Uji normalitas minitab menjadi prosedur wajib bagi para peneliti sebelum melakukan analisis inferensial statistik parametrik agar hasil kesimpulan riset mereka valid. Masalahnya banyak mahasiswa sering panik saat mendapati data sampel mereka berantakan dan menghasilkan nilai signifikansi yang tidak sesuai harapan. Artikel ini akan memandu Anda mendeteksi sebaran data sekaligus mengatasi p-value kecil uji normalitas secara taktis.
Dalam praktik analisis data yang sering saya temui, software Minitab menyediakan tiga metode pengujian yang memiliki karakteristik dan rumus matematika berbeda di latar belakangnya. Mengetahui sejarah dan siapa penemu formula ini akan memperkuat pemahaman teoretis Anda saat menulis bab metodologi penelitian.
Uji Anderson-Darling (AD)
Metode pertama yang paling sering digunakan di Minitab adalah Uji Anderson-Darling. Formula penting ini ditemukan dan dipublikasikan pada tahun 1952 oleh Theodore Wilbur Anderson (lahir 1918) dan Donald A. Darling (lahir 1915). Pemikiran kritis dari kedua tokoh statistik ini melahirkan uji kelayakan model yang sangat sensitif terhadap sebaran data di area ekor (tails) distribusi.
Uji Ryan-Joiner (RJ)
Pilihan kedua yang tersedia di dalam software ini adalah Uji Ryan-Joiner. Metode pengujian ini ditemukan oleh Ryan dan Joiner pada tahun 1976. Dari pengalaman saya menangani konsultasi olah data, uji Ryan-Joiner bekerja berdasarkan korelasi antara data sampel Anda dengan skor normal yang diharapkan, sehingga mirip dengan pendekatan uji Shapiro-Wilk.
Uji Kolmogorov-Smirnov (KS)
Metode ketiga yang tidak kalah populer adalah Uji Kolmogorov-Smirnov. Teknik ini mengukur jarak vertikal terbesar antara fungsi distribusi empiris sampel data dengan fungsi distribusi kumulatif hipotesis normal yang diuji. Pengujian ini sangat ramah untuk pengguna pemula karena interpretasinya yang cukup lugas pada output grafik plot.
Langkah-Langkah Uji Anderson-Darling di Minitab
Mari langsung mempraktikkan pengujian ini menggunakan software komputer Anda secara runut agar tidak terjadi kesalahan input variabel. Tutorial kali ini menggunakan contoh data normalitas SPSS/Minitab yang menggunakan data sampel berjumlah 100 sampel data yang sudah diinput ke dalam worksheet Minitab.
- Buka software Minitab Anda, lalu pastikan 100 sampel data sudah terisi penuh di kolom C1.
- Arahkan kursor Anda ke menu bar bagian atas, lalu klik Stat.
- Pilih opsi Basic Statistics, kemudian geser kursor ke bawah dan klik Normality Test.
- Pada jendela pop-up yang muncul, masukkan variabel data kolom C1 ke dalam kotak Variable.
- Pada bagian Tests for Normality, silakan pilih salah satu metode, sebagai contoh klik opsi Anderson-Darling.
- Langkah terakhir adalah klik tombol OK untuk mengeksekusi perintah analisis data.
Setelah Anda menekan tombol OK, layar komputer akan menampilkan sebuah grafik ringkas yang disebut Probability Plot. Kesalahan umum yang saya lihat adalah mahasiswa langsung menutup grafik ini tanpa membaca angka statistika krusial yang tertera di pojok kanan bawah jendela output gambar tersebut.
