Transformasi Data di SPSS: Membuat Skor Total, Membalik Butir, dan Mengatasi Data Tidak Normal

Dalam pengolahan data penelitian, istilah transformasi data dipakai untuk dua pekerjaan yang berbeda. Pertama, membentuk variabel baru dari variabel yang sudah ada, misalnya menjumlahkan butir kuesioner menjadi skor total. Kedua, mengubah skala nilai dengan rumus tertentu, misalnya logaritma, agar sebaran data lebih simetris. Keduanya dikerjakan di SPSS lewat menu Transform.

Artikel ini membahas keduanya, lengkap dengan rumus yang bisa langsung dipakai dan contoh hasilnya.

Artikel ini bagian dari seri Materi Statistik IDTesis. Urutan lengkap pengolahan data dari kuesioner sampai Bab 4 dibahas di artikel mengolah data.

Dua Jenis Transformasi Data

• Membentuk variabel baru. Contohnya skor total, skor rata-rata, butir yang skornya dibalik, atau kelompok usia. Dikerjakan dengan menu Compute Variable dan Recode.
• Mengubah bentuk sebaran. Contohnya akar kuadrat, logaritma, atau invers. Dipakai jika data sangat miring dan analisis yang dipilih membutuhkan asumsi normalitas.

Membentuk Variabel Baru dengan Compute Variable

1. Klik Transform > Compute Variable.
2. Di kotak Target Variable, ketik nama variabel baru tanpa spasi, misalnya mot_tot.
3. Di kotak Numeric Expression, tulis rumusnya. Klik nama variabel di daftar kiri agar tidak salah ketik.
4. Klik OK. Variabel baru muncul di kolom paling kanan pada Data View.

Berikut rumus yang paling sering dipakai:

Perhatikan perbedaan cara menjumlahkan. Jika satu butir kosong, rumus dengan tanda + menghasilkan nilai kosong untuk responden itu. Fungsi SUM tetap menjumlahkan butir yang terisi, sehingga skor responden yang tidak lengkap menjadi lebih kecil dan tidak sebanding dengan responden lain. Jika ada sedikit butir yang kosong, fungsi MEAN.4 lebih aman karena rata-rata hanya dihitung jika minimal empat butir terisi.

Membalik Skor Butir Negatif

Butir bernada negatif, misalnya “Saya malas belajar”, harus dibalik sebelum dijumlahkan. Rumusnya: nilai terendah + nilai tertinggi ? skor. Untuk skala 1–5, rumusnya 6 ? skor, sehingga 1 menjadi 5, 2 menjadi 4, dan seterusnya. Cara lain adalah Transform > Recode into Different Variables.

Simpan hasilnya sebagai variabel baru, misalnya mot4r, agar data asli tetap ada. Butir negatif yang lupa dibalik akan menurunkan korelasi butir dan nilai reliabilitas, seperti dibahas di artikel uji reliabilitas.

Mengelompokkan Data dengan Recode

Menu Recode into Different Variables juga dipakai untuk membuat kategori, misalnya usia menjadi kelompok usia. Ingat, mengubah data angka menjadi kategori membuang sebagian informasi. Lakukan hanya jika memang dibutuhkan, misalnya untuk tabel frekuensi atau crosstab.

Transformasi untuk Data yang Tidak Normal

Uji t, ANOVA, dan regresi mengasumsikan residual berdistribusi kira-kira normal. Data seperti pendapatan, waktu tunggu, atau jumlah kunjungan sering miring ke kanan: sebagian besar nilainya kecil, dan hanya sedikit yang sangat besar. Transformasi bisa membuat sebaran seperti ini lebih simetris (Tabachnick & Fidell, 2019).

Pilih transformasi dari yang paling ringan. Akar kuadrat untuk kemiringan sedang, logaritma untuk kemiringan yang lebih kuat, dan invers untuk kemiringan yang sangat kuat. Untuk data yang miring ke kiri, nilai dibalik dulu dengan rumus K ? X, dengan K = nilai terbesar + 1. Karena urutan nilainya terbalik, arah hubungan juga ikut terbalik saat hasilnya ditafsirkan.

Contoh: Pendapatan Bulanan 80 UMKM

Data ilustrasi pendapatan bulanan 80 UMKM berkisar dari Rp1,0 juta sampai Rp35,6 juta. Rata-ratanya Rp8,1 juta, sedangkan mediannya Rp6,6 juta. Rata-rata yang jauh di atas median menandakan data miring ke kanan.

Dengan Compute Variable, dibuat tiga variabel baru: SQRT(pendapatan), LN(pendapatan), dan -1/pendapatan. Tanda minus pada invers menjaga urutan nilai tetap sama. Bentuk sebaran setiap variabel lalu diperiksa dengan Analyze > Descriptive Statistics > Explore.

Di contoh ini, logaritma natural adalah pilihan terbaik. Akar kuadrat belum cukup, sedangkan invers justru membuat data miring ke arah sebaliknya. Pelajarannya: selalu periksa hasil transformasi, jangan langsung menganggapnya berhasil. LN dan LG10 menghasilkan bentuk sebaran yang sama; yang berbeda hanya skalanya.

Membaca Hasil setelah Transformasi

• Analisis berjalan pada skala baru. Rata-rata ln pendapatan adalah 1,82. Jika dikembalikan dengan fungsi eksponen, hasilnya sekitar Rp6,2 juta. Angka ini adalah rata-rata geometrik, bukan rata-rata biasa (Rp8,1 juta), jadi sebutkan dengan jelas di laporan.
• Koefisien regresi berubah makna. Jika variabel terikatnya ln(Y), koefisien b berarti Y naik sekitar 100 × b persen untuk setiap kenaikan satu satuan X. Misalnya b = 0,10 berarti naik sekitar 10%. Angka tepatnya (e? ? 1) × 100% = 10,5%.
• Transformasi berlaku untuk semua data. Semua responden dan semua kelompok harus ditransformasi dengan rumus yang sama.

Kapan Transformasi Tidak Perlu?

• Normalitas dinilai dari residual, bukan dari setiap variabel. Pada regresi, periksa dulu residualnya seperti di artikel uji asumsi klasik dan uji normalitas.
• Sampel besar. Uji t dan regresi cukup tahan terhadap data yang tidak normal jika sampelnya besar (Lumley dkk., 2002).
• Transformasi tidak selalu berhasil. Logaritma kadang tidak mengurangi kemiringan, bahkan bisa memperburuknya, dan hasilnya dalam skala log belum tentu menjawab pertanyaan penelitian tentang rata-rata (Feng dkk., 2014).
• Skor total Likert. Kemiringan pada skor kuesioner sering mencerminkan kondisi nyata, misalnya sebagian besar responden memang puas. Pertimbangkan uji nonparametrik, seperti uji Mann-Whitney ?, atau bootstrap.
• Data miring karena outlier. Periksa dulu apakah ada salah input atau nilai ekstrem, seperti dibahas di artikel data outlier.

Memutuskan perlu tidaknya transformasi dan menafsirkan hasilnya memang sering membuat ragu. Jika Anda butuh teman diskusi, tim IDTesis bisa membantu memeriksa data Anda.

Contoh Penulisan di Bab 3 atau Bab 4

Data pendapatan UMKM miring ke kanan (skewness = 1,92; Shapiro-Wilk p < 0,001), sehingga ditransformasi dengan logaritma natural sebelum dianalisis. Setelah transformasi, sebaran data mendekati normal (skewness = ?0,18; Shapiro-Wilk p = 0,936). Hasil analisis ditafsirkan dalam skala logaritma, dan rata-rata pendapatan dilaporkan sebagai rata-rata geometrik (Rp6,2 juta).

Angka di atas hanya contoh. Ganti dengan hasil olahan data Anda sendiri.

Kesalahan yang Sering Terjadi

• Menjumlahkan butir tanpa membalik butir negatif.
• Memakai Recode into Same Variables, sehingga data asli tertimpa dan hilang.
• Mentransformasi semua variabel tanpa memeriksa bentuk sebarannya lebih dulu.
• Lupa ada nilai nol atau negatif. LN dan LG10 tidak bisa menghitung nilai nol, sehingga SPSS menghasilkan data kosong.
• Menafsirkan hasil seolah masih dalam skala asli.
• Mencoba berbagai transformasi sampai hasil uji hipotesis signifikan. Pilih transformasi berdasarkan bentuk sebaran, sebelum menguji hipotesis, dan laporkan pilihan itu.

Pertanyaan yang Sering Diajukan

Apakah setelah transformasi data pasti normal?

Tidak. Transformasi hanya membuat sebaran lebih simetris jika bentuk kemiringannya cocok. Data dengan dua puncak atau banyak nilai yang sama tidak akan menjadi normal dengan transformasi apa pun.

Lebih baik LN atau LG10?

Bentuk sebaran yang dihasilkan sama. LN lebih sering dipakai pada regresi karena koefisiennya mudah dibaca sebagai persentase perubahan.

Bagaimana jika ada nilai nol atau negatif?

Tambahkan konstanta lebih dulu agar nilai terkecil menjadi 1, misalnya LN(pendapatan + 1). Sebutkan konstanta itu di Bab 3.

Bagaimana jika transformasi tidak berhasil?

Gunakan analisis yang tidak bergantung pada normalitas, seperti uji nonparametrik, bootstrap, atau galat baku robust. Ada juga cara mencari pangkat transformasi terbaik secara otomatis, yaitu transformasi Box-Cox (Box & Cox, 1964), yang tersedia di beberapa software statistik.

Butuh Teman Diskusi untuk Data yang Tidak Normal?

Ragu apakah data Anda perlu ditransformasi, atau bingung menafsirkan hasilnya? Tim IDTesis bisa menemani Anda memeriksa sebaran data, memilih penanganan yang tepat, dan menuliskannya di Bab 3 dan Bab 4. Ceritakan dulu data Anda lewat WhatsApp, atau lihat layanan olah data statistik.

Baca juga: Uji Normalitas · Data Outlier · Uji Asumsi Klasik

Referensi

• Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–252.
• Feng, C., Wang, H., Lu, N., Chen, T., He, H., Lu, Y., & Tu, X. M. (2014). Log-transformation and its implications for data analysis. Shanghai Archives of Psychiatry, 26(2), 105–109.
• Lumley, T., Diehr, P., Emerson, S., & Chen, L. (2002). The importance of the normality assumption in large public health data sets. Annual Review of Public Health, 23, 151–169.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.