SkriptasCara Mengatasi Data Tidak Normal di SPSS dan EViews Tanpa Asal Hapus
Cara mengatasi data tidak normal di SPSS dan EViews: cek residual, outlier, transformasi Ln, bootstrap, uji nonparametrik, dan cara menulisnya di Bab 4.
Cara mengatasi data tidak normal adalah pertanyaan yang paling sering masuk ke WhatsApp saya menjelang tenggat bimbingan. Output Kolmogorov-Smirnov menunjukkan Sig. 0,000, pembimbing minta diperbaiki, dan godaan terbesar adalah menghapus data satu per satu sampai angkanya berubah. Cara itu tidak bisa dipertanggungjawabkan, dan penguji yang teliti akan menanyakan ke mana perginya responden yang hilang.
Artikel ini membahas pilihan yang sah, berurutan dari yang paling ringan sampai yang mengubah metode: memastikan yang diuji benar, memeriksa pencilan, transformasi, bootstrap, uji nonparametrik, dan argumen sampel besar. Saya juga menyinggung cara mengatasi data tidak normal di EViews untuk pengguna data sekunder, serta cara menuliskan keputusan Anda di Bab 4. Semua angka adalah contoh, dan keputusan akhir tetap perlu disepakati dengan pembimbing.
Langkah 1: pastikan yang diuji benar
Sebelum memperbaiki apa pun, periksa dulu apa yang Anda uji. Untuk regresi linear, asumsi normalitas berlaku pada residual, bukan pada tiap variabel. Banyak kasus "data tidak normal pada uji normalitas" selesai hanya dengan mengulang uji pada residual: jalankan Analyze > Regression > Linear, klik Save, centang Unstandardized residual, lalu uji variabel RES_1 yang muncul dengan Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S.
Untuk uji beda seperti t-test atau ANOVA, yang diuji adalah data tiap kelompok secara terpisah, atau selisih skor pada paired t-test. Untuk korelasi Pearson, kedua variabelnya. Kalau Anda menguji skor total variabel padahal analisisnya regresi, hasilnya tidak relevan dan tidak perlu "diatasi". Penjelasan pemilihan uji normalitas ada di uji normalitas Kolmogorov-Smirnov atau Shapiro-Wilk.
Periksa juga apakah ujinya tepat untuk ukuran sampel Anda. Pada sampel kecil, Shapiro-Wilk lebih disarankan. Pada sampel sangat besar, uji formal menjadi sangat sensitif sehingga penyimpangan kecil pun ditolak, dan di sini histogram serta Q-Q plot menjadi penting.
Langkah 2: cari pencilan, bukan korban
Satu atau dua jawaban ekstrem sering menjadi penyebab utama residual tidak normal. Pencilan bukan untuk langsung dibuang, tetapi diperiksa: apakah responden menjawab asal-asalan (semua angka sama), apakah ada salah input (umur 250), atau apakah nilainya memang wajar tetapi langka.
- Z-score. Buka Analyze > Descriptive Statistics > Descriptives, masukkan variabel, centang Save standardized values as variables. Nilai z di luar sekitar 3 (atau 2,5 untuk sampel kecil) layak dicurigai sebagai pencilan.
- Boxplot. Buka Analyze > Descriptive Statistics > Explore, lihat titik di luar kumis boxplot beserta nomor kasusnya.
- Casewise diagnostics. Pada menu regresi, klik Statistics, centang Casewise diagnostics dengan batas 3 standar deviasi. SPSS akan menampilkan nomor kasus dengan residual terstandar di luar batas itu.
Bila ada kasus yang jelas bermasalah (salah input atau jawaban asal-asalan), Anda boleh mengeluarkannya dengan alasan tertulis: sebutkan jumlahnya, kriterianya, dan jumlah sampel akhir. Bila nilainya sah, pertimbangkan langkah 3 atau 4 alih-alih menghapus.
Langkah 3: transformasi data
Transformasi mengubah skala variabel agar sebarannya lebih mendekati normal. Bentuk histogram menentukan jenis transformasi yang cocok. Panduan yang lazim dipakai, antara lain yang dirangkum Ghozali, kira-kira seperti ini.
| Bentuk sebaran | Transformasi | Rumus di Compute Variable |
|---|---|---|
| Miring ke kanan, sedang | Akar kuadrat | SQRT(X) |
| Miring ke kanan, kuat | Logaritma | LN(X) atau LG10(X) |
| Miring ke kanan, parah | Kebalikan | 1/X |
| Miring ke kiri | Balik dulu, lalu transformasi | SQRT(K - X), K = nilai maksimum + 1 |
Langkahnya: Transform > Compute Variable, beri nama baru misalnya LN_Y, isi Numeric Expression LN(Y), lalu jalankan ulang regresi dengan variabel hasil transformasi. Dua catatan penting. Pertama, logaritma hanya bisa untuk nilai positif; bila ada nol, tambahkan konstanta kecil, misalnya LN(Y + 1), dan laporkan. Kedua, interpretasi koefisien berubah. Pada model dengan Y dalam Ln, koefisien dibaca sebagai perubahan persentase, bukan satuan asli. Tuliskan perubahan ini di bagian metode dan hasil agar penguji tidak bingung.
Transformasi paling masuk akal untuk variabel rasio dengan rentang lebar seperti pendapatan, aset, jumlah pengunjung, atau nilai saham. Untuk skor total kuesioner Likert yang rentangnya sempit, transformasi jarang membantu banyak, dan langkah 4 atau 5 biasanya lebih tepat.
Langkah 4: bootstrap
Bootstrap menghitung signifikansi dengan mengambil sampel ulang dari data Anda ribuan kali, sehingga tidak bergantung pada asumsi sebaran normal. Pada banyak versi SPSS, tombol Bootstrap tersedia di jendela Linear Regression, Correlate, dan Compare Means; centang Perform bootstrapping, isi jumlah sampel 1000 atau lebih, pilih interval kepercayaan 95% bias corrected and accelerated (BCa). SPSS kemudian menampilkan tabel koefisien tambahan berisi Sig. dan interval kepercayaan versi bootstrap.
Fitur ini bergantung pada modul yang terpasang di SPSS kampus Anda. Bila tidak tersedia, aplikasi gratis seperti Jamovi atau JASP juga menyediakan bootstrap untuk korelasi dan regresi; panduannya ada di panduan Jamovi dan panduan JASP. Di Bab 4, tulis bahwa karena residual tidak berdistribusi normal, pengujian koefisien dilakukan dengan bootstrap sebanyak sekian sampel, dan laporkan interval kepercayaannya.
Langkah 5: beralih ke uji nonparametrik
Bila tujuan Anda korelasi atau uji beda, uji nonparametrik adalah jalan keluar yang sangat lazim dan tidak menuntut normalitas.
- Korelasi Pearson diganti Spearman (Analyze > Correlate > Bivariate, centang Spearman).
- Independent t-test diganti Mann-Whitney; paired t-test diganti Wilcoxon; One-Way ANOVA diganti Kruskal-Wallis. Semuanya di Analyze > Nonparametric Tests > Legacy Dialogs.
Untuk regresi, padanan nonparametriknya tidak sesederhana itu. Pilihan yang tersedia adalah bootstrap (langkah 4), regresi dengan standard error yang kebal pelanggaran asumsi, atau berpindah ke PLS-SEM di SmartPLS yang memang tidak mensyaratkan normalitas karena signifikansinya dihitung lewat bootstrapping. Perbandingannya saya tulis di SPSS atau SmartPLS. Panduan memilih uji beda ada di memilih uji beda yang tepat.
Langkah 6: argumen sampel besar
Teorema limit pusat menyatakan bahwa sebaran rata-rata sampel mendekati normal ketika ukuran sampel cukup besar, dan angka 30 sering disebut sebagai patokan kasar. Berdasarkan itu, banyak penelitian dengan sampel di atas 100 tetap melanjutkan regresi walau uji formal tidak lolos, dengan dukungan histogram residual yang mendekati lonceng dan Q-Q plot yang mendekati garis.
Perlu jujur: sebagian pembimbing menerima argumen ini, sebagian tidak. Jangan memakainya sebagai satu-satunya alasan tanpa bertanya lebih dulu. Bila dipakai, kutip sumber metodologi yang membahas kekokohan OLS terhadap pelanggaran normalitas pada sampel besar, dan tetap tampilkan grafik residual sebagai bukti visual.
Cara mengatasi data tidak normal di EViews
Pengguna data sekunder di EViews menguji normalitas residual lewat View > Residual Diagnostics > Histogram - Normality Test pada jendela persamaan. Baca nilai Jarque-Bera dan probabilitasnya; residual normal bila Probability di atas 0,05. Bila tidak lolos, urutan penanganannya mirip dengan SPSS.
- Periksa observasi ekstrem, misalnya tahun krisis atau perusahaan dengan nilai sangat jauh dari yang lain. Pertimbangkan variabel dummy untuk periode tersebut daripada menghapusnya.
- Transformasi logaritma pada variabel bernilai besar seperti total aset atau penjualan (ketik
log(X)langsung di persamaan). Rasio keuangan biasanya tidak perlu di-log. - Tambah observasi: perpanjang periode atau tambah perusahaan bila memungkinkan.
- Untuk data panel dengan ratusan observasi, banyak pembimbing menerima argumen sampel besar, dan sebagian bahkan tidak mensyaratkan uji normalitas untuk panel. Pastikan dengan pembimbing dan pedoman kampus.
Langkah pemilihan model panel (Chow, Hausman, LM) dan asumsi klasik yang relevan untuk panel saya bahas terpisah di regresi data panel di EViews.