Cara Membaca Output Uji Normalitas Data Sampel Minitab
Untuk memahami apakah data 100 sampel yang Anda uji tersebut berdistribusi normal atau tidak, Anda harus membandingkan nilai signifikansi dengan taraf alfa 0,05. Berdasarkan laporan riset praktis yang dipublikasikan oleh Statistikian, berikut adalah panduan akurat membaca output dari ketiga jenis uji normalitas tersebut.
| Metode Uji Normalitas | Nilai Statistik Utama | P-Value Output | Status Distribusi Data |
|---|---|---|---|
| Anderson-Darling (AD) | 0,302 | 0,571 | Berdistribusi Normal |
| Ryan-Joiner (RJ) | 0,999 | > 0,100 | Berdistribusi Normal |
| Kolmogorov-Smirnov (KS) | 0,068 | > 0,150 | Berdistribusi Normal |
Melihat acuan data di atas, ketiga metode menghasilkan kesimpulan yang seragam karena nilai signifikansi semuanya berada di atas nilai ambang batas minimal 0,05. Masalah baru akan muncul ketika Anda menguji data riil lapangan yang sering kali menghasilkan visualisasi titik-titik yang menyebar jauh dari garis diagonal lurus.
Cara Pakai Box Cox Minitab untuk Mengatasi Data Tidak Normal
Pertanyaan seperti "kenapa data tidak normal?" kerap menjadi momok yang membayangkan pikiran mahasiswa tingkat akhir saat dikejar tenggat sidang skripsi. Penyebab utamanya biasanya karena adanya data pencilan (outliers) yang ekstrem atau kesalahan pola penyebaran instrumen saat pengambilan sampel di lapangan.
Jika Anda menghadapi kendala uji awal data jurnal (sebelum transformasi) yang menghasilkan nilai P-Value sebesar 0,018 (kurang dari 0,050), disimpulkan data tidak terdistribusi secara normal. Jangan memanipulasi data mentah Anda secara ilegal, melainkan terapkan langkah-langkah transformasi data matematis yang sah secara akademis.
Software yang digunakan pada tutorial transformasi ini adalah Minitab 16. Teknik transformasi Box-Cox terbukti ampuh mengatasi data tidak normal tanpa perlu membuang sampel berharga yang sudah Anda kumpulkan dengan susah payah.
Berikut adalah cara mengubah data tidak normal menjadi normal di minitab melalui fitur Box-Cox Transformation:
- Klik menu Stat pada bilah menu atas Minitab 16, lalu pilih Control Charts.
- Arahkan kursor ke menu Box-Cox Transformation untuk membuka jendela pengaturan transformasi parameter.
- Pada kolom input variabel, masukkan kolom data tidak normal Anda ke kotak yang tersedia.
- Parameter Subgroup Sizes Box-Cox diisi dengan angka 25 (banyaknya jumlah data dalam kelompok kecil Anda).
- Klik tombol Options, lalu tentukan parameter batas lambda Box-Cox yang akan dicoba berkisar dari 5 sampai -5.
- Tekan tombol OK untuk memproses kalkulasi eksponensial otomatis oleh sistem Minitab 16.
Sistem Minitab 16 kemudian akan memproses data berantakan Anda dan memunculkan estimasi nilai lambda optimal yang cocok untuk memperbaiki struktur sebaran variabel. Nilai Lower CL dan Upper CL yang diperoleh dari kalkulasi ini adalah -1,43 sampai 0,47, dengan nilai lambda terbaik berada di angka -0,46. Berdasarkan rumus pembulatan sistematis statistik, disarankan nilai Rounded Value sebesar -0,5 untuk mengeksponenkan data mentah Anda.
Langkah penutupan dari proses ini adalah membuat kolom variabel baru berisi hasil perkalian pangkat dari nilai Rounded Value -0,5 tersebut ke seluruh baris sampel data Anda. Setelah variabel baru terbentuk, lakukan pengujian ulang menggunakan menu Basic Statistics seperti pada tahap awal tutorial tadi.
Hasil uji akhir data jurnal (setelah transformasi Box-Cox) akan menunjukkan perbaikan kualitas data yang sangat signifikan dengan nilai P-Value > 0,100. Sesuai dengan hukum dasar pengambilan keputusan statistika, maka dapat disimpulkan hasil transformasi menjadi normal dan aman digunakan untuk pengujian hipotesis regresi atau t-test pada tahap analisis selanjutnya.
