Cara Uji Normalitas di SPSS: Panduan Lengkap dengan Interpretasi

Sebelum menjalankan analisis statistik seperti regresi linier atau uji t, Anda perlu memastikan bahwa data memenuhi asumsi normalitas — artinya data terdistribusi secara normal. SPSS menyediakan dua uji normalitas yang paling banyak digunakan: Kolmogorov-Smirnov (KS) dan Shapiro-Wilk (SW). Artikel ini memandu Anda langkah demi langkah dalam menjalankan uji normalitas di SPSS, menginterpretasikan hasilnya, dan menentukan langkah selanjutnya ketika asumsi normalitas tidak terpenuhi.

Mengapa Uji Normalitas Diperlukan?

Sebagian besar uji statistik parametrik (uji-t, ANOVA, regresi linier) mengasumsikan bahwa data — atau lebih tepatnya, residual dari model yang dibangun — terdistribusi normal. Jika asumsi ini dilanggar, hasil pengujian bisa tidak valid dan kesimpulan penelitian menjadi menyesatkan.

Uji normalitas bekerja berdasarkan sepasang hipotesis:

H₀: Data berdistribusi normal
H₁: Data tidak berdistribusi normal

Logika pengambilan keputusan bersifat "balik": kita ingin gagal menolak H₀, artinya kita berharap nilai p (Sig.) besar — menandakan tidak ada bukti cukup untuk menolak normalitas.

Catatan penting: Yang diuji normalitasnya bukan selalu variabel mentah (raw data), melainkan residual dari model yang dibangun. Namun, untuk keperluan skripsi S1, banyak pembimbing juga meminta uji normalitas pada data mentah setiap variabel. Pastikan Anda memahami permintaan pembimbing sebelum menentukan objek yang diuji.

Perbedaan Kolmogorov-Smirnov dan Shapiro-Wilk

Dua uji yang tersedia di SPSS memiliki karakteristik berbeda dan sebaiknya dipilih berdasarkan ukuran sampel penelitian.

Aspek	Kolmogorov-Smirnov (KS)	Shapiro-Wilk (SW)
Ukuran sampel ideal	n > 50	n ≤ 50
Kekuatan statistik (power)	Lebih rendah	Lebih tinggi
Sensitivitas terhadap penyimpangan kecil	Lebih rendah	Lebih tinggi
Batas atas n di SPSS	Tidak ada batas	n ≤ 5.000
Rekomendasi umum	Sampel besar (> 50)	Sampel kecil (≤ 50)

Untuk sampel kecil (di bawah 50), Shapiro-Wilk lebih direkomendasikan karena memiliki kekuatan statistik yang lebih tinggi — artinya lebih mampu mendeteksi ketidaknormalan yang sesungguhnya ada. Untuk sampel besar, KS lebih umum digunakan.

Perhatian khusus berlaku untuk sampel sangat besar (n > 200): pada ukuran sampel ini, uji normalitas formal hampir selalu menghasilkan nilai Sig. < 0,05 meski penyimpangan dari normalitas sangat kecil dan tidak bermakna secara praktis. Dalam situasi ini, analisis grafis seperti histogram dan Q-Q plot menjadi lebih relevan.

Persiapan Data Sebelum Uji Normalitas

Periksa Skala Pengukuran

Uji normalitas hanya relevan untuk variabel berskala interval atau rasio (data kontinu). Jangan menerapkan uji normalitas pada variabel nominal atau ordinal.

Identifikasi Outlier Terlebih Dahulu

Outlier ekstrem dapat menyebabkan data tampak tidak normal meski distribusi sebenarnya mendekati normal. Sebelum uji normalitas, periksa apakah ada outlier menggunakan boxplot (Analyze → Descriptive Statistics → Explore, centang Outliers). Nilai yang ditandai dengan simbol * (ekstrem) atau o (ringan) perlu dievaluasi lebih lanjut.

Masukkan Data ke SPSS

Buka SPSS dan masukkan data di Data View.
Setiap baris = satu responden/kasus; setiap kolom = satu variabel.
Pastikan setiap variabel sudah diberi nama, label, dan tipe data yang benar di Variable View.

Langkah-Langkah Uji Normalitas di SPSS

Metode 1: Melalui Menu Explore (Direkomendasikan)

Langkah 1: Klik menu Analyze di bilah menu atas.

Langkah 2: Arahkan ke Descriptive Statistics, lalu klik Explore.

Langkah 3: Pada kotak dialog Explore:

Pindahkan variabel yang ingin diuji ke kotak Dependent List.
Jika ada variabel pengelompokan (misalnya: jenis kelamin), masukkan ke Factor List — SPSS akan menjalankan uji normalitas secara terpisah untuk setiap kelompok.

Langkah 4: Klik tombol Plots di sisi kanan.

Langkah 5: Pada kotak dialog Plots:

Centang Normality plots with tests — inilah yang mengaktifkan KS dan Shapiro-Wilk.
Centang Histogram untuk mendapatkan visualisasi distribusi.
Centang Stem-and-leaf (opsional) untuk gambaran distribusi berbasis teks.
Klik Continue.

Langkah 6: Di bagian Display, pilih Both agar output menampilkan statistik dan plot.

Langkah 7: Klik OK untuk menjalankan analisis.

Metode 2: Melalui Menu Regresi (untuk Residual)

Jika yang diuji adalah residual model regresi:

Langkah 1: Jalankan analisis regresi melalui Analyze → Regression → Linear.

Langkah 2: Klik Save, centang Unstandardized Residuals — SPSS akan membuat variabel baru bernama RES_1.

Langkah 3: Setelah regresi selesai, jalankan uji normalitas pada variabel RES_1 menggunakan metode Explore di atas.

Membaca Output Uji Normalitas SPSS

SPSS akan menghasilkan beberapa tabel dan grafik. Yang paling penting adalah tabel Tests of Normality.

Tabel Tests of Normality

Output akan terlihat seperti ini (contoh dengan n = 45):

Tests of Normality
                    Kolmogorov-Smirnov          Shapiro-Wilk
Variabel    Statistic    df    Sig.    Statistic    df    Sig.
Nilai_Y       0.087      45   .200*      0.971      45    .346
Motivasi_X    0.102      45   .200*      0.965      45    .198

Cara Membaca Nilai Sig. (p-value)

Aturan keputusan:

Jika Sig. > 0,05 → Gagal tolak H₀ → Data berdistribusi normal
Jika Sig. < 0,05 → Tolak H₀ → Data tidak berdistribusi normal

Pada contoh di atas:

Nilai_Y: KS Sig. = 0,200 > 0,05 dan SW Sig. = 0,346 > 0,05 → Normal
Motivasi_X: KS Sig. = 0,200 > 0,05 dan SW Sig. = 0,198 > 0,05 → Normal

Catatan: Tanda asterisk (*) di samping nilai Sig. pada KS berarti "this is a lower bound of the true significance" — nilai sebenarnya mungkin lebih besar. Hal ini tidak mengubah cara interpretasi; nilai tersebut tetap dibaca dan dibandingkan dengan 0,05 seperti biasa.

Interpretasi Grafik Pendukung

Normal Q-Q Plot

Q-Q plot (Quantile-Quantile plot) memplot titik-titik data terhadap garis diagonal yang merepresentasikan distribusi normal sempurna. Ini adalah grafik paling informatif untuk menilai normalitas secara visual.

Data normal: titik-titik berada dekat dengan — atau di sepanjang — garis diagonal. Tidak ada pola sistematis di luar garis.
Data miring ke kanan (right-skewed): titik-titik membengkok ke atas di bagian kanan grafik.
Data miring ke kiri (left-skewed): titik-titik membengkok ke bawah di bagian kiri grafik.
Data ekor tebal (heavy tails): titik-titik membentuk huruf S yang melengkung di kedua ujung.

Detrended Normal Q-Q Plot

Grafik ini menampilkan deviasi dari garis normalitas. Data normal akan menampilkan titik-titik yang tersebar acak di sekitar garis horizontal nol tanpa pola sistematis.

Histogram

Histogram yang menunjukkan bentuk lonceng (bell-shaped) mengindikasikan normalitas. Meski tidak seketat uji formal, histogram memberikan gambaran intuitif. Bandingkan bentuk histogram dengan kurva distribusi normal yang di-overlay SPSS secara otomatis.

Contoh Kasus: Studi Kepuasan Kerja (n = 38)

Seorang mahasiswa meneliti pengaruh kompensasi (X₁) dan lingkungan kerja (X₂) terhadap kepuasan kerja (Y) pada 38 karyawan sebuah rumah sakit swasta.

Output Tests of Normality:

Tests of Normality
                        Kolmogorov-Smirnov          Shapiro-Wilk
Variabel        Statistic    df    Sig.    Statistic    df    Sig.
Kepuasan_Y        0.124      38   .148       0.962      38    .220
Kompensasi_X1     0.118      38   .197       0.958      38    .174
Lingkungan_X2     0.091      38   .200*      0.975      38    .523

Karena n = 38 < 50, peneliti memprioritaskan hasil Shapiro-Wilk:

Kepuasan_Y: SW Sig. = 0,220 > 0,05 → Normal
Kompensasi_X1: SW Sig. = 0,174 > 0,05 → Normal
Lingkungan_X2: SW Sig. = 0,523 > 0,05 → Normal

Kesimpulan: Semua variabel berdistribusi normal; analisis regresi linier berganda dapat dilanjutkan.

Cara penulisan di skripsi:

"Hasil uji normalitas menggunakan uji Shapiro-Wilk (dipilih karena n = 38 < 50) menunjukkan nilai signifikansi sebesar 0,220 untuk variabel kepuasan kerja, 0,174 untuk kompensasi, dan 0,523 untuk lingkungan kerja. Seluruh nilai signifikansi > 0,05, sehingga dapat disimpulkan bahwa ketiga variabel berdistribusi normal dan asumsi normalitas terpenuhi."

Apa yang Dilakukan Jika Data Tidak Normal?

Jika uji normalitas menunjukkan Sig. < 0,05, ada beberapa strategi yang dapat ditempuh.

1. Periksa dan Tangani Outlier Terlebih Dahulu

Sebelum melakukan apapun, pastikan ketidaknormalan bukan disebabkan oleh outlier ekstrem. Identifikasi outlier melalui boxplot, kemudian kaji apakah nilainya masuk akal secara substantif. Jika outlier merupakan kesalahan entri data, perbaiki. Jika memang merupakan nilai ekstrem yang sah, pertimbangkan Winsorizing (mengganti nilai ekstrem dengan persentil ke-5/ke-95).

2. Transformasi Data

Lakukan transformasi matematis pada variabel yang tidak normal. Di SPSS, transformasi dilakukan melalui Transform → Compute Variable.

Jenis Distribusi	Transformasi yang Direkomendasikan	Fungsi di SPSS
Miring ke kanan, semua nilai positif	Logaritma natural	`LN(X)`
Miring ke kanan, nilai sangat bervariasi	Logaritma basis 10	`LG10(X)`
Miring ke kanan, ada nilai nol	Akar kuadrat	`SQRT(X)`
Miring ke kiri	Kuadrat atau eksponensial	`X**2` atau `EXP(X)`
Proporsi (0–1)	Transformasi arcsin	`ARSIN(SQRT(X))`

Setelah transformasi, ulangi uji normalitas pada variabel yang sudah ditransformasi. Jangan lupa bahwa koefisien regresi hasil analisis perlu diinterpretasikan dalam skala yang sudah ditransformasi.

3. Gunakan Uji Non-Parametrik

Jika transformasi tidak membantu atau tidak dikehendaki, beralih ke uji non-parametrik yang tidak mengasumsikan normalitas:

Uji Parametrik	Alternatif Non-Parametrik
Uji t dua sampel independen	Mann-Whitney U
Uji t berpasangan	Wilcoxon Signed-Rank
ANOVA satu arah	Kruskal-Wallis
ANOVA dua arah	Tidak ada padanan langsung; pertimbangkan rank transformation
Korelasi Pearson	Korelasi Spearman atau Kendall

4. Central Limit Theorem untuk Sampel Besar

Jika sampel Anda besar (n > 100), distribusi sampling dari rata-rata akan mendekati normal berdasarkan Central Limit Theorem (CLT), sehingga asumsi normalitas menjadi kurang kritis untuk banyak pengujian. Dalam situasi ini, Anda dapat tetap menggunakan statistik parametrik dengan menyertakan justifikasi CLT di bab metodologi.

