Penjelasan Lengkap Uji Normalitas Data dan Contoh SPSS

Uji Normalitas Adalah?☑️ Berikut pengertian, rumus, jenis☑️ dan Contoh cara uji normalitas data menggunakan SPSS & Excel☑️

Salah satu metode pengujian sampel dalam ilmu statistika adalah dengan cara Uji Normalitas. Jenis pengujian ini memiliki keunggulan yaitu penyebaran suatu data sampel dapat diketahui dengan baik.

Terdapat 2 metode analisis dalam uji normalitas yaitu Analisis Grafik dan Analisis statistika yang terbagi menjadi 5 metode yaitu, uji Chi Square, Lilliefors, Jarque Bera, Kolmogorov Smirnov, dan Shapiro Wilk.

Dari kelima metode pengujian statistika tersebut, yang paling sering digunakan adalah Shapiro wilk dan Kolmogorov smirnov. Untuk Anda yang hendak melakukan penelitian kuantitatif, menggunakan dua jenis metode tersebut bisa dipertimbangkan. Berikut detail ulasannya.

Pengertian Uji Normalitas

Pengertian uji normalitas adalah metode pengujian statistika yang digunakan untuk menilai sebaran data pada sampel kelompok data (variabel) apakah terdistribusi normal ataukah tidak.

Uji normalitas memiliki fungsi sebagai media uji dalam menentukan apakah model regresi, variabel pengganggu maupun residual terdistribusi normal ataukah tidak.

Dalam ilmu statistika, uji normalitas data adalah teknik yang digunakan untuk menentukan apakah suatu set data berasal dari distribusi normal atau tidak. Sederhananya, uji normalitas adalah proses statistik yang digunakan untuk menguji apakah suatu sampel/ populasi mengikuti distribusi normal atau tidak.

Syarat utama uji normalitas adalah adalah data harus dalam kondisi terdistribusi normal. Data yang terdistribusi normal maksudnya data tersebut memiliki pola persebaran yang simetris dan mengikuti kurva normal.

Distribusi normal sangat penting dalam analisis statistik karena banyak asumsi statistik didasarkan pada distribusi normal. Jika data tidak terdistribusi normal, maka analisis yang didasarkan pada asumsi normalitas mungkin tidak akurat.

Pengujian normalitas data ada banyak macamnya tergantung pendekatan apa yang kita pakai. Jadi tidak hanya satu saja pendekatannya namun dapat disesuaikan dengan kebutuhan metode penelitiannya.

Misalnya untuk data kurang dari dua ratus kita harus menggunakan jenis apa paling efektif ada sendiri. Sehingga kita tidak bisa melakukan generalisasi dan memukul rata mana metode paling tepat.

Oleh karena itu artikel ini ditulis untuk menjelaskan mana saja yang dapat Anda jadikan sebagai opsi. Sehingga pengolahan data nantinya dapat memberikan hasil lebih optimal pada model regresi.

Apakah nantinya memang terjadi sebuah korelasi atau tidak antara satu variabel dengan lainnya. Mari kita belajar bersama di sini sehingga bisa menentukan opsi paling tepat sebagai solusinya.

Menurut konsep ilmu statistika, sebuah variabel data dikatakan terdistribusi normal adalah sampel data yang umumnya memiliki jumlah lebih dari 30 (n>30).

Tetapi jumlah data diatas 30 tersebut perlu dibuktikan kembali apakah memang benar benar sudah terdistribusi normal ataukah belum. Disinilah peran Uji Normalitas Data dibutuhkan untuk kepastian data tersebut.

Pendapat Para Ahli Tentang Definisi Uji Normalitas

Ada beberapa ahli yang mengeluarkan statement berkaitan dengan definisi dari uji normalitas. Berikut ini akan kami cantumkan beberapa sehingga Anda dapat menjadikannya sebagai referensi.

• Ghazali

Merupakan pengujian dalam model regresi apakah sebuah variabel ada ketergantungan dengan lainnya atau tidak. Jika terjadi ketergantungan apakah pendistribusiannya normal atau tidak.

• Dwi prayitno

Hasil pengujian dari sebuah model regresi apakah persebaran error terdistribusi secara normal atau tidak. Jadi kita dapat menentukan korelasi antara satu variabel dengan sebelumnya.

• Sugiono dan susanto

Pengujian yang bertujuan untuk mengetahui apakah populasi sampel tersebut memiliki korelasi atau tidak. Sehingga kita bisa mengetahui persebaran error dalam model regresinya secara normal atau tidak.

