Uji Normalitas

Uji normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi
normal atau diambil dari populasi normal. 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. uji statistik normalitas yang
dapat digunakan diantaranya Chi-Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, Jarque
Bera.

Metode Chi Square (Uji Goodness Of Fit Distribusi Normal)

Metode Chi-Square atau X2 untuk Uji Goodness of fit Distribusi Normal menggunakan
pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.

Keterangan :
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected/harapan, luasan interval kelas berdasarkan tabel normal dikalikan N (total
frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)

Komponen penyusun rumus tersebut di atas didapatkan berdasarkan pada hasil transformasi data
distribusi frekuensi yang akan diuji normalitasnya, sebagai berikut:

Keterangan :
Xi = Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval kelas ke notasi pada distribusi normal
pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N (total
frekuensi) (pi x N)

Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal):

a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.

Signifikansi:
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-Square).
Jika nilai X2 hitung < nilai X2 tabel, maka H0 diterima ; H1 ditolak.
Jika nilai X2 hitung > nilai X2 tabel, maka maka H0 ditolak ; H1 diterima.
Contoh:
Diambil Tinggi Badan Mahasiswa Di Suatu Perguruan Tinggi Tahun 2010

Selidikilah dengan = 5%, apakah data tersebut di atas

berdistribusi normal? (Mean = 157.8; Standar deviasi = 8.09)
Penyelesaian :
1. Hipotesis :

Ho : Populasi tinggi badan mahasiswa berdistribusi normal

H1 : Populasi tinggi badan mahasiswa tidak berdistribusi normal

2.

Nilai

3.

Nilai = level signifikansi = 5% = 0,05

Rumus

Statistik

penguji

Luasan pi dihitung dari batasan proporsi hasil tranformasi Z yang dikonfirmasikan dengan tabel
distribusi normal atautabel z.

4.

Bebas

Nilai

tabel

Df = ( k 3 ) = ( 5 3 ) = 2

5.

Derajat

Nilai tabel X2 ; = 0,05 ; df = 2 ; = 5,991. Baca selengkapnya tentang Tabel Chi-Square.

6.

Daerah

Menggunakan gambar

penolakan

Menggunakan rumus: |0,427 | < |5,991| ; Keputusan hipotesis: berarti Ho diterima, Ha

ditolak

7. Kesimpulan: Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.

Untuk Metode yang lain, yaitu Liliefors, Kolmogorov Smirnov dan Saphiro Wilk akan
dibahas dalam artikel lainnya.
Untuk

Pengujian

Normalitas

dalam

SPSS,

Baca: Normalitas

Pada

SPSS.

Baca Juga Tentang: Uji Homogenitas.

Normalitas pada SPSS

Kita telah mempelajari berbagai jenis uji normalitas pada artikel-artikel sebelumnya, antara lain:
Uji

Normalitas

(Chi-Square

Goodness

of

Fit

Rumus

Normalitas)
Kolmogorov

Rumus

Shapiro

Wilk

Rumus
Kolmogorov

Test

Lilliefors
Smirnov

dalam

SPSS

Kolmogorov

dalam

Lilliefors

Excel

dalam

Excel

Beberapa artikel di atas kiranya telah cukup untuk memenuhi kebutuhan dalam menyelesaikan
penelitian anda, tapi tidak ada salahnya jika kita lebih dalam mempelajari tentang berbagai uji
normalitas, termasuk uji normalitas dalam beberapa aplikasi atau software statistik, seperti SPSS,
Stata dan Minitab.
Dalam artikel kali ini, kita akan membahas 2 uji normalitas yang sangat sering dipakai oleh
peneliti selain uji kolmogorov smirnov. Uji kolmogorov smirnov memanglah uji yang paling
populer, tapi sebenarnya uji tersebut mempunyai sedikit kelemahan, yaitu reliable atau handal
pada pengujian dengan sampel besar > 200.
Bagaimana jika sampel kurang dari itu? dalam SPSS kita bisa menggunakan Shapiro Wilk dan
Lilliefors (Adaptasi Kolmogorov Smirnov).
Bagaimana

cara

melakukan

uji

tersebut

dengan

SPSS?

Kita

bisa

menggunakan

fungsi EXPLORE.
Baiklah, mari kita mulai tutorial tentang Uji Normalitas Pada SPSS:
Kita akan melakukan pengujian pada 1 variabel dengan 100 sampel.
Untuk mempermudah tutorial, silahkan anda download file kerja SPSS tutorial ini:
Data

Normalitas.sav

Setelah data terisi pada variabel, pada Menu, Klik Analyze, Descriptive Statistics, Explore.

