Momen paling mendebarkan dalam analisis data skripsi biasanya bukan saat menyebar kuesioner, melainkan saat membuka menu uji normalitas di SPSS, jamovi, atau R. Hasilnya signifikan. Artinya sebaran data Anda menyimpang dari distribusi normal, dan banyak mahasiswa langsung merasa analisisnya berhenti di situ.
Padahal uji normalitas bukan pintu yang tertutup, melainkan rambu penunjuk arah. Saat asumsi normalitas tidak terpenuhi, ada sekeluarga uji statistik yang memang dirancang untuk kondisi tersebut: uji nonparametrik. Uji ini tidak bekerja dengan rata-rata dan simpangan baku, tetapi dengan urutan (peringkat) dan tanda dari nilai-nilai yang Anda amati.
Mengapa uji-t dan ANOVA tidak selalu bisa dipakai
Uji-t, ANOVA, dan korelasi Pearson adalah uji parametrik. Ketiganya bersandar pada beberapa asumsi: data berdistribusi normal, varians antar kelompok relatif sebanding, dan data berskala interval atau rasio. Ketika asumsi itu dijaga, uji parametrik memang lebih kuat karena memanfaatkan seluruh informasi angka yang Anda kumpulkan. Masalahnya, asumsi tersebut tidak selalu terpenuhi, terutama pada sampel kecil, data ordinal, atau data yang mengandung nilai ekstrem.
Konsekuensinya bukan sekadar "hasilnya jadi kurang bagus". Pada kondisi seperti itu, nilai p dari uji parametrik bisa menyesatkan: ia bisa terlalu percaya diri menyatakan ada perbedaan, atau justru melewatkan perbedaan yang sebenarnya ada. Jika Anda ingin menyegarkan kembali logika sampel, taraf signifikansi, dan nilai p, ulasan dalam artikel tentang statistika inferensial untuk skripsi bisa menjadi titik berangkat yang praktis.
Kapan data penelitian layak dipindahkan ke uji nonparametrik
Tidak semua data yang "kurang normal" harus langsung dipindahkan ke uji nonparametrik. Ada beberapa situasi yang membuat perpindahan ini masuk akal dan mudah dipertanggungjawabkan di depan dosen pembimbing:
- Hasil uji normalitas signifikan dan sampel kecil. Semakin kecil jumlah responden, semakin sulit uji normalitas memberi kesimpulan yang stabil. Bandingkan dengan penjelasan pada artikel tentang uji normalitas data untuk skripsi untuk memastikan Anda membaca hasilnya dengan benar.
- Data berskala ordinal. Misalnya jawaban skala Likert per butir, peringkat, atau urutan pilihan, yang jaraknya antar kategori tidak benar-benar sama.
- Distribusi jelas miring. Contoh klasiknya adalah lama studi, penghasilan, jumlah kunjungan, atau waktu penyelesaian tugas, di mana sebagian kecil responden memiliki nilai yang sangat jauh dari mayoritas.
- Ada pencilan (outlier) yang tidak bisa dibuang. Kalau nilai ekstrem itu nyata dan bukan kesalahan input, menghapusnya justru menghilangkan informasi penting.
- Varians antar kelompok sangat berbeda. Uji parametrik sangat sensitif pada ketidakseimbangan ini.
Peta cepat: uji nonparametrik mana untuk desain yang mana
Cara termudah mengingat keluarga uji nonparametrik adalah dengan bertanya: berapa kelompok yang saya bandingkan, dan apakah kelompoknya saling terkait? Dari dua pertanyaan itu, pilihan uji biasanya langsung mengerucut.
- Satu kelompok dibandingkan nilai acuan → uji tanda (sign test) atau Wilcoxon signed rank satu sampel.
- Dua kelompok berpasangan (pretest dan posttest pada orang yang sama) → Wilcoxon signed rank test, pasangan nonparametrik dari uji-t berpasangan.
- Dua kelompok independen (kelas A versus kelas B) → Mann-Whitney U, pasangan nonparametrik dari uji-t independen.
- Tiga kelompok independen atau lebih → Kruskal-Wallis H, pasangan nonparametrik dari ANOVA satu arah.
- Tiga kondisi berpasangan atau lebih (misalnya pengukuran minggu ke-1, ke-2, ke-3) → uji Friedman.
Jika Anda masih ragu memilih antara jalur parametrik dan nonparametrik, artikel tentang statistik parametrik dan nonparametrik untuk skripsi memetakan perbandingannya secara lebih lengkap, termasuk pasangan uji untuk setiap desain penelitian.
Membaca hasilnya: yang dibandingkan adalah peringkat, bukan rata-rata
Keluaran SPSS atau jamovi untuk uji nonparametrik biasanya menampilkan nilai U, W, Z, dan Asymp. Sig. (dua arah). Yang perlu Anda pahami: angka-angka itu dihitung dari peringkat setiap nilai setelah seluruh data diurutkan, bukan dari besaran aslinya. Karena itulah nilai ekstrem tidak lagi mendominasi hasil seperti pada uji parametrik.