Yang tidak boleh dilakukan
| Praktik | Kenapa bermasalah | Yang sebaiknya dilakukan |
|---|---|---|
| Menghapus responden satu per satu sampai Sig. di atas 0,05 | Memanipulasi sampel; mudah terbongkar saat jumlah sampel ditanya | Keluarkan hanya kasus yang jelas bermasalah, dengan kriteria tertulis |
| Mengganti angka jawaban | Pemalsuan data | Tidak ada pengganti; pakai langkah 3 sampai 6 |
| Mengganti uji tanpa penjelasan | Metode di Bab 3 tidak cocok dengan Bab 4 | Tulis alasan perubahan dan dampaknya pada interpretasi |
| Menguji tiap variabel padahal analisisnya regresi | Hasilnya tidak relevan dengan asumsi regresi | Uji residual (RES_1) |
Cara menulis keputusan di Bab 4
Contoh bila Anda memilih transformasi: "Hasil uji Kolmogorov-Smirnov terhadap residual awal menunjukkan Sig. 0,012 (< 0,05). Setelah variabel Y ditransformasi ke bentuk logaritma natural, uji normalitas residual menunjukkan Sig. 0,184 (> 0,05), sehingga asumsi normalitas terpenuhi. Analisis selanjutnya menggunakan model dengan variabel hasil transformasi."
Contoh bila Anda memilih bootstrap: "Karena residual tidak berdistribusi normal (Sig. 0,004), pengujian koefisien regresi dilakukan dengan metode bootstrap sebanyak 2.000 sampel dengan interval kepercayaan 95% BCa. Hasil bootstrap menunjukkan koefisien X1 signifikan dengan interval kepercayaan yang tidak memuat nol."
Yang penting adalah konsistensi: apa yang Anda lakukan, kenapa, dan apa akibatnya pada pembacaan hasil. Pembaca harus bisa mengikuti jejaknya tanpa menebak.
Checklist
- Yang diuji sudah benar (residual untuk regresi, tiap kelompok untuk uji beda).
- Uji yang dipakai sesuai ukuran sampel; histogram dan Q-Q plot sudah dilihat.
- Pencilan sudah diperiksa dengan z-score, boxplot, atau casewise diagnostics.
- Bila ada kasus dikeluarkan, kriteria dan jumlahnya tertulis.
- Bila transformasi, interpretasi koefisien sudah disesuaikan.
- Bila bootstrap atau nonparametrik, perubahan metode ditulis dengan alasannya.
- Keputusan sudah disepakati pembimbing sebelum lanjut ke uji hipotesis.
Kalau Anda sudah mencoba langkah di atas dan hasilnya masih membingungkan, atau ingin memastikan pilihan Anda bisa dipertahankan di sidang, saya membuka bimbingan olah data SPSS via Zoom mulai Rp25.000 per sesi dan bimbingan EViews mulai Rp30.000 per sesi. Anda yang menjalankan software, saya memandu dan menjelaskan cara membaca hasilnya. Untuk konteks yang lebih luas, baca uji asumsi klasik regresi di SPSS.
Video tutorial terkait
Tonton langkahnya langsung di layar. Video dimuat dari YouTube hanya saat Anda menekan tombol putar.
Cara Mendeteksi Outlier di SPSS dengan Explore dan Boxplot (Extreme Values) untuk Skripsi
Tutorial mendeteksi outlier (data pencilan) di SPSS: Analyze › Descriptive Statistics › Explore, Statistics Outliers, membaca tabel Extreme Values (nilai tertinggi/terendah dan nomor…
Pertanyaan yang sering diajukan
Apakah data tidak normal berarti penelitian gagal?
Tidak. Ketidaknormalan adalah informasi tentang data, bukan vonis. Ada beberapa langkah sah seperti memeriksa pencilan, transformasi, bootstrap, atau beralih ke uji nonparametrik.
Bolehkah menghapus data agar menjadi normal?
Hanya bila ada alasan yang jelas, misalnya jawaban asal-asalan atau salah input, dan penghapusan itu dilaporkan di Bab 4. Menghapus data satu per satu sampai Sig. di atas 0,05 tidak dapat dipertanggungjawabkan.
Apakah sampel di atas 30 otomatis dianggap normal?
Argumen teorema limit pusat sering dipakai untuk sampel besar, dan sebagian pembimbing menerimanya bila didukung histogram dan Q-Q plot. Sebagian lain tetap meminta uji formal lolos, jadi tanyakan dulu ke pembimbing.
Transformasi apa yang paling sering dipakai?
Logaritma natural (Ln) untuk data yang miring ke kanan dan semuanya positif, akar kuadrat untuk kemiringan sedang, dan kebalikan (1/x) untuk kemiringan parah. Setelah transformasi, interpretasi koefisien ikut berubah.
Bagaimana mengatasi data tidak normal di EViews?
Periksa Jarque-Bera pada residual, cek observasi ekstrem, pertimbangkan transformasi log pada variabel yang nilainya besar, atau tambah observasi. Untuk data panel, banyak pembimbing menerima argumen sampel besar.