1. Teknik statistika apa saja yang dapat digunakan untuk menguji normalitas data?

Uji Normalitas
Uji normalitas adalah uji yang dilakukan untuk mengecek apakah data penelitian kita berasal
dari populasi yang sebarannya normal. Uji ini perlu dilakukan karena semua perhitungan
statistik parametrik. Uji normalitas bertujuan untuk mengetahui apakah data yang diperoleh
dari hasil penelitian berdistribusi normal atau tidak. Data berdistribusi normal yaitu bahwa data
akan mengikuti bentuk distribusi normal, dimana data memusat pada nilai rata- rata dan
median. Data yang membentuk distribusi normal bila jumlah data di atas dan di bawah rata-
rata adalah sama, demikian juga simpangan bakunya.

Uji normalitas yang dapat digunakan diantaranya:

1. uji grafik
2. Chi-Square
3. Kolmogorov Smirnov
4. Lilliefors
5. Shapiro Wilk

1. Uji Grafik
Uji metode grafik adalah dengan memperhatikan penyebaran data pada sumber diagonal pada
grafik normal P-P Plot of Regression Standardized Residual. Data dinyatakan berdistribusi
normal apabila sebaran titik-titik berada di sekitar garis dan mengikuti garis diagonal maka nilai
tersebut normal

2. Chi-Square
Metode Chi-Square (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. Teknik chi-kuadrat digunakan untuk
menguji normalitas data yang disajikan secara kelompok.
Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal) sebaga berikut:
 Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
 Cocok untuk data dengan banyaknya angka besar (n>30)

Filosofi mengapa Chi-Square kok bisa dikatakan Goodness Of Fit Tes, adalah sebagai berikut:
Aku punya uang seratus rupiah. Tak lempar seratus kali, sisi A keluar sebanyak 35 kali, sisi B keluar
sebanyak 65 kali. Apakah koinku dapat dikatakan seimbang?

Macam Data Kemunculan Sisi Total

Koin
A = 50 100 Uji Chi Square
Data Teoritik B = 50 Sig. p>0,05 : Tidak Ada Beda
A = 35 10 Sig. p<0.05 : Ada Beda
Data Observasi 0
B =65

Kalau hasilnya tidak ada perbedaan, maka dapat dikatakan bahwa koin kita setimbang.

Data
Sd Distribusi Kurve Normal
Hasil
Kategori % Frek. Frek.
-3 1 - 10 2% 2 5
-2 11 - 15 14% 14 15
-1 16 - 20 34% 34 20
1 21 - 30 34% 34 38
2 31 - 35 14% 14 12
3 36 - 40 2% 2 10

Kita Lihat dulu Data teoritik kurve Normal. Kurve normal punya 6 Standar Deviasi (sd). Masing-masing sd luasnya seperti ini.
 Tentukan X² tabel, Df = banyak kelas-3, X² tabel diperoleh berdasarkan Df dan a
X² hitung < X² tabel, maka data berdistribusi normal.
X² hitung > X² tabel, maka data berdistribusi tidak normal.

3. Metode 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
Persyaratan menggunakan metode Lilifors sebagai berikut:
 Data berskala interval atau ratio (kuantitatif).
 Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi.
 Dapat untuk n besar maupun n kecil.
 ukuran sampel n ≤ 30.
 Tentukan Ltabel,
Ltabel = La(n-1)
Lalu lihat Ltabel pada tabel liliefors
Lhitung maksimum < Ltabel, maka data berdistribusi normal,
Lhitung maksimum > Ltabel, maka data berdistribusi tidak normal,

4. Kolomogorov -Smirnov
Chi-Square membandingkan distribusi teoritik dan distribusi empirik (observasi)
berdasarkan kategori-kategori, sedangkan Kolmogorov-Smirnov berdasakan frekuensi
kumulatif. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan
frekuensi kumulatif distribusi empirik.

Data frekuensi Frekuensi Kumulatif Frekuensi

Frekuensi kumulatif adalah penjumlahan
kumulatif frekuensi
2 5 5 per-baris hingga ke bawah
3 2 7
5 3 10 Lihat tabel dibawah ini.
7 5 15
Total 15 Ini contoh-contohan uji
normalitas data. Ada 6
Sebaran Normal pembagian.Uji KS
1 2 3 4 5 6 Total outputnya adalah D.
Frekuensi teoririk 1 2 3 3 2 1 12
Distribusi kumulatif 1/12 3/12 6/12 9/12 11/12 12/12 Kalau t-tes khan t. Kalau
(teoritik)…….A korelasi khan r. D itu didapatkan
Frekuensi empirik 1 3 2 3 1 2 12
dari distribusi kumulatif teoritik
Distribusi kumulatif 1/12 4/12 6/12 9/12 10/12 12/12
dikurangi distribusi kumulatif
(empirik)….....B
A-B 0 -1/12 0 0 1/12 0 empirik. Tapi tidak semua yang
diambil. Hanya satu yang diambil
yaitu yang selisihnya terbesar.
Hasil ini lalu dibandingkan
dengan tabel D.
 Negative
Cara Membaca Angka Pengurangan yang
menghasilkan angka negatif
terbesar
One-Sample Kolmogorov-Smirnov Test

VAR00001 Positive
N 12 Pengurangan yang
menghasilkan angka
Normal Parametersa,b Mean 3,0833 negatif terbesar
Std. Deviation 1,37895
Most Extreme Absolute ,164
Differences Positive ,117
Negative -,164
Kolmogorov-Smirnov Z ,567
Asymp. Sig. (2-tailed) ,905 Absolut (D)
Dari perbandingan antara negatif
a. Test distribution is Normal. dan positif, yang terbesarlah yang
dimasukkan sebagai absolut.
b. Calculated from d Dalam kasus ini D= 0,164
Jika D anda lebih kecil dari tabel,
Test Distribution is Normal artinya, maka data anda NORMAL.
yang diuji itu distribusi normal, bukan
distribusi eksponen, atau poisson

Deviasi Distribusi Normal

Dari sini dapat dikatakan bahwa data anda Jika Z anda di bawah 1,97 maka dapat dikatakan
berdistribusi normal. D = 0,164 (p>0,05). tidak ada perbedaan antara distribusi teoritik dan
or distribusi empirik..data anda NORMAL !
Beberapa orang ada yang menjadikan acuan
signifikansi adalah Z. dan biasanya mereka menulis
Z=0,567 (p>0,05)
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.

5. 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.
Persyaratan menggunakan metode ini sebagai berikut:
 Data berskala interval atau ratio (kuantitatif)
 Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi
 Data dari sampel random
 Jumlah sampel kecil yaitu kurang dari atau sama dengan 50 sampel
 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.
2. Mengapa statistika perlu mempelajari kurve normal. Kapan kita perlu membuktikan bahwa data yang
akan dianalisis harus berdistribusi normal?
Kurva Normal adalah suatu alat statistik yang sangat penting dalam menganalisis data dan
menentukan apakah suatu data itu berdistribusi normal atau tidak. Suatu data membentuk distribusi
normal bila jumlah data di atas dan di bawah mean adalah sama. Bentuk kurva normal adalah
simetris, sehingga luas rata-rata (mean) ke kanan dan ke kiri masing-masing mendekati 50 %. Jika
sebaran data tidak sesuai atau tidak normal maka harus menggunakan uji non parametrik. Luas
daerah kurva normal biasa dinyatakan dalam persen atau proporsi.
Kurva normal standar atau kurva normal baku adalah kurva normal yang mana nilai rata-ratanya sama
dengan nol ( µ = 0 ) dan simpangan bakunya adalah 1 (σ = 0 ). Dalam kurva normal umum nilai rata-
rata sama dengan x dan nilai simpangan baku 1s, 2s, 3s. Dengan kata lain dalam kurva normal umum
nilai rata-ratanya tidak sama dengan nol (µ ≠ 0) dan nilai simpangan bakunya tidak sama dengan 1 (σ
≠ 1). Perhatikan kurva distribusi normal standar berikut.

Gambar 1. Kurva distibusi normal standar

Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga (‒∞) hingga positif takhingga (+∞).
Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva normal adalah satu
(sebagaimana konsep probabilitas). Dengan demikian, luas kurva normal pada sisi kiri = 0,5; demikian
pula luas kurva normal pada sisi kanan = 0,5

Gambar 2. Luas kurva normal

Dengan kata lain ketika melihat data perlu memperhatikan frekuensi data tengah, karena keakuratan
data dilihat dari hal yang seperti ini, cara membaca dan melihat data yakni data hendaknya data
terbesar ada di tengah.
Pembuktian data yang akan dianalisa harus berdistribusi normal hanya akan dilakukan ketika
penggunaan teknik statistik parametrik, karena syarat utama untuk melakukan teknik analisis data
dengan statistik parametrik ini adalah data yang akan di analisis hendaknya berdistribusi normal.
3. Berikut adalah data hasil penelitian menggunakan instrument angket tentang kinerja guru terhadap 10
responden setelah ditabulasi data diperoleh jumlah skor masing-masing responden adalah sebagai
berikut:
27 38 40 27 34 30 33 33 30 38
Ujilah apakah data tersebut berdistribusi normal?
Karena data yang tersedia sebanyak 10 dan merupakan data tunggal, maka uji normalitas yang dapat
digunakan adalah Uji Lilifors

No Xi F zi Tabel zi Ft fk Fs |Ft – Fs|

1 27 1 -1.31 -0.4049 0.3428 1 0.1 0.2427755092
2 27 1 -1.31 -0.4049 0.3428 2 0.2 0.1427755092
3 30 1 -0.65 -0.2422 0.4043 3 0.3 0.1043125975
4 30 1 -0.65 -0.2422 0.4043 4 0.4 0.0043125975
5 33 1 0.00 0 0.5 5 0.5 0
6 33 1 0.00 0 0.5 6 0.6 -0.1
7 34 1 0.22 0.0871 0.5347 7 0.7 -0.1652960127
8 38 1 1.09 0.3621 0.6414 8 0.8 -0.1586386518
9 38 1 1.09 0.3621 0.6414 9 0.9 -0.2586386518
10 40 1 1.52 0.4357 0.6685 10 1 -0.3315272029
jumlah 330 10
mean 33
Stdev 4.5946829174
L maks 0.2427755092
L tabel 0.258
Kesimpulan L maks < L tabel: Data berdistribusi normal