@tutorinnn: Alasan data dengan responden di bawah 50 sulit memenuhi asumsi normalitas (susah normal) berkaitan erat dengan prinsip dasar statistik, khususnya hukum probabilitas dan ukuran sampel. Semakin kecil jumlah responden, semakin besar kemungkinan datamu menyimpang dari distribusi normal, karena: - Distribusi belum stabil - Rentan outlier - Tidak cukup data untuk membentuk pola simetris alami 📌 1. Ukuran Sampel Kecil → Distribusi Belum Stabil Ketika jumlah responden masih sedikit (misalnya < 50), variabel acak belum "mewakili" populasi dengan baik. Akibatnya, data bisa terlihat miring (skewed) atau menyebar tidak merata — jauh dari bentuk distribusi normal (kurva lonceng). Semakin kecil sampelnya, semakin besar kemungkinan distribusi terpengaruh oleh outlier atau variasi acak. 📌 2. Hukum Bilangan Besar (Law of Large Numbers) Hukum ini menyatakan bahwa semakin besar jumlah data, maka rata-rata dari sampel akan semakin mendekati rata-rata populasi. Kalau responden < 50, masih belum cukup besar untuk membuat data mendekati distribusi normal secara alami. 📌 3. Teorema Limit Tengah (Central Limit Theorem / CLT) CLT mengatakan bahwa distribusi rata-rata sampel akan mendekati normal, meskipun data aslinya tidak normal, jika ukuran sampel cukup besar (biasanya ≥ 30–50, tergantung konteks). Tapi jika data bukan rata-rata, dan hanya berupa nilai mentah dari < 50 responden, distribusinya belum tentu normal. 📌 4. Outlier Lebih Berdampak di Sampel Kecil Dalam sampel kecil, satu atau dua nilai ekstrem (outlier) bisa sangat mempengaruhi bentuk distribusi. Ini membuat data terlihat tidak simetris atau menyebar aneh. 📌 5. Uji Normalitas Jadi Kurang Kuat di Data Kecil Tes seperti Kolmogorov-Smirnov atau Shapiro-Wilk jadi kurang akurat di data kecil. Kadang terlalu sensitif atau justru tidak sensitif sama sekali, sehingga hasilnya bisa menyesatkan. #jokiskripsi #mahasiswaakhir #tutorin #manipulasidataspsssmartpls #olahdata

spesialis MANIPULASI DATA 💻📊

Open In TikTok:

Region: ID

Wednesday 08 October 2025 08:41:39 GMT