ASUMSI

KENORMALAN
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Berbagai rumus statistik inferensi yang digunakan untuk menguji hipotesis
penelitian didasarkan pada asumsi bahwa data yang bersangkutan memenuhi ciri
sebaran normal. Dengan kata lain, keadaan data berdistribusi normal merupakan
sebuah persyaratan yang harus terpenuhi.
Terdapat beberapa macam sebaran, tetapi sebaran yang paling penting
dalam bidang statistik adalah sebaran atau distribusi normal. Berbagai rumus
statistik yang digunakan untuk memecahkan berbagai perhitungan berangkat dari
asumsi distribusi normal, artinya data yang digunakan menyebar normal. Jika
tidak, rumus-rumus statistik tersebut tidak dapat digunakan.
Distribusi normal merupakan sebuah konsep matematik yang diidealkan.
Sebuah sebaran skor yang benar-benar normal yang sesuai dengan konsep
idealistik tersebut, sebenarnya jarang ditemukan. Tetapi, sebaran-sebaran skor dari
berbagai bidang mempunyai kecenderungan mengikuti atau memenuhi asumsi
distribusi normal banyak sekali ditemukan. Karena sebagian besar sebaran angka-
angka berada di tengah, sedangkan semakin ke kanan atau ke kiri semakin kecil,
jika digambarkan sebaran angka-angka tersebut akan menyerupai kurva. Gambar
inilah yang kemudian disebut gambar kurva normal. Gambar kurva normal sendiri
berasal dari histogram dan polygon yang diperhalus, jadi, puncak kurva yang
berada di tengah menunjukkan banyaknya frekuensi, dan pada kedua ekor kanan
dan kiri yang semakin rendah menunjukkan semakin kecilnya frekuensi.
Salah satu analisis statistik mensyaratkan datanya berdistribusi normal
adalah analisis regresi. Analisis regresi adalah analisis statistika yang
memanfaatkan hubungan antara dua atau lebih peubah kuantitatif sehingga salah
satu peubah dapat diramalkan dari peubah lainnya.
Uji kenormalandalam analisis regresi bertujuan untuk menguji apakah
dalam suatu model regresi linier variabel terikat dan variabel bebas keduanya
mempunyai distribusi normal atau tidak.
Penyebab mengapa data tidak menyebar secara normal adalah apabila
melakukan pengacakan (randomization) yang tidak sesuai dengan prinsip
pengacakan suatu rancangan percobaan. Hal ini memungkinkan data akan
menyebar secara tidak normal.
Konsekuensi akibat data yang tidak menyebar normal adalah akan
menyebabkan keputusan yang di bawah duga (under estimate) atau kelebihan
duga (over estimate) terhadap taraf nyata percobaan.

1.2 Tujuan
Tujuan dari penulisan makalah ini adalah untuk mengkaji landasan teori
serta penerapan asumsi kenormalan pada analisis regresi, tujuan secara rinci
adalah sebagai berikut:
1. Mengetahui apa itu asumsi kenormalan dan mengapa asumsi kenormalan
harus terpenuhi.
2. Mengetahui bagaimana cara mengidentifikasi asumsi kenormalan.
3. Mengetahui dampak pelanggaran asumsi kenormalan.
4. Mengetahui cara mengatasi pelanggaran asumsi kenormalan.

1
 BAB II
LANDASAN TEORI
2.1 Analisis Regresi
Untuk mengukur besarnya pengaruh variabel bebas (Independent
Variable) terhadap variabel terikat (Dependent Variable) dan memprediksi
variabel terikat dengan menggunakan variabel bebas, Gujarati (2006)
mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel
yang disebut sebagai variabel yang diterangkan (the explained variable) dengan
satu atau dua variabel yang menerangkan (the explanatory). Variabel pertama
disebut juga sebagai variabel terikat dan variabel kedua disebut juga sebagai
variabel bebas. Jika dalam persamaan regresi hanya terdapat satu variabel bebas
dan satu variabel terikat, maka disebut sebagai persamaan regresi sederhana,
sedangkan jika variabel bebasnya lebih dari satu, maka disebut sebagai persamaan
regresi berganda. Model dari persamaan regresi sederhanadapat dilihat pada
persamaan (2.1) dan model persamaan regresi berganda pada persamaan (2.2).
= 0 + 1 + (2.1)
= 0 + 1 1 + 2 2 + 3 3 + + + (2.2)
dengan :
i : parameter regresi
: error
Y : variabel terikat
X: variabel bebas
Definisi yang telah dikemukakan oleh Gujaratai (2006) tersebut di atas
sekaligus merupakan tujuan dari analisis regresi, selain itu tujuan dari penggunaan
analisis regresi adalah membuat estimasi rata-rata dan nilai variabel terikat dengan
didasarkan pada nilai variabel bebas, menguji hipotesis karakteristik dependensi,
dan meramalkan nilai rata-rata variabel terikat dengan didasarkan pada nilai
variabel bebas diluar jangkauan sampel.
Dalam model regresi terdapat asumsi-asumsi yang harus dipenuhi. Asumsi
ini dikaitkan dengan pengujian parameter model dimana pengujian dikatakan
sahih jika asumsi model regresi dipenuhi. Asumsi tersebut menyangkut sifat dari
distribusi residual (i), yaitu, i ~ IIDN (0, 2) artinya residual harus menyebar
disekitar 0, memiliki varians konstan (identik) dan independen (tidak berkorelasi
satu sama lain). Salah satu syarat untuk mencapai ini adalah pengamatan antar Yi
tidak berkorelasi, misalnya tidak bersifat time series.
Berkaitan dengan metode penaksiran dari parameter regresi, maka untuk
regresi linier berganda dibutuhkan kondisi bahwa antar variabel X tidak saling
berkorelasi (independen).
Asumsi yang berkaitan dengan residual yang sudah dijelaskan di atas
dapat ditulis sebagai berikut:
1. ~(0, 2 ), artinya kesalahan error atau residual mengikuti distribusi
normal dengan rata-rata nol dan varians 2 atau dapat ditulis dengan:
a. ( ) = 0; = 1,2, ,
b. ( ) = 2 atau disebut juga dengan homoskedastisitas dimana
antar variansi residual bernilai identik.
2. Tidak ada autokorelasi antar residual ( dan tidak berkorelasi, i j
sehingga cov (i, j) = 0

