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. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik.164 . Dalam kasus ini D= 0. Test distribution is Normal. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif. Ada 6 pembagian.data anda NORMAL ! . maka data anda NORMAL. Kalau korelasi khan r.37895 . Tapi tidak semua yang diambil.0833 1.567 . Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal.Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori. yang diuji itu distribusi normal. (2-tailed) Mean Std. Test Distribution is Normal artinya. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Sig. D = 0. D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)……. 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.A Frekuensi empirik Distribusi kumulatif (empirik)…….567 (p>0. yang terbesarlah yang dimasukkan sebagai absolut.117 -.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. Hasil ini lalu dibandingkan dengan tabel D. Calculated from data.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Ini contoh-contohan uji normalitas data.164 . or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z. Hanya satu yang diambil yaitu yang selisihnya terbesar. bukan distribusi eksponen.. dan biasanya mereka menulis Z=0.164 (p>0.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a.05)..164 Jika D anda lebih kecil dari tabel. kalau KS berdasakan frekuensi kumulatif. Uji KS outputnya adalah D.05) Jika Z anda di bawah 1. Kalau t-tes khan t. b.

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

273 p > 0.2500 . CS tidak bisa untuk sampel kecil.791 6. Dan anda membuat angka 11 untung. 4. sementara KS bisa.0000 -. . Bayangkan jika data anda berjumlah 5.834 .639 Perhatian Karena ada koreksi Liliefor. sd nya sama.00 13.266 . lebih besar di sini. Gibbons.0000 48. 1971) 3.00 29. Contoh : Data Depresi milik Hendro.Output Kolmogorov Smirnov Cara Kedua Descriptives Std.-nya 0.266 . Peluang tidak normal.00 29.00 9. Adalah perbedaan antara distribusi teoritik dan distribusi empirik.015 p <0.98505 .77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. CS memerlukan data yang terkelompokkan. Anda membuat angka 15 marah-marah.00 131.310 Arti Statistic Adalah nilai D.1287 9.13. karena ia dibulatkan ke atas. seperti yang saya jelaskan sebelumnya. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9.110 .1080 9.00 56. Soalnya ada tambahan Koreksi Liliefor segala. karena dibagi secara seimbang.388 10. Berkatalah hanya pada apa yang anda ketahui saja Anonim . Jika dihitung dengan cara pertama sig.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus. 2.8556 105. KS tidak memerlukannya. Sig. Jadi enakan pakai cara pertama saja.357 105. dan disamakan dengan angka di atasnya yaitu 12. maka harga tes ini jadi mahal.5732 8. KS dapat mengestimasi variasi sd.6233 106. Sig.001 .526 1.177 a. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya. 14 dan 15.015 . Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1.0000 111. (info lebih lengkap baca buku Non Parametrik Statistical Inference. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis . Ia merasa rugi karena dibulatkan ke bawah.088 df 82 82 a Shapiro-Wilk Statistic .05 Æ Normal tetapi jika dihitung dengan cara kedua sig.-nya 0. Misalkan kategori 11-15. .526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic . . padahal kurang satu no dia masuk kategori 16-20.937 . Error .982 df 82 82 Sig.16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.55403 75. Maka ada data yang terbuang maknanya.2176 107. KS lebih fleksibel dibanding CS. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik.0384 11.199 . sedangkan CS. sedangkan anda harus membuat 6 kategori sd.5366 Lower Bound Upper Bound 103.

. Jika data terlihat sebarannya normal... tanda tanya ini ada ganti dengan variabel yang hendak di transformasikan. Klik kanan pada lambang itu. Kemudian jadi. Nama Baru Nama baru bagi variabel yang ditransformasikan Macam-macam rumus yang tersedia di SPSS Pada contoh ini. data anda memang ‘gak normal. 5%). arcsin.SQRT (harmoni) 3. Ada banyak cara mentransformasikan. Nilai Kritis (Z) = Skewness / √ (6/N). Untuk mengerti arti lambang2 di sana. . dan log 10. di atasnya untuk memilih fungsi ini. Gunakan statistik non parametrik. tetapi cara yang sering dipakai adalah transformasi dalam bentuk akar kuadrat. Lihat buku “Multivariate Data Analysis” karangan Hair dkk. Semoga menjadi normal. akan muncul : SQRT (?).rumusnya sama.. buang subjek yang teridentifikasi sebagai outliers. Klik OK jika sudah selesai. Jika tidak bisa. Skewness berkaitan dengan lebar kurve. hingga katakanlah 100 sampel. tapi kalau nilai kurtosisnya besar (alias salah satu kategori terlalu tinggi) ya nggak normal. Lalu muncul seperti yang ini. Rumus Buatan Sendiri Anda juga bisa membuat rumus dengan cara sendiri. Tekan Menu Transform 2. help akan muncul Tambahan tentang Normalitas (Bagi yang ingin mendalami saja) Satu istilah yang ngetrend dalam Kurve Normal adalah Skewness dan Kurtosis. tambah jumlah sampel penelitian. Dua nilai ini harus diperhatikan. 4. Untuk Kurtosis juga lho.96 (sig. Transformasi Data 1. 3.. 5. SQRT (square root) adalah akar kuadrat.. Lihat Bab Outliers 4. Numexpr. Jika cara 1 tidak bisa. Pilih variabel yang hendak ditransformasikan Ketika fungsi sudah dipilih.. Jika tidak bisa juga.. Kita transformasikan data kita dalam bentuk yang lain (remedies for non normal)..Apa yang harus dilakukan jika sebaran data tidak normal 1.58 (sig. sedangkan kurtosis dengan tinggi kurve. Z tidak boleh lebih dari 2.di sini adalah variabell anda yg hendak ditransformasi. (1995) 2. 1%) dan 1. Klik tanda panah.Relakan. Ulangi Uji Normalitas sekali lagi pada data anda. Kemudian pilih Compute.

Sign up to vote on this title
UsefulNot useful