13. Cara Analisis Data Skala Nominal dan Ordinal

Parametrik

Dalam konteks statistik, "parametrik" merujuk pada metode analisis yang melibatkan asumsi tentang distribusi data atau populasi yang spesifik. Metode parametrik bergantung pada parameter-parameter tertentu yang mendefinisikan distribusi data, seperti mean, standar deviasi, dan koefisien regresi.

Beberapa karakteristik analisis parametrik meliputi:

  1. Asumsi tentang Distribusi Data: Metode parametrik seringkali bergantung pada asumsi tertentu tentang distribusi data, seperti distribusi normal atau distribusi binomial. Misalnya, uji t-student diasumsikan bahwa data berdistribusi normal.

  2. Parameter Populasi: Metode parametrik memerlukan pengetahuan tentang parameter populasi, seperti mean atau standar deviasi, untuk membuat inferensi tentang populasi dari sampel data.

  3. Keuntungan dalam Ukuran Sampel Besar: Metode parametrik seringkali lebih kuat secara statistik daripada metode non-parametrik ketika ukuran sampel besar, terutama ketika asumsi distribusi terpenuhi.

  4. Penggunaan Uji Statistik Spesifik: Metode parametrik menggunakan uji statistik yang dirancang khusus untuk distribusi data yang diasumsikan. Contohnya termasuk uji t, uji F dalam analisis varians (ANOVA), dan uji z.

Namun, penting untuk dicatat bahwa kelemahan utama metode parametrik adalah kepekaannya terhadap asumsi tentang distribusi data. Jika asumsi ini tidak terpenuhi, hasil analisis parametrik dapat menjadi tidak valid. Oleh karena itu, dalam beberapa situasi, metode non-parametrik mungkin lebih tepat karena tidak memerlukan asumsi tentang distribusi data.

Non Parametrik

Dalam statistik, "non-parametrik" merujuk pada metode analisis yang tidak memerlukan asumsi tertentu tentang distribusi data atau parameter populasi. Metode non-parametrik sering digunakan ketika data tidak memenuhi asumsi distribusi tertentu atau ketika informasi tentang parameter populasi tidak tersedia.

Beberapa karakteristik analisis non-parametrik meliputi:

  1. Tidak Bergantung pada Asumsi Distribusi: Metode non-parametrik tidak mengharuskan data untuk mengikuti distribusi tertentu, seperti distribusi normal. Oleh karena itu, mereka lebih fleksibel dalam menangani data yang tidak terdistribusi normal.

  2. Penggunaan Statistik Peringkat: Metode non-parametrik sering menggunakan peringkat atau perbandingan nilai-nilai dalam analisis, bukan nilai aktualnya. Contoh termasuk uji Wilcoxon dan uji Mann-Whitney untuk perbandingan dua sampel.

  3. Keuntungan dalam Kasus Data Skewed atau Outlier: Metode non-parametrik cenderung lebih tahan terhadap data yang ekstrem atau terdistribusi tidak merata.

  4. Penggunaan Uji Statistik yang Berbeda: Non-parametrik menggunakan uji statistik yang berbeda dari metode parametrik, yang sesuai dengan sifat datanya. Contoh meliputi uji Wilcoxon, uji Kruskal-Wallis, dan uji Kolmogorov-Smirnov.

Meskipun metode non-parametrik memiliki kelebihan tersebut, mereka mungkin kurang sensitif dalam mendeteksi perbedaan nyata dalam data ketika asumsi distribusi terpenuhi. Oleh karena itu, pemilihan antara metode parametrik dan non-parametrik harus mempertimbangkan aspek-aspek seperti karakteristik data, asumsi yang terpenuhi, dan tujuan analisis statistiknya.

Parametrik dan non-parametrik adalah dua pendekatan yang berbeda dalam analisis statistik.

  1. Analisis Parametrik:

    • Memiliki asumsi tertentu tentang distribusi data, seperti distribusi normal.
    • Memerlukan pengetahuan tentang parameter populasi, seperti mean dan standar deviasi.
    • Uji hipotesis parametrik seperti uji t, ANOVA, regresi linear, dll., sering digunakan dalam analisis ini.
    • Lebih kuat secara statistik jika asumsi terpenuhi.

