908 1714 1 SM PDF
908 1714 1 SM PDF
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Bengkulu, Indonesia
Abstrak - Pelanggaran terhadap asumsi kenormalan dalam suatu prosedur statistika akan memberikan kesimpulan hasil yang
diperoleh menjadi tidak valid. Tulisan ini akan membahas tentang perbandingan uji normalitas metode Bayesian, Uji Shapiro-
Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling berdasarkan nilai power of test dari masing-masing uji. Power of test
dari masing-masing uji diperoleh dari power empiris melalui simulasi data. Data simulasi dibangkitkan dari distribusi t-student,
gamma, chi-square, dan beta. Ukuran sampel data yang digunakan dalam simulasi adalah 10, 20, 30, 40, dan 50. Berdasarkan
simulasi data, uji normalitas metode Bayesian MTn lebih powerful apabila dibandingkan dengan uji Shapiro-Wilk (W), uji
Cramer-von Mises (Wn2), dan uji Anderson-Darling (An2) untuk data yang berdistribusi t-student dengan derajat bebas 5 dan 10,
Gamma (5), chi-square derajat bebas 20. Hal tersebut juga berlaku untuk sampel berukuran kecil. Performa dari uji normalitas
metode Bayesian lebih lemah dari pada uji Shapiro-Wilk dalam menguji normalitas yang berasal dari sampel berdistribusi Beta,
B(a,b), dengan a=0,8 dan 1,5 ; b=0,8 dan 0,9.
1. Pendahuluan
Banyak literatur yang telah membahas tentang uji-uji
normalitas. Referensi [1] merupakan salah satu literatur yang
Sebagian besar penelitian dalam bidang statistika membahas tentang berbagai uji normalitas dan prosedurnya.
berhubungan dengan pengujian asumsi distribusi, baik Referensi [2] mengkaji tentang uji normalitas yang diperoleh
secara teori maupun praktik di lapangan. Salah satu berdasarkan metode Bayesian, yaitu dengan melihat
pengujian asumsi distribusi yang paling sering digunakan perbedaan atau ketidaksesuaian antara sampel pengamatan
adalah pengujian asumsi kenormalan, artinya menguji dan sampel prediksi yang berasal dari distribusi posterior
apakah sampel data yang digunakan memiliki distribusi prediktif. Referensi [3] membahas perbandingan power dari
normal atau tidak. Distribusi normal merupakan distribusi uji Kolmogov-Smirnov, uji Shapiro-Wilk, uji Liliefors, dan
yang paling penting dalam statistika untuk berbagai alasan. uji Anderson-Darling. Menurut [4] uji Anderson-Darling
Analisis data statistika secara parametrik sangat memerlukan dan uji Shapiro-Wilk merupakan uji normalitas yang paling
asumsi kenormalan. Diantaranya, data sering diaproksimasi powerful. Setiap uji normalitas terkadang memberikan
ke dalam bentuk kurva normal dan beberapa distribusi akan kesimpulan yang berbeda. Oleh karena itu, masing-masing
menjadi distribusi normal secara asimtotik. Beberapa uji tersebut memiliki asumsi atau kondisi tertentu dari
statistik uji, seperti uji t, uji F untuk kehomogenan varian, sampel data agar dapat memperoleh hasil yang diharapkan.
uji koefisien regresi, dan analisis varian menggunakan Berdasarkan hal tersebut, penulis akan membahas
asumsi bahwa sampel data yang digunakan haruslah perbandingan power of test pada uji normalitas metode
memiliki distribusi normal. Pelanggaran terhadap asumsi Bayesian, uji Shapiro-Wilk, uji Cramer-von Mises, dan uji
kenormalan dalam suatu prosedur statistika akan Anderson-Darling berdasarkan nilai power empiris. Penulis
memberikan kesimpulan hasil yang diperoleh menjadi tidak berharap tulisan ini dapat memberikan tambahan wawasan
valid. pengetahuan dan dapat memberikan gambaran tentang uji
normalitas metode Bayesian kepada para pembaca.
1101
Dyah Setyo Rini, Fachri Faisal / Jurnal Gradien Vol. 11 No. 2 Juli 2015 : 1101-1105
( )
disebut distribusi posterior [5].
dengan p(i ) = F 0 x( j ) .
( )
F 0 x( j ) merupakan distribusi hipotesis dari sampel terurut Menurut [6], Bila data x telah diamati, maka dapat
diprediksi suatu pengamatan y melalui proses yang sama.
x(1) < x( 2) < < x( n )
. Distribusi dari y disebut dengan distribusi posterior
prediktif, yakni:
Uji Shapiro-Wilk
h ( y | x ) = ∫ f ( y | θ ) π (θ | x ) dθ
Uji Shapiro-Wilk untuk normalitas ini dikembangkan oleh
Samuel Shapiro dan Martin Wilk pada tahun 1965. Pada saat
ini, uji Shapiro-Wilk menjadi uji normalitas yang lebih Misalkan E1 , E2 ,..., En merupakan sampel yang diperoleh
disukai karena memiliki kekuatan uji yang lebih baik dari distribusi posterior prediktif h ( | x ) , maka
dibandingkan uji-uji alternatif dari bermacam-macam range.
