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

Hasil ini lalu dibandingkan dengan tabel D. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3. Ini contoh-contohan uji normalitas data. Hanya satu yang diambil yaitu yang selisihnya terbesar. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif.A Frekuensi empirik Distribusi kumulatif (empirik)…….117 -.164 . kalau KS berdasakan frekuensi kumulatif.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. bukan distribusi eksponen.data anda NORMAL ! . D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)……. yang terbesarlah yang dimasukkan sebagai absolut. maka data anda NORMAL. dan biasanya mereka menulis Z=0. Ada 6 pembagian. Tapi tidak semua yang diambil. Dalam kasus ini D= 0. yang diuji itu distribusi normal.164 (p>0. b.567 .905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik..97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik.0833 1. 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. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z. Kalau korelasi khan r.567 (p>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.05). D = 0. Calculated from data. Test distribution is Normal.37895 . (2-tailed) Mean Std.05) Jika Z anda di bawah 1.164 . Sig..Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori.164 Jika D anda lebih kecil dari tabel. Test Distribution is Normal artinya. Kalau t-tes khan t.

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

0000 48.388 10.2500 . KS tidak memerlukannya. seperti yang saya jelaskan sebelumnya. Contoh : Data Depresi milik Hendro. Jadi enakan pakai cara pertama saja.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic .982 df 82 82 Sig.13.5732 8. Sig.00 56.0000 111. .357 105.273 p > 0. CS tidak bisa untuk sampel kecil.266 . 14 dan 15. Sig.00 13.0000 -. 4. CS memerlukan data yang terkelompokkan. Jika dihitung dengan cara pertama sig.00 131. Bayangkan jika data anda berjumlah 5. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1. KS dapat mengestimasi variasi sd.-nya 0.55403 75.310 Arti Statistic Adalah nilai D.98505 . karena ia dibulatkan ke atas. Dan anda membuat angka 11 untung.834 . sedangkan CS.015 .791 6. . Berkatalah hanya pada apa yang anda ketahui saja Anonim . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis .77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. sedangkan anda harus membuat 6 kategori sd.526 1. Maka ada data yang terbuang maknanya.266 . Soalnya ada tambahan Koreksi Liliefor segala.001 . Ia merasa rugi karena dibulatkan ke bawah.110 . sd nya sama. (info lebih lengkap baca buku Non Parametrik Statistical Inference. Anda membuat angka 15 marah-marah.937 .16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. padahal kurang satu no dia masuk kategori 16-20. Peluang tidak normal. Gibbons.5366 Lower Bound Upper Bound 103. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya.639 Perhatian Karena ada koreksi Liliefor. dan disamakan dengan angka di atasnya yaitu 12.05 Æ Normal tetapi jika dihitung dengan cara kedua sig. karena dibagi secara seimbang. maka harga tes ini jadi mahal.088 df 82 82 a Shapiro-Wilk Statistic . Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik. Error .8556 105.2176 107. KS lebih fleksibel dibanding CS.Output Kolmogorov Smirnov Cara Kedua Descriptives Std.1080 9.00 29. 1971) 3.177 a.0384 11.6233 106.-nya 0. Misalkan kategori 11-15.199 .015 p <0. Adalah perbedaan antara distribusi teoritik dan distribusi empirik. 2.1287 9. lebih besar di sini.00 29. . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9. sementara KS bisa.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus.00 9.

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

Sign up to vote on this title
UsefulNot useful