A.

Uji Normalitas
1. Uji Shapiro-Wilk
Uji Shapiro-Wilk merupakan salah satu uji statistik yg digunakan untuk mengukur
data apakah berdistribusi normal atau tidak sehingga dapat dipakai dalam statistik
parametrik. Uji ini dikemukakan oleh Shapiro dan Wilk pada tahun 1965.
Uji Shapiro-Wilk menggunakan data dasar yang belum diolah dalam tabel distribusi
frekuensi. Data diurut, kemudian dibagi dalam dua kelompok untuk dikonversi dalam
Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam nilai Z untuk dapat dihitung luasan
kurva normal. Uji Shapiro-Wilk sangat efektif digunakan pada sampel yang kurang dari 50
responden, di mana uji yang lain tidak reliabel pada jumlah sampel yang kecil.
Syarat menggunakan uji Shapiro wilk dalam uji normalitas yaitu :

Data harus berskala interval atau rasio bersifat kuantitatif atau berupa nilai hitung

Data bersifat tunggal atau belum dikelompokkan dalam tabel distribusi frekuensi

Data diperoleh dari pengambilan sampel atau contoh secara acak atau random

Statistik Uji :

1
T=
D

[
k

i=1

a i ( x ni+1x i )

Keterangan
T

= Nilai uji Shapiro-Wilk

ai

= Koefisien test Shapiro Wilk (lampiran )

x ni+1

= Angka ke n i + 1 pada data

xi

= Angka ke i pada data

Signifikansi pada uji Shapiro wilk yaitu :

Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T

dibandingkan dengan nilai tabel Shapiro-Wilk, untuk dilihat posisi nilai probabilitasnya

(p).
Jika nilai p > maka Ho diterima
Jika nilai p , maka Ho ditolak
Jika digunakan rumus G, maka dari nilai G (nilai Z pada distribusi normal) dicari nilai
proporsi (p) luasan pada tabel distribusi normal. Lalu bandingkan dengan nilai

Jika nilai p > maka Ho diterima.

Jika nilai p , maka Ho ditolak.

Langkah-langkah uji normalitas dengan menggunakan uji Shapiro-Wilk cara manual adalah
sebagai berikut:
a. Merumuskan hipotesis statistik
b. Mengurutkan data dari yang terkecil hingga data terbesar
c. menghitung nilai D dengan rumus
n

D= ( xi x ) 2
i=1

Keterangan
x i = Data yang ke-i
x

= Rata-rata data

d. Menghitung nilai T dengan rumus

1
T=
D

[
k

i=1

a i ( x ni+1x i )

e. Nilai T dibandingkan dengan nilai tabel Shapiro Wilk untuk melihat posisi nilai
probabilitasnya (p).
Jika nilai p > maka Ho diterima
Jika nilai p , maka Ho ditolak
f. Atau dapat menggunakan cara lain: yaitu dengan menghitung nilai G

G=b n+ c n+ ln

T d n
1T

Keterangan
G

= Identik dengan nilai Z distribusi normal

= Nilai uji Shapiro-Wilk

bn , c n , dn

= Konversi Statistik Shapiro-Wilk Pendekatan Distribusi Normal

g. Hasil nilai G merupakan nilai Z pada distribusi normal, yang selanjutnya dicari nilai
proporsi (p) luasan pada tabel distribusi normal
Jika nilai p > maka Ho diterima
Jika nilai p , maka Ho ditolak

h. Membuat kesimpulan
Contoh
Seorang peneliti akan menguji normalitas untuk data komunikasi matematis siswa Kelas VIII
A SMP X pada materi Bangun Ruang. Apakah data tersebut berdistribusi normal? Datanya
adalah sebagai berikut:
85 70 90 77 65 80 85 68 82 88 72 81 89 90 92 68 75 79 70 80
a. Hipotesis statistic
H0 = data distribusi normal
H1 = data tidak distribusi normal
b. Data diurutkan dari yang terbesar hingga yang terkecil
65 68 68 70 70 72 75 77 79 80 80 81 82 85 85 88 89 90 90 92
c. Menghitung nilai D
n

xi

x = i=1
n

x =

(65+68+ +92)
20

x =

1586
20

x =79,3

No

xi

x ix

( x ix )

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

65
68
68
70
70
72
75
77
79
80
80
81
82
85
85
88

-14,3
-11,3
-11,3
-9,3
-9,3
-7,3
-4,3
-2,3
-0,3
0,7
0,7
1,7
2,7
5,7
5,7
8,7

204,49
127,69
127,69
86,49
86,49
53,29
18,49
5,29
0,09
0,49
0,49
2,89
7,29
32,49
32,49
75,69

17
18
19
20
Total

89
90
90
92
1586

9,7
10,7
10,7
12,7

94,09
114,49
114,49
161,29
1346,2

D= ( xi x ) 2
i=1

D=1346,2

d. Menghitung nilai T
i

ai

( x ni+1x i )

ai ( x ni+1x i )

1
2
3
4
5
6
7
8
9
10

0,4734
0,3211
0,2565
0,2085
0,16886
0,1334
0,1013
0,0711
0,0422
0,0140

27
22
22
19
18
13
10
5
2
0

12,7818
7,0642
5,643
3,9615
3,03948
1,7342
1,013
0,3555
0,0844
0
35,67708

Total

1
T=
D

T=

[
k

i=1

a i ( x ni+1x i )

1
(35,67708 )2
1346,2

T =0,945516

e. Nilai tabel
Pada lampiran dapat dilihat, nilai (0,10) = 0,920 nilai (0,50) = 0,959
Nilai T terletak diantara 0,920 dan 0,959, atau nilai p hitung terletak diantara 0,10 dan
0,50, yang diatas nilai (0,05) berarti Ho diterima
Untuk menentukan besar nilai p hitung, maka digunakan cara berikut:

50%

40%
10%
0,920

p=

0,945516

0,959

40 0,9455160,920

100
0,9590,920

p=0,4 0,654256

p=0,26 atau26
Nilai p > maka Ho diterima
f. Kesimpulan
Data berdistribusi normal atau sampel diambil dari populasi normal, pada = 0,05
g. Cara lain setelah nilai T diketahui dapat menggunakan rumus G, yaitu :

G=b n+ c n+ ln

d
( T1T
)

G=b 20+ c20 + ln

d
( T1T
)
20

G=5,153+1,802+ln

( 0,9455160,2359
10,945516 )

G=0,78418
Hasil nilai G merupakan nilai Z pada distribusi normal, yang selanjutnya dicari nilai proporsi
(p) luasan pada tabel distribusi normal. Berdasarkan nilai G = -0,78418, maka nilai proporsi
luasan = 0,2177. Nilai p tersebut di atas nilai = 0,05 berarti Ho diterima. Artinya data
berdistribusi normal
2. Uji Chi-Square (Chi-Kuadrat/

X2 )

Uji Chi-Square atau

untuk Uji Goodness of fit Distribusi Normal menggunakan

pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang
diharapkan.
Syarat menggunakan uji Chi Square (Uji Goodness of fit Distribusi Normal) yaitu:
Data tersusun berkelompok atau dikelompokkan dalam tabel distribus frekuensi.
Cocok untuk data dengan banyaknya angka besar ( n > 30 )
Statistik Uji :
k

X =
2

( O i Ei )

i=1

Ei

Keterangan
X2

= Nilai uji Chi-Square

Oi

= Nilai observasi

Ei

= Nilai expected / harapan (

pi

= Luasan interval kelas berdasarkan tabel normal

= Banyaknya angka pada data (total frekuensi)

Ei= pi x N

Signifikansi pada uji Chi-Square yaitu :

2
Nilai X hitung dibandingkan dengan
2

Jika nilai

Jika nilai

X 2 hitung nilai

hitung < nilai

X 2 tabel.
tabel, maka Ho diterima

X 2 tabel, maka maka Ho ditolak.

