Uji Hipotesis Asosiatif Non Parametrik – Hipotesis ini akan melakukan pengujian dengan melihat sebab dan akibat dari hubungan kedua variabelnya atau lebih. Apabila melakukan sebuah penelitian pada seluruh populasi, maka harus mengetahui signifikasi dari koefisiensi korelasi yang telah ditemukan dengan melakukan pengujian. Oleh karena itu peneliti tidak perlu Menyusun dan menguji instrmen statistiknya.
Hipotesis asosiatif memiliki beberapa macam hubungan antar variabelnya yaitu hubungan simetris, sebab akibat (kausal), interaktif (saling mempengaruhi). Disini yang dimaksud dengan korelasi adalah tingkat kuatnya hubungan antar variabel, sedangkan untuk arah adalah bentuk hubungan dari dua variabel (positif atau negarif), dan untuk kuat merupakan nilai besaran dari suatu koefisien korelasi.
Contoh hipotesis asosiatif sebagai berkut:
“Suatu penelitian ingin mengetahui hubungan dari hasil ternak ayam di kota X dengan hasil penjualan ayam dipasar Z.”
Hipotesisnya yang pertama tidak terdapat hubungan antara hasil ternak ayam di kota X dengan hasil penjualan ayam di pasar Z. Untuk yang kedua adalah terdapat hubungan antara hasil ternak ayam di kota X dengan hasil penjualan ayam di pasar Z. Jadi apabila melakukan penelitian antara hubungan dua variabel makan hipotesis yang digunakan adalah hipotesis asosiatif. Hipotesis asosiatif memiliki dua metode statistik yaitu metode parametrik dan metode non – parametrik.
Baca juga: Cara Uji Hipotesis Uji-F Dengan SPSS
Selanjutnya kita masuk ke pembahasan metode statistika non – parametrik. Pada statistika untuk istilah non – parametrik adalah suatu metode statistika yang biasa digunakan dengan cara mengabaikan asumsi – asumsi yang mendasari metode statistik parametrik, terutapa terdapat pada distribusi yang normal.
Sedangkan untuk uji parametrik memiliki pengertian suatu pengujian statistik yang hanya memerlukan asumsi tentang sebaran dari data populasi. Sehingga biasanya pengujian ini dapat disebut dengan pengujian statistik sebaran atau pengujian statistik bebas. Untuk pengujian non – parametris menggunaka data yang berskala kecil (<30)
Untuk pengujian statistik yang menggunakan metode non – parametrik juga memiliki kelebihan dan kekurangan, berikut untuk keunggulan dan keterbatasan dari metode non – parametrik:
Keunggulan Satatistik Non – Parametrik
Berikut ini adalah keunggulan pengujian apabila menggunakan metode non – parametrik:
- Untuk metode ini pengujian dapat dikatakan longgar karena pengujian dilakukan apabila data tidak memenuhi asumsi yang mendasari uji parametrik.
- Pengujian dapat ddilakukan dengan cepat dan mudah sehingga hasil lebh cepat untuk didapatkan
- Untuk memahami konsep-konsep dan metode-metodenya tidak memerlukan dasar matematika serta statistika yang mendalam.
