A.

UJI NORMALITAS
Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel berasal
dari populasi yang berdistribusi normal. Ada beberapa teknik yang dapat digunakan
untuk menguji normalitas data, antara lain:
1. Dengan Uji Chi-Kuadrat (c 2 )
2. Uji Normalitas Dengan Uji Liliefors
3. Uji Normalitas dengan Teknik Kolmogorov-Smirnov
4. Uji Normalitas Data dengan SPSS
Berikut ini akan dijelaskan satu persatu:
1. Dengan Uji Chi-Kuadrat
Uji normalitas data dengan teknik chi-kuadrat digunakan untuk menguji normalitas
data yang disajikan secara kelompok. Rumus yang digunakan adalah sebagai berikut.

dimana Oi = fi adalah frekwensi absolut / pengamatan, dan Ei = (∑ fi ).Zi. Sedangkan Zi

adalah luas daerah dibawah kurva normal untuk kelas interval ke-i, sehingga daerah
tersebut dibatasi oleh angka baku z untuk tepi atas dan tepi bawah kelas interval tersebut.
Kriteria kenormalannya adalah jika χ2hitung < χ 2tabel maka data tersebut berdistribusi
normal. Nilai χ 2tabel adalah nilai χ 2 untuk taraf nyata ( α ) = 5% dan derajat kepercayaan
(dk) = k – 3 dimana k adalah banyaknya kelas interval. (Lihat di buku Metode Statistika,
Sudjana, hal. 291)

2. Dengan Uji Lilliefors

Digunakan metode Liliefors, dengan ketentuan jika nilai Lhitung ≠ Ltabel maka data
berasal dari populasi normal. Nilai Ltabel diperoleh dari tabel Uji Liliefors, misal untuk
taraf nyata 5 % dan jumlah data lebih dari 30 responden maka nilai Ltabel adalah :

(Lihat di buku Metode Statistika, Sudjana, hal. 467)

1
Sedangkan Lhitung adalah harga terbesar dari |F(Zi) – S(Zi)|, dimana Zi dihitung dengan

rumus angka normal baku :

x= rata-rata;
s = simpangan baku. Nilai F(Zi) adalah luas daerah di bawah normal untuk Z yang lebih
kecil dari Zi. Sedangkan nilai S(Zi) adalah banyaknya angka Z yang lebih kecil atau sama
dengan Zi dibagi oleh banyaknya data (n).

3. Uji Kolmogorov-smirnov
Uji Kolmogorov-Smirnov (Chakravart, Laha, dan Roy, 1967) biasa digunakan untuk
memutuskan jika sampel berasal dari populasi dengan distribusi spesifik/tertentu.
Uji Kolmogorov-Smirnov digunakan untuk menguji ‘goodness of fit‘ antar distribusi
sampel dan distribusi lainnya, Uji ini membandingkan serangkaian data pada sampel
terhadap distribusi normal serangkaian nilai dengan mean dan standar deviasi yang sama.
Singkatnya uji ini dilakukan untuk mengetahui kenormalan distribusi beberapa data. Uji
Kolmogorov-Smirnov merupakan uji yang lebih kuat daripada uji chi-square ketika
asumsi-asumsinya terpenuhi. Uji Kolmogorov-Smirnov juga tidak memerlukan asumsi
bahwa populasi terdistribusi secara normal.
Hipotesis pada uji Kolmogorov-Smirnov adalah sebagai berikut:
H0 : data mengikuti distribusi yang ditetapkan
Ha : data tidak mengikuti distribusi yang ditetapkan
Keunggulan Uji Kolmogorov-Smirnov dibanding Uji Chi Square:
1. CS memerlukan data yang terkelompokkan, KS tidak memerlukannya.
2. CS tidak bisa untuk sampel kecil, sementara KS bisa.
3. Oleh karena data Chi Square adalah bersifat kategorik. Maka ada data yang terbuang
maknanya.
4. KS lebih fleksibel dibanding CS.

4. Dengan SPSS

Ilustrasi:
Jika kita ingin melihat apakah distribusi data harga kakao pasar spot Makassar dengan
bursa berjangka NYBOT menyebar normal. Data yang diberikan adalah dalam US$/ton
sebagai berikut:

2
MAKASSAR NYBOT
1676 1255
1610 1197
1567 2317
1529 1995
1581 1641
1703 1670
1702 1254
1814 1384
1924 1429
1977 1541
2004 1517
2016 1550
2152 1693
1901 1616
1938 1477
1915 1445
1967 1641
2113 1670
2216 1683
Sumber: FAO (2007)
Uji Kolmogorov-Smirnov terhadap kenormalan data dengan SPSS adalah sebagai
berikut:
1. Setelah data dimasukkan ke dalam worksheet SPSS, Pilih Analyze – Non Parametric
test – 1 sample K-S, seperti berikut:

3
2. Masukkan sampel yang akan diuji ke dalam box text variable list (satu sampel atau
semua sampel), kemudian pada Test Distribution pilih Normal. Kemudian klik OK:

3. Output:
One-Sample Kolmogorov-Smirnov Test

MAKASSAR NYBOT

N 19 19

Normal Mean 1858.1579 1577.6316

4
 Parametersa,,b Std. 208.48348 260.19591
Deviation
Most Absolute .160 .223
Extreme Positive .140 .223
Differences Negative -.160 -.073

Kolmogorov-Smirnov Z .699 .974

Asymp. Sig. (2-tailed) .713 .299

a. Test distribution is Normal.

b. Calculated from data.
4. Interpretasi:
Nilai Most Extreme Differences Absolute diatas merupakan nilai statistik D pada uji K-S,
nilai D pada uji terhadap masing-masing variabel diatas adalah 0,160 dan 0,223, artinya
(p>0,05), maka cukup bukti untuk menerima H0, dimana data terdistribusi secara normal.
Nilai Z pada uji ini juga dapat dilihat dan paling sering digunakan sebagai indikator,
dimana nilainya berturut-turut untuk Makassar dan NYBOT adalah 0,699 dan 0,974,
berarti p>0,05, maka H0 dapat diterima bahwa data terdistribusi secara normal

B. UJI HOMOGENITAS
Uji Homogenitas Pada Uji Perbedaan
Uji homogenitas digunakan untuk mengetahui apakah beberapa varian populasi adalah
sama atau tidak. Uji ini dilakukan sebagai prasyarat dalam analisis independent sample t test
dan ANOVA. Asumsi yang mendasari dalam analisis varian (ANOVA) adalah bahwa varian
dari populasi adalah sama. Sebagai kriteria pengujian, jika nilai signifikansi lebih dari 0,05
maka dapat dikatakan bahwa varian dari dua atau lebih kelompok data adalah sama
Uji homogenitas dengan dua varians
1. Pengujian hipotesis dua varians dilakukan untuk mengetahui varians dua populasi
sama
(homogen) atau tidak (heterogen).
S1 dan S2 merupakan penduga 𝜎12 𝑑𝑎𝑛 𝜎22
Rumus varians :
∑ 𝑥12 (∑ 𝑥𝑖 )2
𝑆12 = −
𝑛1 − 1 𝑛1 (𝑛1 − 1)
∑ 𝑥12 (∑ 𝑥𝑖 )2
𝑆22 = −
𝑛2 − 1 𝑛2 (𝑛2 − 1)
S12 adalah varians dari sampel 1 dengan n1 individu
S22 adalah varians dari sampel 2 dengan n2 individu

5
 Untuk menentukan apakah suatu data itu homogen atau tidak yang perlu kita perhatikan
dalam penggunaan rumus diatas adalah :
𝒗𝒂𝒓𝒊𝒂𝒏𝒔 𝒕𝒆𝒓𝒃𝒆𝒔𝒂𝒓
F ( max ) = 𝒗𝒂𝒓𝒊𝒂𝒏𝒔 𝒕𝒆𝒓𝒌𝒆𝒄𝒊𝒍

Contoh : misalkan kita memiliki tiga kelompok data skor-skor ujian statistik dari kelas
A,B.dan C. skor-skor tersebut dimasukkan dan diolah dengan menggunakan table untuk
menentukan rasio Fmax

