Uji Non-Parametrik: Panduan Memilih Wilcoxon, Mann-Whitney & Kruskal-Wallis
Ringkasan Cepat
Uji non-parametrik adalah kelompok uji statistik yang tidak mensyaratkan asumsi distribusi tertentu (terutama normalitas), dipakai sebagai alternatif uji parametrik ketika data tidak normal, berskala ordinal, atau sampel terlalu kecil. Padanannya: Mann-Whitney U untuk Independent T-Test, Wilcoxon untuk Paired T-Test, Kruskal-Wallis untuk One-Way ANOVA, dan Friedman untuk Repeated Measures ANOVA.
Uji Non-Parametrik Adalah
Uji non-parametrik adalah kelompok uji statistik yang tidak mensyaratkan asumsi distribusi tertentu (terutama normalitas) pada data — dipakai sebagai alternatif uji parametrik ketika data tidak berdistribusi normal, berskala ordinal, atau sampel terlalu kecil untuk memastikan normalitas.
Artikel ini adalah hub yang menghubungkanmu ke kalkulator Wilcoxon, Mann-Whitney, dan Kruskal-Wallis — lihat juga Korelasi Kendall & Gamma untuk padanan non-parametrik korelasi.
Kapan Beralih ke Non-Parametrik
Jalankan uji normalitas terlebih dulu. Kalau data/residual gagal uji normalitas (signifikansi < 0,05), atau datamu memang berskala ordinal sejak awal (misalnya hasil skala Likert yang diperlakukan sebagai ordinal murni), beralih ke padanan non-parametriknya.
Padanan Uji Parametrik → Non-Parametrik
| Situasi | Uji Parametrik | Padanan Non-Parametrik |
|---|---|---|
| Bandingkan 2 kelompok independen | Independent T-Test | Mann-Whitney U |
| Bandingkan 2 pengukuran berpasangan | Paired T-Test | Wilcoxon Signed Rank |
| Bandingkan 3+ kelompok independen | One-Way ANOVA | Kruskal-Wallis |
| Bandingkan 3+ pengukuran berpasangan | Repeated Measures ANOVA | Friedman Test |
| Korelasi 2 variabel | Korelasi Pearson | Spearman, atau Kendall's Tau |
Catatan dari Lukman, Statistical Analyst: Cara paling aman begitu uji normalitas gagal bukan langsung asal pilih uji non-parametrik, tapi cocokkan dulu desain perbandinganmu — independen vs berpasangan, 2 kelompok vs 3+ kelompok — dengan tabel padanan di atas. Mann-Whitney dan Wilcoxon sering tertukar justru karena keduanya terlihat mirip padahal dipakai untuk desain sampel yang berbeda.
Friedman Test
Padanan non-parametrik dari Repeated Measures ANOVA — menguji perbedaan di antara tiga atau lebih pengukuran berpasangan (misalnya skor yang sama diukur di 3 waktu berbeda pada subjek yang sama). Belum ada kalkulator khusus untuk uji ini di situs — kandidat untuk kalkulator baru ke depannya.
Kenapa Non-Parametrik Bukan "Uji Kelas Dua"
Non-parametrik sering dianggap "solusi cadangan" saat data gagal normal, padahal ia punya kelebihan tersendiri: lebih robust terhadap outlier (karena berbasis rank, bukan nilai mentah) dan valid untuk data ordinal yang secara teori memang tidak cocok diperlakukan sebagai interval. Untuk data yang sudah pasti ordinal sejak desain penelitian (bukan sekadar gagal uji normalitas), non-parametrik adalah pilihan yang tepat sejak awal, bukan kompromi.
Kesalahan Umum
- Memilih uji non-parametrik tanpa mencocokkan desain perbandingan (independen vs berpasangan) dengan padanan yang benar — misalnya memakai Mann-Whitney untuk data berpasangan, padahal seharusnya Wilcoxon.
- Menjalankan uji non-parametrik hanya karena "lebih aman" tanpa benar-benar memeriksa uji normalitas terlebih dulu — kalau data sebenarnya normal, uji parametrik lebih kuat (power lebih tinggi) untuk mendeteksi efek yang sesungguhnya ada.
- Menggabungkan hasil uji parametrik dan non-parametrik dalam satu tabel perbandingan tanpa menjelaskan kenapa keduanya dipilih berbeda antar variabel, membingungkan pembaca laporan.
Pertanyaan yang Sering Diajukan
Referensi
- Siegel, S. & Castellan, N.J. (1988). Nonparametric Statistics for the Behavioral Sciences (2nd ed.). McGraw-Hill.
- Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). SAGE.
Siap Mengolah Data dengan Lebih Mudah?
Kalau kamu butuh kejelasan, panduan, atau mau kenal lebih dalam soal jasa kami.
Jadwalkan Meeting GratisTau teman yang butuh bantuan olah data juga? Ajak dia & dapat 10%, dia dapat diskon Rp50.000. Klik disini