Anda di halaman 1dari 17

Nama : Rima Anggraeni

Kelas/NIM : 3A/ 20114040

Tugas mata kuliah Statistik

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 Ho diterima ; Ha ditolak.
Jika nilai X2 hitung > nilai X2 tabel, maka maka Ho ditolak ; Ha 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
Nilai = level signifikansi = 5% = 0,05

3. Rumus Statistik penguji

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.

Uji Normalitas Data


Prosedur pengujian normalitas data :

1.Merumuskan formula hipotesis


Ho : Data berdistribusi normal
Ha : Data tidak berdistribusi normal
2. Menentukan taraf nyata (a)
Untuk mendapatkan nilai chi-square tabel

dk = k 3
dk = Derajat kebebasan
k = banyak kelas interval

3. Menentukan Nilai Uji Statistik

Keterangan :
Oi = frekuensi hasil pengamatan pada klasifikasi ke-i
Ei = Frekuensi yang diharapkan pada klasifikasi ke-i

4. Menentukan Kriteria Pengujian Hipotesis

5. Memberikan kesimpulan

Contoh :
Hasil pengumpulan data mahasiswa yang mendapat nilai ujian kalkulus I, yang diambil
secara acak sebanyak 64. Dicatat dalam daftar distribusi frekuensi. Hasilnya sebagai berikut :
Ujilah apakah data tersebut berdistribusi normal atau tidak dengan a = 0,05 ?

jawab :

1. Menentukan mean

2. Menentukan Simpangan baku

3. Membuat daftar distribusi frekuensi yang diharapkan


(2) Mencari nilai Z-score untuk batas kelas interval

(3) Mencari luas 0 Z dari tabel kurva normal

,dst untuk nilai Z-score lainnya


Catatan :
Tanda ( - ) menunjukkan luas Z pada sisi kiri
Tanda ( + ) menunjukkan luas Z pada sisi kanan

(4) Mencari luas tiap kelas interval

Yaitu angka baris pertama dikurangi baris kedua, angka baris kedua dikurangi baris ketiga,
dst. Kecuali untuk angka pada baris paling tengah ditambahkan dengan angka pada baris
berikutnya.
(5) Mencari frekuensi yang diharapkan (Ei)

Dengan cara mengalikan luas tiap interval dengan jumlah responden (n = 64)

Tabel frekuensi yang diharapkan dan pengamatan

4) Merumuskan formulasi hipotesis


Ho : Data berdistribusi normal
Ha : Data tidak berdistribusi normal

5) Menentukan taraf nyata dan chi-kuadrat tabel


6) Menentukan kriteria pengujian

7) Mencari Chi-kuadrat hitung

Kesimpulan

Karena chi-kuadrat hitung = 3,67 < 9,49 = chi-kuadrat, maka Ho gagal ditolak

Jadi, data tersebut berdistribusi normal untuk taraf nyata 5%


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
Normalitas pada SPSS

Kita akan melakukan pengujian pada 1 variabel dengan 100 sampel.

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, Centang Stem-and-Leaf, Histogram, Normality Plots With Tests.

Klik Continue

Klik OK

Lihat Output
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: