UJI ASUMSI

“ Uji Asumsi Normalitas dan Homogenitas ”

Disusun untuk memenuhi salah satu tugas matakuliah Statistika

Dosen Pengampu :
Dr. Arnita, M.Si

Disusun Oleh :
KELOMPOK 9

Rezeki Nurkhalizah 4202250004

Risky Gunawan 4203250022
Ridho Ardhana 4203250034

ILMU KOMPUTER B 2020

UNIVERSITAS NEGERI MEDAN

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI ILMU KOMPUTER
2020
 Kata Pengantar

Puji dan syukur saya sebagai penulis panjatkan kehadirat Tuhan YME, atas anugrah
dan berkat-Nya saya mampu menyelesaikan tugas review ini dengan sebaik-baiknya dan
dengan tepat waktu. Tujuan dari penulisan tugas review ini ialah untuk memenuhi salah satu
tugas matakuliah Statistika. Adapun materi isi buku yang akan penulis kritisi ialah mengenai
Uji Asumsi Normalitas dan Homogenitas.
Saya juga berterima kasih kepada dosen pengampu yaitu ibu Dr. Arnita, M.Si Yang
telah mempermudah pengerjaan tugas mata kuliah ini. Semoga kiranya bermanfaat bagi
banyak orang khususnya bagi saya dan umumnya bagi siapa saja yang membacanya.
Dalam penulisan makalah ini saya menyadari bahwa masih banyak kekurangan
penulis dalam penulisan. Oleh karena itu, kritik dan saran dari pembaca yang bersifat
membangun sangat diharapkan. Atas perhatiannya saya sebagai penulis ucapkan terimakasih.

Medan, Maret 2021

Penulis,

Kelompok 9

PSIKOM B 2020

STATISTIKA 1
 DAFTAR ISI

Kata Pengantar......................................................................................................................................1
DAFTAR ISI.........................................................................................................................................2
BAB 1 PENDAHULUAN....................................................................................................................3
1.1. Latar Belakang.......................................................................................................................3
1.2. Tujuan....................................................................................................................................3
1.3. Rumusan Masalah..................................................................................................................3
BAB 2 IDENTITAS BUKU.................................................................................................................4
BAB 3 MATERI ISI BUKU................................................................................................................5
A. Materi Isi Buku 1.......................................................................................................................5
B. Materi Isi Buku 2.......................................................................................................................5
BAB 4 PERBANDINGAN ISI BUKU................................................................................................5
1. Kelebihan.......................................................................................................................................5
2. Kekurangan....................................................................................................................................5
BAB 5 PENUTUP................................................................................................................................6
A. Kesimpulan................................................................................................................................6
B. Rekomendasi atau Saran............................................................................................................6
DAFTAR PUSTAKA..........................................................................................................................7

STATISTIKA 2
 BAB 1 PENDAHULUAN

1.1. Latar Belakang

Dalam ruang lingkup pendidikan, seringkali diungkapkan bahwa data penelitian suatu
kelompok siswa dalam kelas membentuk kurva normal (Nasrum, 2018). Asumsi data normal
diuji terlebih dahulu untuk membuktikan apakah data emprik yang sudah diperoleh sesuai
dengan distribusi normal atau tidak. Mengapa perlu diuji? Ini dikarenakan data dengan
distribusi normal merupakan salah satu syarat yang harus dipenuhi saat hendak melakukan
penghitungan analisis statistika.

Klasifikasi data baik berupa data interval maupun rasio yang sudah didapatkan
melalui pengumpulan data selanjutnya akan diuji berdasarkan analisis statistika parametrik.
Analisis statistika parametrik digunakan untuk menguji parameter populasi melalui analisis
statistika atau menguji ukuran populasi melalui data sampel.

1.2. Tujuan
1. Memahami materi yang berhubungan dengan Uji Asumsi Normalitas dan
Homogenitas
2. Mengkritisi sumber buku yang menjadi bahan pembelajaran
3. Menemukan perbandingan antara kedua sumber buku
4. Menganalisa kekurangan dan kelebihan kedua sumber buku
5. Menentukan sumber buku yang lebih baik dijadikan bahan referensi

1.3. Rumusan Masalah

1. Apakah yang dimaksud dengan Uji Asumsi Normalitas dan Homogenitas ?
2. Bagaimanakah materi Uji Asumsi Normalitas dan Homogenitas yang dibahas oleh
kedua sumber buku?
3. Bagaimanakah perbandingan antara kedua buku tersebut?

STATISTIKA 3
 BAB 2 IDENTITAS BUKU

Identitas
NO. Buku 1 Buku 2
Buku

JUDUL
1. Uji Persyaratan Analisis Dasar-dasar Statistik Penelitian
BUKU

SAMPUL
2.
BUKU

Nuryadi, S.Pd.Si., M.Pd, Tutut

Dewi Astuti, SE., M.Si, Ak.
Dr. I Wayan Widana, S.Pd., M.Pd.
3. PENULIS CA., CTA, Endang Sri Utami,
dan Putu Lia Muliani
SE., M.Si., Ak., CA, Dan M.
Budiantara, SE.,M.Si.,Ak, CA

4. PENERBIT KLIK MEDIA SIBUKU MEDIA

TAHUN
5. 2020 2017
TERBIT

6. EDISI/JILID - -

7. Halaman 91 Halaman 170 Halaman

8. ISBN 978-623-94624-6-8 978-602-6558-04-6

9. Reviewer Kelompok 9-Psikom B 2020 Kelompok 9-Psikom B 2020

STATISTIKA 4
 BAB 3 MATERI ISI BUKU

A. Materi Isi Buku 1

I. UJI NORMALITAS
Beberapa ahli analisis statistika menyebutkan bahwa apabila jumlah data lebih
dari 30 (n>30) maka data tersebut sudah diasumsikan sebagai data berdistribusi
normal. Namun bukan berarti data yang jumlahnya kurang dari 30 (n<30) tidak
berdistribusi normal. Apabila peneliti akan menggunakan analisis statistika
parametrik (inferensial) maka uji normalitas data merupakan salah satu syarat
yang harus dipenuhi. Selain itu, pengujian normalitas dilakukan untuk
memudahkan peneliti dalam menentukan jenis analisis statistika yang akan
digunakan. Umumnya apabila data sudah dinyata- kan normal atau berasal dari
populasi yang berdistribusi normal maka analisis statistika yang digunakan ialah
analisis statistika parametrik. Namun jika data tidak normal atau tidak berasal
dari populasi berdistribusi normal gunakan analisis statistika non-parametrik.

