Uji Statistik Parametrik: Syarat, Contoh, dan Kapan Boleh Dipakai

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.

Apa itu uji statistik parametrik?

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.

Apa syarat uji statistik parametrik?

Empat syarat, dan urutannya penting. Kalau syarat pertama gagal, tiga sisanya nggak perlu dicek.

1. Skala data interval atau rasio

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.

2. Sebaran data mendekati normal

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.

3. Ragam antar kelompok homogen

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.

4. Pengamatan saling bebas

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 parametrik apa aja yang paling sering dipakai?

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.

Gimana cara ngecek syaratnya di SPSS?

Tiga langkah, dan semuanya dijalanin sebelum uji utamanya.

1. Normalitas. Klik Analyze, Descriptive Statistics, Explore. Masukin variabelmu ke Dependent List, klik Plots, centang Normality plots with tests. Baca tabel Tests of Normality.
2. Homogenitas. Nggak perlu menu terpisah. Waktu kamu jalanin independent t-test atau one-way ANOVA, SPSS otomatis nampilin Levene Test di output yang sama.
3. Linearitas, khusus regresi. Klik Analyze, Compare Means, Means, terus di kotak Options centang Test for linearity. Lihat baris Deviation from Linearity.

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.

Kapan syarat boleh dilonggarkan?

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.

Contoh kasus: dua cabang toko_berkah

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.

Kesalahan umum soal uji parametrik

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.

FAQ

Apa itu uji statistik parametrik?

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.

Apa saja syarat uji parametrik?

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.

Kalau data nggak normal apakah uji parametrik langsung batal?

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.

Gimana cara ngecek homogenitas ragam?

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.

Uji parametrik boleh dipakai buat data skala Likert?

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.

Penutup

Tiga hal yang perlu kamu bawa:

• Empat syarat itu urut, dan skala data yang paling nggak bisa ditawar
• Normalitas boleh longgar di sampel besar, homogenitas ada koreksinya lewat Welch
• Lolos syarat nggak otomatis bikin angkanya berguna, cek median di samping rata-rata

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.