- Pengujian non – parametrik dapat digunakan apabila dalam pengujian menghadapi keterbatasan data. Misalnya data telah diukur dengan skala yang dari pengukuran yang lemah (nominal atau ordinal)
- Untuk jumlah data sampel yang sedikit metode ini lebih efisien daripada metode parametrik
Baca juga: Cara Uji Hipotesis Uji-T Dengan SPSS
Keterbatasan Statistik Non – Parametrik
Dalam pengujian parametrik juga memiliki keterbatasan dalam melakukan pengujian, berikut ini adalah keterbatasan dari pengujian dengan metode non – parametrik:
- Apabila jumlah data menggunaka sampel data besar maka metode ini dinilai krang efektif disbanding dengan metode parametrik
- Dapat terjadi pemborosan informasi tetap melakukan pengujian non – parametrik jika asumsi dari metode parametrik sudah terpenuhi
Pengujian non – parametrik juga memiliki beberapa macam seperti uji tanda, uji peringkat 2 sampel Wilcoxon, uji korelasi peringkan spearman, uji konkordansi dendall, uji run, uji median, dan uji chi square. Pada artikel kali ini akan membahas hipotesis asosiatif non – parametrik yang artinya pengujian hipotesis asosiatif dengan menggunakan metode non – parametrik. Berikut merupakan macam – macam perhitungan dalam metode non parametris:
Koefisien Kontingensi
Dalam metode non – parametrik untuk perhitungan ini dapat digunakan untuk menghitung hubungan antar variabel yang bentuk datanya berupa nominal. Perhitungan ini memiliki hubungan dengan perhitungan chi sequare karena variabel tidak dapat dihitung apabila tidak mengetahui nilai dari chi squarenya, oleh karena itu sebelum melakukan perhitungan ini lebih baik jika malakukan perhitungan chi square terlebih dahulu. Berikut adalah rumus dari koefisien kontingensi:
Rumus koefisien kontingensi
Dimana
Rumus dari chi square
Contoh Dari Perhitungan Koefisien Kontingensi Sebagai Berikut:
Penelitian dilakukan untuk melihat hubungan antara siswa SMA B dalam menyukai beberapa ekstrakulikuler?
Hasil hitung: X2 = 8,5
Yang akan dibuktikan:
Ha -> C ≠ 0
H0 -> C = 0
Besarnya koefisien kontingensi:
Signifikansi Koefisien Kontingensi
Uji signifikansi :
1) X2 = 8,5 -> signifikan pada ∂ = 0,02
2) C = 0,285
3) Jadi C ≠ 0
4) Dengan demikian mahasiswa menurut jurusan dan jenis musik yang digemari berhubungan didalam populasinya.
Baca juga: Uji Hipotesis Satu Sampel Dan Dua Sampel
Berikut Contoh Lain Dari Hasil Perhitungan Kontingensi
Terdapat korelasi bidang pekerjaan dengan jurusan saat kuliah yang dipilih oleh calon mahasiswa, missal:
1 = HRD 1 = Psikologi
2 = PNS 2= Teknik
3 = Admin 3= Administrasi perkantoran
4 = Editor 4= Animasi
Hipotesi:
H0: Antara bidang pekerjaan dengan jurusan kuliah tidak terdapat hubungan positif
Ha: Terdapat hubungan positif antara bidang pekerjaan dengan jurusan kuliah
Hasil uji statistik
Crosstabs:
Case Processing Summary
|
Cases |
|||||
Valid |
Missing |
Total |
||||
N |
Precent | N | Precent | N |
Precent |
|
MPENC*KULIAH |
32 |
100,0% | 0 | ,0% | 32 |
100,0% |
MPENC*KULIAH Crosstabulation
Syimmetric Measure
Dari perhitungan diatas maka dapat ditarik kesimpulan tidak adanya hubungan yang signifikan antara bidang pekerjaan dengan jurusan kuliah yang memiliki hipotesis awal (H0) diterima menurut perhitungan hasil itu ditunjukkan dari nilai approx. sig 0,415 yang memiliki nilai lebih besar dari alpha 0,05
Baca juga: Pengujian Hipotesis Komparatif, Penjelasan Dan Contoh
Korelasi Spearman Rank
Perhitungan ini digunakan untuk mengukur skala minimal dari variabel dan datanya berbentuk ordinal. Pada kedua variabel data akan dikorelasikan, data – data tersebut dapat berasal dari skala yang berbeda maksudanya data tersebut dikorelasikan dengan skala data numerik atau data juga didapatkan dari skala korelasi yang sama (ordinal) dan data yang dikorelasi tidak harus didistribusi secare normal
Berikut adalah rumus dari korelasi spearman rank:
Untuk rumus pertama digunakan apabila data tidak memiliki nilai skala yang sama pada setiap variabelnya, Adapun nilai yang sama tidak lebih dari 20%