Adakah Asumsi yang Mendasari Penggunaan Uji Kolmogorov-Smirnov?

Uji normalitas menjadi salah satu tahap yang sering dilakukan sebelum peneliti menggunakan analisis statistik parametrik. Salah satu metode yang cukup populer adalah Uji Kolmogorov-Smirnov (K-S). Melalui uji ini, peneliti dapat menilai apakah distribusi data sampel berbeda secara signifikan dari distribusi teoretis tertentu, termasuk distribusi normal.

Namun, penggunaan Kolmogorov-Smirnov tidak seharusnya dilakukan hanya karena tersedia di software statistik. Ada sejumlah asumsi dan kondisi yang perlu diperhatikan agar hasil pengujian dapat diinterpretasikan secara tepat. Lalu, apa saja asumsi yang mendasari penggunaan uji Kolmogorov-Smirnov? Berikut penjelasannya sahabat DQLab!

1. Apa itu Uji Kolmogorov-Smirnov?

Kolmogorov-Smirnov merupakan uji statistik yang digunakan untuk membandingkan distribusi kumulatif empiris dari data sampel dengan distribusi kumulatif teoretis yang menjadi acuan. Dalam konteks uji normalitas, distribusi teoretis tersebut adalah distribusi normal. Secara sederhana, K-S mengukur seberapa jauh distribusi data yang diamati menyimpang dari distribusi yang diharapkan. Ukuran penyimpangan tersebut dinyatakan melalui statistik K-S. Rumus statistik Kolmogorov-Smirnov secara umum dapat dituliskan sebagai berikut:

D = sup |Fₙ(x) − F₀(x)|

Keterangan:

• D = statistik Kolmogorov-Smirnov

• Fₙ(x) = fungsi distribusi kumulatif empiris dari sampel

• F₀(x) = fungsi distribusi kumulatif teoretis

• sup = nilai maksimum dari perbedaan absolut kedua fungsi distribusi

Semakin besar nilai D maka semakin besar pula perbedaan antara distribusi data sampel dan distribusi teoretis. Dalam uji normalitas, hipotesis yang digunakan umumnya adalah:

• H0: data mengikuti distribusi normal

• H1: data tidak mengikuti distribusi normal

Keputusan biasanya didasarkan pada nilai signifikansi atau p-value. Jika p-value lebih besar daripada tingkat signifikansi yang ditetapkan (misalnya 0,05) maka gagal menolak H0. Sebaliknya, jika p-value kurang dari atau sama dengan 0,05 maka H0 ditolak.

Baca Juga: 4 Contoh Portfolio Data Scientist yang Luar Biasa

2. Apakah Kolmogorov-Smirnov Memiliki Asumsi?

Ya. Meskipun sering dikenal sebagai uji normalitas, Kolmogorov-Smirnov tetap memiliki kondisi yang perlu dipenuhi agar penggunaannya sesuai. Asumsi pertama adalah bahwa data yang dianalisis merupakan observasi yang independen. Artinya, nilai satu pengamatan tidak bergantung pada pengamatan lainnya. Independensi menjadi penting karena prosedur statistik K-S dibangun berdasarkan karakteristik sampel yang berasal dari pengamatan yang tidak saling bergantung. Misalnya, data pengeluaran 100 rumah tangga yang dipilih sebagai unit pengamatan berbeda dengan data pengeluaran satu rumah tangga yang dicatat selama 100 hari. Struktur data yang berbeda dapat menyebabkan asumsi independensi juga berbeda.

3. Data Harus Berasal dari Variabel yang Tepat

Kolmogorov-Smirnov pada dasarnya digunakan untuk membandingkan distribusi suatu variabel dengan distribusi tertentu. Oleh karena itu, data yang diuji perlu memiliki karakteristik yang memungkinkan distribusinya dianalisis. Dalam praktik penelitian, K-S lebih relevan digunakan pada data kuantitatif atau data yang dapat diperlakukan sebagai data numerik kontinu.

Penggunaan K-S pada variabel kategorikal seperti jenis kelamin, status pernikahan, atau kelompok pekerjaan tidak tepat jika tujuannya adalah menguji normalitas. Sebagai contoh, variabel pendapatan, usia, berat badan, tinggi badan, atau skor suatu instrumen dapat memiliki distribusi yang kemudian diperiksa. Sebaliknya, variabel seperti jenis kelamin yang hanya terdiri dari kategori laki-laki dan perempuan tidak dapat dikatakan “berdistribusi normal” dalam pengertian yang sama.

