Pengujian asumsi normalitas merupakan salah satu pengujian asumsi pada data apabila kesimpulan metode statistik yang diinginkan tidak sesuai dengan fakta yang ada di lapangan. Sering sekali data yang kita peroleh berjumlah besar. Oleh karena itu, dengan menggunakan software statistika SPSS kita bisa melakukan pengolahan data dan melakukan uji normalitas dengan mudah tanpa harus menghitung manual terlebih dahulu.
Dalam postingan ini saya memberikan cara-cara melakukan uji normalitas variabel data dengan menggunakan SPSS. Software statistika SPSS menyediakan beberapa metode uji normalitas yang bisa dilakukan secara langsung dengan menggunakan menu yang tersedia. Selain itu, pengujian normalitas bisa dilakukan dengan menggunakan gambaran umum statistika deskriptif dan visualisasi. Namun dalam postingan ini saya hanya berfokus mengenai langkah-langkah untuk melakukan metode uji normalitas variabel data dengan menggunakan SPSS. Metode uji normalitas pada program software SPSS diantaranya:
Hipotesis uji normalitas pada ketiga metode tersebut yaitu:
H0: Sampel data tidak berbeda nyata dari populasi normal (Data berdistribusi normal)
Ha: Sampel data berbeda nyata dari populasi normal (Data tidak berdistribusi normal)
Pada praktek menggunakan software statistika seperti SPSS, kita hanya memperhatikan nilai peluang (P-Value) dengan taraf nyata yang digunakan untuk menentukan keputusan dari hasil pengujian tersebut. Apabila nilai P-Value lebih besar dari taraf nyata (P-Value > α) maka hipotesis H0 diterima. Sebaliknya, apabila nilai P-Value lebih kecil dari taraf nyata (P-Value < α) maka hipotesis H0 ditolak dan menentima hipotesis alternatif.
Untuk prakteknya sebagai contoh, kita menggunakan data mengenai tingkat kepadatan penduduk di suatu daerah pedesaan dalam satuan jutaan sebagai berikut:
Dari data diatas, kita ingin menguji apakah variabel tingkat kepadatan penduduk di suatu daerah pedesaan tersebut berasal dari distribusi normal atau distribusi lainnya dengan taraf nyata 5% (α = 0.05). Terlebih dahulu kita menginput data variabel view di SPSS sebagai berikut:
Selanjutnya, kita menginput data pada tabel diatas di data view SPSS sebagai berikut:
Dari sini, saya akan menjelaskan langkah-langkah uji normalitas dengan menggunakan berbagai metode uji normalitas yang tersedia di SPSS.
Uji Normalitas Variabel Data dengan Menggunakan Metode Kolmogorov-Smirnov
Untuk melakukan uji normalitas dengan metode Kolmogorov-Smirnov dapat dilakukan dengan melakukan klik Analyze > Nonparametric Test > 1-Sample K-S...
Masukkan variabel Tingkat Kepadatan Penduduk ke kotak Test Variable List. Ceklis Normal pada kotak Test Distribution. Kemudian klik OK.
Hasil output uji normalitas dengan menggunakan metode Kolmogorov-Smirnov ditunjukkan pada tabel dibawah:
Dari gambar diatas diperoleh hasil perhitungan uji normalitas dengan metode Kolmogorov-Smirnov menggunakan software SPSS. Dengan memperhatikan nilai pada baris Asymp. Sig. (2-tailed) diperoleh nilai 0.521. Nilai tersebut merupakan nilai P-Value yang akan kita bandingkan dengan taraf nyata 5%. Nilai P-Value = 0.521 lebih besar dibandingkan nilai taraf nyata 0.05 (P-Value = 0.521 > α = 0.05) sehingga keputusan hipotesis yang diambil adalah terima H0. Dengan demikian, kesimpulan yang dapat diambil dari uji normalitas dengan menggunakan metode Kolmogorov-Smirnov adalah data tingkat kepadatan penduduk berasal dari distribusi normal.
Uji Normalitas Variabel Data dengan Menggunakan Metode Kolmogorov Smirnov dengan Koreksi Liliefors dan Metode Shapiro-Wilks.
Untuk melakukan uji normalitas dengan metode Kolmogorov-Smirnov dengan Liliefors terkoreksi dan metode Shapiro-Wilks secara bersamaan, klik Analyze > Descriptive Statistics > Explore.
Masukkan variabel Penduduk di bagian Dependent Variable > Klik Plots > Ceklis Normality Plots with Test seperti yang ada pada gambar dibawah. Kemudian klik Continue dan klik OK.
Hasil output SPSS mengenai uji normalitas dengan metode Kolmogorov-Smirnov dengan Liliefors terkoreksi dan metode Shapiro-Wilks ditunjukkan pada gambar berikut:
Output SPSS pada gambar diatas menampilkan dua uji normalitas, yaitu metode Kolmogorov-Smirnov dengan koreksi Liliefors dan metode Shapiro-Wilk. Pada metode Kolmogorov-Smirnov dengan koreksi Liliefors diperoleh nilai P-Value (Sig.) sebesar 0.077. Apabila dibandingkan dengan taraf nyata 5%, diperoleh nilai P-Value lebih besar dibandingkan taraf nyata 5% (P-Value = 0.077 > α = 0.05) yang memberikan keputusan terima H0. Sehingga diperoleh kesimpulan bahwa data tingkat kepadatan penduduk berasal dari distribusi normal.
Sementara itu, pada metode Shapiro-Wilk diperoleh nilai P-Value (Sig.) sebesar 0.035. Jika dibandingkan dengan taraf nyata, dipeorleh nilai P-Value lebih kecil dibandingkan taraf nyata (P-Value = 0.035 < α = 0.05) yang memberikan keputusan tolak H0. Hasil keputusan tersebut memberikan kesimpulan bahwa data tingkat kepadatan penduduk beraasal dari distribusi tidak normal.
Metode Uji Normalitas Manakah yang Harus Diambil?
Tergantung pada ruang lingkup metodologi penelitian yang digunakan serta harapan yang diambil dalam penelitian. Terkadang, banyak penelitian yang mengharapkan bahwa data yang digunakan harus berasal dari populasi yang berdistribusi normal dan memenuhi segala asumsi pada metode statistika yang digunakan agar tidak menggunakan penanggulangan yang aneh-aneh. Karena untuk menghindari tebalnya penyusunan laporan penelitian. Biasanya banyak orang menggunakan metode yang memenuhi kriteria yang diinginkan. Namun hal tersebut tidak bisa dijadikan justifikasi selama gambaran umum data yang kita peroleh tidak bisa menggambarkan keadaan yang sesungguhnya dilapangan sehingga harus mengacu pada teori statistika yang ada. Oleh karena itu, beberapa metode uji normalitas digunakan pada situasi-situasi tertentu, terutama pada jumlah sampel yang digunakan, kemencengan (skewness) data, dan keruncingan (kurtosis) data.
Masalah utama data tidak normal disebabkan karena jumlah sampel yang digunakan pada data cukup kecil, yaitu kurang dari 30. Selain itu, adanya data pencilan serta bentuk kemiringan dan keruncingan yang jauh dari bentuk distribusi normal menyebabkan data tidak normal.
Hal penting yang harus diperhatikan selama melakukan uji normalitas adalah melihat hipotesis uji normalitas dari hasil keputusan yang diperoleh. Apabila variabel data berasal dari distribusi normal, maka kita bisa menggunakan pengujian statistika parametrik. Namun, apabila variabel data berasal dari distribusi tidak normal, maka kita bisa melakukan penanggulangan pada variabel data yang tidak normal tersebut. Apabila tidak bisa dilakukan penanggulangan, maka kita hanya bisa menggunakan pengujian statistika nonparametrik agar hasil yang diperoleh sesuai yang diharapkan.
Demikian postingan saya mengenai cara melakukan uji normalitas varibael data dengan menggunakan SPSS. Semoga bermanfaat.
