Uji Asumsi Normalitas dengan SPSS

Ketika kita hendak melakukan analisis statistik parametrik, kita perlu melakukan verifikasi asumsi normalitas. Jadi sebelum dilakukan analisis statistik, seperti analisis korelasi Pearson, regresi, t-test, atau anova, terlebih dahulu data kita harus diuji apakah normal atau tidak. Uji Normalitas dilakukan untuk memastikan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Pada dasarnya distribusi normal merupakan suatu distribusi yang menunjukkan sebaran data yang seimbang yang sebagian besar data adalah mendekati nilai mean. Kalau digambarkan dengan histrogram, akan menyerupai bentuk lonceng.

Ada beberapa cara untuk menguji normalitas data, baik itu dengan visual maupun dengan analisis statistik seperti shapiro-wilk dan kolmogorov-smirnov. Analisis visual dapat dilakukan dengan menampilkan histogram, boxplot, dan Q-Q plot. Sementara analisis statistik dapat dilakukan dengan Kolmogorov-Smirnov dan Shapiro-Wilk. Berikut adalah cara uji normalitas dengan SPSS. Untuk data analisis ini dapat di download disini

Cara melakukan uji normalitas dengan SPSS

Ada beberapa metode yang bisa dipakai untuk menguji normalitas. Seperti dengan Q-Q plot, boxplot, histogram, Kolmogorov-Smirnov, dan Shapiro-Wilk. Cara untuk analisis di SPSS adalah sebagai berikut

1.    Analyze – descriptive statistics – explore

2.    Masukkan variabel agresivitas ke dependent list

3.    Klik plot, lalu centang histogram dan normality plots with test

4.    Klik continue, lalu OK

Maka akan keluar output sebagai berupa visual (histogram, boxplot, dan Q-Q plot) dan analisis statistik (Kolmogorov-Smirnov dan Shapiro-Wilk). Berikut ini output dari uji normalitas beserta penjelasannya.

Histogram

Gambar di atas merupakan output histogram dari data kita. Jika kita amati, bentuk histogram di atas sudah menggambarkan data yang normal. Sebaran data seimbang dan sebagian besar data adalah mendekati titik tengah atau nilai mean. Namun kelemahan dari histogram ini adalah penilaiannya subjektif. Bentuk histogram menyerupai distribusi normal atau tidak hanya ditentukan oleh judgement peneliti. Oleh karena itu perlu diperkuat oleh uji normalitas yang lain.

Q-Q Plot

Gambar tersebut menampilkan penyimpangan data dari normal. Semakin sedikit titik yang menjauhi garis, berarti data semakin normal. Dilihat dari gambar tersebut, sekilas terlihat bahwa data mendekati garis normal.

Boxplot

Dari gambar di atas sekilas terlihat bahwa data simetris, sehingga terlihat normal.

Kolmogorov-smirnov dan Shapiro-wilk

Cara lain untuk menguji apakah distribusi data kita normal atau tidak adalah dengan analisis statistik menggunakan Kolmogorov-smirnov dan Shapiro—wilk. Keduanya membandikan distribusi data kita dengan distribusi data normal dengan mean dan SD yang sama. Jika test menunjukkan hasil signifikan (p<0,05), maka data kita tidak normal. Namun jika test menunjukkan hasil yang tidak signifikan (p>0,05), maka tidak ada perbedaan antara data kita dengan data normal idealnya, dengan kata lain data kita normal. Dari hasil output analisis kita tadi didapat hasil sebagai berikut.

Jika kita lihat nilai signifikansi antara kedua test (Kologorov-smirnov dan Shapiro-wilk) keduanya menunjukkan hasil yang tidak signifikan (sig>0,05), dengan demikian kita dapat simpulkan bahwa data kita terdistribusi normal.

Pilih Kolmogorv-smirnov atau Shapiro-wilk?

Pertanyaan ini sering terucap manakala hasil kedua test tersebut berbeda, mana yang harus saya pakai. Prinsipnya kedua tes ini sama-sama sensitif dengan jumlah sampel. Beberapa ahli menyarankan jika sampel kita kecil (kurang dari 50) kita bisa menggunakan Shapiro-Wilk. Namun jika sampel kita besar (lebih dari 50) kita bisa menggunakan Kolmogorov-Smirnov. Meskipun demikian ini bukan patokan mutlak. Yap dan Sim (2011) menyatakan dari beberapa teknik statistik untuk menguji normalitas, Shapiro-wilk merupakan teknik yang paling powerful. Bahkan di beberapa software statististik tidak menyediakan Kolmogorov-Smirnov untuk uji normalitas.

Jika kita lihat, sekilas lebih objektif untuk menilai apakah distribusi data kita normal atau tidak. Namun bukan berarti kedua test ini tanpa kelemahan. Field (2009) menyatakan bahwa baik Kologorov-smirnov maupun Shapiro-wilk sangat sensitif terhadap jumlah sampel. Jika sampel yang digunakan besar, ada kecenderungan hasil statistik keduanya selalu signifikan, yang berarti diartikan data kita tidak normal. Jadi penyimpulan normalitas data menggunakan signifikansi juga bias jika dilakukan pada data dalam jumlah besar.

Trus bagaimana?

Jadi untuk menilai data kita normal atau tidak, tidak cukup dengan satu cara. Jika sampel kita kecil, mungkin dengan analisis statistik (Kologorov-smirnov dan Shapiro-wilk) cukup membantu. Namun jika sampel kita besar Kologorov-smirnov dan Shapiro-wilk akan bias, oleh karenanya metode visual (histogram, boxplot, dan Q-Q plot) bisa digunakan. Oleh karena itu kombinasi penggunaan analisis statistik dan metode visual untuk menguji normalitas data diperlukan. Jangan terlalu percaya dengan hasil analisis Kologorov-smirnov dan Shapiro-wilk jika data kita banyak. Tapi kalau memang dari analisis dengan metode visual dan analisis statistik terlihat data memang tidak normal, bisa dilakukan cara-cara berikut.

Catatan penting!

Beberapa orang menguji normalitas dengan Kolmogorov-Smirnov melalui menu nonparametric test, bukan melalui menu explore. Jika kita menggunakan SPSS versi 22 ke atas, hasilnya akan sama saja. Namun jika kita menggunakan SPSS versi lama (20 ke bawah), maka akan ada perbedaan. Analisis melalui menu nonparametric test di SPSS versi lama hasilnya belum dilakukan koreksi Lilliefors, oleh karena itu sebenarnya kurang tepat jika kita menguji normalitas dengan SPSS versi lama melalui menu nonparametric test. Beberapa catatan penting mengenai uji normalitas, terutama jika data tidak normal dapat dilihat di artikel ini

Referensi:

Field, A. P. (2009). Discovering statistics using SPSS: (and sex, drugs and rock “n” roll) (3rd ed). Los Angeles: SAGE Publications.

B. W. Yap & C. H. Sim (2011) Comparisons of various types of normality tests, Journal of Statistical Computation and Simulation, 81:12, 2141-2155, DOI:10.1080/00949655.2010.520163

Author : Hanif Akhtar

Mahasiswa PhD di ELTE, Hungaria. Dosen Psikologi di UMM, Indonesia.

Share this

Related Posts