TL;DR
Uji statistik parametrik adalah uji yang berasumsi data mengikuti sebaran tertentu, umumnya sebaran normal, dan bekerja langsung dengan nilai asli seperti rata-rata dan simpangan baku. Syarat utamanya ada empat: data berskala interval atau rasio, sebarannya normal, ragam antar kelompok homogen, dan tiap pengamatan saling bebas. Kalau syarat normalitas gagal padahal sampelmu kecil, pindah ke uji non-parametrik seperti Mann-Whitney atau Kruskal-Wallis.
Uji statistik parametrik adalah uji yang berasumsi datamu ikut sebaran tertentu, dan ngitung langsung dari nilai asli seperti rata-rata dan simpangan baku.
t-test, ANOVA, korelasi Pearson, dan regresi linear semuanya masuk keluarga ini.
Imbalannya sepadan. Uji parametrik lebih peka nangkep perbedaan kecil dibanding versi non-parametriknya. Tapi kepekaan itu cuma berlaku kalau syaratnya beneran terpenuhi, bukan cuma diklaim terpenuhi di bab tiga.
Di bawah ini empat syaratnya, daftar ujinya, cara ngecek di SPSS, dan batas kapan syarat boleh dilonggarkan.
Uji parametrik adalah uji yang punya asumsi soal bentuk sebaran data di populasi, umumnya sebaran normal, dan menghitung kesimpulan dari parameter seperti rata-rata dan ragam. Karena pakai nilai asli, bukan peringkat, uji ini bisa nangkep perbedaan yang lebih halus. Konsekuensinya, hasilnya bisa nyesatin kalau asumsinya dilanggar.
Kata parametrik datang dari kata parameter, yaitu angka yang menggambarkan populasi. Rata-rata populasi dan simpangan baku populasi itu parameter.
Uji non-parametrik kerja beda. Dia ngubah data jadi peringkat dulu, jadi bentuk sebaran nggak jadi syarat.
Empat syarat, dan urutannya penting. Kalau syarat pertama gagal, tiga sisanya nggak perlu dicek.
Datanya harus angka yang jaraknya bermakna. Omzet, umur, berat, dan skor ujian masuk kategori ini. Kota, metode bayar, dan jenis kelamin nggak.
Rata-rata dari data kategori itu angka tanpa arti. Rata-rata kota nggak ada wujudnya.
Dicek pakai Shapiro-Wilk buat sampel di bawah 50, atau Kolmogorov-Smirnov buat yang lebih besar. Kalau p-value di atas 0,05, sebarannya dianggap normal. Arti angka itu ada di glossary p-value.
Buat regresi, yang harus normal itu residualnya, bukan variabel aslinya. Ini yang paling sering ketuker.
Kelompok yang dibandingkan harus punya sebaran yang lebarnya mirip. Dicek pakai uji Levene, yang di SPSS otomatis nempel di output t-test dan ANOVA.
Kalau ragamnya beda jauh, satu kelompok bisa mendominasi hasil hitungan.
Nilai satu responden nggak boleh dipengaruhi responden lain. Kuesioner yang diisi barengan satu meja sambil ngobrol melanggar syarat ini.
Syarat keempat ini nggak ada ujinya di SPSS. Yang bisa ngecek cuma kamu, lewat cara pengambilan datanya.
| Uji | Dipakai buat | Pasangan non-parametriknya |
|---|---|---|
| One sample t-test | Banding satu kelompok sama nilai acuan | Wilcoxon signed-rank |
| Independent t-test | Banding dua kelompok bebas | Mann-Whitney U |
| Paired t-test | Banding dua pengukuran pada objek yang sama | Wilcoxon signed-rank |
| One-way ANOVA | Banding tiga kelompok bebas atau lebih | Kruskal-Wallis |
| Korelasi Pearson | Kekuatan hubungan dua variabel numerik | Korelasi Spearman |
| Regresi linear | Memprediksi nilai dari satu variabel atau lebih | Regresi kuantil |
Cara milih di antara semua ini aku bahas urut di pohon keputusan jenis uji statistik. Fungsi Python-nya ada di dokumentasi scipy.stats.
Tiga langkah, dan semuanya dijalanin sebelum uji utamanya.
Kalau normalitas gagal, jangan buru-buru hapus data. Lihat dulu penyebabnya. Sering kali cuma dua atau tiga nilai ekstrem yang narik sebarannya. Cek apakah itu outlier hasil salah input, atau kejadian nyata yang perlu ikut dianalisis.
Nggak semua pelanggaran sama beratnya. Ini urutannya dari yang paling bisa ditoleransi.
Normalitas di sampel besar. Kalau tiap kelompok punya 30 data atau lebih, sebaran rata-rata sampel cenderung mendekati normal walau data aslinya miring. t-test dan ANOVA masih cukup andal di kondisi ini. Angka 30 itu aturan praktis, bukan garis ajaib, dan makin miring datanya makin besar sampel yang kamu butuh.
Homogenitas ragam. Kalau uji Levene gagal, kamu nggak perlu ganti uji. Baca baris equal variances not assumed di output SPSS, yang isinya koreksi Welch. Di Python, tambahin equal_var=False di fungsi ttest_ind.
Skala data. Ini yang paling kaku. Data nominal nggak bisa dipaksa masuk t-test dengan alasan apa pun.
