SOCIAL ADVERTISEMENT

Internet User Growth

The internet is a telecomunications networks that connecting computer to another computer or other device to the world wide web. when two computers are connected over the internet they can send and receive all kinds of infomation.

The ways in which people use the internet are evolved quickly. The number of people using the internet has surged over the year, based on the chart we will know how much people that used the internet from 1995 until 2013.

The chart started in 1995 with 16 million people came online each day and it has been increased until 2800 users in 2013. increasing internet usersbfrom 1995 until 2013 had an avarage of at least 1077 millions users.

Introduction Of Accounting

Introduction Of Accounting

Accounting is a measuring, translation, or providing certainty about information that will help managers, investors, tax authorities and other decision makers to make the allocation of decision resources within companies, organizations, and government agencies.

Accounting is the art of measuring, communicating and interpreting financial activities. Broadly speaking, accounting is also known as "the language of business". Accounting aims to prepare an accurate financial report so that it can be used by managers, policy makers, and other interested parties, such as shareholders, creditors, or owners. Daily records involved in this process are known as bookkeeping.

Financial accounting is a branch of accounting in which financial information in a business is recorded, classified, summarized, interpreted, and communicated. Accounting practitioners are known as accountants. Certified accountants have certain degrees that differ from country to country.

Fields Of Accounting:

1. Financial Accounting

2. Auditing

3. Management Accounting

4. Cost Accounting

5. Tax Accounting

6. Budgeting

7. Governmental Accounting

8. Education Accounting

Financial Statement

         

Financial statements are records of a company's financial information in an accounting period that can be used to describe the company's performance. These financial statements are part of the financial reporting process. Complete financial statements usually include:

1. Balance Sheet

2. Income Statement (R / L)

3. Cash Flow

4. Statements Of Change Equity

5. Notes Of Financial Statements.

Requirements for preparing financial statements:

1. Relevant, meaning that every financial statement must be in accordance with the intended use so that it can be useful.

2. Can be understood, explained in preparing financial statements must use terms or discuss simple and easy to understand.

3. Power test, each report produced must be able to prove its truth by an independent measurer

4. Neutral, each report must not side with one user only.

5. On time, financial statements must be provided so that they can be made on the basis of company decision making

6. Comparability, this report can be compared with the company's report in the previous period.

7. Complete, financial statements must present important financial facts and be presented in an appropriate manner so as not to mislead the reader.

Referensi 

https://id.wikipedia.org/wiki/Akuntansi (10/10/2019 23.00)

http://www.smart-edu.web.id/2017/03/pengertian-jenis-syarat-laporan-keuangan.html (10/10/2019 23.12)

https://id.wikipedia.org/wiki/Laporan_keuangan (10/10/2019 23.23)

https://www.jurnal.id/id/blog/2017/jenis-jenis-laporan-keuangan-dalam-akuntansi (10/10/2019 23.30)

Resume

Dear,

According with the information on job vacancies. That I known this information from Social Media. I volunteered to join to the company. In the position as a accounting staff.

Name                  :   Verdi Rusdianto Saelan

Date Of Birth      :   Bogor, 10 Mei 1999

Education            :  S1-Economy

Address               :   Kp. Jeprah RT 01/01, Jonggol, Bogor, Jawa Barat.

Phone Number    :    081398056929

E-mail                 :   verdirusdianto@gmail.com

I have a good conditional physical and physical health. I can work in a team. And I have a good ability in the field on accounting. I am familiar with computer based work. Mainly operates MS office package, such as Excel, Word, PowerPoint, also Zahir and MYOB.

I hope to get the chance to follow the next test. Had Mr/Mrs can give confidence to me to embark on a career as a fresh graduate in the field of Accounting Staff.

Similary, letters of job application I submit, for the attention of Mr/Mrs I thank you.

          Best regrads,

  

Verdi Rusdianto S

Statistika m13

PENGERTIAN ASUMSI KLASIK

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak dilakukan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.

Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan market model, atau market adjusted model. Perhitungan nilai return yang diharapkan dapat dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.

ASUMSI-ASUMSI YANG DITETAPKAN

Secara teoretis model OLS akan menghasilkan estimasi nilai parameter model penduga yang sahih bila dipenuhi asumsi Tidak ada Autokorelasi, Tidak Ada Multikolinearitas, dan Tidak ada Heteroskedastisitas.Apabila seluruh asumsi klasik tersebut telah terpenuhi maka akan menghasilkan hasil regresi yang best, linear,unbias, efficient of estimation (BLUE).

MENGAPA TIDAK SEMUA ASUMSI PERLU DILAKUKAN

Tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linier, karena sebagian hanya cukup diasumsikan saja, sedangkan sebagian yang lain dapat memerlukan test.

PENGERTIAN AUTOKORELASI

Autokorelasi merupakan salah satu dari uji asumsi klasik yang di gunakan untuk mengetahui apakah dalam suatu model regresi linear terdapat korelasi antar kesalahan pengganggu dengan periode t dengan kesalahan periode t-1 yang berarti kondisi saat ini dipengaruhi oleh kondisi sebelumnya dengan kata lain auto korelasi sering terjadi pada data time series. Data yang baik adalah data yang tidak terdapat auto korelasi di dalamnya.

Autokorelasi terbagi dua, ada autokorelasi positif dan ada autokorelasi negatif. Masalah autokorelasi ini merupakan masalah error, jadi kedua jenis autokorelasi di atas juga akan terkait masalah error. Autokorelasi positif adalah autokorelasi dimana error yang selalu diikuti oleh error yang sama tandanya. misalnya ketika satu periode sebelumnya positif maka error berikutnya akan positif. Sebaliknya autokorelasi negatif menyebabkan error akan diikuti oleh error yang berbeda tanda. misalnya ketika errornya positif maka akan diikuti oleh error negatif pada periode selanjutnya

FAKTOR-FAKTPR YANG DAPAT MENYEBABKAN TIMBULNYA MASALAH

·         Kesalahan dalam pembentukan model, artinya, model yang digunakan untuk menganalisis regresi tidak didukung oleh teori-teori yang relevan dan mendukung.

·         Tidak memasukkan variabel yang penting. Variabel penting yang dimaksudkan di sini adalah variabel yang diperkirakan signifikan mempengaruhi variabel Y.

·         Manipulasi data. Misalnya dalam penelitian kitaingin menggunakan data bulanan, namun data tersebut tidak tersedia. Kemudian kita mencoba menggunakan triwulanan yang tersedia, untuk dijadikan data bulanan melalui cara interpolasi atau ekstrapolasi.

·         Menggunakan data yang tidak empiris. Jika data semacam ini digunakan, terkesan bahwa data tersebut tidak didukung oleh realita. Misalnya pengaruh periklanan terhadap penjualan. Kalau dalam penelitian menggunakan data biaya periklanan bulan ke n dan data penjualan bulan ke n, besar kemungkinan akan terjadi autokorelasi

SEBAB-SEBAB TERJADINYA AUTOKORELASI

·         Adanya kelembaman (inertia), yaitu data observasi pada periode sebelumnya dan periode sekarang, kemungkinan besar akan mengandung saling ketergantungan (independence)

·         Bisa spesifikasi model kasus yang tidak dimasukkan. Hal ini disebabkan oleh tidak dimasukkannya variabel yang menurut teori sangat penting peranannya dalam menjelaskan variabel terikat (tak bebas). Bila hal ini terjadi, unsur pengganggu (error term) akan merefleksikan suatu pola yang sistematis antara sesama unsur pengganggu sehingga terjadi situasi otokorelasi diantara unsur pengganggu.

·         Adanya fenomena laba-laba (cobweb phenomenon), yaitu data yang diperoleh saat ini (X₁) dipengaruhi oleh data sebelumnya (X₀) sehingga data setelah saat ini/data berikutnya(X₂) memiliki kecenderungan dipengaruhi oleh data pendahulunya (X₀) sehingga data X₂ memiliki potensi lebih rendah dari data X₁. Akibatnya error term tidak lagi bersifat acak (random), tetapi mengikuti pola sarang laba-laba.

·         Manipulasi data (manipulation of data). Dalam analisis empiris terutama data time series sering kali terjadi manipulasi data, hal ini terjadi data yang diinginkan tidak tersedia. Adanya interpolasi atau manipulasi data jelas akan menimbulkan suatu pola fluktuasi yang tersembunyi yng mengakibatkan munculnya pola sistematis dalam unsur penggangu dan akhirnya akan menimbulkan masalah autokorelasi.

·         Adanya kelembaman waktu (time lags). Dalam regresi data time series, pengaruh psikologis, teknis dan kelembagaan. Jika unsur lag diabaikan dari suatu mdel yang dibentuk, maka error term yang dihasilkan akan mencerminkan pola sistematis sebagai akibat pengaruh variabel terikat pada periode sebelumnya atau periode sekarang.

PENGERTIAN PENGUJIAN AUTOKORELASI

Pengujian autokorelasi dimaksudkan untuk menguji ada tidaknya autokorelasi, yaitu masalah lain yang timbul bila kesalahan tidak sesuai dengan batasan yang disyaratkan oleh analisis regresi. Terdapat beberapa cara untuk mendeteksi ada tidaknya autokorelasi

ASUMSI PENTING YANG HARUS DIPATUHI DALAM UJI DURBIN-WATSON (DW TEST)

Dalam DW test ini terdapat beberapa asumsi penting yang harus dipatuhi, yaitu:

· Terdapat intercept dalam model regresi.

· Variabel penjelasnya tidak random (nonstochastics).

· Tidak ada unsur lag dari variabel dependen di dalam model.

· Tidak ada data yang hilang.

Langkah-langkah pengujian autokorelasi menggunakan uji Durbin Watson (DW test) dapat dimulai dari menentukan hipotesis. Rumusan hipotesisnya (H0) biasanya menyatakan bahwa dua ujungnya tidak ada serial autokorelasi baik positif maupun negatif.

Terdapat beberapa standar keputusan yang perlu dipedomani ketika menggunakan DW test, yang semuanya menentukan lokasi dimana nilai DW berada. Jelasnya adalah sebagai berikut:

DW < dL = terdapat atokorelasi positif

dL< DW <dU = tidak dapat disimpulkan (inconclusive)

dU > DW >4-dU = tidak terdapat autokorelasi

4-dU < DW <4-dL = tidak dapat disimpulkan (inconclusive)

DW > 4-dL = terdapat autokorelasi negatif

Dimana

DW = Nilai Durbin-Watson d statistik

dU = Nilai batas atas (didapat dari tabel)

dL = Nilai batas bawah (didapat dari tabel)

Dalam pengujian autokorelasi terdapat kemungkinan munculnya autokorelasi positif maupun negatif. Karena adanya masalah korelasi dapat menimbulkan adanya bias pada hasil regresi.

KONSEKUENSI ADANYA AUTOKORELASI

1.      Estimator yang dihasilkan masih unbiased, konsisten, dan asymptotical normally distributed. Tetapi tidak lagi efisien->varians tidak minimum (tidak BLUE) 

2.      Estimasi standard error dan varian koefisien regresi yang didapat akan ‘underestimate’. 

3.      Pemerikasaan terhadap residualnya akan menemui permasalahan.

4.      Autokorelasi yang kuat dapat pula menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Biasa disebut spourious regression. Hal ini terlihat dari R2.

CARA MENDETEKSI MASALAH PADA AUTOKORELASI

1. Metode Grafik 

Metode ini merupakan metode yang paling sederhana untuk mendeteksi autokorelasi. Sekaligus merupakan langkah awal untuk mendeteksi autokorelasi. Sesuai dengan definisinya, metode ini membandingkan antara residual dengan variabel X. selain itu, dengan membandingkan antara rasidual ke-t dengan residual ke-(t-1). 

