Anda di halaman 1dari 24

UJI NORMALITAS

Disusun untuk memenuhi Tugas Mata Kuliah Statistika Penelitian Pendidikan Matematika
Dosen Pengampu : Dra. Endang Retno W., M.Pd

Disusun oleh:
Jayanti Putri P.

4101408060

Atik Suryani

4101408080

Tri Diana Wijayanti

4101408145

Ike Dwi Utami

4101408149

Istianingsih

4101408169

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2011

UJI NORMALITAS
Data klasifikasi kontinue, data kuantitatif yang termasuk dalam pengukuran data skala
interval atau ratio, untuk dapat dilakukan uji statistik parametrik dipersyaratkan berdistribusi
normal. Pembuktian data berdistribusi normal tersebut perlu dilakukan uji normalitas terhadap
data. Uji normalitas berguna untuk membuktikan data dari sampel yang dimiliki berasal dari
populasi berdistribusi normal atau data populasi yang dimiliki berdistribusi normal. Banyak cara
yang dapat dilakukan untuk membuktikan suatu data berdistribusi normal atau tidak.
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 statistik 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. Pembuktian normalitas dapat
dilakukan dengan manual, yaitu dengan menggunakan kertas peluang normal, atau dengan
menggunakan uji statistik normalitas.
Banyak jenis uji statistik normalitas yang dapat digunakan diantaranya Kolmogorov
Smirnov, Lilliefors, Chi-Square, Shapiro Wilk atau menggunakan soft ware computer. Soft ware
computer dapat digunakan misalnya SPSS, Minitab, Simstat, Microstat, dsb. Pada hakekatnya
soft ware tersebut merupakan hitungan uji statistik Kolmogorov Smirnov, Lilliefors, Chi-Square,
Shapiro Wilk, dsb yang telah diprogram dalam soft ware komputer. Masing- masing hitungan uji
statistik normalitas memiliki kelemahan dan kelebihannya, pengguna dapat memilih sesuai
dengan keuntungannya.
Di bawah disajikan beberapa cara untuk menguji suatu data berdistribusi normal atau
tidak.

1. METODE LILIEFORS
Metode Lilliefors menggunakan data dasar yang belum diolah dalam tabel distribusi
frekuensi. Data ditransformasikan dalam nilai Z untuk dapat dihitung luasan kurva normal
sebagai probabilitas komulatif normal. Probabilitas tersebut dicari bedanya dengan probabilitas
komultaif empiris. Beda terbesar dibanding dengan tabel Lilliefors pada Tabel Nilai Quantil
Statistik Lilliefors Distribusi Normal.
Rumus :

Keterangan :
Xi = Angka pada data
Z

= Transformasi dari angka ke notasi pada distribusi normal

F(x)= Probabilitas komulatif normal


S(x)= Probabilitas komulatif empiris
F(x) = komulatif proporsi luasan kurva normal berdasarkan notasi Z i, dihitung dari luasan kurva
normal mulai dari ujung kiri kurva sampai dengan titik Zi.

Persyaratan :
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.
Signifikansi :
Signifikansi uji, nilai | F (x) S (x) | terbesar dibandingkan dengan nilai tabel Lilliefors. Jika
nilai | F (x) S (x) | terbesar kurang dari nilai tabel Lilliefors, maka Ho diterima ; Ha ditolak.
Jika nilai | F (x) S (x) | terbesar lebih besar dari nilai tabel Lilliefors, maka Ho ditolak ; H 1
diterima.
Tabel nilai Quantil Statistik Lilliefors.
Tabel Harga Quartil Statistik Lilliefors Distribusi Normal
Ukuran sampel
N
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25

P = 0,80
= 0,20
0,300
0,285
0,265
0,247
0,233
0,223
0,215
0,206
0,199
0,190
0,183
0,177
0,173
0,169
0,166
0,163
0,160
0,142

P = 0,85
= 0,15
0,319
0,299
0,277
0,258
0,244
0,233
0,224
0,217
0,212
0,202
0,194
0,187
0,182
0,177
0,173
0,169
0,166
0,147

P = 0,90
= 0,10
0,352
0,315
0,294
0,276
0,261
0,249
0,239
0,230
0,223
0,214
0,207
0,201
0,195
0,189
0,184
0,179
0,174
0,158

P = 0,95
= 0,05
0,381
0,337
0,319
0,300
0,285
0,271
0,258
0,249
0,242
0,234
0,227
0,220
0,213
0,206
0,200
0,195
0,190
0,173

P = 0,99
= 0,01
0,417
0,405
0,364
0,348
0,331
0,311
0,294
0,284
0,275
0,268
0,261
0,257
0,250
0,245
0,239
0,235
0,231
0,200

30
n > 30

0,131
0,736
n

0,136
0,768
n

0,144
0,805
n

0,161
0,886
n

0,187
1,031
n

Penerapan :
Berdasarkan penelitian tentang intensitas penerangan alami yang dilakukan terhadap 18 sampel
rumah sederhana, rata-rata pencahayaan alami di beberapa ruangan dalam rumah pada sore hari
sebagai berikut ; 46, 57, 52, 63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69, 61, 65, 68 lux.
Selidikilah dengan = 5%, apakah data tersebut di atas diambil dari populasi yang berdistribusi
normal ?
Penyelesaian :
a. Hipotesis
Ho : tidak beda dengan populasi normal
Ha : Ada beda populasi normal
b. Nilai
Nilai = level signifikansi = 5% = 0,05
c. Rumus Statistik penguji

d. Hitung rumus statistik penguji

NO

Xi

1
2
3
4

45
46
46
48

F(x)

S(x)

-1,4577

0,0721

0,0556

0,0556

-1,3492

0,0885

0,1667

0,0782

Xi X
SD

F ( x) S ( x)

5
6
7
8
9
10
11
12
13
14
15
16
17
18
X

52
52
52
54
57
61
63
65
65
68
68
69
70
71
58,44

-0,6985
-0,4816
0,1562
0,2777
0,4946

0,2420
0,3156
0,4364
0,6103
0,6879

0,3889
0,4444
0,5000
0,5556
0,6111

0,1469
0,1288
0,0636
0,0547
0,0768

0,7115

0,7611

0,7222

0,0389

1,0369
1,1453
1,2538
1,3623

0,8508
0,8749
0,8944
0,9131

0,8333
0,8889
0,9444
1,0000

0,0175
0,0140
0,0500
0,0869

F ( x) S ( x) 9,22

SD
Nilai

tertinggi sebagai angka penguji normalitas, yaitu 0,1469

e. Df/db/dk
Df = = tidak diperlukan
f. Nilai tabel
Nilai Kuantil Penguji Lilliefors, = 0,05 ; N = 18 ; 0,2000. Pada Tabel Lilliefors.
g. Daerah penolakan
Menggunakan rumus
|0,1469|<|0,2000| ; berarti Ho diterima, Ha ditolak
h. Kesimpulan
Sampel diambil dari populasi normal, pada = 0,05

2. METODE KOLMOGOROV-SMIRNOV
Metode Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors.
Langkah-langkah penyelesaian dan penggunaan rumus sama, namun pada signifikansi yang
berbeda.

Signifikansi

metode

Kolmogorov-Smirnov

menggunakan

tabel

pembanding

Kolmogorov-Smirnov, sedangkan metode Lilliefors menggunakan tabel pembanding metode


Lilliefors.
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.

Persyaratan :
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi

c. Dapat untuk n besar maupun n kecil.


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 ;
H1 ditolak. Jika nilai | FT FS | terbesar lebih besar dari nilai tabel Kolmogorov Smirnov, maka
Ho ditolak ; H1 diterima.
Tabel Nilai Quantil Statistik Kolmogorov Distribusi Normal.
Harga Quantil Statistik Kolmogorov Distribusi Normal
N
0,100
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

0,200
0,900
0,684
0,565
0,494
0,446
0,410
0,381
0,358
0,339
0,322
0,307
0,295
0,284
0,274
0,266
0,258
0,250
0,244
0,237
0,231
0,226
0,221
0,216

