UJI NORMALITAS

Data klasifikasi kontinu, data kuantitatif yang termasuk dalam pengukurandata skala
interval atau ratio, untuk dapat dilakukan uji statistik parametrikdipersyaratkan berdistribusi
normal. Pembuktian data berdistribusi normaltersebut perlu dilakukan uji normalitas terhadap
data. Uji normalitas bergunauntuk membuktikan data dari sampel yang dimiliki berasal dari
populasiberdistribusi normal atau data populasi yang dimiliki berdistribusi normal.

Banyak cara yang dapat dilakukan untuk membuktikan suatu data berdistribusinormal
atau tidak.Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit. Berdasarkan
pengalaman empiris beberapa pakar statistik, data yangbanyaknya 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 normalatau 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. Pembuktian
normalitas dapat dilakukan dengan manual, yaitu dengan menggunakan kertas peluang normal,
atau dengan menggunakan uji statistik normalitas.

Banyak jenis uji statistik normalitasyang dapat digunakandiantaranyaKolmogorov

Smirnov, Lilliefors, Chi-Square, Shapiro Wilk atau menggunakansoftware computer. Pada saat
ini, penulis hanya menjelaskan dua di antara uji statistik normalitas yaitu, Kolomogorov Smirnov
dan Shapiro Wilk.

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.

Berbeda halnya dengan metode 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.

Penulis akan membahas secara langsung kedua uji statistik normalitas tersebut melalui
penerapan dalam soal.

SOAL KOLMOGOROV SMIRNOV

 Erfin, seorang mahasiswa tingkat 4 sedang menyusun skripsi. Dia melakukan penelitian
yaitu, melihat hubungan antara nilai USM Matematika STIS dengan prestasi belajar tingkat 1
semester pertama mahasiswa stis 2011/2012. Dalam penelitian tersebut dari 400 mahasiswa
tingkat 1 semester pertama tahun ajaran 2011/2012, Erfin mengambil sampel sebanyak 30 orang
secara acak sesuai metode yang sah. Data sampel tersebut dikatakan baik untuk penelitian
apabila sampel berasal dari populasi yang berdistribusi normal. Berikut data nilai usm
matematika dari 30 sampel acak yang terpilih:

Tabel 1. NILAI USM MATEMATIKA STIS TAHUN 2011/2012

NILAI USM NILAI USM NILAI USM

NIM NIM NIM
MATEMATIKA MATEMATIKA MATEMATIKA
11.6670 78 11.3435 82 11.3435 88
11.7676 70 11.2323 70 11.7967 66
11.6551 68 11.6551 92 11.4531 58
11.1010 72 11.2121 58 11.1011 66
11.4432 72 11.4545 96 11.2552 78
11.2222 76 11.3456 80 11.2020 66
11.7662 72 11.5678 68 11.3430 86
11.5542 80 11.4340 66 11.7345 58
11.6116 78 11.6000 50 11.5540 86
11.6640 76 11.2601 68 11.3097 50

Dengan menggunakan uji kolmogorov smirnov, buktikan apakah data sampel berasal dari
populasi berdistribusi normal atau tidak? (Dengan tingkat kepercayaan α = 5 %)

PEMBAHASAN:

1. H0 = sampel berasal dari populasi berdistribusi normal

H1 = sampel bukan berasal dari populasi berdistribusi normal
2. α = 5 %
3. Daerah penolakan
Harga Quantil Statistik Kolmogorov dengan α = 5 % dan N = 30 maka nilainya ≈ 0.927
Jika |FT – FS| > |0.927| maka H0 ditolak.
4. Rumus statistik penguji
NO. Xi Z FT FS |FT – FS|
1
2
3
4
5
dst
 a. Perhitungan

NO. Xi Z FT FS |FT – FS|

1 50
-1.97796 0.0244 0.066667 0.04227
2 50
3 58
4 58 -1.27364 0.1020 0.166667 0.06467
5 58
6 66
7 66
-0.56932 0.2877 0.3 0.0123
8 66
9 66
10 68
11 68 -0.39324 0.3483 0.4 0.0517
12 68
13 70
-0.21716 0.4168 0.466667 0.04987
14 70
15 72
16 72 -0.04109 0.4840 0.566667 0.08267
17 72
18 76
0.311073 0.6217 0.633333 0.01163
19 76
20 78
21 78 0.487152 0.6844 0.733333 0.04893
22 78
23 80
0.663232 0.7454 0.8 0.0546
24 80
25 82 0.839311 0.7967 0.833333 0.03663
26 86
1.191469 0.8830 0.9 0.017
27 86
28 88 1.367548 0.9131 0.933333 0.02023
29 92 1.719707 0.9564 0.966667 0.01027
30 96 2.071865 0.9808 1.000000 0.0192
𝑋̅=72.46667
𝑆𝐷=11.35853

