Analisis Data 2 - Uji Normalitas, Homogenitas, dan Outlier

Data yang digunakan pada project kali ini, terdiri dari dua macam data. Dua macam data
tersebut merupakan data hasil simulasi dan data HBAT.SAV yang mengandung data univariat
dan multivariat. Pada kedua data tersebut dilakukan uji normalitas data, homogenitas, serta
deteksi outlier. Berikut adalah hasil analisis yang dilakukan dengan
menggunakan software MINITAB, SPSS, SAS, dan R.
1. Data Hasil Simulasi
1.1 Uji Normalitas Data
Jumlah data yang digunakan untuk proses simulasi, yaitu sebanyak 130 data (untuk data
univariat). Sedangkan untuk data multivariat digunakan 390 data. Pada data univariat
digunakan delapan uji normalitas, antara lain Kolmogorov-Smirnov, Shapiro-Wilk, Anderson
Darling, Cramer-von Mises, Pearson Chi-square, Shapiro-Francia, serta Lilliefors. Selain itu, uji
normalitas pun dapat dilakukan dengan analisis nilai skewness dan kurtosis yang dihasilkan.
Berikut adalah hasil analisis pada keempat software :
a. Data Univariat
Jumlah data yang digunakan untuk proses simulasi, yaitu sebanyak 130 data (untuk data
univariat). Hipotesis yang digunakan untuk uji normalitas tersebut, yaitu :
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Dengan menggunakan nilai alpha 5%, maka keputusan gagal tolak H0 akan terjadi saat P-value >
0,05. Berikut adalah hasil analisis pada keempat software :
Tabel 1 Hasil Uji Normalitas Data Hasil Simulasi (n = 130)
P-Value yang dihasilkan
Jenis Uji Normal
MINITAB SPSS SAS R
Kolmogorov-Smirnov >0,1* 0,200* >0,15* -
Shapiro-Wilk >0,1* 0,341* 0,3406* 0,3405*
Anderson Darling 0,26* - >0,25* 0,2604*
Cramer-von Mises - - >0,25* 0,3524*
Pearson Chi-square - - - 0,2722*
Shapiro-Francia - - - 0,2782*
Lilliefors - - - 0,312*
Tabel 1 menunjukkan bahwa data berdistribusi normal berdasarkan pengolahan dengan
menggunakan software MINITAB, SPSS, SAS, dan R. Hal tersebut terbukti dari P-value yang
dihasilkan lebih dari 0,005. Berdasarkan P-value yang dihasilkan, tampak bahwa nilai yang
muncul pada software R memilki tingkat ketelitian yang tinggi jika dibandingkan dengan tiga
jenis software lainnya.
Uji normalitas selanjutnya yang dapat digunakan, yaitu melalui nilai skewness dan
kurtosis. Berikut adalah hasil olahan software MINITAB, SPSS, SAS, dan R dalam menampilkan
nilai-nilai tersebut :
Tabel 2 Hasil Uji Normalitas Data Hasil Simulasi Berdasar Nilai Skewness dan Kurtosis
MINITAB SPSS SAS R
Skewness 0,04 0,043 0.04328652 0,0428
Kurtosis -0,15 -0,146 -0.1461336 2,8136
Tabel 2 menampilkan hasil analisis kenormalan data dengan memperhatikan
nilai skewness dan kurtosis. Berdasar nilai-nilai tersebut dapat diketahui bahwa data tidak
berdistribusi normal secara utuh. Hal tersebut dapat dilihat dari tidak adanya nilai skewness dan
kurtosis yang sama dengan 3.
Nilai skewness menampilkan angka mendekati 0,04. Kondisi tersebut mengartikan
bahwa data berbentuk kurva yang miring ke kanan. Sedangkan nilai kurtosis yang dihasilkan,
yaitu mendekati -0,15. Dengan demikian, maka menggambarkan bahwa kurva yang terbentuk
merupakan jenis plakurtik.
Selanjutnya, uji normalitas data hasil simulasi dilakukan dengan menambahkan
data outlier sebanyak dua, empat, dan enam. Berikut adalah P-value yang dihasilkan pada
empat software berbeda :
Tabel 3 Hasil Uji Normalitas Data Hasil Simulasi dengan Penambahan Data Outlier
Jumlah P-value yang dihasilkan
Jenis Uji Normal
DataOutlier MINITAB SPSS SAS R
Kolmogorov-Smirnov <0,01 0,001 <0,01 -
Shapiro-Wilk <0,01 0,000 <0,0001 1,523e-11
Anderson Darling <0,005 - <0,005 2,955e-07
2 Cramer-von Mises - - <0,005 0,0001077
Pearson Chi-square - - - 0,004392
Shapiro-Francia - - - 1,215e-10
Lilliefors - - - 0,001275
Kolmogorov-Smirnov <0,01 0,000 <0,01 -
Shapiro-Wilk <0.01 0,000 <0,0001 9,52e-13
Anderson Darling <0,005 - <0,005 1,094e-12
4 Cramer-von Mises - - <0,005 5,424e-08
Pearson Chi-square - - - 5,656e-05
Shapiro-Francia - - - 1,516e-11
Lilliefors - - - 2,5e-07
Kolmogorov-Smirnov <0,01 0,000 <0,01 -
Shapiro-Wilk <0,01 0,000 <0,0001 3,86e-14
Anderson Darling <0,005 - <0,005 <2,2e-16
6 Cramer-von Mises - - <0,005 3,961e-10
Pearson Chi-square - - - 3,764e-08
Shapiro-Francia - - - 1,396e-12
Lilliefors - - - 9,155e-12
Tabel 3 menunjukkan bahwa data hasil simulasi yang telah ditambahkan data outlier tidak
berdistribusi normal. Hal tersebut terjadi pada semua sotware. P-value yang dihasilkan oleh
MINITAB, SPSS, SAS dan R kurang dari nilai alpha (0,05).
b. Data Multivariat
Hipotesis yang digunakan untuk analisis data multivariat ini, yaitu :
H0 : Data berdistribusi multinormal
H1 : Data tidak berdistribusi multinormal
Dengan menggunakan nilai alpha 5%, maka keputusan gagal tolak H0 akan terjadi saat P-value >
0,05.
Tabel 4 Hasil Uji Normalitas Data Multivariat Hasil Simulasi (n = 130, g=3)
P-value yang
Jenis Uji Normal Dihasilkan
MINITAB R
qq-plot 0.584615* -
Shapiro-Wilk - 0.15*
*
Data berdistribusi normal multivariate
 Berdasarkan Tabel 3, dapat diketahui bahwa data multivariate hasil simulasi berdistribusi
normal multivariate. Hal tersebut terjadi untuk semua uji normalitas multivariate dengan nilai p-
value lebih dari 0.05.