Analisis statistika parametrik mensyaratkan bahwa data setiap variabel yang akan
dianalisis harus berdistri- busi normal. Uji normalitas data dapat menggunakan
banyak metode yang tersedia, seperti metode Kolmogrov-Smirnov, Chi Square,
Liliefors, Shapiro-Wilk atau menggunakan software SPSS, Microsoft Excel,
Minitab, dan sebagainya. Masing-masing metode atau cara uji tersebut memiliki
kemampuan yang berbeda- beda dalam menyingkap penyimpangan data terdistri-
busi normal atau tidak. Matondang (2012) mengemukakan bahwa terdapat dua
teknik pendekatan analisis statistika parametrik yang sering digunakan sebagai
pengujian normalitas yaitu Uji Chi Square dan Liliefors.

1. Metode Chi Square

Salah satu fungsi distribusi kontinu yang dapat digunakan menguji normalitas
data ialah Chi Square. Uji Chi Square familiar dengan sebutan Goodness of
Fit dikarenakan pengujian ini dapat digunakan untuk uji pencocokan kurva
normal yaitu menguji apakah data sudah mengikuti kurva/distribusi tertentu
atau belum. Ada banyak kegunaan dari uji Chi Sqaure, selain uji pencocokan
kurva normal, Chi Square biasa digunakan untuk uji homogenitas, uji
hipotesis antara hubungan dua variabel, dan uji independensi antar variabel.

Konsep dari pengujian normalitas data dengan Chi Square adalah

membandingkan frekuensi harapan (fh) dengan frekuensi data observasi (fo).
Data yang akan diuji pun akan dikelompokkan berdasarkan interval tertentu.
Selanjutnya hasil dari perbandingan kedua frekuensi tersebut dapat dikatakan
sebagai Chi Square hitung (𝜒2). Perhatikan contoh berikut. Contoh 1.1

STATISTIKA 5
 Tabel 1.1 Data kemampuan pemecahan masalah

No. KPM No. KPM

1 58 16 48
2 52 17 52
3 55 18 59
4 49 19 54
5 60 20 65
6 57 21 54
7 53 22 53
8 45 23 49
9 52 24 57
10 53 25 53
11 62 26 55
12 51 27 46
13 46 28 49
14 42 29 53
15 47 30 59
Misalkan data diatas adalah data dari hasil penelitian terhadap sampel dari
populasi peserta didik yang akan diukur nilai kemampuan pemecahan masalah
(KPM). Lakukan pengujian normalitas data menggunakan uji Chi Square, lalu
tentukan apakah data hasil kemampuan. pemecahan masalah berasal dari
populasi berdistribusi normal atau tidak?

Penyelesaian
Untuk dapat menguji data tersebut, terlebih dahulu kelompokkan data dalam
interval tertentu.
Langkah-langkah pengujian normalitas data dengan Chi Square adalah
sebagai berikut (Sugiyono, 2017):
a. Merangkum data dari variabel. Dalam hal ini data yang akan dirangkum
adalah data kemampuan pemecahan masalah.
b. Menentukan banyak kelas interval, Rumus yang digunakan adalah: k = 1 +
3,3 log (n).
Keterangan:
k = banyak kelas interval n = banyaknya data
Sehingga:
k = 1 + 3,3 log (n) k = 1 + 3,3 log (30)
k = 1 + 3,3 . 1,48
k = 1 + 4,88
k = 5,88 (dibulatkan menjadi 6) Jadi, banyak kelas interval adalah 6.

STATISTIKA 6
 c. Menentukan panjang kelas
Setelah menentukan banyak kelas interval, kemudian ditentukan
R
panjang kelas interval dengan rumus sebagai berikut : P=
K
Keterangan:
p = panjang kelas interval
R = rentangan/jangkauan
k = banyak kelas interval
Untuk dapat menentukan R, terlebih dahulu urutkan data dari yang terkecil
hingga terbesar.
R = nilai maksimum – nilai minimum
= 65 – 42
= 23
R
P=
K
23
P= = 3,83 (dibulatkan menjadi 4)
6
d. Kemudian membagi luas kurva normal menjadi 6 (karena banyak kelas
interval diperoleh 6 kelas). Masing-masing luasnya adalah 2,7%;
13,34%; 33,96%; 33,96%; 13,34%; 2,7%.
e. Menghitung ƒℎ (frekuensi harapan) dengan mengalikan presentase luas tiap
bidang kurva normal dengan jumlah anggota sampelnya (n).
f. Memasukkan nilai/harga ke setiap tabel kolom.
g. Rumus menghitung nilai Chi Square

h. Menghitung nilai Chi Square dengan rumus tadi dan nilai Chi Square
tabel (bisa dilihat pada tabel Chi Square).
i. Menyusun tabel penolong untuk memudahkan menghitung.

STATISTIKA 7
 j. Menguji normalitas data, nilai 𝜒2 = 7,6 dibandingkan dengan Chi
Square tabel dengan tingkat kesalahan (α =0,05) dan dk (n-1) = 5. Nilai
Chi Square tabel yang didapat sebesar 11,07.
Kriteria pengambilan keputusan
k. Apabila nilai 𝜒2 (Chi Square) kurang dari Chi Square tabel, maka data
dinyatakan berdistribusi normal (𝜒2hitung ≤ 𝜒2tabel).
l. Apabila nilai 𝜒2 (Chi Square) lebih dari Chi Square tabel, maka data
dinyatakan tidak berdistribusi normal (𝜒2hitung > 𝜒2tabel).

m. Berdasarkan perhitungan pada Tabel 1.2, diperoleh nilai Chi Square

hitung sebesar 7,6 dan Chi Square tabel sebesar 11,07. Karena
𝜒2hitung≤ 𝜒2tabel (7,6 ≤ 11,07) maka dapat disimpulkan bahwa data sampel
berasal dari populasi yang berdistribusi normal.

2. Metode Liliefors
Pada dasarnya uji Liliefors merupakan uji Kolmogorov-Smirnov hanya saja yang
membedakannya ialah nilai dari tabel pembanding yang akan digunakan untuk
mengambil kesimpulan. Seorang Profesor di bidang ilmu analisis statistika
Universitas George Washington, Hubert Whitman Liliefors menyatakan bahwa tabel
Kolmogorov Smirnov yang digunakan sebagai patokan untuk uji normalitas hanya
valid jika data yang diobservasi benar-benar berasal dari fungsi distribusi kontinu
(Nasrum, 2018). Uji Liliefors lebih sensitif daripada Kolmogorov-Smirnov untuk itu
disarankan menggunakan hasil dari Liliefors sebagai pembanding dalam hal
penarikan kesimpulan daripada Kolmogorov Smirnov. Umumnya teknik Liliefors
digunakan dalam kapasitas data dengan rentangan jumlah yang sedikit karena jika
data terlalu banyak akan menjadi rumit. Ini disebabkan karena teknik Liliefors
melakukan pendekatan pemeriksaan data individu dari keseluruhan data yang ada.
Contoh 1.2

STATISTIKA 8
 Sebagai latihan perhatikan kembali data pada table 1.1. di atas. Lakukan pengujian
normalitas data menggunakan uji Liliefors, tentukan apakah data hasil kemampuan
pemecahan masalah termasuk berdistribusi normal atau tidak.
Penyelesaian
Langkah-langkah pengujian menggunakan metode Liliefors adalah sebagai
berikut.

a. Mengurutkan data dari yang terkecil hingga yang terbesar.

Xi−x
b. Mencari nilai Zi dengan rumus Zi=
s

c. Nilai rata-rata atau mean (𝑿̅ ) yang didapat ialah sebesar 52,9 dan
simpangan baku (s) sebesar 5,3
d. Mencari nilai F(Zi) menggunakan tabel distribusi Z (terlampir).
e. Menghitung frekuensi kumulatif (fKum) masing- masing data.
f. Menghitung nilai S(Zi), yaitu menghitung nilai proporsi tiap-tiap
frekuensi kumulatif data dibagi dengan n (banyak data).

STATISTIKA 9
 g. Menghitung proporsi 𝑍1, 𝑍2, 𝑍3, 𝑑𝑠𝑡 kemudian dibagi jumlah sampel.

h. Menentukan selisih F(Zi) – S(Zi). Hasil selisih tersebut kemudian

ditentukan nilai absolutnya.
i. Menghitung Lhitung dengan mencari nilai maksimum pada hasil
perhitungan di langkah 5.
j. Menyusun tabel penolong uji normalitas Liliefors sebagai berikut:

k. Menguji normalitas data pada metode Liliefors yaitu dengan cara

membandingkan nilai maksimum (Lhitung) dengan nilai Ltabel (α ; n).
Kriteria pengambilan keputusan

STATISTIKA 10
 a. Apabila nilai Lhitung kurang dari Ltabel, maka data dinyatakan
berdistribusi normal (𝐿ℎ < 𝐿𝑡).
b. Apabila nilai Lhitung lebih dari Ltabel, maka data dinyatakan tidak
berdistribusi normal (𝐿ℎ > 𝐿𝑡).
l. Berdasarkan perhitungan pada Tabel 1.4 di atas, diperoleh nilai 𝐿ℎ𝑖𝑡𝑢𝑛g=0,10
dan 𝐿𝑡𝑎𝑏e𝑙=(0,05 ; 30) sebesar 0,161. Karena 𝐿ℎ < 𝐿𝑡 (0,10 ≤ 0,161) maka dapat
disimpulkan bahwa data sampel berasal dari populasi yang berdistribusi
normal

Seperti yang sudah disampaikan sebelumnya bahwa uji normalitas bisa dilakukan
dengan banyak metode dengan tingkat keakuratannya masing-masing. Berikut ini
akan disajikan contoh uji persyaratan analisis menggunakan software. Salah satu
aplikasi yang sangat populer digunakan untuk menganalisis data statistik adalah
SPSS. Melalui software, uji normalitas suatu data dapat dicari dengan menggunakan
program aplikasi SPSS 22. for Windows.

3. Metode SPSS 22 for Windows

Contoh 1.3
Data yang akan dianalisis dapat dilihat pada tabel 1.1 di atas. Berdasarkan sajian
data, akan dilakukan pengujian normalitas menggunakan SPSS 22 for Windows.
Langkah-langkahnya sebagai berikut.
a. Buka aplikasi SPSS, lalu Input variabel data dan berikan nama. Apabila data
tidak dalam bentuk desimal, lebih baik ubah pada kolom Decimals menjadi 0. Ini
dimaksudkan agar tidak ada angka di belakang koma. Untuk tampilannya
sebagai berikut :

b. Apabila variabel sudah dibuat, selanjutnya Input atau masukkan data variabel di
Data View. Klik Data View, input semua data yang disajikan pada tabel 1.1 di
atas sebanyak 30 data kemampuan pemecahan masalah (KPM). Maka
tampilannya akan sebagai berikut. :

STATISTIKA 11
 c. Langkah selanjutnya melakukan analisis. Klik Analyze, pilih Descriptive Statistics
lalu pilih Explore. Maka akan muncul kotak dialog seperti tampilan berikut :

d. Pilih KPM lalu masukkan pada kolom Dependent List. Jika sudah, klik
tombol/button Plots kemudian beri centang pada keterangan Normality plots
with tests. Tampilan nya sebagai berikut:

e. Untuk melanjutkan langkah keempat, klik Continue, kemudian pilih OK

STATISTIKA 12
 Cara membaca output SPSS 22 for Windows
a) Perhatikan hasil Output pada bagian Tests of Normality.
b) Pengujian normalitas melalui SPSS menggunakan acuan probabilitas.
Kriteria pengambilan keputusan
 Jika nilai 𝑠𝑖𝑔. lebih dari 0,05 maka data dinyatakan berdistribusi normal.
 Jika nilai 𝑠𝑖𝑔. kurang dari 0,05 maka data dinyatakan tidak berdistribusi
normal

c) Berdasarkan Tabel 1.6 diperoleh nilai signifikansi dari Kolmogorov-

Smirnov sebesar 0,200 dan nilai signifikansi dari Shapiro-Wilk
sebesar 0,966. Dari dua nilai signifikansi tersebut dapat digunakan
salah satu atau keduanya selanjutnya dibandingkan dengan nilai 𝛼 =
0,05.
d) Berdasarkan kriteria pengujian normalitas menggunakan SPSS didapat
nilai signifikansi baik dari signifikansi Kolmogorov-Smirnov dan
Shapiro-Wilk sama-sama lebih dari 𝛼=0,05 maka dapat disimpulkan
bahwa data sampel berasal dari populasi yang berdistribusi normal.
Sehingga analisis statistika pengujiannya dapat menggunakan analisis
statistika parametrik.

4. Uji Normalitas Menggunakan Teknik Residual

Dalam penelitian ada kalanya kita harus menguji normalitas beberapa data.
Pengujian data menggunakan teknik residual bertujuan untuk menguji
beberapa data sekaligus secara bersama-sama. Jadi tidak dilakukan secara
sendiri-sendiri. Berikut disajikan sebuah contoh penelitian yang dilakukan
untuk mencari hubungan antara lama usaha dan jumlah karyawan dengan
pendapatan pedagang di Pasar Lokal Jaya. Berikut ini sajian datanya
tersusun dalam Tabel 1.6.

