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 Jika D anda lebih kecil dari tabel.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. maka data anda NORMAL. yang terbesarlah yang dimasukkan sebagai absolut. Kalau t-tes khan t.567 (p>0. Tapi tidak semua yang diambil. Test distribution is Normal. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik. Uji KS outputnya adalah D. Kalau korelasi khan r. Ada 6 pembagian. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif.164 .A Frekuensi empirik Distribusi kumulatif (empirik)……. b. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. Dalam kasus ini D= 0. 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. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3.05). yang diuji itu distribusi normal.0833 1.164 . (2-tailed) Mean Std.. Hanya satu yang diambil yaitu yang selisihnya terbesar. dan biasanya mereka menulis Z=0.37895 . or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z. bukan distribusi eksponen.97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik.567 . Test Distribution is Normal artinya. Calculated from data. Ini contoh-contohan uji normalitas data. Hasil ini lalu dibandingkan dengan tabel D.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.Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori.data anda NORMAL ! . D = 0. kalau KS berdasakan frekuensi kumulatif.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)……..05) Jika Z anda di bawah 1.117 -. Sig. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a.164 (p>0.

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

110 .639 Perhatian Karena ada koreksi Liliefor.937 .16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Sig.001 .015 .088 df 82 82 a Shapiro-Wilk Statistic .-nya 0. 2. Misalkan kategori 11-15.0000 -. 1971) 3.13.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus. sd nya sama.177 a. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik. Gibbons.-nya 0. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9.388 10.5732 8.834 . Ia merasa rugi karena dibulatkan ke bawah. Bayangkan jika data anda berjumlah 5.273 p > 0.266 .266 .526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic . Maka ada data yang terbuang maknanya. Dan anda membuat angka 11 untung. 14 dan 15. Jika dihitung dengan cara pertama sig.310 Arti Statistic Adalah nilai D. Sig.00 131. 4.05 Æ Normal tetapi jika dihitung dengan cara kedua sig.0000 48.015 p <0. CS tidak bisa untuk sampel kecil.1080 9. KS lebih fleksibel dibanding CS.526 1. sedangkan anda harus membuat 6 kategori sd.00 13. Soalnya ada tambahan Koreksi Liliefor segala.77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. sedangkan CS.2176 107. dan disamakan dengan angka di atasnya yaitu 12. Anda membuat angka 15 marah-marah. KS tidak memerlukannya. maka harga tes ini jadi mahal.00 56. .199 .00 9.791 6. sementara KS bisa.357 105. karena dibagi secara seimbang.Output Kolmogorov Smirnov Cara Kedua Descriptives Std. Adalah perbedaan antara distribusi teoritik dan distribusi empirik.8556 105. padahal kurang satu no dia masuk kategori 16-20.00 29. . CS memerlukan data yang terkelompokkan. (info lebih lengkap baca buku Non Parametrik Statistical Inference. Error .5366 Lower Bound Upper Bound 103.982 df 82 82 Sig.0384 11. karena ia dibulatkan ke atas. Jadi enakan pakai cara pertama saja. Contoh : Data Depresi milik Hendro. seperti yang saya jelaskan sebelumnya.00 29.55403 75. lebih besar di sini. Berkatalah hanya pada apa yang anda ketahui saja Anonim .2500 . Peluang tidak normal.1287 9.6233 106. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya.98505 . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis . KS dapat mengestimasi variasi sd. .0000 111.

1%) dan 1. hingga katakanlah 100 sampel. Jika cara 1 tidak bisa. Klik OK jika sudah selesai.. (1995) 2. Lalu muncul seperti yang ini. Jika data terlihat sebarannya normal. Ada banyak cara mentransformasikan. Lihat buku “Multivariate Data Analysis” karangan Hair dkk.Apa yang harus dilakukan jika sebaran data tidak normal 1. tapi kalau nilai kurtosisnya besar (alias salah satu kategori terlalu tinggi) ya nggak normal. 4. 5%).96 (sig. Kemudian pilih Compute. Rumus Buatan Sendiri Anda juga bisa membuat rumus dengan cara sendiri..58 (sig. tetapi cara yang sering dipakai adalah transformasi dalam bentuk akar kuadrat. 3. 5. help akan muncul Tambahan tentang Normalitas (Bagi yang ingin mendalami saja) Satu istilah yang ngetrend dalam Kurve Normal adalah Skewness dan Kurtosis. tanda tanya ini ada ganti dengan variabel yang hendak di transformasikan. Lihat Bab Outliers 4. Z tidak boleh lebih dari 2. Skewness berkaitan dengan lebar kurve. buang subjek yang teridentifikasi sebagai outliers. SQRT (square root) adalah akar kuadrat. di atasnya untuk memilih fungsi ini. Gunakan statistik non parametrik.. Numexpr. Tekan Menu Transform 2. .. Nilai Kritis (Z) = Skewness / √ (6/N). Kita transformasikan data kita dalam bentuk yang lain (remedies for non normal).. Pilih variabel yang hendak ditransformasikan Ketika fungsi sudah dipilih. Untuk Kurtosis juga lho. data anda memang ‘gak normal.. Ulangi Uji Normalitas sekali lagi pada data anda. Dua nilai ini harus diperhatikan. tambah jumlah sampel penelitian. akan muncul : SQRT (?). Jika tidak bisa juga.. dan log 10. Jika tidak bisa. Klik kanan pada lambang itu. Semoga menjadi normal.. sedangkan kurtosis dengan tinggi kurve.di sini adalah variabell anda yg hendak ditransformasi. Untuk mengerti arti lambang2 di sana. arcsin. Kemudian jadi. Klik tanda panah.SQRT (harmoni) 3.Relakan. Nama Baru Nama baru bagi variabel yang ditransformasikan Macam-macam rumus yang tersedia di SPSS Pada contoh ini..rumusnya sama. Transformasi Data 1.

Sign up to vote on this title
UsefulNot useful