• Ajija

Pengujian yang dilakukan untuk menentukan apakah error term mendekati normal atau tidak. Pengujian tersebut berlaku apabila jumlah datanya kurang dari tiga puluh variabel berbeda.

• Danang sunyoto

Menguji data variabel bebas dengan variabel terikat kemudian melihat korelasi antara keduanya. Apakah ada persebaran merata dalam sebuah penelitian atau tidak dari kedua variabelnya.

Apabila kita tarik kesimpulan dari kelima pendapat tersebut maka ini berarti sebuah proses uji untuk melihat seberapa normal persebaran datanya. Jadi peneliti bisa tahu dimana letak error paling absolut yang perlu diperbaiki.

Fungsi dan Tujuan

Setelah mengetahui definisinya akan lebih baik jika kita memahami mengapa penting dilakukan. Berikut ini adalah beberapa fungsi pengujian dalam sebuah penelitian yang dapat dijadikan acuan.

• Mengetahui persebaran data

Meskipun variabel data sudah lebih dari tiga puluh namun belum tentu semua persebarannya secara merata. Oleh karena itu kita wajib melakukan pengujian pada masing-masing variabelnya.

Biasanya banyak peneliti menganggap remeh hanya karena variabel datanya sudah lebih dari tiga puluh. Padahal ketika jumlahnya juga ratusan ketika memang tidak rata persebarannya maka hasilnya juga buruk.

• Validasi asumsi rataan persebaran

Dalam proses penelitian jika jumlah datanya banyak maka peneliti akan menggunakan asumsi rataan persebaran. Untuk membuktikan bahwa semuanya memang rata maka dilakukanlah pengujian.

Adanya rumus dari beberapa pendekatan memungkinkan pengecekan ini dapat dilakukan secara massal. Sehingga kita tidak perlu lagi mengecek satu demi satu karena akan membuang waktu.

• Mengetahui bahwa distribusi data sesuai model parameter

Apabila jumlah pengambilan sampel mencapai ribuan misalnya kita tentu harus melihat apakah semua hasilnya sesuai parameter. Oleh karena itu dilakukanlah pengecekan lebih lanjut.

Ada beberapa pendekatan yang dapat digunakan untuk menyelesaikan permasalahan ini secara lebih sederhana. Jadi nantinya Anda bisa mengerjakan sendiri secara manual. Jadi dari semua fungsi tersebut secara umum adalah untuk melihat seberapa jauh simpangan atau error terjadi.

Kenapa kita harus menggunakan uji normalitas? Menurut Ghozali (2001), disebutkan bahwa Uji T dan Uji F Tabel mengasumsikan bahwa nilai residual harus mengikuti distribusi normal.

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 :

1. Apabila nilai pada signifikasi (disingkat sebagai sig) lebih besar 0,05 dari data yang telah didistribusikan dalam bentuk normal, maka uji kenormalan harus dilakukan.
2. 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:

1. 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.

2. 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 :

• Sampel data bersifat random
• Data berskala interval atau ratio (kuantitatif)
• Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi

Cara Melakukan Interpretasi Uji Shapiro Wilk :

Adapun langkah-langkah untuk melakukan uji ini adalah sebagai berikut:

a. Tentukan hipotesis nol dan alternatif.

b. Hitung statistik uji Shapiro-Wilk.

c. Hitung nilai kritis untuk statistik uji Shapiro-Wilk.

d. Bandingkan nilai kritis dengan nilai statistik uji Shapiro-Wilk yang dihitung.

e. Ambil keputusan apakah hipotesis nol diterima atau ditolak.

Data yang sudah dihitung menggunakan SPSS berarti tinggal diinterpretasi sesuai dengan kebutuhan peneliti. Anda bisa melihat secara rinci terkait dengan metode yang dipakai, apabila menggunakan cara uji normalitas  dengan spss memakai varian Wilk, perhatikan nilai sig yang didapatkan.

Apabila nilainya lebih dari 0,05 maka setiap variabel terdistribusi dengan baik, sehingga didapatkan data yang lebih kredibel. Ia juga menjadi tanda bahwa data yang didapatkan memiliki distribusi yang normal, sehingga bisa menerima variable H0 yang tersedia.

Contohnya ada pada data sampel random masyarakat perokok yang menempati lokasi tertentu. Jadi kita menggunakan banyak sampel tanpa harus melakukan pengolahan tabel distribusi.

3. Uji Normalitas Chi Square

Pengertian dari uji chi square ini sendiri adalah Uji normalitas yang menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.

Metode Chi- Square sering juga dikenal dengan nama ‘Uji Goodness of fit Distribusi Normal’. Untuk menggunakan metode Chi Square ini, ada 2 syarat yang harus dipenuhi, yaitu :

• Jumlah sampel data penelitian memiliki angka angka yang besar diatas tiga puluh (n>30)
• Data sampel tersusun secara berkelompok dalam tabel distribusi frekuensi.

Nah untuk anda yang kebetulan membutuhkan tabel uji Chi Square sebagai refrensi penelitian statistik anda. Silahkan anda download melalui tautan berikut ini : Tabel Chi Square.

4. Uji Normalitas Lilliefors

Selanjutnya adalah metode Lilliefors. Pengertian metode uji Lilliefors adalah uji normalitas yang berdasar pada data mentah (belum diolah dalam tabel distribusi frekuensi).

Prinsip kerja uji  Lilliefors yaitu dengan mentransformasikan data dalam nilai Z untuk dapat dihitung luasan kurva normal sebagai probabilitas komulatif normal. Untuk melakukan pengujian dengan metode ini, ada syarat yang harus dipenuhi yaitu :

• Data bersifat tunggal (belum dikelompokkan pada tabel distribusi frekuensi)
• Sifat data flexibel yakni bisa bernilai kecil dan besar (n>30 atau n<30)
• Data memiliki skala interval atau ratio (kuantitatif)

Pengujian menggunakan metode Lilliefors ini sangat cocok untuk anda gunakan dalam uji hipotesis pada penelitian kuantitatif dengan sampel data yang tidak terlalu besar.

5. Uji Normalitas Jarque Bera

Metode yang terahir adalah Uji Jarque Bera. Pengertian Jarque Bera adalah uji normalitas yang digunakan untuk membuktikan apakah skewness dan kurtosis pada sampel data sesuai dengan tabel distribusi normal ataukah tidak.

Langkah-langkah untuk melakukan uji ini adalah sebagai berikut:

a. Tentukan hipotesis nol dan alternatif.

b. Hitung statistik uji Jarque-Bera.

c. Hitung nilai kritis untuk statistik uji Jarque-Bera.

d. Bandingkan nilai kritis dengan nilai statistik uji Jarque-Bera yang dihitung.

e. Ambil keputusan apakah hipotesis nol diterima atau ditolak.

Metode Jarque Bera merupakan metode uji penelitian jenis goodness of fit test dimana nilai absolut pada parameternya bisa dijadikan dasar pengukuran apakah menyimpang dari distribusi normal ataukah tidak.

Penemu metode Uji Jarque Bera Test adalah dua ilmuwan besar statistika bernama Anil K. Bera dan Carlos Jarque. Metode ini seringkali digunakan dalam pengujian dengan variabel Residual hasil dari Uji Regresi Linear.

6. Analisis Grafik

Metode pengujian grafik adalah jenis metode uji normalitas yang fokus pada pengujian penyebaran data pada sumber diagonal grafik normal P-P Plot of Regression Standardized Residual.

Menurut Ghozali (2001), dasar pengambilan keputusan pada Analisis Grafik ada dua, yaitu :

• Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal/ grafik histogram, maka data tersebut tidak menunjukkan pola terdistribusi normal sehingga model regresi tidak memenuhi asumsi normalitas.
• Jika data menyebar disekitar garis diagonal atau grafik histogram, maka data tersebut menunjukkan pola terdistribusi normal sehingga model regresi memenuhi asumsi normalitas.

Sehingga kesimpulannya, data pada uji grafik ini dinyatakan telah terdistribusi normal ketika sebaran titik-titik berada disekitar garis dan mengikuti garis diagonal. Kelebihan dari metode grafik ini adalah cara pengujiannya yang sederhana.

Rumus dan Pengujian Normalitas

Kita dapat menggunakan rumus umum berikut ini guna melakukan perhitungannya.