STATISTIKA 13
 Data pada Tabel 1.6 akan dianalisis untuk mengetahui apakah data normal
atau tidak menggunakan teknik residual berbantuan SPSS 22 for Windows.
Adapun langkah-langkahnya sebagai berikut:
a. Memisalkan lama usaha (X1), jumlah karyawan (X2), dan pendapatan
(Y). Kemudian buka aplikasi SPSS dan buatkan nama variabel pada
Variabel View. Lebih jelasnya perhatikan gambar berikut :

b. Copy- paste data pada Tabel 1.6 letakkan pada bagian

STATISTIKA 14
 Data View. Lalu hasilnya sebagai berikut

c. Uji normalitas pada teknik residual menggunakan variabel residu yang

dihasilkan. Oleh karena itu sebelum proses pengujian, terlebih dahulu
dibuatkan variabel residunya dengan cara sebagai berikut.
1. Klik Analyze pilih Regression dan klik Linier. Akan muncul kotak
dialog sebagai berikut :

2. Pada kolom Dependent, masukan variabel terikatnya yaitu

pendapatan (Y) dan pada kolom Independent masukan variabel
bebasnya yaitu lama usaha (X1) dan jumlah karyawan (X2).

STATISTIKA 15
 3. Langkah selanjutnya klik Save lalu beri centang pada
Unstandardized agar nanti muncul variabel residualnya

STATISTIKA 16
 4. Klik Continue dan OK lalu abaikan output karena yang dibutuhkan
hanya variabel residunya saja.

d. Buka Data View. Akan muncul variabel baru bernama RES_1. Variabel
inilah yang akan selanjutnya digunakan untuk pengujian normalitas
semua data sekaligus :

e. Setelah berhasil membuat variabel residual, langkah selanjutnya adalah menguji

normalitas data. Caranya masih sama seperti pengujian normalitas pada contoh
1.3 di atas, hanya yang membedakan ialah variabel yang akan diuji.
f. Pertama klik Analyze lalu pilih Descriptive Statistics dan klik Explore.
Lalu masukan variabel Unstandardized Residuals ke kolom Dependent
List. Tampilannya sebagai berikut:

STATISTIKA 17
 g. Klik Plots dan beri centang pada Normality with tests. Klik Continue dan
OK.

Cara membaca output SPSS

1. Perhatikan hasil Output pada bagian Tests of Normality.

2. Pengujian normalitas melalui SPSS menggunakan acuan probabilitas.
Kriteria pengambilan keputusan:
a. Jika nilai 𝑠𝑖𝑔. lebih dari 0,05 maka residual dinyatakan berdistribusi
normal
b. Jika nilai 𝑠𝑖𝑔. kurang dari 0,05 maka residual dinyatakan tidak
berdistribusi normal:

3. Berdasarkan Tabel 1.7 diperoleh nilai signifikansi dari Kolmogorov-

Smirnov sebesar 0,200 dan nilai signifikansi dari Shapiro-Wilk sebesar
0,153. Kedua nilai signifikansi tersebut dapat digunakan salah satu atau
keduanya dan dibandingkan dengan nilai α=0,05.
4. Berdasarkan kriteria pengujian normalitas teknik residual menggunakan
SPSS didapat nilai signifikansi baik dari signifikansi Kolmogorov-Smirnov
dan Shapiro-Wilk sama sama lebih dari 0,05 maka dapat disimpulkan
bahwa data X1, X2, dan Y berdistribusi normal.

II. UJI HOMOGENITAS

Uji homogenitas merupakan uji prasyarat dalam analisis statistika yang harus
dibuktikan apakah dua atau lebih kelompok data sampel berasal dari populasi
dengan varians yang sama atau tidak. Dengan kata lain homogenitas berarti
himpunan data yang akan diteliti memiliki ciri khas atau karakteristik yang sama.
Pengujian homogenitas dilakukan untuk memberi keyakinan bahwa sekelompok
data yang dimanipulasi dalam serangkaian analisis berasal dari populasi yang
memiliki varianshomogen. Sebagai contoh seorang peneliti akan melakukan
penelitian yang bertujuan untuk mengetahui kemampuan berpikir kritis peserta
didik pada submateri dalam pelajaran tertentu di suatu sekolah, maka yang akan
diuji homogenitas ialah kelompok yang akan dijadikan sampel penelitian yaitu
peserta didik harus memiliki karakteristik sama, misalkan sampel berasal dari
tingkat kelas yang sama.

Uji homogenitas dapat dilakukan dengan berbagai metode, beberapa metode

yang cukup familiar ialah uji Barlett, Hartley, Cochran, Levene, dan lain-

STATISTIKA 18
 lain. Dalam pembahasan uji homogenitas ini hanya akan dijelaskan
perhitungan uji homogenitas menggunakan uji Barlett dan Hartley.
Perhitungan uji homogenitas dilakukan menggunakan cara manual dan
berbasis aplikasi berbantuan software SPSS 22 for Windows.

1. Uji Barlett
Uji Barlett umumnya digunakan untuk mengetahui varians atau keragaman lebih
dari dua kelompok data (k>2). Langkah-langkah uji homogenitas dengan uji
Barlett :
a. Menghitung varians setiap kelompok dengan rumus:
1. Varians data Tunggal

2. Varians data bergolong

b. Menentukan derajat kebebasan (dk) dari masing- masing kelompok

dengan menggunakan rumus: 𝑑𝑘𝑖 = 𝑛 − 1.
c. Menghitung log varians (𝑙o𝑔𝑆2) setiap kelompok.
d. Mencari nilai dk.Log S2 setiap kelompok
e. Menghitung nilai varians gabungan (S2gab)dengan rumus

f. Mencari nilai Barlett (B) dengan rumus

g. Menghitung Chi Square (𝜒2) dengan rumus : 𝜒2 =

STATISTIKA 19
 Perhatikan contoh berikut ini:

Data kemampuan pemecahan masalah yang sudah tersaji pada Tabel 2.1 berasal
dari dua data kelompok yaitu kelompok eksperimen (X1) dan kelompok kontrol
(X2). Kedua kelompok data tersebut akan dilakukan uji homogenitas untuk
mengetahui homogen atau tidaknya kedua data kelompok. Uji homogenitas akan
dilakukan menggunakan metode Barlett sebagai berikut Terlebih dahulu dibuat
hipotesis pengujian.

