Pengertian dan Sasaran Uji Normalitas
Uji normalitas bertujuan menguji apakah residual (nilai error) model regresi berdistribusi normal. Model regresi linear yang baik mensyaratkan residual normal; jika tidak, uji-t dan uji-F tidak valid.
Kesalahan paling umum: menguji masing-masing variabel X dan Y, padahal sasaran yang benar adalah unstandardized residual. Prosedur yang benar:
- Jalankan regresi (Analyze > Regression > Linear).
- Klik Save, centang Unstandardized Residuals, Continue, OK.
- Variabel baru RES_1 muncul di data; inilah yang diuji normalitasnya.
Alternatif bila belum menjalankan regresi: uji langsung variabel untuk eksplorasi, tetapi untuk keperluan skripsi gunakan residual.
Metode 1: Kolmogorov-Smirnov dan Shapiro-Wilk
- Klik Analyze > Descriptive Statistics > Explore.
- Masukkan RES_1 ke kotak Dependent List.
- Klik Plots, centang Normality plots with tests, Continue.
- Klik OK; fokus pada tabel Tests of Normality.
Aturan pemilihan metode
- Kolmogorov-Smirnov (K-S): untuk sampel besar (n > 50).
- Shapiro-Wilk: untuk sampel kecil (n ≤ 50).
Kriteria keputusan
- Sig. > 0,05: H0 diterima → data berdistribusi normal.
- Sig. < 0,05: H0 ditolak → tidak normal.
Contoh kalimat skripsi: Pada kolom Kolmogorov-Smirnov diperoleh nilai signifikansi sebesar 0,200 (> 0,05). Dengan demikian dapat disimpulkan bahwa data berdistribusi normal.
Metode 2: Grafik P-P Plot
- Klik Analyze > Regression > Linear.
- Masukkan Y ke Dependent, X ke Independent(s).
- Klik Plots.
- Pada Y masukkan *SRESID (studentized residual), pada X masukkan *ZPRED (standardized predicted).
- Centang Normal probability plot, Continue, OK.
Cara membaca
- Titik-titik menyebar mengikuti garis diagonal → normal.
- Titik-titik menjauhi garis diagonal secara sistematis → tidak normal.
P-P Plot bersifat subjektif-visual; sebaiknya selalu dipadukan dengan uji K-S/Shapiro-Wilk agar kesimpulan kuat dan bisa dipertahankan di sidang.
Metode 3: Histogram dan Skewness-Kurtosis
Histogram dengan kurva normal: pada dialog Plots (Regression > Linear), centang Histogram. Data normal menampilkan bentuk lonceng yang simetris mengikuti kurva.
Rasio skewness dan kurtosis:
- Analyze > Descriptive Statistics > Frequencies; masukkan RES_1.
- Statistics: centang Skewness, Kurtosis, Continue, OK.
- Hitung rasio = statistik / standard error-nya.
- Data normal bila rasio berada di antara -2 dan +2.
Metode ini berguna sebagai konfirmasi kuantitatif tambahan saat nilai Sig. uji formal berada di sekitar batas 0,05.
Solusi Jika Data Tidak Normal
- Tambah sampel: pada n besar, teorema limit pusat membuat pelanggaran normalitas kurang bermasalah.
- Transformasi data: logaritma natural (Ln), akar kuadrat, atau invers pada variabel berskala rasio.
- Hapus outlier ekstrem yang terbukti salah input atau anomali nyata (dengan justifikasi).
- Gunakan uji non-parametrik bila normalitas tidak tercapai dan transformasi tidak membantu.
- Bootstrap pada estimasi sebagai pendekatan modern yang robust.
Penting: jangan memanipulasi data hanya agar normal; dokumentasikan setiap langkah dan konsultasikan ke dosen pembimbing sebelum mengubah data mentah.
Kesalahan Umum dan Tips Sidang
- Menguji variabel, bukan residual — kesalahan paling sering.
- Salah pilih metode untuk ukuran sampel (K-S vs Shapiro-Wilk).
- Membalik kriteria: Sig. > 0,05 = NORMAL, bukan sebaliknya.
- Hanya grafik tanpa uji formal (atau sebaliknya); padukan keduanya.
- Tidak menyimpan residual sebelum membuka menu Explore.
Tips sidang: siapkan penjelasan mengapa residual yang diuji, tunjukkan tabel Tests of Normality dan P-P Plot berdampingan, dan hafal kalimat interpretasi standar. Penguji sering bertanya: kenapa pakai Shapiro-Wilk? — jawab dengan ukuran sampelmu.
