Penelitian kuantitatif memang pada dasarnya berpegang pada data numerik untuk menjawab pertanyaan penelitian. Tetapi pada beberapa penelitian kuantitatif, terdapat data yang tidak normal. Pada uji normalitas, data malah menunjukkan p-value di bawah 0,05. Data yang tidak normal dapat terjadi karena beberapa karakteristik alami dari fenomena maupun variabel yang sedang diteliti tidak mengikuti pola kurva yang simetris.
Baca juga: Macam-macam Uji Data Penelitian Kuantitatif yang Wajib Mahasiswa Tahu!
Kenapa Data Penelitian Kuantitatif Harus Normal?
Data kuantitatif dalam penelitian perlu memiliki distribusi normal karena banyak uji statistik parametris seperti regresi linier, uji t, dan uji F yang berdasar dari asumsi bahwa data atau sisaan (residual) mengikuti bentuk distribusi normal. Alasan utama penelitian harus normal yaitu:
1. Hasil Kuesioner dari Instrumen Penelitian Seimbang
Apabila jawaban kuesioner tidak seimbang atau hanya condong pada satu sisi saja seperti Sangat Setuju atau Sangat Tidak Setuju, maka data yang ada akan sering kali membuat data residual menjadi tidak normal atau memunculkan masalah lain.
2. Menghasilkan Estimasi yang Tidak Bias (BLUE)
Jika data residual berdistribusi normal, maka estimator regresi akan memenuhi syarat Best Linear Unbiased Estimator (BLUE). Ini berarti hasil yang diperoleh lebih akurat dan bisa diandalkan tanpa adanya bias.
3. Keabsahan Uji Hipotesis
Uji hipotesis seperti nilai p-value, uji t, dan uji F sangat bergantung pada asumsi distribusi normal. Jika data tidak normal, maka kesimpulan yang diambil bisa salah, dan hasil penelitian mungkin ditolak oleh jurnal ilmiah.
Meskipun data dapat dikatakan harus melewati uji normalitas dengan hasil uang normal, kondisi data yang tidak sesuai dengan distribusi normal adalah hal yang lumrah dan sering terjadi dalam penelitian sosial, psikologi, dan ilmu pengetahuan lainnya. Hal ini karena perilaku manusia atau fenomena alam jarang sekali membentuk kurva lonceng yang sempurna.
Menurut literatur metodologi penelitian dan panduan pengolahan data statistik, ketidaknormalan data bisa ditangani dengan cara yang terstruktur. Proses ini tidak memerlukan perubahan atau manipulasi pada angka-angka asli.
Langkah Perbaikan Data Penelitian yang Tidak Normal
Bagi penelitian kamu yang datanya tidak normal, jangan gegabah untuk memperbaiki data dengan memanipulasi hasil kuesioner. Beberapa langkah yang harus kamu lakukan supaya data menjadi normal yaitu:
1. Tinjau dan Atasi Data Pencilan (Outlier)
Sebelum melakukan tindakan yang signifikan, periksa lagi dataset Anda untuk menemukan data pencilan atau outlier yang merupakan nilai-nilai ekstrem yang sangat berbeda dari kelompok data lainnya. Data pencilan sering menjadi penyebab utama data tidak lulus uji normalitas Kolmogorov-Smirnov atau Shapiro‑Wilk.
Untuk mengatasi hal tersebut, kamu harus melakukan cara ini:
- Temukan data pencilan menggunakan diagram boxplot pada program statistik seperti SPSS atau R.
- Jika data pencilan muncul karena kesalahan input peneliti atau responden yang mengisi kuesioner secara sembarangan, kamu dapat menghapus data tersebut.
- Jika data pencilan memang fakta asli di lapangan, gunakan metode Winsorizing untuk mengganti nilai ekstrem dengan nilai batas terdekat yang masih masuk akal, sehingga distribusi data menjadi lebih stabil dibandingkan sebelumnya.
