ANALISIS INFERENSIAL

-Korelasi
Asumsi Pearson
Parametrik Perlu uji
normalitas
-U ji t
dll

Inferensial

-Spearman
Non - Wilcoxon
Parametrik - dll
 Uji t

• UJI PRASYARAT

• MAKA HARUS DILAKUKAN UJI PRASYARAT

• JIKA DATANYA NORMAL, MAKA GUNAKAN UJI t

• JIKA DATA TIDAK NORMAL, MAKA GUNAKAN Chi

 ASUMSI, PRASYARAT
Asumsi:

sesuatu yang dianggap benar, meskipun tanpa pembuktian

Asumsi tidak memerlukan pembuktian

Prasyarat:

Suatu kondisi yang harus dipenuhi untuk melakukan sesuau

Prasyarat harus dienuhi sebelum melakukan sesuatu

Normalitas Sebagai Asumsi

•  Asumsi-asumsi bagi distribusi sampling dibuat sebagai dasar legitimasi

pemilihan Teknik komputasi tertentu guna pengujian suatu hipotesis.

•  Asumsi ini jarang atau bahkan tidak pernah benar-benar diuji terhadap
data sampel melainkan langsung dianggap benar (Azwar, 2000)
Normalitas perlu diuji

• Banyak literatur menyebut bahwa normalitas distribusi perlu dicek atau diuji
sebelum memilih uji statistik agar memberikan hasil yang tepat.

• Hasil studi menunjukkan ketika sebuah uji statistik dipakai untuk menganalisis
data yang tidak terdistribusi normal, maka akan menghasilkan probabilitas
untuk penyimpulan statistik yang kurang tepat.

• Normalitas distribusi data perlu diverifikasi (diuji) untuk memilih sebuah uji
statistik parametrik.
 Normalitas distribusi adalah..
kondisi variabel di pada data mengikuti distribusi normal yang bentuknya seperti
lonceng terbalik
MENGAPA DATA HARUS NORMAL

4. 1.
PERISTIWA NATURAL KONDISI POPULASI

NORMAL

3. 2.
RANDOM SAMPLING KONTINUITAS
1. Natural

• tidak ada intervensi,

• tidak ada keanehan
dalam menghasilkan
distrubusi normal
2. Kondisi populasi

• Kondisi populasi pada

sebagian besar variabel
kontinum terdistribusi normal.
• Ketika data normal, artinya:
pengambilan sampel yang
dilakukan sudah mewakili
karakteristik populasi, atau
pengambilannya terbukti
random
3. Kontinuitas
4) Random sampling

• Salah satu indikasi

bahwa kita berhasil
dalam melakukan
penarikan sampel
secara random
(random sampling)
adalah data yang kita
dapatkan terdistribusi
normal
 Bandingkan, histogram mana yang normal?

Nomor. 2
Nomor . 1

Histogram 1 atau 2..?

Why.. Harus uji normalitas?

• Mengapa harus melakukan uji

normalitas, walupun ukuran
sampel sudah besar ( > 3)?
Ada beberapa alasan
Gunakan
 Saran

• Lakukan uji normalitas pada sampel yang cukup besar, N > 10 atay N >
15, namun tidak terlalu kaku pada hasilnya.

• Lengkapi dengan uji tambahan baik inspeksi visual maupun uji

statistic

• Untuk N > 100 tidak perlu uji distribusi, karena banyak literatur dan
studi yang meminta kita untuk no worries.
Variabel mana yang terdistribusi normal?

Beberapa literatur: kedua variabel X dan Y terdistribusi normal

 Variabel Y yang harus normal..
• BEBERAPA LITERATUR MENJELASKAN BAHWA VARIABEL
YANG TERDISTRIBUSI NORMAL ADALAH VARIABEL
TERGANTUNG (Y)

• Hampir…tidak ada yang menjelaskan yang distribusi

normal yang variabel X

• Dalam kasus uji korelasi bivariat,

kedua variabelnya diasumsikan terdistribusi normal
Meskipun normalitas memiliki kaitan dengan karakteristik populasi,
normalitas dalam uji statistik terkait dengan kualitas informasi statistik
yang dihasilkan (konsisitensi, unbiased, tepat, dsb).

Direkomendasikan untuk melakukan analisis pada residual atau error

analisisi jika melakukan pada GLM (univariat, multivariat, atau regresi)

• Pada uji t, distribusi pada data tiap kelompok variabel dependen

sudah dapat diuji normalitasnya (tidak perlu residal
 JENIS UJI NORMALITAS DATA

1. Uji Kai Kuadrat

2. Uji Kolmogorov Smirnov (K-S)
3. Uji K-S (koreksi Liliefors)
4. Uji Shapiro Wilk
5. dll
PERBANDINGAN KEKUATAN KS & SW
No Fokus Kolmogorov Smirnov (K-S) Uji Shapiro Wilk (S-W)

1 Sampel kecil lebih kuat dibandingkan Shapiro Wilk (SW) Lebih lemah

2 inspeksi Inspeksi visual mampu memberikan Lemah jika diterapkan pada ukuran
gambaran umum, namun kadang kurang sampel besar
cermat

3 kekuatan Metode KS merupakan metode paling kuat metode SW yang paling kuat untuk
untuk data dari sampel berdistribusi tidak data sampel berdistribusi normal
normal
4 Tingkat signifikansi tidak mempengaruhi urutan kekuatan uji
CARA UJI NORMALITAS DENGAN K-S
dan SW

• Keduanya membandikan distribusi data kita dengan

distribusi data normal dengan mean dan SD yang sama.
• Jika test menunjukkan hasil signifikan (p<0,05), maka data
kita tidak normal.
• Namun jika test menunjukkan hasil yang tidak signifikan
(p>0,05), maka tidak ada perbedaan antara data kita
dengan data normal idealnya,
• Data dikategorikan normal jika p > 0,05
 Cara run data untuk uji Normalitas:

SETELAH DICENTANG PADA KOTAK NORMAL, KEMUDIAN KLIK KOTAK OK, MAKA AKAN MUNCUL KOTAK OUTPUT
SEBAGAI BERIKUT:
 OUTPUT UJI NORMALITAS
One-Sample Kolmogorov-Smirnov Test
KS
  Sebel sesu
um dah
N 20 20 Jika kita lihat nilai signifikansi Kolmogorov-smirnov
Normal Parametersa,b Mea 63.00 67.5
n 0 menunjukkan (sig>0,05),
Std. 13.38 13.3
Devi 1 83
ation Dengan demikian dapat simpulkan bahwa data kita
Most Extreme Differences Abso .125 .126 terdistribusi normal.
lute
Positi .100 .089
ve
Nega -.125 -.126
tive
Test Statistic .125 .126
Asymp. Sig. (2-tailed) .200c,d .
200c,
d

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Uji t
Uji t, uji beda
 Jenis uji t
• Satu sampel
1 • One sample t test

• berpasangan
2 • Paired sample t test

• Dua sampel
3 • Independent sample t test
Rumusan hipotesis:
Rumus uji t
Rumus t
Asumsi uji t