Contoh Kasus Lengkap dan Template Penulisan Skripsi
Skenario: n=87 responden, model regresi Y atas X1, X2.
Langkah 1 — simpan residual: Analyze > Regression > Linear > Save > centang Unstandardized pada Residuals > Continue > OK. Variabel RES_1 muncul.
Langkah 2 — uji formal: Analyze > Descriptive Statistics > Explore > masukkan RES_1 > Plots > centang Normality plots with tests > Continue > OK.
Langkah 3 — baca tabel Tests of Normality: karena n=87 (> 50), pakai Kolmogorov-Smirnov: Sig. = 0,200 (> 0,05) → normal.
Langkah 4 — konfirmasi visual: pada Normal P-P Plot, titik-titik menyebar di sekitar garis diagonal → konsisten dengan kesimpulan.
Template penulisan Bab 4: “Uji normalitas dilakukan terhadap unstandardized residual menggunakan uji Kolmogorov-Smirnov karena jumlah sampel 87 (> 50). Berdasarkan Tabel 4.x diperoleh nilai signifikansi sebesar 0,200 yang lebih besar dari 0,05, sehingga H0 diterima dan disimpulkan bahwa residual berdistribusi normal. Hasil ini diperkuat oleh grafik Normal P-P Plot pada Gambar 4.x yang menunjukkan titik-titik menyebar mengikuti garis diagonal. Dengan demikian asumsi normalitas terpenuhi dan model layak diuji lebih lanjut.”
Bila tidak normal (Sig. 0,003 misalnya): tulis apa adanya, lalu lakukan transformasi Ln pada variabel, uji ulang, dan laporkan keduanya — kejujuran proses justru dinilai positif oleh penguji.
Uji Normalitas untuk Jenis Data Lain
Selain residual regresi, uji normalitas dipakai di banyak konteks:
- Uji-t dan ANOVA: yang diuji adalah residual per kelompok (atau data tiap kelompok bila desain sederhana). ANOVA dengan n besar per kelompok cukup robust terhadap pelanggaran ringan.
- Data berpasangan (paired t-test): yang diuji adalah selisih kedua pengukuran, bukan masing-masing pengukuran.
- Korelasi Pearson: mensyaratkan kedua variabel bivariat normal; bila tidak, gunakan Spearman.
- Regresi logistik: tidak mensyaratkan normalitas residual — jangan memaksakan uji ini di sana.
Ukuran sampel dan sensitivitas: pada n sangat besar (> 500), uji K-S/Shapiro-Wilk menjadi terlalu sensitif — penyimpangan kecil yang tidak bermasalah secara praktis dinyatakan “tidak normal”. Dalam kasus ini, andalkan visual (Q-Q plot, histogram) dan pertimbangan robustness metode. Sebaliknya pada n kecil (< 20), uji formal kurang bertenaga — visual juga lebih diandalkan. Kesalahan umum: menguji normalitas variabel X dan Y satu per satu untuk regresi — yang benar adalah residualnya. Satu kalimat ini menyelamatkan banyak skripsi dari revisi besar.
Transformasi Data: Kapan dan Bagaimana
Bila residual tidak normal, transformasi sering menjadi solusi sebelum beralih ke non-parametrik:
- Logaritma natural (Ln): untuk data menjulur kanan (skewed positif) seperti pendapatan, harga, atau waktu tunggu. Di SPSS: Transform > Compute Variable > LN(namavariabel). Syarat: semua nilai > 0.
- Akar kuadrat (Sqrt): untuk data count (jumlah kejadian) yang menjulur moderat. Transform > Compute > SQRT(namavariabel).
- Invers (1/X): untuk julur kanan yang ekstrem; interpretasi menjadi “kebalikan” sehingga perlu kehati-hatian.
- Box-Cox: prosedur sistematis mencari pangkat transformasi optimal; tersedia via syntax atau software lain (R).
Prosedur yang benar: (1) transformasi variabel yang menjulur (biasanya Y atau X yang skewed); (2) jalankan ulang regresi; (3) uji normalitas residual model baru; (4) laporkan keduanya (sebelum dan sesudah) di skripsi. Interpretasi berubah: koefisien model log-level dibaca sebagai perubahan persen, bukan perubahan unit — jelaskan ini di pembahasan agar tidak salah tafsir. Jangan mentransformasi berulang-ulang hingga “dipaksa normal”; bila dua kali transformasi tidak membantu, terima dan gunakan metode robust/non-parametrik dengan jujur.
