PAPER BIOSTATISTIK

“METODE DESKRITIF DAN UJI NORMALITAS DATA”

OLEH: KELOMPOK 6

NI PUTU ADEN SARASITA 15. 321. 2412

AGUSTINA DE ALMEIDA 17. 321. 2711
FIRA YASINTA 17. 321. 2714
I GEDE WAHYU SEPTIANA 17. 321. 2720
NI KADEK PON WIDIASTUTI 17. 321. 2729
NI KADEK YUNI PURNAMAYANTI 17. 321. 2730
NI KOMING ANGGI RATNA SARI 17. 321. 2743
NI WAYAN PARMINI 17. 321. 2756
SUPUTRA SIDARTA 17. 321. 2763

A11-B
PROGRAM STUDI ILMU KEPERAWATAN PROGRAM SARJANA
SEKOLAH TINGGI ILMU KESEHATAN WIRA MEDIKA BALI
2020
1
1. Metode Deskritif
Metode deskriptif dapat diartikan sebagai prosedur pemecahan masalah yang
diselidiki dengan menggambarkan keadaan subyek atau obyek dalam
penelitian berdasarkan fakta yang tampak apa adanya. Metode deskriptif atau
statistic deskriptif memberikan informasi hanya mengenai data yang ada dan
sama sekali tidak menarik iferensia atau kesimpulan apapun tentang data
tersebut. Penyajian data kategori deskriptif dapat berbentuk grafis dan
numerik, yaitu :
1. Penyajian data dalam bentuk numerik dapat dignakan untuk menghitung
nilai statistik dari sekumpulan data seperti mean dan standar deviasi.
Statistik ini memberikan informasi rinci tentang distribusi data. Contoh :
central tedensi, dispersion/pancaran, fraktile, skewness, pengukuran
keruncingan.
2. Penyajian data dalam bentuk grafis untuk mengidentifikasi pola-pola
tertentu dalam data. Disatu sisi pendekatan numerik lebih tepat dan
obyektif sehingga kombinasi dari kedua pendekatan ini akan saling
melengkapi. contoh : histogram, pie chart, polygon, ogive, dan diagram
batang daun (stem and leaf).

1) Distribusi Frekuensi
Penyusunan data yang telah disusun dari yang terkecil sampai yang
terbesar atau sebaliknya, bukan berarti bahwa penyederhanaan data tersebut
telah selesai. Jika jumlah responden yang diteliti banyak, maka barisan data
yang tersusun pun akan panjang. Keadaan ini masih belum membantu
peneliti dalam mengamati data tersebut. Agar data tersebut lebih sederhana
maka perlu dibuat suatu distribusi frekuensi yaitu mengumpulkan data yang
sama dalam satu kelompok. Dengan demikian dibutuhkan cara penyajian
data dengan cara membuat distribusi data melalui pembuatan daftar
distribusi frekuensi. Daftar distribusi frekuensi adalah penyusunan urutan
data ke dalam kelas-kelas interval, untuk kemudian ditentukan jumlah
frekuensinya berdasarkan data yang sesuai dengan batas-batas interval
kelasnya. Distribusi frekuensi ada bermacam-macam, di antaranya :

2
Ditinjau dari nyata tidaknya frekuensi
(1) Distribusi Frekuensi Absolut
Distribusi frekuensi absolut adalah suatu jumlah bilangan yang
menyatakan banyaknya data pada suatu kelompok tertentu. Distribusi
ini disusun berdasar apa adanya, sehingga tidak menyukarkan peneliti
dalam membuat distribusi ini.
(2) Distribusi Frekuensi Relatif
Merupakan suatu jumlah persentase yang menyatakan banyaknya data
pada suatu kelompok tertentu.
Tahap penyusunan data menjadi daftar distribusi frekuensi antara lain
adalah:
1. Menghitung jumlah data
2. Mencari data tertinggi dan terendah
3. Menetapkan range

4.
5. Merencanakan jumlah kelas
6. Jumlah kelas dihitung dengan menggunakan kaedah Sturges:

dimana n adalah jumlah data

7. Menentukan panjang kelas
Panjang kelas ditentukan dengan persamaan berikut:

8. Menentukan ujung bawah pada kelas interval

Ujung bawah kelas interval ditentukan dengan cara menjumlahkan
data terkecil yang ditetapkan sebagai ujung bawah kelas interval
pertama dengan nilai panjang kelas (p).
9. Menetapkan nilai ujung atas kelas interval

