Uji normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau

diambil dari populasi normal. Uji statistik yang dapat digunakan untuk uji normalitas diantaranya
adalah metode Chi-Square dan Kolmigorov Smirnov. Uji kecocokan distribusi digunakan untuk
mengevaluasi kesesuaian model distribusi data yang akan digunakan.

1. Metode Chi-Square atau X2 untuk uji goodness of fit normal distribution menggunakan pendekatan
penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.

(O ¿ ¿ i−Ei )
X 2 =∑ ¿
Ei

Keterangan :

X2 = nilai x2
Oi = nilai observasi
Ei = nilai yang diharapkan, luasan interval kelas berdasarkan tabel normal dikalikan dengan N
(frekuensi total) (pi x N)
N = banyaknya data

2. Metode Kolmogorov-Smirnov

Prinsip uji Kolmogorov-Smirnov adalah menghitung selisih absolut antara fungsi distribusi frekuensi
kumulatif sampel [Fn(x)] dan fungsi distribusi kumulatif teoritis [Fo(x)]. Konsep dasar dari uji
Kolmigorov-Smirnov adalah dengan membandingkan distribusi data (yang akan diuji normalitasnya)
dengan distribusi normal baku. Sampel terdistribusi normal apabila nilai teramati maksimum lebih
kecil dari nilai kritis D maksimum. Langkah – langkah metode Kolmogorov-Smirnov adalah :

- Menyusun frekuensi-frekuensi dari tiap nilai yang diamati secara berurutan dari nilai terkecil
sampai nilai terbesar, selanjutnya susun frekuensi kumulatif dari nilai tersebut.
- Mengkonversi frekuensi kumulatif ke dalam probabilitas, yaitu ke dalam fungsi distribusi
frekuensi kumulatif [S(x) = Fs(x)].
- Menghitung nilai untuk masing – masing nilai teramati dengan rumus = (xi-x)/s dengan
mengacu pada tabel distribusi normal baku (tabel B), kemudian mencari probabilitas (luas
area) kumulatif untuk setiap nilai yang diamati, hasilnya adalah Fo(xi).
- Menyusun nilai Fs(x) berdampingan dengan Fo(x), hitung selisih absolut antara Fs(x) dan
Fo(x).
- Statistik uji Kolmogorov-Smirnov adalah selisih absolut terbesar Fs(x) dan Ft(x) yang disebut
juga sebagai deviasi maksimum (D).
- Jika D maksimum lebih besar atau sama dengan nilai D kritis, maka sampel dinyatakan tidak
terdistribusi normal. Jika D maksimum lebih kecil dari nilai D kritis maka sampel terdistribusi
normal.

3. Metode Shapirro-Wilk

Metode Shapiro-Wilk merupakan salah satu uji normalitas yang dapat digunakan apabila jumlah
sampel kecil yaitu kurang dari atau sama dengan 50 sampel. Uji ini sangat sensitif untuk
mendeteksi adanya ketidaknormalan sebaran data. Dalam uji Saphiro-Wilk digunakan dua jenis
tabel yaitu tabel coefficien a untuk perhitungan rumus dan tabel p sebagai pembanding.

Note : Cara membaca tabel Shapiro-Wilk

- Misalkan jumlah sampel 12 maka nilai tabel lihat pada kolom “L” yaitu pada n = 12
- Maka a1 = 0,5475, a2 = 0,3325, a3 = 0,2347 dst hingga a6 = 0,0303.
- Karena n = 12, maka jumlah a yang digunakan adalah 12 dibagi 2 = 6. Jadi ada a1 s.d a6.
- Untuk tabel p value, misal jumlah sampel 12 dan probabilitas penelitian adalah 0,05, maka
lihat kolom “D” yaitu pada p=0,05 dan baris 15 yaitu pada n=12 atau pada cell “D15”. Nilai
Wilk tabel tersebut adalah sebesar 0,859. Nilai tersebut adalah nilai pembanding dengan nilai
Wilk hitung.
- Misal Wilk hitung 0,996 sedangkan wilk tabel 0,859, karena wilk hitung > wilk tabel maka
data dikatakan memiliki sebaran normal.

Perhitungan uji shapiro-wilk

k 2

T 3=
1
D [∑
i=1
a i (X n−i+1 −X i )¿ ]
Keterangan :

D = berdasarkan rumus di bawah ini (coeffisient test Shapiro wilk)

X n−i +1 = angka ke n-1+1 pada data

Xi = angka ke-i pada data

k
D=∑ ( X i− X́ ¿)2 ¿
i=1

Keterangan :

Xi = angka ke i pada data

X = rata – rata data

 T 3−d n
G=bn +c n +ln ( 1−T 3 )
Keterangan :

G = identik dengan nilai distribusi normal

T3 = berdasarkan rumus di atas bn, cn, dn = konversi statistik Shapiro-Wilk pendekatan distribusi
normal.

Signifikansi

Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji T3 nilai dibandingkan
dengan nilai Tabel Shapiro Wilk, untuk dilihat posisi nilai probabilitasnya (p). Jika nilai p lebih
dari 5%, maka Ho diterima; dan Ho ditolak apabila nilai p lebih kecil dari 5%.

Hipotesis :

Ho : tidak beda dengan populasi normal

H1 : ada beda dengan populasi normal

α = 0,05