1.2 Deteksi Outlier

a. Data Univariat
Deteksi outlier digunakan untuk mengetahui pada nilai berapa data tersebut di luar batas
kendali. Berikut adalah hasil analisis deteksi outlier dengan menggunakan software R :
Tabel 4 Deteksi Outlier Data Univariat Hasil Simulasi
Jumlah
X-squared P-Value Nilai Outlier Keterangan
DataOutlier
2 40,333 2,142e-10 -9,00743 Nilai terkecil
4 30,2829 3,734e-08 -9,0074 Nilai terkecil
6 23,3144 1,376e-06 11,8789 Nilai terbesar

2 Data HBAT.SAV
2.1 Uji Normalitas Data
Jumlah data yang digunakan untuk proses simulasi, yaitu sebanyak 100 data (untuk data
univariat). Hipotesis yang digunakan untuk uji normalitas tersebut, yaitu :
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Dengan menggunakan nilai alpha 5%, maka keputusan gagal tolak H0 akan terjadi saat P-value >
0,05. Berikut adalah hasil analisis pada keempat software :
a. Data Univariat
Tabel 5 Hasil Uji Normalitas Data HBAT.SAV
P-value yang Dihasilkan
Variabel Uji Normalitas
MINITAB SPSS SAS R
Kolmogorov-Smirnov 0,036 0,005 <0,01 -
Shapiro-Wilk <0,010 0,001 0,0008 0,0007953
Anderson Darling <0,005 - <0,005 0,0005841
X6 Cramer-von Mises - - <0,005 0,001480
Pearson Chi-square - - - 0,1910
Shapiro-Francia - - - 0,00346
Lilliefors - - - 0,004931
Kolmogorov-Smirnov >0,10 0,200* >0,15* -
Shapiro-Wilk >0,1 0,390* 0,3687* 0,39*
Anderson Darling 0,417* - >0,25* 0,4169*
X8 Cramer-von Mises - - >0,25* 0,4881*
Pearson Chi-square - - - 0,2481*
Shapiro-Francia - - - 0,4843*
Lilliefors - - - 0,004913
*
Kolmogorov-Smirnov >0,15 0,200 >0,15* -
*
Shapiro-Wilk >0,1 0,402 0,9071* 0,4023*
Anderson Darling 0,672* - >0,25* 0,6722*
X9 Cramer-von Mises - - >0,25* 0,753*
Pearson Chi-square - - - 0,4654*
Shapiro-Francia - - - 0,6197*
Lilliefors - - - 0,752*
X10 Kolmogorov-Smirnov >0,150 0,200* >0,15* -
Shapiro-Wilk >0,1 0,068* 0,0001 0,0677*
Anderson Darling 0,63* - 0,2036* 0,1627*
 Cramer-von Mises - - >0,25* 0,3026*
Pearson Chi-square - - - 0,6891*
Shapiro-Francia - - - 0,1520*
Lilliefors - - - 0,386*
Kolmogorov-Smirnov >0,15 0,200* >0,15* -
Shapiro-Wilk >0,1 0,432* 0,2423* 0,4325*
Anderson Darling 0,481* - >0,25* 0,4811*
X11 Cramer-von Mises - - >0,25* 0,5218*
Pearson Chi-square - - - 0,4197*
Shapiro-Francia - - - 0,5406*
Lilliefors - - - 0,5146*
Kolmogorov-Smirnov 0,107 0,004 <0,01 -
Shapiro-Wilk 0,096* 0,045 0,0453 0,04534
Anderson Darling 0,016 - 0,0173 0,01576
X12 Cramer-von Mises - - 0,0099 0,01016
