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:
- 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).
- 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)
- Ukuran Lingkar Kepala Bayi (Uji Normalitas / Tidak)
- Jumlah Kematian oleh Pandemi COVID-19 (Uji Normalitas / Tidak)
- Jumlah Denyut Nadi per menit (Uji Normalitas / Tidak)
- 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:
