UJI NORMALITAS

Oleh :

ALFIAN NURWANTO PUTRA 1607531056

GINTAR GIMBARA 1607531073

I GUSTI AGUNG BRAWIJAYA 1607531079

IDA BAGUS GEDE WISWANTARA 1607531084

PUTU AGUS CAHYA WIRA PUTRA 1607531097

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS UDAYANA
2017
Pengertian Uji Normalitas

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran
data pada sebuah kelompok data atau variabel, apakah sebaran data tersebut berdistribusi
normal ataukah tidak.

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 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 Dalam Uji Normalitas

(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. Uji Chi-square seringkali digunakan oleh para peneliti sebagai alat uji normalitas.

Rumus Uji Normalitas dengan Chi-Square

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:

Tabel Pembantu Uji Normalitas

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)

Syarat Uji Chi-Square dalam Uji Normalitas

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 Uji Chi-Square dalam uji Normalitas

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.

Metode Kolmogorov Smirnov

Rumus Kolmogorov Smirnov

Rumus Kolmogorov Smirnov VS Rumus Lilliefors

Langkah-langkah penyelesaian dan penggunaan rumus sama, namun pada signifikansi

yang berbeda. Signifikansi metode Kolmogorov-Smirnov menggunakan tabel pembanding
yaitu Tabel Kolmogorov Smirnov, sedangkan metode Lilliefors menggunakan tabel
pembanding yaitu Tabel Lilliefors.

Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
FT = Probabilitas komulatif normal
FS = Probabilitas komulatif empiris.

Syarat Kolmogorov Smirnov

Persyaratan Uji Kolmogorov Smirnov adalah:

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 Kolmogorov Smirnov

Signifikansi Uji Kolmogorov Smirnov antara lain dijelaskan di bawah ini:

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 Kasus Rumus Kolmogorov Smirnov

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
 1. 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.

Rumus Lilliefors

Dalam bahasan ini, kita membahas tentang rumus 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 dibanding dengan tabel Lilliefors.

rumus 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

Syarat Uji Lilliefors

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 Uji Lilliefors

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 Uji Lilliefors

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 Rumus Lilliefors

Hipotesis Lilliefors:

Ho : Populasi nilai ujian statistik berdistribusi normal

H1 : Populasi nilai ujian statistik tidak berdistribusi normal

Nilai Kritis Lillifors:

Nilai = level signifikansi = 5% = 0,05

Statistik Pengujian:

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

Derajat Bebas
Df tidak diperlukan

Nilai Tabel Lilliefors atau Tabel Lilliefors

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

Daerah penolakan lilliefors

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

Kesimpulan: Populasi nilai ujian statistik berdistribusi normal.

Metode Saphiro Wilk

Uji Shapiro Wilk adalah sebuah metode atau rumus perhitungan sebaran data yang dibuat
oleh shapiro dan wilk. Metode shapiro wilk adalah metode uji normalitas yang efektif dan valid
digunakan untuk sampel berjumlah kecil. Dalam penerapannya, para peneliti dapat
menggunakan aplikasi statistik antara lain: SPSS dan STATA.

Metode Uji 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. Begitulah kira-kira cara memahami metode dalam perhitungan Uji Shapiro. Namun
dalam artikel ini akan kami coba jelaskan secara rinci dan bertahap. Mari kita mulai tutorial
rumus shapiro wilk.

Rumus Uji Shapiro Wilk

Di bawah ini adalah rumus dari perhitungan uji shapiro wilk. harap para pembaca perhatikan
baik-baik dan secara seksama.
uji shapiro wilk

Keterangan Rumus Shapiro Wilk

D = Berdasarkan rumus di bawaha = Coeffisient 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

Syarat Uji Shapiro Wilk

Syarat dari uji shapiro w adalah sebagai berikut:

a. Data berskala interval atau ratio (kuantitatif)

b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi

c. Data dari sampel random

Cara Baca Hasil Uji Shapiro Wilk

Cara baca hasil perhitungan uji shapiro wilk adalah dengan melihat nilai shapiro wilk
hitung dan tingkat Signifikansinya. Dalam hasil uji SPSS, nilai shapiro hitung ditunjukkan
dengan nilai VALUE, sedangkan signifikansinya ditunjukkan dengan nilai Sig.

Signifikansi

Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T3

dibandingkan dengan nilai tabel Shapiro W, 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 Uji Shapiro Wilk

Berikut dibawah ini adalah contoh penerapan rumus shapiro:

Data Shapiro Wilk

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

Cara membaca atau penyelesaiannya adalah:

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:

Rumus T Shapiro W

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

Shapiro W Tabel dan Kesimpulan

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 :
Rumus G

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.

Uji Normalitas Dengan SPSS

Uji Normalitas adalah uji statistik yang dilakukan untuk mengetahui bagaimana sebaran
sebuah data. Cara uji normalitas dengan SPSS dapat dilakukan dengan uji shapiro wilk atau
lilliefors serta kolmogorov smirnov. Selain itu juga bisa dengan metode grafik. Dimana semua
uji normalitas dengan SPSS di dalam bahasan ini akan kami kupas satu per satu dan coba
membuatkan tutorialnya agar anda mudah memahaminya. Jadi jangan kemana-mana ya sob.

Dan kalau nantinya artikel ini sangat bermanfaat, jangan lupa sebarkan kepada teman
yang lainnya. Terima kasih sebelumnya.

Shapiro Wilk dan Lilliefors dalam Uji Normalitas dengan SPSS

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.