Implikasi pelaporannya penting. Ketika Anda menulis temuan, sajikan median atau distribusi frekuensinya, bukan hanya rata-rata. Kalimat "kelompok eksperimen memiliki rata-rata lebih tinggi" menjadi kurang tepat jika uji yang dipakai berbasis peringkat. Lebih akurat: "skor kelompok eksperimen cenderung lebih tinggi, dengan median 82 berbanding 71 pada kelompok kontrol". Penjelasan konseptual yang rapi mengenai prinsip peringkat dan tanda ini bisa ditelusuri pada tinjauan Nahm (2016) tentang uji nonparametrik untuk data kontinu, yang juga memuat tabel analogi antara uji parametrik dan nonparametrik.
Ukuran efek dan uji lanjut: jangan berhenti pada "ada perbedaan"
Nilai p hanya menjawab apakah perbedaan yang Anda amati cukup besar untuk tidak dianggap kebetulan. Ia tidak memberi tahu seberapa besar perbedaan itu. Untuk itu, hitung ukuran efek sederhana dari nilai Z yang sudah tersedia di keluaran SPSS: r = Z dibagi akar jumlah sampel. Patokan yang umum dipakai: sekitar 0,1 untuk efek kecil, 0,3 untuk sedang, dan 0,5 ke atas untuk besar.
Hal kedua yang sering terlewat adalah uji lanjut. Ketika Kruskal-Wallis menghasilkan p yang signifikan, Anda baru tahu bahwa setidaknya ada satu kelompok yang berbeda, belum tahu kelompok mana. Untuk itu diperlukan uji lanjut seperti uji Dunn dengan koreksi Bonferroni. Tanpa langkah ini, simpulan Anda masih terlalu umum.
Lima kesalahan yang sering muncul di analisis skripsi
- Memaksakan uji-t atau ANOVA hanya karena "kakak tingkat dulu juga begitu" atau karena semua contoh di buku memakai uji tersebut.
- Mencoba berbagai cara uji normalitas sampai menemukan hasil yang "normal", lalu memakai uji parametrik. Ini bukan analisis, melainkan mencari pembenaran.
- Melaporkan rata-rata dan simpangan baku pada uji yang sepenuhnya berbasis peringkat, sehingga pembaca menarik kesimpulan yang salah.
- Berhenti setelah uji utama signifikan, tanpa uji lanjut dan tanpa ukuran efek.
- Menyimpulkan "tidak ada perbedaan" hanya dari p > 0,05, tanpa mempertimbangkan jumlah sampel dan daya uji yang terbatas.
Menuliskannya di Bab 3 dan Bab 4
Di Bab 3, cukup jelaskan alasan pemilihan uji secara jujur dan singkat: sebutkan hasil uji normalitas dan homogenitas, jenis skala data, jumlah responden, lalu nyatakan uji nonparametrik dipilih karena asumsi parametrik tidak terpenuhi. Sebutkan juga taraf signifikansi yang dipakai, misalnya 0,05, dan perangkat lunak yang digunakan.
Di Bab 4, laporkan hasilnya dengan pola yang konsisten: statistik uji, nilai p, median tiap kelompok, dan ukuran efek. Contoh kalimat yang bisa Anda adaptasi:
"Hasil uji Mann-Whitney menunjukkan skor kelompok eksperimen (Mdn = 82) lebih tinggi daripada kelompok kontrol (Mdn = 71), U = 214,5; Z = -2,41; p = 0,016, dengan ukuran efek r = 0,34 (kategori sedang)."
Bagi yang menghitung dengan Python untuk keperluan replikasi atau pengayaan analisis, nilai U dan nilai H dapat diperoleh langsung melalui fungsi scipy.stats.mannwhitneyu, scipy.stats.kruskal, dan scipy.stats.wilcoxon. Hasilnya biasanya identik dengan keluaran aplikasi statistik, selama penanganan data berpasangan dan data hilang dilakukan dengan cara yang sama.
Penutup: uji yang tepat membuat temuan lebih bisa dipertanggungjawabkan
Data yang tidak normal bukan berarti penelitian Anda lemah. Yang membuat analisis lemah adalah memaksakan uji yang tidak sesuai dengan sifat datanya. Dengan memahami bahwa Wilcoxon menangani dua kondisi berpasangan, Mann-Whitney menangani dua kelompok independen, dan Kruskal-Wallis menangani tiga kelompok atau lebih, Anda memiliki jalur analisis yang tetap sah dan mudah dipertanggungjawabkan di sidang. Setelah hasilnya rapi, langkah berikutnya adalah merangkainya menjadi narasi temuan; panduan menulis bab pembahasan skripsi akan membantu Anda menjaga agar angka-angka itu benar-benar menjawab rumusan masalah.
Posting Komentar untuk "Data Skripsi Tidak Normal? Mengenal Uji Mann-Whitney, Wilcoxon, dan Kruskal-Wallis"