Uji ini tergantung pada korelasi antara data yang diberikan
( E1 , E2 ,..., En ) dapat dianggap sebagai suatu sampel
dan kecocokan angka normalnya. prediksi dari sampel ( X 1 , X 2 ,..., X n ) .
Statistik uji Shapiro-Wilk dirumuskan sebagai berikut [1]: Statistik uji untuk uji normalitas metode Bayesian adalah:
b2
( )
2
W= 1 n E X (i ) − E(i )
( n − 1) s 2 = =
MTn : MTn ( X 1 ,..., X n ) ∑ (1)
n i =1 S2
dengan
1 n X (i ) − E(i )
2
= = n ( X 1 ,..., X n ) ∑ E . (2)
( ) MU n : MU
n
=b 2 ∑ an − i +1 x( n − i +1) − x( i ) , n i =1 σ
2
i =1
x( i ) merupakan nilai sampel terbesar ke-i dari sampel terurut Nilai ekspektasi dalam persamaan (1) diperoleh dari
x(1) < x( 2) < < x( n ) , distribusi ( E1 , E2 ,..., En ) apabila ( X 1 , X 2 ,..., X n )
diketahui. Sedangkan nilai ekspektasi pada persamaan (2)
∑ ( xi − x )
n
diperoleh dari distribusi posterior bersama dari
s2 = i =1
.
n −1 ( E1 , E2 ,..., En ) dan σ 2 bersyarat ( X 1 , X 2 ,..., X n ) [2].
1102
Dyah Setyo Rini, Fachri Faisal / Jurnal Gradien Vol. 11 No. 2 Juli 2015 : 1101-1105
0,25
Perbandingan power of test pada uji normalitas metode SW
Bayesian ( MTn dan MU n ) , uji Shapiro-Wilk (W ) , uji 0,2
AD
1103
Dyah Setyo Rini, Fachri Faisal / Jurnal Gradien Vol. 11 No. 2 Juli 2015 : 1101-1105
0,8 1
0,7
0,6 SW 0,8 SW
0,5 AD 0,6 AD
0,4
CVM CVM
0,3 0,4
0,2 MTn MTn
0,1 0,2
MUn MUn
0 0
10 20 30 40 50 10 20 30 40 50
0,5
SW 1
0,4
0,3 AD 0,8 SW
0,2 CVM AD
0,6
0,1 MTn CVM
0,4
0 MUn MTn
10 20 30 40 50 0,2
MUn
Gambar 2. Power Empiris dari Uji Normalitas Metode 0
Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji 10 20 30 40 50
Anderson Darling dengan menggunakan sampel
berdistribusi Gamma dan Chi-Square Gambar 3. Power Empiris dari Uji Normalitas Metode
Tabel 2 menunjukkan bahwa uji normalitas dengan Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji
Anderson Darling dengan menggunakan sampel
menggunakan metode Bayesian MUn lebih powerful
berdistribusi Beta
dibandingkan dengan uji normalitas lainnya untuk ukuran
sampel 50. Sedangkan secara keseluruhan uji normalitas Hasil yang disajikan menunjukkan bahwa uji Shapiro-Wilk
MTn lebih powerful apabila dibandingkan dengan statistik lebih powerful dibandingkan dengan metode Bayesian. Hal
uji lainnya untuk sampel berdistribusi Gamma dan Chi- itu dapat dilihat dari nilai power empiris dari uji-uji tersebut
Square pada taraf signifikansi 5%. yang lebih besar dari pada metode Bayesian. Dengan kata
lain, metode Bayesian lebih lemah dari pada metode klasik
Nilai Power Empiris dari masing-masing Uji Normalitas terutama uji Shapiro-Wilk dalam menguji normalitas dengan
dengan Menggunakan Sampel Berdistribusi Beta. sampel berdistribusi Beta pada taraf signifikansi 5%.
Tabel 3 menampilkan nilai power empiris dari masing-
masing uji normalitas dengan menggunakan sampel 4. Kesimpulan
berdistribusi Beta, B(a,b), dengan a=0,8 dan 1,5 ; b=0,8 dan
Berdasarkan uraian dan perhitungan yang dilakukan, dapat
0,9. Nilai skewness yang digunakan adalah 0 dan -0.43 serta
nilai kurtosisnya adalah 1,69 dan 2,11. disimpulkan bahwa uji normalitas metode Bayesian MTn
lebih powerful apabila dibandingkan dengan uji Shapiro-
Tabel 3. Nilai Power Empiris dari Uji Normalitas Metode Wilk (W), uji Cramer-von Mises (Wn2), dan uji Anderson-
Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Darling (An2). Hal tersebut juga berlaku untuk sampel
Anderson Darling dengan menggunakan sampel berukuran kecil. Performa dari uji normalitas metode
berdistribusiBeta Bayesian lebih lemah dari pada uji Shapiro-Wilk dalam
menguji normalitas yang berasal dari sampel berdistribusi
Beta.
Daftar Pustaka
1104
Dyah Setyo Rini, Fachri Faisal / Jurnal Gradien Vol. 11 No. 2 Juli 2015 : 1101-1105
1105