Cara Uji Normalitas Shapiro Wilk di SPSS
Uji normalitas merupakan salah satu tahap penting dalam analisis statistik yang bertujuan untuk menentukan apakah suatu data berdistribusi normal atau tidak. Distribusi normal adalah asumsi dasar dalam banyak uji statistik parametrik, seperti uji t dan analisis varians (ANOVA). Oleh karena itu, sebelum melakukan analisis lebih lanjut, penting untuk memastikan bahwa data yang digunakan memenuhi asumsi normalitas agar hasil yang diperoleh valid dan dapat diandalkan.
Salah satu metode yang umum digunakan untuk menguji normalitas data adalah Uji Shapiro-Wilk. Uji ini dikembangkan oleh Samuel Shapiro dan Martin Wilk pada tahun 1965 dan dikenal memiliki tingkat keakuratan yang tinggi, terutama untuk sampel berukuran kecil hingga menengah (kurang dari 50 atau 200 sampel, tergantung pada referensi yang digunakan). Berbeda dengan metode lain seperti Uji Kolmogorov-Smirnov, Uji Shapiro-Wilk lebih sensitif dalam mendeteksi penyimpangan dari distribusi normal. Jika hasil uji menunjukkan bahwa data tidak berdistribusi normal, maka langkah selanjutnya adalah mempertimbangkan transformasi data atau menggunakan uji statistik nonparametrik.
Dalam aplikasi statistik seperti SPSS, Uji Shapiro-Wilk dapat dilakukan dengan mudah tanpa perlu melakukan perhitungan manual yang kompleks. SPSS menyediakan fitur uji normalitas yang secara otomatis menghitung statistik Shapiro-Wilk dan nilai signifikansinya. Dengan memahami cara melakukan Uji Shapiro-Wilk di SPSS, peneliti dapat lebih cepat menentukan apakah data yang digunakan memenuhi asumsi normalitas atau memerlukan pendekatan alternatif. Pada materi ini, akan dijelaskan langkah-langkah praktis untuk melakukan Uji Normalitas Shapiro-Wilk di SPSS, beserta cara interpretasi hasilnya agar dapat digunakan secara optimal dalam analisis data.
Pengertian Uji Normalitas Metode Shapiro Wilk
Uji Normalitas Shapiro-Wilk adalah salah satu metode statistik yang digunakan untuk menguji apakah suatu data berdistribusi normal atau tidak. Uji ini pertama kali diperkenalkan oleh Samuel Shapiro dan Martin Wilk pada tahun 1965 dan dikenal sebagai salah satu uji normalitas yang paling akurat, terutama untuk sampel berukuran kecil hingga menengah (kurang dari 50 atau 200 sampel, tergantung referensi yang digunakan).
Secara matematis, Uji Shapiro Wilk menghitung statistik W yang membandingkan distribusi kumulatif data sampel dengan distribusi normal yang diharapkan. Nilai W berkisar antara 0 hingga 1, di mana nilai mendekati 1 menunjukkan bahwa data lebih cenderung berdistribusi normal. Dalam pengujian ini, hipotesis nol (H0) menyatakan bahwa data berdistribusi normal, sedangkan hipotesis alternatif (Ha) menyatakan bahwa data tidak berdistribusi normal. Jika nilai signifikansi (p-value) dari uji ini lebih kecil dari tingkat signifikansi yang ditentukan (misalnya, 0.05), maka hipotesis nol ditolak, yang berarti data tidak berdistribusi normal.
Keunggulan utama dari Uji Shapiro-Wilk adalah sensitivitasnya yang tinggi terhadap penyimpangan dari normalitas, menjadikannya pilihan yang lebih disarankan dibandingkan dengan uji normalitas lainnya seperti Uji Kolmogorov-Smirnov, terutama untuk sampel kecil. Oleh karena itu, uji ini sering digunakan dalam penelitian untuk memastikan bahwa asumsi normalitas terpenuhi sebelum melakukan analisis statistik parametrik.
Syarat Data Metode Shapiro Wilk
Uji Shapiro-Wilk merupakan salah satu metode yang digunakan untuk menguji apakah suatu data berdistribusi normal atau tidak. Namun, sebelum menerapkan uji ini, ada beberapa syarat yang harus dipenuhi agar hasil uji normalitas dapat diinterpretasikan dengan benar. Berikut adalah beberapa syarat yang perlu diperhatikan
Uji Shapiro-Wilk hanya dapat digunakan untuk data yang bersifat kuantitatif (numerik), seperti data dalam bentuk angka yang dapat dihitung dan diukur. Data kategorik atau data yang berskala nominal maupun ordinal tidak dapat diuji normalitasnya menggunakan metode ini.
Uji Shapiro-Wilk umumnya lebih efektif untuk sampel berukuran kecil hingga menengah, biasanya kurang dari 50 atau 200 sampel. Meskipun dapat digunakan hingga 2000 sampel, untuk sampel yang lebih besar, metode lain seperti Uji Kolmogorov-Smirnov lebih disarankan.
Outlier atau nilai pencilan yang ekstrem dapat mempengaruhi hasil uji normalitas. Oleh karena itu, sebelum melakukan Uji Shapiro-Wilk, disarankan untuk terlebih dahulu melakukan deteksi outlier menggunakan metode seperti boxplot atau analisis Z-score dan mempertimbangkan apakah outlier perlu dihapus atau ditransformasikan.
Setiap observasi dalam dataset harus bersifat independen, artinya tidak ada hubungan atau ketergantungan antar data. Jika data memiliki hubungan berulang atau berbentuk time series, maka metode uji normalitas lain yang mempertimbangkan autokorelasi mungkin lebih sesuai.
Data yang memiliki banyak nilai yang hilang (missing values) dapat menyebabkan distorsi dalam uji normalitas. Oleh karena itu, sebelum melakukan Uji Shapiro-Wilk, pastikan bahwa jumlah data yang hilang tidak berlebihan dan telah ditangani dengan baik, misalnya dengan imputasi atau metode lain yang sesuai.
Uji Shapiro-Wilk merupakan metode yang sangat berguna dalam menguji normalitas data, terutama untuk sampel kecil hingga menengah. Namun, agar hasil yang diperoleh akurat, data yang diuji harus memenuhi beberapa syarat seperti bersifat numerik, tidak mengandung outlier ekstrem, independen, serta memiliki ukuran sampel yang sesuai. Dengan memastikan bahwa data memenuhi syarat ini, hasil uji normalitas dapat diinterpretasikan dengan lebih baik untuk menentukan langkah analisis statistik selanjutnya.
Kelebihan Metode Shapiro Wilk
Uji Shapiro-Wilk merupakan salah satu metode yang banyak digunakan untuk menguji apakah suatu dataset berdistribusi normal atau tidak. Dibandingkan dengan metode lain seperti Uji Kolmogorov-Smirnov, Uji Shapiro-Wilk memiliki beberapa keunggulan yang membuatnya lebih disarankan, terutama dalam kondisi tertentu. Berikut adalah beberapa kelebihan dari Uji Shapiro-Wilk
Uji Shapiro-Wilk dikenal memiliki sensitivitas yang lebih tinggi dibandingkan metode lain dalam mendeteksi perbedaan antara distribusi data dengan distribusi normal yang diharapkan. Sensitivitas ini membuatnya lebih andal dalam mengidentifikasi penyimpangan kecil sekalipun dari normalitas.
Salah satu keunggulan utama Uji Shapiro-Wilk adalah kemampuannya memberikan hasil yang lebih akurat untuk ukuran sampel kecil hingga menengah (kurang dari 50 atau hingga 200 sampel). Metode lain seperti Kolmogorov-Smirnov lebih cocok untuk sampel besar, sementara Shapiro-Wilk tetap efektif untuk dataset yang lebih kecil.
Metode Sahpiro Wilk menghitung statistik berdasarkan semua nilai data yang tersedia, bukan hanya berdasarkan nilai maksimum atau perbedaan distribusi kumulatif seperti dalam metode Kolmogorov-Smirnov. Dengan menggunakan seluruh informasi data, Uji Shapiro-Wilk mampu memberikan hasil yang lebih akurat.
Output dari Uji Shapiro-Wilk memberikan nilai statistik W dan nilai signifikansi (p-value). Jika p-value lebih kecil dari 0.05, maka data dianggap tidak berdistribusi normal. Interpretasi yang sederhana ini memudahkan pengguna dalam mengambil keputusan terkait langkah analisis selanjutnya.
Uji Shapiro-Wilk merupakan salah satu uji normalitas yang sangat direkomendasikan, terutama untuk dataset dengan jumlah sampel kecil hingga menengah. Keunggulannya yang mencakup sensitivitas tinggi, penggunaan informasi data yang maksimal, serta kemudahan penerapan dalam software statistik menjadikannya metode yang lebih banyak dipilih oleh peneliti dan praktisi statistik.
Kelemahan Metode Shapiro Wilk
Meskipun Uji Shapiro-Wilk merupakan salah satu metode yang paling populer dan akurat dalam menguji normalitas data, metode ini tetap memiliki beberapa keterbatasan yang perlu diperhatikan dalam penggunaannya. Berikut adalah beberapa kelemahan dari Uji Shapiro-Wilk
Salah satu kelemahan utama Uji Shapiro-Wilk adalah sensitivitasnya yang tinggi terhadap penyimpangan kecil dari normalitas. Pada sampel yang sangat besar (lebih dari 2000 sampel), hampir selalu ditemukan perbedaan kecil dari distribusi normal, sehingga uji ini cenderung menghasilkan keputusan bahwa data tidak berdistribusi normal meskipun penyimpangan tersebut tidak signifikan dalam konteks praktis.
Uji Shapiro-Wilk sangat dipengaruhi oleh keberadaan outlier atau nilai pencilan dalam dataset. Data yang memiliki beberapa nilai ekstrem dapat menyebabkan hasil uji menyimpang dan memberikan kesan bahwa data tidak berdistribusi normal, padahal penyimpangan tersebut hanya berasal dari sedikit titik data. Oleh karena itu, sebelum melakukan uji normalitas, perlu dilakukan pengecekan dan penanganan terhadap outlier.
Metode ini hanya dapat digunakan untuk data numerik (kuantitatif) yang berskala interval atau rasio. Data dalam bentuk kategorik atau ordinal tidak bisa diuji normalitasnya dengan Uji Shapiro-Wilk. Jika data memiliki skala yang berbeda, maka metode analisis lain harus digunakan.
Meskipun Uji Shapiro-Wilk dapat menentukan apakah data berdistribusi normal atau tidak, uji ini tidak memberikan informasi lebih lanjut tentang jenis ketidaksesuaian yang terjadi. Misalnya, apakah distribusi data memiliki skewness (kemencengan) atau kurtosis (keruncingan) yang tinggi. Untuk mendapatkan informasi lebih lanjut mengenai bentuk distribusi, diperlukan analisis tambahan seperti uji skewness-kurtosis atau visualisasi histogram dan Q-Q Plot.
Keputusan dalam Uji Shapiro-Wilk sangat bergantung pada nilai p-value, yang dipengaruhi oleh ukuran sampel. Pada sampel kecil, uji ini cenderung gagal mendeteksi penyimpangan dari normalitas, sedangkan pada sampel besar, uji ini hampir selalu menolak hipotesis normalitas. Oleh karena itu, disarankan untuk tidak hanya bergantung pada hasil uji ini, tetapi juga mengombinasikannya dengan metode lain seperti analisis grafik atau uji statistik tambahan.
Meskipun Uji Shapiro-Wilk memiliki banyak keunggulan, penggunaannya tetap memiliki keterbatasan, terutama dalam menangani sampel besar, data yang mengandung outlier, dan ketergantungannya terhadap p-value. Oleh karena itu, hasil dari Uji Shapiro-Wilk sebaiknya tidak digunakan sebagai satu-satunya acuan dalam menentukan normalitas data, melainkan dikombinasikan dengan metode visualisasi atau uji normalitas lainnya untuk memperoleh kesimpulan yang lebih akurat.
Cara Uji Normalitas Metode Shapiro Wilk
Untuk melakukan uji normalitas data dengan metode Shapiro-Wilk di SPSS, Anda dapat mengikuti serangkaian langkah berikut agar proses analisis berjalan dengan baik dan hasil yang diperoleh dapat diinterpretasikan dengan benar
- 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.
Setelah proses uji normalitas dilakukan, SPSS akan menampilkan output yang mencakup statistik uji, termasuk nilai Shapiro-Wilk serta p-value. Nilai p-value ini berperan dalam menentukan apakah data mengikuti distribusi normal atau tidak.
Jika p-value lebih besar dari tingkat signifikansi yang ditentukan (misalnya, α = 0,05), maka data dapat dianggap berdistribusi normal. Sebaliknya, jika p-value lebih kecil dari batas signifikansi tersebut, maka dapat disimpulkan bahwa data tidak mengikuti distribusi normal.
Dengan demikian, langkah-langkah di atas dapat digunakan untuk menguji normalitas data menggunakan metode Shapiro-Wilk di SPSS.
Cara mambaca hasil Uji Shapiro Wilk
Dalam menganalisis hasil uji normalitas dengan metode Shapiro-Wilk di SPSS, ada beberapa aspek penting yang harus diperhatikan saat menafsirkan output yang dihasilkan
Amati nilai statistik uji Shapiro-Wilk yang ditampilkan dalam output SPSS. Nilai ini menunjukkan sejauh mana data yang dianalisis sesuai dengan distribusi normal. Biasanya, statistik ini dilabeli sebagai 'W' atau 'Shapiro-Wilk' dalam hasil output".
Perhatikan nilai p-value dalam uji normalitas, karena nilai ini menunjukkan tingkat signifikansi statistik dan seberapa kuat bukti untuk menolak hipotesis nol, yaitu asumsi bahwa data berdistribusi normal. Jika p-value lebih besar dari batas signifikansi yang telah ditetapkan (misalnya, α = 0,05), maka tidak ada cukup bukti untuk menolak hipotesis nol, sehingga data dianggap berdistribusi normal. Sebaliknya, jika p-value lebih kecil dari tingkat signifikansi tersebut, maka data dinyatakan tidak berdistribusi normal.
Apabila p-value melebihi tingkat signifikansi yang telah ditetapkan, data dapat dianggap berdistribusi normal. Sebaliknya, jika p-value berada di bawah batas signifikansi tersebut, maka dapat disimpulkan bahwa data tidak mengikuti distribusi normal.
Saat menafsirkan hasil uji normalitas menggunakan metode Shapiro-Wilk di SPSS, penting untuk memperhatikan nilai statistik uji, p-value, serta tingkat signifikansi yang digunakan guna menentukan apakah data berdistribusi normal atau tidak.