Data Tidak Normal di SPSS: Transformasi atau Ganti Uji?

Transformasi log sebaiknya bukan langkah pertama, dan mengganti uji juga bukan. Langkah pertama adalah memastikan kamu menguji benda yang benar, lalu menimbang apakah pelanggarannya cukup besar untuk mengubah kesimpulan. Pada sampel besar, pelanggaran normalitas yang ringan sering tidak mengubah apa pun, sementara transformasi mengubah arti koefisienmu dan harus kamu jelaskan di bab empat.

#Urutan yang benar sebelum menyentuh transformasi

Kerjakan dari atas. Banyak kasus selesai sebelum nomor lima.

Pastikan yang diuji adalah residual, bukan variabel X dan Y satu per satu. Ini penyebab tunggal yang paling sering, dan kalau keliru di sini, semua langkah sesudahnya jadi sia-sia. Alasannya ada di yang diuji normal itu residual regresi.
Lihat sebarannya, jangan hanya nilai p. Buka Q-Q plot residual. Titik yang melengkung di satu ujung lalu kembali lurus punya penyebab berbeda dari titik yang melengkung sepanjang garis.
Cari kesalahan input. Umur 190 tahun, pendapatan 10 kali lipat dari responden lain, kode 9 yang seharusnya data kosong. Satu angka salah ketik bisa membuat satu kolom gagal uji normalitas, dan memperbaikinya bukan manipulasi, itu pembersihan data.
Tanyakan apakah pelanggarannya penting pada ukuran sampelmu. Keterangannya ada di bagian berikut.
Timbang mengganti alat uji atau memakai galat baku yang lebih tahan, bukan mengubah datanya.
Transformasi, paling akhir, dan hanya kalau ada alasan selain memperbaiki nilai p.

#Kapan tidak normal memang tidak jadi masalah

Taksiran koefisien tidak bergantung pada normalitas residual. Angka b di tabel Coefficients tetap sah. Yang bergantung pada asumsi itu adalah uji t, uji F, nilai Sig., dan selang kepercayaan.

Besar akibatnya bergantung pada jumlah data. Pada sampel besar, sebaran penaksir koefisien cenderung mendekati normal walau galat modelnya tidak, sehingga nilai p yang kamu baca tetap kurang lebih benar. Pada sampel kecil, perlindungan itu tidak ada, dan bentuk sebaran galat langsung mempengaruhi nilai p.

Praktisnya begini. Kalau respondenmu 250 dan Sig. Shapiro-Wilk 0,03 sementara Q-Q plot hanya melenceng tipis di satu ujung, tidak ada yang perlu diperbaiki. Catat hasilnya, sebut ukuran sampelnya, jelaskan dalam satu paragraf bahwa penyimpangan sebesar itu tidak mengubah kesimpulan, lalu lanjut. Kalau respondenmu 35 dan residualnya menceng tajam dengan beberapa kasus jauh di ujung, barulah persoalannya nyata.

Sebelum menyalahkan sebaran data, cek lagi jumlah sampelmu memang mencukupi untuk model sebesar itu. Kalau targetmu dihitung dengan rumus Slovin, hitung ulang di kalkulator ukuran sampel dan bandingkan dengan jumlah kuesioner yang benar-benar layak olah.

#Apa yang berubah dari koefisienmu setelah transformasi

Ini bagian yang paling sering dilewati, padahal justru yang ditanya penguji. Mengganti Y dengan logaritmanya tidak hanya mengubah bentuk sebaran, tetapi juga mengubah pertanyaan yang dijawab modelmu.

Bentuk model	Arti satu satuan kenaikan X
Y pada X	Y naik b satuan
ln Y pada X	Y naik sekitar b kali 100 persen
Y pada ln X	X naik 1 persen, Y naik sekitar b dibagi 100 satuan
ln Y pada ln X	X naik 1 persen, Y naik b persen, inilah elastisitas
akar Y pada X	tidak ada tafsiran lugas dalam satuan asli

Lihat baris terakhir. Transformasi akar dan kebalikan sering disarankan dalam panduan praktis karena bisa meredakan kemencengan, tetapi koefisien yang keluar tidak punya arti yang bisa kamu ucapkan dalam satu kalimat kepada pembaca. Kalau koefisiennya tidak bisa dibacakan, bab empatmu kehilangan bagian paling penting, yaitu pembahasan.

Dua catatan tambahan yang berlaku untuk semua transformasi variabel terikat. Nilai R kuadrat dari model yang variabel terikatnya ditransformasi tidak bisa dibandingkan dengan R kuadrat model aslinya, karena yang dijelaskan sudah bukan variasi yang sama. Dan hasil ramalannya ada dalam satuan hasil transformasi, jadi mengembalikannya ke rupiah atau kilogram butuh langkah tambahan dan tidak cukup dengan memangkatkan balik.

#Kapan transformasi tidak boleh dipakai

Empat keadaan yang membuat transformasi lebih merugikan daripada menolong.

Ada nilai nol atau negatif. Logaritma nol tidak terdefinisi dan logaritma bilangan negatif tidak ada. Akar kuadrat juga gugur untuk nilai negatif. SPSS akan mengisi baris itu dengan data kosong, dan sampelmu menyusut tanpa pemberitahuan di layar.
Jalan pintas log dari nilai ditambah satu. Cara ini memang menghindari nol, tapi angka satu itu pilihan sembarang. Pada data dengan rentang kecil, memakai 0,5 atau 0,01 bisa memberi kesimpulan yang berbeda. Kalau kamu tidak bisa menjelaskan kenapa satu dan bukan angka lain, kamu sedang memilih konstanta yang membuat hasilnya enak dilihat.
Variabel tersusun dari skala Likert. Nilai 1 sampai 5 adalah urutan, bukan panjang. Mentransformasi urutan tidak menghasilkan apa pun yang bermakna, dan kalau skornya sudah dirata-ratakan jadi satu indeks, kemencengan biasanya ringan dan tidak layak ditangani dengan cara ini.
Transformasi dilakukan ke variabel bebas yang gagal uji normalitas. Variabel bebas tidak disyaratkan normal, jadi ini kerja yang tidak diminta oleh asumsi mana pun sambil merusak tafsiran koefisien.

