Anda di halaman 1dari 9

Bagus Kurniadi

1309065003

UJI NORMALITAS

Definisi
Uji normalitas adalah mengukur perbandingan data empirik dengan data berdistribusi normal
teoritik yang memiliki mean dan standar deviasi yang sama dengan data empirik. Data
terdistribusi normal adalah salah satu syarat data parametrik sehingga data memiliki karakteristik
empirik yang mewakili populasi.

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.

Misalkan X adalah variabel acak, maka fungsi distribusi normal didefinisikan :

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

Dengan :
= nilai konstan, = 3,1416
e = bilangan konstan, e = 2,7183
= rata-rata distribusi
= simpangan baku
Sifat-sifat Penting Distribusi
Sifat-sifat penting distribusi antara lain :
a. Grafiknya selalu ada diatas sumbu datar x
b. Bentuknya simetrik terhadap x =
0,3989
c. Mempunyai satu modus, jadi kurva unimodal, terhadap x = sebesar

d. Grafiknya mendekati (berasimtut) sumbu datar x dimulai dari x = +3 ke kanan dan x =

3 ke kiri
e. Luar daerah grafik selalu sama dengan datu unit persegi

A. Uji Normalitas Chi-Kuadrat


2
Metode Chi-Square atau X untuk Uji Goodness of fit Distribusi Normal menggunakan

pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.
( OiEi )
x
2
= Ei

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

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


a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribus frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )

Signifikansi
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-Square).

a. Jika nilai X 2 hitung < nilai X 2 tabel, maka Ho diterima ; Ha ditolak.


2 2
b. Jika nilai X hitung > nilai X tabel, maka maka Ho ditolak ; Ha diterima.

Contoh:
Diambil Tinggi Badan Mahasiswa UNJ di tahun 2013
Tinggi Badan Jumlah
140-144 7
145-149 10
150-154 16
155-159 23
160-164 21
165-169 17
170-174 6
Jumlah 100

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
Nilai = level signifikansi = 5% = 0,05
3. Rumus Statistik penguji
( O iEi )
x2 = Ei
Luasan pi dihitung dari batasan proporsi hasil tranformasi Z yang dikonfirmasikan dengan tabel
distribusi normal atau tabel z.

4. Derajat Bebas
Df = ( k 3 ) = ( 5 3 ) = 2
5. Nilai tabel
Nilai tabel X2 ; = 0,05 ; df = 2 ; = 5,991. Baca selengkapnya tentang Tabel Chi-Square.
6. Daerah penolakan
Menggunakan gambar

Menggunakan rumus: |0,427 | < |5,991| ; Keputusan hipotesis: berarti Ho diterima, Ha ditolak
7. Kesimpulan : Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.

B. Uji Normalitas 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.
Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
F(x) = Probabilitas komulatif normal
S(x) = Probabilitas komulatif empiris

Pesyaratan
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.
a. Jika nilai | F (x) - S (x) | terbesar < nilai tabel Lilliefors, maka Ho diterima ; Ha ditolak.
b. 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.

C. 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.

Signifikansi
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. Derajat bebas
Df tidak diperlukan
4. Nilai tabel
Nilai Kuantil Penguji Kolmogorov, = 0,05 ; N = 27 ; yaitu 0,254. Tabel Kolmogorov Smirnov.
5. Daerah penolakan
Menggunakan rumus: | 0,1440 | < | 0,2540| ; berarti Ho diterima, Ha ditolak
6. Kesimpulan
Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.
D. Uji Normalitas Shapiro Wilk
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.

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.