Pearson Chi-square - - - 0,002475
Shapiro-Francia - - - 0,05119*
Lilliefors - - - 0,004217
Kolmogorov-Smirnov >0,15* 0,200* >0,15* -
Shapiro-Wilk >0,1* 0,740* 0,7404* 0,7404*
Anderson Darling 0,477* - >0,25* 0,4774*
X14 Cramer-von Mises - - >0,25* 0,4281*
Pearson Chi-square - - - 0,1555*
Shapiro-Francia - - - 0,7802*
Lilliefors - - - 0,4101*
Kolmogorov-Smirnov >0,15* 0,200* >0,15* -
Shapiro-Wilk >0,1* 0,373* 0,3728* 0,3728*
Anderson Darling 0,276* - >0,25* 0,2758*
X15 Cramer-von Mises - - 0,2136* 0,2061*
Pearson Chi-square - - - 0,8085*
Shapiro-Francia - - - 0,3032*
Lilliefors - - - 0,2003*
Kolmogorov-Smirnov 0,015 0,000 <0,01 -
Shapiro-Wilk 0,077* 0,045 0,0455 0,04549
Anderson Darling 0,006 - 0,0067 0,006322
X16 Cramer-von Mises - - <0,005 0,00298
Pearson Chi-square - - - 0,0935
Shapiro-Francia - - - 0,04593
Lilliefors - - - 0,0002877
Kolmogorov-Smirnov >0,15* 0,082* 0,0852* -
Shapiro-Wilk >0,1* 0,177* 0,1770* 0,1771*
Anderson Darling 0,134* - 0,1385* 0,1338*
X18 Cramer-von Mises - - 0,1312* 0,1282*
Pearson Chi-square - - - 0,04622
Shapiro-Francia - - - 0,1405*
Lilliefors - - - 0,08218*
Berdasar P-value yang ditampilkan pada Tabel 5 di atas, dapat diketahui bahwa
X6 merupakan variabel yang tidak berdistribusi normal. Hal tersebut terbukti dengan P-
value yang kurang dari 0,05. Sedangkan untuk variabel yang lain berdistribusi normal dengan
menggunakan uji-uji normalitas yang ada pada software MINITAB. Pada hasil analisis dengan
menggunakan SPSS SAS, dan R diketahui bahwa variabel X6, X12, dan X16 tidak berdistribusi
normal.
Hal berbeda yang tampak dari uji normal pada empat software tersebut, yaitu jumlah uji
normal serta kesensitifan P-value yang dihasilkan. Jumlah uji normal terbanyak dimiliki
oleh software R, yaitu sebanyak enam macam. Selain itu, software R pun memilki tingkat sensitif
terbaik dalam hal menampilkan P-value. Sehingga hal tersebut dapat mempengaruhi
pengambilan keputusan tentang kenormalan data.
Kenormalan suatu data pun dapat dilihat dari nilai skewness dan kurtosis yang
dihasilkan. Berikut adalah hasil nilai-nilai tersebut dengan menggunakan software MINITAB,
SPSS, SAS, dan R :
b. Data Multivariat
Data multivariat HBAT yang digunakan dalam analisis ini, yaitu variabel X 6, X8, X9, X10,
X11, X12, X14, X15, X16, dan X18. Sepuluh variabel tersebut dikategorikan sebagai variabel
dependen.
MVW = 0.9818, p-value = 0.01743