  2. Analisis Non-parametrik:

    • Tidak memerlukan asumsi tentang distribusi data.
    • Tidak memerlukan parameter populasi, dan sering kali menggunakan peringkat atau perbandingan nilai-nilai dalam analisis.
    • Metode non-parametrik sering digunakan ketika asumsi parametrik tidak terpenuhi atau ketika data tidak terdistribusi normal.
    • Contoh uji non-parametrik termasuk uji Wilcoxon, uji Mann-Whitney, uji Kruskal-Wallis, dll.

Perbedaan utama antara keduanya adalah dalam asumsi yang dibuat tentang data. Analisis parametrik memerlukan asumsi tertentu tentang distribusi data dan parameter populasi, sedangkan analisis non-parametrik tidak memiliki asumsi tentang distribusi data atau parameter populasi. Karena itu, pilihan antara keduanya bergantung pada karakteristik data yang diamati dan apakah asumsi dari analisis parametrik terpenuhi.

Skala Pengukuran

Skala pengukuran merujuk pada cara kita mengukur atau memperoleh data dari suatu variabel dalam penelitian atau pengamatan. Terdapat empat jenis skala pengukuran utama:

  1. Skala Nominal:

    • Ini adalah skala yang paling dasar.
    • Termasuk Non Parametrik
    • Variabel diukur dalam bentuk kategori atau label tanpa memiliki urutan atau tingkatan tertentu.
    • Variabel yg diuji nominal dengan nominal dengan menggunkan Uji Chi Square, Koefisisen Kontingensi, Korelasi Rank.
    • Contoh: Jenis kelamin (pria, wanita), warna (merah, biru, hijau), status perkawinan (lajang, menikah, bercerai).

  2. Skala Ordinal:

    • Skala ini memungkinkan pengurutan atau peringkat pada kategori, tetapi jarak antara kategori tidak konsisten.
    • Dapat menggunakan skala liker 1 sd 5, setuju, tdk setuju, dan seterusnya.
    • Termasuk Non Parametrik
    • Analisisnya dengan uji hubungan/ korelasi Rank Spearmen, Kendall Tau
    • Menggambarkan urutan atau peringkat, tetapi tidak menunjukkan jarak absolut antara nilai.
    • Contoh: Penilaian kepuasan (sangat tidak puas, tidak puas, netral, puas, sangat puas), peringkat kecerdasan (tinggi, sedang, rendah).

  3. Skala Interval:

    • Skala ini memiliki peringkat yang konsisten dan jarak antara nilai yang sama dianggap sama.
    • Termasuk Parametrik
    • Tidak memiliki titik nol yang mutlak, sehingga operasi pengurangan tidak berarti.
    • Contoh: Suhu dalam Celsius atau Fahrenheit, skor tes IQ.

  4. Skala Rasio:

    • Ini adalah skala yang paling lengkap.
    • Termasuk Parametrik
    • Memiliki peringkat yang konsisten, jarak antara nilai yang sama adalah sama, dan memiliki titik nol yang mutlak.
    • Dapat melakukan semua operasi aritmatika.
    • Contoh: Umur, berat badan, pendapatan.

Pemilihan skala pengukuran yang tepat penting karena dapat mempengaruhi jenis analisis statistik yang dapat Anda lakukan serta interpretasi hasilnya. Misalnya, menggunakan skala nominal akan membatasi Anda pada analisis frekuensi dan mode, sedangkan skala rasio memungkinkan Anda untuk melakukan berbagai jenis analisis statistik seperti mean, standar deviasi, dan koefisien korelasi.

Uji pengaruh pada skala Norminal dan Ordinal, menggunakan Regresi, namun jika pada non parametrik tidak dapat menggunakannya karena ada syarat asumsi yg harus dipenuhi, seperti; skala data, normalitas data, linearlitas dsb.









Comments

Post a Comment