KONSEP DASAR UJI NORMALITAS

Uji distribusi normal merupakan salah satu teknik analisis data untuk mengukur apakah data empiris yang diperoleh di lapangan memiliki distribusi normal sehingga dapat digunakan untuk uji statistik parametrik. Dengan kata lain, uji normalitas adalah uji untuk mengetahui apakah data empirik yang didapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu. Dalam kasus ini, distribusi normal. Dengan kata lain, apakah data yang diperoleh berasal dari populasi yang berdistribusi normal.

Lebih teparnya, uji normalitas merupakan sebuah bentuk seleksi model, dan bisa diinterpretasi melalui beberapa cara, tergantung pada interpretasi probabilitas:

1. Jika digunakan untuk uji statistik deskriptif, digunakan untuk estimasi kesesuaian model (goodness of fit index) sebuah model data – jika kesesuaian model rendah berdasarkan acuan normalitas maka data bisa dikatakan kurang sesuai menurut distribusi normal.
2. Jika digunakan menguji hipotesis statistik, uji normalitas digunakan untuk menguji hipotesis normalitas.

Jika kita merujuk pada suatu tabel distribusi seperti tabel t-student, pembuatannya mengacu pada tebel normalitas. Oleh karena itu kita bisa katakana bahwa sampel yang diambil mewakili populasi sehingga kesimpulan yang diambil merupakan generalisasi dari populasi. Dari sudut pandangan ilmu statistik, sifat dan karakteristik populasi mempunyai distribusi secara normal.

Pengujian normalitas diperlukan sebelum melakukan uji t-student, uji two-way ANOVA dan uji regresi. Jika asumsi normalitas tidak terpenuhi, maka kesimpulan hasil uji tidak dapat dapatkan diandalkan. Untuk uji ANOVA atau uji t, uji normalitas dilakukan pada data yang diperoleh atau disebut uji normalitas data. Sedangkan normalitas pada uji regresi, baik untuk analisis regresi sederhana maupun analisis regresi berganda, adalah uji normalitas galat atau nilai residualnya atau disebut uji normalitas residual.

Pada dasarnya uji normalitas ada tujuh jenis yaitu:

1.      Uji Shapiro-Wilk

Digunakan pada jumlah sampel yang kecil

2.      Kolmogorov-Smirnov

Untuk menguji distribusi Gaussian menggunakan nilai mean dan varian

3.      Liliefors

Merupakan bagian dari uji Kolmogorov-Smirnov dengan koreksi nilai P. Digunakan pada sampel kecil.

4.      Anderson-Darling

Hasilnya lebih baik untuk beberapa dataset daripada Kolmorov-Smirnov

5.      D’Agostino’s K-Squared

Estimasi normalitas berdasarkan transformasi kurtosis dan skewness.

6.      Chen-Shapiro

Pengembangan dari uji Shapiro-Wilk. Mendukung ukuran sampel 10 – 2000