Suatu grafik mengindikasikan adanya autokorelasi dapat dilihat dari polanya. Suatu grafik dikatakan mengandung autokorelasi ketika terdapat pola antara residual dengan waktu atau antara residual ke-t sampai ke-(t-1).

Pada bagian (a) terlihat bahwa grafiknya membentuk pola siklus sehingga diindikasikan terdapat autokorelasi. Hal itu juga didukung dengan grafik antara raesidual ke-t dengan residual ke-(t-1) yang menunjukkan ada hubungan liniear..pada gambar tersebut terdapatnya autokorelasi positif dan negatif. Autokorelasi positif terlihat pada bagian (a) sedangkan autokorelasi negatif pada gambar bagian (b). 

2. Uji Durbin Watson

Metode grafik diatas masih memiliki permasalahan. Pada metode ini, adanya autookorelasi agak sulit untuk ditentukan karena hanya melalui subjektifitas peneliti. Sehingga, kemungkinan tiap peniliti memiliki pandangan yang berbeda-beda. Oleh karena itu, perlu dilakukan pengujian formal yang dapat dipercaya secara ilmiah. Salah satu cara untuk mengetahui adanya autokorelasi adalah uji durbin-watson. 

hipotesis:
Ho=tidak ada autokorelasi

H1=ada autokorelasi

Statistik Uji :

Setelah mendapatkan statistik uji. Langkah selanjutnya adalah membandingkan dengan tabel DW. Tabel DW tediri atas dua nilai, yaitu batas bawah (dL) dan batas atas(dl) dan batas bawah(du). Berikut beberapa keputusan setelah membandingkan DW. 

• Bila d < dL Þ tolak H0; Berarti ada korelasi yang positif atau kecenderungannya r= 1 
• Bila dL < d < dU Þ kita tidak dapat mengambil kesimpulan apa-apa
• Bila dU < d < 4 – dU Þ jangan tolak H0; Artinya tidak ada korelasi positif maupun negatif 
• Bila 4 – dU < d < 4 – dL Þ kita tidak dapat mengambil kesimpulan apa-apa
• Bila d > 4 – dL Þ tolak H0; Berarti ada korelasi negatif

tabel durbin-watson dapat diperoleh disini

3. Uji Run

Uji durbin Watson juga memiliki kelemahan ketika berada antara nilai dL dan dU atau antara (4-dU) dan (4-dL) maka keputusannya autokorelasi tidak bisa diketahui mempunyai autokorelasi apa tidak. Sehingga dilakukan uji lain bisa dengan metode grafik atau metode formal lainnya. Salah satu uji formal yaitu uji run.

Perinsip kerja uji run sangat sederhana yaitu dengan melihat tanda nilai residual negtaif atau positif(+) atau negatif (-), tanpa memperhatikan nilainya. Sehingga run yang dimaksud disini adalah sekelompok nilai residual yang mempunyai tanda sama secara bertusut-turut. 

Contoh: (++++++)(-----)(+++++)(----)

Hipotesis:

H0=residual random

H­1=tidak demikian

Untuk menghitungnya digunakan beberapa fungsi berikut:

Dimana: 

N=jumlah observasi

N1=jumlah run positif(+)

N2=jumlah run negatif(-)

Dalam melakukan pengujian hipotesis, digunakan analisis interval kepercayaan :
E(run)-1,96 <= run <= E(run)+1,96 run

Keputusan:
Apabila nilai Run berada diantara interval tersebut maka terima H0sehingga disimpulkan residualnya random dan tidak adanya unsur autokorelasi.

4. Uji Breusch-Godfrey(BG)/Lagrange Multiplier(LM)

Uji ini dikembangkan oleh breusch-bodfrey. 