3
 Ujung atas kelas interval dimulai dengan interval kelas pertama
sampai dengan kelas terakhir. Beberapa kriteria yaitu:
a. Jika ujung-ujung bawah adalah bilangan bulat, maka nilai-nilai dari
ujung atas pada interval kelas pertama, kedua dan seterusnya
mempunyai selisih 1 dengan nilai ujung bawah berikutnya.
b. Jika ujung-ujung bawah adalah bilangan 1 desimal, maka nilai
ujung-ujung atas pada interval kelas pertama, kedua dan seterusnya
mempunyai seliisih 0,1 dengan nilai ujung bawah berikutnya.
10. Menentukan batas bawah dan batas atas kelas interval
11. Menentukan nilai tengah
Nilai tengah dapat ditentuan sebagai berikut:

Adapun macam-macam distribusi frekuensi adalah:

(1) Distribusi frekuensi relatif

Distribusi frekuensi relatif dapat dinyatakan dalam bentuk relatif
(persentase). Frekuensi relatif kadang-kadang dinyatakan dalam bentuk
perbandingan ataupun desimal.
Contoh:

Misalkan jumlah seluruh data adalah 125, maka diperolehdiperoleh

table distribusi berikut ini:

(2) Distribusi frekuensi kumulatif

Distribusi frekuensi kumulatif adalah distribusi yang berisikan
frekuensi kumulatif. Frekuensi kumulatif adalah frekuensi yang

4
 dijumlahkan. Ada dua macam distribusi frekuensi kumulatif, yaitu
distribusi frekuensi kumulatif kurang dari dan lebih dari.
a. Distribusi Frekuensi Kumulatif kurang dari, adalah distribusi
frekuensi yang memuat jumlah frekuensi yang memiliki nilai kurang
dari nilai batas kelas suatu interval tertentu.
b. Distribusi Frekuensi Kumulatif lebih dari, adalah distribusi
frekuensi yang memuat jumlah frekuensi yang memiliki nilai lebih
dari nilai batas kelas suatu interval tertentu.
Contoh :
Berikut ini adalah data 50 mahasiswa dalam perolehan nilai statistik
pada Prodi Pendidikan Olaharaga dan Kesehatan pada Universitas “T”
semester V tahun 2015:

2) Tendensi Sentral
Setiap pengukuran aritmatika yang ditujukan untuk menggambarkan
suatu nilai yang mewakili nilai pusat atau nilai sentral dari suatu gugus data
(himpunan pengamatan) dikenal sebagai ukuran tendensi sentral
Nilai sentral atau tendensi sentral adalah nilai dalam rangkaian data yang
mewakili rangkaian data tersebut. Tendensi sentral merupakan suatu ukuran
yang digunakan untuk mengetahui kumpulan data mengenai sampel atau
populasi yang disajikan dalam tabel atau diagram, yang dapat mewakili
sampel atau populasi. Bila ukuran tersebut diambil dari sampel disebut
statistik dan jika ukuran itu diambil dari populasi disebut parameter.
Tendensi sentral digunakan untuk menggambarkan sifat sekumpulan data
dari suatu pengamatan. Sentral Tendensial juga bisa disebut nilai yang
representatif dalam suatu kelompok observasi atau studi. Syarat-syaratnya
adalah sebagai berikut:
1. Harus dapat mewakili rangkaian data
2. Perhitungannya harus didasarkan pada seluruh data
5
3. Perhitungannya harus objektif
4. Perhitungannya harus mudah
5. Dalam suatu rangkaian hanya ada 1 nilai sentral
Terdapat tiga ukuran tendensi sentral yang sering digunakan, yaitu mean
(rata-rata hitung/rata-rata aritmetika), median, modus, kuartil, desi dan
presentil.
Ukuran Tendensi Sentral
(1) Mean
Arti dari mean tidak lain adalah “angka rata-rata”. Istilah Mean akan
tetap dipakai disini oleh karena sudah lazim digunakan dalam statistik.
Dari segi aritmetik Mean adalah “Jumlah nilai-nilai dibagi dengan
jumlah individu”. Istilah mean saja merupakan metode yang paling
banyak digunakan untuk menggambarkan ukuran tendensi sentral.
Mean (rata-rata) merupakan jumlah seluruh nilai data dibagi dengan
seluruh kejadian atau nilai rata-rata dari beberapa buah data.
Untuk keperluan ini, dalam perhitungan ukuran-ukuran statistik akan
digunakan simbol-simbol. Nilai-nilai data kuantitatif akan dinyatakan
dengan x1, x2, …, xn, apabila dalam kumpulan data itu terdapat n buah
nilai. Simbol n juga digunakan untuk menyatakan ukuran sampel, yakni
banyaknya objek atau data yang diteliti dalam sampel. Rata-rata untuk
data kuantitatif yang terdapat dalam sebuah sampel dihitung dengan
jalan membagi jumlah nilai data oleh banyaknya data.
Perhitungan Mean Data Yang Tidak Dikelompokkan (Ungrouped
Data)
Penggunaan data tidak dikelompokkan maupun data yang
dikelompokkan data yang dikelompokkan umumnya berkaitan dengan
jumlah data yang digunakan. Jika jumlah data yang digunakan relatif
sedikit, rata-rata data yang tidak dikelompokkan (ungrouped data)
menjadi pilihan untuk digunakan. Sebaliknya, jika jumlah data yang
digunakan relatif banyak maka penggunaan data kelompok (grouped
data) banyak dipilih.

