Uji normalitas merupakan salah satu uji asumsi klasik yang dipersyaratkan bagi peneliti yang menggunakan OLS pada regresi. Normalitas sendiri biasanya berhubungan dengan sebaran dari data yang kita peroleh baik data primer ataupun data sekunder.
Berikut saya memiliki data yang tidak menyebar normal. Pemeriksaan normalitas bisa anda baca pada artikel uji asumsi klasik regresi. Nah, pada artikel ini tahapan atau cara pengujian normalitas itu bisa saya skip, sehingga anda bisa efisien menggunakan waktu membaca artikel ini.
Singkatnya, hasil pada uji normalitas tidak normal yang ditunjukkan pada hasil uji kolmogorov smirnov di bawah ini:
Padahal jika dilihat dari nilai R squared dan uji T serta uji F, data ini semuanya menunjukkan performance yang baik.
Gambar diatas menunjukkan r squared memiliki nilai 70 persen, F test yang signifikan dan t test yang juga signifikan. Lalu mengapa residual dari model tersebut tidak menyebar secara normal?
Jawaban atas pertanyaan tersebut dapat ditemukan jika kita melakukan analisis sederhana sebaran normal menggunakan histogram yang juga ada di spss.
Menunya terletak pada graph – legacy dialog – histogram.
Kemudian masukkan variabel x yang akan dianalisis sebaran normalnya. Jangan lupa diberi checklist display normal curve. Klik ok
Hasilnya akan terlihat sebagai berikut:
Terlihat ada data yang frekuensinya lebih banyak dibandingkan data yang lain. nah, agar sebaran normal terjadi, maka ikutilah garis yang melengkung diatas. Jika ada data yang melebihi jumlahnya sehingga tidak proporsional, maka kurangi datanya. Sebaliknya jika ada data yang lebih rendah frekuensinya sehingga tampak bolong, sebaiknya dicari data tersebut sebagai puzzle yang hilang. Intinya berpatokan pada garis lengkung sebaran normal tersebut.
Singkatnya data tersbeut saya eliminasi. Data x yang berisikan nilai antara 90 hingga 100 saya kurangi jumlahnya hingga berjumlah sekitar 7 data saja.
Pada akhirnya sebaran data pada histogram akan berbentuk seperti ini:
Tampak lebih fit dalam garis sebaran normal dan frekuensinya juga proporsional. Dan hasil uji normalitasnya menjadi seperti ini:
Hasil percobaan dan tips singkat ini menyimpulkan jika anda sedang berada survey, maka upayakan data yang anda ambil memiliki range yang luas. Jangan terpengaruh oleh narasumber awal sehingga anda hanya cenderung mengambil data yang baik-baik saja, sehingga data anda kurang bervariasi. Misalnya pada survey pendapatan usahatani, anda hanya cenderung mengambil responden usahatani yang menguntungkan saja, atau hanya mengambil responden yang memiliki lahan yang luas-luas. Hal itu anda lakukan karena takut data usahatani yang anda peroleh tidak memuaskan. Nah, dorongan diri bahwa penelitian ini harus berhasil atau harus menghasilkan hasil yang menguntungkan inilah yang membahayakan dunia penelitian.
Cara penelitian yang benar harus dijunjung tinggi setegak tegaknya, apapun hasilnya. Karena jika peneliti sudah terbawa oleh misi tertentu bahwa penelitian ini harus berhasil, maka sebenarnya dia sudah menutupi kebenaran.
Kembali lagi tentang normalitas, data yang anda kumpulkan harus luas, mencakup data yang memiliki nilai rendah hingga tinggi dengan sebaran seperti bukit sebaran normal diatas. Hal itu anda lakukan atau periksa di semua variabel.
Untuk lebih jelas teknisnya, silahkan simak video ini:
Selamat belajar.
Pingback: Uji Asumsi Anova menggunakan Python - Agung Budi Santoso