Kalian pernah gak sih ketika uji normalitas untuk data penelitian kuantitatif di skripsi dan tesis gak berhasil? Jika iya, Anda tidak sendirian. Banyak mahasiswa diluaran sana yang juga mengalami hal ini. Mari kita bantu supaya masalah ini bis akita selesaikan Bersama.
Kenali Dulu Penyebab Uji Normalitas Gagal di SPSS
Dalam pengamatan kami, ada beberapa penyebab mengapa uji normalitas gagal di SPSS. Adapun penyebab kegagalanya yaitu:
| Penyebab | Penjelasan |
| 1. Data memiliki outlier | Nilai yang terlalu tinggi atau terlalu rendah membuat distribusi menjadi tidak normal. Ini adalah penyebab yang paling sering terjadi. |
| 2. Distribusi data menceng (skewed) | Data lebih banyak menumpuk di kiri (negative skew) atau kanan (positive skew) sehingga tidak membentuk kurva lonceng. |
| 3. Kurtosis terlalu tinggi atau terlalu rendah | Distribusi terlalu runcing (leptokurtik) atau terlalu datar (platikurtik) dibanding distribusi normal. |
| 4. Sampel terlalu kecil | Dengan jumlah sampel sedikit, distribusi lebih mudah menyimpang dari normal karena variasi acak. |
| 5. Sampel sangat besar | Pada sampel besar, uji normalitas menjadi sangat sensitif. Penyimpangan kecil saja bisa menghasilkan Sig. < 0,05 meskipun secara visual data tampak hampir normal. |
| 6. Kesalahan input data | Salah memasukkan angka (misalnya 5000 seharusnya 500) dapat menciptakan outlier dan merusak distribusi. |
| 7. Instrumen penelitian kurang baik | Misalnya semua responden memilih jawaban 4 atau 5 pada skala Likert sehingga data menumpuk pada satu sisi (ceiling effect). |
| 8. Populasi memang tidak normal | Ada fenomena yang secara alami menghasilkan distribusi tidak normal, misalnya pendapatan, lama kerja, atau nilai transaksi yang sering menceng ke kanan. |
| 9. Mencampur beberapa kelompok berbeda | Menggabungkan data dari dua atau lebih populasi yang karakteristiknya berbeda dapat menghasilkan distribusi gabungan yang tidak normal. |
| 10. Salah objek yang diuji | Dalam regresi, yang diuji seharusnya residual, bukan variabel X atau Y. Kesalahan ini cukup sering terjadi. |
| 11. Adanya pencilan multivariat | Pada analisis multivariat, kombinasi beberapa variabel dapat menghasilkan outlier meskipun masing-masing variabel tampak normal. |
| 12. Pemilihan uji yang kurang tepat | Misalnya menggunakan uji normalitas yang terlalu sensitif terhadap ukuran sampel tanpa mempertimbangkan histogram, Q-Q Plot, atau P-P Plot. |
FIX Masalah Uji Normalitas SPSS Gagal
Setelah kita ketahui masalahnya mari kita coba fix dengan langkah-langkah sebagai berikut:
Pastikan yang diuji memang residualnya (paling sering salah)
Pada analisis regresi, yang harus diuji normalitas adalah:
✅ Residual (Unstandardized Residual atau Standardized Residual)
❌ Bukan variabel X
❌ Bukan variabel Y
Banyak mahasiswa keliru menguji data mentah.
Cek ukuran sampel
Semakin besar sampel, semakin sensitif uji normalitas.
Sebagai gambaran:
- n < 50 → Shapiro-Wilk
- n > 50 → Kolmogorov-Smirnov
Pada sampel besar (misalnya >100), sedikit penyimpangan saja bisa membuat hasil uji signifikan, meskipun distribusi secara visual masih cukup normal. Karena itu, sebaiknya juga melihat:
- Histogram
- Normal P-P Plot
- Q-Q Plot
- Nilai Skewness
- Nilai Kurtosis
Jika grafik menunjukkan pola yang mendekati normal, banyak peneliti tetap melanjutkan analisis parametrik, terutama pada sampel besar.
Baca juga : Cara Menampilkan Kembali Toolbars IBM SPSS Yang Hilang
Cari outlier
Outlier merupakan penyebab paling umum kegagalan uji normalitas.
Urutan langkah yang dilakukan Di SPSS:
Analyze
↓
Descriptive Statistics
↓
Explore
↓
Plots
↓
Boxplot
Lihat apakah ada titik ekstrem.
Alternatif:
- Z-score
- Mahalanobis Distance (untuk regresi berganda)
Jika outlier berasal dari kesalahan input, perbaiki datanya. Jika memang merupakan pengamatan yang valid, jangan dihapus hanya agar data menjadi normal; pertimbangkan analisis yang lebih sesuai.
Lakukan transformasi data
Jika data memang menceng ke kanan (positively skewed), coba transformasi.
Beberapa pilihan:
Log Transform
LOG(X)
Cocok untuk:
- Pendapatan
- Penjualan
- Omzet
Square Root
√X
Untuk data yang agak skew.
Inverse
1/X
Untuk skew yang sangat tinggi.
Box-Cox Transformation
Lebih fleksibel tetapi biasanya dilakukan menggunakan perangkat lunak seperti R atau Minitab.
Gunakan Central Limit Theorem (CLT)
Jika:
- sampel >30
- atau >50
- atau >100
maka distribusi rata-rata sampel cenderung normal.
Banyak penelitian tetap menggunakan:
- t-test
- ANOVA
- regresi linear
meskipun data mentah tidak normal, terutama jika residual tidak menunjukkan penyimpangan yang berat.
Gunakan metode robust
Jika residual tidak normal dan transformasi tidak membantu, gunakan metode yang lebih tahan terhadap pelanggaran asumsi, misalnya:
- Bootstrap
- Robust Regression
Bootstrap sangat populer karena tidak mengharuskan asumsi normalitas yang ketat.
Ganti ke uji nonparametrik
Jika asumsi normalitas memang tidak dapat dipenuhi, gunakan alternatif nonparametrik.
| Parametrik | Nonparametrik |
| Independent t-test | Mann–Whitney U |
| Paired t-test | Wilcoxon Signed Rank |
| One Way ANOVA | Kruskal–Wallis |
| Pearson | Spearman |
| Regresi linear (dalam kondisi tertentu) | Regresi robust atau metode lain sesuai tujuan analisis |
Perbaiki instrumen penelitian
Jika menggunakan kuesioner, distribusi yang tidak normal bisa disebabkan oleh:
- pertanyaan terlalu mudah
- semua responden memilih nilai tinggi (ceiling effect)
- semua memilih nilai rendah (floor effect)
Ini menyebabkan data menumpuk di satu sisi.
Tambah jumlah sampel
Kadang distribusi menjadi lebih stabil ketika jumlah responden bertambah.
Misalnya:
- dari 40 menjadi 100 responden.
Jangan hanya mengandalkan p-value
Selain nilai Sig., periksa juga:
- Histogram
- Normal Q-Q Plot
- P-P Plot
- Skewness
- Kurtosis
Sebagai aturan praktis, nilai skewness dan kurtosis yang telah dinormalisasi (z-skewness dan z-kurtosis) atau nilai mentah yang tidak terlalu ekstrem sering digunakan sebagai pelengkap untuk menilai apakah penyimpangan dari normalitas cukup serius untuk memengaruhi analisis.
Urutan solusi yang paling disarankan
- Pastikan yang diuji adalah residual (untuk regresi).
- Periksa histogram, Q-Q Plot, dan P-P Plot.
- Identifikasi dan evaluasi outlier.
- Lakukan transformasi data bila masuk akal.
- Pertimbangkan pengaruh ukuran sampel (CLT) jika sampel cukup besar.
- Gunakan bootstrap atau metode robust bila diperlukan.
- Beralih ke uji nonparametrik jika asumsi tetap tidak terpenuhi.
Jika Anda belum bisa mengatasi masalah ini karena jarang berlatih menggunakan aplikasi SPSS lebih mendalam karena kesibukan kerja sambil kuliah yang tidak bisa dihindari. Anda tetap bisa menyelesaikan tugas kuliah pengolahan data dengan memesan listing layanan kami melalui jasa olah data SPSS.
Kami hadir memberikan bantuan layanan untuk mengatasi berbagai kendala dalam melakukan pengolahan data yang sering bermasalah.
