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.
Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi
normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial).
Suatu data bila disajikan dalam bentuk kurva halus dapat berbentuk kurva yang miring
ke kanan, miring ke kiri atau simetris. Miring ke kanan bila kurva mempunyai
ekor (asymtut / menyinggung sumbu X) yang memanjang ke sebelah kanan,
demikian miring ke kiri sebaliknya, sedangkan bila simetris berarti kondisi ke kanan
dan kiri seimbang, biasanya nilai mean, median dan modus berdekatan bahkan kadang
sama. Kondisi kurva yang simetris tersebut sering disebut membentuk kurva distribusi
normal. Kemiringan kurva dapat dihitung berdasarkan rumus Koefisien Kemiringan
Pearson, yaitu :
Bila hasil kemiringan negatif, maka kurva miring ke kiri, bila hasil kemiringan positif,
Maka kurva miring ke kanan, sedangkan pada hasil kemiringan nol, maka kurva
normal. Pada kurva normal biasanya data cenderung berdistribusi norma. Secara visual
gambar sebagai berikut:
MIRING KEKANAN MIRING KEKIRI SIMETRIS
PENYELESAIAN:
Nilai kemiringan 0,44 atau 0,29, berarti miring ke kanan, tidak simetris.
Rumus lainnya yang dapat digunakan untuk membutikan kenormalan data, yaitu
Koefisien Kurtosis Persentil, sebagai berikut :
Keterangan : κ = kappa (Koefisien Kurtosis Persentil)
SK = rentang semi antar kuartil
P = persentil
K = kuartil
Bila nilai Koefisien Kurtosis Persentil mendekati 0,263, maka dapat disimpulkan
data berdistribusi normal. Berdasarkan kurva normal, untuk membuktikan data
Berdistribusi normal atau tidak, dapat dihitung berdasarkan rumus Koefisien Kurtosis,
yaitu:
Keterangan
: mr = moment ke r = 1 , 2, 3, dst
: Xi = data ke i = 1, 2, 3, dst, (titik tengah interval kelas)
: n = banyaknya angka pada data
: X = rata-rata
: fi = frekuensi
Bila nilai a4 sama dengan 3, maka data berdistribusi normal, bila a4 kurang dari
3, maka bentuk kurva normal platikurtik, bila nilai a4 lebih besar dari 3, maka
bentuk kurva leptokurtic. Secara visual gambar sebagai berikut: