Anda di halaman 1dari 22

LAPORAN PRAKTIKUM BIOSTATISTIKA

KEGIATAN KE-3
UJI NORMALITAS

DISUSUN OLEH:
SYIVA VAUZIYYAH
1401070007

PROGRAM STUDI PENDIDIKAN BIOLOGI


FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS MUHAMMADIYAH PURWOKERTO
21 APRIL 2018
A. TUJUAN
1. Mengetahui cara perhitungan uji normalitas menggunakan SPSS versi 23
2. Mengetahui cara pengolahan data pada uji normalitas menggunakan SPSS
versi 23
3. Mengintrepertasikan hasil pengolahan data uji normalitas menggunakan
SPSS versi 23
4. Mengetahui normalitas dari data yang diambil

B. DASAR TEORI
Uji normalitas data adalah uji untuk mengukur apakah data yang didapatkan
memiliki distribusi normal sehingga dapat dipakai dalam statistik. Dengan kata
lain uji normalitas adalah uji untuk mengetahui apakah data empirik yang
didapatkan dari lapangan itu sesuai dengan distribusi teori tertentu, dalam kasus
ini distribusi normal. Dengan kata lain apakah data yang diperoleh dari populasi
yang berdistribusi normal. Tujuan uji normalitas adalah untuk mengetahui apakah
distribusi sebuah data mendekati distribusi normal, yakni distribusi data yang
mempunyai pola seperti distribusi normal. Pengujian normalitas data berfungsi
atau bertujuan untuk mengetahui apakah distribusi data yang didapatkan dari
penyebaran kuesioner kepada para responden penelitian yang terdiri dari beberapa
stratum (unsur) yang mewakili beberapa pihak (sub populasi) berdistribusi normal
atau tidak normal. Berdistribusi normal artinya bahwa jumlah kuesioner yang
diberikan kepada masing-masing stratum berlaku secara proporsional menurut
jumlah subyek pada masing-masing stratum (Hartono, 2008).
Pengujian normalitas data tidak berlaku terhadap para responden yang
ditentukan dengan cara sensus. Selanjutnya, apabila hasil pengujian normalitas
menunjukkan bahwa data berdistribusi tidak normal, maka data yang diperoleh
dianggap tidak memenuhi persyaratan normalitas penyebaran kuesioner penelitian
kepada para responden yang terdiri dari beberapa unsur (sub populasi) dan
sebaliknya. Jika penyebaran kuesioner penelitian tidak berdistribusi normal maka
pengolahan data tidak bisa dilanjutkan ke dalam pengukuran pengaruh/hubungan
dan pengujian hipotesis. Alasannya, penyebaran jumlah kuesioner kepada masing-
masing stratum (sub populasi) tidak proporsional (Jonathan, 2006).
Banyak sekali tehnik pengujian normalitas suatu distribusi data yang telah
dikembangkan oleh para ahli beberapa tehnik yang bisa kita gunakan untuk
menguji normalitas secara analitis yaitu melalui rumus Kolmogorov-Smirnov dan
Shapiro-wilk. Sedangkan secara deskriptif uji normalitas data dilakukan melalui
Q-Q Plot, Box Plot, Histogram, Kurtosis, dan Skweness. (Jonathan, 2006).
Tujuan dilakukannya uji normalitas terhadap serangkaian data adalah untuk
mengetahui apakah populasi data berdistribusi normal atau tidak. Bila data
berdistribusi normal, maka dapat digunakan uji statistic berjenis parametric.
Sedangkan bila data tidak berdistribusi normal, maka digunakan untuk menguji
nonparametrik (Siregar, 2013). Tetapi perlu diingat bahwa yang menyebabkan
tidak normal itu apanya, misalnya ada kesalahan instrumen dan pengumpulan
data, maka dapat mengakibatkan data yang diperoleh menjadi tidak akan normal.
Tetapi bila sekelompok data memang betul-betul sudah valid, tetapi distribusinya
tidak membentuk distribusi normal, maka peneliti baru membuat keputusan untuk
menggunakan teknik statistin nonparametris ( Sugiyono,2013 ).
Menurut Sugiyono(2010), terdapat 4 cara untuk menentukan apakah data
berasal dari populasi yang berdistribusi normal data yaitu sebagai berikut:
1. Kertas Probabilitas Normal
Kertas probabilitas normal digunakan apabila dari penelitian sudah
terkumpul data lengkap, maka untuk pengujian normalitas dilalui langkah-
langkah sebagai berikut.
- Membuat tabel distribusi frekuensi.
- Menentukan batas nyata tiap-tiap kelas interval.
- Mencari frekuensi kumulatif dan frekuensi kumulatif relative (dalam
persen).
- Dengan skala sumbu mendatar dan sumbu menegak, menggambarkan grafik
dengan data yang ada, pada kertas probabilitas normal.
- Dengan angka-angka yang ada pada tabel distribusi diletakkan titik-titik
frekuensi kumulatif relative pada kertas probabilitas yang telah disediakan
pada buku-buku statistik. Jika letak titik-titik berada pada garis lurus atau
hampir lurus, maka dapat disimpulkan dua hal:
1. Mengenai data itu sendiri; dikatakan bahwa data itu terdistribusi normal
atau hampir normal (atau dapat didekati oleh distribusi normal).
2. Mengenai populasi dari mana data sampel diambil.

