Dalam analisis statistik, uji parametrik dan non-parametrik adalah dua jenis metode yang digunakan untuk menganalisis data. Pemilihan antara kedua jenis uji ini sangat bergantung pada karakteristik data yang sedang dianalisis, termasuk asumsi yang terkait dengan distribusi data tersebut.

Uji Parametrik

Uji parametrik adalah jenis uji statistik yang dilakukan dengan asumsi bahwa data berasal dari populasi dengan distribusi tertentu, umumnya distribusi normal. Uji ini juga bergantung pada parameter-parameter tertentu dari distribusi populasi, seperti mean dan variansi.

Karakteristik Uji Parametrik:

1. Asumsi distribusi normal: Uji parametrik mengharuskan data mengikuti distribusi normal atau mendekati normal, terutama jika ukuran sampel kecil.
2. Memerlukan skala pengukuran interval atau rasio: Uji ini biasanya digunakan pada data yang diukur dalam skala interval atau rasio, di mana jarak antar nilai bermakna.
3. Lebih sensitif: Karena didasarkan pada asumsi yang lebih kuat tentang populasi, uji parametrik cenderung lebih kuat dan sensitif jika asumsi-asumsi tersebut terpenuhi.

Contoh Uji Parametrik:

1. Uji T (T-test): Uji untuk membandingkan rata-rata dua kelompok, misalnya untuk menentukan apakah ada perbedaan signifikan antara dua sampel independen.
2. ANOVA (Analisis Varians): Uji untuk membandingkan rata-rata lebih dari dua kelompok.
3. Uji regresi linear: Untuk melihat hubungan antara variabel independen dan dependen.

Keuntungan Uji Parametrik:

Memiliki daya uji yang lebih kuat ketika asumsi distribusi normal terpenuhi. Lebih efisien dengan sampel besar.

Kelemahan Uji Parametrik:

Rentan terhadap pelanggaran asumsi distribusi normal. Jika data tidak normal, hasil uji bisa menjadi tidak akurat.

Uji Non-Parametrik

Uji non-parametrik adalah uji statistik yang tidak memerlukan asumsi bahwa data harus berasal dari distribusi tertentu. Uji ini lebih fleksibel dan sering digunakan ketika data tidak memenuhi asumsi distribusi normal atau ketika data diukur dalam skala ordinal (peringkat).

Karakteristik Uji Non-Parametrik:

Tidak bergantung pada distribusi data: Tidak memerlukan data mengikuti distribusi tertentu, sehingga cocok untuk data yang tidak normal atau data dengan skala ordinal. Lebih fleksibel: Dapat digunakan untuk berbagai jenis data, termasuk data ordinal atau data nominal. Kurang sensitif: Secara umum, uji non-parametrik kurang sensitif dibandingkan uji parametrik jika data memang normal.

Contoh Uji Non-Parametrik:

1. Uji Mann-Whitney: Alternatif dari uji T untuk dua sampel independen, digunakan ketika data tidak normal.
2. Uji Kruskal-Wallis: Alternatif dari ANOVA untuk membandingkan lebih dari dua kelompok tanpa asumsi normalitas.
3. Uji Wilcoxon: Untuk membandingkan dua sampel berpasangan, digunakan saat data tidak mengikuti distribusi normal.

Keuntungan Uji Non-Parametrik:

1. Lebih aman digunakan untuk data yang tidak memenuhi asumsi distribusi normal.
2. Dapat digunakan untuk data yang diukur dalam skala ordinal atau nominal.
3. Lebih fleksibel terhadap berbagai jenis data dan distribusi.

Kelemahan Uji Non-Parametrik:

1. Pada umumnya, daya uji (power) lebih rendah dibandingkan dengan uji parametrik jika data benar-benar berasal dari distribusi normal.
2. Memerlukan sampel yang lebih besar untuk mencapai hasil yang sama akuratnya dengan uji parametrik.

Kapan Menggunakan Uji Parametrik dan Non-Parametrik?

Gunakan uji parametrik jika data Anda:

1. Memenuhi asumsi distribusi normal.
2. Diukur dalam skala interval atau rasio.
3. Tidak memiliki outlier ekstrem yang dapat mempengaruhi hasil uji.

Gunakan uji non-parametrik jika data Anda:

1. Tidak mengikuti distribusi normal.
2. Diukur dalam skala ordinal atau nominal.
3. Memiliki outlier atau sampel kecil yang tidak cukup untuk menguji distribusi.