Contoh Tutorial Cara Uji Normalitas Data Di SPSS

Pada materi ini, kita akan membahas tentang cara uji normalitas data menggunakan perangkat lunak SPSS. Uji normalitas sangat penting dalam analisis statistik karena banyak metode yang membutuhkan asumsi bahwa data terdistribusi secara normal. Dalam contoh tutorial ini, kita akan mempelajari beberapa metode yang umum digunakan untuk menguji normalitas data di SPSS, seperti metode grafik, One Sample Kolmogorov-Smirnov, dan metode Shapiro-Wilk. Selain itu, kita juga akan mempelajari bagaimana membaca hasil uji normalitas yang dihasilkan oleh SPSS, termasuk statistik uji dan p-value. Dengan memahami cara uji normalitas data di SPSS, kita dapat memastikan keakuratan analisis statistik yang dilakukan dan memilih metode yang tepat untuk data kita.

Dalam analisis statistik, normalitas data merupakan asumsi penting yang harus dipenuhi sebelum menerapkan berbagai teknik statistik. Uji normalitas digunakan untuk menentukan apakah data kita mengikuti distribusi normal atau tidak. SPSS (Statistical Package for the Social Sciences) adalah salah satu perangkat lunak yang populer digunakan untuk menganalisis data secara statistik.

Dalam tutorial ini, kita akan mempelajari beberapa metode yang dapat digunakan untuk menguji normalitas data di SPSS. Salah satu metode yang umum adalah metode grafik, di mana kita menggunakan histogram atau grafik Normality Plot untuk memvisualisasikan distribusi data. Dengan melihat bentuk dan simetri histogram, serta posisi titik-titik pada grafik Normality Plot, kita dapat mendapatkan indikasi awal apakah data kita terdistribusi secara normal.

Selain itu, kita juga akan mempelajari metode statistik yang lebih formal seperti One Sample Kolmogorov-Smirnov dan metode Shapiro-Wilk. Metode ini menghasilkan statistik uji dan p-value yang memberikan informasi lebih lanjut tentang normalitas data. Dengan menganalisis nilai p-value yang dihasilkan, kita dapat menentukan apakah data kita terdistribusi secara normal atau tidak, dengan mempertimbangkan tingkat signifikansi yang ditentukan sebelumnya.

Memahami cara uji normalitas data di SPSS sangat penting dalam melakukan analisis statistik yang akurat. Dengan mengetahui apakah data kita terdistribusi secara normal, kita dapat memilih metode statistik yang tepat dan menginterpretasikan hasil analisis dengan benar. Dalam tutorial ini, kita akan mempelajari langkah-langkah praktis untuk melakukan uji normalitas data di SPSS dan membaca hasilnya dengan baik.

Macam Cara Jenis Metode Uji Normalitas

Macam Cara Jenis Uji Normalitas ada metode Uji Kolmogorov-Smirnov, Uji Shapiro-Wilk, Uji Lilliefors dan metode grafik, Berikut adalah penjelasan singkat mengenai masing-masing metode uji normalitas

Metode Uji Kolmogorov-Smirnov

Uji Kolmogorov-Smirnov adalah metode statistik yang digunakan untuk menguji normalitas data dengan membandingkan distribusi data yang diamati dengan distribusi normal yang diharapkan. Uji ini menghasilkan statistik uji Kolmogorov-Smirnov dan p-value, yang dapat digunakan untuk menentukan sejauh mana data kita terdistribusi secara normal. Jika p-value lebih besar dari tingkat signifikansi yang ditentukan, data dianggap terdistribusi secara normal.

Metode Uji Shapiro-Wilk

Uji Shapiro-Wilk adalah metode statistik lain yang digunakan untuk menguji normalitas data. Metode ini didasarkan pada perhitungan statistik uji Shapiro-Wilk dan p-value yang mengukur sejauh mana data kita cocok dengan distribusi normal. Jika p-value lebih besar dari tingkat signifikansi yang ditentukan, data dianggap terdistribusi secara normal.

Metode Uji Lilliefors

Uji Lilliefors juga merupakan metode statistik untuk menguji normalitas data. Metode ini serupa dengan uji Kolmogorov-Smirnov, tetapi memperhitungkan penggunaan sampel untuk mengestimasi parameter distribusi normal. Uji Lilliefors menghasilkan statistik uji Lilliefors dan p-value. Jika p-value lebih besar dari tingkat signifikansi yang ditentukan, data dianggap terdistribusi secara normal.

Metode Grafik

Metode grafik adalah pendekatan yang menggunakan visualisasi data untuk mengevaluasi normalitas. Dalam metode ini, kita dapat menggunakan histogram atau grafik Normality Plot untuk melihat bentuk dan simetri distribusi data. Jika histogram terlihat simetris dan mirip dengan kurva normal, atau jika titik-titik pada grafik Normality Plot mengikuti garis diagonal, maka data cenderung terdistribusi secara normal.

Pemilihan metode uji normalitas tergantung pada preferensi dan kebutuhan analisis Anda. Penting untuk menginterpretasikan hasil uji normalitas dengan mempertimbangkan p-value, tingkat signifikansi yang ditentukan, dan melengkapi hasil uji dengan melihat grafik distribusi data.

Langkah Tahap Cara Uji Normalitas Metode One Sample Kolmogorov Smirnov di SPSS

Untuk menguji normalitas dengan metode One Sample Kolmogorov-Smirnov di SPSS, Anda dapat mengikuti langkah-langkah berikut

Buka program SPSS
Isi Data di lembar kerja "Data View"
Tahap 1 Mencari Nilai Residual
Pilih menu "Analyze".
Pilih submenu "Regression Linier"
Masukkan Data Variabel Y di posisi "Dependent".
Masukkan Data Variabel X di Posisi "Independent".
Pilh Tombol "Save".
Pada Residual, Centang "Unstandardized"
Kemudian Continue dan Ok. - Maka Akan Muncul Variabel Baru Bernama Res singkatan dari Residual
Tahap 2 Melakukan Uji Normalitas Residual
Pilih Menu "Analize".
Pilih Sub Menu "Non Parametric Tests".
Pilih Sub Sub Menu "Legacy Dialogs".
Pilih Sub Sub Sub Menu "1-Sample K-S".
Masukkan Data Variabel Res Unstandardized Residual di posisi "Test Variabel List".
Pada Bagian Test Distribution Centang Normal.
Kemudian Ok

SPSS akan menghasilkan output yang berisi statistik uji normalitas, termasuk nilai Kolmogorov-Smirnov dan p-value yang dapat digunakan untuk menentukan apakah data tersebut terdistribusi secara normal. Itulah langkah-langkah untuk menguji normalitas dengan metode One Sample Kolmogorov-Smirnov di SPSS.

Cara Membaca hasil Uji Normalitas Metode One Sample Kolmogorov Smirnov di SPSS

Untuk membaca hasil uji normalitas menggunakan metode One Sample Kolmogorov-Smirnov di SPSS, Anda perlu melihat output yang dihasilkan oleh analisis tersebut. Berikut adalah beberapa hal yang perlu diperhatikan dalam membaca hasilnya:

most extreme differences

Dalam hasil uji normalitas metode Kolmogorov-Smirnov, "most extreme differences" mengacu pada perbedaan ekstrim antara distribusi data yang diamati dengan distribusi normal yang diuji. Istilah "absolute positive" dan "absolute negative" mengacu pada arah perbedaan tersebut.

Arti dari "most extreme differences" adalah perbedaan terbesar antara distribusi data dan distribusi normal yang diuji. Nilai ini mengindikasikan sejauh mana data kita cocok dengan distribusi normal yang diharapkan. Jika perbedaan tersebut sangat kecil, maka data kita cenderung terdistribusi secara normal. Namun, jika perbedaan tersebut besar, maka data kita tidak terdistribusi secara normal.

Cara membaca hasil "most extreme differences" dalam uji normalitas metode Kolmogorov-Smirnov adalah dengan melihat nilai absolut dari perbedaan tersebut. Perbedaan positif menunjukkan bahwa data kita cenderung lebih besar dari yang diharapkan dalam distribusi normal, sedangkan perbedaan negatif menunjukkan bahwa data kita cenderung lebih kecil dari yang diharapkan dalam distribusi normal.

Penting untuk memeriksa baik perbedaan positif maupun negatif, karena keduanya dapat memberikan informasi yang berharga tentang kesesuaian data dengan distribusi normal. Semakin kecil nilai perbedaan absolut, semakin baik data kita cocok dengan distribusi normal.

Dalam membaca hasil uji normalitas metode Kolmogorov-Smirnov, perhatikan nilai "most extreme differences" baik yang positif maupun yang negatif, dan gunakan informasi tersebut untuk menentukan sejauh mana data kita terdistribusi secara normal.

Test Statistics

Dalam hasil uji normalitas metode Kolmogorov-Smirnov, "test statistic" atau statistik uji mengacu pada nilai statistik yang dihitung berdasarkan perbedaan antara distribusi data yang diamati dengan distribusi normal yang diuji. Statistik ini digunakan untuk menentukan sejauh mana data kita cocok dengan distribusi normal yang diharapkan.

Arti dari "test statistic" adalah mengukur tingkat kesesuaian atau ketidaksesuaian data kita dengan distribusi normal. Nilai statistik uji yang lebih kecil menunjukkan bahwa data kita lebih cocok dengan distribusi normal, sedangkan nilai statistik uji yang lebih besar menunjukkan ketidaksesuaian antara data kita dan distribusi normal.

Cara membaca hasil "test statistic" dalam uji normalitas metode Kolmogorov-Smirnov adalah dengan membandingkan nilai statistik uji dengan nilai kritis yang sesuai. Nilai kritis biasanya tergantung pada ukuran sampel dan tingkat signifikansi yang ditentukan sebelumnya.

Jika nilai statistik uji lebih kecil dari nilai kritis, maka tidak ada cukup bukti untuk menolak hipotesis nol, yang berarti data kita cenderung terdistribusi secara normal. Namun, jika nilai statistik uji lebih besar dari nilai kritis, maka ada cukup bukti untuk menolak hipotesis nol, yang berarti data kita tidak terdistribusi secara normal.

Dalam membaca hasil uji normalitas metode Kolmogorov-Smirnov, perhatikan nilai statistik uji dan bandingkan dengan nilai kritis yang sesuai untuk tingkat signifikansi yang ditentukan. Hal ini akan membantu Anda dalam menentukan apakah data Anda terdistribusi secara normal atau tidak.

Dalam hasil uji normalitas metode Kolmogorov-Smirnov, "asymp.sig. (2-tailed)" atau p-value mengacu pada nilai probabilitas dua sisi yang dihasilkan dari uji statistik. P-value merupakan ukuran signifikansi statistik dan menunjukkan seberapa kuat bukti yang ada untuk menolak hipotesis nol.

asymp.sig. (2-tailed) atau P-value

P-value merupakan ukuran signifikansi statistik dan menunjukkan seberapa kuat bukti yang ada untuk menolak hipotesis nol (hipotesis bahwa data terdistribusi secara normal). Jika p-value lebih besar dari tingkat signifikansi yang ditentukan (misalnya, α = 0,05), maka tidak ada cukup bukti untuk menolak hipotesis nol dan data dianggap terdistribusi secara normal. Namun, jika p-value lebih kecil dari tingkat signifikansi yang ditentukan, maka dapat disimpulkan bahwa data tidak terdistribusi secara normal.

Arti dari "asymp.sig. (2-tailed)" adalah probabilitas secara dua sisi untuk mendapatkan hasil uji yang seekstrem atau lebih ekstrem daripada yang diamati, jika hipotesis nol benar (yaitu, data terdistribusi secara normal). Probabilitas ini digunakan untuk mengambil keputusan apakah kita menolak atau gagal menolak hipotesis nol.

Cara membaca hasil "asymp.sig. (2-tailed)" dalam uji normalitas metode Kolmogorov-Smirnov adalah dengan membandingkan nilai p-value dengan tingkat signifikansi yang ditentukan sebelumnya (biasanya α = 0,05). Jika p-value lebih besar dari tingkat signifikansi, maka tidak ada cukup bukti untuk menolak hipotesis nol, yang berarti data kita cenderung terdistribusi secara normal. Namun, jika p-value lebih kecil dari tingkat signifikansi, maka ada cukup bukti untuk menolak hipotesis nol, yang berarti data kita tidak terdistribusi secara normal.

Dalam membaca hasil uji normalitas metode Kolmogorov-Smirnov, perhatikan nilai p-value dan bandingkan dengan tingkat signifikansi yang ditentukan sebelumnya. P-value yang lebih besar dari tingkat signifikansi menunjukkan bahwa data kita cenderung terdistribusi secara normal, sementara p-value yang lebih kecil menunjukkan bahwa data tidak terdistribusi secara normal.

Cara Uji Normalitas Metode Shapiro Wilk di SPSS

Untuk menguji normalitas dengan metode Shapiro-Wilk di SPSS, Anda dapat mengikuti langkah-langkah berikut:

Buka program SPSS dan impor data yang ingin Anda analisis.

Pilih menu "Analyze" di bagian atas jendela SPSS.

Pilih submenu "Descriptive Statistics" dan kemudian pilih "Explore".

Dalam jendela dialog "Explore", pindahkan variabel yang ingin Anda uji normalitasnya ke dalam kotak "Dependent List".

Pastikan opsi "Plots" dicentang dan pilih opsi "Normality plots with tests".

Klik "OK" untuk menutup jendela dialog dan menjalankan analisis.

SPSS akan menghasilkan output yang berisi statistik uji normalitas, termasuk nilai statistik Shapiro-Wilk dan p-value yang dapat digunakan untuk menentukan apakah data tersebut terdistribusi secara normal.

Perhatikan bahwa p-value yang dihasilkan oleh uji Shapiro-Wilk dapat digunakan untuk menentukan signifikansi normalitas. Jika p-value lebih besar dari tingkat signifikansi yang telah ditentukan (misalnya, α=0,05), maka dapat diterima bahwa data terdistribusi secara normal. Namun, jika p-value lebih kecil dari tingkat signifikansi yang telah ditentukan, maka dapat disimpulkan bahwa data tidak terdistribusi secara normal.

Itulah langkah-langkah untuk menguji normalitas dengan metode Shapiro-Wilk di SPSS.

Cara mambaca hasil Uji Normalitas Metode Shapiro Wilk di SPSS

Untuk membaca hasil uji normalitas menggunakan metode Shapiro-Wilk di SPSS, berikut adalah beberapa hal yang perlu diperhatikan dalam membaca outputnya

Statistik uji

Perhatikan nilai statistik uji Shapiro-Wilk yang terdapat dalam output SPSS. Statistik ini menggambarkan sejauh mana data yang diamati cocok dengan distribusi normal. Biasanya, statistik uji ini diberi label "W" atau "Shapiro-Wilk".

P-value

Perhatikan nilai p-value yang terkait dengan uji normalitas. P-value merupakan ukuran signifikansi statistik dan menunjukkan seberapa kuat bukti yang ada untuk menolak hipotesis nol (hipotesis bahwa data terdistribusi secara normal). Jika p-value lebih besar dari tingkat signifikansi yang ditentukan (misalnya, α = 0,05), maka tidak ada cukup bukti untuk menolak hipotesis nol dan data dianggap terdistribusi secara normal. Namun, jika p-value lebih kecil dari tingkat signifikansi yang ditentukan, maka dapat disimpulkan bahwa data tidak terdistribusi secara normal.

Interpretasi p-value

Jika p-value lebih besar dari tingkat signifikansi yang ditentukan, maka dapat diterima bahwa data terdistribusi secara normal. Namun, jika p-value lebih kecil dari tingkat signifikansi yang ditentukan, maka dapat disimpulkan bahwa data tidak terdistribusi secara normal.

