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 (p>0. bukan distribusi eksponen. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal.05) Jika Z anda di bawah 1.Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategori-kategori.567 (p>0. maka data anda NORMAL. Hasil ini lalu dibandingkan dengan tabel D.37895 . yang diuji itu distribusi normal. kalau KS berdasakan frekuensi kumulatif. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3.164 Jika D anda lebih kecil dari tabel. Uji KS outputnya adalah D.164 . Calculated from data. 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 .97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik.0833 1. D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)……. Kalau korelasi khan r. 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.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. Test Distribution is Normal artinya.. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Test distribution is Normal.05).data anda NORMAL ! . or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Ada 6 pembagian. Kalau t-tes khan t. Sig. Tapi tidak semua yang diambil.. b.164 . Hanya satu yang diambil yaitu yang selisihnya terbesar. dan biasanya mereka menulis Z=0. D = 0. Ini contoh-contohan uji normalitas data. (2-tailed) Mean Std. Dalam kasus ini D= 0.

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

199 .266 . Bayangkan jika data anda berjumlah 5.110 .05 Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9. Gibbons.0000 -.5366 Lower Bound Upper Bound 103. KS tidak memerlukannya.5732 8. padahal kurang satu no dia masuk kategori 16-20. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik. sedangkan CS. lebih besar di sini.088 df 82 82 a Shapiro-Wilk Statistic .00 56. 2.0384 11. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya. sedangkan anda harus membuat 6 kategori sd. Misalkan kategori 11-15. Sig.937 . KS lebih fleksibel dibanding CS. . karena dibagi secara seimbang.77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. 4. (info lebih lengkap baca buku Non Parametrik Statistical Inference. Ia merasa rugi karena dibulatkan ke bawah. CS memerlukan data yang terkelompokkan. Adalah perbedaan antara distribusi teoritik dan distribusi empirik. Jadi enakan pakai cara pertama saja.16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Sig.05 Normal tetapi jika dihitung dengan cara kedua sig. dan disamakan dengan angka di atasnya yaitu 12. Anda membuat angka 15 marah-marah. Jika dihitung dengan cara pertama sig. KS dapat mengestimasi variasi sd.526 1.2176 107.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic .001 .1287 9.-nya 0.6233 106.273 p > 0.015 . Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1.2500 .791 6. .015 p <0.55403 75. sementara KS bisa.834 . 14 dan 15.Output Kolmogorov Smirnov Cara Kedua Descriptives Std.266 .00 29.13.982 df 82 82 Sig.00 29.8556 105. 1971) 3.-nya 0. Peluang tidak normal.639 Perhatian Karena ada koreksi Liliefor. karena ia dibulatkan ke atas.0000 111. Maka ada data yang terbuang maknanya. Soalnya ada tambahan Koreksi Liliefor segala.310 Arti Statistic Adalah nilai D. sd nya sama.00 131. Contoh : Data Depresi milik Hendro.177 a. seperti yang saya jelaskan sebelumnya. Dan anda membuat angka 11 untung.388 10.1080 9.0000 48. maka harga tes ini jadi mahal.98505 .00 13. Berkatalah hanya pada apa yang anda ketahui saja Anonim . Error . CS tidak bisa untuk sampel kecil. .00 9. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis .357 105.

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

Sign up to vote on this title
UsefulNot useful