Uji normalitas merupakan salah satu pemeriksaan yang sering dilakukan sebelum menggunakan analisis statistik parametrik. Dalam penelitian mahasiswa, hasilnya bahkan sering menjadi dasar untuk memilih antara paired t-test dan Wilcoxon, independent t-test dan Mann–Whitney, atau teknik parametrik dan nonparametrik lainnya.
Namun, normalitas juga sering disalahpahami.
Tidak sedikit laporan penelitian yang hanya menuliskan:
“Nilai signifikansi lebih besar dari 0,05 sehingga data berdistribusi normal.”
Setelah itu analisis langsung dilanjutkan tanpa menjelaskan data mana yang diperiksa, mengapa normalitas diperlukan, atau apakah hasil uji statistik konsisten dengan pola grafik.
Padahal, pemeriksaan normalitas sebaiknya menjadi bagian dari proses memahami karakteristik data, bukan sekadar prosedur untuk memperoleh nilai p di atas 0,05.
1. Apa yang Dimaksud Distribusi Normal?
Distribusi normal adalah distribusi probabilitas berbentuk simetris dengan sebagian besar observasi berada di sekitar pusat distribusi dan semakin sedikit observasi pada bagian ekornya.
Bentuknya sering digambarkan menyerupai lonceng.
Namun, data penelitian nyata hampir tidak pernah membentuk kurva normal yang sempurna.
Karena itu, pertanyaan yang lebih relevan biasanya bukan:
“Apakah data saya normal secara sempurna?”
melainkan:
“Apakah penyimpangan dari normalitas cukup serius sehingga memengaruhi analisis yang akan digunakan?”
Perbedaan cara berpikir ini penting karena keputusan statistik tidak seharusnya bergantung pada satu angka semata.
2. Mengapa Normalitas Diperiksa?
Beberapa metode parametrik menggunakan asumsi yang berkaitan dengan distribusi normal.
Namun, objek yang perlu diperiksa bergantung pada analisisnya.
Pada paired t-test, misalnya, perhatian terutama diberikan pada distribusi skor perbedaan antara dua pengukuran, bukan sekadar menguji pretest dan posttest secara terpisah.
Jika:
D = Posttest − Pretest
maka karakteristik distribusi D menjadi relevan dalam mengevaluasi asumsi paired t-test.
Dalam model lain seperti regresi, asumsi normalitas umumnya berkaitan dengan residual model, bukan berarti setiap variabel penelitian harus memiliki distribusi normal.
Karena itu, sebelum menjalankan uji normalitas, tanyakan:
“Normalitas dari apa yang sedang saya periksa?”
3. Apa Itu Shapiro-Wilk?
Shapiro-Wilk test merupakan salah satu prosedur statistik yang banyak digunakan untuk mengevaluasi kesesuaian data dengan distribusi normal.
Hipotesis nolnya secara umum menyatakan bahwa data berasal dari distribusi normal.
Output biasanya memberikan statistik W dan p-value.
Sebagai ilustrasi:
| Statistik | Hasil |
|---|---|
| N | 30 |
| Shapiro-Wilk W | 0,972 |
| p-value | 0,587 |
| α | 0,05 |
Karena p > 0,05, tidak terdapat bukti yang cukup pada tingkat signifikansi tersebut untuk menolak asumsi normalitas.
Perhatikan pilihan bahasanya.
Lebih hati-hati mengatakan:
“tidak terdapat bukti yang cukup untuk menolak normalitas”
daripada:
“data terbukti normal.”
4. Bagaimana Membaca p-Value?
Dengan α = 0,05, panduan sederhananya adalah:
| Hasil | Interpretasi awal |
|---|---|
| p > 0,05 | Tidak terdapat bukti yang cukup untuk menolak normalitas |
| p ≤ 0,05 | Terdapat bukti statistik adanya penyimpangan dari normalitas |
Namun, tabel tersebut hanyalah panduan awal.
Nilai p dipengaruhi ukuran sampel.
Pada sampel kecil, uji normalitas mungkin memiliki kemampuan terbatas untuk mendeteksi penyimpangan. Pada sampel yang sangat besar, penyimpangan kecil yang tidak terlalu penting secara praktis dapat menghasilkan hasil signifikan.
Karena itu, keputusan sebaiknya tidak dibuat berdasarkan p-value saja.
5. Perlukah Menggunakan Kolmogorov-Smirnov?
Kolmogorov-Smirnov juga sering muncul dalam perangkat lunak statistik sebagai uji kesesuaian distribusi.
Dalam praktik penelitian, peneliti kadang menggunakan aturan sederhana seperti “Shapiro-Wilk untuk sampel kecil dan Kolmogorov-Smirnov untuk sampel besar”.