Kesalahan Umum yang Harus Dihindari

Berikut ini adalah kesalahan-kesalahan yang sering dilakukan mahasiswa saat melakukan uji normalitas:

1. Menyimpulkan normalitas hanya dari grafik tanpa uji formal. Grafik histogram dan Q-Q plot bersifat subjektif. Untuk skripsi, selalu lampirkan output tabel Tests of Normality yang memuat nilai signifikansi.

2. Mengabaikan hasil uji dan tetap menggunakan statistik parametrik. Jika data terbukti tidak normal dan ukuran sampel kecil, menggunakan regresi linier atau ANOVA tanpa justifikasi merupakan pelanggaran asumsi yang serius.

3. Menguji normalitas variabel mentah padahal yang seharusnya diuji adalah residual. Untuk uji regresi, asumsi normalitas berlaku pada residual, bukan variabel dependen secara langsung. Meski dalam praktik skripsi S1 keduanya sering dilakukan, pahami perbedaan konseptualnya.

4. Salah membaca arah Sig. Banyak mahasiswa mengira nilai Sig. yang kecil berarti "lebih normal" — padahal sebaliknya. Sig. kecil berarti bukti kuat bahwa data tidak normal.

5. Tidak menyebutkan metode yang dipilih (KS atau SW) beserta alasannya. Pembimbing dan penguji akan menanyakan mengapa Anda memilih salah satu uji. Sebutkan secara eksplisit: "Shapiro-Wilk digunakan karena n = 38 < 50."

6. Menjalankan uji normalitas pada variabel kategorik atau ordinal. Uji normalitas hanya bermakna untuk variabel kontinu (interval atau rasio). Skala Likert secara teknis ordinal — meski dalam praktik banyak peneliti memperlakukannya sebagai interval.

7. Mengabaikan normalitas per kelompok dalam ANOVA. Untuk ANOVA, asumsi normalitas berlaku di dalam setiap kelompok, bukan pada data secara keseluruhan. Gunakan variabel Factor List di menu Explore untuk menguji normalitas per kelompok.

Template Penulisan Hasil Uji Normalitas untuk Skripsi

Kasus 1: Semua Variabel Normal (n < 50)

"Pengujian normalitas dilakukan menggunakan uji Shapiro-Wilk karena jumlah sampel penelitian sebesar [n] kurang dari 50. Hasil uji menunjukkan nilai signifikansi [variabel Y] sebesar [Sig.], [variabel X₁] sebesar [Sig.], dan [variabel X₂] sebesar [Sig.]. Seluruh nilai signifikansi lebih besar dari 0,05, sehingga H₀ gagal ditolak dan dapat disimpulkan bahwa seluruh variabel berdistribusi normal. Dengan terpenuhinya asumsi normalitas, analisis regresi linier berganda dapat dilanjutkan."

Kasus 2: Terdapat Variabel yang Tidak Normal

"Hasil uji Shapiro-Wilk menunjukkan bahwa variabel [X₂] memiliki nilai signifikansi sebesar 0,031 (p < 0,05), yang berarti variabel tersebut tidak berdistribusi normal. Untuk mengatasi pelanggaran asumsi ini, dilakukan transformasi logaritma natural [LN(X₂)]. Setelah transformasi, nilai signifikansi Shapiro-Wilk untuk variabel tersebut meningkat menjadi 0,124 (p > 0,05), sehingga asumsi normalitas terpenuhi dan analisis dapat dilanjutkan."

Penutup

Uji normalitas adalah langkah awal yang tidak bisa dilewatkan dalam analisis statistik parametrik. Memahami perbedaan antara Kolmogorov-Smirnov dan Shapiro-Wilk, membaca output dengan benar, dan mengetahui langkah lanjutan ketika asumsi dilanggar adalah keterampilan fundamental bagi setiap peneliti kuantitatif. Jika Anda mengalami kesulitan teknis dalam proses olah data SPSS — mulai dari input data, uji asumsi, hingga interpretasi — Asisten Akademik Jokify siap mendampingi Anda dari awal hingga skripsi selesai.