Uji Normalitas dengan SPSS ini, dimana pada tutorial ini kita akan melakukan uji
normalitas dengan SPSS pada 1 variabel dengan 100 sampel. Untuk mempermudah tutorial,
silahkan anda download file kerja SPSS tutorial ini: Data Normalitas.sav.

Tutorial Uji Normalitas dengan SPSS

 Silahkan isi dataset SPSS anda seperti contoh yang sudah anda download. Kalaupun tidak
download, anda bisa isi sembarang angka pada satu variabel yang akan diuji normalitas dengan
SPSS. 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.

Uji Normalitas dengan SPSS

Pada Display centang Both. Artinya anda akan melihat nilai statistics dan plot uji normalitas
termasuk juga hasil uji shapiro wilk dan lilliefors. Selanjutnya ambil nafas dulu sobat, agar
tidak tegang. Selanjutnya perhatikan lagi langkah di bawah ini.

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

Plot Uji Normalitas dengan SPSS

Klik tombol Continue dan selanjutnya Klik OK.

Lihat Output anda dan apabila dalam output view anda tampil beberapa tabel dan beberapa
gambar atau diagram, berarti langkah yang anda lakukan sudah benar. Maka sobat bisa bernafas
lega. Karena tugas berikutnya adalah tinggal membaca hasil uji normalitas dengan SPSS dalam
tutorial ini.

Agar lebih meyakinkan pembaca, silahkan bandingkan output anda dengan yang sudah penulis
buatkan. Dan untuk mempermudah anda membandingkannya, silahkan download file output
tutorial ini di: Output Normalitas.

Interprestasi Output Uji Normalitas dengan SPSS

Saatnya kita belajar cara baca uji normalitas dengan SPSS yang kiranya akan mudah anda
pahami jika telah mengikuti langkah demi langkah tahapan di atas. Perhatikan tabel di bawah
ini ya.

Tabel Uji Normalitas dengan SPSS

Seperti yang kami janjikan, ada 2 uji yaitu shapiro wilk dan lilliefors. Berikut kami jelaskan
satu persatu.
Shapiro Wilk

Untuk menentukan apakah data anda berdistribusi normal menggunakan shapiro wilk, maka
pada SPSS cukup anda lihat nilai Sig. pada kolom Shapiro-Wilk. Nilai sig itu berarti
signifikansi atau boleh disebut p value atau nilai probabilitas. Pada contoh di atas nilainya
sebesar 0,710 lebih dari 0,05, maka dapat dikatakan data berdistribusi Normal atau yang berarti
menerima H0.
Lilliefors

Hampir sama dengan shapiro wilk di atas, cara interprestasinya adalah dengan melihat nilai
Sig. pada kolom Kolmogorov-Smirnova. Pada contoh di atas nilainya 0,200 lebih dari 0,05,
maka data berdistribusi Normal atau yang berarti menerima H0.

Sejauh ini apakah mudah sobat? semoga sobat bisa memahami sejauh ini. Dan untuk
memperkuat kesimpulan di atas, di bawah ini kita bisa menggunakan beberapa diagram uji
normalitas dengan SPSS, yaitu antara lain: histogram, stem leaf, normal QQ plot, Detrend QQ
Plot dan Box Plot. Akan kami jelaskan satu persatu juga ya.

Kemudian bagaiaman cara uji normalitas dengan SPSS metode kolmogorov smirnov? jangan
khawatir, kami juga telah membahasnya di artikel kami yang lain, yaitu: Uji Normalitas
Kolmogorov Smirnov.

Histogram

Histogram Normalitas dengan SPSS

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

Normal QQ Plots
Normal QQ Normalitas dengan SPSS

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

Detrend QQ Plots

Detrend Normal QQ Normalitas dengan SPSS

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

Stem Leaf Normalitas dengan SPSS

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

Box Plot Normalitas dengan SPSS

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.

Contoh Diagram Distribusi Normal

Agar anda nantinya pada saat penelitian mudah mengenali atau mudah membuat kesimpulan
sebaran data berdasarkan grafik dengan SPSS, maka disini kami buatkan contoh diagram yang
menunjukkan distribusi tidak normal, lihat di bawah ini ya:

Histogram dengan Distribusi Data Tidak Normal

Normal QQ dan Detrend QQ dengan Distribusi Data Tidak Normal

Box Plot dengan Distribusi Data Tidak Normal

Stem Leaf dengan Distribusi Data Tidak Normal

Deteksi Outlier Untuk Mengatasi Masalah Normalitas

Tambahan lagi ya para sobat statistikian, bahwa grafik-grafik di atas, selain berguna
untuk uji normalitas dengan SPSS, juga berguna untuk mendeteksi adanya outlier. Artinya
apabila ada batang pada histogram yang melenceng jauh dari kelompoknya maka terdaat
outlier. Begitu juga dengan grafik lainnya, jika ada plot yang jauh sekali dengan temannya,
maka dapat diperkirakan adanya outlier.

Dan untuk melihat sampel mana atau angka berapa yang menjadi outlier, silahkan pada
grafik yang anda gunakan, anda klik lalu silahkan menuju menu SPSS output anda, pilih tombol
Show Data. Kemudian lihat grafik tersebut, pada plot atau batang histogram akan terlihat
angka atau kode yang menunjukkan ID sampel. Pada ID yang jauh letaknya dengan
kelomponya, maka ID tersebutlah yang kiranya menjadi outlier.