Dalam postingan ini saya memberikan cara-cara melakukan uji normalitas variabel data dengan menggunakan SPSS. Software statistika SPSS menyediakan beberapa metode uji normalitas yang bisa dilakukan secara langsung dengan menggunakan menu yang tersedia. Selain itu, pengujian normalitas bisa dilakukan dengan menggunakan gambaran umum statistika deskriptif dan visualisasi. Namun dalam postingan ini saya hanya berfokus mengenai langkah-langkah untuk melakukan metode uji normalitas variabel data dengan menggunakan SPSS. Metode uji normalitas pada program software SPSS diantaranya:
1. Metode Uji Kolmogorov-Smirnov
2. Metode Uji Kolmogorov-Smirnov dengan Koreksi Liliefors
2. Metode Uji Shapiro-Wilks
2. Metode Uji Shapiro-Wilks
Hipotesis uji normalitas pada ketiga metode tersebut yaitu:
H0: Sampel data tidak berbeda nyata dari populasi normal (Data berdistribusi normal)
Ha: Sampel data berbeda nyata dari populasi normal (Data tidak berdistribusi normal)
Pada praktek menggunakan software statistika seperti SPSS, kita hanya memperhatikan nilai peluang (P-Value) dengan taraf nyata yang digunakan untuk menentukan keputusan dari hasil pengujian tersebut. Apabila nilai P-Value lebih besar dari taraf nyata (P-Value > α) maka hipotesis H0 diterima. Sebaliknya, apabila nilai P-Value lebih kecil dari taraf nyata (P-Value < α) maka hipotesis H0 ditolak dan menentima hipotesis alternatif.
Untuk prakteknya sebagai contoh, kita menggunakan data mengenai tingkat kepadatan penduduk di suatu daerah pedesaan dalam satuan jutaan sebagai berikut:
| Desa | Kepadatan Penduduk |
|---|---|
| Sukangemis | 4.13 |
| Sukamantan | 4.53 |
| Sukamundur | 4.69 |
| Sukaminta | 4.76 |
| Sukamara | 4.77 |
| Sukarela | 4.96 |
| Sukadana | 4.97 |
| Sukamenengah | 5.00 |
| Sukabumi | 5.04 |
| Sukamenanti | 5.10 |
| Sukaria | 5.25 |
| Sukamadu | 5.36 |
| Sukamuka | 5.94 |
| Sukaguna | 6.06 |
| Sukacinta | 6.19 |
| Sukamaju | 6.30 |
| Sukaraja | 7.73 |
Dari data diatas, kita ingin menguji apakah variabel tingkat kepadatan penduduk di suatu daerah pedesaan tersebut berasal dari distribusi normal atau distribusi lainnya dengan taraf nyata 5% (α = 0.05). Terlebih dahulu kita menginput data variabel view di SPSS sebagai berikut:
Selanjutnya, kita menginput data pada tabel diatas di data view SPSS sebagai berikut:
Dari sini, saya akan menjelaskan langkah-langkah uji normalitas dengan menggunakan berbagai metode uji normalitas yang tersedia di SPSS.
Uji Normalitas Variabel Data dengan Menggunakan Metode Kolmogorov-Smirnov
Untuk melakukan uji normalitas dengan metode Kolmogorov-Smirnov dapat dilakukan dengan melakukan klik Analyze > Nonparametric Test > 1-Sample K-S...
Masukkan variabel Tingkat Kepadatan Penduduk ke kotak Test Variable List. Ceklis Normal pada kotak Test Distribution. Kemudian klik OK.
Hasil output uji normalitas dengan menggunakan metode Kolmogorov-Smirnov ditunjukkan pada tabel dibawah:
Dari gambar diatas diperoleh hasil perhitungan uji normalitas dengan metode Kolmogorov-Smirnov menggunakan software SPSS. Dengan memperhatikan nilai pada baris Asymp. Sig. (2-tailed) diperoleh nilai 0.521. Nilai tersebut merupakan nilai P-Value yang akan kita bandingkan dengan taraf nyata 5%. Nilai P-Value = 0.521 lebih besar dibandingkan nilai taraf nyata 0.05 (P-Value = 0.521 > α = 0.05) sehingga keputusan hipotesis yang diambil adalah terima H0. Dengan demikian, kesimpulan yang dapat diambil dari uji normalitas dengan menggunakan metode Kolmogorov-Smirnov adalah data tingkat kepadatan penduduk berasal dari distribusi normal.