Nilai |FT – FS| tertinggi sebagai angka penguji normalitas, yaitu 0.0192

5. Keputusan
|0.0192| < |0.927| maka H0 diterima
6. Kesimpulan
Dengan tingkat kepercayaan sebesar 5%, terbukti bahwa data 30 sampel acak nilai usm
matematika stis yang terpilih berasal dari populasi berdistribusi normal.
 SOAL SHAPIRO WILK

Berdasarkan penelitian tentang intensitas penerangan alami yang dilakukan terhadap 18 sampel
rumah sederhana, rata-rata pencahayaan alami di beberapa ruangan dalam rumah pada sore hari
sebagai berikut :

46 63 52 46 68 65

57 70 52 65 69 68

52 48 54 45 71 61 lux.

Selidikilah dengan α = 5 %, apakah data 18 sampel rata-rata pencahayaan alami di beberapa

ruangan dalam rumah pada sore hari tersebut di atas diambil dari populasi yang berdistribusi
normal ?

PEMBAHASAN:

1. H0 = sampel berasal dari populasi berdistribusi normal

H1 = sampel bukan berasal dari populasi berdistribusi normal
2. α = 5 %
3. Daerah penolakan
4. Harga Quantil Statistik Shapiro Wilk dengan α = 5 % dan n = 18 adalah ≈0.897
Jika T3> 0.897 maka tolak H0.
5. Rumus statistik penguji
1 2
T3= [∑𝑘𝑖=1 𝑎𝑖 (𝑋(𝑛−𝑖+1) − 𝑋𝑖 ) ]
𝐷
D = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑇 −𝑑
G = 𝑏𝑛 + 𝑐𝑛 + ln ( 3 𝑛 )
1−𝑇3
Keterangan:
𝑎𝑖 = koefisien test Shapiro Wilk
𝑋(𝑛−𝑖+1) = angka ke (𝑛 − 𝑖 + 1)pada data
𝑋𝑖 = angka ke i pada data
G = identik dengan nilai Z distribusi normal
𝑏𝑛 ,𝑐𝑛 ,𝑑𝑛 = konversi statistik Shapiro Wilk pendekatan distribusi normal
6. Penghitungan
𝑋𝑖 𝑋𝑖 − 𝑋̅ (𝑋𝑖 − 𝑋̅)2
45 -13.4444 180.7531
46 -12.4444 154.8642
46 -12.4444 154.8642
 48 -10.4444 109.0864
52 -6.4444 41.53086
52 -6.4444 41.53086
52 -6.4444 41.53086
54 -4.4444 19.75309
57 -1.4444 2.08642
61 2.5556 6.530864
63 4.5556 20.75309
65 6.5556 42.97531
65 6.5556 42.97531
68 9.5556 91.30864
68 9.5556 91.30864
69 10.5556 111.4198
70 11.5556 133.5309
71 12.5556 157.642
𝑋̅= 58.4444
D = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 =1444.444

Langkah berikutnya menghitung nilai T:

𝑖 𝑎𝑖 𝑋(𝑛−𝑖+1) − 𝑋𝑖 𝑎𝑖 (𝑋(𝑛−𝑖+1) − 𝑋𝑖 )2
1 0.4886 71-45=26 330.2936
2 0.3253 70-46=24 187.3728
3 0.2553 69-46=23 135.0537
4 0.2027 68-48=20 81.08
5 0.1587 68-52=16 40.6272
6 0.1197 65-52=13 20.2293
7 0.0837 65-52=13 14.1453
8 0.0496 63-54=9 4.0176
9 0.0163 61-57=4 0.2608

2
[∑𝑘𝑖=1 𝑎𝑖 (𝑋(𝑛−𝑖+1) − 𝑋𝑖 ) ] = 813.0803
1 2
T3= [∑𝑘𝑖=1 𝑎𝑖 (𝑋(𝑛−𝑖+1) − 𝑋𝑖 ) ] = 0.562902
𝐷
Bisa juga dicari melalui G :
𝑇 −𝑑
G = 𝑏𝑛 + 𝑐𝑛 + ln ( 3 𝑛 )
1−𝑇3
0.562902−0.2528
= −4.885 + 1.770 + ln ( 1−0.562902
)
= -3.45826
7. Keputusan
Karena T3 = 0.562902 < 0.897 maka terima H0
 Bisa melalui nilai G : Karena hasil G merupakan nilai Z pada distribusi normal maka,
berdasarkan nilai G = -3.45826 maka nilai luasannya = 0.0003 < 0.897 sehingga terima H0 .
8. Kesimpulan
Dengan tingkat kepercayaan 5 %, terbukti bahwa 18 sampel rata-rata pencahayaan alami di
beberapa ruangan dalam rumah pada sore hari tersebut diambil dari populasi berdistribusi
normal.

LAMPIRAN