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

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. Tapi tidak semua yang diambil.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp.. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z. Test distribution is Normal.164 . Calculated from data. maka data anda NORMAL.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. Hasil ini lalu dibandingkan dengan tabel D.data anda NORMAL ! . Ini contoh-contohan uji normalitas data.117 -.05). Uji KS outputnya adalah 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. Dalam kasus ini D= 0.A Frekuensi empirik Distribusi kumulatif (empirik)……. yang diuji itu distribusi normal.05) Jika Z anda di bawah 1. Ada 6 pembagian.Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori.. Hanya satu yang diambil yaitu yang selisihnya terbesar. 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. yang terbesarlah yang dimasukkan sebagai absolut. Test Distribution is Normal artinya. Kalau korelasi khan r. b.0833 1. bukan distribusi eksponen. Sig.567 . D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)……. (2-tailed) Mean Std. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik.164 (p>0.37895 . atau poisson Absolut (D) Dari perbandingan antara negatif dan positif.164 Jika D anda lebih kecil dari tabel. dan biasanya mereka menulis Z=0.567 (p>0. D = 0. Kalau t-tes khan t. kalau KS berdasakan frekuensi kumulatif.164 .

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

2. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis .110 .00 29. Dan anda membuat angka 11 untung. KS dapat mengestimasi variasi sd. sedangkan anda harus membuat 6 kategori sd. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya.1080 9. Error . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9. karena ia dibulatkan ke atas. Sig. Sig. Jika dihitung dengan cara pertama sig.388 10.-nya 0.266 . . sedangkan CS.0000 111.00 13.8556 105.00 29.1287 9. .357 105. Gibbons.77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.001 .088 df 82 82 a Shapiro-Wilk Statistic .98505 .0384 11. 4. 1971) 3.13. Jadi enakan pakai cara pertama saja.937 .266 .6233 106.791 6.834 .639 Perhatian Karena ada koreksi Liliefor. Contoh : Data Depresi milik Hendro. Berkatalah hanya pada apa yang anda ketahui saja Anonim .00 56. Bayangkan jika data anda berjumlah 5.5366 Lower Bound Upper Bound 103.00 9.00 131. maka harga tes ini jadi mahal.0000 48. . 14 dan 15. CS memerlukan data yang terkelompokkan.Output Kolmogorov Smirnov Cara Kedua Descriptives Std. karena dibagi secara seimbang.015 p <0. dan disamakan dengan angka di atasnya yaitu 12. Peluang tidak normal. (info lebih lengkap baca buku Non Parametrik Statistical Inference. Soalnya ada tambahan Koreksi Liliefor segala.310 Arti Statistic Adalah nilai D.5732 8.2176 107.0000 -. KS lebih fleksibel dibanding CS. Anda membuat angka 15 marah-marah. sd nya sama. Adalah perbedaan antara distribusi teoritik dan distribusi empirik. Ia merasa rugi karena dibulatkan ke bawah.982 df 82 82 Sig. Misalkan kategori 11-15.05 Æ Normal tetapi jika dihitung dengan cara kedua sig.526 1. lebih besar di sini.199 . seperti yang saya jelaskan sebelumnya. Maka ada data yang terbuang maknanya.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus.2500 . KS tidak memerlukannya.-nya 0.16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic . sementara KS bisa.273 p > 0. padahal kurang satu no dia masuk kategori 16-20. CS tidak bisa untuk sampel kecil.55403 75.015 .177 a.

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

Sign up to vote on this title
UsefulNot useful