6
a. Mean Data Tunggal
Dirumuskan dengan :

atau lebih sederhananya ditulis;

𝚺𝐗𝐢
Mean =
𝒏
Keterangan :
X1: data ke 1
X2: data ke 2
Xn: data ke-n
n: jumlah data Simbol ∑ adalah huruf Yunani yang disebut “Sigma”
dan mempunyai arti jumlah.
b. Mean Data Kelompok
Untuk data berkelompok rumus rata-ratanya adalah jumlah hasil kali
antara frekuensi dengan nilai data dibagi jumlah frekuensi; dimana
menyatakan frekuensi untuk nilai yang bersesuaian.
Dirumuskan dengan;

𝚺(𝐟𝒊. 𝐱𝒊)
𝐌𝐞𝐚𝐧 =
𝚺𝐟𝒊

Atau :

Keterangan :
X1: data ke 1
X2: data ke 2
Xn: data ke n
f1: frekuensi data ke 1
f2: frekuensi data ke 2

7
 fn: frekuensi data ke n
n: jumlah data
xi: nilai tengah
Kelebihan mean:
1. Nilai rata-rata punyai sifat objektif
2. Nilai rata-rata mudah dimengerti
3. Nilai rata-rata mudah dihitung
4. Perhitungan rata-rata didasarkan pada data keseluruhan
sehingga nilai rata-rata dapat mewakili suatu rangakaian
data.
5. Nilai rata-rata mempunyai stabilitas sampel
6. Nilai rata-rata digunakan untuk perhitungan lebih lanjut
Kelemahan mean:
1. Nilai rata-rata mudah dipengaruhi oleh nilai ekstrem, baik
kecil maupun besar
2. Pada distribusi yang condong, nilai rata-rata kurang
mewakili
(2) Median
Median (nilai tengah), adalah suatu nilai yang membatasi 50% dari
frekuensi distribusi sebelah atas dan 50% frekuensi distribusi sebelah
bawah atau merupakan nilai tengah dari rangkaian data yang telah
tersusun secara teratur. Atau sebagai ukuran letak, karena median
membagi distribusi menjadi 2 bagian yang sama. Median menentukan
letak data setelah data itu disusun menurut urutan nilainya.
Perhitungan Median Data Yang Tidak Dikelompokkan
(Ungrouped Data)
Langkah-langkahnya antara lain:
1. Urutkan data dari terkecil ke terbesar atau dari terbesar ke terkecil.
Dalam pembahasan ini, urutan data selalu dimulai dari terkecil ke
terbesar.
(𝒏+𝟏)
2. Tentukan letak median dengan formulasi. 𝟐

