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

D = 0. kalau KS berdasakan frekuensi kumulatif. Kalau t-tes khan t. dan biasanya mereka menulis Z=0. Ada 6 pembagian. Test Distribution is Normal artinya. D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)……. bukan distribusi eksponen.05) Jika Z anda di bawah 1. Test distribution is Normal. Hasil ini lalu dibandingkan dengan tabel D.164 . Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. maka data anda NORMAL. yang terbesarlah yang dimasukkan sebagai absolut.164 . Hanya satu yang diambil yaitu yang selisihnya terbesar. Ini contoh-contohan uji normalitas data.37895 .0833 1.Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori. Sig.data anda NORMAL ! . Kalau korelasi khan r.. b. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif. yang diuji itu distribusi normal.567 .117 -.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. 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.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. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Uji KS outputnya adalah D. Dalam kasus ini D= 0. Calculated from data.164 (p>0.05). Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik. or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z..567 (p>0.A Frekuensi empirik Distribusi kumulatif (empirik)…….164 Jika D anda lebih kecil dari tabel.97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik. (2-tailed) Mean Std. Tapi tidak semua yang diambil.

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

015 p <0.16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. maka harga tes ini jadi mahal.05 Æ Normal tetapi jika dihitung dengan cara kedua sig.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic .273 p > 0. .0384 11. Jadi enakan pakai cara pertama saja. Contoh : Data Depresi milik Hendro. Soalnya ada tambahan Koreksi Liliefor segala.001 .77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.266 .0000 111. KS tidak memerlukannya.98505 .110 .00 9. Peluang tidak normal.982 df 82 82 Sig. 14 dan 15. Gibbons. Misalkan kategori 11-15.2500 .015 .00 56. CS memerlukan data yang terkelompokkan. Bayangkan jika data anda berjumlah 5. 2.526 1.6233 106. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik.5732 8. Sig.00 131. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis . 1971) 3. Anda membuat angka 15 marah-marah. Adalah perbedaan antara distribusi teoritik dan distribusi empirik. . . seperti yang saya jelaskan sebelumnya.Output Kolmogorov Smirnov Cara Kedua Descriptives Std. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya. KS dapat mengestimasi variasi sd. Ia merasa rugi karena dibulatkan ke bawah.088 df 82 82 a Shapiro-Wilk Statistic . CS tidak bisa untuk sampel kecil.00 29.13.937 . karena dibagi secara seimbang. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9. Berkatalah hanya pada apa yang anda ketahui saja Anonim .8556 105. Dan anda membuat angka 11 untung.310 Arti Statistic Adalah nilai D. sementara KS bisa.5366 Lower Bound Upper Bound 103. sedangkan anda harus membuat 6 kategori sd. lebih besar di sini. Sig.55403 75. 4.2176 107.177 a.0000 -. padahal kurang satu no dia masuk kategori 16-20. Maka ada data yang terbuang maknanya.-nya 0. dan disamakan dengan angka di atasnya yaitu 12.00 29.266 . Jika dihitung dengan cara pertama sig.834 .791 6.1287 9. sd nya sama.1080 9. (info lebih lengkap baca buku Non Parametrik Statistical Inference. KS lebih fleksibel dibanding CS.-nya 0.357 105. Error .00 13. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus.0000 48. karena ia dibulatkan ke atas.639 Perhatian Karena ada koreksi Liliefor. sedangkan CS.199 .388 10.

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