2
3. Tidak ada kolinieritas ganda (multikolinieritas) antar variabel independen
Selain harus memenuhi asumsi, menurut Gujarati (2006) suatu model
regresi dikatakan baik jika memenuhi beberapa kriteria seperti di bawah ini:
Parsimoni,suatu model tidak akan pernah dapat secara sempurna menangkap
realitas, akibatnya kita akan melakukan sedikit abstraksi ataupun
penyederhanaan dalam pembuatan model.
Mempunyai Identifikasi Tinggi,artinya dengan data yang ada, parameter-
parameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan
kata lain, hanya akan ada satu parameter saja.
Keselarasan (Goodness of Fit),tujuan analisis regresi ialah menerangkan
sebanyak mungkin variasi dalam variabel tergantung dengan
menggunakanvariabel bebas dalam model. Oleh karena itu, suatu model
dikatakan baik jika eksplanasi diukur dengan menggunakan nilai adjusted
R2 yang setinggi mungkin.
Konsistensi Dalam Teori,model sebaiknya segaris dengan teori. Pengukuran
tanpa teori akan dapat menyesatkan hasilnya.
Kekuatan Prediksi,validitas suatu model berbanding lurus dengan kemampuan
prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi
teoritisnya berasal dari pengalaman empiris.

2.2 Asumsi Kenormalan

2.2.1 Pengertian Asumsi Kenormalan

Asumsi Kenormalan dalam analisis regresi linier klasik adalah suatu
kondisi dimana tiap eididistribusikan secara normal dengan:
Rata-rata: E (ei) = 0
Varians: E (ei2) = 2
Cov (ei , ej): E (ei , ej) = 0, i j
Asumsi ini secara ringkas bisa di tulis:
ei ~ N(0, 2 )
Menurut Gujarati (1997), asumsi kenormalan harus terpenuhi karena berbagai
alasan, yaitu :
1. ei menyatakan pengaruh gabungan (terhadap variabel tak bebas) dari
sejumlah besar variabel bebas yang tidak dimunculkan secara eksplisit dalam
model regresi. Pengaruh-pengaruh variabel yang diabaikan ini diharapkan
kecil dan random. Dengan teorema limit pusat dapat ditunjukkan bahwa jika
ada sejumlah besar variabel random yang didistribusikan secara independen
dan identik, maka distribusi jumlahnya akan cenderung ke distribusi normal
bila banyaknya variabel itu meningkat tak terbatas. Teorema Limit Pusat
inilah yang memberikan pembenaran teoritis untuk asumsi kenormalan ei.
2. Suatu varians dari Teorema Limit Pusat menyatakan bahwa bahkan apabila
banyaknya variabel tidak terlalu besar atau jika variabel ini tidak independen,
maka jumlahnya masih bisa didistribusikan secara normal.
3. Dengan asumsi kenormalan, maka distribusi probabilitas penduga Metode
Kuadrat Terkecil (MKT) dengan mudah diperoleh, karena merupakan sifat
dari distribusi normal bahwa setiap fungsi linear dari variabel-variabel yang
didistribusikan secara normal dengan sendirinya didistribusikan secara

3
 normal. Sehingga jika ei normal maka penduga MKT 0 dan 1 juga
berdistribusi normal.
4. Distribusi normal adalah distribusi yang relatif sederhana yang hanya
meibatkan dua parameter (rata-rata dan varians).
5. Jika berhadapan dengan ukuran sampel yang kecil, atau terbatas, atau data
kurang dari 100 observasi maka asumsi normalitas memegang peran penting
dalam kasus ini. Asumsi kenormalan tidak hanya membantu untuk
memperoleh distribusi probabilitas yang tepat dari penduga MKT tetapi juga
memungkinkan untuk penggunaan ujit, F, dan uji statistik X2untuk model
regresi. Jika ukuran sampel cukup besar, mungkin peneliti dapat
mengendurkan asumsi normalitas.

2.2.2 Penyebab Ketidaknormalan

Dalam praktiknya, jarang sekali ditemukan sebaran nilai pengamatan yang
mempunyai bentuk ideal, seperti distribusi normal, bahkan sebaliknya, kita sering
menemukan bentuk yang cenderung tidak normal (skewed atau multimodal)
karena keragaman dari ukuran contoh (sample). Keragaman ini terjadi apabila
ukurancontoh yang terlalu sedikit, misalnya kurang dari 812 (Keppel &
Wickens, 2004; Tabachnick & Fidell, 2007), atau apabila terdapat outliers. Outlier
biasanya terjadi karena adanya kesalahan, terutama kesalahan dalam entri data,
salah dalam pemberian kode, kesalahan partisipan dalam mengikuti instruksi, dan
lain sebagainya.

2.2.3 Cara Mengidentifikasi Asumsi Kenormalan

Untuk mengidentifikasi apakahsisaan/residual dari data yang digunakan
memenuhi asumsi kenormalan dapat digunakan beberapa cara berikut:

1. Histogram
Histogram dari sisaan/residual merupakan metode grafik yang paling
sederhana untuk melihat bentuk fungsi kepadatan peluang dari variabel acak.
Sumbu horizontal (x) merupakan nilai ei yang dikelompokkan ke dalam
interval-interval. Sumbu vertikal (y) merupakan frekuensi dari ei. Jika
histogram mendekati bentuk setimbang seperti kurva normal (berbentuk
lonceng) maka dapat dikatakan sebaran ei mengikuti distribusi normal tetapi
jika data melenceng ke kanan atau melenceng ke kiri berarti data tidak
mengikuti distribusi normal.

2. Box Plot
Box plot adalah representasi grafik dari sekelompok data yang memuat 5
ringkasan data yaitu median, kuartil pertama, kuartil ketiga, minimum dan
maksimum. Box plot memberikan gambaran tentang distibusi data, sehingga
dari box plot ini akan kelihatan kemencengan data, keruncingan data dan
outlier (Modul Diklat BPS, 2012).

3. Koefisien Kemiringan (skewness) dan Keruncingan (Kurtosis)

Untuk menguji normalitas data baik secara univariate (masing-masing
indikator) atau secara multivariate (seluruh indikator) menggunakan skewness
(kemiringan data) dan kurtosis (keruncingan data) dimana kedua parameter

4
 tersebut pada setiapindikatornya terdapat nilai Critical Rasio (CR). Pada
tingkat signifikan 1% nilai CRberada diantara 2,58 ( 2,58 CR 2,58 ),
sedangkan pada tingkat signifikansi 5% nilai CRberada diantara
1,96( 1,96 CR 1,96 )jika diluar batas ini dapat dikatakan data pada
indikator tersebut tidak normal. Nilai skewness yang positif mengindikasikan
tingginya frekuensi nilai yang ada di sebelah kiri puncak distribusinormal
demikian pula sebaliknya sedangkan nilai kurtosis yang negatif menunjukkan
distribusi yang landai (varians besar) sedangkan nilai kurtosis yangpositif
menunjukkan distribusi data yang memuncak (satu nilai mendominasi).

4. Plot GrupRata-rata vs Varians

Plot ini seharusnya tidak menunjukkan adanya korelasi. Nilai rata-rata dan
varians yang berasal dari distribusi normal bersifat independen (saling bebas)
sehingga plot sampel rata-rata terhadap varians sampel harus menunjukkan
tidak ada hubungan.

5. Normal Probabilitas plot

Normal probabilitas plot antara nilai residual dengan nilai prediksi atau
observasi cukup informatif untuk mengidentifikasi kenormalan. Data
dikatakan berdistribusi normal apabila plot data tersebut mengikuti garis
normal (garis diagonal), yang dapat dilihat pada gambar 1 berikut:

Gambar 1.Plot Residual Berdistribusi Normal

Berdasarkan gambar1, secara visual terlihat bahwa sebaran data berada di

sekitar garis regresi. Hal ini dapat menjadi indikator bahwa asumsi
kenormalan terpenuhi.

5
6. Uji Kolmogrov Smirnov
Dengan Uji Kolmogorov Smirnov dapat diperiksa apakah sebaran nilai-nilai
sampel yang teramati sesuai dengan sebaran normal tertentu. Uji Kolmogorov
Smirnov beranggapan bahwa sebaran vaiabel yang diuji bersifat kontinu dan
sampel diambil dari populasi acak sederhana. Dengan demikian uji ini hanya
dapat digunakan, bila variabel yang diukur paling sedikit dalam skala ordinal.

Terdapat beberapa keuntungan dan kerugian relatif uji kesesuaian

Kolmogorov Smirnov yaitu:
1. Data dalam Uji Kolmogorov Smirnov tidak perlu dilakukan kategorisasi.
Dengan demikian semua hasil observasi terpakai.
2. Uji Kolmogorov Smirnov bisa dipakai untuk semua ukuran sampel
berbeda dengan uji Khi Kuadrat membutuhkan ukuran sampel minimum
tertentu.
3. Uji Kolmogorov Smirnov tidak bisa dipakai untuk memperkirakan
parameter populasi.
4. Uji Kolmogorov Smirnov memakai asumsi bahwa sebaran populasi
bersifat kontinu.

Uji Kolmogorov Smirnov dapat diterapkan pada dua keadaan:

1. Menguji apakah suatu sampel mengikuti bentuk sebaran normal.
2. Menguji apakah dua buah sampel berasal dari dua populasi yang sama
sebarannya.

Hipotesis yang diuji dinyatatakan sebagai berikut:

H0: F(x) =Ft(x) untuk semua x atau (data dari populasi normal)
H1: F(x) Ft(x) untuk paling sedikit sebuah x atau (data dari populasi tidak
normal)
F(x) adalah fungsi sebaran kumulatif populasi observasi.
Statistik uji Kolmogorov Smirnov merupakan selisih absolut terbesar antara
Fs(x) dan Ft(x), yang disebut deviasi maksimum D. Statistik D ditulis sebagai
berikut:
= | ( ) ( )|; = 1,2, , (2.3)

Langkah-langkah prinsip uji Kolmogorov Smirnov:

1. Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari nilai
terkecil sampai nilai terbesar.
2. Susun frekuensi kumulatif dari nilai-nilai teramati itu.
3. Konversikan frekuensi kumulatif itu ke dalam peluang, yaitu ke dalam
fungsi sebaran frekuensi kumulatif [Fs(x)].
4. Hitung nilai z untuk masing-masing nilai teramati dengan rumus
= ( )/. Dengan mengacu kepada tabel sebaran normal baku
carilah peluang (luas area) kumulatif untuk setiap nilai teramati. Hasilnya
adalah Ft(xi).
5. Susun Fs(x) berdampingan dengan Ft(x). Hitung selisih absolut antara
Fs(xi) dengan Ft(xi) pada masing-masing nilai teramati.
6. Statistik uji Kolmogorov Smirnov adalah D dengan formula pada
persamaan (2.3).

6
 7. Kriteria keputusan: tolak H0 jika D>Dtabel (nilai Tabel Mann-Whitney)
pada tingkat signifikansi .
(Modul Diklat BPS, 2012).

7. Uji Chi-kuadrat
Uji chi-kuadrat digunakan jika ukuran sampel (n 30).Metode Chi-Square
atau uji Goodness of fit Distribution Normal menggunakan pendekatan
penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang
diharapkan. Prosedur pengujian adalah sebagai berikut:
a. Rumus X2
( )2
2 = (2.4)

Keterangan:
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai harapan, luasan interval kelas berdasarkan tabel normal
dikalikan N (total frekuensi)
N = banyaknya angka pada data
Komponen penyusun rumus (2.4) didapatkan berdasarkan pada hasil
transformasi data distribusi frekuensi yang akan diuji normalitasnya yang
prosesnya dapat dilihat pada tabel1.

Tabel 1. Langkah-langkah Perhitungan X2 pada Uji Chi-kuadrat

Batas Interval Kelas (Batas

No. Z= Pi Oi Ei = Pi x N
Tidak Nyata)
1.
2.
dst.

Keterangan:
Xi = Batas tidak nyata interval kelas
Z = transformasi dari angka batas interval kelas ke notasi pada distribusi
normal
Pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
Oi = nilai observasi
Ei = nilai harapan, luasan interval kelas berdasarkan tabel normal di
kalikan N
b. Persyaratan
Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi
frekuensi.
Cocok untuk data dengan banyaknya angka besar (n > 30).
Setiap sel harus terisi, yang kurang dari 5 digabungkan.
c. Signifikansi
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-
Square):
Jika nilai X2 hitung kurang dari nilai X2, maka Ho diterima
Jika nilai X2 hitung besar dari nilai X2, maka Ho ditolak
(Ram dan Sam, 2012)

7
8. Uji Kenormalan dengan Shapiro Wilk
Uji Shapiro-Wilk dirancang khusus untuk mendeteksi kenormalan tanpa
melihat rata-rata atau varians dari hipotesis sebaran normal(Modul Diklat
BPS, 2012). Uji ini menggunakan data dasar yang belum diolah dalam tabel
distribusi frekuensi. Data diurut, kemudian dibagi dalam dua kelompok untuk
dikonversi dalam Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam
nilai Z untuk dapat dihitung luasan kurva normal. Prosedur analisis
menggunakan formula berikut:
a. Rumus
1 2
3 = [=1 ( +1 )] (2.5)

= =1( )2 (2.6)

3
G = bn + cn + ln( 1 ) (2.7)
3
Keterangan:
Xi = angka ke-i pada data
= rata rata data
ai = koefisien test Shapiro Wilk
Xn-i+1 = angka ke n-i+1 pada data
G = identik dengan nilai Z distribusi normal
bn, cn, dn = Konversi Statistik Shapiro-Wilk pendekatan distribusi normal
b. Persyaratan
Data berskala interval atau ratio (kuantitatif)
Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi
Data dari sampel random
c. Signifikansi
Signifikan dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji 3
nilai dibandingkan dengan tabel Shapiro Wilk, untuk dilihat posisi nilai
probabilitasnya (p). Jika nilai p > 5% maka Ho diterima. Jika nilai
p < 5% maka Ho ditolak.
Dalam Aunudin (2005), menjelaskan prosedur uji Shapiro Wilk dengan
tahapan sebagai berikut:
a. Nilai sisaan diurutkan dari kecil ke besar
b. Hitung b = ( ) dengan nilai ai yang diperoleh pada tabel
c. Hitung Statistik Whitung = b2 / JK(ei)
bandingkan Whitung terhadap nilai kritis W dari tabel (berbeda dengan uji-
uji lain, jika nilai Whit< Wtab maka mengindikasikan ketaknormalan data).

9. Uji kenormalan dengan Anderson Darling

Uji Anderson Darlingmembutuhkan perhitungan peluang kumulatif normal,
perhitungannya tergolong rumit sehingga membutuhkan bantuan komputer.
Tahapan uji adalah sebagai berikut:
a. Pengurutan nilai sisaan dan menghitung s2 = JK(ei) /db
b. Hitung sisaan baku zi= ei/s
c. Hitung peluang kumulatif normal Zi = (zi)
d. Hitung A2 = [-{ (2i 1)(ln (Zi) + ln (1 Zn-i+1))}/n]-n
e. Selanjutnya menghitung B2 = A2 (1+0.75/n + 2.25/n2)

8
 Bandingkan B2 hasil perhitungan dengan nilai kritis B2 dalam tabel yang
tersedia. Bila nilainya lebih tinggi dari nilai kritisnya maka hipotesis tentang
kenormalan data ditolak.

10. Uji Kenormalan dengan Jarque-Berra (JB)

Uji Jarque-Bera berdasarkan pada formula berikut:
S 2 ( K 3) 2
JB n
6 24
(2.8)
S merupakannilai skewness (kemencengan) dan K kurtosis (keruncingan).
Hasil hitung JB dibandingkan dengan tabel Chi Square dengan derajat bebas
2. Besarnya nilai chi square (X2) dengan derajat bebas 2 dan level keyakinan
95% = 7,37 dan untuk keyakinan 99% = 9,21. Jika JB hitung lebih besar dari
9,21, maka data yang diuji tidak normal. Sebaliknya jika nilai JB hitung <
9,21 data termasuk dalam kelas distribusi normal.
Jarque-Bera test mempunyai distribusi chi square dengan derajat bebasdua.
Jika hasil Jarque-Bera test lebih besar dari nilai chi square pada =5
persen,maka tolak hipotesis nol yang berarti tidak berdistribusi normal. Jika
hasil Jarque-Bera test lebih kecil dari nilai chi square pada =5 persen, maka
terima hipotesisnol yang berarti residualberdistribusi normal.

2.2.4 Dampak Pelanggaran Asumsi Kenormalan

Konsekuensi dari data yang tidak menyebar normal adalah akan
menyebabkan keputusan yang di bawah dugaan (under estimate) atau diatas
dugaan (over estimate) terhadap taraf nyata percobaan yang sudah ditentukan
(Kesalahan Jenis I).Meskipun demikian, harus diingat bahwa dalam asumsi
analisis ragam (syarat kecukupan model), uji kenormalan merupakan hal yang
tidak terlalu penting dibandingkan dengan uji lainnya, asalkan:
Ukuran contoh yang besar dan jumlah sampel yang seimbang.
Sepanjang seluruh sampel data mempunyai distribusi yang hampir sama dan
jumlah sampel sama atau hampir sama dan tidak ada penyimpangan yang
ekstrim, tidak diperlukan pengujian kenormalan.

2.2.5Cara Mengatasi Pelanggaran Asumsi Kenormalan

Solusi terhadap pelanggaran asumsi ketidaknormalan :
a. Usahakan banyaknya ulangan sama untuk setiap perlakuan karena ukuran
sampel yang seragam sangat handal terhadap ketidaknormalan
b. Periksa outlier, hilangkan apabila point data tersebut tidak representatif atau
cek kembali kebenaran data tersebut
c. Memangkas nilai-nilai data pengamatan yang paling ekstrim, dengan tujuan
untuk mengurangi pengaruh dari skewness dan kurtosis
d. Uji nonparametrik
e. Transformasi data
Banyak metode transformasi yang dapat digunakan diantaranya transformasi
logaritma, bentuk akar, bentuk pangkat, transformasi dengan metode Box-
Cox dan lain-lain. Dalam makalah ini pelanggaran terhadap asumsi
kenormalan ditangani dengan Metode Box-Cox. Transformasi Metode Box-
Cox ini dilakukan dengan memangkatkan peubah respon dengan suatu nilai ,

9
 merupakan suatu parameter yang ditentukan dari data dan dicobakan pada
suatu selang nilai tertentu (pada MINITAB 14 selang nilai yang dicobakan
antara -5 sampai dengan 5, jika = 0 transformasi berupa log(Y)). Kriteria
yang digunakan untuk menentukan nilai yang optimal adalah nilai yang
meminimumkan jumlah kuadrat galat regresi dari data respon yang telah
ditransformasi tersebut.

BAB III

10
 CONTOH PENERAPAN ASUMSI KENORMALAN
3.1 Data
Data yang akan dibahas dalam makalah ini adalah data tentang pengaruh
iklan koran (X1) yang menyatakan iklan di koran (juta rupiah/bulan) dan jumlah
outlet (X2) yang menyatakan jumlah outlet perusahaan untuk setiap daerah seperti
di pasar, supermarket dan mall terhadap sales (Y) yang merupakan tingkat
penjualan roti semua rasa (unit/bulan). Data terdiri dari 30 pengamatan yang
diperoleh dari hasil download melalui situs
staff.uny.ac.id/sites/default/files/handout Analisis Regresi.pdf, yang sudah
dimodifikasi. Data dapat dilihat pada lampiran 1.

3.2. Perangkat Lunak

Data diolah dengan menggunakan perangkat lunak Minitab versi 16.

3.3. Analisis Regresi Linier

Dari hasil pengolahan data (output dapat dilihat pada lampiran 2)
diperoleh model dugaan sebagai berikut:
= 360 + 7,55 X1 - 23,2 X2 (3.1)
Setelah memperoleh dugaan model regresi pada persamaan (3.1),
selanjutnya dilakukan pengujian terhadap model (3.1) secara keseluruhan (Uji F)
dengan Hipotesis:
2 2
H0 : = (1 = 2 = 0)
2 2
H1 : > (1 2 0)
Output Minitab menunjukkan hasil pengujian yang tidak signifikan,
dengan nilai p-value=0.078,R2 = 17,2% (nilai R2 kecil karena tidak semua variabel
bebas dimasukkan ke dalam model) dan MSE = 14860.Oleh karena nilai p-value
lebih besar dari 5%artinyamenerima H0sehingga dapat dikatakan bahwamodel
regresi tidak dapat menjelaskan keragaman sales (Y).
Selanjutnya dilakukan uji t untuk melihat pengaruh masing-masing
variabel bebas secara parsial, terlihat dari output Minitab bahwa kedua variabel:
iklan koran (X1) dan jumlah outlet (X2) tidak berpengaruh signifikan terhadap
sales (Y), hal ini terlihat dari nilai p-value untuk masing-masing pengujian yaitu
0.055 dan 0.120, kedua nilai ini lebih besar dari 5%.
Berdasarkan hasil analisis regresi tersebut di atas dilakukan pemeriksaan
terhadap asumsi model regresi linier, dalam hal ini hanya dilakukan pemeriksaan
terhadap asumsi kenormalan.

3.4. Uji Kenormalan

Untuk memeriksa kenormalan sisaan dari model (3.1) dilakukan beberapa
cara berikut:

1. Histogram
Histogram dari sisaan dapat dilihat dari gambar 2 berikut:

11
 Histogram of RESIDUAL
Normal

Mean -2,53901E-13
10
StDev 117,6
N 30

Frequency
6

0
-200 -100 0 100 200
RESIDUAL

Gambar 2. Histogramsisaan (Residual)

Dari gambar 2 terlihat bahwa sisaan tidak mengikuti distribusi normal.

2. Box Plot
Box Plot dari sisaan dapat dilihat dari gambar 3 berikut:

Boxplot of RESIDUAL

200

100
RESIDUA L

-100

-200

Gambar 3.Boxplot sisaan

Dari gambar 3 terlihat bentuk histogram sisaan tidak simetris sehingga dapat
dikatakan bahwa sisaan tidak berdistribusi normal.

3. Koefisien Kemiringan (skewness) dan keruncingan (Kurtosis)

Output Minitab untuk nilai skewness dan kurtosis sisaan dapat dilihat pada
tabel 2 berikut:
Tabel 2. Nilai Skewness dan Kurtosis Sisaan

Descriptive Statistics: RESIDUAL

Variable Skewness Kurtosis
RESIDUAL 0,63 -0,59

12
 Nilai skewness dan Kurtosis yang terdapat pada tabel 2 digunakan untuk
menghitung nilai kritis skewness dan kurtosis dengan formula:

= 6
, untuk ZKurtosis formulanya juga sama, dengan formula


tersebut diperoleh ZSkewness=1.409, dan ZKurtosis=-1.319, kedua nilai ini berada
di dalam selang CR yaitu pada tingkat signifikansi 5% ,( 1,96 CR 1,96 )
sehinggaberdasarkan nilai-nilai inidapat dikatakan data pada indikator
normal.

4. P Plot
P Plot dari sisaan dapat dilihat dari gambar 4 berikut:

Probability Plot of RESIDUAL

Normal - 95% CI
99
Mean -2,53901E-13
StDev 117,6
95 N 30
AD 0,966
90
P-Value 0,013
80
70
Percent

60
50
40
30
20

10

1
-400 -300 -200 -100 0 100 200 300 400
RESIDUAL

Gambar 4.P Plot sisaan

Dari gambar 4 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.

5. Uji Normalitas dengan Kolmogorov Smirnov

Hipotesis:
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Output Minitab dari Uji Kolmogorov Smirnov dapat dilihat pada gambar 5.

13
 Probability Plot of RESIDUAL
Normal
99
Mean -2,53901E-13
StDev 117,6
95 N 30
KS 0,172
90
P-Value 0,032
80
70

Percent
60
50
40
30
20

10

1
-300 -200 -100 0 100 200 300
RESIDUAL

Gambar 5.Plot Uji Kolmogorov Smirnov

Dari gambar 5 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.

6. Uji normalitas dengan Shapiro-Wilk

Hipotesis:
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Output Minitab dari Uji Shapiro-Wilk dapat dilihat pada gambar 6.

Probability Plot of RESIDUAL

Normal
99
Mean -2,53901E-13
StDev 117,6
95 N 30
RJ 0,963
90
P-Value 0,047
80
70
Percent

60
50
40
30
20

10

1
-300 -200 -100 0 100 200 300
RESIDUAL

Gambar 6.Plot Uji Shapiro-Wilk

Dari gambar 6 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.

14
7. Uji normalitas dengan Anderson Darling
Hipotesis:
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Output Minitab dari Uji Anderson Darlingdapat dilihat pada gambar 7.

Probability Plot of RESIDUAL

Normal
99
Mean -2,53901E-13
StDev 117,6
95 N 30
AD 0,966
90
P-Value 0,013
80
70
Percent

60
50
40
30
20

10

1
-300 -200 -100 0 100 200 300
RESIDUAL

Gambar 7.Plot Uji Anderson Darling

Dari gambar 7 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.

8. Uji normalitas dengan Jarque-Bera

Langkah-langkah uji normalitas Jarque-Bera:
a. Dari tabel 2 telah diperoleh nilai skewness = 0.63 dan kurtosis = -0.59
b. Nilai skewness dan kurtosis tersebut akan digunakan untuk memperoleh
nilai statistik hitung normalitas Jarque Bera, yaitu dengan perhitungan
sebagai berikut:
2 (3)2 0.632 (0.593)2
Nilai JB = n[ 6 + 24 ]= 30[ 6 + ] =18.095 karena nilai JB
24
lebih besar dari 7.37 yang merupakan nilai kritis tabel Chi Square dengan
taraf nyata = 5 % maka dapat disimpulkan bahwa residual dari data
yang diuji tidak mengikuti sebaran normal.
Dari beberapa prosedur pengujian diatas secara umum dapat disimpulkan
bahwa sisaan/residual dari data tidak berdistribusi normal atau terjadi pelanggaran
asumsi kenormalan sehingga akan berpengaruh terhadap uji F dan Uji t.

3.5. Analisis Regresi Linier dengan Sisaan Berdistribusi Normal

Pada pembahasan 3.4 telah diketahui terdapat pelanggaran asumsi
kenormalan dalam analisis regresi. Oleh karena itu dilakukan penanganan
terhadap pelanggaran asumsi tersebut, dalam kasus ini penanganan dilakukan
dengan cara transformasi Box Cox. Dari hasil pengolahan data setelah
ditransformasi diperoleh model dugaan sebagai berikut:

15
 = 5,72 + 0,0212 X1 0,0514 X2 (3.2)
Setelah memperoleh dugaan model regresi pada persamaan (3.2),
selanjutnya dilakukan pengujian terhadap model (3.2) secara keseluruhan (Uji F)
dengan Hipotesis:
2 2
H0 : = (1 = 2 = 0)
2 2
H1 : > (1 2 0)
Output Minitab menunjukkan hasil pengujian yang tidak signifikan, dengan nilai
p-value=0.063, R2 = 18,5% dan MSE = 0,092457. Nilai-nilai ini sudah lebih baik
dibandingkan dengan nilai pada model 3.1 (model dengan pelanggaran asumsi
kenormalan) yaitu p-value=0,078,R2 = 17,2% dan MSE = 14860, walaupun masih
dihasilkan kesimpulan yang sama yaitu bahwa model regresi tidak dapat
menjelaskan keragaman sales (Y*).
Selanjutnya dilakukan uji t yaitu uji untuk melihat pengaruh masing-
masing variabel bebas secara parsial yaitu terlihat dari output Minitab bahwa
variabel iklan koran (X1) memberikan pengaruh yang signifikan terhadap Sales
(Y*) dengan nilai P-value = 0.032 dimana pada pembahasan 3.3 variabel X1 tidak
signifikan. Sedangkan variabel outlet (X2) masih tidak berpengaruh signifikan
terhadap sales (Y*).

3.6. Uji Kenormalan Sisaan terhadap Data setelah Transformasi

Cara pemeriksaan asumsi kenormalan sama dengan pembahasan pada
bagian 3.4 dengan hasil secara ringkas dapat dilihat pada tabel 3dan output
Minitab secara rinci pada lampiran 6.

Tabel 3.Rekapitulasi Pemeriksaan Kenormalan Data setelah Transformasi

Prosedur Pemeriksaan
No. Hasil
Asumsi Kenormalan
1. Histogram Berbentuk tidak setimbang
2. Box Plot Berbentuk tidak simetris
3. Skewness dan Kurtosis Skewess = 0.35 dan Kurtosis = -0.59
ZSkewness=0.783, dan ZKurtosis=-1.319
Nilai ZSkewness dan ZKurtosis Berada dalam selang CR(
berarti sisaan berdistribusi normal)
4. P Plot P-value 0.220 > 5% ( berarti sisaan berdistribusi
normal)
5. Uji Kolmogorov Smirnov P-value 0.150 > 5% ( berarti sisaan berdistribusi
normal)
6. Uji Shapiro Wilk P-value 0.100 > 5% ( berarti sisaan berdistribusi
normal)
7. Uji Anderson Darling P-value 0.220 > 5% ( berarti sisaan berdistribusi
normal)
8. Uji Jarque Bera JB = 16.723> 7.37 (berarti sisaan tidak
berdistribusi normal)

Dari tabel 3 tersebut secara umum dapat disimpulkan bahwa

sisaan/residual dari data setelah transformasi telah mengikuti distribusi
normalsehingga uji F dan Uji t dapat dilakukan.

16
 BAB IV
PENUTUP
Asumsikenormalan merupakan salah satu asumsi yang dibutuhkan sebagai
prasyarat untuk melakukan analisis data, banyak metode analisis yang
mensyaratkan data harus mengikuti sebaran normal diantaranya analisis regresi.
Dalam analisis regresi asumsi kenormalan berkaitan dengan pengujian terhadap
parameter regresi yaitu uji F dan uji t, jika asumsi kenormalan tidak dipenuhi
maka pengujian tersebut tidak dapat dilakukan.
Terdapat berbagai teknik pemeriksaankenormalan suatu data yang telah
dikembangkan oleh para ahli dan juga terdapat banyak alat bantu berupa program
statistik yang bisa digunakan.
Pemeriksaan terhadap Kenormalan dilakukan dengan berbagai cara
diantaranyadengan histogram, box plot, Skewness dan kurtosis, P Plot, uji
Kolmogorov-Smirnov, uji Chi Kuadrat, uji Shapiro Wilk, uji Andeson Darling
dan Uji Jarque Bera. Berbagai prosedur pemeriksaan tersebut dapat dilakukan
dengan bantuan software Minitab.
Dari prosedur-prosedur pemeriksaan terhadap asumsi kenormalan tersebut,
tidak dapat dipastikan tentang prosedur pemeriksaan ataupun pengujian yang
paling baik, karena masing-masing teknik yang digunakan tergantung kepada
kebutuhan dan jenis data digunakan.

17
 DAFTAR PUSTAKA
Aunuddin. 2005. Statistika: Rancangan dan analisis Data.IPBPRESS: Bogor.

Badan Pusat Statistik. 2012. Modul Diklat: Fungsional Statistisi Tingkat Ahli.
Pusat Pendidikan dan Pelatihan BPS.

Gujarati dan Zain, 1997. Ekonometrika Dasar. Erlangga: Jakarta.

Irwan Thaha. 2012. Makalah: Asumsi Kenormalan. Sekolah Pascasarjana

Departemen Statistika IPB Bogor.

Juanda, B., 2009. Ekonometrika Pemodelan dan Pendugaan. IPBPRESS: Bogor.

Nurgiyantoro, Burhan, dkk. 2009. Statistika Terapan Untuk Penelitian Ilmu-Ilmu

Sosial. Gajah Mada University Press :Yogyakarta.

Walpole R. dan Myers R., 1986. Ilmu Peluang dan Statistika untuk Insinyur dan
Ilmuwan. ITB, Bandung.

Staff.uny.ac.id/sites/default/files/Handout Analisis Regresi.pdf

http://smartstat.wordpress.com/2010/03/09/asumsi-asumsi-anova-satu-faktor/

https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=3&cad=rj
a&ved=0CDoQFjAC&url=http%3A%2F%2Fkk.mercubuana.ac.id%2Ffil
es%2F99020-12-
659054692896.doc&ei=OdZiUayNJ4XZrQeUnoGYBw&usg=AFQjCN
EUa70pbUkTtHOClrpwtJ4w9qs_pg&sig2=MbLGBVcZCrHRSoSLsLH
q4A&bvm=bv.44770516,d.bmk

http://tonyteaching.wordpress.com/2010/11/15/memperbaiki-normalitas-dengan-
transformation-data/

18
Lampiran 1. Data

Y X1 X2
500,34 26,23 7
450,24 25,12 8
600,45 29,8 8
551,23 34,55 9
650,34 33,45 6
700,7 32,6 5
560,4 23,45 8
366,25 34,76 9
451,29 40,12 8
430,22 36,21 10
265,99 25,89 11
254,26 22,98 10
352,16 36,25 9
365,21 36,87 8
295,15 22,41 5
354,25 26,25 6
415,25 36,99 8
400,23 32,79 9
423,22 33,98 7
452,62 23,21 5
512,33 14,98 8
435,23 35,99 8
302,21 25 9
330,92 23,25 8
254,25 24,86 6
265,21 26,23 5
215,36 20,98 7
235,26 24,88 9
222,32 25,87 8
323,45 28,94 9