Dikatakan bahwa populasi dari mana data sampel itu diambil ternyata
berdistribusi normal atau hampir terdistribusi normal, atau dapat didekati oleh
distribusi normal. Jika titik-titik yang diletakkan tidak menunjukkan terletak pada
garis lurus maka dapat disimpulkan bahwa data atau sampel yang diambil tidak
berasal dari populasi normal.

3. Uji Chi Kuadrat

Menurut Sugiono (2013), salah satu uji normalitas data yaitu chi kuadrat (
𝑥 2 ) merupakan pengujian hipotesis yang dilakukandengan cara membandingkan
kurve normal yang terbentuk dari data yang telah terkumpul (B) dengan kurve
normal baku atau standar (A). Jadi membandingkan antara (B/A). Bila B tidak
berbeda secara signifikan dengan A, maka B merupakan data yang berdistribusi
normal.

Ho:data berasal dari populasi yang berdistribusi normal

H1:data tidak berasal dari populasi yang berdistribusi normal

Grafik distribusi chi kuadrat (𝑥 2 ) umumnya merupakan kurve positif , yaitu


miring ke kanan. Kemiringan ini makin berkuran jika derajat kebebasan (dk)
makin besar.

Langkah-Langkah Menguji Data Normalitas dengan Chi Kuadrat:

1. Menentukan Mean/ Rata-Rata


∑ 𝒇𝒙𝒊
𝒙= 𝒏

2. Menentukan Simpangan Baku

∑ 𝒇(𝒙𝒊 −𝒙)𝟐
𝑺=√ 𝒏−𝟏

3. Membuat daftar distribusi frekuensi yang diharapkan, yaitu:


 Menentukan batas kelas
 Mencari nilai Z skor untuk batas kelas interval
 Mencari luas 0 – Z dari tabel kurva normal
 Mencari luas tiap kelas interval
 Mencari frekuensi yang diharapkan (Ei)
 Merumuskan formula hipotesis, yaitu:

Ho:data berasal dari populasi yang berdistribusi normal.

H1:data tidak berasal dari populasi yang berdistribusi normal.

4. Menentukan taraf nyata (a) untuk mendapatkan nilai chi-square tabel

5. Menentukan nilai derajat kebebasan (dk)


dk=k–1

keterangan:

dk=Derajatkebebasan
k = banyak kelas interval

6. Menentukan Nilai Uji Statistik

Keterangan:

Oi = frekuensi hasil pengamatan pada klasifikasi ke-i

Ei = Frekuensi yang diharapkan pada klasifikasi ke-i

7. Menentukan Kriteria Pengujian Hipotesis


8. Memberi Kesimpulan

4. Uji Lilliefors

Menurut Sudjana (1996), uji normalitas data dilakukan dengan


menggunakan uji Liliefors (Lo) dilakukan dengan langkah-langkah berikut.
Diawali dengan penentuan taraf sigifikansi, yaitu pada taraf signifikasi 5% (0,05)
dengan hipotesis yang diajukan adalah sebagai berikut :

H0 : Sampel berasal dari populasi yang berdistribusi normal

H1 : Sampel tidak berasal dari populasi yang berdistribusi normal

Dengan kriteria pengujian :

Jika Lhitung< Ltabel terima H0, dan

Jika Lhitung ≥ Ltabel tolak H0

Adapun langkah-langkah pengujian normalitas adalah :

1. Data pengamatan x1, x2 , x3, ….., xn dijadikan bilangan baku z1, z2 , z3,
𝑥𝑖 −𝑥̅
….., zn dengan menggunakan rumus (dengan 𝑥̅ dan 𝑠 masing-masing
𝑠

merupakan rata-rata dan simpangan baku)


2. Untuk setiap bilangan baku ini dengan menggunakan daftar distribusi
normal baku, kemudian dihitung peluang F(zi) = P(z < zi).
3. Selanjutnya dihitung proporsi z1, z2 , z3, ….., zn yang lebih kecil atau sama
dengan zi. Jika proporsi ini dinyatakan oleh S(zi) maka:

𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑧1 , 𝑧2 , … , 𝑧𝑛 𝑦𝑎𝑛𝑔 ≤𝑧𝑖


𝑆(𝑧𝑖 ) =
𝑛

4. Hitung selisih F(zi) – S(zi), kemudian tentukan harga mutlaknya.


5. Ambil harga yang paling besar di antara harga-harga mutlak selisih tersebut,
misal harga tersebut L0.

Untuk menerima atau menolak hipotesis nol (H0), dilakukan dengan cara
membandigkan L0 ini dengan nilai kritis L yang terdapat dalam tabel untuk taraf
nyata yang dipilih

5. Uji Kolmogorov Smirnov

Tes satu sampel Kolmogorov-Smirnov adalah suatu tes goodness-of-fit.


Artinya, yang diperhatikan adalah tingkat kesesuaian antara distribusi teoritis
tertentu. Tes ini menetapkan apakah skor-skor dalam sampel dapat secara masuk
akal dianggap berasal dari suatu populasi dengan distributive tertentu itu.Jadi, tes
mencakup perhitungan distribusi frekuensi kumulatif yang akan terjadi dibawah
distribusi teoritisnya, serta membandingan distribusi frekuensi itu dengan
distribusi frekuensi kumulatif hasil observasi. Distribusi teoriti tersebut
merupakan representasi dari apa yang diharapkan dibawah H0. Tes Ini
menerapkan suatu titik dimana kedua distribusi itu-yakni yang teoritis dan yang
terobservasi-memiliki perbedaan terbesar. Dengan melihat distribusi samplingnya
dapat kita ketahui apakah perbedaan yang besar itu mungkin terjadi hanya karena
kebetulan saja. Artinya distribusi sampling itu menunjukan apakah perbedaan
besar yang diamati itu mungkin terjadi apabila observasi-observasi itu benar-
benar suatu sampel random dari distribusi teoritis itu

Uji kolmogrov-smirnov merupakan pengujian normalitas yang banyak


dipakai, terutama setelah adanya banyak program statistik yang beredar.
Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan
persepsi diantara satu pengamat dengan pengamat yang lain, yang sering terjadi
pada uji normalitas dengan menggunakan grafik (Sugiyono, 2010).
C. ALAT DAN BAHAN
1. Alat:
- Laptop
- Charger laptop
- Buku Petunjuk Praktikum
2. Bahan:
- Data nilai pretest dan postes

D. CARA KERJA
- Membuka aplikasi SPSS
- Memasukan data yang akan diuji pada worksheet SPSS

- Selanjutnya , mengklik variable view. Pada bagian name tulis ‘pretest’ pada
baris pertama dan ‘postest’ pada baris kedua, pada decimal mengubah semua
angka menjadi 0, pada bagian label menulis PRETEST dan POSTTEST.

- Maka pada pada woeksheet data view akan muncul sebagai berikut
- Langkah selanjutnya adalah mengubah data tersebut kedalam bentuk
unstandarized, caranya yaitu : dari menu SPSS memilih menu ‘Analyze’.
Kemudian mengklik menu ‘regession’ dan memilih ‘linear’.

- Muncul kotak dialog dengan nama ‘Linear regression’, selanjutnya


memasukkan variabel PRETEST ke ‘Independent’ dan variabel POSTTEST
ke ‘dependent’. Lalu mengklik ‘Save’
- Akan muncul lagi kotak dialo yaitu ‘Linear Regression; Save’, pada bagian
‘Residual’, mencentang ‘Unsatandarized’. Selanjutnya mengklik ‘Continue’
lalu mengklik ‘OK’,

- Pada worksheet SPSS akan muncul variable baru dengan nama RES_1,
mengabaikan output yang muncul dari program SPSS.
- Selanjutnya memilih menu analyze, lalu memilih ‘Non-Parametrik test’,
mengklik ‘legacy dialoge’ memilih ‘1-Sampel K-S’

- Selanjutnya muncul kotak dialog lagi dengan nama one Sample


Kolomogorov-Smirnov Test, selanjutnya memasukan variable ustandarized
residual ke kotak test, pada mencentang (V) unstandar mengklik OK

- Muncul output yaitu ‘Npar Test’, seperti pada gambar berikut:


- Untuk uji dengan grafik maka mengklik ‘Analyze’ pada worksheet SPSS
kemudian mengarahkan kursor ke ‘Regression’, kemudian ke ‘Linear’.

- Selanjutnya muncul kotak dialog dengan nama linear Regression. Selanjutnya


memasukan variable pretest ke kotak independent dan variable postest pada
kotak dependent, lalu mengklik ‘Plots’
- Akan muncul lagi kotak dialog dengan nama Linear regression: Plots, pada
bagian ‘Standarized Residual Plots’ mencentang ‘Histogram’ dan ‘Normal
probability plot’ (Mangabaikan kolom yang lain), selanjutnya mengklik
continue.

- Akan muncul lagi kotak dialog dengan nama Linear regression lalu mengklik
‘OK’, maka akan muncul output seperti pada output pertama yaitu berupa
tabel Variables Entered/Removed, Model Summary, ANOVA, Coefficients,
Residual Statistics dan tambahan berupa ‘Charts’. Charts ini berisi kurva atau
grafik normalitas.
E. HASIL ANALISIS DATA
- Data Awal Uji Normalitas
Tabel 1. Data Awal

- Output Uji Normalitas

Tabel 2. Uji Normalitas

One-Sample Kolmogorov-Smirnov Test


Unstandardiz
ed Residual
N 10
a,b
Normal Parameters Mean .0000000
Std.
1.62335890
Deviation
Most Extreme Absolute .183
Differences Positive .183
Negative -.106
Test Statistic .183
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Berdasarkan output SPSS diatas, maka dapat disimpulkan bahwa data tersebut
berdistribusi normal, di tandai dengan nilai signifikansi 0,200 lebih besar dari
0,05.
- Output berupa Kurva Normalitas

Berdasarkan output histogram uji normalitas yang dihasilkan memberikan


informasi tentang sebaran data yang diuji. Pada output histogram uji normalitas
yang dihasilkan tampak bahwa data nilai posttest menyebar ke seluruh daerah
normal. Daerah normal itu sendiri adalah daerah yang berada di bawah kurva yang
bentuknya seperti lonceng terbalik.
Kurva 1. Kurva Histogram Uji Normalitas