Masukkan variabel ke dalam dependen list (Catatan: Apabila dalam variabel anda terdapat 2
kelompok, misal kelompok A dan B, anda dapat melakukan uji normalitas pada masing-masing
kelompok dengan cara memasukkan variabel yang menjadi Grouping (A dan B atau 1 dan 2) ke
kotak Factor List.

Pada Display centang Both.

Klik

tombol Plots,

Klik Continue
Klik OK
Lihat Output

Centang Stem-and-Leaf,

Histogram,

Normality

Plots

With

Tests.

Untuk

mempermudah

anda,

download

Output

file

output

tutorial

ini:

Normalitas

Interprestasi Output Uji Normalitas SPSS

Shapiro Wilk
Lihat nilai Sig. pada kolom Shapiro-Wilk. Pada contoh di atas nilainya 0,710 lebih dari 0,05,
maka data berdistribusi Normal.
Lilliefors
Lihat nilai Sig. pada kolom Kolmogorov-Smirnova. Pada contoh di atas nilainya 0,200 lebih dari
0,05, maka data berdistribusi Normal.
Untuk memperkuat kesimpulan di atas, di bawah ini kita bisa menggunakan beberapa diagram.
Histogram

Contoh di atas, membentuk kurve normal dan sebagian besar bar/batang berada di bawah kurve,
maka variabel berdistribusi normal.
Normal QQ Plots

Contoh di atas, plot-plot mengikuti garis fit line, maka variabel berdistribusi normal.
Detrend QQ Plots

Contoh di atas, plot-plot tersebar merata di atas dan di bawah garis horizontal, serta garis
horizontal tepat berada ditengah diagram, maka variabel berdistribusi normal.
Stem-Leaf

Contoh di atas, angka-angka membentuk kurve normal miring ke arah kanan, maka variabel
berdistribusi normal.
Box-Plot

Contoh di atas, box berada ditengah dengan kedua kaki yang sama panjang, garis horizontal
berada ditengah box dan tidak terdapat plot-plot di atas atau di bawah box, maka variabel
berdistribusi normal.
Untuk contoh diagram yang menunjukkan distribusi tidak normal, lihat di bawah ini:

Artikel Selanjutnya: Normalitas Pada Minitab.

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.

Keterangan :

Xi = Angka pada data

Z = Transformasi dari angka ke notasi pada distribusi normal
FT = Probabilitas komulatif normal
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 |FT FS| terbesar dibandingkan dengan nilai tabel Kolmogorov Smirnov.
Jika nilai |FT FS| terbesar <nilai tabel Kolmogorov Smirnov, maka Ho diterima ; Ha ditolak.
Jika nilai |FT FS| terbesar > nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; Ha diterima.

Contoh :
Suatu penelitian tentang berat badan mahasiswa yang mengijkuti 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 :
1. Hipotesis

Ho : Populasi berat badan mahasiswa berdistribusi normal

H1 : Populasi berat badan mahasiswa tidak berdistribusi normal

2. Nilai

Nilai = level signifikansi = 5% = 0,05

3. Statistik Penguji

4. Derajat bebas

Df tidak diperlukan

5. Nilai tabel

Nilai Kuantil Penguji Kolmogorov, = 0,05 ; N = 27 ; yaitu 0,254. Tabel Kolmogorov

Smirnov.

6. Daerah penolakan

Menggunakan rumus: | 0,1440 | < | 0,2540| ; berarti Ho diterima, Ha ditolak

7. Kesimpulan

Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.

Untuk penerapan Rumus kolmogorov, Baca Artikel kami yang berjudul:

Uji Normalitas dengan Kolmogorov Smirnov

Normalitas Excel

Untuk Metode yang lain, yaitu Chi-Square, Liliefors, dan Saphiro Wilk akan dibahas
dalam artikel lainnya.
Untuk Pengujian Normalitas dalam SPSS, Baca: Normalitas Pada SPSS

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.

Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
FT = Probabilitas komulatif normal
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 |FT FS| terbesar dibandingkan dengan nilai tabel Kolmogorov Smirnov.
Jika nilai |FT FS| terbesar <nilai tabel Kolmogorov Smirnov, maka Ho diterima ; Ha ditolak.

Jika nilai |FT FS| terbesar > nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; Ha diterima.