Dimana,

• X² = Nilai X²
• O_i = Nilai observasi data
• E_i = luasan interval datanya
• E_i = pi x N
• N = total frekuensi pada keseluruhan datanya

Langkah Langkah Pengujian:

• Menentukan hipotesis nol (H0) dan hipotesis alternatif (Ha). H0 adalah asumsi bahwa data terdistribusi normal, sedangkan Ha adalah asumsi bahwa data tidak terdistribusi normal.
• Mengumpulkan data dan mengecek kecenderungan data. Anda bisa menggunakan histogram atau grafik lainnya untuk melihat bentuk distribusi data.
• Mengecek skewness dan kurtosis data. Skewness menggambarkan seberapa jauh rata-rata data dari median, sedangkan kurtosis menggambarkan seberapa banyak data berada di ekor distribusi.
• Menjalankan uji normalitas. Anda bisa menggunakan salah satu dari tiga uji yang telah disebutkan sebelumnya, atau yang lainnya sesuai dengan kebutuhan dan preferensi Anda.
• Menafsirkan hasil uji. Jika nilai p dari uji normalitas lebih besar dari alpha (tingkat signifikansi yang telah ditetapkan), maka H0 diterima, yang berarti data terdistribusi normal.
• Jika nilai p kurang dari alpha, maka H0 ditolak, yang berarti data tidak terdistribusi normal.

Cara Uji Normalitas dengan SPSS

[embedyt] https://www.youtube.com/watch?v=A06TYh6_Zu8[/embedyt]

Sumber : Channel Semesta Psikometrika

Untuk melakukan perhitungan, Anda tentunya harus memilih apakah hendak menggunakan uji normalitas Kolmogorov smirnov atau Shapiro Wilk. Jika sudah menentukan salah satunya, persiapkan aplikasi SPSS, kemudian masukkan data yang hendak dihitung.

Setelah semua data berhasil dimasukkan, Anda bisa mengisi variabel dan memilih beberapa fitur menu yang tersedia, diantaranya analisis, statistic deskriptif dan eksplor data. Berikutnya masukkan variabel ke dalam dependent list, lanjutkan dengan memilih kotak factor list yang tersedia disana. Langkah selanjutnya adalah berikut ini:

1. Pilih menu Plots, kemudian centang steam and leaf, histogram, serta normality pada plots with test.
2. Lanjutkan dengan menekan menu OK untuk melakukan perhitungan.
3. Akan muncul output hasil dari rumus yang sudah Anda masukkan. Dari output tersebut, Anda bisa mengambil data yang telah sesuai dengan proses perhitungan.

Proses perhitungan berhasil dilakukan jika sudah muncul gambar, diagram, maupun tabel dari data variabel yang telah didapatkan. Anda bisa membaca data tersebut, kemudian membandingkannya dengan output yang dihitung dengan perhitungan manual.

Cara Uji Normalitas dengan Excel

Setelah sebelumnya kami paparkan ulasan mengenai cara uji normalitas menggunakan SPSS, berikut kami lengkapi informasinya dengan menghadirkan tutorial bagaimana cara menghitung uji normalitas menggunakan excel. Langsung saja simak videonya berikut ini.

[embedyt] https://www.youtube.com/watch?v=4is9AOuwJBE[/embedyt]

Sumber : Channel Roni Setiawan

Langkah Pengujian :

1. Langkah pertama inputkan data Xi pada kolom yang tersedia.
2. Selanjutnya inputkan juga nilai Fkum (rank dari Xi)
3. Mencari nilai Fs (Xi) dengan rumus Fs(Xi)=Fkum/n. n Disini merupakan jumlah banyaknya data.
4. Cari nilai Xbar (rata rata) dan simpangan baku (S)
5. Selanjutnya kita cari nilai Fs(Xi) dengan rumus (Xi-Xbar)/S
6. Lanjutkan dengan mencari Ft(Xi) dengan rumus excel =NORMSDIST(Dsesuai kolom)
7. Hitung nilai Fs(Xi)-FT(Xi)
8. Selanjutnya kita mutlakan nilai Fs(Xi)-Ft(Xi) dengan rumus excel =ABS{number}
9. Langkah terahir kita tinggal mencari nilai ,akz yang berada pada kolom |Fs(Xi)-Ft(Xi)|

Itulah penjelasan dari wiki elektronika mengenai uji normalitas spss yang sering digunakan dengan tujuan memperoleh data sampel penelitian yang valid dan kredibel.

Semoga informasi mengenai uji normalitas tersebut dapat membantu Anda sebagai peneliti yang sedang melakukan penelitian kuantitatif atau penelitian yang menggunakan uji data tersebut, sehingga data dan hasil penelitian yang digunakan bisa dipertanggung jawabkan kebenarannya.