8
 3. Untuk kasus jumlah data ganjil, nilai tengah dari observasi yang
sudah di urutkan merupakan nilai median sementara untuk kasus
jumlah data genap, nilai median merupakan rata-rata dari dua data
yang berada pada letak median untuk data yang sudah diurutkan.
a. Median Data Tunggal
Jika banyak data ganjil maka median setelah data disusun menurut
nilainya merupakan data paling tengah.
(𝒏 + 𝟏)
𝐏𝐨𝐬𝐢𝐬𝐢 𝐌𝐞𝐝𝐢𝐚𝐧 =
𝟐

Keterangan :
n = Jumlah data

b. Median Data Kelompok

Keterangan :
Lm= true lower limit atau batas bawah sesungguhnya dari kelas
dengan frekuensi paling tinggi (tepi bawah kelas median)
n= Jumlah Frekuensi
∑f= Frekuensi kumulatif diatas kelas median
fm= Frekuensi kelas median (frekuensi tertinggi dari kelas interval)
c= interval kelas median
Median memiliki kelebihan dan kekurangan antara lain:
Kelebihan:
1. Cocok untuk data heterogen
2. Median digunakan bila terdapat data yang ekstrim dalam
sekelompok data
Kekurangan:
1. Tidak mempertimbangkan semua nilai
2. Kurang dapat menggambarkan mean populasi

9
(3) Modus
Modus, merupakan nilai data yang memiliki frekuensi terbesar atau
dengan kata lain, nilai data yang paling sering terjadi. Ukuran ini juga
dalam keadaan tidak disadari sering dipakai untuk menentukan rata-rata
data kualitatif. Misalnya banyak kematian di Indonesia disebakan oleh
penyakit malaria, pada umumnya kecelakaan lalulintas karena
kecerobohan pengemudi, maka tidak lain masing-masing merupakan
modus penyebab kematian dan kecelakaan lalu lintas. Cara menentukan
modus amat sangat mudah hanya dengan mengamati data yang paling
sering muncul. Dalam satu rangkaian data, kadang dijumpai adanya 1
modus, 2 modus atau tidak ada modus.
Perhitungan Modus Data Yang Tidak Dikelompokkan (Ungrouped
Data)
Langkah-langkahnya sebagai berikut:
1. Urutkan data dari terkecil ke terbesar atau dari terbesar ke terkecil
2. Cari modus dengan cara mencari nilai observasi yang paling banyak
muncul. Bisa terjadi dalam satu kumpulan data tidak terdapat modus
atau bahkan memiliki modus lebih dari satu. Untuk kasus dimana
ada 2 modus dikenal dengan sebutan bimodus atau untuk yang lebih
dari 3 modus dikenal dengan multimodus.
a. Modus Data Tunggal
Dalam data tunggal, modus dapat dibatasi sebagai nilai variabel
yang mempunyai frekuensi tertinggi dalam distribusi. Cara
menentukan modus data tunggal yakni dengan mengamati data
yang paling sering muncul.
Contoh modus data tunggal:
Berapakah modus dari data berikut : 1, 2, 2, 4, 4, 4, 5, 6, 7, 8, 9.
Jawab:
Modus= 4 , karena angka 4 muncul paling banyak yaitu 3 kali

10
 b. Modus Data Kelompok
Untuk data kualitatif yang telah disusun dalam tabel distribusi
frekuensi (data berkelompok), modusnya dapat ditentukan dengan
rumus:
Modus=
𝐝𝟏
𝐌𝐨𝐝𝐮𝐬 = 𝐋𝐦𝐨 + .𝒄
(𝐝𝟏 + 𝐝𝟐)
dengan:

Lmo = Tepi bawah kelas modus

d1 = selisih antara frekuensi kelas modus dengan frekuensi kelas

sebelum modus

d2 = selisih antara frekuensi kelas modus dengan frekuensi kelas

sesudah modus

c = interval kelas modus

Kelebihan:
1. Tidak peka atau tidak terpengaruh pada nilai ekstrem
2. Cocok untuk data homogen maupun heterogen (dapat digunakan
untuk semua jenis data)
Kekurangan:
1. Kurang menggambarkan mean populasi
2. Modus bisa lebih dari satu, atau tidak ada satu pun
3. Teknik perhitungan ukuran ini kurang memiliki ketelitian

