Uji Normalitas

Sebelum melakukan uji statistik, perlu dilakukan pengujian asumsi untuk memastikan hasil yang didapat akurat dan valid. Salah satu asumsi yang perlu diuji adalah normalitas, yang menyatakan bahwa data harus terdistribusi normal. Untuk memverifikasi hal ini, kita menggunakan uji normalitas.

Uji normalitas adalah uji statistik yang digunakan untuk menentukan apakah sebuah data terdistribusi normal. Distribusi normal adalah kurva berbentuk lonceng yang simetris sekitar mean, dengan sebagian besar titik data jatuh dalam satu standar deviasi dari mean.

Kapan menggunakan uji normalitas

Uji normalitas harus dilakukan sebelum melakukan uji statistik parametrik. Uji parametrik biasanya menggunakan data yang berada pada level interval atau rasio. Berikut adalah uji statistik yang memerlukan uji normalitas:

• uji t
• ANOVA
• korelasi pearson
• regresi (normalitas pada residu, bukan data)

Meskipun asumsi normalitas tidak terpenuhi, kita masih dapat melakukan tiga uji awal karena adanya teorema limit sentral. Teorema ini menyatakan bahwa, terlepas dari distribusi populasi, mean sampel yang diambil darinya akan memiliki distribusi yang hampir normal. Umumnya, ukuran sampel lebih dari 30 sudah cukup agar teorema limit sentral berlaku.

Cara melakukan uji normalitas

Ada beberapa uji normalitas yang dapat digunakan, masing-masing dengan kelebihan dan kekurangan. Ada dua cara utama untuk melakukan uji normalitas: grafis dan numerik. Uji normalitas yang paling umum meliputi:

• Grafis
  • Histogram
  • Boxplot
  • Q-Q plot
• Numerik
  • Uji Shapiro-Wilk
  • Uji Kolmogorov-Smirnov
  • Uji Jarque-Bera
  • Uji Lilliefors
  • Uji Anderson-Darling

Pemilihan uji normalitas yang digunakan akan tergantung pada sejumlah faktor, termasuk ukuran set data dan tingkat signifikansi yang diinginkan.

Cara Menginterpretasikan Hasil Uji Normalitas

Hasil uji normalitas biasanya dilaporkan sebagai nilai p. Ini mengukur probabilitas mendapatkan data yang diamati jika hipotesis nol benar. Hipotesis nol dan alternatifnya adalah sebagai berikut:

• Hipotesis nol (H0): data terdistribusi normal.
• Hipotesis alternatif (H1): data tidak terdistribusi normal.

Nilai p kurang dari 0,05 umumnya dianggap signifikan secara statistik. Ini berarti ada kurang dari 5% kemungkinan mendapatkan data yang diamati jika hipotesis nol benar. Dalam hal ini, bila nilai p dibawah 0,05, kita akan menolak hipotesis nol dan menyimpulkan bahwa data tidak terdistribusi normal.

Jika nilai P lebih dari 5%, data terdistribusi normal.

Perlu dicatat bahwa uji normalitas tidak sempurna. Terkadang, uji dapat salah menyimpulkan bahwa data tidak terdistribusi normal ketika sebenarnya demikian, atau salah menyimpulkan bahwa data terdistribusi normal ketika sebenarnya tidak demikian.

Apa yang Harus Dilakukan Jika Normalitas Dilanggar

Jika asumsi normalitas tidak terpenuhi, Anda dapat mempertimbangkan opsi berikut:

1. Gunakan uji non-parametrik. Uji non-parametrik tidak memerlukan distribusi normal data. Beberapa uji non-parametrik umum termasuk uji Wilcoxon signed-rank, uji Mann-Whitney U, dan uji Kruskal-Wallis.
2. Transformasikan data. Ada beberapa transformasi yang dapat digunakan untuk membuat data lebih terdistribusi normal. Beberapa transformasi umum termasuk transformasi log, transformasi akar kuadrat, dan transformasi reciprok.