Langkah-langkah uji normalitas dengan uji Chi-Square adalah sebagai berikut:

a. Merumuskan hipotesis statistik
b. Membuat tabel kelas interval
c. Membuat daftar frekuensi yang diharapkan dengan cara sebagai berikut.
Menentukan batas kelas, yaitu angka skor kiri kelas interval pertama dikurangi 0,5 dan
kemudian angka skor-skor kanan kelas interval ditambah 0,5
Menghitung nilai Z-score untuk batas kelas interval dengan rumus
x x
Z= i
s

Keterangan:
x i = Batas bawah kelas ke-i
x = Rata-rata data
s

= Simpangan baku (Standar deviasi)

Menghitung luas 0-Z dari Tabel Kurva Normal dari 0-Z dengan menggunakan angkaangka untuk batas kelas.
Menghitung luas tiap kelas interval dengan cara mengurangkan angka-angka 0-Z yaitu
angka baris pertama dikurangi baris kedua, angka baris kedua dikurangi baris ketiga
dan begitu seterusnya, kecuali untuk angka yang berada paling tengah ditambahkan
dengan angka baris berikutnya.
Menghitung frekuensi yang diharapkan dengan cara mengalikan luas tiap interval
dengan jumlah responden.
d. Menghitung nilai Chi-Square hitung
k

X =
2

i=1

( O i Ei )

Ei

e. Mencari nilai

X 2 tabel

Dengan derajat kebebasan dk = k-3

k = Jumlah kelas
2
f. Membandingkan nilai X hitung dengan

Jika nilai

Jika nilai

hitung < nilai

hitung nilai

tabel. Dengan kriteria uji:

tabel, maka Ho diterima

tabel, maka maka Ho ditolak.

g. Membuat kesimpulan
Contoh:
Seorang peneliti akan menguji normalitas untuk data kemampuan Pemecahan Masalah
Matematika Siswa Kelas VII B SMP A pada Materi Bangun Ruang. Apakah data tersebut
berdistribusi normal? Datanya adalah sebagai berikut.
No
1
2
3
4
5
6
7
8
9
10

X
67
75
80
60
48
75
80
66
90
92

No
11
12
13
14
15
16
17
18
19
20

X
84
88
56
46
77
87
83
48
74
68

No
21
22
23
24
25
26
27
28
29
30

X
58
60
67
90
65
77
62
88
66
77

No
31
32
33
34
35
36
37
38
39
40

X
82
55
76
80
74
58
79
76
54
55

No
41
42
43
44
45
46
47
48
49
50

X
77
55
73
74
77
63
70
68
90
86

a. Hipotesis statistik
H0 = data distribusi normal
H1 = data tidak distribusi normal
b. Membuat tabel kelas interval
Mencari skor terbesar terbesar dan terkecil
Skor terbesar = 92
Skor terkecil = 46

Mencari nilai rentangan (R)

R = skor terbesar skor terkecil
R = 92 46
R = 46

Mencari banyaknya kelas (BK)

BK = 1 + 3,3 log n
BK = 1 + 3,3 log 50
BK = 6,6 7

Mencari nilai panjang kelas (i)

R
i=
BK
i=

46
7

i=6,57 7

No

Kelas
Interval

Nilai
tengah (
xi
)

1
2
3
4

46-52
53-59
60-66
67-73

3
7
7
6

49
56
63
70

xi

f.
xi

2401
3136
3969
4900

147
392
441
420

f. x i

7203
21952
27783
29400

5
6
7

74-80
81-87
88-94

x =
x =

16
5
6
50

77
84
91

5929
7056
8281

1232
420
546
3598

94864
35280
49686
266168

f . xi
n
3598
50

x =71,96

s=

n f . x i2 ( f . x i )

s=

50.26616835982
2450

s=

362796
2450

n( n1)

s= 148,08
s=12,17

Menentukan batas kelas dan mencari nilai Z-score

x x
Z= i
s

No

Kelas Interval

1
2
3
4
5
6
7

46-52
53-59
60-66
67-73
74-80
81-87
88-94

Batas Kelas (
)
45,5
52,5
59,5
66,5
73,5
80,5
87,5

xi
Z
-2,1742
-1,59901
-1,02383
-0,44864
0,126541
0,701726
1,27691

Mencari luas 0-Z, luas tiap kelas interval dan mencari frekuensi yang diharapkan
Luas

No

-2,1742

-1,59901

-1,02383

-0,44864

5
6
7

0-Z
0,485
0
0,445
2
0,346
1
0,173

0,12654

6
0,051

1
0,70172

7
0,258

0
0,399

1,27691

Luas tiap
kelas
interval

Ei

Oi

OiEi

( OiEi )