Tingkat Signifikasi untuk tes satu sisi


0,075
0,050
0,025
0,01
Tingkat Signifikansi untuk tes dua sisi
0,150
0,100
0,050
0,020
0,925
0,950
0,975
0,990
0,726
0,776
0,842
0,900
0,597
0,642
0,708
0,785
0,525
0,564
0,624
0,689
0,474
0,510
0,565
0,627
0,436
0,470
0,521
0,577
0,405
0,438
0,486
0,538
0,381
0,411
0,457
0,507
0,360
0,388
0,432
0,480
0,342
0,368
0,410
0,457
0,326
0,352
0,391
0,437
0,313
0,338
0,375
0,419
0,302
0,325
0,361
0,404
0,292
0,314
0,349
0,390
0,283
0,304
0,338
0,377
0,274
0,295
0,328
0,366
0,266
0,286
0,318
0,355
0,259
0,278
0,309
0,346
0,252
0,272
0,301
0,337
0,246
0,264
0,294
0,329
0,259
0,287
0,321
0,253
0,281
0,314
0,247
0,275
0,307

0,005
0,010
0,995
0,929
0,828
0,733
0,669
0,618
0,577
0,543
0,514
0,490
0,468
0,450
0,433
0,418
0,404
0,392
0,381
0,371
0,363
0,356
0,344
0,337
0,330

24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
25
30
35
40
>40

0,212
0,208
0,204
0,200
0,197
0,193
0,190
0,187
0,184
0,182
0,179
0,171
0,174
0,172
0,170
0,168
0,165
0,208
0,190
0,177
0,165
1,07
N

0,22

0,20

0,19

1,14
N

0,242
0,238
0,233
0,229
0,225
0,221
0,218
0,214
0,211
0,208
0,205
0,202
0,199
0,196
0,194
0,191
0,189
0,238
0,218
0,202
0,189
1,22
N

0,269
0,264
0,259
0,254
0,250
0,246
0,242
0,238
0,234
0,231
0,227
0,224
0,221
0,218
0,215
0,213
0,210
0,264
0,242
0,224
0,210
1,36
N

0,301
0,295
0,290
0,284
0,279
0,275
0,270
0,266
0,262
0,258
0,254
0,251
0,247
0,244
0,241
0,238
0,235
0,295
0,270
0,251
0,235
1,36
N

0,323
0,317
0,311
0,305
0,300
0,295
0,290
0,285
0,281
0,277
0,213
0,269
0,265
0,262
0,258
0,255
0,252
0,317
0,290
0,269
0,252
1,63
N

Penerapan :
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 ?

Penyelesaian :
a. Hipotesis
Ho : tidak beda dengan populasi normal
Ha : Ada beda populasi norma
b. Nilai
Nilai = level signifikansi = 5% = 0,05
c. Rumus Statistik penguji

d. Hitung rumus statistik penguji


NO

Xi

1
2

67
67

FT

FS

-1,3902

0,082

0,0741

0,0082

0,1111

0,0126

0,1481

0,0330

0,2222

0,0865

0,2963

0,1122

0,3704

0,0332

0,5185

0,1440

Xi X
SD

68

-1,2929

3
0,098

69

-1,1957

5
0,115

5
6

70
70

|F TF S|

1
-1,0985

0,135
7

7
8

72
72

9
10

77
77

-0,9040

0,184
1

-0,4178

0,337
2

11
12
13
14

78
78
78
78

-0,3205

0,374

15
16
17
18

80
82
84
87

-0,1261

5
0,448

0,5556

0,1073

0,0684

3
0,527

0,5926

0,0647

0,2629

9
0,602

0,6296

0,0270

0,5546

6
0,708

0,6667

0,0421

0,7037

0,0385

0,7407

0,0327

19

88

0,6519

8
0,742

20

89

0,7491

2
0,773

21
22

90
90

23

95

0,8464

0,802

0,8148

0,012

1,3326

3
0,908

0,8519

0,0563

2
24
25
26
27

97
97
97
98
X 81,2963

SD

10,28372

1,5270

0,937

0,9630

-0,0260

1,6243

0
0,947

1,0000

-0,0526

Nilai

|F T F S|

tertinggi sebagai angka penguji normalitas, yaitu 0,1440

e. Df/db/dk
Df = = tidak diperlukan
f. Nilai tabel
Nilai Kuantil Penguji Kolmogorov, = 0,05 ; N = 27 ; 0,254. Pada tabel Kolmogorov
Smirnov.
g. Daerah penolakan
Menggunakan rumus
|0,1440|<|0,2540| ; berarti Ho diterima, Ha ditolak.
h. Kesimpulan
Sampel diambil dari populasi normal, pada = 0,05.

