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
ai
x ni+1
xi
(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
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
[
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
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
)
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 )
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
Oi
= Nilai observasi
Ei
pi
Ei= pi x N
Jika nilai
Jika nilai
X 2 hitung nilai
X 2 tabel.
tabel, maka Ho diterima
Keterangan:
x i = Batas bawah kelas ke-i
x = Rata-rata data
s
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
Jika nilai
Jika nilai
hitung nilai
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
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
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
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
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
F(
Zi
S(
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
Jika nilai
Jika nilai
|F ( Z i )S(Z i)|
|F ( Z i )S(Z i)|
|F ( Z i )S(Z i)|
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 :
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|
|F TF S|
Smirnov.
Jika nilai
|F TF S|
|F T F S|
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.
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
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
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.
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