Uji Normalitas dalam SPSS

Dua post saya terdahulu tentang Uji Asumsi 1 berbicara hal-hal

teoritis mengenai uji normalitas. Sekarang bagaimana
prakteknya? Maksud saya dengan praktek tentu saja bagaimana
cara menghitungnya.

Dalam kesempatan ini saya akan banyak berbicara mengenai

bagaimana cara melakukan uji normalitas menggunakan SPSS.
Saya memilih SPSS dengan alasan program ini paling banyak
dipakai oleh mahasiswa psikologi sehingga bisa dikatakan paling
familiar. Selain itu SPSS termasuk program yang cukup user
friendly sehingga cukup mudah digunakan meskipun oleh orang
yang tidak mempelajari statistik sangat dalam.

Langkah Awal
Saya berasumsi paling tidak pembaca artikel ini adalah orang
yang sudah pernah berurusan dengan SPSS. Paling tidak tahu
bagaimana memulai SPSS dan membuka file. Jadi saya akan
langsung berkisah mengenai cara melakukan analisis datanya.

Cara Pertama
Ada satu kebiasaan yang saya amati ketika teman-teman hendak
melakukan uji normalitas dengan SPSS. Biasanya mereka
memilih menu :
Analyze - Non Parametrik Test - 1 Sample KS

Setelah diklik pada menu ini, akan muncul dialog box seperti ini:

Sekarang yang kita lakukan hanya memasukkan variabel yang

ingin kita uji normalitasnya ke dalam kotak Test Variable List.
Kemudian klik OK. Hasil yang akan didapat kurang lebih seperti
ini:
Lalu bagaimana cara membacanya? Untuk kepentingan uji
asumsi, yang perlu dibaca hanyalah 2 item paling akhir, nilai dari
Kolmogorov-Smirnov Z dan Asymp. Sig (2-tailed).
Kolmogorov-Smirnov Z merupakan angka Z yang
dihasilkan dari teknik Kolmogorov Smirnov untuk
menguji kesesuaian distribusi data kita dengan suatu
distribusi tertentu,dalam hal ini distribusi normal.
Angka ini biasanya juga dituliskan dalam laporan
penelitian ketika membahas mengenai uji normalitas.
Asymp. Sig. (2-tailed). merupakan nilai p yang
dihasilkan dari uji hipotesis nol yang berbunyi tidak ada
perbedaan antara distribusi data yang diuji dengan
distribusi data normal. Jika nilai p lebih besar dari 0,
maka kesimpulan yang diambil adalah hipotesis nol
gagal ditolak, atau dengan kata lain sebaran data yang
kita uji mengikuti distribusi normal.
Jangan terkecoh dengan catatan di bawah tabel yang
berbunyi Test distribution is Normal. Catatan ini tidak
bertujuan untuk memberitahu bahwa data kita normal,
 tetapi menunjukkan bahwa hasil analisis yang sedang
kita lihat adalah hasil analisis untuk uji normalitas.
Cara Kedua
Cara yang pertama biasanya menghasilkan hasil analisis yang
kurang akurat dalam menguji apakah sebuah distribusi mengikuti
kurve normal atau tidak. Ini disebabkan uji Kolmogorov Smirnov
Z dirancang tidak secara khusus untuk menguji distribusi normal,
tetapi distribusi apapun dari satu set data. Selain normalitas,
analisis ini juga digunakan untuk menguji apakah suatu data
mengikuti distribusi poisson, dsb.

Cara kedua merupakan koreksi atau modifikasi dari cara pertama

yang dikhususkan untuk menguji normalitas sebaran data.

Kita memilih menu

Analyze - Descriptive Statistics - Explore...
Sehingga akan muncul dialog box seperti ini:

Yang perlu kita lakukan hanyalah memasukkan variabel yang

akan diuji sebarannya ke dalam kotak Dependent List. Setelah
itu kita klik tombol Plots... yang akan memunculkan dialog box
kedua seperti ini:

Dalam dialog ini kita memilih opsi Normality plots with tests,
kemudian klik Continue dan OK. SPSS akan menampilkan
beberapa hasil analisis seperti ini:
SPSS menyajikan dua tabel sekaligus di sini. SPSS akan
melakukan analisis Shapiro-Wilk jika kita hanya memiliki kurang
dari 50 subjek atau kasus. Uji Shapiro-Wilk dianggap lebih akurat
ketika jumlah subjek yang kita miliki kurang dari 50.

