksa asumsi sebelum memilih uji
- Uji non-parametrik adalah alat yang sah dan sering lebih tepat
- Jika ada outlier, pertimbangkan transformasi data (log, sqrt) atau gunakan uji non-parametrik
- Laporkan alasan pemilihan uji di metode penelitian