P. 1
Uji Normalitas

Uji Normalitas

|Views: 11|Likes:
Published by Zenny Leonita
statistik
statistik

More info:

Categories:Types, Research
Published by: Zenny Leonita on May 01, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/08/2014

pdf

text

original

BAB Uji Normalitas

Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Cara yang biasa dipakai untuk menghitung masalah ini adalah Chi Square. Tapi karena tes ini memiliki kelemahan, maka yang kita pakai adalah Kolmogorov-Smirnov. Kedua tes dinamakan masuk dalam kategori Goodness Of Fit Tes. Januar: Makanan lagi ini? Ayo Jelaskan apa yang kau maksud dengan fitness tes ini. Bukan Fitness Tes, tapi Goodness Of Fit Tes. Artinya, uji apakah data empirik yang kamu dapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu. Dalam kaus..eh kasus ini, distribusi normal. Dengan kata lain, apakah datamu itu dari populasi yang berdistribusi normal. Januar: Mengapa kita harus, ngetes normalitas segala? Pertama, Tes-tes parametrik itu dibangun dari distribusi normal, kau lihat tabel t-tes misalnya, pembuatannya itu mengacu pada tebel normalitas. Kedua, kita bisa berasumsi bahwa sampel kita benerbener mewakili populasi. sehingga hasil penelitian kita bisa digeneralisasikan pada populasi. Bukankah dalam pandangan statistik itu sifat dan karakteristik populasi adalah terdistribusi secara normal. Terus, bagaimana kalau kita langsung meneliti populasi secara langsung. Misalnya Hubungan Antara Independensi Anak yang Jarang Mandi di Fakultas Psikologi UGM Dengan Kreativitas. Populasinya khan cuma tiga. Aku, kamu, dan Sony ’93. Apakah harus di tes normal segala?. Mbuh!

Chi-Square
Filosofi mengapa Chi-Square kok bisa dikatakan Goodness Of Fit Tes, adalah begini: Aku punya uang seratus rupiah. Tak lempar seratus kali, sisi A keluar sebanyak 35 kali, sisi B keluar sebanyak 65 kali. Apakah koinku dapat dikatakan seimbang..maksud’e koinku gak penceng?. Macam Data Data Teoritik Data Observasi Kemunculan Sisi Koin A = 50 B = 50 A = 35 Total

100
100

Uji Chi Square Sig. p>0,05 : Tidak Ada Beda Sig. p<0.05 : Ada Beda

B =65

Kalau hasilnya tidak ada perbedaan, maka dapat dikatakan bahwa koin kita setimbang. Kita Lihat dulu Data teoritik kurve Normal. Kurve normal punya 6 Standar Deviasi (sd). Masing-masing sd luasnya seperti ini.
Sd -3 -2 -1 1 2 3 Kategori 1 - 10 11 - 15 16 - 20 21 - 30 31 - 35 36 - 40 Distribusi Kurve Normal % 2% 14% 34% 34% 14% 2% Frek. 2 14 34 34 14 2 Data Hasil Frek. 5 15 20 38 12 10

Sig. p>0,05 : Tidak Ada Beda Sig. p<0.05 : Ada Beda

Kalau korelasi khan r.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Test distribution is Normal. Hasil ini lalu dibandingkan dengan tabel D. Ini contoh-contohan uji normalitas data. Calculated from data. D = 0.05). (2-tailed) Mean Std. Ada 6 pembagian. maka data anda NORMAL.164 (p>0. b. yang diuji itu distribusi normal. Uji KS outputnya adalah D.164 Jika D anda lebih kecil dari tabel. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Sig.164 . D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)…….data anda NORMAL ! .97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3.37895 .164 .567 (p>0.. yang terbesarlah yang dimasukkan sebagai absolut.117 -. dan biasanya mereka menulis Z=0.A Frekuensi empirik Distribusi kumulatif (empirik)……. Dalam kasus ini D= 0.B A-B 1 1 1/12 1 1/12 0 2 2 3/12 3 4/12 -1/12 Sebaran Normal 3 4 5 3 3 2 6/12 9/12 11/12 2 6/12 0 3 9/12 0 1 10/12 1/12 distribusi kumulatif teoritik 6 1 12/12 2 12/12 0 Total 12 12 dikurangi distribusi kumulatif empirik. Test Distribution is Normal artinya. Kalau t-tes khan t. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif.Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z. kalau KS berdasakan frekuensi kumulatif. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik..05) Jika Z anda di bawah 1. Tapi tidak semua yang diambil. Hanya satu yang diambil yaitu yang selisihnya terbesar.567 . Data 2 3 5 7 Total frekuensi 5 2 3 5 15 Frekuensi kumulatif 5 7 10 15 Frekuensi Kumulatif Frekuensi kumulatif adalah penjumlahan frekuensi per-baris hingga ke bawah Lihat tabel dibawah ini. bukan distribusi eksponen.0833 1.