Berdasarkan model tersebut Breusch-bodfrey mengasumsikan bahwa Ut mengikuti autoregresif ordo p(AR(p)), sehingga membentuk model berikut:

PENGERTIAN HETEROSKEDASTISTA

Heteroskedastis merupakan salah satu dari asumsi regresi yang menetukan dalam keberlanjutan analisis ini. supaya analisis regresi bisa dilanjutkan maka datanya harus tidak mengandung unsur heteroskedastis atau bisa disebut homoskedastis. Heteroskedastis berarti varians error bersyarat X merupakan angka yg tidak konstan.

Heteroskedastis banyak ditemui pada data cross-section, karena pengamatan dilakukan pada individu yang berbeda pada saat yang sama, heteroskedastis tidak hanya terjadi pada data cross section, data time series juga bisa terkena heteroskedastis.

TIMBULNYA HETEROSKEDASTISITAS

Masalah heteroskedastisitas lebih sering muncul dalam data cross section dari pada data time series). Karena dalam data cross section menunjukkan obyek yang berbeda dan waktu yang berbeda pula. Antara obyek satu dengan yang lainnya tidak ada saling keterkaitan, begitu pula dalam hal waktu. Sedangkan data time series, antara observasi satu dengan yang lainnya saling mempunyai kaitan. Ada trend yang cenderung sama. Sehinggavariance residualnya juga cenderung sama. Tidak seperti data cross section yang cenderung menghasilkanvariance residual yang berbeda pula.

KONSEKUENSI HETEROSKEDASTISITAS

Munculnya masalah heteroskedastisitas yang mengakibatkan nilai Sb menjadi bias, akan berdampak pada nilai t dan nilai F yang menjadi tidak dapat ditentukan. Karena nilai t dihasilkan dari hasil bagi antara b dengan Sb. Jika nilai Sb mengecil, maka nilai t cenderung membesar. Hal ini akan berakibat bahwa nilai t mungkin mestinya tidak signifikan, tetapi karena Sb nya bias, maka t menjadi signifikan. Sebaliknya, jika Sb membesar, maka nilai t akan mengecil. Nilai t yang seharusnya signifikan, bisa jadi ditunjukkan menjadi tidak signifikan. Ketidakmenentuan dari Sb ini dapat menjadikan hasil riset yang mengacaukan.

CARA MENDETEKSI HETEROSKEDASTISITAS

Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilakukan dengan berbagai cara seperti uji grafik, uji Park, Uji Glejser, uji Spearman’s Rank Correlation, dan uji Whyte menggunakan Lagrange Multiplier (Setiaji, 2004: 18)21.

Pengujian heteroskedastisitas menggunakan uji grafik, dapat dilakukan dengan membandingkan sebaran antara nilai prediksi variabel terikat dengan residualnya, yang output pendeteksiannya akan tertera berupa sebaran data padascatter plot.

Pengujian heteroskedastisitas menggunakan uji Arch, dilakukan dengan cara melakukan regresi atas residual, dengan model yang dapat dituliskan e² = a + By² + u. Dari hasil regresi tersebut dihitung nilai R2. Nilai R2 tadi dikalikan dengan jumlah sampel (R2 x N). Hasil perkalian ini kemudian dibandingkan dengan nilai chi-square (x²) pada derajat kesalahan tertentu.

PENGERTIAN MULTIKOLINEARITAS

Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan kuat antara dua variabel bebas atau lebih dalam sebuah model regresi berganda. Model regresi yang dimaksud dalam hal ini antara lain: regresi linear, regresi logistik, regresi data panel dan cox regression.

TIMBULNYA MULTIKOLINEARITAS

Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian, karena apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing-masing variabel bebas dan nilai standar error-nya (Sb) cenderung bias, dalam arti tidak dapat ditentukan kepastian nilainya, sehingga akan berpengaruh pula terhadap nilai t (Setiaji, 2004: 26).

CARA MENDETEKSI MULTIKOLINEARITAS

Cara mendeteksi adanya Multikolinearitas di dalam model regresi adalah dengan cara:

1.      Melihat kekuatan korelasi antar variabel bebas. Jika ada korelasi antar variabel bebas > 0,8 dapat diindikasikan adanya multikolinearitas.

2.      Melihat nilai standar error koefisien regresi parsial. Jika ada nilai standar error > 1, maka dapat diindikasikan adanya multikolinearitas.

3.      Melihat rentang confidence interval. Jika rentang confidence interval sangat lebar, maka dapat diindikasikan adanya multikolinearitas.

4.      Melihat nilai Condition Index dan eigenvalue. Jika nilai condition index > 30 dan nilai eigenvalue < 0,001 dapat diindikasikan adanya multikolinearitas.

5.      Melihat nilai Tolerance dan Variance Inflating Factor (VIF). Jika nilai Tolerance < 0,1 dan VIF > 10 dapat diindikasikan adanya multikolinearitas. Sebagian pakar menggunakan batasan Tolerance < 0,2 dan VIF > 5 dalam menentukan adanya multikolinearitas. Para pakar juga lebih banyak menggunakan nilai Tolerance dan VIF dalam menentukan adanya Multikolinearitas di dalam model regresi linear berganda dibandingkan menggunakan parameter-parameter yang lainnya. Hal ini juga dalam prakteknya menggunakan SPSS, kita sudah disuguhkan dengan hasil yang instant, dimana kita bisa langsung lihat nilai keduanya di dalam output SPSS.

PENGERTIAN  NORMALITAS

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak.

Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan sebagai sampel besar.

Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau tidak, sebaiknya digunakan uji normalitas. Karena belum tentu data yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian.

TIMBULNYA NORMALITAS

1.      Terdapat data residual dari model regresi yang memiliki nilai data berada jauh dari himpunan data atau data ekstrim(outliers), sehingga penyebaran datanya menjadi non-Normal

2.      Terdapat kondisi alami dari data yang pada dasarnya tidak berdistribusi Normal, berdistribusi lain, seperti : distribusi binormal, multinormal, eksponensial, gamma, dll.

KONSEKUENSI NORMALITAS

Dalam pengujian normalitas mempunyai dua kemungkinan, yaitu data berdistribusi normal atau tidak normal. Apabila data telah berdistribusi normal maka tidak ada masalah karena uji t dan uji F dapat dilakukan (Kuncoro, 2001: 110). Apabila data tidak normal, maka diperlukan upaya untuk mengatasi seperti: memotong data yang out liers, memperbesar sampel, atau melakukan transformasi data.

CARA MENDETEKSI NORMALITAS

1.      Menggunakan metode numerik yang membandingkan nilai statistik, yaitu antara nilai median dengan nilaimean. Data dikatakan normal (simetris) jika perbandingan antara mean dan median menghasilkan nilai yang kurang lebih sama. Atau apabila nilai mean jika dikurangi nilai median menghasilkan angka nol. Cara inidisebut ukuran tendensi sentral (Kuncoro,2001: 41).

2.      Menggunakan formula Jarque Bera (JB test), yang rumusnya tertera sebagai berikut:

dimana:

S = Skewness (kemencengan) distribusi data

K= Kurtosis (keruncingan) Skewness sendiri dapat dicari dari formula sebagai berikut:

            Kurtosis dapat dicari dengan formula sebagai berikut:

  

3.      Mengamati sebaran data, dengan melakukan hitungan-hitungan berapa prosentase data observasi dan berada di area mana. Untuk menentukan posisi normal dari sebaran data, langkah awal yang dilakukan adalah menghitung standar deviasi. Standar deviasi dapat dicari melalui rumus sebagai berikut:

CARA MENANGANI JIKA DATA TIDAK NORMAL

Mengidentifikasi dan, jika mungkin, menentukan alasan data tidak normal dan mengatasinya. Karena ketika data tidak terdistribusi normal , penyebab non - normalitas harus ditentukan dan tindakan perbaikan yang tepat harus diambil.

Gunakan alat yang tidak memerlukan asumsi normalitas. Karena, beberapa alat statistik tidak memerlukan data terdistribusi normal