Table kerja untuk menghitung Fmax

A B C
2 2
X X x X x X2
63 3969 43 1849 53 2809
47 2209 28 784 61 3721
67 4489 31 961 41 1681
81 6561 37 1369 43 1849
258 17228 139 4963 198 10060

17228 − (258)2⁄
𝑆𝐷𝐴2 = 4
(4 − 1)

= 195,667

4963 − (139)2⁄
𝑆𝐷𝐵2 = 4
(4 − 1)

= 44,25

10060 − (198)2⁄
𝑆𝐷𝐶2 = 4
(4 − 1)

= 86,33

DbA = N-1

=3

DbB = N-1

=3

DbC = N-1

=3

6
 195,667
𝐹𝑚𝑎𝑥 =
44,25

= 4,42

Langkah selanjutnya kita lakukan uji signifikansi dengan memeriksa table nilai-nilai F.
dengan menggunakan db = 3 dan 3 didapatkan harga F teoritik dari table sebesar 9,28 pada
taraf 5% dan 29,46 pada taraf 1%. Oleh karna F empiric kita lebih kecil dari pada F teoritik
,maka dapat diinterpretasikan bahwa harga F empiric tidak signifikan yang berarti bahwa
harga varian dalam masing – masing kelompok adalah homogen.

UJI HOMOGENITAS dengan SPSS

Contoh Kasus:
Seorang mahasiswi bernama Hanny melakukan penelitian untuk mengetahui apakah
ada perbedaan pemahaman mahasiswa jika dilihat dari tingkat prestasi. Dengan ini Hanny
menggunakan kuesioner sebagai alat pengumpul data yang disebar pada 20 responden dan
membuat dua variabel pertanyaan yaitu pemahaman mahasiswa dan tingkat prestasi. Pada
variabel pemahaman mahasiswa memakai skala Likert dengan pertanyaan favorabel dan
unfavorabel (mengungkap dan tidak mengungkap). Pada item favorabel skala yang dipakai 1
= sangat tidak setuju, 2 = tidak setuju, 3 = setuju, dan 4 = sangat setuju. Pada item
unfavorabel sebaliknya yaitu 1 = sangat setuju, 2 = setuju, 3 = tidak setuju, dan 4 = sangat
tidak setuju. Untuk variabel tingkat prestasi menggunakan data nominal yang dibuat tiga
alternatif jawaban yaitu 1 = IPK kurang dari 2,50; 2 = IPK 2,51-3,30 dan 3 = IPK 3,31-4,00.
Data-data yang di dapat ditabulasikan sebagai berikut:

Tabel. Tabulasi Data (Data Fiktif)

Pemahaman Mahasiswa Tingkat

Subjek
Item pertanyaan Total Prestasi
1 2 3 4 5 6 7 8 9 10 Skor
1 4 4 3 4 4 2 4 3 4 4 36 3
2 4 4 4 3 4 4 3 4 4 4 38 3
3 3 3 4 2 2 1 4 2 1 3 25 1
4 3 3 4 2 2 4 1 2 3 4 28 2
5 4 4 4 2 4 3 3 3 4 3 34 3
6 2 4 2 4 1 4 4 2 2 4 29 2
7 2 4 2 4 2 2 2 4 2 4 28 2
8 4 4 4 4 4 4 3 2 4 4 37 3
9 4 4 2 4 4 4 4 4 4 4 38 3
10 2 1 4 4 3 4 3 3 2 1 27 1
11 2 2 1 4 4 3 1 4 4 2 27 2
12 3 1 3 2 2 4 4 3 2 4 28 1
13 3 4 3 4 2 4 4 4 1 4 33 3
14 4 4 2 3 4 4 2 4 4 3 34 3
15 2 4 4 4 4 2 3 4 4 4 35 3

7
 16 4 2 3 4 3 4 3 3 4 2 32 1
17 1 3 2 3 4 2 4 4 3 2 28 1
18 4 4 3 4 4 4 4 4 4 4 39 3
19 4 4 2 2 3 3 2 1 2 4 27 2
20 4 2 2 4 2 4 2 3 4 2 29 2

Langkah-langkah pada program SPSS

 Masuk program SPSS.