0,0398

1,99

1,01

1,0201

0,512613

0,0991

4,955

2,045

4,182025

0,844001

0,1725

8,625

-1,625

2,640625

0,306159

0,1219

6,095

-0,095

0,009025

0,001481

16

0,515

0,265225

0,017128

-5,315

28,24923

2,738655

-1,085

1,177225

0,166157

0,3097
0,2063
0,1417

15,48
5
10,31
5
7,085

50

( OiEi )
Ei

4,586194

c. Mencari Chi-Square hitung

k

X =
2

( O i Ei )

i=1

Ei

X 2=4,586194
d. Mencari nilai

X 2 tabel ( = 0,05)

dk = k-3
dk = 7-3
dk = 4
X 20,05 : 4=9,488
Karena nilai

X 2 hitung < nilai

X 2 tabel, maka Ho diterima

e. Kesimpulan
Data berdistribusi normal atau sampel diambil dari populasi normal, pada = 0,05

3. Metode Lilliefors
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 kumulatif empiris. Beda terbesar dibandingkan dengan tabel Lilliefors.
Xi

No

Z skor =

X i X
SD

F(
Zi

S(
Zi

|F ( Z i )S(Z i)|

1
2
3
Dst
Keterangan :
Xi

= Angka Data Pengamatan

= Transformasi dari angka ke notasi pada distribusi normal

F(

Zi

= Probabilitas komulatif normal

S(

Zi

= Probabilitas komulatif empiris

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
Jika nilai
Jika nilai

|F ( Z i )S(Z i)|

|F ( Z i )S(Z i)|
|F ( Z i )S(Z i)|

terbesar dibandingkan dengan nilai tabel Lilliefors.

terbesar < nilai tabel Lilliefors, maka Ho diterima ; Ha ditolak.

terbesar > dari nilai tabel Lilliefors, maka Ho ditolak ; Ha

diterima.
Langkah-Langkah Perhitungan
Untuk pengujian hipotesis pengujian kenormalan data dapat ditempuh prosedur berikut:

a. Hitung rata-rata (Mean) dan standar deviasi (s) untuk masing-masing kelompok data
sampel
b. Pengamatan X1 , X2 , X3 , .., Xn dijadikan angka baku dimana Z1 , Z2 , Z3 , ., Zn

X i X
Z
=
skor
dengan rumus sebagai berikut :
SD
c. Untuk tiap angka baku, dengan menggunakan daftar distribusi normal baku dihitung
F ( Z i) =P( Z skor Z i)

peluang :

d. Dihitung proporsi Z1 , Z2 , Z3 , ., Zn yang lebih atau sama dengan Zi . Jika proporsi

dinyatakan dengan S (Zi), maka :
S ( Zi )=

banyaknya Z 1 , Z 2 , Z 3 , , Z n
n

e. Dihitung |F(Zi ) S(Zi)| dan ambil nilai |F(Zi ) S(Zi)| yang terbesar disebut Lo, lalu
dibandingkan dengan harga kritis L tabel Liliefors pada alpha tertentu.
Contoh :
Berdasarkan data ujian statistik dari 15 siswa didapatkan data sebagai berikut ; 11, 21, 19, 19,
18, 19, 18, 17, 17, 18, 15, 21, 22, 21, 24. Selidikilah dengan = 5%, apakah data tersebut di
atas diambil dari populasi yang berdistribusi normal ?
Penyelesaian :
a.

Hipotesis
Ho : Populasi nilai ujian statistik berdistribusi normal
H1 : Populasi nilai ujian statistik tidak berdistribusi normal
b. Nilai
Nilai = level signifikansi = 5% = 0,05
c. Uji Statistik
No. Resp.

Xi

Zi

F(zi)

S(zi)

|F(zi) - S(zi)|

1
2
3

11
15
17

-2,47
-1,18
-0,54

0,0068
0,1190
0,2946

0,0667
0,1333
0,2667

0,0599
0,0143
0,0279

4
5
6
7
8
9
10
11
12
13
14
15

17
18
18
18
19
19
19
21
21
21
22
24

-0,54
-0,21
-0,21
-0,21
0,11
0,11
0,11
0,75
0,75
0,75
1,07
1,72

Mean
Stand.Dev. (s)
Lhitung maks (Lo)
Ltabel (Lt)
d.

0,2946
0,4168
0,4168
0,4168
0,5438
0,5438
0,5438
0,7734
0,7734
0,7734
0,8577
0,9573

0,2667
0,4667
0,4667
0,4667
0,6667
0,6667
0,6667
0,8667
0,8667
0,8667
0,9333
1,0000

0,0279
0,0499
0,0499
0,0499
0,1229
0,1229
0,1229
0,0933
0,0933
0,0933
0,0756
0,0427

18,67
3,11
0,1229
0,2200

Nilai tabel
Nilai Kuantil Penguji Lilliefors, = 0,05 ; N = 15 yaitu 0,2200. Lihat pada Tabel
Lilliefors

e. Daerah penolakan
Menggunakan rumus | 0,1229 | < | 0,2000| ; berarti Ho diterima, Ha ditolak
f. Kesimpulan: Populasi nilai ujian statistik berdistribusi normal.
4. Metode Kolmogorov Smirnov
Metode Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors. Langkahlangkah penyelesaian dan penggunaan rumus sama, namun pada signifikansi yang berbeda.
Signifikansi metode Kolmogorov-Smirnov menggunakan tabel pembanding KolmogorovSmirnov, sedangkan metode Lilliefors menggunakan tabel pembanding metode Lilliefors.
No

Xi

Z skor =

X i X
SD

FT

FS

1
2
3
Dst
Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
FT = Probabilitas komulatif normal

|F TF S|

FS = Probabilitas komulatif empiris

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

|F TF S|

terbesar dibandingkan dengan nilai tabel Kolmogorov

Smirnov.
Jika nilai

|F TF S|

terbesar < nilai tabel Kolmogorov Smirnov, maka Ho diterima ; Ha

|F T F S|

terbesar > nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; Ha

ditolak.
Jika nilai
diterima.
Contoh :
Suatu penelitian tentang berat badan mahasiswa yang mengikuti 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 : Populasi berat badan mahasiswa berdistribusi normal
H1 : Populasi berat badan mahasiswa tidak berdistribusi normal

b. Nilai
Nilai = level signifikansi = 5% = 0,05
c. Uji Statistik
No

Xi

Z skor =

X i X
SD

FT

FS

|F TF S|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

67
67
68
69
70
70
72
72
77
77
78
78
78
78
80
82
84
87
88
89
90
90
95
97
97
97
98

-1,3902
-1,3902
-1,2929
-1.1957
-1,0985
-1,0985
-0,904
-0,904
-0,4178
-0,4178
-0,3205
-0,3205
-0,3205
-0,3205
-0,1261
0,06843
0,26291
0,55463
0,65188
0,74912
0,84636
0,84636
1,33256
1,52704
1,52704
1,52704
1,64249

0,0823
0,0823
0,0985
0,1151
0,1357
0,1357
0,1841
0,1841
0,3372
0,3372
0,3745
0,3745
0,3745
0,3745
0,4483
0,5279
0,6026
0,7088
0,7422
0,7734
0,8023
0,8023
0,9082
0,9370
0,9370
0,9370
0,9495

0,0741
0,0741
0,1111
0,1481
0,2222
0,2222
0,2963
0,2963
0,3704
0,3704
0,5185
0,5185
0,5185
0,5185
0,5556
0,5926
0,6296
0,6667
0,7037
0,7407
0,8148
0,8148
0,8519
0,9630
0,9630
0,9630
1,0000

0,0082
0,0082
0,0126
0,033
0,0865
0,0865
0,1122
0,1122
0,0332
0,0332
0,144
0,144
0,144
0,144
0,1073
0,0647
0,027
0,0421
0,0385
0,0327
0,0125
0,0125
0,0563
0,026
0,026
0,026
0,0505

d. Nilai tabel
Nilai Kuantil Penguji Kolmogorov, = 0,05 ; N = 27 ; yaitu 0,254. Tabel Kolmogorov
Smirnov.
e. Daerah penolakan
Menggunakan rumus: | 0,1440 | < | 0,2540| ; berarti Ho diterima, H1 ditolak
f. Kesimpulan
Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.

5. Uji Anderson Darling

Statistik uji ini dikembangkan untuk mengatasi kelemahan statistik uji Kolmogorov
Smirnov yang hasil pengujiannya bisa tidak valid jika nilai dugaan parameternya dihitung
dari sampel. Metode Anderson-Darling digunakan untuk menguji apakah sampel data berasal

dari populasi dengan distribusi tertentu. Anderson-Darling merupakan modifikasi dari uji
Kolmogorv-Smirnov (KS). Nilai-nilai kritis dalam uji KS tidak tergantung pada distribusi
tertentu yang sedang diuji sedangkan uji Anderson-Darling memanfaatkan distribusi tertentu
dalam menghitung nilai kritis. Ini memiliki keuntungan yang memungkinkan tes yang lebih
sensitif, tetapi kelemahannya adalah nilai-nilai kritis harus dihitung untuk setiap distribusi.
Tabel nilai-nilai kritis untuk normal, lognormal, eksponensial, Weibull, nilai ekstrim tipe I,
dan distribusi logistik dapat dilihat di Anderson dan Darling (1954), Law dan Kelton (1991).
Rumus:
Nilai statistik uji ini dihitung dengan cara :
n

A2 n
i 1

( 2i 1)
[ln F ( Z i ) ln( F ( Z i ) ln( 1 F ( Z n 1 i ))]
n

Dimana F diasumsikan sebagai Distribusi Normal.

Hipotesis
H0 : Data berasal dari Sampel Berdistribusi Normal
H1 : data pada sampel berasal dari populasi yang berdistribusi tidak normal.
Kriteria Pengujian :
Tolak H0 jika : A2 > p = A2/(1+0,75/n + 2,25/n2)
Contoh :
Analisislah apakah data berikut ini berdistribusi normal : 294.2, 308.5, 313.1, 317.7, 322.7,
338.7.
Penyelesaian:
Dari data diperoleh : n = 6, = 315, 82; median = 315,40 dan = 14,9
Tabel Perhitungan:
I

F(Z)

Ln F(Z)

n+1-i

F(n+1-

1- F(n+1-i)

ln (1-F)

1
2
3
4
5
6

294.2
308.5
313.1
317.7
322.7
338.7

0.072711
0.311031
0.427334
0.550371
0.678425
0.938310

-2,62126
-1,16786
-0,85019
-0,59716
-0,38798
-0,06367

6
5
4
3
2
1

i)
0,938
0.678
0,550
0,427
0,311
0,072

0,062
0,322
0,450
0,573
0,689
0,828

-2,78
-1,13
-0,79
-0,56
-0,37
-0,08

Setelah dihitung menggunakan rumus di atas diperoleh : A2 = 0,1699

Sementara c =

0,752
=0,633
0,75
1+
+2,25/36
6

Diperolah A2 < c maka H0 diterima dengan demikian dapat disimpulkan bahwa sampel
tersebut berdistribusi normal.
Langkah-langkah untuk melakukan uji normalitas dengan menggunakan Anderson-Darling :
a.
b.
c.
d.
e.
f.
g.
h.

Sortir data awal (X) dan transformasi pada Z = (x- )/

Tentukan hipotesis nol: Asumusikan bahwa sata tersebut berdistribusi normal
Tentukan dan
Tentukan nilai Probability Cumulative-nya F(Z)
Tentukan nilai ln [F(Z)]-nya
Tentukan nilai dari 1- ln [F(Z)]
Nilai-nilai yang diperoleh gunakan untuk menghitung A2 dan Nilai Kritis (c)
Jikan A2 < c maka data berdistribusi normal

6. Uji Normalitas Ryan Joiner

Uji Ryan Joiner ditemukan oleh Ryan and Joiner tahun 1976. Uji ini memiliki
kemiripan dengan uji Shapiro Wilk. Oleh karenanya dalam berbagai pengujian, hasil yang
dikeluarkan oleh uji ini sangat mirip dengan uji Shapiro Wilk. Uji Ryan Joiner berbasis
korelasi.
Berikut Rumus Dasar Ryan Joiner Test:
r=

