Uji Normalitas Data Dengan SPSS

Mengapa Data Harus Berdistribusi Normal? karena kalau data di penelitian anda itu mensyaratkan adanya varian yang homogen dari suatu populasi dan menghindari data Outlier (data observasi yang muncul dengan nilai-nilai ekstrim, ekstrim bawah atau ekstrim atas), contohnya: 

1. Tinggi Badan Akademi Militer, mengapa? karena untuk masuk di Akademi Militer harus ada syarat tinggi badan lolos adalah 165 cm keatas berarti dibawah itu gagal (Data Outlier) sehingga yang masuk rata-rata tingginya antara 165-170 misalnya dan artinya datanya itu homogen (sama).
   
2. IPK mahasiswa, mengapa? karena agar mahasiswa agar lulus dan tidak DO IPK nya harus > 2,8 misalnya, artinya jika dibawah itu mahasiswa tersebut DO (data < 2,8 itu data outlier). Sehingga data IPK mahasiswa itu homogen karena antara > 2,8-3,5.

Jika sudah tahu contoh diatas boleh kita ujicoba apakah anda tahu data-data ini harus berdistribusi normal atau tidak? (Silahkan komen dibawah beserta alasannya)

1. Ukuran Lingkar Kepala Bayi (Uji Normalitas / Tidak)
2. Jumlah Kematian oleh Pandemi COVID-19 (Uji Normalitas / Tidak)
3. Jumlah Denyut Nadi per menit (Uji Normalitas / Tidak)
4. Waktu Pembuatan & Penyajian Jus/Bakso/Bakpia (Uji Normalitas / Tidak)

Jika sudah tahu data anda memiliki sifat Homogen dan menghindari Outlier berarti anda sudah benar harus menguji data tersebut dengan uji normalitas.

Uji Normalitas dapat digambarkan dengan grafik seperti lonceng karena distribusi normal mensyaratkan ada data-data yang homogen paling signifikan mendekati nilai rata-rata.

Berikut adalah tahap-tahap Uji Normalitas SPSS, Contoh kasus Ukuran Lingkar Kepala Bayi Download Data Disini

• Klik Variable View, Isikan variable ukuran kepala dan jenis kelamin

 

• Klik Data View, Isikan data ukuran kepala dan jenis kelamin

• Klik Analyze > Descriptive Statistics > Explore

 

• Masukkan variabel pengujian (Ukuran Kepala) ke kolom Dependent List, Catatan: Anda dapat memasukkan beberapa variabel sekaligus di Dependent List untuk menguji normalitas masing-masing variabel, misalnya uji normalitas 2 variabel atau 3 variabel. Masukkan Jenis Kelamin ke Factor List.

• Klik Statistics, berikan tanda centang pada Descriptive lalu klik Continue
  

• Klik Plots, berikan tanda centang pada Stem and Leaf, Histogram, Normality Plot with Test lalu klik Continue

• Lalu Klik OK
• Klik Test of Normality

 Interpretasi hasil:

Nilai signifikansi (p) pada uji Kolmogorov-Smirnov adalah 0.2 ( p > 0.05), sehingga berdasarkan uji normalitas Kolomogorov-Smirnov data berdistribusi normal. Nilai signifikansi (p) pada uji Shapiro-Wilk adalah 0.299 dan 0,205 ( p > 0.05), sehingga berdasarkan uji normalitas Shapiro-Wilk data berdistribusi normal.

Metode shapiro wilk adalah metode uji normalitas yang efektif dan valid digunakan untuk sampel berjumlah kecil dan uji Kolmogorov-Smirnov cocok untuk ukuran data > 30. Sehingga hasil data diatas karena berjumlah 20 maka dapat digunakan pada output Shapiro-Wilk.

Jika belum jelas, silahkan tonton video dibawah ini:

Metode Mengukur Indikator Saham Terbaik

Dalam membeli saham seseorang membutuhkan analisa data dengan suatu indikator. Biasanya metode ini disebut technical analysis. Nah indikator tersebut yang akan membantu investor dalam membeli atau menjual saham. Tetapi banyak sekali indikator didalam saham seperti Trend, Oscilator / Momentum, Volatility dan Volume Indikator.

Untuk membantu hal tersebut ada suatu matrix yang membandingkan data aktual (kondisi yang sebenarnya) dengan data prediksi yang disebut dengan Confusion Matrix. Berdasarkan Confusion Matrix, kita bisa menentukan Accuracy, Precission, Recall dan Specificity suatu saham. Mari kita coba...

Didalam Confusion Matrix ada istilah True Positive, True Negative, False Positive dan False Negative.

True Positive : Ketika Kondisi Aktual Saham Naik dan Prediksi Saham Naik.

True Negative : Ketika Kondisi Aktual Saham Turun dan Prediksi Turun.

False Positive : Ketika Kondisi Aktual Saham Turun dan Prediksi Naik.

False Negative : Ketika Kondisi Aktual Saham Naik dan Prediksi Turun.

Maksudnya apa?

Misalnya indikator yang digunakan adalah stochastic. Pada kasus stochastic, suatu saham naik jika garis biru berada diatas garis merah dan suatu saham turun jika garis merah berada diatas garis biru. Seperti gambar berikut :

Kemudian kita implementasikan dengan membuat matrixnya:

True Positive : Data Aktual Saham Tanggal 24 Mei 2021 menunjukkan naik dan Prediksi Grafik Stochastik menunjukkan naik.

True Negative : Data Aktual Saham Tanggal 28 Mei 2021 menunjukkan turun dan Prediksi Grafik Stochastik menunjukkan turun.

False Positive : Data Aktual Saham Tanggal 29 April 2021 menunjukkan turun namun Prediksi Grafik Stochastik menunjukkan naik.

False Negative : Data Aktual Saham Tanggal 31 Mei 2021 menunjukkan naik dan Prediksi Grafik Stochastik menunjukkan turun.

Sekarang kita hitung True Positive, True Negative, False Positive, dan False Negative. kemudian hitung Accuracy, Precission, Recall dan Specificity. 

 

Contoh:	TP	TN	FP	FN
8	1
9	1
12		1
13		1
14	1
15			1
16		1
19	1
20	1
21	1
TOTAL	6	3	1	0

  

AKURASI	(TP +TN)/(TP+TN+FP+FN)	90%
PRECISSION	(TP)/(TP+FP)	86%
RECALL	(TP)/(TP+FN)	100%
SPECIFICITY	(TN)/(TN+FP)	75%

Kesimpulan:

% Saham Benar Diprediksi Naik & Turun = 90%
% Saham Benar Naik Dari Saham yang Dibandingkan Dengan yang Diprediksi Naik = 86%

% Saham Benar Diprediksi Naik / Saham yang Sebenarnya Naik = 100%

% Saham Benar Diprediksi Turun / Saham yang Sebenarnya Turun = 75%

 

Artinya dengan Stochastic Indikator bahwa indikator ini tepat memprediksi saham itu naik 100% tapi untuk memprediksi saham itu sebenarnya turun sebesar 75%. Namun secara akurasi prediksi kekuatannya adalah 90%.

 

Jika penjelasan kurang jelas, silahkan temen-temen bisa nonton di video youtube dibawah ini: