Docstoc

Pengujian Normalitas Data dengan One Sample Kolmogorov

Document Sample
Pengujian Normalitas Data dengan One Sample Kolmogorov Powered By Docstoc
					Pengujian Normalitas Data dengan One Sample Kolmogorov-Test
Pada postingan terdahulu, kita sudah pernah membahas mengenai pengujian normalitas dengan menggunakan histogram. Nah, pada postingan ini saya akan mendemonstrasikan bagaimana melakukan pengujian normalitas menggunakan teknik pengujian nonparametric one-sample kolmogorov smirnov test. Kita akan menggunakan data nilai siswa yang diperoleh dari empat metode mengajar. Data tersebut, telah kita pergunakan pada pengujian analisis varian. Pada postingan ini data nilai tersebut akan kita uji apakah berdistribusi normal atau tidak. Data tersebut kita masukkan ke dalam program SPSS seperti berikut ini:

Langkah-langkah melakukan uji normalitas adalah klik ANALYZE > NONPARAMETRIC TEST > 1-SAMPLE KS hingga muncul kota dialog 1-sample KS.

Masukkan variabel nilai pada kotak TEST VARIABLE LIST serta tandai NORMAL pada TEST DISTRIBUTION. Kemudian klik OK hingga muncul output SPSS untuk 1 KS-TEST.

Hasil pengujian normalitas dapat diketahui berdasarkan nilai Asymp. Sig. (2-tailed). Nilai sebesar 0,859 berarti lebih besar dari 0,05. Dengan demikian dapat dikatakan bahwa data nilai tersebut berdistribusi normal. Hal ini diperkuat dengan kata-kata dibawah table di atas : Test distribution is Normal.
UJI NORMALITAS DENGAN SKEWNESS DAN KURTOSIS

Uji normalitas dengan Skewness dan Kurtosis memberikan kelebihan tersendiri, yaitu bahwa akan diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar atau mengumpul di tengah. Oleh karena itu, uji normalitas dengan Skewness dan Kurtosis juga sering disebut dengan ukuran kemencengan data. Pengujian dengan SPSS dilakukan dengan menu Analyze, lalu klik Descriptive Statistics, pilih menu Descriptives. Data yang akan diuji normalitasnya dipindah dari kotak kiri ke kanan, lalu tekan Options. Klik pada Distribution yaitu Skewness dan Kurtosis, tekan Continue, lalu tekan OK.
Pada output akan tampak nilai Statistic Skewness dan Statistic Kurtosis. Lalu hitunglah Zskew dengan persamaan Statistik : (akar(6/N)) dengan N adalah jumlah observasi. Persamaan yang sama juga dipakai untuk menghitung Zkurt. Misalnya nilai statistic skewness adalah 0,5 dan statistic kurtosis adalah 0,9; dan jumlah data adalah 100, maka nilai Zskew adalah sebesar 2,041 dan nliai Zkurt adalah sebesar 3,674. Nilai tersebut kemudian dibandingkan dengan + 1,96 pada signifikansi 0,05 dan sebesar + 2,58 pada signifikansi 0,01. Jadi tampak bahwa Zskew (2,041 > 1,96 dan Zkurt (3,674) > 1,96.

Syarat data yang normal adalah nilai Zskew dan Zkurt < + 1,96 (signifikansi 0,05). Jadi data di atas dinyatakan tidak normal karena Zkurt tidak memenuhi persyaratan, baik pada signifikansi 0,05 maupun signifikansi 0,01. Kelebihan dari uji Skewness dan Kurtosis adalah bahwa kita dapat mengetahui kemencengan data, di mana data yang normal akan menyerupai bentuk lonceng. Kemungkinan yang ada adalah menceng ke kiri, jika nilai Zskew positif dan di atas 1,96; atau menceng ke kanan jika Zskew bernilai negatif dan di bawah 1,96. Berdasarkan nilai Kurtosis maka dapat ditentukan bahwa data mempunyai nilai puncak yang terlalu tinggi jika Zkurt bernilai positif dan di atas 1,96; jika nilai puncak tidak ada atau data relatif datar maka nilai Zkurt adalah negatif dan di bawah 1,96. Agak bingung ya??? Memang Skewness dan Kurtosis mempunyai kelebihan, yaitu kita dapat melakukan transformasi data berdasarkan nilai yang kita peroleh, hal yang tidak dapat dilakukan oleh KolmogorovSmirnov, tetapi kelemahannya apa?? Anda agak bingung kan?? Nah itu kelemahannya. Tapi kalau anda membaca dengan cermat dan tidak bingung, maka berarti kelemahan Skewness dan Kurtosis boleh dibilang minimal, meskipun sedikit lebih rumit dari pada Kolmogorov-Smirnov.


				
DOCUMENT INFO
Shared By:
Categories:
Stats:
views:3590
posted:12/21/2009
language:Indonesian
pages:3