√ Penjelasan Lengkap Uji Normalitas Data dan Contoh SPSS

Ditambah lagi dengan adanya teori menurut Widarjono (2010) yang menyatakan bahwa uji T untuk melihat signifikansi variabel independen terhadap variabel dependen tidak bisa diaplikasikan jika residual tidak mempunyai distribusi normal.

Kedua teori tersebut yang menjadi landasan dasar kenapa kita membutuhkan uji normalitas pada sebaran data variabel.

Kapan uji normalitas perlu dilakukan ? Menurut teori dari Iqbal (2016), dinyatakan bahwa pada beberapa metode uji statistika, penggunaan distribusi normal bagi sebuah data merupakan sebuah kewajiban / keharusan, walaupun bagi beberapa metode lainnya tidak dibutuhkan.

Salah satu yang menjadi keharusan sebuah data residual (bukan variabel) terdistribusi normal adalah dalam regresi linier (dengan OLS) dimana salah satu asumsi klasik (dalam regresi linier) mengharuskan residual model terdistribusi normal.

Dasar Melakukan Pengambilan Keputusan Menggunakan Uji Normalitas :

Uji normalitas adalah uji yang dilakukan sebagai syarat suatu analisis data boleh dilakukan, terutama jika Anda hendak melakukan pengujian asumsi klasik.

Jadi sebelum proses perhitungan dilakukan, Anda sebagai peneliti harus melakukan uji kenormalan terlebih dahulu pada data penelitian, sehingga distribusi data sesuai dengan acuan rumusnya.

Terdapat dasar pengambilan keputusan dalam metode ini, untuk lebih mudah dalam memahaminya, baca dengan seksama dua point dibawah ini :

Apabila nilai pada signifikasi (disingkat sebagai sig) lebih besar 0,05 dari data yang telah didistribusikan dalam bentuk normal, maka uji kenormalan harus dilakukan.
Hal sebaliknya juga berlaku, apabila nilai signifikasi ditemukan lebih kecil, maka data penelitian tidak didistribusikan secara normal. Nantinya ini mewajibkan Anda untuk melakukan perhitungan uji normalitas spss.

Metode Analisis Uji Normalitas

Ketika hendak menggunakan uji normalitas pada sampel penelitian, Anda bisa menggunakan dua varian metode pengujian yakni dengan Analisis Grafik dan Analisis statistika.

Untuk analisis statistika sendiri terbagi menjadi lima yakni analisis Chi Square, Lilliefors, Jarque Bera, Kolmogorov Smirnov, dan Shapiro Wilk. Untuk membedakan masing masing metode analisis statistika tersebut, berikut kami ulas cara mendeteksi residual berdistribusi normal ataukah tidak:

Uji Normalitas Kolmogorov Smirnov (K-Test)

Metode Kolmogorov Smirnov Merupakan uji normalitas yang paling banyak dipakai, sebab memberikan perhitungan yang sederhana dan hasil yang cukup akurat. Namun metode yang satu ini memiliki kelemahan, dimana ia memiiki handal dan reliable jika sampel yang digunakan diatas angka 200.

Jadi, uji normalitas data Kolmogorov cocok digunakan untuk penelitian kuantitatisf yang memiliki banyak sampel. Dengan begitu, data dapat terinci dengan baik dan terhitung secara sempurna menggunakan rumus yang dimiliki.

Penggunaan metode Kolmogorov Smirnov ini memiliki 3 syarat sampel data, yaitu :

Data sampel flexibel, yakni bisa untuk n besar maupun n kecil.
Data berskala interval atau ratio (kuantitatif)
Data tunggal/ belum dikelompokkan pada tabel distribusi frekuensi

Cara Melakukan Interpretasi Uji Kolmogorov Smirnov :

Langkah-langkah untuk melakukan uji ini adalah sebagai berikut:

a. Tentukan hipotesis nol dan alternatif.

b. Hitung statistik uji K-S.

c. Hitung nilai kritis untuk statistik uji K-S.

d. Bandingkan nilai kritis dengan nilai statistik uji K-S yang dihitung.

e. Ambil keputusan apakah hipotesis nol diterima atau ditolak.

Pengujian yang satu ini merupakan pengolahan data distribusi tabel frekuensi menggunakan tabel pembanding berbeda. Sehingga digunakan dua populasi pengambilan datanya agar dapat kita bandingkan.

Contohnya ada pada penelitian data berskala kuantitatif seperti berapa rata-rata tinggi badan pria di lokasi A. Bisa juga berapa jumlah kekayaan rata-rata masyarakat daerah tertentu.

Untuk melakukan interpretasi pada metode Kolmogorov, caranya serupa dengan Shapiro Wilk, yakni dengan melihat nilai sig yang terdapat pada diagram atau tabel yang telah selesai dihitung. Apabila nilainya lebih dari 0,200 maka semua variabel telah terdistribusi dengan baik.

Namun, jika nilainya kurang dari 0,200 maka kemungkinan data yang didapatkan tidak terdistribusi dengan baik. Untuk membuat nilainya normal sesuai dengan H0, maka Anda sebaiknya menggunakan jenis yang berbeda.

Uji Normalitas Shapiro Wilk

Berbeda dengan Kolmogorov, uji Shapiro Wilk lebih cocok digunakan untuk penelitian kuantitatif yang memiliki sedikit sampel. Uji Shapiro Wilk merupakan adaptasi dan bentuk pengembangan dari uji Kolmogorov, sehingga ia bisa memberikan perhitungan yang lebih akurat untuk sampel dibawah 200.

Kedua data tersebut dapat dihitung menggunakan aplikasi SPSS menggunakan fitur eksplore. Anda bisa mulai mencoba melakukan perhitungan ketika sudah menentukan pilihan variabel dan sampel yang hendak dihitung.

Penggunaan metode Shapiro Wilk ini memiliki 3 syarat sampel data, yaitu :