2.2 Uji Homogenitas Data

Uji homogenitas dimaksudkan untuk memperlihatkan bahwa dua tau lebih kelompok data
sampel besar dari populasi yang memiliki variansi yang sama. Hipotesis yang digunakan, yaitu :
H0 : Variansi pada tiap kelompok sama (homogen)
H1 : Variansi pada tiap kelompok tidak sama (tidak homogen)
Dengan menggunakan nilai alpha 5%, maka keputusan gagal tolak H0 akan terjadi saat P-value >
0,05. Berikut adalah hasil analisis untuk uji homogenitas data HBAT.SAV :
a. Data Univariat
Tabel 6 Uji Homogenitas Data HBAT
Variabel F df1 df2 Sig.
X6 12.615 5 94 .000
X8 .234 5 94 .947*
X9 1.025 5 94 .408*
X10 1.302 5 94 .270*
X11 3.983 5 94 .003
X12 2.119 5 94 .070*
X14 1.587 5 94 .171*
X15 .912 5 94 .477*
X16 1.670 5 94 .149*
X18 1.679 5 94 .147*
Tabel 6 menampilkan hasil uji homogenitas data. Berdasarkan nilai P (Sig.) yang
dihasilkan, dapat diketahui bahwa variabel X8, X9, X10, X12, X14, X15, X16, dan X18 bersifat
homogen.

b. Data Multivariat
Tabel 7 Uji Homogenitas Data HBAT
Boxs M 498,333
F 1,299
df1 275
df2 1,244e4
Sig. 0,001
Tabel 7 menampilkan nilai untuk uji homogenitas data HBAT. Dengan menggunakan uji
Boxs M dan memperhatikan nilai P (Sig.), yaitu 0,001, maka dapat diketahui bahwa data
multivariat HBAT bersifat homogen.