Cara Uji Normalitas Data di SPSS: Langkah dan Cara Membaca Hasilnya (2026)

Mengklik menu di SPSS untuk menjalankan uji normalitas sebenarnya bagian termudah dari seluruh proses. Yang jauh lebih sering menjadi sumber kesalahan mahasiswa justru tahap sesudahnya: membaca dan menafsirkan hasil output. Cara uji normalitas data di SPSS yang benar bukan hanya soal tahu tombol mana yang harus ditekan, melainkan memahami tabel mana yang harus dibaca, angka mana yang menentukan kesimpulan, dan kapan hasil uji tersebut sebenarnya tidak bisa ditafsirkan secara mentah-mentah. Artikel ini membahas tuntas mulai dari kapan uji normalitas diperlukan, langkah teknis di SPSS, hingga bagian yang paling penting dan paling sering keliru: cara membaca hasilnya dengan benar.

Apa Itu Uji Normalitas dan Kenapa Penting?

Uji normalitas adalah prosedur statistik untuk mengetahui apakah sebaran suatu data mendekati distribusi normal (kurva lonceng) atau tidak. Uji ini menjadi salah satu asumsi dasar yang harus dipenuhi sebelum menggunakan berbagai uji statistik parametrik, seperti uji t, ANOVA, korelasi Pearson, maupun regresi linear. Jika asumsi normalitas tidak terpenuhi, hasil uji parametrik berisiko tidak akurat, sehingga peneliti perlu beralih ke uji non-parametrik sebagai alternatif yang lebih sesuai dengan karakteristik data.

Secara konsep, distribusi normal digambarkan sebagai kurva simetris berbentuk lonceng, di mana sebagian besar data mengumpul di sekitar nilai rata-rata dan semakin sedikit data yang berada jauh dari rata-rata tersebut. Ketika data penelitian menyimpang jauh dari pola ini, misalnya menumpuk di satu sisi atau memiliki banyak nilai ekstrem, maka penggunaan uji parametrik yang mengasumsikan bentuk kurva tersebut menjadi kurang tepat dan berpotensi menghasilkan kesimpulan yang bias.

Kapan Uji Normalitas Data Dipakai?

Banyak mahasiswa menjalankan uji normalitas hanya karena diminta dosen pembimbing, tanpa benar-benar memahami kapan uji ini relevan digunakan. Berikut situasi di mana cara uji normalitas data di SPSS perlu diterapkan:

• Sebelum uji parametrik, seperti uji t (independent maupun paired sample), ANOVA, korelasi Pearson, atau regresi linear, karena metode-metode ini mengasumsikan data berdistribusi normal agar hasil estimasinya valid secara statistik.
• Pada residual model regresi, bukan pada variabel mentahnya. Ini salah satu kesalahpahaman paling umum: normalitas dalam regresi seharusnya diuji pada nilai residual (unstandardized residual), bukan pada variabel X dan Y secara terpisah.
• Saat menentukan uji alternatif, misalnya jika data tidak normal maka uji t diganti dengan Mann-Whitney, ANOVA diganti Kruskal-Wallis, dan korelasi Pearson diganti Spearman, sehingga hasil analisis tetap dapat dipertanggungjawabkan secara metodologis.
• Tidak selalu diperlukan untuk sampel yang sangat besar (umumnya di atas 30), karena dengan mengacu pada teorema limit pusat (central limit theorem), distribusi rata-rata sampel cenderung mendekati normal meski data asalnya tidak normal.

Memahami konteks ini penting agar Anda tidak sekadar menjalankan uji normalitas sebagai formalitas, tetapi benar-benar tahu bagaimana hasilnya akan memengaruhi metode analisis selanjutnya.

Memilih Metode: Shapiro-Wilk vs Kolmogorov-Smirnov

SPSS menyediakan dua uji normalitas sekaligus dalam satu output, yaitu Kolmogorov-Smirnov dan Shapiro-Wilk. Pemilihan mana yang dijadikan acuan utama bergantung pada jumlah sampel:

• Shapiro-Wilk: direkomendasikan untuk ukuran sampel kecil, yaitu kurang dari 50 data (N<50), karena lebih sensitif mendeteksi penyimpangan dari distribusi normal pada sampel kecil.
• Kolmogorov-Smirnov: lebih sesuai digunakan untuk sampel besar, yaitu 50 data atau lebih, karena hasilnya lebih stabil ketika jumlah data semakin banyak.