Uji Normalitas Variabel Data dengan Menggunakan Metode Kolmogorov Smirnov dengan Koreksi Liliefors dan Metode Shapiro-Wilks.
Untuk melakukan uji normalitas dengan metode Kolmogorov-Smirnov dengan Liliefors terkoreksi dan metode Shapiro-Wilks secara bersamaan, klik Analyze > Descriptive Statistics > Explore.
Masukkan variabel Penduduk di bagian Dependent Variable > Klik Plots > Ceklis Normality Plots with Test seperti yang ada pada gambar dibawah. Kemudian klik Continue dan klik OK.
Hasil output SPSS mengenai uji normalitas dengan metode Kolmogorov-Smirnov dengan Liliefors terkoreksi dan metode Shapiro-Wilks ditunjukkan pada gambar berikut:
Sementara itu, pada metode Shapiro-Wilk diperoleh nilai P-Value (Sig.) sebesar 0.035. Jika dibandingkan dengan taraf nyata, dipeorleh nilai P-Value lebih kecil dibandingkan taraf nyata (P-Value = 0.035 < α = 0.05) yang memberikan keputusan tolak H0. Hasil keputusan tersebut memberikan kesimpulan bahwa data tingkat kepadatan penduduk beraasal dari distribusi tidak normal.
Metode Uji Normalitas Manakah yang Harus Diambil?
Tergantung pada ruang lingkup metodologi penelitian yang digunakan serta harapan yang diambil dalam penelitian. Terkadang, banyak penelitian yang mengharapkan bahwa data yang digunakan harus berasal dari populasi yang berdistribusi normal dan memenuhi segala asumsi pada metode statistika yang digunakan agar tidak menggunakan penanggulangan yang aneh-aneh. Karena untuk menghindari tebalnya penyusunan laporan penelitian. Biasanya banyak orang menggunakan metode yang memenuhi kriteria yang diinginkan. Namun hal tersebut tidak bisa dijadikan justifikasi selama gambaran umum data yang kita peroleh tidak bisa menggambarkan keadaan yang sesungguhnya dilapangan sehingga harus mengacu pada teori statistika yang ada. Oleh karena itu, beberapa metode uji normalitas digunakan pada situasi-situasi tertentu, terutama pada jumlah sampel yang digunakan, kemencengan (skewness) data, dan keruncingan (kurtosis) data.
Masalah utama data tidak normal disebabkan karena jumlah sampel yang digunakan pada data cukup kecil, yaitu kurang dari 30. Selain itu, adanya data pencilan serta bentuk kemiringan dan keruncingan yang jauh dari bentuk distribusi normal menyebabkan data tidak normal.
Hal penting yang harus diperhatikan selama melakukan uji normalitas adalah melihat hipotesis uji normalitas dari hasil keputusan yang diperoleh. Apabila variabel data berasal dari distribusi normal, maka kita bisa menggunakan pengujian statistika parametrik. Namun, apabila variabel data berasal dari distribusi tidak normal, maka kita bisa melakukan penanggulangan pada variabel data yang tidak normal tersebut. Apabila tidak bisa dilakukan penanggulangan, maka kita hanya bisa menggunakan pengujian statistika nonparametrik agar hasil yang diperoleh sesuai yang diharapkan.
Demikian postingan saya mengenai cara melakukan uji normalitas varibael data dengan menggunakan SPSS. Semoga bermanfaat.
No comments :
Post a Comment
Apabila ada komentar, pertanyaan, maupun tanggapan silahkan kirimkan komentar disini sesuai dengan postingan ini. Jika terdapat isi komentar yang tidak pantas sesuai dengan etika dalam berkomentar di blog, maka komentar tidak akan dipublis. Pertanyaan dan tanggapan akan segera dibalas.