𝐻0: 𝜎2 = 𝜎2
1 2

𝐻1: 𝜎2 ≠ 𝜎2
1 2

1. Menghitung nilai varians menggunakan rumus varians, didapat nilai varians

dari setiap kelompok adalah 27,06 untuk kelompok X1 dan 18,94 untuk
kelompok X2.
2. Menentukan derajat kebebasan dk1 untuk kelompok eksperimen adalah 30
– 1= 29 dan dk2 untuk kelompok kontrol adalah 30 – 1=29.
3. Menghitung nilai log varians (𝑙o𝑔𝑆2). Log varians kelompok eksperimen:
log 27,06 = 1,43 dan Log varians kelompok kontrol: log 18,94 = 1,28.
4. Mengalikan dk dan Log varians dari setiap kelompok.

STATISTIKA 20
 Langkah 1 sampai 4 disajikan dalam Tabel 2.2 berikut, yang sudah dihitung
sebelumnya.

5. Menghitung nilai varians gabungan, maka didapat nilai varians

gabungannya adalah 0,79.
6. Menghitung nilai Barlett 𝐵 = ∑ 𝑑𝑘(𝑙o𝑔𝑆
g𝑎𝑏
2
).
7. Menghitung Chi Square dengan rumus: 𝜒2 = (ln 10)[𝐵 − (∑ 𝑑𝑘
log 𝑆2)].
Langkah 5 sampai
𝑖 7 disajikan dalam Tabel 2.3 yang sudah dihitung
sebelumnya.

8. Menguji hipotesis data menggunakan acuan perbandingan dengan nila

𝜒2tabel
Kriteria pengujian hipotesis
a. Apabila nilai 𝜒2 (Chi Square) lebih dari sama dengan Chi Square tabel,
maka Ho ditolak sehingga kedua kelompok data dinyatakan tidak
homogen (𝜒ℎ2 ≥ 𝜒𝑡2 )
b. Apabila nilai 𝜒2 (Chi Square) kurang dari Chi Square tabel, maka
Ho diterima sehingga kedua kelompok data dinyatakan homogen (𝜒ℎ2
< 𝜒𝑡 2 )
9. Berdasarkan hasil yang diperoleh dengan menggunakan Tabel 2.3, didapat
nilai 𝜒ℎ2 = −193,39 dan untuk 𝜒𝑡2 adalah 3,841. Nilai 𝜒ℎ2 < 𝜒𝑡2
maka Ho diterima sehingga dapat disimpulkan bahwa kedua kelompok
data dinyatakan homogen yang berarti memiliki karakteristik yang sama.

2. Uji Hartley
Banyak cara yang dapat digunakan dalam pengujian homogenitas data.
Dalam pembahasan selanjutnya, uji homogenitas akan dilakukan
menggunakan uji Fmaks Hartley. Adapun rumusnya adalah sebagai berikut :

STATISTIKA 21
 Dengan derajat kebebasan: db1 = (n1 – 1) dan db2 = (n2 – 1)
Keterangan:
S2b = kelompok data yang memiliki varians terbesar
S2k = kelompok data yang memiliki varians terkecil
Hipotesis statistik pengujian homogenitas varians adalah sebagai berikut.
𝐻0: 𝜎2 = 𝜎2
1 2
𝐻1: 𝜎2 ≠ 𝜎2
1 2

Contoh 2.2
Sebagai latihan, perhatikan kembali data yang disajikan pada tabel 2.1 di atas. Data-
data tersebut akan diuji homogenitasnya menggunakan uji Fmaks Hartley.
Langkah-langkah uji manual Hartley adalah sebagai berikut.
1. Membuat hipotesis atau dugaan pengujian homogenitas. Hipotesisnya sebagai
berikut.
𝐻0: 𝜎2 = 𝜎2
1 2
𝐻1: 𝜎2 ≠ 𝜎2
2. Mencari rata-rata (mean) dari setiap kelompok. Mean kelompok eksperimen
(X1) sebesar 52,93 sedangkan mean kelompok kontrol (X2) sebesar 45,93.
3. Menghitung nilai (𝑋𝑖1 − 𝑋̅1 )2 dan (𝑋𝑖2 − 𝑋̅2 )2 setiap kelompok.
4. Menghitung varians (𝑆2) dari setiap kelompok.
5. Menentukan Ftabel = F(α;dk1;dk2) dapat dilihat pada tabel
distribusi F. Gunakan α = 0,05; dk1 = 30–1= 29; dk2
= 30–1=29. Maka Ftabel = 1,86.
6. Menyusun tabel penolong uji Hartley.

STATISTIKA 22
 7. Menggunakan tabel penolong 2.4 di atas, varians dua kelompok data sudah
diketahui. Selanjutnya menentukan Fhit atau Fmaks menggunakan rumus

8. Menguji hipotesis data menggunakan acuan perbandingan dengan nilai

Ftabel.

Kriteria pengujian hipotesis

a. Jika 𝐹ℎ𝑖𝑡𝑢𝑛g > 𝐹𝑡𝑎𝑏e𝑙 maka Ho ditolak dan Ha diterima sehingga dua
kelompok data dinyatakan tidak homogen.
b. Jika 𝐹ℎ𝑖𝑡𝑢𝑛g < 𝐹𝑡𝑎𝑏e𝑙 maka Ho diterima dan Ha

STATISTIKA 23
 ditolak sehingga dua kelompok data dinyatakan homogen.

9. Berdasarkan hasil yang diperoleh dengan menggunakan tabel bantu,

didapat nilai Fmaks atau Fhitung sebesar 1,41 dan untuk Ftabel (0,05;29;29) adalah
1,86. Nilai 𝐹ℎ𝑖𝑡𝑢𝑛g < 𝐹𝑡𝑎𝑏e𝑙 maka Ho diterima sehingga dapat disimpulkan
bahwa kedua kelompok data dinyatakan homogen yang berarti
memiliki karakteristik yang sama.
3. Uji Homogenitas menggunakan SPSS

B. Materi Isi Buku 2

I. UJI NORMALITAS
Uji normalitas adalah suatu prosedur yang digunakan untuk mengetahui apakah
data berasal dari populasi yang terdistribusi normal atau berada dalam sebaran
normal.Distribusi normal adalah distribusi simetris dengan modus, mean dan
median berada dipusat. Distribusi normal merupakan salah satu distribusi yang
paling penting kita akan hadapi. Ada beberapa alasan untuk ini:
1. Banyak variabel dependen, umumnya diasumsikan terdistribusi secara normal
dalam populasi. Artinya, kita sering berasumsi bahwa jika kita mendapatkan
seluruh populasi pengamatan, distribusi yang dihasilkan akan sangat mirip
dengan distribusi normal.
2. Jika kita dapat mengasumsikan bahwa variabel setidaknya mendekati
terdistribusi normal, maka teknik ini memungkinkan kita untuk membuat
sejumlah kesimpulan (baik yang tepat atau perkiraan) tentangnilai-nilai
variabel itu.
3. Menguji normalitas data kerapkali disertakan dalam suatu analisis statistika
inferensial untuk satu atau lebih kelompok sampel. Normalitas sebaran data
menjadi sebuah asumsi yang menjadi syarat untuk menentukan jenis statistik
apa yang dipakai dalam penganalisaan selanjutnya

Uji normalitas digunakan untuk mengetahui apakah data yang diperoleh

terdistribusi normal atau tidak. Dasar pengambilan keputusan adalah jika
nilai Lhitung> Ltabel maka H0 ditolak, dan jika nilai Lhitung< Ltabel maka
H0 diterima (Murwani, 2001:20). Hipotesis statistik yang digunakan:
H0 : sampel berdistribusi normal
H1 : sampel data berdistribusi tidak normal
Ada beberapa cara yang dapat dilakukan dalam analisis normalitas data yaitu
Liliefors, kolmogorof-smirnov, chi square, dan sebagainya. Dalam makalah ini
akan dijelaskan lebih lanjut uji normalitas dengan menggunakan uji Liliefors
sebagai berikut.

STATISTIKA 24
 A. Uji Normalitas Menggunakan Uji Liliefors

Menurut Sudjana (1996: 466), uji normalitas data dilakukan

dengan menggunakan uji Liliefors (Lo) dilakukan dengan langkah-
langkah berikut. Diawali dengan penentuan taraf sigifikansi, yaitu
pada taraf signifikasi 5% (0,05) dengan hipotesis yang diajukan
adalah sebagai berikut :
H0 : Sampel berasal dari populasi yang berdistribusi normal
H1 : Sampel tidak berasal dari populasi yang
berdistribusi normal Dengan kriteria pengujian :
Jika Lhitung< Ltabel terima
H0, dan Jika Lhitung>
Ltabel tolak H0

Adapun langkah-langkah pengujian normalitas adalah :

1. Data pengamatan x1, x2 , x3, ….., xn
dijadikan bilangan baku z1, z2 , z 3 ,….., zn dengan
s

menggunakan rumus (dengan x̅ dan s masing-

masing merupakan rata-rata dan simpangan baku)
2. Untuk setiap bilangan baku ini dengan menggunakan daftar
distribusi normal baku, kemudian dihitung peluang F(zi) = P(z
< zi).
3. Selanjutnya dihitung proporsi z1, z2 , z3, ….., zn yang lebih
kecil atau sama dengan zi. Jika proporsi ini dinyatakan oleh
S(zi) maka:

4. Hitung selisih F(zi) – S(zi), kemudian tentukan harga mutlaknya.

5. Ambil harga yang paling besar di antara harga-harga mutlak
selisih tersebut, misal harga tersebut L0.
Untuk menerima atau menolak hipotesis nol (H 0), dilakukan
dengan cara membandigkan L0 ini dengan nilai kritis L yang
terdapat dalam tabel untuk taraf nyata yang dipilih .
Contoh pengujian normalitas data dengan uji
liliefors: Uji Normalitas Data Hasil Belajar
Matematika Siswa

STATISTIKA 25
 H0 : Sampel berasal dari populasi yang berdistribusi normal
H1 : Sampel tidak berasal dari populasi yang berdistribusi normal

No xi zi F(zi) S(zi) |F(zi) - S(zi)|

1 45 0,13 0,0007 0,0011 0,0326
2 62 0,25 0,1446 0,0026 0,0779
3 63 0,38 0,1762 0,0025 0,0762
4 64 0,50 0,2119 0,1667 0,0452
5 64 0,63 0,2119 0,0015 0,0452
6 65 0,75 0,2482 0,2333 0,0149
7 65 0,88 0,2482 0,0005 0,0149
8 67 1,01 0,3336 0,3667 0,0331
9 67 1,13 0,3336 0,3667 0,0331
10 67 1,26 0,3336 0,3667 0,0331
11 67 1,38 0,3336 0,0011 0,0331
12 68 1,51 0,3783 0,4667 0,0884
13 68 1,63 0,3783 0,4667 0,0884
14 68 1,76 0,3783 0,0029 0,0884
15 69 1,89 0,4286 0,5333 0,1047
16 69 2,01 0,4286 0,0035 0,1047
17 71 2,14 0,5279 0,0013 0,0388
18 72 2,26 0,5793 0,0007 0,0207
19 73 2,39 0,6255 0,0003 0,0078
20 74 2,51 0,6736 0,7000 0,0264
21 74 2,64 0,6736 0,0009 0,0264
22 75 2,77 0,7157 0,7667 0.0510
23 75 2,89 0,7157 0,0017 0,0510
24 76 3,02 0,7580 0,8333 0,0753
25 76 3,14 0,7580 0,0025 0,0753
26 78 3,27 0,8289 0,9000 0,0711
27 78 3,39 0,8289 0,0024 0,0711
28 81 3,52 0,9082 0,0008 0,0251
29 85 3,65 0,9664 0,0000 0,0003
30 87 3,77 0,9812 0,0006 0,0188

Maka Rata-rata =

STATISTIKA 26
 Standart Deviasi =

Dari kolom terakhir dalam tabel di atas didapat L0 = 0,0188 dengan n = 30

dan taraf nyata α = 0,05. Dari tabel Nilai Kritis L untuk Uji Liliefors di dapat L = 0,161
yang lebih besar dari L0 = 0,0188 sehingga hipotesis H0 diterima. Hal ini berarti data
berasal dari populasi yang berdistribusi normal.

B. Uji Kolmogorov Smirnov

Tes satu sampel Kolmogorov-Smirnov adalah suatu tes goodness-of-
fit. Artinya, yang diperhatikan adalah tingkat kesesuaian antara distribusi
teoritis tertentu. Tes ini menetapkan apakah sor-skor dalam sampel dapat
secara masuk akal dianggap berasal dari suatu populasi dengan
distributive tertentu itu.

Jadi, tes mencakup perhitungan distribusi frekuensi kumulatif yang

akan terjadi dibawah distribusi teoritisnya, serta membandingan distribusi
frekuensi itu dengan distribusi frekuensi kumulatif hasil observasi.
Distribusi teoriti tersebut merupakan representasi dari apa yang diharapkan
dibawah H0. Tes Ini menerapkan suatu titik dimana kedua distribusi itu-
yakni yang teoritis dan yang terobservasi-memiliki perbedaan terbesar.
Dengan melihat distribusi samplingnya dapat kita ketahui apakah
perbedaan yang besar itu mungkin terjadi hanya karena kebetulan saja.

