A.

Transformasi data
1. Oleh karena variable EARNS dan WEALTH terjadi skewness. Maka variable EARNS dan
WEALTH harus di transformasi terlebih dahulu

2. Karena variable EARNS dan WEALTH bentuk grafiknya moderat positif skewness. Maka
transformasi yang digunakan yaitu SQRT(X) atau akar kuadrat.
3. Selanjutnya menguji normalitasnya dengan uji kolmogorov-smirnov untuk variable
srqtEARNS dan sqrtWEALTH untuk melihat apakah data telah berdistribusi normal dengan uji
1-sample KS test
Karena hasil uji kolmogorov-smirnov (K-S) untuk sqrtEARNS bernilai 0.122 > 0.05 jadi dapat
disimpulkan kita tidak dapat menolak hipotesis nol yang berarti data sqrtEARNS berdistribusi
normal. Begitu juga tes K-S untuk sqrtWEALTH bernilai 0.106 > 0.05 yg berarti hipotesis nol
tidak dapat ditolak atau sqrtWEALTH berdistribusi normal.

Catatan : Kolmogorov-Smirnov digunakan untuk menguji normalitas pada sampel yang

jumlahnya banyak (>100), sementara Shapiro-Wilk untuk sampel yang jumlahnya sedikit
(<100).
Dapat di lihat dari grafik histogramnya. Maka variable sqrtEARNS dan sqrtWEALTH sudah
berdistribusi normal.
 B. Data outlier
Data yang akan dideteksi outlier adalah data yg sudah di screening normalitasnya.
Lihat tampilan spss berikut dan lihat variable ZsqrtEARNS dan ZsqrtWEALTH. Tujuannya
adalah melihat z-score. Untuk sample kecil (<80) maka standar skor dengan nilai >=2,5
dinyatakan outlier. Untuk sampel besar standar skor dinyatakan outlier jika nilainya pada
kisaran 3 sampai 4. Jika standar skor tidak digunakan, maka kita dapat menetukan data
outlier jika nilainya lebih besar dari 2,5 standar deviasi atau 3-4 standar deviasi tergantung
dari besarnya sampel

Dari table diatas Nilai skor outlier di peroleh

Selanjutnya jika data outlier itu memang representasi dari populasi yg kita teliti, maka data outlier
tidak perlu di buang. Tapi jika sebaliknya, maka data outlier perlu dibuang.