Dalam artikel kali ini, kita akan membahas 2 uji normalitas yang sangat sering
dipakai oleh peneliti selain uji kolmogorov smirnov. Uji kolmogorov smirnov
memanglah uji yang paling populer, tapi sebenarnya uji tersebut mempunyai sedikit
kelemahan, yaitu reliable atau handal pada pengujian dengan sampel besar > 200.
Bagaimana jika sampel kurang dari itu? dalam SPSS kita bisa
menggunakan Shapiro Wilk dan Lilliefors (Adaptasi dan pengembangan dari
Uji Kolmogorov Smirnov). Dan bagaimana cara melakukan uji shapiro wilk dan
lilliefors tersebut dengan SPSS? Kita bisa menggunakan fungsi EXPLORE.
Baiklah, mari kita mulai tutorial tentang Uji Normalitas dengan SPSS ini, dimana
pada tutorial kaini kita akan melakukan uji normalitas dengan SPSS pada
1 variabel dengan 100 sampel.
Silahkan isi dataset SPSS anda seperti contoh yang sudah anda download. Kalaupun
tidak download, anda bisa isi sembarang angka pada satu variabel yang akan diuji
normalitas dengan SPSS. Setelah data terisi pada variabel, pada Menu,
Klik Analyze, Descriptive Statistics, Explore.
Masukkan variabel ke dalam dependen list (Catatan: Apabila dalam variabel anda
terdapat 2 kelompok, misal kelompok A dan B, anda dapat melakukan uji normalitas
pada masing-masing kelompok dengan cara memasukkan variabel yang menjadi
Grouping (A dan B atau 1 dan 2) ke kotak Factor List.
Klik tombol Plots, Centang Stem-and-Leaf, Histogram, Normality Plots With Tests.
Lihat Output anda dan apabila dalam output view anda tampil beberapa tabel dan
beberapa gambar atau diagram, berarti langkah yang anda lakukan sudah benar.
Maka sobat bisa bernafas lega. Karena tugas berikutnya adalah tinggal membaca
hasil uji normalitas dengan SPSS dalam tutorial ini.
Saatnya kita belajar cara baca uji normalitas dengan SPSS yang kiranya akan
mudah anda pahami jika telah mengikuti langkah demi langkah tahapan di atas.
Perhatikan tabel di bawah ini ya.
Shapiro Wilk
Lilliefors
Hampir sama dengan shapiro wilk di atas, cara interprestasinya adalah dengan
melihat nilai Sig. pada kolom Kolmogorov-Smirnova. Pada contoh di atas nilainya
0,200 lebih dari 0,05, maka data berdistribusi Normal atau yang berarti menerima
H0.
Sejauh ini apakah mudah sobat? semoga sobat bisa memahami sejauh ini. Dan
untuk memperkuat kesimpulan di atas, di bawah ini kita bisa menggunakan
beberapa diagram uji normalitas dengan SPSS, yaitu antara lain: histogram, stem
leaf, normal QQ plot, Detrend QQ Plot dan Box Plot. Akan kami jelaskan satu persatu
juga ya.
Histogram
Detrend QQ Plots
Stem-Leaf
Agar anda nantinya pada saat penelitian mudah mengenali atau mudah membuat
kesimpulan sebaran data berdasarkan grafik dengan SPSS, maka disini kami
buatkan contoh diagram yang menunjukkan distribusi tidak normal, lihat di bawah
ini ya:
Tambahan lagi ya para sobat statistikian, bahwa grafik-grafik di atas, selain berguna
untuk uji normalitas dengan SPSS, juga berguna untuk mendeteksi adanya outlier.
Artinya apabila ada batang pada histogram yang melenceng jauh dari kelompoknya
maka terdaat outlier. Begitu juga dengan grafik lainnya, jika ada plot yang jauh
sekali dengan temannya, maka dapat diperkirakan adanya outlier.
Dan untuk melihat sampel mana atau angka berapa yang menjadi outlier, silahkan
pada grafik yang anda gunakan, anda klik lalu silahkan menuju menu SPSS output
anda, pilih tombol “Show Data”. Kemudian lihat grafik tersebut, pada plot atau
batang histogram akan terlihat angka atau kode yang menunjukkan ID sampel.
Pada ID yang jauh letaknya dengan kelomponya, maka ID tersebutlah yang kiranya
menjadi outlier.
Tentunya jika anda melakukan eliminasi terhadap outlier tersebut, maka besar
kemungkinan data anda yang awalnya tidak normal sebarannya, akan berubah
menjadi normal.