Misalkan suatu F0(X) = suatu fungsi distribusi frekuensi kumulatif

yang sepenuhnya ditentukan, yakni distribusi kumulatif teoritis di bawah
H0. Artinya untuk harga N yang sembarang besarnya, Harga F0(X) adalah
proporsi kasus yang diharapkan mempunyai skor yang sama atau kurang
daripada X.
Misalkan SN(X) = distribusi frekuensi kumulatif yang diobservasi
dari suatu sampel random dengan N observasi. Dimana X adalah
sembarang skor yang mungkin, SN(X) = k/N, dimana k = banyak
observasi yang sama atau kurang dari X.
Di bawah Hopotesis-nol bahwa sampel itu telah ditarik dari distribusi
teoritis tertentu, maka diharapkan bahwa untuk setiap harga X, SN(X)
harus jelas mendekati F0(X). Artinya di bawah H0 kita akan mengharapkan

STATISTIKA 27
 selisis antara SN(X) dan F0(X) adalah kecil, dan ada dalam batas-batas
kesalahan random. Tes Kolmogorov-Smirnov memusatkan perhatian pada
penyimpangan (deviasi) terbesar. Harga F0(X) -SN(X) terbesar dinamakan
deviasi maksimum.

Distribusi sampling D di bawah H0 diketahui. Tabel E pada lampiran

memberikan harga-harga kritis tertentu distribusi sampling itu. Prosedur
pengujian Kolmogorov-Smirnov ini dilakukan dengan blangkah- langkah
sebagai berikut:
1. Tetapkanlah fungsi kumulatif teoritisnya, yakni distribusi
kumulatif yang diharapkan di bawah H0.
2. Aturlah skor-skor yang diobservasi dalam suatu distribusi
kumulatif dengan memasangkan setiap interval SN(X) dengan
interval F0(X) yang sebanding.
3. Untuk tiap-tiap jenjang pada distribusi kumulatif, kurangilah
F0(X) dengan SN(X).
4. Dengan memakai rumus carilah D.
5. Lihat table E untuk menemukan kemungkinan (dua sisi) yang
dikaitkan dengan munculnya harga-harga sebesar harga D
observasi di bawah H0 Jika p sama atau kurang dari α, tolaklah
H0.

Tes satu sampel Kolmogorov-Smirnov ini memperlihatkan den

menggarap suatu observasi terpisah dari yang lain. Dengan demikian, lain
dengan tes X2 untuk satu sampel. Tes Kolmogorov-Smirnov tidak perlu
kehilangan informasi karena digabungkannya kategori-kategori. Bila
sampel kecil dan oleh karenanya kategori-kategori yang berhampiran harus
digabungkan sebelum X2 dapat dihitung secara selayaknya, tes X2 jelas
lebih kecil kekuatannya disbanding dengan tes Kolmogorov-Smirnov ini.
Dan untuk sampel yang sangat kecil tes X2 sama sekali tidak dapat
dijalankan, sedangkan tes Kolmogorof-Smirnov dapat.
Contoh pengujian normalitas data dengan uji Kolmogorov-Smirnov :
Uji Normalitas Data Hasil Belajar Matematika Siswa.
Berikut ini adalah langkah-langkah pengujian normalitas data dengan
bantuan SPSS:
Dengan Analyze-Descriptive Statitics-Explore

a. Masuk program SPSS

b. Klik Variable View pada SPSS data editor
c. Pada kolom Name baris pertama ketik nomor dan pada kolom

STATISTIKA 28
 Name
baris kedua ketik beratbadan.
d. Pada kolom Type pilih Numeric untuk nomor dan
beratbadan. Pada kolom Decimals pilih 0 untuk nomor dan
beratbadan.
e. Buka Data View pada SPSS data editor maka didapat
kolom variable nomor dan variable beratbadan.
f. Ketikkan data sesuai dengan variabelnya.
g. Klik variable Analyze>>Descriptive Statistics>>Explore.

H0 : Sampel berasal dari populasi yang berdistribusi normal

H1 : Sampel tidak berasal dari populasi yang berdistribusi normal

h. Klik variable beratbadan dan masukkan ke kotak Dependent List.

Kemudian Klik Plots.

i. Klik Normality Plots With Test kemudian klik Continue

STATISTIKA 29
 kemudian klik OK
Jadi Output dari contoh data di atas yaitu:
Analisis:
Output Test of Normality
Bagian ini akan menguji normal tidaknya sebuah distribusi data.
Pedoman pengambilan keputusan:
 Nilai Sig. atau signifikasi atau nilai probabilitas < 0,05 maka
distribusi adalah tidak normal.
 Nilai Sig. atau signifikasi atau nilai probabilitas > 0,05 maka
distribusi adalah normal. Pada hasil uji Kolmogorov Smirnov
distribusi nilai siswa adalah normal. Halini bisa dilihat pada
tingkat pada tingkat signifikansi kedua alat uji, yaitu > 0,05
(0,200).

Output BOXPLOT
 Boxplot adalah kotak pada gambar berwarna abu-abu (atau
mungkin warna yang lain) dengan garis tebal horizontal di kotak
tersebut. Kotak abu abu tersebut memuat 50% data, atau
mempunyai batas persentil ke-25 dan ke-75 (lihat pembahasan
interquartile mean). Sedangkan garis tebal hitam adalah median
data. Berikut ini gambar Boxplot teoritis:

C. Uji Normalitas Menggunakan Program SPSS 16 for Windows

Adapun langkah-langkah untuk menguji kenormalan data dengan uji Liliefors
adalah sebagai berikut :
 Memasukkan data variabel yang disusun dalam satu kolom.
 Cara menghitung uji Liliefors dengan SPSS adalah memilih menu:
Analyze, Descriptive Statistics, Explore seperti yang tampak pada
gambar berikut:

STATISTIKA 30
  Selanjutnya akan muncul kotak dialog seperti ini:

 Masukkan variabel sekor fisika pada kotak dependent list.

 Kemudian klik plots sehingga muncul kotak dialog seperti berikut.

 Centang Normality plots with testskemudian klik continue laluOK

STATISTIKA 31
  Selanjutnya akan muncul paparan hasil uji seperti berikut.

Uji Liliefors dengan menggunakan program SPSS menghasilkan Lo =

0,135
II. Uji Homogenitas
Uji homogenitas adalah suatu prosedur uji statistik yang dimaksudkan untuk
memperlihatkan bahwa dua atau lebih kelompok data sampel berasal dari populasi
yang memiliki variansi yang sama. Pada analisis regresi, persyaratan analisis yang
dibutuhkan adalah bahwa galat regresi untuk setiap pengelompokan berdasarkan
variabel terikatnya memiliki variansi yang sama.Jadi dapat dikatakan bahwa uji
homogenitas bertujuan untuk mencari tahu apakah dari beberapa kelompok data
penelitian memiliki varians yang sama atau tidak. Dengan kata lain, homogenitas
berarti bahwa himpunan data yang kita teliti memiliki karakteristik yang sama.