Aturan tersebut terlalu menyederhanakan persoalan.
Pemilihan prosedur sebaiknya mempertimbangkan karakteristik uji, bagaimana parameter distribusi ditentukan, ukuran sampel, tujuan pemeriksaan, dan rekomendasi metodologis yang relevan.
Untuk banyak aplikasi pemeriksaan normalitas, Shapiro-Wilk merupakan pilihan yang berguna. Namun, hasilnya tetap sebaiknya dibaca bersama pemeriksaan grafis dan karakteristik data.
6. Gunakan Histogram
Histogram membantu melihat bentuk distribusi secara langsung.
Peneliti dapat memperhatikan:
- apakah distribusi relatif simetris;
- apakah terdapat kemencengan yang kuat;
- apakah terdapat lebih dari satu puncak;
- apakah terdapat nilai yang jauh dari observasi lainnya;
- dan apakah terdapat indikasi floor atau ceiling effect.
Histogram tidak memberikan keputusan otomatis “normal” atau “tidak normal”.
Fungsinya adalah membantu peneliti melihat data yang sebenarnya.
7. Gunakan Q-Q Plot
Q-Q plot merupakan alat grafis yang sangat berguna untuk memeriksa normalitas.
Grafik ini membandingkan kuantil data yang diamati dengan kuantil yang diharapkan jika data mengikuti distribusi normal.
Jika titik-titik relatif mengikuti garis diagonal, data menunjukkan kesesuaian yang lebih baik dengan distribusi normal.
Sebaliknya, pola melengkung atau penyimpangan sistematis dari garis dapat menunjukkan:
- skewness;
- ekor distribusi yang berbeda;
- atau observasi ekstrem.
Q-Q plot membantu memberikan informasi yang tidak selalu terlihat dari satu p-value.
8. Jangan Lupakan Outlier
Penyimpangan normalitas terkadang sebenarnya disebabkan oleh satu atau beberapa observasi ekstrem.
Karena itu, sebelum langsung mengganti analisis parametrik dengan nonparametrik, periksa data.
Misalnya terdapat skor:
65, 68, 70, 71, 73, 74, 76, 77, 79, 150
Jika instrumen hanya memiliki skor maksimum 100, nilai 150 jelas memerlukan pemeriksaan.
Kemungkinannya dapat berupa:
- kesalahan input;
- kesalahan pengkodean;
- data dari peserta yang tidak sesuai;
- atau masalah lain dalam proses pengumpulan data.
Jangan menghapus outlier hanya agar data menjadi normal. Setiap keputusan mengenai observasi ekstrem harus memiliki dasar metodologis yang dapat dipertanggungjawabkan.
9. Normalitas pada Pretest–Posttest
Ini sangat relevan dengan analisis yang dibahas pada artikel sebelumnya.
Misalnya peneliti memiliki:
Pretest: 55, 60, 64, 68, ...
Posttest: 65, 70, 75, 79, ...
Untuk paired t-test, buat terlebih dahulu:
Difference = Posttest − Pretest
Kemudian pemeriksaan asumsi normalitas difokuskan pada distribusi difference scores tersebut.
Jadi tidak tepat menggunakan logika:
pretest normal + posttest normal = paired t-test pasti memenuhi asumsi normalitas.
Yang perlu dipahami adalah asumsi dari statistik yang benar-benar sedang digunakan.
10. Apakah p < 0,05 Berarti Harus Menggunakan Uji Nonparametrik?
Tidak otomatis.
Ini salah satu kesalahan yang sangat umum.
Hasil Shapiro-Wilk yang signifikan menunjukkan adanya bukti penyimpangan dari normalitas, tetapi keputusan analisis masih perlu mempertimbangkan:
- ukuran sampel;
- tingkat penyimpangan;
- outlier;
- bentuk distribusi;
- desain penelitian;
- robustness metode parametrik;
- dan tujuan analisis.
Karena itu, jangan membuat algoritma:
p > 0,05 → parametrik
p < 0,05 → nonparametrik
tanpa pemeriksaan lebih lanjut.
11. Sampel Besar Juga Memerlukan Interpretasi
Pada sampel besar, uji normalitas dapat menjadi sangat sensitif.
Penyimpangan yang secara substantif kecil dapat menghasilkan p-value yang signifikan.
Misalnya Shapiro-Wilk menghasilkan:
p = 0,018
Tetapi histogram menunjukkan distribusi relatif simetris, Q-Q plot hanya menunjukkan penyimpangan kecil, dan tidak terdapat outlier ekstrem.
Situasi tersebut perlu dinilai dalam konteks metode statistik yang akan digunakan, bukan langsung dianggap sebagai larangan mutlak terhadap analisis parametrik.
12. Kesalahan yang Sering Terjadi
Beberapa kesalahan umum dalam pemeriksaan normalitas adalah:
- menganggap p > 0,05 membuktikan data pasti normal;
- menggunakan aturan ukuran sampel secara mekanis untuk memilih Shapiro-Wilk atau Kolmogorov-Smirnov;
- hanya membaca p-value tanpa melihat distribusi;
- tidak menggunakan histogram atau Q-Q plot;
- mengabaikan outlier;
- menguji variabel yang sebenarnya bukan objek asumsi normalitas dari analisis;
- menguji pretest dan posttest secara terpisah untuk paired t-test tetapi tidak memeriksa skor perbedaannya;
- dan langsung berpindah ke uji nonparametrik ketika p < 0,05.
Pemeriksaan asumsi seharusnya membantu memahami data, bukan sekadar memenuhi bagian “uji prasyarat” dalam laporan penelitian.
13. Bagaimana Menuliskannya dalam Artikel atau Tesis?
Daripada hanya menulis:
“Berdasarkan uji Shapiro-Wilk diperoleh Sig. > 0,05 sehingga data normal.”
peneliti dapat memberikan informasi yang lebih lengkap:
“Normalitas skor perbedaan diperiksa menggunakan Shapiro-Wilk dan Q-Q plot. Hasil Shapiro-Wilk tidak menunjukkan bukti yang cukup untuk menolak normalitas (W = 0,972, p = .587), sementara inspeksi Q-Q plot menunjukkan bahwa sebagian besar observasi mengikuti pola diagonal tanpa penyimpangan ekstrem.”
Angka tersebut hanya contoh. Gunakan hasil analisis penelitian Anda sendiri.
Pelaporan seperti ini lebih transparan karena menjelaskan:
apa yang diperiksa + metode pemeriksaan + hasil + interpretasi.
14. Hubungannya dengan Pemilihan Uji Statistik
Pemeriksaan normalitas menjadi salah satu informasi yang dapat membantu menentukan analisis berikutnya.
Sebagai panduan:
| Tujuan | Analisis yang dapat dipertimbangkan |
|---|---|
| Membandingkan dua pengukuran berpasangan | Paired t-test atau alternatif yang sesuai |
| Membandingkan dua kelompok independen | Independent-samples t-test atau alternatif yang sesuai |
| Menguji hubungan dua variabel | Korelasi yang sesuai dengan karakteristik data |
| Menganalisis model regresi | Periksa asumsi model, termasuk residual |
| Data berpasangan dengan pendekatan parametrik tidak sesuai | Wilcoxon dapat dipertimbangkan |
Normalitas hanyalah salah satu bagian dari pemeriksaan asumsi.
Analisis juga dapat memiliki asumsi lain seperti independensi, homogenitas varians, linearitas, atau karakteristik residual.
15. Gunakan Normality Checker
Untuk membantu pemeriksaan awal, Normality Checker pada Research Tools dapat digunakan untuk menganalisis data dan menampilkan informasi yang relevan mengenai distribusi.
Idealnya tool tidak hanya menghasilkan keputusan “normal/tidak normal”, tetapi membantu pengguna melihat:
statistik uji + p-value + histogram + Q-Q plot + interpretasi.
Hasil otomatis tetap harus dipahami dalam konteks desain penelitian.
Jangan menjadikan output tool sebagai satu-satunya dasar untuk menentukan metode statistik.
Normality Checker merupakan alat bantu pemeriksaan data, bukan pengganti pertimbangan statistik peneliti.
Kesimpulan
Uji normalitas bukan sekadar mencari nilai signifikansi yang lebih besar dari 0,05.
Shapiro-Wilk dapat memberikan informasi statistik mengenai kesesuaian data dengan distribusi normal, tetapi interpretasinya sebaiknya dilengkapi dengan pemeriksaan grafis seperti histogram dan Q-Q plot serta evaluasi terhadap outlier.
Lebih penting lagi, peneliti harus memahami objek yang sebenarnya membutuhkan asumsi normalitas.
Pada paired t-test, misalnya, perhatian diberikan pada distribusi skor perbedaan. Dalam regresi, pemeriksaan berkaitan dengan karakteristik residual model.
Karena itu, gunakan uji normalitas sebagai bagian dari proses memahami data:
kenali analisis → tentukan asumsi → periksa data → lihat grafik → evaluasi hasil statistik → pilih analisis → interpretasikan secara proporsional.
Dengan cara tersebut, pemeriksaan normalitas menjadi bagian dari penalaran metodologis, bukan sekadar ritual statistik sebelum melakukan pengujian hipotesis.