Dalam membaca hasil uji normalitas dengan metode Shapiro-Wilk di SPSS, perhatikan statistik uji, p-value, dan tingkat signifikansi yang ditentukan untuk menentukan apakah data terdistribusi secara normal atau tidak.

Cara Uji Normalitas Metode Grafik di SPSS

Untuk menguji normalitas menggunakan metode grafik di SPSS, Anda dapat mengikuti langkah-langkah berikut:

Buka program SPSS dan impor data yang ingin Anda analisis.

Pilih menu "Graphs" di bagian atas jendela SPSS.

Pilih submenu "Legacy Dialogs" dan kemudian pilih "Histogram".

Pindahkan variabel yang ingin Anda uji normalitasnya ke dalam kotak "Variable".

Klik "OK" untuk menutup jendela dialog dan menjalankan analisis.

SPSS akan menghasilkan histogram yang menggambarkan distribusi data Anda.

Perhatikan bentuk histogram tersebut. Jika data terlihat simetris dan mirip dengan kurva normal, dapat diasumsikan bahwa data tersebut terdistribusi secara normal. Namun, jika histogram memiliki bentuk yang tidak simetris atau terdapat tumpukan data di salah satu sisi, maka data tersebut mungkin tidak terdistribusi secara normal.

Anda juga dapat melihat nilai statistik seperti skewness (asimetri) dan kurtosis (puncak) di output SPSS untuk memberikan informasi lebih lanjut tentang normalitas data Anda.

Itulah langkah-langkah untuk menguji normalitas menggunakan metode grafik di SPSS. Namun, penting untuk dicatat bahwa penggunaan metode grafik hanya memberikan indikasi awal tentang normalitas data. Uji statistik formal seperti Kolmogorov-Smirnov atau Shapiro-Wilk direkomendasikan untuk menguji normalitas dengan lebih akurat.

Cara membaca hasil Uji Normalitas Metode Grafik di SPSS

Untuk membaca hasil uji normalitas menggunakan metode grafik di SPSS, Anda perlu melihat grafik distribusi yang dihasilkan oleh analisis tersebut. Berikut adalah beberapa hal yang perlu diperhatikan dalam membaca hasilnya

Histogram

Histogram merupakan grafik yang menunjukkan distribusi data yang diamati. Perhatikan bentuk histogram tersebut. Jika histogram terlihat simetris dan mirip dengan kurva normal, ini menunjukkan bahwa data mungkin terdistribusi secara normal. Namun, jika histogram memiliki bentuk yang tidak simetris atau terdapat tumpukan data di salah satu sisi, ini menunjukkan bahwa data mungkin tidak terdistribusi secara normal.

Normality plot

SPSS juga dapat menghasilkan grafik Normality Plot yang membandingkan distribusi data yang diamati dengan distribusi normal yang diharapkan. Perhatikan apakah titik-titik dalam grafik berada cukup dekat dengan garis diagonal. Jika titik-titik cenderung mengikuti garis diagonal, ini menunjukkan bahwa data mungkin terdistribusi secara normal. Namun, jika titik-titik tersebar jauh dari garis diagonal, ini menunjukkan bahwa data tidak terdistribusi secara normal.

Skewness dan Kurtosis

SPSS juga memberikan informasi tentang skewness (asimetri) dan kurtosis (puncak) dalam output. Jika skewness mendekati nol dan kurtosis mendekati 3 (nilai kurtosis untuk distribusi normal), maka data memiliki tingkat asimetri dan puncak yang sesuai dengan distribusi normal.

Dalam membaca hasil uji normalitas dengan metode grafik di SPSS, perhatikan histogram, grafik Normality Plot, dan informasi tentang skewness dan kurtosis untuk mendapatkan pemahaman tentang normalitas data Anda. Namun, penting juga untuk melengkapi hasil uji normalitas dengan metode statistik formal seperti Kolmogorov-Smirnov atau Shapiro-Wilk untuk mendapatkan keputusan yang lebih akurat.

List Materi Uji SPSS