NORMALITAS DATA
Ida Nurmawati, [Link]., [Link]
POLITEKNIK NEGERI JEMBER
2017
Normalitas Data
Salah satu asumsi penggunaan statistik parametrik
adalah normalitas data
Data pada setiap variabel yang akan dianalisis
menggunakan statistik parametris harus
berdistribusi normal.
Data tidak normal statistik nonparametris
Data tidak normal bisa terjadi karena kesalahan
instrument dan pengumpulan data.
Normalitas Data
Tujuan Normalitas Data
Untuk mengetahui apakah
distribusi sebuah data
mengikuti atau mendekati
distribusi normal, yakni
distribusi data dengan bentuk
lonceng (bell Shaped)
Data yang “baik” adalah data
yang mempunyai pola seperti
distribusi normal, yakni
distribusi data tsb tidak
Grafik 1. Kurva simetris
Mean=Me=Mo
Grafik 2. Kurva miring ke kanan Grafik 3. Kurva miring ke kiri
Mo Me Mean Mean Me Mo
Normalitas Data
Karakteristik Distribusi Kurva Normal
1. Kurva berbentuk genta (µ= Md= Mo)
2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis (tdk
menyentuh absis)
4. Kurva mencapai puncak pada saat X= µ
5. Luas daerah di bawah kurva adalah 1; ½ di sisi
kanan nilai tengah dan ½ di sisi kiri.
Uji Normalitas Data
Pengukuran atau Uji Normalitas Data dapat
dilakukan dengan :
[Link] tendency central (Mean = Media
n = Modus)
[Link] (kemencengan) dam Kurtosis (
Keruncingan)
[Link] (kurva normal)
[Link] Kolmogorof-Smirnov (n > 50) atau
Uji Shapiro-Wilk (n ≤ 50)
Uji Normalitas Data
Skewness dan Kurtosis
Skewness berhubungan dengan simetri
distribusi.
Skewed variabel (variabel menceng) adl
variabel yg nilai meannya tdk di tengah2
distribusi
Kurtosis berhubungan dg puncak suatu
distibusi.
Distribusi normal skewness dan
kurtosis sama dengan 0
Makin besar nilai skewness dan kurtosis
nilai “outlier”
Uji Normalitas Data
Skewness
Sk>0 Sk=0 Sk<0
Skewness positif Skewness normal Skewness negatif
Uji Normalitas Data
Kurtosis
Kt>0 (runcing)
Kt=0 (normal)
Kt<0 (tumpul)
Uji Normalitas Data
Skewness dan Kurtosis
Uji signifikansi skewness dan kurtosis
Keterangan :
S =nilai skewness
N = jumlah kasus/sampel
K = nilai kurtosis
Nilai Zskew dan Z kurt dibandingkan dg nilai kritis.
𝞪 (0,01) Z kritisnya ± 2,58
𝞪 (0,05) Z kritisnya ± 1,96
Uji Normalitas Data
Skewness
Distribusi data menceng ke kanan
nilai Zskew positif dan diatas 1,96 atau
2,58
Distribusi data menceng ke kiri
nilai Z Skew negatif dan dibawah 1,96
atau 2,58
Uji Normalitas Data
Kurtosis
Data mempunyai puncak yang terlalu
tinggi Zkurt bernilai positif dan
diatas 1,96 atau 2,58
Data mempunyai puncak yang relatif
datar Z kurt bernilai negatif dan diba
wah
Uji Normalitas Data
Grafik (Kurva Normal)
Normal tidaknya suatu data dapat dideteksi
menggunakan grafik histogram
Uji normalitas data menggunakan grafik
terkadang dipengaruhi oleh subyektifitas
pembaca (interpreter)
menggunakan bantuan SPSS
Uji Normalitas Data
Uji Statistik Kolmogorov-Smirnov
Menggunakan SPSS
Nilai p > 0,05 distribusi normal
Nilai p ≤ 0,05 distribusi tidak normal
NORMALITAS DATA
Penanganan Data Tidak Normal
1. Menambah jumlah data atau menambah sampel
2. Menghilangkan data “outlier” yang menyebabkan
ketidaknormalan data pertimbangkan hasil
penelitian jika data dihilangkan
3. Dilakukan transformasi data
4. Data diterima apa adanya statistik nonparametrik
Penanganan Data Tidak Normal
- Transformasi Data -
Data yg tdk normal dapat ditransformasi
agar menjadi normal
Untuk menormalkan data, perlu diketahui
bentuk grafik histogram.
Bentuk Grafik Histogram Bentuk Transformasi
Moderate positive skewness SQRT (x) atau akar kuadrat
Subtantial positive skewness LG10 (x) atau logaritma 10 atau LN
Severe positive skewness dg bentuk L I/x atau inverse
Moderate negative skewness SQRT (k-x)
Subtantial negative skewness LG10 (k-x)
Severe negative skewness dg bentuk J I/(k-x)
k = nilai tertinggi (maksimum) dr data mentah x
Penanganan Data Tidak Normal
- Outlier-
Data yg memiliki karakteristik unik
yg terlihat sangat berbeda jauh dr
observasi2 lainnya dan muncul
dlm bentuk nilai ekstrim.
Penyebab :
kesalahan entri
missing value
outlier bukan anggota populasi yg
diambil sbg sampel
outlier merupakan anggota
populasi (distribusi dlm populasi
memiliki nilai ekstrim)
Penanganan Data Tidak Normal
- Outlier-
Data yang akan dideteksi
outliernya adl data yg sudah di scr
eening normalitasnya.
Sampel kecil (<80), standar skor ≥
2,5 dinyatakan outlier.
Sampel besar, standar skor antara
3-4 dinyatakan outlier