Kesalahan yang sering terjadi adalah membaca kolom yang salah, misalnya tetap mengacu pada tabel Kolmogorov-Smirnov padahal jumlah sampel penelitian kurang dari 50. Pastikan Anda mengecek jumlah data terlebih dahulu sebelum menentukan tabel mana yang akan dijadikan dasar kesimpulan.

Langkah-Langkah Uji Normalitas di SPSS

Berikut tahapan teknis menjalankan cara uji normalitas data di SPSS melalui menu Explore, yang sekaligus menghasilkan output Kolmogorov-Smirnov dan Shapiro-Wilk dalam satu proses:

1. Buka SPSS dan pastikan data penelitian sudah dimasukkan dengan benar di jendela Data View, tanpa ada sel kosong atau data yang salah ketik.
2. Klik menu “Analyze” pada bagian atas toolbar, lalu arahkan kursor ke submenu “Descriptive Statistics” yang akan menampilkan beberapa pilihan lanjutan.
3. Pilih “Explore” dari daftar submenu yang muncul untuk membuka kotak dialog Explore, tempat seluruh pengaturan uji normalitas dilakukan.
4. Masukkan variabel yang akan diuji ke kolom “Dependent List” di sisi kanan kotak dialog dengan cara menyorot nama variabel lalu klik tombol panah. Jika ingin membandingkan berdasarkan kelompok tertentu, masukkan variabel pengelompokan ke kolom “Factor List”.
5. Klik tombol “Plots” di sisi kanan kotak dialog Explore untuk membuka opsi tampilan grafik dan uji normalitas tambahan.
6. Centang “Normality plots with tests” pada bagian Descriptive di jendela Plots yang muncul, lalu klik “Continue” untuk kembali ke kotak dialog utama Explore.
7. Klik “OK” untuk menjalankan analisis. SPSS akan menampilkan output berupa tabel Tests of Normality yang berisi hasil Kolmogorov-Smirnov dan Shapiro-Wilk sekaligus, lengkap dengan histogram dan Q-Q plot.

Sebagai alternatif, uji normalitas juga bisa dijalankan lewat menu Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S, meski cara ini hanya menampilkan hasil Kolmogorov-Smirnov tanpa Shapiro-Wilk. Untuk memahami menu dan fitur SPSS secara lebih menyeluruh di luar konteks uji normalitas, silakan baca panduan lengkap cara menggunakan SPSS.

Cara Baca Hasil Uji Normalitas (yang Sering Salah Tafsir)

Inilah bagian paling krusial yang sering diabaikan mahasiswa: sudah benar mengklik semua menu, tetapi salah membaca dan menyimpulkan hasilnya. Berikut kesalahan interpretasi yang paling sering terjadi beserta cara membacanya dengan benar:

1. Salah Membaca Arah Kesimpulan Nilai Signifikansi

Aturan dasarnya: jika nilai Sig. (signifikansi) lebih besar dari 0,05 (Sig. > 0,05), maka data dinyatakan berdistribusi normal. Sebaliknya, jika Sig. lebih kecil dari 0,05 (Sig. < 0,05), data dinyatakan tidak berdistribusi normal. Banyak mahasiswa justru membalik logika ini, mengira angka besar berarti “tidak normal”, padahal semakin besar nilai Sig. (mendekati atau di atas 0,05), semakin kuat indikasi bahwa data mendekati distribusi normal. Kekeliruan ini sering muncul karena kebiasaan membaca uji hipotesis lain di mana Sig. kecil justru dianggap sebagai hasil yang “bagus”, padahal konteks uji normalitas justru berkebalikan.