(4) Kuartil, Desil dan Presentil

1. Kuartil
Jika sekumpulan data dibagi menjadi empat bagian yang sama banyak,
sesudah disusun menurut urutan nilainya, maka bilangan pembaginya
disebut kuartil. Ada tiga buah kuartil, yakni kuatil pertama, kuartil
kedua, dan kuartil ketiga yang masing-masing disingkat dengan Q1,
Q2, dan Q3. Pemberian nama ini dimulai dari nilai kuartil paling kecil.
Untuk menentukan nilai kuartilnya adalah:
11
 1) Susun data menurut urutan nilainya
2) Tentukan letak kuartil
3) Tentukan nilai kuartil
Letak kuartil ke-i, diberi lambang Qi, ditentukan oleh rumus:
𝑛+1
Q1= Kuartil bawah= 𝑥( )
4
2(𝑛+1)
Q2= Median= Kuartil Tengah= 𝑥( )
4
3(𝑛+1)
Q3= Kuartil atas= 𝑥( )
4
2. Desil
Jika sekumpulan data dibagi menjadi 10 bagian yang sama, maka
didapat sembilan pembagi dan tiap pembagi dinamakan desil.
Karenanya ada sembilan buah desil, ialah desil pertama, desil ke-dua,
…, desil ke-sembilan, yang disingkat D1, D2, …, D9. Desil-desil ini
dapat ditentukan dengan jalan:
1) Susun data menurut urutan nilainya
2) Tentukan letak desil
3) Tentukan nilai desil
Letak desil ke-i, diberi lambang Di
Desil Data Tunggal

Desil Data Kelompok

Untuk data berkelompok yang telah disusun dalam tabel distribusi
frekuensi, desil ke-i
Di (i= 1, 2, …, 9) dihitung dengan rumus:

dengan:
i = 1, 2, …, 9.
Tb= batas bawah kelas Di , ialah kelas interval dimana Di akan terletak.

12
 p = panjang kelas Di.
F = jumlah frekuenasi dengan tanda kelas lebih kecil dari tanda kelas
Di.
f = frekuensi kelas Di
3. Persentil
Sekumpulan data yang dibagi menjadi 100 bagian yang sama, akan
menghasilkan 99 pembagi berturut-turut yang dinamakan persentil
pertama, persentil kedua, …, persentil ke-99. Simbol yang digunakan
berturut-turut P1, P2, …, P99. Persentil ini dapat ditentukan dengan cara:
1) Susun data menurut urutan nilainya.
2) Tentukan letak presentil
3) Tentukan nilai presentil
Letak presentil ke-i, diberi lambang P.
Persentil Data Tunggal
1(𝑛+1)
Rumus Persensil ke-i = 𝑋 ( )
100

Persentil Data Kelompok

Untuk data berkelompok yang telah disusun dalam tabel distribusi
frekuensi, persentil ke-i Pi (i = 1, 2, …, 99) dihitung dengan rumus:

dengan:
i = 1, 2, …, 99.
Tb = batas bawah kelas Pi , ialah kelas interval dimana Pi akan terletak.
p = panjang kelas Pi.
F = jumlah frekuenasi dengan tanda kelas lebih kecil dari tanda kelas
Pi.
f = frekuensi kelas Pi.

2.Uji Normalitas
Uji normalitas merupakan salah satu bagian dari uji persyaratan analisis data
atau uji asumsi klasik. Artinya sebelum melakukan analisis yang sesungguhnya,
data penelitian tersebut harus diuji kenormalan distribusinya. Data yang baik
13
adalah data yang normal dalam pendistribusiannya. Jadi tujuan uji normalitas
adalah untuk menguji apakah data penelitian yang dilakukan memiliki distribusi
yang normal atau tidak. Dasar pengambilan keputusan dalam uji normalitas
yakni jika nilai signifikasi lebih besar dati 0,05, maka data tersebut berdistribusi
normal. Sebaliknya, jika nilai signifikasi lebih besar dai 0,05 maka data tersebut
tidak berdistribusi normal (Hamdi, et al., 2014).

Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel

berasal dari populasi yang berdistribusi normal. Ada beberapa teknik yang dapat
digunakan untuk menguji normalitas data, antara lain: Dengan kertas peluang
normal, uji chi-kuadrat, uji Liliefors, dengan Teknik Kolmogorov-Smirnov,
dengan SPSS. Berikut ini diuraikan contoh Uji normalitas dengan program
SPSS for Windows. Dibawah ini terdapat data Skor Tes Kemampuan
Pemahaman Matematis Siswa

Kode
No. Eksperimen Kontrol
Siswa
1 S-01 4 6
2 S-02 9 4
3 S-03 11 6
4 S-04 13 12
5 S-05 5 7
6 S-06 11 14
7 S-07 4 13
8 S-08 5 10
9 S-09 9 10
10 S-10 11 13
11 S-11 4 8
12 S-12 7 5
13 S-13 13 12
14 S-14 16 10
15 S-15 10 4

14
 16 S-16 4 5
17 S-17 2 4
18 S-18 19 15
19 S-19 15 11
20 S-20 8 10

Langkah-langkah:
Buka SPSS
Copy data tersebut ke dalam lembar kerja SPSS letakan dalam satu kolom dan
perlu diingat no urutnya 1-20 adalah kelas eksperimen dan 21-40 kelas kontrol,
kemudian pada kolom kedua isi dengan “1” untuk kelas Eksperimen dan “2”
untuk kelas kontrol

Buatlah nama variabel dengan cara Variabel View, kemudian pada

kolom Label beri nama “Kemampuan Pemahaman Matematis” pada
VAR000001 dan “Faktor” pada VAR000002

Kemudian pada kolom value pada VAR000002 klik none hingga muncul kotak
dialog seperti di bawah ini:
15
Isi kolom Value dengan “1”, Label dengan “Eksperimen” kemudian
klik Add, kemudian lanjutkan isi kolom Value dengan “2”, Label dengan
“Kontrol” kemudian klik Add dan klik OK.

Setelah diberi label kembalikan posisi pada Data View untuk melakukan Uji
Normalitas dengan cara Pilih menu berikut: Analyze–> Descriptives Statistics –
> Explore –> OK

16
Setelah muncul kotak dialog uji normalitas, selanjutnya pilih “Kemampuan
Pemahaman Matematis” sebagaidependent list; pilih “Faktor” sebagai factor
list, kemudian, klik Plots; pilih Normality test with plots; dan klik Continue,
lalu OK

Uji normalitas dengan menggunakan bantuan program SPSS, menghasilkan 3

(tiga) jenis keluaran, yaituProcessing Summary, Descriptives, Tes of Normality,
dan Q-Q plots. Untuk keperluan penelitian umumnya hanya diperlukan keluaran
berupa Test of Normality, yaitu keluaran yang berbentuk seperti tabel di bawah
ini. Keluaran lainnya dapat dihapus, dengan cara klik sekali pada objek yang
akan dihapus lalu tekan Delete. Pengujian denganSPSS berdasarkan pada uji
Kolmogorov-Smirnov dan Shapiro-Wilk.
Pilih salah satu saja, misalnya Kolmogorov-Smirnov.

17
 Dari Hasil tabel di atas menunjukkan uji normalitas data y, yang sudah
diuji sebelumnya secara manual dengan uji Liliefors dan Kolmogorov-Smirnov.
Pengujian dengan SPSS berdasarkan pada uji Kolmogorov-Smirnov dan
Shapiro-Wilk. Pilih salah satu saja misalnya Kolmogorov-Smirnov. Hipotesis
yang diuji adalah:
Ho : Sampel berasal dari populasi yang berdistribusi normal
H1 : Sampel tidak berasal dari populasi yang berdistribusi normal
Dengan demikian, normalitas dipenuhi jika hasil uji tidak signifikan untuk
suatu taraf signifikansi (α) tertentu (biasanya α=0,05 atau α=0,01). Sebaliknya, jika
hasil uji signifikan maka normalitas data tidak terpenuhi. Cara mengetahui
signifikan atau tidak signifikan hasil uji normalitas adalah dengan memperhatikan
bilangan pada kolom signifikansi (Sig.) untuk menetapkan kenormalan, kriteria
yang berlaku adalah sebagai berikut:
a. Tetapkan taraf signifikansi uji misalnya α=0,05
b. Bandingkan p dengan taraf signifikansi yang diperoleh
c. Jika signifikansi yang diperoleh > α, maka sampel berasal dari populasi yang
berdistribusi normal.
d. Jika signifikansi yang diperoleh < α, maka sampel bukan berasal dari populasi
yang berdistribusi normal.
Pada hasil di atas diperoleh untuk kelas eksperimen nilai signifikansi p = 0,387,
sehingga p > α dan untuk kelas kontrol nilai signifikansi p = 0,127, sehingga p > α.
Dengan demikian sampel berasal dari populasi yang berdistribusi normal.

1) Kolmogorov-Sminov
Tes satu sampel Kolmogorov Smirnov mencakup perhitungan distribusi
frekuensi komulatif yang akan terjadi di bawah distribusi teoritisnya, serta
membandingkan distribusi frekuensi itu dengan distribusi frekuensi komulatif
hasil observasi (Siegel, 1997).

18
 Tabel uji normalitas menggunakan Metode Kolmogorov-Smirnov seperti
berikut.

No. 𝑥𝑖 𝑍 𝐹𝑟 𝐹𝑠 |𝐹𝑟 − 𝐹𝑠|

𝑥𝑖 − 𝑥̅
=
𝑆𝐷
1.
2.
dst.

Keterangan:
xi= Angka Pada Data
Z= Transformasi Dari Angka Ke Notasi Pada Distribusi Normal
Fr= Probabilitas Komulatif Normal
Fs= Probabilitas Komulatif Empiris
Fr= Komulatif Proporsi Luasan Kurva Normal Berdasar Notasi Zi, dihitung
dari luasan kurva mulai dari ujung kiri kurva sampai dengan titik Z

𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑎𝑛𝑔𝑘𝑎 𝑠𝑎𝑚𝑝𝑎𝑖 𝑎𝑛𝑔𝑘𝑎 𝑘𝑒 𝑛𝑖

𝐹𝑠 =
𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑎𝑛𝑔𝑘𝑎 𝑝𝑎𝑑𝑎 𝑑𝑎𝑡𝑎

Normalitas data diuji menggunakan rumus (Siegel, 1997: 59)

𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚 |𝐹𝑜 (𝑥) − 𝑆𝑁 (𝑥)|
Keterangan:
Fo(x) : Distribusi frekuensi kumulatif teoritis
SN (x) : Distribusi frekuensi kumulatif skor observasi
Langkah-langkah mengerjakan adalah sebagai berikut.
a. Mengurutkan data sampel dari yang kecil sampai yang terbesar.
b. Menentukan nilai z dari tiap-tiap data tersebut .
c. Menentukan besar peluang untuk masing-masing nilai z berdasarkan tabel
z dan diberi nama Fx = nilai tabel z + 0,5.

19
d. Menghitung frekuensi kumulatif relatif kurang dari masing-masing nilai z,
tiap-tiap frekuensi kumulatif dibagi dengan n sebut dengan Sx .
Menggunakan nilai Dhitungyang terbesar.
e. Menentukan nilai Dhitung = |Fx − Sx |, hitung selisihnya, kemudian
bandingkan dengan nilai Ltabel dari tabel Kolmogorov-Smirnov.
f. Jika Dhitung < Dtabel, maka sampel berasal dari populasi yang berdistribusi
normal.
Tabel Nilai Kritis D Untuk Uji Kolmogorov-Smirnov
Tabel Nilai Kritis D Untuk Uji Kolmogorov-Smirnov
n  = 0,20  = 0,10  = 0,05  = 0,02  = 0,01
1 0,900 0,950 0,975 0,990 0,995
2 0,684 0,776 0,842 0,900 0,929
3 0,565 0,636 0,708 0,785 0,829
4 0,493 0,565 0,624 0,689 0,734
5 0,447 0,509 0,563 0,627 0,669
6 0,410 0,468 0,519 0,577 0,617
7 0,381 0,436 0,483 0,538 0,576
8 0,359 0,410 0,454 0,507 0,542
9 0,339 0,387 0,430 0,480 0,513
10 0,323 0,369 0,409 0,457 0,486
11 0,308 0,352 0,391 0,437 0,468
12 0,296 0,338 0,375 0,419 0,449
13 0,285 0,325 0,361 0,404 0,432
14 0,275 0,314 0,349 0,390 0,418
15 0,266 0,304 0,338 0,377 0,404
16 0,258 0,295 0,327 0,366 0,392
17 0,250 0,286 0,318 0,355 0,381
18 0,244 0,279 0,309 0,346 0,371
19 0,237 0,271 0,301 0,337 0,361
20 0,232 0,265 0,294 0,329 0,352
21 0,226 0,259 0,287 0,321 0,344
22 0,221 0,253 0,281 0,314 0,337
23 0,216 0,247 0,275 0,307 0,330
24 0,212 0,242 0,269 0,301 0,323
25 0,208 0,238 0,264 0,295 0,317
26 0,204 0,233 0,259 0,290 0,311
27 0,200 0,229 0,254 0,284 0,305
28 0,197 0,225 0,250 0,279 0,300

20
 29 0,193 0,221 0,246 0,275 0,295
30 0,190 0,218 0,242 0,270 0,290
35 0,177 0,202 0,224 0,251 0,269
40 0,165 0,189 0,210 0,235 0,252
45 0,156 0,179 0,198 0,222 0,238
50 0,148 0,170 0,188 0,211 0,226
55 0,142 0,162 0,180 0,201 0,216
60 0,136 0,155 0,172 0,193 0,207
65 0,131 0,149 0,166 0,185 0,199
70 0,126 0,144 0,160 0,179 0,192
75 0,122 0,139 0,154 0,173 0,185
80 0,118 0,135 0,150 0,167 0,179
85 0,114 0,131 0,145 0,162 0,174
90 0,111 0,127 0,141 0,158 0,169
95 0,108 0,124 0,137 0,154 0,165
100 0,106 0,121 0,134 0,150 0,161

Pendekatan 1,07/√n 1,22/√n 1,36/√n 1,52/√n 1,63/√n

Nilai kritis Pengujian Kolmogorov dengan 𝛼 = 0,05 dan n=32

adalah 𝐷𝑡𝑎𝑏𝑒𝑙 = 0,242.

2) Uji Shapiro Wilk

Shapiro Wilk adalah sebuah metode yang digunakan untuk mengolah
data sampel berukuran kecil. Ada beberapa syarat yang harus dipenuhi oleh
data yang akan diuji kenormalannya menggunakan metode ini , yaitu data
berskala interval atau rasio , data berupa data tunggal yang belum
dikelompokkan pada tabel distribusi frekuensi dan data sampel diambil secara
acak.
Tahap – tahap uji kenormalan menggunakan Shapiro Wilk
1. Menentukan hipotesis
H0 : Populasi berdistribusi normal.
HA : Populasi tidak berdistribusi normal.
2. Data diurutkan dari yang terkecil sampai terbesar dan kemudian dibagi
menjadi dua untuk dikonversi dalam Shapiro Wilk.
3. Menghitung statistik uji
2
1  k 
T3   
D  i 1
ai ( xn i 1  xi ) 

21
 x 
n
2
D i x
i 1
 Dimana : 𝑎𝑖 : koefisien uji Shapiro Wilk
𝑥𝑛−𝑖+1 : data ke n-i+1
𝑥𝑖 : data ke i
𝑥̅ : rata – rata data
4. Menghitung signifikansi uji
Signifikansi uji dibandingkan dengan nilai tabel Shapiro Wilk untuk
dilihat nilai peluangnya (p).
Jika p < α maka tolak H0.
Jika p > α maka gagal tolak H0.
5. Atau dapat juga dicari luasan kurva normalnya dengan mentransformasi
datanya kedalam nilai Z.
Transformasi ke dalam nilai Z sebagai berikut :
T  d n 
G  bn  cn  ln  3 
 1  T3 
Dimana G = identik dengan nilai Z distribusi normal
bn , cn , dn : konversi statistik Shapiro Wilk pendekatan distribusi normal

22
 DAFTAR PUSTAKA

Aditama.Siegel, (1997). Statistik non parametrik untuk ilmu-ilmu sosial,

Jakarta:Gramedia.

Asep Saepul Hamdi dan E. Baharuddin. 2014. Metode Penelitian Kualitatif.

Yogyakarta: Deepublish.

Sugiyono. 2010. Statistika untuk Penelitian. Bandung: Alfabeta.

Supranto, J. 2000. Statistik Teori dan Aplikasi.Jakarta : Erlangga.

23