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

164 . yang terbesarlah yang dimasukkan sebagai absolut.117 -.164 Jika D anda lebih kecil dari tabel. dan biasanya mereka menulis Z=0. Ini contoh-contohan uji normalitas data. Test Distribution is Normal artinya.. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik.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. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3. Ada 6 pembagian. Uji KS outputnya adalah D.567 (p>0.05). b.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Hasil ini lalu dibandingkan dengan tabel D. Test distribution is Normal.164 (p>0. Hanya satu yang diambil yaitu yang selisihnya terbesar. D = 0.97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Kalau korelasi khan r.05) Jika Z anda di bawah 1.Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori. D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)……. Kalau t-tes khan t.0833 1. or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif.A Frekuensi empirik Distribusi kumulatif (empirik)……. yang diuji itu distribusi normal. Tapi tidak semua yang diambil. maka data anda NORMAL. (2-tailed) Mean Std. kalau KS berdasakan frekuensi kumulatif.. Dalam kasus ini D= 0.567 . 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.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. Sig. Calculated from data.37895 . bukan distribusi eksponen.data anda NORMAL ! .164 .

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

padahal kurang satu no dia masuk kategori 16-20.015 p <0. sd nya sama.5366 Lower Bound Upper Bound 103.Output Kolmogorov Smirnov Cara Kedua Descriptives Std.00 29.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic .5732 8.0384 11. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9.088 df 82 82 a Shapiro-Wilk Statistic .00 9. Maka ada data yang terbuang maknanya.6233 106.310 Arti Statistic Adalah nilai D.357 105. sementara KS bisa. dan disamakan dengan angka di atasnya yaitu 12.199 .177 a.77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Jadi enakan pakai cara pertama saja. . CS memerlukan data yang terkelompokkan. Dan anda membuat angka 11 untung.2176 107.388 10. Jika dihitung dengan cara pertama sig. .2500 . 1971) 3. Gibbons.015 .00 131. Berkatalah hanya pada apa yang anda ketahui saja Anonim . KS lebih fleksibel dibanding CS. 4. maka harga tes ini jadi mahal.834 .13.526 1.273 p > 0. Soalnya ada tambahan Koreksi Liliefor segala. Error . 14 dan 15. Sig.55403 75. .00 13.98505 . lebih besar di sini. KS dapat mengestimasi variasi sd.266 .00 29. Peluang tidak normal. seperti yang saya jelaskan sebelumnya. Anda membuat angka 15 marah-marah. KS tidak memerlukannya.0000 111. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik.110 .16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.266 . Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya. Misalkan kategori 11-15. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis .937 . 2. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1.1080 9. CS tidak bisa untuk sampel kecil. Ia merasa rugi karena dibulatkan ke bawah.1287 9.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus.982 df 82 82 Sig. Contoh : Data Depresi milik Hendro. sedangkan CS.00 56.001 . Bayangkan jika data anda berjumlah 5.-nya 0. karena ia dibulatkan ke atas. Adalah perbedaan antara distribusi teoritik dan distribusi empirik.791 6.8556 105.-nya 0. (info lebih lengkap baca buku Non Parametrik Statistical Inference.05 Æ Normal tetapi jika dihitung dengan cara kedua sig.0000 48. sedangkan anda harus membuat 6 kategori sd. karena dibagi secara seimbang.639 Perhatian Karena ada koreksi Liliefor.0000 -. Sig.

3. Kita transformasikan data kita dalam bentuk yang lain (remedies for non normal). 5%). Gunakan statistik non parametrik. dan log 10. tambah jumlah sampel penelitian.96 (sig. Jika data terlihat sebarannya normal.Relakan.SQRT (harmoni) 3. buang subjek yang teridentifikasi sebagai outliers. Klik tanda panah. sedangkan kurtosis dengan tinggi kurve. tanda tanya ini ada ganti dengan variabel yang hendak di transformasikan. Nilai Kritis (Z) = Skewness / √ (6/N).rumusnya sama.. Untuk Kurtosis juga lho. 4. Transformasi Data 1. akan muncul : SQRT (?). Kemudian pilih Compute. SQRT (square root) adalah akar kuadrat. 1%) dan 1. Jika tidak bisa. di atasnya untuk memilih fungsi ini. Lalu muncul seperti yang ini. Lihat buku “Multivariate Data Analysis” karangan Hair dkk. help akan muncul Tambahan tentang Normalitas (Bagi yang ingin mendalami saja) Satu istilah yang ngetrend dalam Kurve Normal adalah Skewness dan Kurtosis. Untuk mengerti arti lambang2 di sana. Tekan Menu Transform 2.. Skewness berkaitan dengan lebar kurve... (1995) 2.58 (sig. Kemudian jadi. arcsin.Apa yang harus dilakukan jika sebaran data tidak normal 1. data anda memang ‘gak normal. Ulangi Uji Normalitas sekali lagi pada data anda. Dua nilai ini harus diperhatikan... Pilih variabel yang hendak ditransformasikan Ketika fungsi sudah dipilih. Nama Baru Nama baru bagi variabel yang ditransformasikan Macam-macam rumus yang tersedia di SPSS Pada contoh ini. Lihat Bab Outliers 4. 5. Numexpr. hingga katakanlah 100 sampel. Z tidak boleh lebih dari 2. Klik OK jika sudah selesai.. tetapi cara yang sering dipakai adalah transformasi dalam bentuk akar kuadrat. tapi kalau nilai kurtosisnya besar (alias salah satu kategori terlalu tinggi) ya nggak normal. Ada banyak cara mentransformasikan. Jika tidak bisa juga. Jika cara 1 tidak bisa. Klik kanan pada lambang itu. Rumus Buatan Sendiri Anda juga bisa membuat rumus dengan cara sendiri.di sini adalah variabell anda yg hendak ditransformasi.. . Semoga menjadi normal..

Sign up to vote on this title
UsefulNot useful