Satu akibat samping yang kerap terlewat: transformasi mengubah bentuk hubungan. Memperbaiki normalitas residual bisa sekaligus merusak linearitas, atau memunculkan ragam galat yang tidak lagi seragam. Setelah mentransformasi, seluruh uji asumsi harus dijalankan ulang dari awal, bukan hanya uji normalitasnya.

#Pilihan selain transformasi

Yang sering dilupakan, masalahnya tidak harus diselesaikan dengan menyentuh data.

Kalau yang kamu khawatirkan nilai p yang tidak bisa dipercaya, galat baku yang tahan terhadap pelanggaran asumsi menyelesaikan persoalan itu tanpa mengubah satu angka pun di datamu. Koefisiennya tetap bisa dibaca dalam satuan asli. Cek apakah versi SPSS-mu menyediakan pilihan galat baku robust pada menu regresi, dan kalau lisensimu memuat modul Bootstrapping, selang kepercayaan hasil bootstrap juga bisa dilaporkan.

Kalau bentuk variabel terikatmu memang bukan bilangan bebas, modelnya yang salah pilih, bukan datanya yang salah bentuk. Jumlah kejadian seperti banyaknya keluhan per bulan lebih cocok dimodelkan sebagai data cacah. Hasil ya atau tidak cocok dengan regresi logistik. Nilai yang ditahan di batas tertentu, misalnya pengeluaran yang tidak bisa negatif dan banyak menumpuk di nol, punya modelnya sendiri. Memaksa semuanya masuk regresi linear lalu menambal dengan transformasi adalah urutan yang terbalik.

Mengganti ke uji nonparametrik juga sah untuk perbandingan sederhana, misalnya Mann-Whitney menggantikan uji t dua kelompok. Perlu diingat bahwa yang dibandingkan bukan lagi rata-rata, jadi kalimat kesimpulanmu harus ikut berubah. Untuk model regresi berganda, pengganti nonparametriknya tidak sesederhana itu, dan di situ galat baku yang tahan pelanggaran biasanya pilihan yang lebih praktis.

#Kesalahan yang sering terjadi

Mentransformasi semua variabel sekaligus padahal residual modelnya sudah normal sejak awal.
Mencoba log, lalu akar, lalu kebalikan, satu per satu sampai ada yang membuat nilai Sig. lolos, tanpa alasan teoretis untuk pilihan akhir.
Melaporkan koefisien model yang ditransformasi seolah masih dalam satuan asli, misalnya menulis setiap kenaikan satu tahun masa kerja menaikkan gaji sebesar 0,08 rupiah.
Membandingkan R kuadrat model log dengan model asli untuk memilih yang lebih baik.
Tidak menyadari sampel menyusut karena nilai nol berubah menjadi data kosong setelah transformasi.
Membuang kasus yang residualnya besar sebagai cara tercepat melewati uji normalitas. Batas antara pembersihan dan manipulasi dibahas di uji asumsi klasik dan apa yang dilakukan kalau gagal.

#FAQ

#Kalau pembimbing saya minta data ditransformasi, bagaimana?

Jalankan, tapi laporkan keduanya. Sertakan model asli dan model hasil transformasi, tunjukkan apakah kesimpulan tentang hipotesismu berubah, dan jelaskan arti koefisien barunya memakai tabel di atas. Kalau kesimpulannya sama, itu justru kabar baik untuk dibawa ke sidang.

#Transformasi log dipakai di Y saja atau di X juga?

Bergantung tujuannya. Untuk memperbaiki sebaran residual, yang relevan Y. Untuk memperbaiki hubungan yang melengkung, X bisa ditransformasi dan itu tidak berurusan dengan normalitas sama sekali.

#Apakah ada ukuran sampel yang membuat normalitas bisa diabaikan?

Tidak ada angka ajaib. Yang berlaku adalah makin besar sampel, makin kecil akibat pelanggaran ringan, dan sekaligus makin besar peluang uji normalitas menolak karena hal sepele. Alasannya ada di Shapiro-Wilk atau Kolmogorov-Smirnov.

#Nilai Sig. normalitas saya 0,049, perlu diperbaiki?

Hampir pasti tidak. Angka itu dan 0,051 menggambarkan data yang praktis sama, hanya jatuh di sisi berbeda dari batas yang dipilih manusia. Lihat Q-Q plot dan ukuran sampel, lalu putuskan dari situ.

#Setelah transformasi, uji asumsinya diulang semua atau cuma normalitas?

Semua. Transformasi mengubah bentuk hubungan antar variabel, jadi linearitas dan keseragaman ragam galat harus diuji ulang pada model yang baru.

#Kalau datanya memang tidak bisa diperbaiki, skripsinya gugur?

Tidak. Yang diminta adalah kejujuran dan penalaran. Laporkan pelanggarannya, jelaskan apa akibatnya bagi tafsiranmu, dan masukkan ke bagian keterbatasan penelitian. Itu jauh lebih kuat daripada tabel yang semuanya hijau tanpa penjelasan.