Statistik 4: Uji beda grup (uji prasyarat, t test, dan non parametrik yang relevan)

Dhinar Asri Intantri/250321803853 

Review Artikel 14

Testing for Normality: A User’s (Cautionary) Guide

(Sumber : Klik Disini )

1.     Tujuan Penelitian

Artikel ini bertujuan memberikan panduan praktis sekaligus kritis bagi peneliti dalam menggunakan uji normalitas, baik secara visual maupun statistik. Penulis ingin menyoroti potensi kesalahan interpretasi, keterbatasan, serta relevansi praktis dari pengujian normalitas sebelum menggunakan uji parametrik dalam penelitian.

 

2.     Metode Penelitian

Penelitian ini merupakan sebuah artikel tinjauan (mini-review) yang secara mendalam menganalisis berbagai pendekatan dalam pengujian kenormalan data, baik melalui metode kualitatif (visual) maupun kuantitatif (statistik). Penulis membandingkan beberapa uji statistik yang umum digunakan, seperti Shapiro–Wilk, Shapiro–Francia, Kolmogorov–Smirnov, dan D’Agostino–Pearson, untuk menilai kesesuaian data terhadap distribusi normal. Selain pembahasan teoretis, artikel ini juga menyertakan simulasi Monte Carlo dengan ukuran sampel n = 15 dan 1000 percobaan untuk mengevaluasi distribusi p-value di bawah hipotesis nol (H₀) kenormalan. Melalui analisis yang bersifat konseptual dan empiris ini, penulis menyoroti perbedaan kekuatan statistik antar uji kenormalan serta menekankan potensi kesalahan interpretasi hasil uji, khususnya ketika digunakan pada ukuran sampel yang kecil.

 

 

3.     Hasil

Hasil penelitian menunjukkan bahwa berbagai uji kenormalan memiliki tingkat kekuatan statistik (power) yang berbeda-beda, di mana Shapiro–Wilk dan Shapiro–Francia terbukti memiliki performa paling baik dalam mendeteksi penyimpangan dari distribusi normal. Namun, pada ukuran sampel yang kecil, hasil uji kenormalan sering kali tidak signifikan meskipun data sebenarnya tidak berdistribusi normal, sehingga berpotensi menimbulkan kesimpulan keliru bahwa data dianggap normal hanya karena nilai p lebih besar dari 0,05. Penulis menegaskan bahwa pengujian kenormalan bukanlah syarat mutlak sebelum menggunakan uji parametrik, sebab teorema limit pusat dapat membuat distribusi estimasi parameter mendekati normal seiring bertambahnya ukuran sampel. Oleh karena itu, artikel ini menyarankan agar pemeriksaan kenormalan dilakukan secara kombinatif, yakni dengan menggunakan QQ-plot sebagai alat visual dan uji statistik yang kuat, serta mempertimbangkan ukuran sampel dan konteks data agar interpretasi hasil menjadi lebih akurat dan bermakna.

 

4.     Kelebihan Penelitian

·       Memberikan pandangan kritis dan edukatif terhadap praktik umum pengujian normalitas.

·       Menyajikan simulasi empiris yang memperlihatkan variasi p-value, sehingga pembaca memahami batasan inferensi statistik.

·       Gaya penyajian ringkas namun padat, cocok untuk peneliti di bidang biostatistik dan eksperimental.

·       Menekankan pertimbangan etis dalam penelitian (misalnya pemborosan hewan percobaan akibat kesalahan metodologis).

 

5.     Keterbatasan Penelitian

·       Simulasi terbatas pada ukuran sampel kecil (n=15) dan beberapa distribusi saja, belum mencakup kondisi ekstrem.

·       Artikel tidak menyajikan perbandingan numerik rinci (misalnya ukuran efek atau sensitivitas tiap uji).

·       Tidak membahas secara mendalam alternatif praktis seperti transformasi data atau bootstrap untuk mengatasi non-normalitas.

 

6.     Novelty

Pada penelitian-penelitan sebelunya telah banyak dilakukan penelitian sejenis seperti :

Penelitian Sebelumnya (Artikel Ilmiah)	Temuan Utama	Kelemahan Artikel Sebelumnya
“Comparisons of various types of normality tests” (Yap & Sim, 2012)	Membandingkan berbagai uji normalitas dan menemukan Shapiro–Wilk paling sensitif terhadap penyimpangan.	Fokus pada performa statistik tanpa membahas implikasi praktis atau etis.
“To test or not to test: preliminary assessment of normality when comparing two independent samples” (Rochon et al., 2012)	Menyarankan bahwa uji kenormalan sering tidak diperlukan untuk sampel besar karena CLT.	Tidak mengevaluasi secara empiris variasi hasil p-value pada sampel kecil.
“A comparison of normality testing methods by empirical power and distribution of P-values” (Uhm & Yi, 2021)	Memberikan analisis simulasi terbaru mengenai distribusi p-value pada berbagai uji normalitas.	Tidak membahas relevansi metodologis dan konsekuensi praktis bagi penelitian eksperimental.

 

Artikel (Gosselin, 2024) melampaui penelitian sebelumnya dengan mengintegrasikan aspek konseptual, empiris, dan etis dalam satu kerangka argumentatif. Ia menyoroti kesalahan logika inferensi (reversal of burden of proof) dan menantang praktik pengujian kenormalan yang dilakukan tanpa konteks. Pendekatan ini menjadikan artikel bukan sekadar panduan teknis, melainkan refleksi kritis atas asumsi fundamental statistik.

7.     Daftar Referensi

Gosselin, R. (2024). Testing for normality : a user ’ s ( cautionary ) guide. 58(5)(Biostatistics), 433–437. https://doi.org/10.1177/00236772241276808

Rochon, J., Gondan, M., & Kieser, M. (2012). To test or not to test : Preliminary assessment of normality when comparing two independent samples. BMC Medical Research Methodology, 12(81), 1–11. http://www.biomedcentral.com/1471-2288/12/81

Uhm, T., & Yi, S. (2021). A comparison of normality testing methods by empirical power and distribution of P -values. Communications in Statistics - Simulation and Computation, 0(0), 1–14. https://doi.org/10.1080/03610918.2021.1963450

Yap, B. W., & Sim, C. H. (2012). Journal of Statistical Computation and Comparisons of various types of normality tests. Journal OfStatistical Computation and Simulation, 81(12), 37–41. https://doi.org/10.1080/00949655.2010.520163