Y i bi
s 2 (n1) ( bi)2

dimana:
Yi adalah pengamatan yang ditentukan
bi = normal skor data
s2 = varians sampel
Hipotesis
H0 : x1, x2,......., xn adalah data dari populasi berdisribusi normal
H1 : x1, x2,......., xn adalah data dari populasi yang berdistribusi tidak normal.
Kriteria Pengujian :
Tolak H0 jika : r > dan sebaliknya terima H0 jika r <
Berikut contoh uji Ryan Joiner dengan menggunakan excel

Sampl
e

bi=(xi - )

Yi=(yi - )

Yibi=(xi - )(yi - )

(xi - )

(yi - )

72

0.02

1.28205

-0.48408

-0.620610191

1.643652

0.2343

68

0.04

-2.71795

-0.4586

1.246448408

7.387252

0.2103

68

0.07

-2.71795

-0.43312

1.177201274

7.387252

0.1876

75

0.09

4.28205

-0.40764

-1.745549045

18.33595

0.1662

70

0.12

-0.71795

-0.38217

0.274375796

0.515452

0.1461

70

0.14

-0.71795

-0.35669

0.256084076

0.515452

0.1272

71

0.17

0.28205

-0.33121

-0.093417834

0.079552

0.1097

70

0.19

-0.71795

-0.30573

0.219500637

0.515452

0.0935

75

0.22

4.28205

-0.28025

-1.200064968

18.33595

0.0785

10

75

0.25

4.28205

-0.25478

-1.090968153

18.33595

0.0649

11

72

0.27

1.28205

-0.2293

-0.293973248

1.643652

0.0526

12

66

0.3

-4.71795

-0.20382

0.961620382

22.25905

0.0415

13

75

0.32

4.28205

-0.17834

-0.763677707

18.33595

0.0318

14

69

0.35

-1.71795

-0.15287

0.262616561

2.951352

0.0234

15

72

0.37

1.28205

-0.12739

-0.163318471

1.643652

0.0162

16

69

0.4

-1.71795

-0.10191

0.175077707

2.951352

0.0104

17

68

0.42

-2.71795

-0.07643

0.207741401

7.387252

0.0058

18

68

0.45

-2.71795

-0.05096

0.138494268

7.387252

0.0026

19

72

0.47

1.28205

-0.02548

-0.032663694

1.643652

0.0006

20

66

0.5

-4.71795

22.25905

21

73

0.53

2.28205

0.025478

0.058141401

5.207752

0.0006

22

71

0.55

0.28205

0.050955

0.014371975

0.079552

0.0026

23

71

0.58

0.28205

0.076433

0.021557962

0.079552

0.0058

24

71

0.6

0.28205

0.101911

0.028743949

0.079552

0.0104

25

72

0.63

1.28205

0.127389

0.163318471

1.643652

0.0162

26

71

0.65

0.28205

0.152866

0.043115924

0.079552

0.0234

27

73

0.68

2.28205

0.178344

0.406989809

5.207752

0.0318

28

70

0.7

-0.71795

0.203822

-0.146333758

0.515452

0.0415

29

70

0.73

-0.71795

0.229299

-0.164625478

0.515452

0.0526

30

70

0.75

-0.71795

0.254777

-0.182917197

0.515452

0.0649

31

72

0.78

1.28205

0.280255

0.359300637

1.643652

0.0785

32

73

0.81

2.28205

0.305732

0.697696815

5.207752

0.0935

33

74

0.83

3.28205

0.33121

1.087048408

10.77185

0.1097

34

71

0.86

0.28205

0.356688

0.100603822

0.079552

0.1272

35

69

0.88

-1.71795

0.382166

-0.656541401

2.951352

0.1461

36

68

0.91

-2.71795

0.407643

-1.10795414

7.387252

0.1662

37

70

0.93

-0.71795

0.433121

-0.310959236

0.515452

0.1876

38

70

0.96

-0.71795

0.458599

-0.329250955

0.515452

0.2103

39

68

0.98

-2.71795

0.484076

-1.315695541

7.387252

0.2343

70.7179
5

0.5

-2.318471338

211.8974

3.2066

r = -0.09