2. Membaca Tabel yang Salah

Karena output SPSS menampilkan dua tabel sekaligus (Kolmogorov-Smirnov dan Shapiro-Wilk), kesalahan umum adalah membaca kolom yang tidak sesuai dengan jumlah sampel. Untuk data kurang dari 50, seharusnya mengacu pada kolom Shapiro-Wilk, bukan Kolmogorov-Smirnov, begitu pula sebaliknya. Kesalahan ini kerap tidak disadari karena kedua tabel terletak berdampingan dan formatnya mirip, sehingga penulis skripsi kadang asal mengambil salah satu tanpa mengecek dulu jumlah datanya.

3. Menganggap “Gagal Tolak H0” Sama dengan “Terbukti Normal”

Pada sampel kecil, uji normalitas memiliki daya uji (power) yang rendah untuk mendeteksi ketidaknormalan. Artinya, hasil Sig. > 0,05 pada sampel kecil tidak selalu berarti data benar-benar normal, melainkan bisa juga karena uji tersebut belum cukup sensitif mendeteksi penyimpangan yang sebenarnya ada. Secara filosofi statistik, “gagal menolak H0” bukan berarti H0 (data normal) terbukti benar, melainkan hanya berarti belum ada cukup bukti untuk menolaknya.

4. Terlalu Mengandalkan P-Value pada Sampel Besar

Sebaliknya, pada sampel yang sangat besar, uji normalitas menjadi sangat sensitif sehingga hampir selalu menghasilkan Sig. < 0,05 meski penyimpangan dari distribusi normal sebenarnya sangat kecil dan tidak berdampak signifikan secara praktis. Pada kondisi ini, keputusan sebaiknya tidak hanya bergantung pada angka Sig., tetapi juga mempertimbangkan visualisasi seperti histogram dan Q-Q plot, serta nilai skewness dan kurtosis sebagai pelengkap.

5. Menguji Variabel Mentah, Bukan Residual, untuk Analisis Regresi

Khusus untuk keperluan regresi linear, asumsi normalitas seharusnya diuji pada nilai residual (unstandardized residual) hasil regresi, bukan pada variabel independen dan dependen secara terpisah sebelum regresi dijalankan. Kesalahan ini sangat umum ditemukan pada skripsi yang menggunakan analisis regresi, di mana mahasiswa menguji normalitas masing-masing variabel X dan Y secara terpisah, padahal yang seharusnya diuji adalah selisih antara nilai prediksi model dengan nilai observasi sebenarnya.

Melengkapi Interpretasi dengan Q-Q Plot dan Histogram

Selain angka Sig., SPSS juga menghasilkan visualisasi berupa histogram dan Normal Q-Q Plot saat opsi “Normality plots with tests” dicentang. Pada Q-Q Plot, data dikatakan mendekati normal jika titik-titik sebaran mengikuti garis diagonal secara konsisten tanpa penyimpangan mencolok, terutama di bagian tengah plot. Sebaliknya, jika titik-titik melengkung menjauh dari garis di kedua ujung, itu menandakan adanya penyimpangan pada ekor distribusi data.

Kombinasi antara angka statistik dan visualisasi grafik ini sangat membantu, khususnya saat hasil uji Sig. berada di angka ambang batas (mendekati 0,05) yang sulit disimpulkan hanya dari satu sumber informasi saja. Histogram juga membantu melihat apakah data menumpuk di satu sisi (skewed) atau memiliki dua puncak (bimodal), pola yang tidak selalu tertangkap jelas hanya dari angka Sig. semata.

Apa yang Dilakukan Jika Data Tidak Normal?

Jika hasil uji menunjukkan data tidak berdistribusi normal, ada beberapa opsi yang bisa dipertimbangkan sebelum memutuskan langkah selanjutnya:

• Transformasi data, misalnya menggunakan transformasi logaritma, akar kuadrat, atau invers, untuk mendekatkan sebaran data ke distribusi normal sebelum diuji ulang.
• Beralih ke uji non-parametrik yang tidak mensyaratkan asumsi normalitas, seperti Mann-Whitney U sebagai pengganti uji t, Kruskal-Wallis sebagai pengganti ANOVA, atau korelasi Spearman sebagai pengganti Pearson.
• Menambah jumlah sampel jika memungkinkan, karena sampel yang lebih besar terkadang membantu distribusi data mendekati kurva normal sesuai teorema limit pusat.
• Memeriksa data outlier, karena satu atau dua nilai ekstrem yang menyimpang jauh dari data lain kerap menjadi penyebab utama data terdeteksi tidak normal.
• Berkonsultasi dengan dosen pembimbing atau ahli statistik mengenai metode analisis mana yang paling tepat untuk karakteristik data penelitian Anda, terutama jika hasil uji normalitas berada di batas ambang yang sulit disimpulkan.

