Statistik parametrik merupakan teknik statistik dimana dilakukan pengumpulan
data, pengolahan serta penganalisaan terhadap data yang diperolah sehingga nantinya
dapat diambil suatu kesimpulan. Ciri–ciri dari data parametrik adalah :
1. Data berdistribusi normal
2. Merupakan data interval atau data rasio
3. Jumlah data lebih dari sama dengan 30 (n ≥ 30)
1. Data berdistribusi normal
2. Merupakan data interval atau data rasio
3. Jumlah data lebih dari sama dengan 30 (n ≥ 30)
Uji – Uji Statistik Parametrik
Pengolahan data secara parametrik ini merupakan pengolahan data dimana
anggapan kenormalan diberlakukan, tercakup di dalamnya adalah :
· Uji Kebaikan-Suai
Uji
Goodness of Fit digunakan untuk menentukan apakah suatu populasi
mempunyai suatu distribusi teoritis tertentu. Uji tersebut didasarkan
atas baiknya kesesuaian yang ada antara frekuensi terjadinya pengamatan
pada sampel teramati dan frekuensi harapan yang diperoleh dari
distribusi yang dihipotesiskan.
Uji
goodness of fit adalah uji hipotesis statistik yang digunakan untuk
menaksir bentuk apakah observasi X1,X2,…Xn adalah independen sampel dari
distribusi khusus dengan fungsi distribusi F. Uji goodness of fit dapat
digunakan untuk menguji serangkaian uji hipotesis nol
Terdapat tiga macam uji Goodness of Fit, yaitu Chi-square test,
Kolmogorov-Smirnov Test, dan Anderson Darlinguji
· Uji Menyangkut Ratan dan Variansi
Uji menyangkut rataan ini berkaitan dengan distribusi t, uji ini dapat
menyangkut satu rataan atau variansi dan menyangkut dua variansi atau rataan.
· Uji Menyangkut Proporsi
Uji
ini banyak dipakai dalam berbagai bidang. Uji ini digunakan untuk
mengetahui proporsi suatu peristiwa dalam suatu populasi. Sebagai
contoh, seorang politisi tentunya tertarik untuk mengetahui berapa
bagian dari pemilih yang akan mendukungnya dalam pemilihan mendatang.
Pengusaha pabrik berkepentingan mengetahui proporsi cacat dalam suatu
pengiriman produksinya.
· Uji Kebebasan
Merupakan
uji untuk mengetahui keterkaitan antara dua atau lebih variabel atau
untuk mengetahui sifat ketergantungan (hubungan) suatu variabel dengan
variabel yang lain.
· Galat I dan Galat II
Galat I adalah penolakan hipotesis nol padahal hipotesis itu benar.
Galat II adalah penerimaan hipotesis nol padahal hipotesis itu salah.
· Uji Anova
Anova
sering disebut sebagai analisis variansi. Sampel acak ukuran n diambil
masing-masing dari k populasi. Ke k populasi yang berbeda ini
diklasifikasikan menurut perlakuan atau grup yang berbeda. Dewasa ini
istilah perlakuan digunakan secara umum dengan arti klasifikasi, apakah
itu kelompok, adukan, penganalisis, pupuk yang berbeda, atau berbagai
daerah di suatu negara. Pada Anova terdapat pengujian hipotesis nol
bahwa rataan ke k populasi sama lawan tandingan bahwa paling sedikit dua
dari rataan ini tidak sama.
Uji yang akan dipakai didasarkan pada perbandingan dua taksiran bebas dari kesamaan variansi populasi σ2 .
Perlu dibandingkan ukuran variansi antara perlakuan yang sesuai dengan
variansi dalam perlakuan, agar dapat ditemukan perbedaan yang berarti
dalam pengamatan akibat pengaruh perlakuan.
Analisis variansi untuk klasifikasi eka arah dapat dilihat pada tabel di
bawah ini yang sama dengan tabel Anova.
Pengujian Hipotesis Parametrik
Hipotesis Statistika
Hipotesis penelitian diungkapkan ke dalam hipotesis statistika
Hipotesis statistika menggunakan salah satu parameter
Parameter yang banyak dipakai adalah
• Rerata Selisih rerata
• Proporsi Selisih proporsi
• Variansi Perbandingan atau selisih variansi
• Koefisien korelasi Selisih koefisien korelasi
• Koefisien regresi Selisih koefisien regresi
Data pada Pengujian Hipotesis Statistika
Pengujian hipotesis statistika dapat menggunakan data
• Populasi
• Sampel
Ketepatan data
• Data populasi adalah data yang tepat untuk mengambil keputusan
• Data sampel mengandung kekeliruan pensampelan sehingga pengambilan keputusan mengandung probablilitas keliru
• Pengujian Hipotesis dengan Data Populasi
1. Rumusan Hipotesis Statistika
• Ada beberapa model dasar perangkat hipotesis statistika, berupa salah satu di bawah ini
H : parameter = konstanta
H : parameter > konstanta
H : parameter < konstanta
H : parameter ¹ konstanta