2. Lakukan Transformasi Data Tidak Normal ke Bentuk Lain
Jika tahap pertama masih menghasilkan data yang tidak normal, kamu bisa menggunakan strategi transformasi data. Transformasi data bekerja dengan mengubah skala nilai asli menjadi bentuk matematis lain seperti logaritma, akar kuadrat, atau invers agar distribusi data yang tidak normal atau condong sebelah menjadi lebih stabil.
Transformasi data yang dapat kamu pilih meliputi:
- Transformasi Logaritma Natural (Ln atau Log10)
Pakai transformasi ini jika data yang memiliki distribusi dominan di arah kanan (positive skewness) dengan variasi nilai yang luas.
- Transformasi Akar Kuadrat (Square Root)
Cocok untuk data hitung atau data cacah (count data) yang mengikuti distribusi Poisson.
- Transformasi Invers (1/X)
Transformasi yang digunakan ketika data memiliki tingkat ketidaknormalan yang sangat tinggi.
Pastikan tidak ada nilai nol atau negatif dalam data penelitian, sebelum kamu menerapkan transformasi logaritma atau akar, karena nilai tersebut akan menjadi missing value apabila terdapat nilai nol dan negatif.
3. Beralih ke Analisis Statistik Non-Parametrik untuk Data Tidak Normal
Cara kedua sudah dilakukan, tetapi data masih tidak normal juga. Pada saat itu kamu harus langsung beralih ke analisis statistik non-parametrik, sehingga kamu tidak perlu memaksakan untuk tetap berada menggunakan statistik parametrik. Pada analisis statistik non-parametrik, peneliti tidak dituntut asumsi bahwa data yang diperoleh harus berdistribusi normal. Maka dari itu, peralihan ini dapat menjadi solusi penelitian kamu.
Inilah peralihan dari statistik parametrik ke non-parametrik yang perlu kamu tahu, diantaranya adalah:
- Independent Sample T-Test, ke Uji Mann-Whitney U Test.
Pengujian ini dilakukan untuk menguji dua kelompok independen.
- ANOVA ke Uji Kruskal-Wallis.
Tahap ini dilakukan untuk menguji perbedaan lebih dari dua kelompok.
- Pearson Correlation ke Spearman’s Rank Correlation.
Pengujian untuk mengetahui apakah ada hubungan atau korelasi.
4. Perbesar Ukuran Sampel
Berdasar dari Central Limit Theorem, jika ukuran sampel penelitian semakin besar, maka tingkat kesalahan akan semakin kecil. Maka dari itu, agar hasil dari kuesioner seimbang atau rata, kamu bisa memperluas ukuran sampel. Untuk menentukan besaran sampel, kamu bisa melihat tabel Isaac dan Michael berikut, atau dapat menyesuaikan dengan rumus penentuan sampel yang kamu gunakan pada penelitian kamu.
Mengatasi data tidak normal bukanlah akhir dari segalanya dalam sebuah riset kuantitatif. Kunci utamanya adalah transparansi dalam melaporkan proses pengolahan data serta memilih metode analisis yang paling objektif dan dapat dipertanggungjawabkan di hadapan dosen penguji atau reviewer jurnal.
Baca juga: Panduan Olah Data di SPSS untuk Pemula
Solusi Olah Data Tidak Normal Secara Praktis dan Hemat Waktu
Rangkaian langkah perbaikan data normalitas membuat kamu kesulitan dan menghabiskan banyak waktu? Jangan biarkan hambatan olah data ini menunda kelulusanmu!
Gunakan jasa olah data oleh MyData yang akan bantu olah ahli olah data, hingga data penelitianmu mencapai hasil yang maksimal dan tidak ada data yang tidak normal lagi! Dapatkan penawaran terbatasnya, dan jangan sampai kamu melewati kesempatannya ya!
Ikuti media sosial @ebizmark.id dan @mydata_id di Instagram untuk mendapatkan informasi menarik lainnya yang berhubungan dengan penelitian kamu!