Kesalahan Umum Lainnya Saat Uji Normalitas

• Menjalankan uji normalitas tanpa terlebih dahulu memeriksa data outlier atau data yang salah entri (input).
• Tidak mencantumkan hasil uji validitas dan reliabilitas instrumen sebelum masuk ke tahap uji asumsi klasik seperti normalitas.
• Menggunakan hasil uji normalitas dari data mentah untuk keperluan regresi, padahal seharusnya dari nilai residual.
• Tidak melaporkan nilai Sig. secara spesifik di naskah, hanya menuliskan kesimpulan “data normal” tanpa mencantumkan angka pendukungnya.

Sebelum menjalankan uji normalitas, pastikan instrumen penelitian Anda memang sudah teruji kelayakannya. Baca panduan cara uji validitas dan reliabilitas agar data yang dianalisis benar-benar berasal dari instrumen yang valid dan reliabel.

Tanya Jawab Seputar Cara Uji Normalitas Data di SPSS

Apakah harus melaporkan kedua hasil, Kolmogorov-Smirnov dan Shapiro-Wilk?

Tidak wajib keduanya. Cukup laporkan salah satu yang sesuai dengan jumlah sampel Anda: Shapiro-Wilk untuk sampel kurang dari 50, atau Kolmogorov-Smirnov untuk sampel 50 ke atas.

Apakah data yang tidak normal berarti penelitian tidak valid?

Tidak. Data tidak normal hanya berarti Anda perlu menyesuaikan metode analisis, misalnya beralih ke uji non-parametrik, bukan berarti penelitian menjadi tidak sah atau tidak bisa dilanjutkan.

Kenapa hasil Sig. saya persis 0,000 pada sampel besar?

Ini wajar terjadi pada sampel besar karena uji normalitas menjadi sangat sensitif. Sebaiknya lengkapi interpretasi dengan histogram dan Q-Q plot, bukan hanya mengandalkan angka Sig. semata.

Apakah uji normalitas wajib dilakukan untuk semua jenis penelitian?

Tidak. Uji normalitas hanya relevan jika Anda berencana menggunakan uji statistik parametrik. Jika sejak awal menggunakan metode non-parametrik, uji normalitas tidak menjadi prasyarat wajib.

Apakah boleh menggunakan uji Shapiro-Wilk meski sampel lebih dari 50?

Secara teknis boleh, karena Shapiro-Wilk tetap valid digunakan pada sampel besar, namun konvensi yang lebih umum digunakan dalam penelitian di Indonesia adalah beralih ke Kolmogorov-Smirnov begitu jumlah sampel mencapai 50 atau lebih, mengikuti kebiasaan pelaporan yang lazim digunakan pembimbing maupun reviewer jurnal.

Kesimpulan

Menguasai cara uji normalitas data di SPSS sesungguhnya bukan hanya soal mengikuti urutan klik menu Analyze, Descriptive Statistics, hingga Explore. Bagian yang jauh lebih menentukan kualitas skripsi maupun artikel jurnal Anda adalah kemampuan membaca dan menafsirkan hasil output dengan tepat, termasuk memilih tabel yang sesuai jumlah sampel, memahami keterbatasan uji pada sampel kecil maupun besar, serta menerapkan uji pada residual dalam konteks regresi.

Dengan memahami seluruh nuansa interpretasi ini, Anda tidak hanya lolos dari pertanyaan dosen penguji saat sidang, tetapi juga benar-benar memahami makna statistik di balik angka-angka yang muncul di layar SPSS, sehingga keputusan metode analisis yang diambil benar-benar didasari pemahaman, bukan sekadar mengikuti kebiasaan tanpa dasar yang jelas.