Lima Kesalahan Peneliti Saat Menggunakan Uji Kolmogorov-Smirnov dan Shapiro-Wilk

Uji normalitas merupakan salah satu tahapan penting dalam analisis data statistik, khususnya sebelum menggunakan uji parametrik seperti independent sample t-test, paired sample t-test, ANOVA, maupun regresi linear. Dua metode uji normalitas yang paling sering digunakan adalah Kolmogorov-Smirnov (K-S) dan Shapiro-Wilk (S-W). Keduanya bertujuan untuk mengetahui apakah data mengikuti distribusi normal, tetapi memiliki karakteristik, kelebihan, dan keterbatasan yang berbeda.

Sayangnya, masih banyak peneliti, terutama mahasiswa yang sedang menyusun skripsi atau tesis, melakukan kesalahan dalam memilih maupun menginterpretasikan hasil kedua uji tersebut. Kesalahan ini dapat menyebabkan pemilihan metode analisis yang kurang tepat sehingga memengaruhi validitas hasil penelitian. Berikut lima kesalahan yang paling sering terjadi saat menggunakan uji normalitas beserta cara menghindarinya. Cermati setiap poin berikut, yuk, sahabat DQLab!

1. Salah Memilih Jenis Uji Normalitas

Kesalahan pertama adalah menggunakan uji normalitas tanpa mempertimbangkan ukuran sampel. Banyak peneliti langsung menggunakan hasil yang muncul pada perangkat lunak statistik tanpa memahami kapan Kolmogorov-Smirnov atau Shapiro-Wilk lebih sesuai digunakan. Secara umum, Shapiro-Wilk direkomendasikan untuk ukuran sampel kecil hingga sedang, sedangkan Kolmogorov-Smirnov lebih banyak digunakan pada sampel yang lebih besar, meskipun pada praktiknya banyak ahli statistik tetap menyarankan Shapiro-Wilk karena memiliki daya uji (statistical power) yang lebih tinggi.

Baca Juga: 4 Contoh Portfolio Data Scientist yang Luar Biasa

2. Menganggap Nilai p sebagai Satu-satunya Penentu Normalitas

Kesalahan berikutnya adalah menganggap keputusan normalitas hanya berdasarkan nilai signifikansi (p-value). Padahal, p-value memiliki keterbatasan. Pada ukuran sampel yang sangat besar, penyimpangan kecil dari distribusi normal sering kali menghasilkan nilai p yang signifikan sehingga data dinyatakan tidak normal, meskipun secara visual distribusinya hampir menyerupai distribusi normal. Sebaliknya, pada sampel yang sangat kecil, uji normalitas dapat gagal mendeteksi penyimpangan yang sebenarnya ada.

3. Menggunakan Uji Parametrik atau Nonparametrik Tanpa Memahami Asumsinya

Tidak sedikit peneliti yang langsung mengganti uji parametrik menjadi uji nonparametrik hanya karena hasil uji normalitas menunjukkan p < 0,05. Sebaliknya, ada pula yang tetap menggunakan uji parametrik tanpa mempertimbangkan tingkat penyimpangan distribusi. Padahal, banyak uji parametrik relatif robust terhadap penyimpangan normalitas, terutama jika ukuran sampel cukup besar dan jumlah anggota setiap kelompok seimbang. Keputusan analisis seharusnya mempertimbangkan beberapa aspek, seperti ukuran sampel, homogenitas varians, bentuk distribusi data, keberadaan pencilan (outlier).

4. Mengabaikan Pengaruh Outlier

Keberadaan satu atau dua nilai ekstrem dapat menyebabkan hasil uji normalitas berubah secara signifikan. Banyak peneliti tidak melakukan pemeriksaan outlier sebelum menjalankan uji Kolmogorov-Smirnov maupun Shapiro-Wilk. Akibatnya, data yang sebenarnya hampir berdistribusi normal dapat dinyatakan tidak normal hanya karena adanya beberapa observasi ekstrem.

Sebelum melakukan uji normalitas, lakukan pemeriksaan menggunakan Boxplot, Scatter plot, nilai Z Score, Metode Interquartile Range (IQR). Jika outlier memang berasal dari kesalahan pencatatan atau pengukuran, lakukan koreksi. Namun, jika outlier merupakan bagian alami dari populasi, keputusan untuk mempertahankan atau menghapusnya harus disertai alasan metodologis yang jelas.

Baca Juga: Contoh Implementasi Data Science dalam Keseharian

5. Tidak Menjelaskan Alasan Pemilihan Uji dalam Laporan Penelitian

Kesalahan terakhir adalah hanya menampilkan output SPSS tanpa memberikan alasan mengapa menggunakan Kolmogorov-Smirnov atau Shapiro-Wilk. Contoh yang sering dijumpai dalam skripsi adalah:

"Berdasarkan hasil uji normalitas diperoleh nilai Sig. sebesar 0,231 sehingga data berdistribusi normal."

Pernyataan tersebut kurang lengkap karena tidak menjelaskan alasan memilih jenis uji, ukuran sampel penelitian, dasar pengambilan keputusan, dan implikasi hasil terhadap analisis selanjutnya. Maka, pelaporan yang lebih baik misalnya:

"Uji normalitas dilakukan menggunakan Shapiro–Wilk karena jumlah sampel penelitian kurang dari 50 responden. Hasil pengujian menunjukkan nilai signifikansi sebesar 0,231 (>0,05), sehingga data dapat dianggap berdistribusi normal dan memenuhi asumsi untuk analisis parametrik."

Penjelasan seperti ini menunjukkan bahwa peneliti memahami prosedur analisis, bukan sekedar melaporkan hasil perangkat lunak.

Kolmogorov-Smirnov dan Shapiro-Wilk merupakan dua metode yang sangat berguna untuk mengevaluasi asumsi normalitas. Namun, keduanya sering disalahgunakan akibat kurangnya pemahaman mengenai tujuan, kelebihan, dan keterbatasannya. Peneliti yang baik tidak hanya mampu menjalankan uji statistik menggunakan perangkat lunak, tetapi juga memahami dasar teoritis dan konteks penerapannya. Keputusan analisis akan menjadi lebih tepat, transparan, dan dapat dipertanggungjawabkan secara ilmiah dengan mengombinasikan hasil uji normalitas, visualisasi data, dan pertimbangan metodologis lainnya.

FAQ

1. Kapan sebaiknya menggunakan uji Shapiro–Wilk dibandingkan Kolmogorov–Smirnov?

Shapiro–Wilk umumnya direkomendasikan untuk data dengan ukuran sampel kecil hingga sedang karena memiliki kemampuan yang lebih baik dalam mendeteksi penyimpangan dari distribusi normal. Sementara itu, Kolmogorov–Smirnov lebih sering digunakan pada sampel yang lebih besar, meskipun banyak literatur tetap merekomendasikan Shapiro–Wilk karena daya ujinya yang lebih tinggi.

2. Apakah data otomatis tidak normal jika nilai signifikansi (p-value) kurang dari 0,05?

Tidak selalu. Nilai p < 0,05 memang menunjukkan adanya penyimpangan dari distribusi normal menurut hasil uji statistik, tetapi keputusan sebaiknya tidak hanya didasarkan pada p-value. Peneliti juga perlu mengevaluasi histogram, Normal Q-Q Plot, nilai skewness dan kurtosis, serta mempertimbangkan ukuran sampel dan keberadaan outlier.

3. Apakah data yang tidak berdistribusi normal berarti penelitian menjadi tidak valid?

Tidak. Data yang tidak berdistribusi normal bukan berarti penelitian gagal atau tidak valid. Peneliti dapat menggunakan metode analisis nonparametrik, melakukan transformasi data bila sesuai, atau memanfaatkan uji parametrik yang cukup robust terhadap pelanggaran asumsi normalitas, tergantung pada tujuan penelitian dan karakteristik data.

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