Uji Normalitas Kolmogorov-Smirnov

Uji Kolmogorov Smirnov merupakan pengujian normalitas . Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas dengan menggunakan grafik. Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku. Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05 berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal.Lebih lanjut, jika signifikansi di atas 0,05 maka berarti tidak terdapat perbedaan yang signifikan antara data yang akan diuji dengan data normal baku, artinya data yang kita uji normalkan tidak berbeda dengan normal baku. Jika kesimpulan kita memberikan hasil yang tidak normal, maka kita tidak bisa menentukan transformasi seperti apa yang harus kita gunakan untuk normalisasi. Jadi ya kalau tidak normal, gunakan plot grafik untuk melihat menceng ke kanan atau ke kiri, atau menggunakan Skewness dan Kurtosis sehingga dapat ditentukan transformasi seperti apa yang paling tepat dipergunakan. Untuk perhitungan manualnya bisa menggunakan teori dibawah ini Rumus

Keterangan : Xi = Angka pada data Z = Transformasi dari angka ke notasi pada distribusi normal FT = Probabilitas komulatif normal FS = Probabilitas komulatif empiris FT = komulatif proporsi luasan kurva normal berdasarkan notasi Zi, dihitung dari luasan kurva mulai dari ujung kiri kurva sampai dengan titik Z. Siginifikansi

Signifikansi uji, nilai | FT FS | terbesar dibandingkan dengan nilai tabel Kolmogorov Smirnov. Jika nilai | FT FS | terbesar kurang dari nilai tabel Kolmogorov Smirnov, maka Ho diterima ; H 1 ditolak. Jika nilai | FT FS | terbesar lebih besar dari nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; H 1diterima. Tabel Nilai Quantil Statistik Kolmogorov Distribusi Normal.

contoh Contoh soal : Suatu penelitian tentang berat badan peserta pelatihan kebugaran fisik/jasmani dengan sampel sebanyak 27 orang diambil secara random, didapatkan data sebagai berikut ; 78, 78, 95, 90, 78, 80, 82, 77, 72, 84, 68, 67, 87, 78, 77, 88, 97, 89, 97, 98, 70, 72, 70, 69, 67, 90, 97 kg. Selidikilah dengan = 5%, apakah data tersebut di atas diambil dari populasi yang berdistribusi normal? Jawab : Ho : tidak beda dengan populasi normal (data Normal). H1 : ada beda dengan populasi nomal (data tdak normal) . : 0,05 1. langkah pertama adalah menetukan rata-rata data yaitu: rata2= data/n=2195/27=81,3 2. langkah berikutnya adalah menghitung Standart defiasi: SD=akar( (xxrata)2/n)=akar(2749.63/27)=akar(101.838)=10,1 3. menghitung z score untuk i=1 maka didapkan (67-81,3)/10,1=-1,39 4. (komulatif proporsi luasan kurva normal berdasarkan notasi Zi, dihitung dari luasan kurva mulai dari ujung kiri kurva sampai dengan titik Z.)berarti .Tentukan besar peluang untuk masing-masing nilai z berdasarkan tabel z dan diberi nama F(z) (lihat tabel z) . jika nilai z minus, maka 0,5 dikurangi (-) luas wilayah pada tabel z. Sebaliknya, jika nilai z positif, maka 0,5 ditambah (+) luas nilai z pada tabel, sehingga diperoleh nilai-nilai F(z) ,..untuk Zscore 1,39 maka didapatkan nilai F(1,39)=0.4177 sehingga Ft=0.5-0.4177=0.823. 5. menentukan Fs dari saat i=1 yaitu data pertama yaitu x=67 jumlahnya yaitu ada 2 yaitu pada data pertama dan kedua maka Fs pada data pertama diperoleh 2/27=0.740 6. |Ft-Fs| pada data pertama adalah |0.823-0.740|=0.083, Sehingga di peroleh tabel dibawah ini No Xi Z-score | Ft -Fs |

Ft 0,0823 0,0823 0,0985 0,1170 0,1357 0,1357 0,1841 0,1841 0,3372 0,3372

Fs 0,0740 0,0740 0,1111 0,1481 0,2222 0,2222 0,2963 0,2963 0,3704 0,3704

1 2 3 4 5 6 7 8 9 10

67 67 68 69 70 70 72 72 77 77

-1,39 -1,39 -1,29 -1,19 -1,10 -1,10 -0,90 -0,90 -0,42 -0,42

0,0083 0,0083 0,0126 0,0311 0,0865 0,0865 0,1122 0,1122 0,0332 0,0332

11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 rata2 S

78 78 78 78 80 82 84 87 88 89 90 90 95 97 97 97 98 81,2963 10,2837

-0,32 -0,32 -0,32 -0,32 -0,12 0,07 0,26 0,55 0,65 0,75 0,84 0,84 1,33 1,53 1,53 1,53 1,62

0,3745 0,3745 0,3745 0,3745 0,4522 0,5279 0,6026 0,7088 0,7422 0,7734 0,7995 0,7995 0,9082 0,9370 0,9370 0,9370 0,9474

0,5185 0,5185 0,5185 0,5185 0,5555 0,5926 0,6296 0,6666 0,7037 0,7407 0,8148 0,8148 0,8518 0,9629 0,9629 0,9629 1,000

0,1440 0,1440 0,1440 0,1440 0,1033 0,0647 0,0270 0,0422 0,0385 0,0327 0,0153 0,0153 0,0547 0,0259 0,0259 0,0259 0,0526

Statistik uji : D = maks | Ft - Fs | = 1,440 Kriteria uji : tolak Ho jika Dmaks Dtabel , terima dalam hal lainya.dengan = 0,05 dan N=27 Karena Dmaks = 0,1440 < Dtabel = 0,2540,jadi Ho diterima,berarti sampel yang diambil dari populasi yang berdistribusi normal. tabel z

kenormalan data
Tujuan dalam uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng ( bell sheped ). Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yaitu distribusi data tersebut tidak menceng kekiri atau kekanan. Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik. Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa langkah yaitu: melakukan transformasi data, melakukan trimming data outliers atau menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah atau menyebar ke samping kanan dan kiri.

Uji statistik nonparametrik ialah suatu uji statistik yang tidak memerlukan adanya asumsi-asumsi mengenai sebaran data populasi. Uji statistik ini disebut juga sebagai statistik bebas sebaran (distribution free). Statistik nonparametrik tidak mensyaratkan bentuk sebaran parameter populasi berdistribusi normal. Statistik nonparametrik dapat digunakan untuk menganalisis data yang berskala nominal atau ordinal karena pada umumnya data berjenis nominal dan ordinal tidak menyebar normal. Dari segi jumlah data, pada umumnya statistik nonparametrik digunakan untuk data berjumlah kecil (n < 30).