Uji Normalitas di Software Selain SPSS
Prinsipnya sama di semua software; berikut padanannya:
- SPSS: Analyze > Descriptive Statistics > Explore > Normality plots with tests (K-S dan Shapiro-Wilk sekaligus).
- R (gratis): shapiro.test(residual) untuk Shapiro-Wilk; ks.test() untuk K-S; qqnorm(); qqline() untuk Q-Q plot. Paket nortest menyediakan Anderson-Darling dan Lilliefors.
- Python: scipy.stats.shapiro(), scipy.stats.kstest(); visual dengan statsmodels.qqplot().
- Jamovi/JASP (gratis, mirip SPSS): menu Descriptives > centang Normality (Shapiro-Wilk) — cocok untuk mahasiswa yang tidak punya lisensi SPSS.
- Excel: tidak ada uji formal bawaan; andalkan histogram dan perhitungan skewness/kurtosis via Data Analysis Toolpak.
Rekomendasi: bila kampusmu tidak menyediakan SPSS, Jamovi adalah pengganti terbaik — gratis, tampilannya mirip SPSS, dan hasilnya dapat dilaporkan dengan cara yang sama di skripsi. Kriteria keputusan identik di semua software: Sig./p-value > 0,05 berarti normal. Penguji tidak mempermasalahkan software apa yang dipakai selama prosedurnya benar dan dilaporkan transparan.
Ringkasan Prosedur dalam Satu Alur Kerja
Alur kerja lengkap uji normalitas untuk skripsi regresi: (1) jalankan regresi sambil menyimpan unstandardized residual; (2) buka Analyze > Descriptive > Explore, masukkan residual, centang Normality plots with tests; (3) pilih metode sesuai n — Kolmogorov-Smirnov untuk n > 50, Shapiro-Wilk untuk n ≤ 50; (4) keputusan: Sig. > 0,05 = normal; (5) konfirmasi dengan P-P Plot (titik mengikuti diagonal); (6) bila tidak normal: tambah sampel, transformasi, atau non-parametrik; (7) tulis kalimat interpretasi standar di Bab 4 dan lampirkan screenshot. Tujuh langkah ini mencakup seluruh kebutuhan uji normalitas skripsi S1.
Pertanyaan Umum
Apa itu uji normalitas?
Uji untuk menentukan apakah residual (selisih nilai aktual dengan prediksi) model regresi berdistribusi normal. Model regresi linear yang baik mensyaratkan residual normal agar uji signifikansi valid.
Apa saja metode uji normalitas di SPSS?
Kolmogorov-Smirnov, Shapiro-Wilk, grafik P-P Plot, histogram dengan kurva normal, dan rasio skewness-kurtosis (uji Lilliefors termasuk varian K-S).
Kapan pakai Kolmogorov-Smirnov dan kapan Shapiro-Wilk?
Aturan umum: Kolmogorov-Smirnov untuk sampel besar (n > 50), Shapiro-Wilk untuk sampel kecil (n <= 50). SPSS menampilkan keduanya sekaligus di menu Explore.
Bagaimana kriteria keputusan uji normalitas?
Jika nilai signifikansi (Sig.) > 0,05 maka data berdistribusi normal (H0 diterima); jika Sig. < 0,05 maka tidak normal. Pada P-P Plot, titik-titik harus mengikuti garis diagonal.
Apa yang diuji normalitasnya, X/Y atau residual?
Yang diuji adalah residual (unstandardized residual) dari model regresi, bukan masing-masing variabel X atau Y secara individual.
Bagaimana solusi jika data tidak normal?
Menambah jumlah sampel (CLT membantu saat n besar), transformasi data (log, akar kuadrat), menghapus outlier ekstrem, atau memakai uji non-parametrik yang tidak mensyaratkan normalitas.
Apakah normalitas wajib untuk semua uji statistik?
Tidak. Uji non-parametrik (misalnya Wilcoxon, Mann-Whitney) tidak mensyaratkan normalitas. Yang mewajibkannya adalah uji parametrik seperti regresi linear dan ANOVA.
Kenapa dosen selalu meminta uji normalitas?
Karena uji normalitas adalah bagian uji asumsi klasik; jika residual tidak normal, nilai-p uji-t dan uji-F tidak valid sehingga kesimpulan penelitian bisa salah.