19
Lampiran 2. Output Minitab Analisis Regresi Linier

Regression Analysis: Y versus X1; X2

The regression equation is

Y = 360 + 7,55 X1 - 23,2 X2

Predictor Coef SE Coef T P

Constant 360,3 143,1 2,52 0,018
X1 7,555 3,766 2,01 0,055
X2 -23,21 14,47 -1,60 0,120

S = 121,903 R-Sq = 17,2% R-Sq(adj) = 11,1%

Analysis of Variance

Source DF SS MS F P
Regression 2 83374 41687 2,81 0,078
Residual Error 27 401228 14860
Total 29 484601

20
Lampiran 3.Langkah-langkah Pemeriksaan Asumsi Kenormalan Menggunakan
Minitab

A. Histogram
a. Pilih Graphs Histogram
b. Pilih With Fit

c. Pilih OK
d. Pilih Data select Residual sehingga Residual berada pada kotak
GraphVariable
e. Pilih OK

B. Box Plot
a. Pilih Graph boxplot
b. Muncul kotak dialog berikut:

c. Pilih simple
d. OK
e. Select Residual, sehingga Residual berada di kotak Graph variables
f. OK

21
C. Skewness dan Kurtosis
a. Pilih stat basic statistics
b. Pilih Display Descriptive Statistics
c. Select Residual sehingga Residual berada pada kotak Variables
d. Klik Statistics, Muncul kotak dialog berikut:

e. Checklist pada skewness dan kurtosis

f. OK
g. OK

D. P Plot
a. Pilih Graphs Probability Plot OK

b. Pilih Residual sehingga residual berada pada kotak Graph Variable

c. OK

E. Uji Kolmogorov Smirnov, Shapiro Wilk dan Anderson Darling

a. Pilih Stat basic Statistics Normality test

b. PindahkanResidual ke kotak variable
c. 1. Untuk Uji Kolmogorov Smirnov Pada Test for normality Pilih
Kolmogorov Smirnov
2. Untuk Uji Shapiro Wilk Pada Test for normality Pilih

22
 similar to Shapiro Wilk
3. Untuk Uji Anderson Darling Pada Test for normality Pilih
Anderson Darling

d. OK

23
Lampiran 4.Data Hasil Transformasi menggunakan metode Box Cox

Y* X1 X2
6,21529 26,23 7
6,10978 25,12 8
6,39768 29,8 8
6,31215 34,55 9
6,47750 33,45 6
6,55208 32,6 5
6,32865 23,45 8
5,90332 34,76 9
6,11211 40,12 8
6,06430 36,21 10
5,58346 25,89 11
5,53836 22,98 10
5,86409 36,25 9
5,90047 36,87 8
5,68748 22,41 5
5,87000 26,25 6
6,02888 36,99 8
5,99204 32,79 9
6,04789 33,98 7
6,11505 23,21 5
6,23897 14,98 8
6,07587 35,99 8
5,71112 25 9
5,80188 23,25 8
5,53832 24,86 6
5,58052 26,23 5
5,37231 20,98 7
5,46069 24,88 9
5,40412 25,87 8
5,77904 28,94 9

24
Lampiran 5.Output Minitab Analisis Regresi Linier terhadap Data Hasil
Transformasi

Regression Analysis: Y* versus X1; X2

The regression equation is

Y* = 5,72 + 0,0212 X1 - 0,0514 X2

Predictor Coef SE Coef T P

Constant 5,7243 0,3569 16,04 0,000
X1 0,021182 0,009393 2,26 0,032
X2 -0,05144 0,03611 -1,42 0,166

S = 0,304088 R-Sq = 18,5% R-Sq(adj) = 12,5%

Analysis of Variance

Source DF SS MS F P
Regression 2 0,56857 0,28428 3,07 0,063
Residual Error 27 2,49668 0,09247
Total 29 3,06525

25
Lampiran 6.Output Minitab Pemeriksaan Kenormalan Data setelah Transformasi

A. Histogram

Histogram of RESIDUAL*
Normal

Mean -3,10862E-15
7
StDev 0,2934
N 30
6

5
Frequency

0
-0,6 -0,4 -0,2 0,0 0,2 0,4 0,6
RESIDUAL*

B. Box Plot

Boxplot of RESIDUAL*
0,75

0,50

0,25
RESIDUAL*

0,00

-0,25

-0,50

C. Skewness dan Kurtosis

Descriptive Statistics: RESIDUAL*

Variable Skewness Kurtosis
RESIDUAL* 0,35 -0,59

D. P Plot

26
 Probability Plot of RESIDUAL*
Normal - 95% CI
99
Mean -3,10862E-15
StDev 0,2934
95 N 30
AD 0,477
90
P-Value 0,220
80
70
Percent

60
50
40
30
20

10

1
-1,0 -0,5 0,0 0,5 1,0
RESIDUAL*

E. Uji Kolmogorov Smirnov

Probability Plot of RESIDUAL*

Normal
99
Mean -3,10862E-15
StDev 0,2934
95 N 30
KS 0,132
90
P-Value >0,150
80
70
Percent

60
50
40
30
20

10

1
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
RESIDUAL*

F. Uji Shapiro Wilk

27
 Probability Plot of RESIDUAL*
Normal
99
Mean -3,10862E-15
StDev 0,2934
95 N 30
RJ 0,982
90
P-Value >0,100
80
70
Percent

60
50
40
30
20

10

1
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
RESIDUAL*

G. Uji Anderson Darling

Probability Plot of RESIDUAL*

Normal
99
Mean -3,10862E-15
StDev 0,2934
95 N 30
AD 0,477
90
P-Value 0,220
80
70
Percent

60
50
40
30
20

10

1
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
RESIDUAL*

28