3. METODE CHI KUADRAT


Sekarang marilah kita tinjau mengenai uji normalitas. Persamaan distribusi
normal dengan rata-rata

dan simpangan baku

1/2(x)2
1
f ( x )=
e

dengan persamaan

dengan:

= nilai konstan yang bila ditulis hingga 4 desimal

= 3,1416

e = bilangan konstan, bila ditulis hingga 4 desimal e = 2,7183


= parameter, ternyata merupakan rata-rata untuk distribusi

= parameter, merupakan simpangan baku untuk distribusi

dan nilai x mempunyai batas - < x < , maka dikatakan bahwa variable acak X
berdistribusi normal. Jika sebuah sampel acak berukuran n telah diambil dengan rata-rata
dan simpangan baku

s , maka kurva normal yang cocok atau sesuai dengan data

tersebut (untuk keprluan ini data harus disusun dalam daftar distribusi frekuensi yang
terdiri atas k buah kelas interval) ialah :
1/ 2(
n
y=
e
s 2

x x
2
s

Untuk keperluan pengujian, kita harus menghitung frekuensi teoritik E 1 dan mengetahui
frekuensi nyata atau hasil pengamatan O1. Frekuensi O1 jelas didapat dari sampel,
masing-masing menyatakan frekuensi dalam tiap kelas interval. Harga E 1, frekuensi
teoritik didapat dari hasil kali antara n dengan peluang atau luas dibawah kurva normal
untuk interval yang bersangkutan. Selanjutnya statistik chi kuadrat dihitung dengan
k

fo fh 2

i 1

fh

x2
rumus:

dan untuk menentukan kriteria pengujian digunakan distribusi chi kuadrat dengan dk =
(k-3) dan taraf .

Pengujian normalitas data dengan chi kuadrat dilakukan dengan membandingkan


dengan kurva normal yang terbentuk dari data yang telah terkumpul (B) dengan kurva
normal baku atau standar (A). Bila B tidak berbeda signifikan dengan A maka B
merupakan data yang berdistribusi normal. Langkah-langkah uji normalitas dengan
menggunakan chi kuadrat:
a).Menentukan jumlah kelas interval, ditetapkan menjadi 6 kelas sesuai dengan 6 bidang
yang ada pada kurva normal. Seperti gambar di bawah, bahwa kurve normal baku yang
luasnya hamper 100% dibagi menjadi 6 bidang berdasarkan simpangan bakunya, yaitu
tiga bidang di bawah rata-rata dan tiga bidang di atas rata-rata.

b). Menentukan panjang kelas interval


dataterbesardataterkecil
panjang kelas=
6( jumlah kelas interval)
c). Menyusun ke dalam tabel distribusi frekuensi
d). Menghitung frekuensi yang diharapkan (fh)
fh= Prosentase luas bidang kurva normal x jumlah data observasi (jumlah individu dalam
sampel)
e).Memasukkan harga-harga fh ke dalam table kolom fh, sekaligus menghitung

harga (f0- fh)2 dan

f
2
( 0f h)
fh

= x2

f). Membandingkan harga chi kuadrat hitung dengan chi kuadrat tabel
2

x hit <

x tabel

data berdistribusi normal

RUMUS CHI-SQUARE

fo fh 2

i 1

fh

x2

Di mana:
2 : chi-kuadrat
fo
: Frekuensi yang diobservasi
fh
: Frekuensi yang diharapkan

Signifikansi
Signifikansi uji, nilai

x2

hitung kurang dari nilai

besar dari nilai

x2

hitung dibandingkan dengan

x2

x2

tabel (Chi-Square). Jika nilai

tabel, maka Ho diterima ; Haditolak. Jika nilai

x2

x2

hitung lebih

tabel, maka Ho ditolak ; Ha diterima.