Baca Juga: Contoh Implementasi Data Science dalam Keseharian

4. Asumsi Independensi Pengamatan

Salah satu asumsi penting dalam K-S adalah independensi antarobservasi. Misalnya, seorang peneliti mengumpulkan data pendapatan dari 50 responden yang berbeda. Jika masing-masing responden memberikan satu pengamatan dan tidak ada hubungan khusus antarobservasi, data tersebut lebih sesuai dengan asumsi independensi.

Berbeda halnya jika peneliti menggunakan data seorang responden yang diukur berkali-kali dalam waktu berbeda. Data seperti ini dapat mengandung hubungan atau korelasi antarwaktu sehingga tidak dapat begitu saja diperlakukan sebagai 50 observasi independen. Karena itu, sebelum menjalankan K-S, peneliti perlu memahami terlebih dahulu bagaimana data dikumpulkan, bukan hanya melihat jumlah sampelnya.

5. Apakah Data Harus Berdistribusi Normal Sebelum Diuji?

Ini merupakan salah satu kesalahpahaman yang cukup sering muncul. Tidak. Data tidak harus sudah berdistribusi normal sebelum dilakukan uji Kolmogorov-Smirnov. Justru, salah satu tujuan uji normalitas adalah mengetahui apakah data memiliki kecenderungan mengikuti distribusi normal. Namun, terdapat perbedaan antara asumsi penggunaan uji dan hipotesis yang sedang diuji.

Normalitas bukan merupakan syarat agar K-S dapat dijalankan. Normalitas merupakan karakteristik distribusi yang sedang diperiksa melalui pengujian tersebut. Dengan kata lain, data yang ternyata tidak normal tetap dapat diuji menggunakan prosedur yang sesuai. Hasll pengujianlah yang kemudian memberikan informasi mengenai kesesuaian data dengan distribusi normal.

6. Contoh Interpretasi Sederhana

Misalnya, seorang peneliti menguji normalitas data pendapatan 100 reponden menggunakan Kolmogorov-Smirnov. Hasil pengujian menunjukkan nilai signifikansi sebesar 0,120 dengan tingkat signifikansi 0,05.

Karena

0,120 > 0,05.

maka peneliti gagal menolak H0

Dalam konteks uji normalitas, hasil tersebut dapat diinterpretasikan sebagai tidak terdapat bukti yang cukup untuk menyatakan bahwa data berbeda secara signifikan dari distribusi normal. Namun, kesimpulan tersebut sebaiknya tidak ditulis secara berlebihan sebagai “data pasti berdistribusi normal”. Uji statistik tidak membuktikan bahwa data benar-benar normal secara absolut. Hasilnya lebih tepat dipahami sebagai tidak ditemukannya bukti yang cukup untuk menolak asumsi normalitas pada tingkat signifikansi yang digunakan.

FAQ

1. Apakah data harus normal sebelum menggunakan Kolmogorov-Smirnov?

Tidak. Normalitas merupakan karakteristik yang sedang diuji, bukan syarat bahwa data harus sudah normal sebelum pengujian dilakukan.

2. Apakah Kolmogorov-Smirnov hanya digunakan untuk uji normalitas?

Tidak. K-S pada dasarnya merupakan uji untuk membandingkan distribusi empiris dengan distribusi teoretis tertentu. Uji normalitas merupakan salah satu penerapannya.

3. Apakah hasil Kolmogorov-Smirnov saja cukup untuk menentukan normalitas data?

Sebaiknya tidak. Hasil K-S dapat dilengkapi dengan histogram, normal Q-Q plot, serta pertimbangan terhadap ukuran dan karakteristik sampel agar kesimpulan lebih komprehensif.

Kalau kamu tertarik untuk berkarir sebagai Data Analyst yang menguasai teknik Data Cleaning secara handal, ini adalah saat yang tepat! Yuk, segera Sign Up ke DQLab! Di sini, kamu bisa belajar dari dasar hingga tingkat lanjut dengan materi dan tools yang relevan dengan kebutuhan industri, bahkan tanpa latar belakang IT. Belajar kapan saja dan di mana saja dengan fleksibilitas penuh, serta didukung oleh fitur eksklusif Ask AI Chatbot 24 jam!

Tidak cuma itu, DQLab juga sudah menerapkan metode pembelajaran HERO (Hands-On, Experiential Learning & Outcome-based) yang dirancang ramah untuk pemula, dan telah terbukti mencetak talenta unggulan yang sukses berkarier di bidang data. Jadi, mau tunggu apa lagi?

Jadi, tunggu apa lagi? Segera persiapkan diri untuk menguasai keterampilan di bidang data dan teknologi dengan subscribe modul premium, atau ikuti Bootcamp Data Analyst with SQL and Python sekarang juga!

Penulis: Reyvan Maulid