Cara membaca nila kurtosis dan skewness

1. Nilai Skewness
Skewness diartikan sebagai kemiringan distribusi data. Yang dimaksud dengan
kemiringan data adalah besarnya pembagian data atau rata-rata sebaran data yang
biasanya di wujudkan dengan bentuk lonceng, untuk data yang berdistribusi normal.
Begitu juga jika kita terapkan pada Skewness. Apabila skewness menunjukkan simetri
maka dikatakan data membentuk distribusi normal, apabila kemiringan distribusi data
agak condong ke kanan ditunjukkan dengan nilai skewness yang negative, selanjutnya
apabila kemiringan distribusi data condong ke kiri yang ditunjukkan bahwa nilai
skewness positif.
Apabila nilai sk = 0, maka menunjukkan data berdistribusi normal, sk < 0 kemiringan
ke kanan, dan sk > 0 kemiringan ke kiri. Sebagai contoh, jika diperoleh nilai sk = -0,807
adalah artinya merupakan nilai negatif, akan tetapi tidak jauh dari nilai, berarti data
cenderung berdistribusi normal atau hampir normal.
2. Nilai Kurtosis
Kurtosis diartikan sebagai keruncingan distribusi data. Semakin runcing nilai kurtosis
akan menunjukkan data hampir mengumpul (homogen). Akan tetapi apabila nilai
kurtosis 0 menunjukkan data normal, dan apabila nilai kurtosis semakin kecil, maka
menunjukkan data semakin tumpul (semakin menyebar dikatakan data tidak
homogen).
Jika nilai kurtosis dekat nol maka data cenderung normal, apabila nilai kurtosis
negative berarti datanya tumpul atau cenderung melebar ke bawah, sebaliknya
apabila nilai kurtosis positif maka datanya bersifat runcing atau cenderung
mengelompok (homogen).
Sebagai contoh misalnya, Jika diketahui nilai ku = 1,06. Maka nilai kurtosis positif yang
lebih besar dari nol dan cukup jauh dari nol. Oleh karena itu, dikatakan datanya
cenderung runcing atau dengan kata lain cenderung homogen.
G. Uji Normalitas Skewness dan Kurtosis
Salah satu uji statistik adalah uji normalitas data. Uji normalitas berguna untuk
menentukan apakah data yang telah dikumpulkan merupakan distribusi normal atau
bukan. Pengujian normalitas akan mengarahkan teknik statistik apa yang akan digunakan
untuk uji pengambilan keputusan (statistisk inferensi).
Metode statistik klasik dalam pengujian normalitas suatu data tidak begitu rumit.
Berdasarkan pengalaman empiris ahli statistik, data yang banyaknya lebih dari 30 (n > 30),
sudah dapat diasumsikan berdistribusi normal. Tetapi untuk memberikan kepastian data
merupakan distribusi normal atau tidak, sebaiknya digunakan uji normalitas. Karena
belum tentu data yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian juga
yang kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian.

Berikut ini Beberapa Cara yang umum pada pengolahan data menggunakan SPSS
dalam menguji normalitas data :
1. Dengan melihat hasil nilai skewness kurtosis yang didapat melalui statistik deskriptif.
2. Kolmogorov-Smirnov dengan pendekatan koreksi Lillifors.
3. Kolmogorov Smirnov untuk 1-sample K-S.
Cara dalam menguji Normalitas dari nilai Skewness dan Kurtosis yang diperoleh :
Uji normalitas dengan Skewness dan Kurtosis mempunyai kelebihan yang tidak
didapat diperoleh dari uji normalitas yang lain. Dimana dengan uji skewness/kurtosis akan
dapat diketahui diketahui grafik normalitas menceng kekanan atau ke kiri, terlalu datar
atau mengumpul di tengah. Oleh karena itu, uji normalitas dengan Skewness dan Kurtosis
juga sering disebut dengan ukuran kemencengan data.
Dengan membandingkan antara nilai Statistic Skewness dibagi dengan StdError
Skewness atau nilai Statistic Kurtosis dibagi dengan Std Error Kurtosis.
Dimana jika skor berada antara -2 dan 2 maka distribusi data normal, Misal kita peroleh
nilai Skewness = 0,022 , std error skewness =0,427, Kurtosis=-0,807 , std error kurtosis =
0,833
Nilai Ratio Skewness/Std Error Skewness = 0,022 / 0,427 = 0,05 < 2
Nilai Ratio Kurtosis /Std Error Kurtosis = -0,807 / 0,833 = -0,9 6> -2
Uji normalitas dengan Skewness dan Kurtosis memberikan kelebihan tersendiri,
yaitu bahwa akan diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar
atau mengumpul di tengah. Oleh karena itu, uji normalitas dengan Skewness dan Kurtosis
juga sering disebut dengan ukuran kemencengan data.
Satu istilah dalam Kurva Normal adalah Skewness dan Kurtosis. Skewness berkaitan
dengan lebar kurva, sedangkan Kurtosis dengan tinggi kurva. Jika data terlihat sebarannya
normal, tapi kalau nilai kurtosisnya besar (salah satu kategori terlalu tinggi) maka tidak
normal. Dua nilai ini harus diperhatikan.
Nilai Kritis (Z) = Skewness / _ (6/N). Z tidak boleh lebih dari 2,58 (sig. 1%) dan 1,96
(sig. 5%). Untuk Kurtosis rumusnya juga sama.