3.1 Normalitas
Screening terhadap normalisasi data merupakan langkah awal yang harus dilakukan untuk setiap
analisis multivariate, khususnya jika tujuannya inferensi.secara statistic ada dua komponen
normalitas yaitu skewness dan kurtosis , skewness berhubungan dengan simetri distribusi.
Skewness variable (variable menceng) iayalah variable yang nilai meannya tidak di tengah-
tengah distribusi.jika vriabel terdistribusi secara normal maka nilai skewness dan kurtosis sama
dengan nol. Terdapat uji signifikan skewness dan kurtosis dengan cara sebagai berikut:
s−0 k −0
Zskew = dan Zkurt =
√6 / N √24 / N
Dimana
S = nilai skewness
N = jumlah kasus
K = nilai kurtosis
Nilai z ini kita bandingkan dengan nilai kritisinya yaitu alpha 0.0 nilai kritisinya ± 2.58
sedangkan untuk alpha 0.05 nilai kritisinya ± 1.96.
Normal tidaknya suatu data dapat dideteksi juga lewat plot grafik histogram, hanya gambar
grafik kadang kadan g dapat menyesatkan karena distribusinya normal, tetapi secara sistematis
sebenarnya tidak normal. Berikut cara menampilkan grafik histogram untuk variabek EARNS
dan WEALTH.
Langkah analisis:
Perubahan bentuk data lainnya adalah penggunaan fungsi materik dan algoritma.
Langkah analisis:
3.3 Outlier
Deteksi terhadap univariat outline dapat dilakukan denganmenentukan nilai batas yang
akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data ke
dalam skor standardized atau yang biasa disebut z-score, yang memiliki nilai means sama
dengan nol dan standar deviasi sama dengan satu. Untuk sampel besar standar skor
dinyatakn outlier jika nilainya pada kisaran 3 sampai 4. Jika standar deviasi tidak
digunakan, maka kita dapat menentukan data outlier jika data tersebut nilainya lebih
besar dari 2.5 standar deviasi atau antara 3 sampai 4 standar deviasi tergantung besarnya
sampel.
Data yang akan kita deteksi outliernya iyalah data yang sudah kita serceeninh
nominalnya. Jika dalam hal ini ialah variable SQREARNS dan SQRWEALT.
Langkah analisis:
a. Dari menu utama SPSS, pilih analyze lalu descriptive statistic kemudian descriptive.
b. Tampak dilayar window descriptive.
c. Isikan variable yang akan dianalisis yaitu SQREARNS dan SQRWEALT. Kemudian
pilih (timark) save standardized value as variable.
d. Klik Ok
Untuk variable ZSQWEALT terdapat 4 observasi yang outlier dan variable ZSQRWEALT
terdapat 2 observasi yang dinyatakan outlier. Setelah outlier teridentifikasi, langkah berikutnya
ialah tetap mempertahankan data outlier atau membuang data outlier. Secara filosofi seharusnya
outlier tetapdipertahankaan jika data outlier itu memang terpresentasi dari populasi yang kita
teliti. Namun demikian outlier harus kita buang jika data outlier tersebut memang tidak
menggambarkan observasi dalam populasi.