Pengertian Uji Normalitas

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data
pada sebuah kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal
ataukah tidak.

Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal
atau diambil dari populasi normal. Metode klasik dalam pengujian normalitas suatu data tidak
begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya
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 normal atau tidak,
sebaiknya digunakan uji 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. uji statistik
normalitas yang dapat digunakan diantaranya Chi-Square, Kolmogorov
Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera.

Macam-macam Uji Normalitas

Uji normalitas yang dapat digunakan diantaranya:

-uji grafik

-Chi-Square

-Kolmogorov Smirnov,

-Lilliefors

-Shapiro Wilk

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

• Data berskala interval atau ratio (kuantitatif)

• Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi

• Dapat untuk n besar maupunn kecil

Metode Kolmogorov-Smirnov

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.

PERSYARATAN • Data berskala interval atau ratio (kuantitatif) • Data tunggal/ belum
dikelompokkan pada tabel distribusi frekuensi • Dapat untuk n besar maupun n kecil.

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 • Data berskala interval atau ratio (kuantitatif) • Data tunggal/belum

dikelompokkan pada tabel distribusi frekuensi • Data dari sampel random

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 disekitar garis dan mengikuti garis
diagonal maka nilai tersebut normal

Metode Chi Square Dalam Uji Normalitas

(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. Uji Chi-square seringkali digunakan oleh para peneliti sebagai alat uji
normalitas.

Rumus Uji Normalitas dengan Chi-Square

Keterangan :
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N
(total frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)
Komponen penyusun rumus tersebut di atas didapatkan berdasarkan pada hasil transformasi
data distribusi frekuensi yang akan diuji normalitasnya, sebagai berikut:
 Tabel Pembantu Uji Normalitas

Keterangan :
Xi = Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval kelas ke notasi pada distribusi normal
pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N
(total frekuensi) (pi x N)

Syarat Uji Chi-Square dalam  Uji Normalitas

Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)

a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.

Signifikansi:
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-Square).
Jika nilai X2 hitung < nilai X2 tabel, maka Ho diterima ; Ha ditolak.
Jika nilai X2 hitung > nilai X2 tabel, maka maka Ho ditolak ; Ha diterima.

Contoh Uji Chi-Square dalam uji Normalitas

Contoh:
Diambil Tinggi Badan Mahasiswa Di Suatu Perguruan Tinggi Tahun 2010
Selidikilah dengan α = 5%, apakah data tersebut di atas berdistribusi normal ? (Mean =
157.8; Standar deviasi = 8.09)
Penyelesaian :
1. Hipotesis :

 Ho : Populasi tinggi badan mahasiswa berdistribusi normal

 H1 : Populasi tinggi badan mahasiswa tidak berdistribusi normal

2. Nilai α

 Nilai α = level signifikansi = 5% = 0,05

3. Rumus Statistik penguji

Luasan pi dihitung dari batasan proporsi hasil tranformasi Z yang dikonfirmasikan dengan

tabel distribusi normal atau tabel z.
4. Derajat Bebas

 Df = ( k – 3 ) = ( 5 – 3 ) = 2

5. Nilai tabel

 Nilai tabel X2 ; α = 0,05 ; df = 2 ; = 5,991. Baca selengkapnya tentang Tabel Chi-

Square.

6. Daerah penolakan

 Menggunakan gambar


Menggunakan rumus:   |0,427 | < |5,991| ; Keputusan hipotesis: berarti Ho diterima,
Ha ditolak

7. Kesimpulan:  Populasi tinggi badan mahasiswa berdistribusi normal α = 0,05.