Pemahaman Dasar Statistik Non-Parametrik (Seri 1. Non-Parametrik)

Pemahaman Dasar Statistik Non-Parametrik (Seri 1. Non-Parametrik)

Tulisan kali ini akan mencoba mengantar ke pemahaman mengenai statistika non-parametrik, sebagai alternatif analisis statistik parametrik dalam pengolahan dan pengujian hipotesis untuk penelitian. Tulisan ini merupakan bagian awal dari tulisan berseri. Pada seri-seri berikutnya akan diberikan beberapa contoh kasus dan dan aplikasi perhitungannya secara manual serta penggunaan paket program statistik.
1. Antara Statistika Parametrik dan Nonparametrik
Statistika pada dasarnya dapat dibagi atas Statistika Deskriptif dan Statistika Inferensial/Induktif. Statistika Deskriptif meliputi prosedur, proses dan tahapan dalam peringkasan hasil-hasil pengamatan secara kuantitatif. Dalam pengertian lain statistika deskriptif mempelajari cara-cara pengumpulan, penyusunan, dan penyajian data suatu penelitian. Tujuan utama dari statistika deskriptif adalah membantu menggambarkan fakta sehingga lebih mudah dibaca dan dipahami.
Statistika induktif adalah statistika yang terkait dengan penarikan kesimpulan serta pengambilan keputusan berdasarkan fakta. Dalam pengertian lain, statistika induktif juga didefinisikan sebagai statistika yang mempelajari cara-cara penarikan suatu kesimpulan dari suatu populasi tertentu berdasarkan sebagian data (sampel). Dalam penarikan kesimpulan tersebut, statistik induktif mengacu kepada suatu pengujian hipotesis tertentu.
Selanjutnya, dalam statistika induktif, berbagai prosedur dan uji statistik yang dapat digunakan pada dasarnya dapat dikelompokkan menjadi dua kelompok, yakni kelompok Statistik Parametrik dan kelompok Statistik Non-Parametrik. Uji Statistik Parametrik ialah suatu uji yang modelnya menetapkan adanya syarat-syarat tertentu (asumsi-asumsi) dari sebaran (distribusi) data populasinya. Statistika parametik lebih banyak digunakan untuk menganalisis data yang berskala interval dan rasio dengan dilandasi asumsi tertentu seperti normalitas. Oleh karenanya, makna hasil suatu uji parametrik tergantung pada validitas asumsi-asumsi tersebut. Selain itu, jika dilihat dari jumlah datanya, biasanya data berjumlah besar, sekurang-kurangnya lebih besar atau sama dengan 30 data.
Uji Statistik Non-Parametrik ialah suatu uji statistik yang tidak memerlukan adanya asumsi-asumsi mengenai sebaran data populasinya (belum diketahui sebaran datanya dan tidak perlu berdistribusi normal). Oleh karenanya statistik ini juga dikemukakan sebagai statistik bebas sebaran (tdk mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Statistika non-parametrik dapat digunakan untuk menganalisis data yang berskala Nominal atau Ordinal. Data berjenis Nominal dan Ordinal tidak menyebar normal. Dari segi data, pada dasarnya data berjumlah kecil, yakni kurang dari 30 data.
2. Keunggulan/Kekurangan Statistika Non-parametrik
2.1. Keunggulan
1. Asumsi dalam uji-uji statistik non-parametrik relatif lebih sedikit (lebih longgar). Jika pengujian data menunjukkan bahwa salah satu atau beberapa asumsi yang mendasari uji statistik parametrik (misalnya mengenai sifat distribusi data) tidak terpenuhi, maka statistik non-parametrik lebih sesuai diterapkan dibandingkan statistik parametrik.
2. Perhitungan-perhitungannya dapat dilaksanakan dengan cepat dan mudah, sehingga hasil pengkajian segera dapat disampaikan.
3. Untuk memahami konsep-konsep dan metode-metodenya tidak memerlukan dasar matematika serta statistika yang mendalam.
4. Uji-uji pada statistik non-parametrik dapat diterapkan jika kita menghadapi keterbatasan data yang tersedia, misalnya jika data telah diukur menggunakan skala pengukuran yang lemah (nominal atau ordinal).
5. Efisiensi teknik-teknik non-parametrik lebih tinggi dibandingkan dengan metode parametrik untuk jumlah sampel yang sedikit
2.2. Kekurangan
1. Jika asumsi uji statistik parametrik terpenuhi, penggunaan uji nonparametrik meskipun lebih cepat dan sederhana, akan menyebabkan pemborosan informasi.
2. Prinsip perhitungan dalam statistik non-parametrik memang relatif lebih sederhana, namun demikian proses/tahapan perhitungannya seringkali membutuhkan banyak tenaga serta membosankan.
3. Jika sampel besar, maka tingkat efisiensi non-parametrik relatif lebih rendah dibandingkan dengan metode parametrik.