TABEL CHI KUADRAT


Dk
1
2
3
4
5

50%
0,455
1,386
2,366
3,357
4,351

30%
1,074
2,408
3,665
4,878
6,064

Taraf signifikansi
20%
10%
1,642
2,706
3,219
4,605
4,642
6,251
5,989
7,779
7,289
9,236

5%
3,841
5,991
7,815
9,488
11,070

1%
6,635
9,210
11,341
13,277
15,086

5,348

7,231

8,558

12,592

16,812

10,645

7
8
9
10

6,346
7,344
8,343
9,342

8,383
9,524
10,656
11,781

9,803
11,030
12,242
13,442

12,017
13,362
14,684
15,987

14,067
15,507
16,919
18,307

18,475
20,090
21,666
23,209

11
12
13
14
15

10,341
11,340
12,340
13,339
14,339

12,899
14,011
15,119
16,222
17,322

14,631
15,812
16,985
18,151
19,311

17,275
18,549
19,812
21,064
22,307

19,675
21,026
22,362
23,685
24,996

24,725
26,217
27,688
29,142
30,578

16
17
18
19
20

15,338
16,338
17,338
18,338
19,338

18,418
19,511
20,601
21,689
22,775

20,465
21,615
22,760
23,900
25,038

23,542
24,769
25,989
27,204
28,412

26,296
27,587
28,869
30,144
31,410

32,000
33,409
34,805
36,191
37,566

21
22
23
24
25

20,337
21,337
22,337
23,337
24,337

23,858
24,939
26,018
27,096
28,172

26,171
27,301
28,429
29,553
30,675

29,615
30,813
32,007
33,196
34,382

32,671
33,924
35,172
35,415
37,652

38,932
40,289
41,638
42,980
44,314

26
27
28
29
30

25,336
26,336
27,336
28,336
29,336

29,246
30,319
31,391
32,461
33,530

31,795
32,912
34,027
35,139
36,250

35,563
36,741
37,916
39,087
40,256

38,885
40,113
41,337
42,557
43,773

45,642
46,963
48,278
49,588
50,892

RUMUS CHI-SQUARE
k

fo fh 2

i 1

fh

X
2

Di mana:
2

: chi-kuadrat

fo
: Frekuensi yang diobservasi

fh
: Frekuensi yang diperoleh/diamati
Penerapan

TABEL BERAT BADAN


SISWA
Nomor absen Berat Badan
1
54
2
45
3
44
4
50
5
52
6
67
7
58
8
70
9
66
10
48
11
76
12
82
13
89
14
71
15
75
16
59
17
39
18
99
19
54
20
87
21
77
22
41
23
55
24
43
25
54
26
77
27
90
28
75
29
38
30
85

Panjang kelas = (99-36)/6 = 10,1666667 (diambil panjang kelas = 10)

interval
38-47
48-57
58-67
68-77
78-87
88-97
jumlah
batas
kelas(x)
37.5
47.5
57.5
67.5
77.5
87.5
97.5

fo
6
7
4
7
3
3
30

Tabel distribusi frekuensi


fh
fo - fh
(fo - fh)^2
((fo - fh)^2)/fh
2.817
3.183
10.13149
3.596552716
4.398
2.602
6.770404
1.539427922
5.316
-1.316
1.731856
0.325781791
5.316
1.684
2.835856
0.533456734
4.398
-1.398
1.954404
0.44438472
2.817
0.183
0.033489
0.011888179
25.062
6.451492062

z
z pembulatan
luas
-1.38873015
-1.39
0.093
-0.9258201
-0.93
9
0.146
-0.46291005
-0.46
6
0.177
0
0
2
0.177
0.46291005
0.46
2
0.146
0.9258201
0.93
6
0.093
1.38873015
1.39
9

Kesimpulan:
1. Nilai Chi Kuadrat hitung = 6,45149
2. Nilai Chi Kuadrat berdasarkan tabel dengan dk=3 dan =0,05 adalah 7,815
Karena Chi Kuadrat hitung < Chi Kuadrat tabel, maka distribusi data berat badan siswa
dinyatakan berdistribusi normal.
Uji Normalitas dengan Program SPSS
Langkah-langkah menguji dengan program SPSS:
1. Masuk program SPSS
2. Klik Variable View pada SPSS data editor

3. Pada kolom Name baris pertama ketik nomor dan pada kolom Name baris kedua ketik
beratbadan.
4. Pada kolom Type pilih Numeric untuk nomor dan beratbadan. Pada kolom Decimals pilih 0
untuk nomor dan beratbadan.

5. Buka Data View pada SPSS data editor maka didapat kolom variable nomor dan variable
beratbadan.

6. Ketikkan data sesuai dengan variabelnya.


7. Klik variable Analyze>>Descriptive Statistics>>Explore.

8. Klik variable beratbadan dan masukkan ke kotak Dependent List.


9. Klik Plots.

10. Klik Normality Plots With Test kemudian klik Continue.

11. Klik OK maka output keluar.


Output

Case Processing Summary


Cases
Valid
N

Missing

Percent

Beratbadan

20

Total

Percent

100.0%

.0%

Percent
20

100.0%

Descriptives
Statistic
Beratbadan

Mean

Std. Error

64.40

95% Confidence Interval for


Mean

Lower Bound

57.56

Upper Bound

71.24

5% Trimmed Mean

64.50

Median

63.00

Variance

3.268

213.621

Std. Deviation

14.616

Minimum

36

Maximum

91

Range

55

Interquartile Range

16

Skewness
Kurtosis

.005

.512

-.274

.992

Tests of Normality
Kolmogorov-Smirnova
Statistic
Beratbadan

df

.106

Shapiro-Wilk

Sig.
20

a. Lilliefors Significance Correction


*. This is a lower bound of the true significance.

beratbadan
beratbadan Stem-and-Leaf Plot

.200*

Statistic
.975

df

Sig.
20

.850

Frequency
1.00
3.00
2.00
7.00
4.00
2.00
1.00
Stem width:
Each leaf:

Stem &
3
4
5
6
7
8
9

.
.
.
.
.
.
.

Leaf
6
458
79
0012478
0157
67
1

10
1 case(s)

Analisis:
Output Case Processing Summary
Semua data beratbadan (20 orang) valid (100%)
Output Descriptives
memberikan tentang gambaran (deskripsi) tentang suatu data, seperti rata-rata, standar deviasi,
variansi dan sebagainya.
Output Test of Normality
bagian ini akan menguji normal tidaknya sebuah distribusi data.
Pedoman pengambilan keputusan:
Nilai Sig. atau signifikasi atau nilai probabilitas < 0,05 maka distribusi adalah tidak normal.
Nilai Sig. atau signifikasi atau nilai probabilitas > 0,05 maka distribusi adalah normal.
Pada hasil uji Kolmogorov Smirnov dan Shapiro Wilk: distribusi berat badan siswa adalah
normal. Hal ini bisa dilihat pada tingkat pada tingkat signifikansi kedua alat uji, yaitu > 0,05
(0,200)
Output STEM AND LEAF
analisis:
Pada baris pertama, ada 1 siswa yang mempunyai berat badan 30 tahun. Leaf atau cabangnya

bernilai 6 berarti nilai berat badan 1 siswa tersebut adalah 36.


Pada baris kedua, ada 3 siswa yang mempunyai berat badan 40 tahun. Leaf atau cabangnya

bernilai 4, 5 dan 8 berarti berat badan 3 siswa tersebut adalah 44, 45, dan 48.
Dan seterusnya
Output untuk menguji normalitas dengan Plot (Q-Q Plot)

Persentile (75) disebut HINGES


Persentile (50) disebut MEDIAN

Persentile
(25)disebut
HINGESmaka data akan tersebar di sekeliling garis. Pada output data
Jika
suatu distribusi
data normal,

beratbadan terlihat bahwa pola data tersebar di sekeliling garis, yang berarti bisa dikatakan
berdistribusi normal.
Output untuk menguji normalitas dengan Plot (detrended Normal Q-Q Plot)
Output ini untuk mendeteksi pola-pola dari titik yang bukan bagian dari kurva normal.
Output BOXPLOT
Nilai di
atas garis
ini adalah
nilaiberwarna
ekstrim abu-abu (atau mungkin warna yang lain) dengan
Boxplot
adalah
kotakoutlier
pada atau
gambar
Nilai di bawah garis ini adalah outlier atau nilai ekstrim

garis tebal horizontal di kotak tersebut. Kotak abu-abu tersebut memuat 50% data, atau
mempunyai batas persentil ke-25 dan ke-75 (lihat pembahasan interquartile mean). Sedangkan
garis tebal hitam adalah median data.
Berikut ini gambar Boxplot teoritis:

hspread
Whisker (nilai 1,5 dari hspread)