Beri tanda pada Normality Plot With Test . Tekan tombol Plots. Masukkan variabel yang hendak di uji pada kotak Dependen.Menampilkan Uji Kolmogorov-Smirnov Cara Pertama Pilih distribusi normal Cara Kedua 1. 4. 3. Pilih Descriptive Statistics Æ Explore 2.

2. . Sig.357 105.177 a. CS tidak bisa untuk sampel kecil. Gibbons.5366 Lower Bound Upper Bound 103.2500 .1287 9.088 df 82 82 a Shapiro-Wilk Statistic .2176 107. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1. karena ia dibulatkan ke atas. Maka ada data yang terbuang maknanya.00 56.16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Dan anda membuat angka 11 untung.266 . KS lebih fleksibel dibanding CS.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus.0384 11. lebih besar di sini. sedangkan CS. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9. 1971) 3.639 Perhatian Karena ada koreksi Liliefor.388 10. Jika dihitung dengan cara pertama sig.-nya 0.015 . (info lebih lengkap baca buku Non Parametrik Statistical Inference. KS dapat mengestimasi variasi sd. sedangkan anda harus membuat 6 kategori sd. Anda membuat angka 15 marah-marah.6233 106.13.0000 48.526 1. maka harga tes ini jadi mahal.110 . CS memerlukan data yang terkelompokkan.001 .0000 111.00 13. Soalnya ada tambahan Koreksi Liliefor segala.00 29. Peluang tidak normal. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik.0000 -.-nya 0.8556 105.310 Arti Statistic Adalah nilai D.982 df 82 82 Sig.55403 75. Sig.1080 9. Berkatalah hanya pada apa yang anda ketahui saja Anonim . Adalah perbedaan antara distribusi teoritik dan distribusi empirik. .834 . seperti yang saya jelaskan sebelumnya.98505 . Contoh : Data Depresi milik Hendro.00 131.00 9. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya.199 . Bayangkan jika data anda berjumlah 5. sementara KS bisa. Ia merasa rugi karena dibulatkan ke bawah.Output Kolmogorov Smirnov Cara Kedua Descriptives Std.273 p > 0. . Misalkan kategori 11-15. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis . 14 dan 15.937 . karena dibagi secara seimbang.77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Error . padahal kurang satu no dia masuk kategori 16-20. Jadi enakan pakai cara pertama saja. KS tidak memerlukannya.015 p <0.791 6. sd nya sama. dan disamakan dengan angka di atasnya yaitu 12.05 Æ Normal tetapi jika dihitung dengan cara kedua sig.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic . 4.5732 8.266 .00 29.

4. 5. arcsin. Untuk mengerti arti lambang2 di sana. 5%). hingga katakanlah 100 sampel.. 3. tapi kalau nilai kurtosisnya besar (alias salah satu kategori terlalu tinggi) ya nggak normal. Dua nilai ini harus diperhatikan. Skewness berkaitan dengan lebar kurve. tanda tanya ini ada ganti dengan variabel yang hendak di transformasikan. Jika cara 1 tidak bisa. sedangkan kurtosis dengan tinggi kurve. Tekan Menu Transform 2. SQRT (square root) adalah akar kuadrat. Jika tidak bisa. Klik tanda panah.. Lihat buku “Multivariate Data Analysis” karangan Hair dkk. Klik kanan pada lambang itu. (1995) 2.Apa yang harus dilakukan jika sebaran data tidak normal 1.96 (sig. buang subjek yang teridentifikasi sebagai outliers. Jika data terlihat sebarannya normal.. Transformasi Data 1. Ulangi Uji Normalitas sekali lagi pada data anda.Relakan. data anda memang ‘gak normal. help akan muncul Tambahan tentang Normalitas (Bagi yang ingin mendalami saja) Satu istilah yang ngetrend dalam Kurve Normal adalah Skewness dan Kurtosis. di atasnya untuk memilih fungsi ini.58 (sig. Nama Baru Nama baru bagi variabel yang ditransformasikan Macam-macam rumus yang tersedia di SPSS Pada contoh ini.. Rumus Buatan Sendiri Anda juga bisa membuat rumus dengan cara sendiri. Semoga menjadi normal. tambah jumlah sampel penelitian. Jika tidak bisa juga.. Z tidak boleh lebih dari 2. 1%) dan 1. Numexpr.. dan log 10. Untuk Kurtosis juga lho.rumusnya sama. tetapi cara yang sering dipakai adalah transformasi dalam bentuk akar kuadrat. Lihat Bab Outliers 4. Lalu muncul seperti yang ini. Kita transformasikan data kita dalam bentuk yang lain (remedies for non normal). .. Gunakan statistik non parametrik. akan muncul : SQRT (?).SQRT (harmoni) 3. Pilih variabel yang hendak ditransformasikan Ketika fungsi sudah dipilih... Ada banyak cara mentransformasikan. Klik OK jika sudah selesai.di sini adalah variabell anda yg hendak ditransformasi. Kemudian pilih Compute. Nilai Kritis (Z) = Skewness / √ (6/N). Kemudian jadi.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->