Kebebasan pengamatan. Sama kakunya. Data berpasangan yang dianalisis pakai uji kelompok bebas bakal ngasih kesimpulan yang salah, dan nggak ada koreksi yang bisa nolongin.
Data toko_berkah punya Ngulik Data isinya 8.400 transaksi warung kelontong di Semarang. Pertanyaannya sederhana: apakah rata-rata nilai belanja di cabang Tembalang beda dari cabang Banyumanik?
Skalanya rasio, dua kelompok, dan kelompoknya bebas. Kandidat pertamanya independent t-test.
Waktu aku cek normalitasnya, sebaran nilai belanja miring ke kanan di dua cabang. Wajar, karena ada pembelian borongan warung yang nilainya di atas Rp 500.000, sementara mayoritas transaksi di bawah Rp 30.000.
| Pemeriksaan | Hasil | Putusan |
|---|---|---|
| Skala data | Rasio | Lolos |
| Normalitas (Kolmogorov-Smirnov) | p < 0,001 di dua cabang | Gagal, tapi n per cabang di atas 3.000 |
| Homogenitas (Levene) | p = 0,004 | Gagal, pakai koreksi Welch |
| Kebebasan | Transaksi terpisah | Lolos |
Karena sampelnya ribuan, t-test versi Welch tetap dipakai. Hasilnya rata-rata belanja Tembalang Rp 24.700 dan Banyumanik Rp 21.300, dengan selisih yang nyata secara statistik.
Tapi ada yang menarik waktu aku hitung mediannya: Rp 18.900 lawan Rp 18.400. Selisihnya cuma Rp 500.
Artinya, beda rata-rata tadi hampir seluruhnya datang dari segelintir pembelian borongan di Tembalang, bukan dari perilaku pelanggan harian. Kalau pemilik toko nyusun strategi dari selisih Rp 3.400 itu, dia lagi ngejar pola yang cuma ada di 3 persen transaksi teratas.
Ini contoh kenapa lolos syarat secara teknis nggak selalu berarti angkanya berguna.
Nulis data normal tanpa nunjukin ujinya. Sebutin nama ujinya, nilai statistiknya, dan p-value-nya. Kalimat data berdistribusi normal tanpa angka pendukung itu klaim kosong.
Ngetes normalitas variabel asli di regresi. Yang diuji harusnya residual. Variabel bebas boleh miring sebesar apa pun.
Buang outlier biar lolos normalitas. Kalau nilai ekstremnya kejadian nyata, ngehapus dia sama aja ngubah pertanyaan penelitian tanpa ngasih tau siapa-siapa.
Nganggep uji non-parametrik kelas dua. Buat sampel kecil dan data ordinal, uji non-parametrik itu pilihan yang bener, bukan pelarian.
Ngecek homogenitas terus berhenti di situ. Kalau Levene gagal, ada barisnya sendiri di output SPSS yang perlu kamu baca. Banyak yang tetap nyalin baris pertama.
Uji parametrik adalah uji yang berasumsi data ikut sebaran tertentu, biasanya sebaran normal, dan ngitung langsung dari nilai asli seperti rata-rata dan simpangan baku. Contohnya t-test, ANOVA, korelasi Pearson, dan regresi linear. Karena pakai nilai asli, uji ini lebih peka nangkep perbedaan kecil dibanding uji non-parametrik, asalkan syaratnya beneran terpenuhi.
Ada empat. Pertama, data berskala interval atau rasio, bukan kategori. Kedua, sebaran datanya mendekati normal. Ketiga, ragam antar kelompok yang dibandingkan relatif sama, atau homogen. Keempat, tiap pengamatan saling bebas, artinya jawaban satu responden nggak dipengaruhi responden lain. Buat regresi ada syarat tambahan: hubungan antar variabel harus linear.
Nggak selalu. Kalau tiap kelompok punya sampel 30 atau lebih, sebaran rata-rata sampel cenderung mendekati normal walau data aslinya miring. Ini yang bikin t-test dan ANOVA masih cukup andal di sampel besar. Yang bahaya itu sampel kecil dengan sebaran miring parah. Di situ pindah ke uji non-parametrik jauh lebih aman.
Pakai uji Levene. Di SPSS, uji ini otomatis muncul waktu kamu jalanin independent t-test atau one-way ANOVA. Baca p-value-nya. Kalau di atas 0,05, ragam antar kelompok dianggap sama dan kamu baca baris equal variances assumed. Kalau di bawah 0,05, baca baris equal variances not assumed, yang isinya hasil koreksi Welch.
Tergantung yang kamu analisis. Satu item Likert secara teori itu ordinal, jadi idealnya pakai uji non-parametrik. Tapi skor total dari beberapa item yang mengukur satu konsep umumnya diperlakukan sebagai interval, dan uji parametrik dipakai di situ. Praktik ini lazim di penelitian Indonesia. Sebutin alasannya di bab metodologi supaya nggak jadi pertanyaan saat sidang.
Tiga hal yang perlu kamu bawa:
Buka data yang lagi kamu olah, jalanin Explore di SPSS, dan catat hasil normalitas per kelompok. Lima menit itu yang nentuin kamu boleh lanjut ke t-test atau harus pindah jalur.
Lanjut ke uji hipotesis buat analis buat ngerti dasar keputusan tolak dan terima, atau statistik deskriptif buat ngenalin bentuk datamu sebelum masuk uji apa pun.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.