CARA UJI NORMALITAS DATA

Kali ini kita akan bahas salah satu asumsi yang sering menjadai kriteria yang harus dipenuhi pada saat melakukan analisis kuantitatif, yakni asumsi normalitas data. Asumsi normalitas merupakan salah satu dari asumsi klasik yang harus dipenuhi jika kita melakukan analisis kuantitatif seperti analisis regresi. Selain Analisis regresi, ANOVA serta beberapa metode analisis lain juga mensyaratkan asumsi normalitas pada data penelitiannya. Normalitas diperlukan karena pada pengujian statistik kita sering menggunakan distribusi teoritis tertentu seperti distribusi F atau t-student, dimana distribusi tersebut diturunkan dari distribusi normal.

Untuk melakukan pengujian normalitas data, ada beberapa alternatif teknik yang bisa dilakukan, diantaranya

NORMAL PROBABILITY PLOT

Salah satu cara yang dilakukan adalah melalui normal probability plot. Normal probability plot menyajikan informasi kedekatan/ kemiripan suatu sebaran data empiris dengan suatu distribusi teoritis (distribusi normal).

Pada gambar Normal probability plot, garis lurus diagonal menunjukan sebaran data distribusi teoritis (normal), sedangkan plot data empirisnya akan berada disekitar garis lurus tersebut. Jika set data yang akan diuji benar-benar memiliki sebaran data normal yang sempurna, maka plot data tersebut berada tepat pada garis lurus diagonal. Semakin jauh plot data dengan garis diagonal, maka data tersebut semkin jauh dari distribusi normal. Tentu saja cara uji normalitas ini sangat bersifat subyektif karena berdasarkan visualisasi gambar belaka, tp boleh dicoba juga cara ini.

UJI KOLMOGOROV SMIRNOV

Uji normalitas data yang lain yaitu menggunakan uji Kolmogorov-Smirnov. uji ini biasa digunakan untuk memutuskan apakah sampel/ data berasal dari populasi dengan distribusi spesifik/tertentu, tetapi pada implementasinya sering digunakan untuk pengujian distribusi normal. Hipotesis pada pengujian ini adalah:

Ho: Data mengikuti distribusi yang ditetapkan (normal)
Ha: Data tidak mengikuti distribusi yang ditetapkan (normal)
Kesimpulan yang diambil adalah kita akan menolak hipotesisi Ho jika signifikansi uji kurang dari tingkat kesalahan (biasanya 0,05).
Salah satu software yang bisa digunakan untuk uji ini adalah SPSS, yaitu pada menu analyze-non parametric test-1 sample KS. Uji normalitas dengan cara ini termasuk cara pengujian yang paling populer. Uji Kolmogorov-Smirnov ini juga dipandang lebih obyektif dibandingkan dengan menggunakan normal probability plot.

KEMENCENGAN DAN KERUNCINGAN (SKEWNESS-KURTOSIS)

Salah satu pengujian normalitas data yang lain yaitu dengan kriteria skewness dan kurtosis. Uji normalitas dengan Skewness dan Kurtosis memberikan kelebihan tersendiri, yaitu bahwa akan diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar atau mengumpul di tengah. Skewness merupakan ukuran untuk mengetahui kemencengan dsitribusi suatu data, apakah simetri, menceng kiri atau menceng ke kanan, sedangkan kurtosis merupakan ukuran tingkat keruncingan dari distribusi suatu data.
Nilai skewness dan kurtosis dapat dicari salah satunya dengan program SPSS, dalam program tersebut juga bisa diperoleh standar eror dari skewness dan standar eror kurtosis. kemudian kita hitung nilai Zskewness= Skewness/ standar eror skewness, dan Zkurtosis= Kurtosis/ Standar eror kurtosis. Untuk memenuhi kriteria distribusi normal, maka nilai Zskewness dan Zkurtosis harus berada pada selang -1,96 sampai 1,96 (pada tingkat kesalahan 0,05)