Dalam analisis data penelitian, menentukan uji korelasi yang tepat sangat bergantung pada distribusi data Anda. Jika data berdistribusi normal, Anda dapat menggunakan Pearson (Statistik Parametrik). Namun, jika data tidak berdistribusi normal, Anda wajib beralih ke Spearman (Statistik Non-Parametrik).
Melakukan uji normalitas secara logis dan profesional akan memastikan hasil analisis sistem Anda tetap akurat dan tidak bias. Berikut adalah panduan teknis menggunakan SPSS dan Python untuk membantu Anda mengambil keputusan secara disiplin.
1. Uji Normalitas Menggunakan SPSS (Kolmogorov-Smirnov & Shapiro-Wilk)
SPSS menyediakan fitur otomatis yang sangat suportif untuk melihat sebaran data secara cepat.
Tahapan Eksekusi:
- Input Data: Masukkan data variabel Anda ke Data View.
- Analyze: Pilih menu Analyze > Descriptive Statistics > Explore.
- Plot: Masukkan variabel ke kotak Dependent List. Klik tombol Plots, lalu centang pilihan Normality plots with tests.
- Output: Klik Continue dan OK.
Cara Membaca Hasil:
- Lihat tabel Tests of Normality.
- Jika sampel Anda < 50, gunakan Shapiro-Wilk. Jika sampel > 50, gunakan Kolmogorov-Smirnov.
- Keputusan: Jika nilai Sig. > 0,05, maka data berdistribusi Normal (Gunakan Pearson). Jika Sig. < 0,05, maka data Tidak Normal (Gunakan Spearman).
2. Uji Normalitas Menggunakan Python (Library Scipy)
Bagi mahasiswa Teknik Informatika, menggunakan Python memberikan fleksibilitas lebih dalam pengolahan data besar (Big Data) secara inovatif.
Contoh Kode Sederhana:
Python
from scipy.stats import shapiro
# Misalkan 'data' adalah variabel yang diuji
stat, p_value = shapiro(data)
print(f'Statistik: {stat}, P-Value: {p_value}')
if p_value > 0.05:
print("Data Berdistribusi Normal -> Gunakan Pearson")
else:
print("Data Tidak Berdistribusi Normal -> Gunakan Spearman")
Selain Shapiro-Wilk, Anda juga bisa menggunakan visualisasi seperti Q-Q Plot untuk melihat sebaran data secara grafis.
Mengapa Pemilihan Ini Sangat Penting di Dunia Teknik?
Dalam konteks Teknik Industri, pemilihan uji korelasi yang tepat sangat krusial saat menganalisis hubungan antara variabel produksi, misalnya hubungan antara suhu mesin dengan jumlah produk cacat. Menggunakan Pearson pada data yang tidak normal akan menghasilkan kesimpulan yang salah secara teknis.
Bagi mahasiswa Teknik Informatika, uji normalitas sering menjadi tahap awal dalam Data Science. Memahami distribusi data secara jujur memungkinkan Anda membangun model prediksi yang lebih tangguh dan akurat di industri tahun 2026.
Membangun Analisis Data yang Terstruktur
Ketajaman dalam memilih metode statistik menunjukkan bahwa Anda adalah calon teknokrat yang memiliki dasar logika yang kuat. Dengan melakukan uji normalitas terlebih dahulu, draf penelitian Anda akan terlihat lebih sistematis dan profesional di mata penguji. Penguasaan alat-alat ini adalah investasi keterampilan yang sangat dihargai dalam karir masa depan.
Ingin belajar lebih dalam mengenai analisis data statistik, pemrograman Python untuk data science, dan metodologi penelitian yang sistematis di Universitas Ma’soem? Mari bergabung menjadi bagian dari Fakultas Teknik untuk mengasah potensi Anda menjadi ahli IT atau praktisi industri yang kompeten.
Cek info lengkapnya di:
- Website: masoemuniversity.ac.id
- Instagram: @masoem_university