Contoh :
Suatu penelitian tentang berat badan mahasiswa yang mengijkuti 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 :
1. Hipotesis

Ho : Populasi berat badan mahasiswa berdistribusi normal

H1 : Populasi berat badan mahasiswa tidak berdistribusi normal

2. Nilai

Nilai = level signifikansi = 5% = 0,05

3. Statistik Penguji

4. Derajat bebas

Df tidak diperlukan

5. Nilai tabel

Nilai Kuantil Penguji Kolmogorov, = 0,05 ; N = 27 ; yaitu 0,254. Tabel Kolmogorov

Smirnov.

6. Daerah penolakan

Menggunakan rumus: | 0,1440 | < | 0,2540| ; berarti Ho diterima, Ha ditolak

7. Kesimpulan

Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.

Untuk penerapan Rumus kolmogorov, Baca Artikel kami yang berjudul:

Uji Normalitas dengan Kolmogorov Smirnov

Normalitas Excel

Untuk Metode yang lain, yaitu Chi-Square, Liliefors, dan Saphiro Wilk akan dibahas
dalam artikel lainnya.
Untuk Pengujian Normalitas dalam SPSS, Baca: Normalitas Pada SPSS

Uji Normalitas dengan Kolmogorov Smirnov

Banyak sekali teknik pengujian normalitas suatu distribusi data yang telah dikembangkan oleh
para ahli. Kita sebenarnya sangat beruntung karena tidak perlu mencari-cari cara untuk menguji
normalitas, dan bahkan saat ini sudah tersedia banyak sekali alat bantu berupa program statistik

yang tinggal pakai. Berikut adalah salah satu pengujian normalitas dengan menggunakan
teknik Kolmogorov Smirnov.
Uji Kolmogorov Smirnov adalah pengujian normalitas yang banyak dipakai, terutama setelah
adanya banyak program statistik yang beredar. 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 ZScore 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.ya berarti data yang kita uji
normal, kan 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.
Uji Normalitas dengan Kolmogorov Smirnov dengan Program SPSS
Pengujian normalitas dengan menggunakan Program SPSS dilakukan dengan menu Analyze,
kemudian klik padaNonparametric Test, lalu klik Legacy Dialogs, Klik 1-Sample K-S. K-S itu

singkatan dari Kolmogorov-Smirnov. Maka akan muncul kotak One-Sample KolmogorovSmirnov

Test.

Normalitas Kolmogorov SPSS

Data yang akan diuji terletak di kiri dan pindahkan ke kanan dengan tanda panah.
Centang Normal pada Test
Lalu

Distribution.
tekan OK saja.

Pada output, lihat pada baris paling bawah dan paling kanan yang berisi Asymp.Sig.(2-tailed).

Output Normalitas Kolmogorov SPSS

Lalu intepretasinya adalah bahwa jika nilainya di atas 0,05 maka distribusi data dinyatakan
memenuhi asumsi normalitas, dan jika nilainya di bawah 0,05 maka diinterpretasikan sebagai
tidak

normal.

Untuk Uji Kolmogorov Smirnov dengan Excel, Baca Artikel kami yang berjudul "Normalitas
Excel".
Baca

Juga

Tentang:

"Uji

Homogenitas".

Untuk Pengujian Normalitas Metode Lilliefors dan Shapiro-Wilk Serta Metode Grafik dalam
SPSS,

Baca: Normalitas

Pada

SPSS.

Untuk Pengujian Normalitas Metode Anderson-Darling, Ryan-Joiner dan Kolmogorov-Smirnov

dalam Aplikasi Minitab, Baca: Normalitas Pada Minitab.

Metode Saphiro Wilk

Artikel ini kelanjutan dari artikel sebelumnya "Uji Normalitas"

Metode 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.

Keterangan :
D = Berdasarkan rumus di bawaha = Koefisient test Shapiro Wilk
X n-i+1 = Angka ke n i + 1 pada data
X i = Angka ke i pada data

Keterangan :
Xi = Angka ke i pada data yang
X = Rata-rata data

Keterangan :
G = Identik dengan nilai Z distribusi normal
T3 = Berdasarkan rumus di atas bn, cn, dn = Konversi Statistik Shapiro-Wilk Pendekatan
Distribusi Normal
PERSYARATAN
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Data dari sampel random

SIGNIFIKANSI
Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T3 dibandingkan
dengan nilai tabel Shapiro Wilk, untuk dilihat posisi nilai probabilitasnya (p).
Jika nilai p > 5%, maka Ho diterima ; Ha ditolak.

Jika nilai p < 5%, maka Ho ditolak ; Ha diterima.