Berdasarkan output hasil Normal P-P Plot, memberikan informasi


tentang data yang memiliki distribusi normal dan data pencilan. Pada
output hasil Normal P-P Plot, titik-titik yang berada tepat dan paling dekat
dengan garis regresi yaitu garis diagonal, merupakan data-data yang
memiliki distribusi normal. Sementara titik-titik yang berada jauh dari
garis regresi merupakan data-data pencilan. Dari output tersebut dapat
diketahui bahwa data yang memiliki distribusi normal berjumlah 9 dan
data pencilannya juga berjumlah 1.
Kurva 2. Kurva P-Plot Uji Normalitas

F. PEMBAHASAN

Berdasarkan hasil analisis data untuk uji normalitas menunjukan hasil


seperti pada tabel 2 yaitu menunjukan N = 10 yang berarti jumlah sampel yang
diambil sebanyak 10, mean = 0,0 yang berarti nilai rata – ratanya 0,0 dan standar
deviasi = 1,62. Terdapat tiga angka penting dalam tabel 2 yaitu :
a. Pertama, nilai – nilai D pada Most Extreme Differences
Most Extreme Differences merupakan nilai statistik D pada Kolmogorov –
Smirnov , terdiri dari :
 D – positive,merupakan pengurangan yang menghasilkan angka positive
terbesar nilainya yaitu 0,183
 D – negative,merupakan pengurangan yang menghasilkan angka negative
terbesar nilainya yaitu 0,106
 D – absolute merupakan angka terbesar antara D – positive dan D –
negative, pada tabel nilainya yaitu 0,183
b. Kedua, uji statistik Kolmogorov – Smirnov yang mana dalam tabel 2
nilainya adalah 0,183
c. Ketiga,p-value yang tercantum sebagai Asymp. Sig. (2-tailed) yang mana
dalam kasus ini nilai p-value = 0,200. Nilai p-value untuk memastikan
bahwa distribusi teramati tidak akan menyimpang secara signifikan dari
distribusi yang diharapkan dikedua ujung two tailed distribution
Kolmogorov – Smirnov menggunakan pengujian α=0,05 dengan
membandingkan nilai signifikansi pada tabel dengan nilai α. Klasifikasi
yang digunakan untuk menginterpretasikan koefisien korelasi normalitas
adalah sebagai berikut:
Nilai Signifikansi > 0.05 Berdistribusi normal
Nilai Signifikansi < 0,05 Berdistribusi tidak normal
Berdasarkan hasil analisis uji normalitas data pretest dan posttest diperoleh
nilai Asymp.Sig.(2-tailed) sebesar 0,200c,d. Maka data tersebut berdistribusi
normal, artinya data tersebut merupakan data yang baik dan layak untuk
digunakan. Selain itu, data berdistribusi normal dapat diartikan bahwa data yang
diuji mempunyai sebaran merata sehingga benar-benar mewakili populasi. Data
berdistribusi normal ini ditandai dengan nilai Asymp.Sig.(2-tailed) sebesar
0,200c,d . Nilai ini lebih besar dari 0,05
Secara visual Kolmogorov – Smirnov diperlihatkan pada tabel 3 dengan
melihat histogram dari residualnya. Dasar pengambilan keputusan adalah Jika
grafik histogramnya memenuhi pola disribusi normal,maka model regresi
memenuhi asumsi normalitas. Jika grafik histogramnya tidak memenuhi pola
distribusi normal,maka model regresi tidak memenuhi asumsi normalitas.
Berdasarkan data yang telah diperoleh pada histogram tabel 3 menunjukan bahwa
data berdistribusi normal. Hal ini karena grafik histogram memberikan pola
distribusi yang menceng (sweeknes) ke kanan dan normal.
Diagram normal probability atau p-plot, normalitas dilakukan pada nilai
residual pada model regresi dan bukan pada masing – masing variabel. Model
regresi yang baik seharusnya memiliki nilai residual yang normal. Pendeteksian
kenormalan nilai residual dilakukan dengan melihat titik – titik plot hasil dari
output SPSS dan melihat apakah titik – titik tersebut berada disekitar garis
diagonalnya atau tidak. Jika ternyata nilai residual tidak berdistribusi
normal,maka perlu dilakukan transformasi data (merubah data ke bentuk lain)
bahkan melakukan pemotongan data sehingga nilai residual dapat berdistribusi
normal.
Pedoman pengambilan keputusan dalam uji normal probability plot dengan
ketentuan jika titik – titik atau data berada di dekat atau mengikuti garis
diagonalnya maka dapat dikatakan bahwa nilai residual berdistribusi normal.
Sementara itu,jika titik – titik menjauh atau tersebar dan tidak mengikuti garis
diagonalnya maka hal ini menunjukan bahwa nilai residual tidak berdistribusi
normal. Data data yang terdapat pada tabel 4 menunjukan berdistribusi normal.
Hal ini disebabkan karena semua titik – titik data berada pada garis diagonal,
meskipun ada beberapa data yang tidak tepat berada pada garis diagonal,tetapi
masih mendekati garis diagonal sehingga data berdistribusi normal.