Jadi bagaimana membacanya? Kurang lebih sama seperti cara

pertama. Untuk memastikan apakah data yang kita miliki
mengikuti distribusi normal, kita dapat melihat kolom Sig. untuk
kedua uji (tergantung jumlah subjek yang kita miliki). Jika sig.
atau p lebih dari 0.1 maka kita simpulkan hipotesis nol gagal
ditolak, yang berarti data yang diuji memiliki distribusi yang tidak
berbeda dari data yang normal. Atau dengan kata lain data yang
diuji memiliki distribusi normal.
Cara Ketiga

Jika diperhatikan, hasil analisis yang kita lakukan tadi juga

menghasilkan beberapa grafik. Nah cara ketiga ini terkait dengan
cara membaca grafik ini.
Ada empat grafik yang dihasilkan dari analisis tadi yang penting
juga untuk dilihat sebelum melakukan analisis yang sebenarnya,
yaitu:
Stem and Leaf Plot. Grafik ini akan terlihat seperti ini:

Grafik ini akan terlihat mengikuti distribusi normal jika data yang
kita miliki memiliki distribusi normal. Di sini kita lihat sebenarnya
data kita tidak dapat dikatakan terlihat normal, tapi bentuk
seperti ini ternyata masih dapat ditoleransi oleh analisis statistik
sehingga p yang dimiliki masih lebih besar dari 0.1.
Dari grafik ini kita juga dapat melihat ada satu data ekstrim yang
nilainya kurang dari 80 (data paling atas). Melihat situasi ini kita
perlu berhati-hati dalam melakukan analisis berikutnya.
 Normal Q-Q Plots. Grafik Q-Q plots akan terlihat seperti
ini:

Garis diagonal dalam grafik ini menggambarkan keadaan

ideal dari data yang mengikuti distribusi normal. Titik-titik di
sekitar garis adalah keadaan data yang kita uji. Jika
kebanyakan titik-titik berada sangat dekat dengan garis
atau bahkan menempel pada garis, maka dapat kita
simpulkan jika data kita mengikuti distribusi normal.
Dalam grafik ini kita lihat juga satu titik yang berada sangat
jauh dari garis. Ini adalah titik yang sama yang kita lihat
dalam stem and leaf plots. Keberadaan titik ini menjadi
peringatan bagi kita untuk berhati-hati melakukan analisis
berikutnya.
 Detrended Normal Q-Q Plots. Grafik ini terlihat seperti
di bawah ini:

Grafik ini menggambarkan selisih antara titik-titik

dengan garis diagonal pada grafik sebelumnya. Jika data
yang kita miliki mengikuti distribusi normal dengan
sempurna, maka semua titik akan jatuh pada garis 0,0.
Semakin banyak titik-titik yang tersebar jauh dari garis ini
menunjukkan bahwa data kita semakin tidak normal. Kita
masih bisa melihat satu titik 'nyeleneh' dalam grafik ini
(sebelah kiri bawah).
Sekilas Mengenai Outlier
Dari tadi kita membahas satu titik nyeleneh di bawah sana, tapi
itu sebenarnya apa? Dan bagaimana kita tahu itu subjek yang
mana?

Titik 'nyeleneh' ini sering juga disebut Outlier. Titik yang berada
nun jauh dari keadaan subjek lainnya. Ada beberapa hal yang
dapat menyebabkan munculnya outlier ini:
1. Kesalahan entry data.
2. Keadaan tertentu yang mengakibatkan error
pengukuran yang cukup besar (misal ada subjek yang
tidak kooperatif dalam penelitian sehingga mengisi tes
tidak dengan sungguh-sungguh)
3. Keadaan istimewa dari subjek yang menjadi outlier.
Jika outlier disebabkan oleh penyebab no 1 dan 2, maka outlier
dapat dihapuskan dari data. Tetapi jika penyebabnya adalah no
3, maka outlier tidak dapat dihapuskan begitu saja. Kita perlu
melihat dan mengkajinya lebih dalam subjek ini.

Lalu bagaimana tahu subjek yang mana yang menjadi outlier?

Kita bisa melihat pada grafik berikutnya yang dihasilkan dari
analisis yang sama, grafik boxplot seperti berikut ini:
Sebelum terjadi kesalahpahaman saya mau meluruskan dulu
bahwa tulisan C10,Q1, Median, Q3 dan C90 itu hasil rekaan saya
sendiri. SPSS tidak memberikan catatan seperti itu dalam hasil
analisisnya. Grafik ini memberi gambaran mengenai situasi data
kita dengan menyajikan 5 angka penting dalam data kita yaitu:
C10 (percentile ke 10), Q1 (kuartil pertama atau percentil ke 25),
Median (yang merupakan kuartil kedua atau percentile 50), Q3
(atau kuartil ketiga atau percentile 75) dan C90 (percentile ke
90).

Selain itu dalam data ini kita juga dapat melihat subjek yang
menjadi outlier, dan SPSS memberitahu nomor kasus dari subjek
kita ini; yaitu no 3. Jadi jika kita telusuri data kita dalam file
SPSS, kita akan menemukan subjek no 3 ini yang menjadi outlier
dalam data kita.

Catatan akhir: Sangat penting bagi kita untuk tidak sepenuhnya

bergantung pada hasil analisis statistik dalam bentuk angka. Kita
juga perlu untuk 'melihat' (dalam arti yang sebenarnya) data kita
dalam bentuk grafik bahkan keadaan data kita dalam worksheet
SPSS untuk memeriksa kejanggalan-kejanggalan yang mungkin
terjadi.