Contoh :
Berdasarkan data usia sebagian balita yang diambil sampel secara random dari posyandu Mekar
Sari Wetan sebanyak 24 balita, didapatkan data sebagai berikut : 58, 36, 24, 23, 19, 36, 58, 34,
33, 56, 33, 26, 46, 41, 40, 37, 36, 35, 18, 55, 48, 32, 30 27 bulan. Selidikilah data usia balita
tersebut, apakah data tersebut diambil dari populasi yang berdistribusi normal pada = 5% ?
Penyelesaian :
1. Hipotesis

Ho : Populasi usia balita berdistribusi normal

H1 : Populasi usia balita tidak berdistribusi normal

2. Nilai

Nilai = level signifikansi = 5% = 0,05

3. Rumus statistik penguji

Langkah pertama dihitung nilai D, yaitu:

Langkah berikutnya hitung nilai T, yaitu:

4. Derajat bebas

Db = n

5. Nilai tabel

Pada tabel Saphiro Wilk dapat dilihat, nilai (0,10) = 0,930 ; nilai (0,50) = 0,963

6. Daerah penolakan

Nilai T3 terletak diantara 0,930 dan 0,963, atau nilai p hitung terletak diantara 0,10 dan
0,50, yang diatas nilai (0,05) berarti Ho diterima, Ha ditolak

Buka Shapiro Wilk Tabel

7. Kesimpulan

Sampel diambil dari populasi normal, pada = 0,05. Cara lain setelah nilai T3 diketahui
dapat menggunakan rumus G, yaitu :

Hasil nilai G merupakan nilai Z pada distribusi normal, yang selanjutnya dicari nilai proporsi (p)
luasan pada tabel distribusi normal (lampiran). Berdasarkan nilai G = -1,2617, maka nilai
proporsi luasan = 0,1038. Nilai p tersebut di atas nilai = 0,05 berarti Ho diterima Ha ditolak.
Data benar-benar diambil dari populasi normal.

Untuk Metode yang lain, yaitu Chi-Square, Liliefors, dan Kolmogorov Smirnov akan
dibahas dalam artikel lainnya.
Untuk Pengujian Normalitas dalam SPSS, Baca: Normalitas Pada SPSS

Rumus Lilliefors
Artikel kali ini merupakan lanjutan dari artikel sebelumnya yang berjudul "Uji Normalitas".
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 dibanding dengan tabel Lilliefors.

Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
F(x) = Probabilitas komulatif normal
S(x) = 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 | F (x) - S (x) | terbesar dibandingkan dengan nilai tabel Lilliefors.

Jika nilai | F (x) - S (x) | terbesar < nilai tabel Lilliefors, maka Ho diterima ; Ha ditolak.
Jika nilai | F(x) - S(x) | terbesar > dari nilai tabel Lilliefors, maka Ho ditolak ; Ha diterima.
Contoh :
Berdasarkan data ujian statistik dari 18 mahasiswa didapatkan data sebagai berikut ; 46, 57, 52,
63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69, 61, 65, 68. Selidikilah dengan = 5%, apakah data
tersebut di atas diambil dari populasi yang berdistribusi normal ?
Penyelesaian :

1. Hipotesis

Ho : Populasi nilai ujian statistik berdistribusi normal

H1 : Populasi nilai ujian statistik tidak berdistribusi normal

2. Nilai
Nilai = level signifikansi = 5% = 0,05
3. Statistik Penguji

Nilai | F(x) - S(x) | tertinggi sebagai angka penguji normalitas, yaitu 0,1469.

4. Derajat Bebas
Df tidak diperlukan

5. Nilai tabel
Nilai Kuantil Penguji Lilliefors, = 0,05 ; N = 18 yaitu 0,2000. Tabel Lilliefors pada lampiran
6.

Daerah

penolakan

Menggunakan rumus | 0,1469 | < | 0,2000| ; berarti Ho diterima, Ha ditolak

7. Kesimpulan: Populasi nilai ujian statistik berdistribusi normal.

Penerapan Rumus Lilliefors di atas dalam MS Excel 2007 atau diatasnya, dapat anda pelajari
pada

artikel

kami

yang

berjudul:

"Lilliefors

Excel".

Untuk Metode chi-square telah dibahas dalam artikel sebelumnya: "Uji Normalitas".

Untuk Metode yang lain, Kolmogorov Smirnov dan Saphiro Wilk akan dibahas dalam artikel
lainnya.
Untuk Pengujian Normalitas dalam SPSS, Baca: Normalitas Pada SPSS.