G. KESIMPULAN

- Hasil perhitungan uji normalitas data pretest dan posttest diperoleh nilai
sebesar 0,20, data tersebut berdistribusi normal karena ditandai dengan nilai
signifikansi 0,200 lebih besar 0,05.
- Uji normalitas yang berdistribusi normal berarti bahwa data yang diuji
mempunyai sebaran merata sehingga benar-benar mewakili populasi, serta
data tersebut merupakan data yang baik dan layak untuk digunakan.
- Grafik histogram menunjukan data berdistribusi normal dari yang ditunjukan
grafik seimbang antara sisi kanan dan kiri.
- grafik normal plot terlihat titik-titik mendekat ke arah garis diagonal serta
penyebaranya tidak terlalu jauh dari garis diagonal.
- Uji normalitas yang biasa digunakan adalah Kolmogorov-smirnov karena
dengan uji tersebut tidak ada subjektifitas dari pembaca.
H. DAFTAR PUSTAKA
- Hartono. 2008. SPSS 16.0 Analisis Data Statistika dan Penelitian.
Yogyakarta: Pustaka Pelajar.
- Jonathan, Sarwono. 2006. Metode Penelitian Kuantitatif dan Kualitatif.
Yogyakarta: Graha Ilmu.
- Mulia, Dini Siswani. 2017. Petunjuk Praktikum Biostatistika. Universitas
Muhammadiyah Purwokerto: Purwokerto.
- Siregar, Syofian. 2013. Statistik Parametrik Untuk Penelitian Kuantitatif.
Jakarta: PT. Bumi Aksara.
- Sugiyono. 2010. Statistika Untuk Penelitian. Bandung: Alfabeta.
- Sugiyono. 2013. Metode Penelitian Kuantitatif, Kualitatif, dan R&D.
Bandung: Alfabeta
LAMPIRAN

REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT postest
/METHOD=ENTER pretest
/SAVE RESID.

Regression

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
b
1 PRETEST . Enter
a. Dependent Variable: POSTEST
b. All requested variables entered.

Model Summaryb
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .271 .074 -.042 1.722
a. Predictors: (Constant), PRETEST
b. Dependent Variable: POSTEST

ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 1.882 1 1.882 .635 .449b
Residual 23.718 8 2.965
Total 25.600 9
a. Dependent Variable: POSTEST
b. Predictors: (Constant), PRETEST

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 2.388 1.854 1.288 .234
PRETEST .235 .295 .271 .797 .449
a. Dependent Variable: POSTEST

Residuals Statisticsa
Minimu Maximu Std.
m m Mean Deviation N
Predicted Value 2.86 4.27 3.80 .457 10
Residual -2.035 2.965 .000 1.623 10
Std. Predicted
-2.058 1.029 .000 1.000 10
Value
Std. Residual -1.182 1.722 .000 .943 10
a. Dependent Variable: POSTEST

One-Sample Kolmogorov-Smirnov Test


Unstandardiz
ed Residual
N 10
a,b
Normal Parameters Mean .0000000
Std.
1.62335890
Deviation
Most Extreme Absolute .183
Differences Positive .183
Negative -.106
Test Statistic .183
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

Charts