Perhitungan uji homogenitas dapat dilakukan dengan berbagai cara dan

metode, beberapa yang cukup populer dan sering digunakan antara lain: uji
Harley, Cochran, levene dan Barlett. Dalam makalah ini akan dijelaskan lebih
dalam mengenai uji Barlett.
1. Cara Menggunakan Analisis Homogenitas dengan Uji Barlett
Uji Bartlett digunakan untuk menguji homogenitas varians lebih dari dua
kelompok data. Langkah-langkah uji homogenitas menggunakan uji
Barlett:

a. Menghitung derajat kebebasan (dk)masing-masing kelompok

b. Memnghitung varians (s) masing-masing kelompok

STATISTIKA 32
 c. Menghitung besarnya log S2 untuk masing-masing kelompok

d. Menghitung besarnya dk. Log S2 untuk masing-masing kelompok

Menghitung nilai varians gabungan semua kelompok dengan rumus
sebagai :

Ket : S2gab = varians gabungan

e. Menghitung nilai B (nilai Bartlett) dengan rumus sebagai berikut. B=
nilai Bartlett = ∑ dk (log S2gab)
f. Menghitung nilai32dengan rumusan sebagai berikut :

Dimana,
Si 2 = varians tiap kelompok data
dki = n-1 = derajat kebebasan tiap kelompok B = nilai Bartlett =
(∑db) (log S2gab)

g. Setelah nilai Chi-Kuadrat hitung diperoleh, maka nilai Chi-

Kuadrat tersebut dibandingkan dengan Chi-Kuadrat tabel.
Kriteria Homogen ditentukan jika Chi-Kuadrat hitung < Chi-
Kuadrat tabel.
Hipotesis pengujian:
Ho : σ12 = σ22 = σ32 = = σn2
Ha : paling sedikit salah satu tanda tidak sama Kriteria Pengujian:
Jika χ2hitung ≥ χ2 tabel(1-α; db=n-1), maka Tolak Ho
Jika χ2 hitung< χ2 tabel(1-α; db=n-1), maka Terima Ho

Data Penelitian (Untuk Penelitian Eksperimen)

Suatu penelitian tentang perbedaan hasil belajar siswa akibat
dari suatu perlakuan (eksperimen). Adapun perlakuan yang diberikan
adalah perbedaan strategi/metode pembelajaran pada siswa.
Adapun strategi/ metode pembelajaran yaitu:
Kelas Eksperimen :
Metode A (Ceramah dengan media)
Kelas Kontrol :
Metode B (Ceramah tanpa media)
Sebelum dilakuan perlakuan, kedua kelompok melakukan pretes.
Adapun data hasil pretes siswa untuk masing-masing kelompok
sebagai berikut:

STATISTIKA 33
 Untuk menguji homogenitas varians data dari kedua kelompok
digunakan teknik Bartlett:

1) Menghitung derajat kebebasan (dk)masing-masing kelompok

2) Menghitung varians (s) masing-masing kelompok

3) Menghitung besarnya log S2 untuk masing-masing kelompok

4) Menghitung besarnya dk. Log S2 untuk masing-masing
kelompok Untuk langkah 1-4 dinyatakan dalam tabel dibawah ini
yang telah dihitung sebelumnya dalam excell

5) Menghitung nilai varians gabungan semua kelompok:

6) Menghitung nilai B
B = nilai Bartlett = (∑db) (log S2gab)
7) Menghitung harga Chi-kuadrat:

Untuk langkah 5-7 ada di Excell, dengan hasil sebagai berikut

STATISTIKA 34
 Kesimpulan:
Dari hasil hitung chi square dibandingkan dengan nilai chi square tabel,
dengan dk = 1 pada = 5% yaitu: Chi Square tabel (0,05; 1) = 3,84
Karena chi square hitung <chi square tableyaitu 0,098<3,84 ,maka H0
diterima. H0 menunjukkan bahwa varians skor pretes prestasi belajar
kelas kontrol dan kelas eksperimen homogen pada taraf kepercayaan
95%.
2. Uji Levene
Perhitungan uji Homogenitas dengan uji Levene dilakukan
menggunakan software SPSS. Adapun langkah-langkah
menghitungnya adalah sebagai berikut:
1) Memasukkan data variabel yang disusun dalam satu kolom.
Setelah variabel pertama dimasukkan, dilanjutkan dengan
variabel kedua mulai dari baris kosong setelah variabel pertama
2) Membuat pengkodean kelas dengan cara membuat variabel baru
yang telah diberi “Label 1” untuk variabel pertama dan “Label
2” untuk variabel kedua.
3) Cara menghitung uji Levene dengan SPSS adalah memilih
menu: Analyze, Descriptive Statistics, Explore seperti yang
tampak pada gambar berikut.
4) Pada jendela yang terbuka masukan variabel yang akan dihitung
homogenitasnya pada bagian dependent list, dan kode kelas pada
bagian factor list, Kemudian pilih tombol Plots hingga muncul
tampilan sebagai berikut. Pilih Levene Test untuk
Untransformed
5) Pilih tombol Continue kemudian pilih Ok
Uji kehomogenan menghasilkan banyak keluaran. Untuk keperluan
penelitian umumnya, hanya perlu keluaran Homogenity of Variance
Test saja, yaitu keluaran yang terdapat pada menu Options.
6) Cara menafsirkan uji Levene ini adalah, jika nilai Levene Statistic >
0,05 maka dapat dikatakan bahwa variasi data adalah homogen

STATISTIKA 35
 Dari hasil kedua uji levene dengan spss dihasilkan nilai 0,849, yang
nilainya berarti > 0,05 artinya kedua kelas tidak berbeda secara
signifikan sehingga bermakna varians kedua kelas yang dibandingkan
adalah homogen.

BAB 4 PERBANDINGAN ISI BUKU

1. Kelebihan

2. Kekurangan

STATISTIKA 36
 BAB 5 PENUTUP

A. Kesimpulan

B. Rekomendasi atau Saran

Berdasarkan hasil review yang saya buat, buku pertama dan buku kedua memiliki
persamaan dalam menjelaskan materi tentang limit. Tetapi kedua buku tersebut juga memiiki
perbedaan, kelebihan, serta kekurangan. Untuk menambah pengetahuan dalam memahami
penjelasan tentang materi Limit, kedua buku sangat bermanfaat. Tetapi buku kedualah yang
paling cocok digunakan dalam mempelajari materi Limit tersebut.

DAFTAR PUSTAKA

STATISTIKA 37
STATISTIKA 38