 Klik variable view pada SPSS data editor.
 Pada kolom Name ketik item1, kolom Name pada baris kedua ketik item2.
 Pada kolom Decimals untuk kolom item1 dan item2 angka ganti menjadi 0.
 Pada kolom Label, untuk kolom pada baris pertama ketik Pemahaman Mahasiswa
dan untuk kolom pada baris kedua ketik Tingkat Prestasi.
 Untuk kolom Values, klik simbol kotak kecil pada kolom baris kedua, pada Value
ketik 1 kemudian pada Value Label ketikkan IPK kurang dari 2,50, kemudian klik
Add. Kemudian pada Value ketik 2 kemudian pada Value Label ketikkan IPK 2,50-
3,30, kemudian klik Add. Selanjutnya pada Value ketik 3 kemudian pada Value Label
ketikkan IPK 3,31-4,00, kemudian klik Add.
 Klik OK
 Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
 Buka data view pada SPSS data editor, maka didapat kolom variabel item1 dan item2.
 Pada kolom item1 ketikkan data total skor item, pada kolom item2 ketikkan angka-
angka 1 sampai 3 yang menunjukkan tanda nilai IPK.
 Klik Analyze - Compare Means - One Way Anova
 Klik variabel Pemahaman Mahasiswa dan masukkan ke kotak Dependent List,
kemudian klik variabel Tingkat Prestasi dan masukkan ke kotak Faktor.
 Klik Options
 Klik Homogeneity of variance, kemudian klik Continue
 Klik OK, maka hasil output yang didapat pada kolom Test of Homogeneity of
Variance adalah sebagai berikut:

Tabel. Hasil Uji Homogenitas

Dari hasil di atas dapat diketahui signifikansi sebesar 0,193. Karena signifikansi lebih
dari 0,05 maka dapat disimpulkan bahwa ketiga kelompok data pemahaman mahasiswa
berdasar tingkat prestasi mempunyai varian sama. Angka Levene Statistic menunjukkan
semakin kecil nilainya maka semakin besar homogenitasnya. df1 = jumlah kelompok data-1
atau 3-1=2 sedangkan df2 = jumlah data – jumlah kelompok data atau 20-3=17.

B. UJI LINEARITAS

8
 Uji linearitas adalah suatu prosedur yang digunakan untuk mengetahui status
linear tidaknya suatu distribusi data penelitian. Hasil yang diperoleh melalui uji
linearitas akan menentukan teknik Anareg yang akan digunakan. Apabila dari hasil uji
linearitas didapatkan kesimpilan bahwa disribusi data penelitian dikatagorikan linear
maka data penelitian harus diselesaikan dengan teknik Anareg linear. Demikian juga
sebaliknya apabila ternyata tidak linear maka distribusi data penelitian harus dianalisis
dengan Anareg non-linear.
Langkah pertama yang dilakukan untuk melakukan linearlitas adalah
membuat pengelompokan skor prediktor yang nilainya sama menjadi satu kelompok
data dengan tetap memperhatikan pasangan data pada masing-masing kriterium.
Pada uji linearitas yang diharapkan adalah harga F empirik yang lebih kecil
daripada F teoritik, yaitu yang berarti bahwa dalam distribusi data yang diteliti
memiliki bentuk yang linear dan apabila F empirik lebih besar daripada F teoritiknya
maka berarti distribusi data yang diteliti adalah tidak linear. Pengelompokan data
prediktor dapat digambarkan dalam tabel 77 berikut ini.
Tabel 77
Pengelompokan Data Prediktor yang Bernilai Sama
X Y
X1 Y11
.. n1 ..

.. ..
X1 Y1n1
X2 Y21
.. n2
..
X2 Y2n2
Xk Yk1
.. nk
..
Xk Yknk

9
Seorang mahasiswa bernama Joko melakukan penelitian untuk mengetahui hubungan
anrtara kecemasan dengan optimisme pada remaja. Data –data total yang di dapat
ditabulasikan sebagai berikut:
Tabel. Tabulasi Data (Data Fiktif)
Subjek MOTIVASI PRODUKTIFITAS
KERJA KERJA
1 7 6
2 6 5
3 7 7
4 8 7
5 5 5
6 6 6
7 7 6
8 8 8
9 4 4
10 5 4

Untuk melakukan ui linieritas pada data yang terdapat pada table diatas maka perlu
dilakukan pengelompokan predictor yang memiliki skor sama dan memersiapkan
table kerja.

Prosedur berikutnya adalah menghitung :

1. Jumlah kuadrat total (JKt) ,regresi a (JKa), regresi b (JKb) , residu (JKres) ,
galat / keslahan (JKg), ketidakcocokan(JKtc)
a. JKt = ⅀Y2
= 352
[⅀𝑌]2
b. JKa =
𝑁
[58]2
=
10
= 336,4
⅀𝑋⅀𝑌
c. JKb = 𝑏 (⅀𝑋𝑌 − )
𝑁
Dimana b ,

10
 𝑁⅀𝑋𝑌−⅀𝑋⅀𝑌
b=
𝑁⅀𝑋 2 −(⅀𝑋)2
10.380−63.58
=
10.413−(63)2
= 0,91
63.58
JKb = 0,91 (380 − )
10

= 13,3
d. JKres = JKt – JKa – JKb
=352 – 336,4 – 13,3
= 2,3
(⅀𝑌)2
e. JKg = (⅀𝑌 2 ) −
𝑛𝑖

= 0 + 0,5+0,5+0,67+0,5
= 2,17
f. JKg = JKres - JKg
= 2,3 – 2,17
= 0,13
2. Menghitung derajat kebebasan galat( dbg ) dan ketidak cocokan ( dbtc )
a. Dbg =N–k
= 10 -5
=5
b. dbtc =K–2
= 5 -2
=3
3. Menghitung jumlah rata-rata ketidakcocokan ( Rktc ) dan galat( Rkg)
a. Rktc = Jktc / dbtc
= 0,13 / 3
= 0,043
b. Rkg = Jkg / dbg
= 2,17 / 5
= 0,434
4. Menghitung rasio F
F = Rktc / Rkg

11
 = 0,043 / 0,434
= 0,01
5. Membandingkan F empiric dan F teoritik yang terdapat dalam table. Dengan
menggunakan db = 3 dan 5 diperoleh harga F teoritik sebesar 5,14 pada taraf 5% dan
12,06 pada taraf 1% . berdasarkan harga F teoritik ini dapat dibuktikan bahwa harga F
empiric jauh berada dibawah harga teoritiknya baik pada taraf 5% maupun 1%.
Sehingga dapat disimpulkan bahwa distribusi diatas berbentuk linier.

Langkah-langkah pada program SPSS

 Masuk program SPSS
 Klik variable view pada SPSS data editor
 Pada kolom Name ketik x, untuk kolom Name baris kedua ketik y Pada kolom
Decimals angka ganti menjadi 0 untuk variabel x dan y
 Untuk kolom Label ketik MOTIVASI KERJA, untuk kolom Label pada baris kedua
ketik PRODUKTIFITAS KERJA,
 Kolom lainnya boleh dihiraukan (isian default)
 Buka data view pada SPSS data editor
 Terlihat kolom x dan y, x adalah variabel MOTIVASI KERJA dan y adalah variabel
PRODUKTIFITAS KERJA, ketikkan data sesuai dengan variabelnya.
 Klik Analyze - Compare Means – Means
 Klik variabel MOTIVASI KERJA dan masukkan ke kotak Dependent List, kemudian
klik PRODUKTIFITAS KERJA dan masukkan ke Independent List.
 Klik Options, pada Statistics for First Layer klik Test for Linearity, kemudian klik
Continue
 Klik OK, maka hasil output yang didapat pada kolom Anova Table adalah sebagai
berikut:

Dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity sebesar
0,002. Karena signifikansi kurang dari 0,05 maka dapat disimpulkan bahwa antara variabel
kecemasan dan optimisme terdapat hubungan yang linear.

12
 Daftar rujukan

 Winarsunu,Tulus.2002.STATISTIK dalam penelitian Psikologi dan

Pendidikan.Malang:UMMpress.
 http;//Dwiconsultan. rs=AItRSTNVi-wa8JBipx-dn0GY4DWde-PvEg.diakses
pada tanggal 20 september 2012 pukul 13.30 WIB.

13