Bab 5.

KURVA NORMAL
Dr. Ir. SUGIYONO A.B., M.Kes.

Daftar Isi:
5.1 Deskripsi
5.2 Hubungan Mean dan Standar Deviasi
5.3 Aplikasi
5.4 Uji Normalitas
5.5 Tabel Z
5.1 Deskripsi
Populasi satu dengan populasi yang lainnya dapat dibedakan berdasarkan
distribusi datanya. Terdapat banyak jenis distribusi data, salah satunya
adalah distribusi normal atau distribusi Gauss. Gambar distribusi normal
berbentuk kurva, sehingga disebut kurva normal. Kurva normal
berdistribusi simetris, unimodal, berbentuk bell dengan mean, median, dan
mode memiliki nilai yang sama atau berada pada satu titik.
Kurva atau distribusi sebenarnya merupakan pengembangan dari
histogram frekuensi. Ketika ukuran sampel histogram semakin besar, maka
interval sel semakin kecil. Jika ukuran sampel cukup besar dan interval
selnya sangat kecil, maka histogram akan tampak seperti poligon halus atau
yang menggambarkan populasi. Sebagai ilustrasi kurva normal, disajikan
gambar kurva normal dengan mean sebesar 90, dan standar deviasi sebesar
2, sebagai berikut.

Gambar 5.1. Distribusi Normal

Banyak variasi di alam mengikuti distribusi frekuensi kurva normal,
misalnya tinggi badan, berat badan, umur teknis suatu alat, dan sebagainya.
Ketika berbicara tentang tinggi badan manusia kita berharap sebagian kecil
memiliki tinggi badan sangat tinggi dan sebagian kecil yang lain memiliki
tinggi badan sangat pendek, dengan mayoritas tinggi badan manusia
berkumpul di sekitar nilai rata-rata.

2 Bab 5. Kurva Normal

 Semua distribusi normal dari variabel kontinu dapat dikonversi
menjadi distribusi normal terstandardisasi, selanjutnya disebut distribusi
normal standar dengan menggunakan standardized normal value, 𝑧.
Gambar 5.1 menunjukkan mean populasi, 𝜇 = 90, kemudian kita mencari
salah satu mean 1 standar deviasi di atas mean populasi, misalnya 𝑥1 ,
dihitung menggunakan rumus sebagai berikut.

𝑥1 = 𝜇 + 1𝜎

Diketahui pada gambar mean populasi, 𝜇 = 90, standar deviasi, 𝜎 = 2.0,

maka nilai 𝑥1 sebagai berikut.

𝑥1 = 𝜇 + 1𝜎 = 90 + (1)(2.0) = 90 + 2 = 92

Selanjutnya nilai 𝑥1 = 92 dikonversi ke nilai 𝑧, menggunakan rumus

sebagai berikut.

𝑥𝑖 − 𝜇
𝑧𝑖 =
𝜎

Hasil perhitungannya adalah sebagai berikut.

𝑥1 − 𝜇 92 − 90 2
𝑧1 = = = = +1
𝜎 2.0 2.0

Untuk menggambar fungsi distribusi normal standar atau disebut distribusi

standat saja, mala nilai 𝑧 yang diperoleh dari perhitungan dimasukka ke
rumus fungsi 𝑧 (kurva normal standar) sebagai berikut.

1 2 ⁄2 2 ⁄2
𝑓(𝑧) = 𝑒 −𝑧 = 0,3989 𝑒 𝑧
√2𝜋

Keterangan:
𝜋 : 3.14159
𝑒 : 2.71828
𝑥 −𝜇
𝑧 : = 𝑖
𝜎

Gambar fungsinya adalah sebagai berikut.

Bab 5. Kurva Normal 3

 Gambar 5.2 Distribusi Normal Standar
Pada gambar distribusi normal standar tersebut memperlihatkan bahwa
dengan mean nol dan standar deviasi sama dengan 1. Perlu diperhatikan
bahwa kurva tersebut asimtotik pada 𝑧 = −3 dan 𝑧 = +3.
Area di bawah kurva sama dengan 1.0000 atau 100%, dan oleh karena
itu salah satu manfaat yang penting kurva diubah menjadi kurva standar
adalah dapat digunakan dengan mudah untuk perhitungan probabilitas.
Kerena berbagai titik di bawah kurva normal ini sangat berguna dalam
statistik, maka dibuat tabel area kurva normal. Distribusi normal dapat
disebut sebagai distribusi probabilitas normal.

5.2 Hubungan Mean dan Standar Deviasi

Seperti ditampilkan pada rumus kurva normal standar tersebut di atas, ada
hubungan yang pasti antara mean, standar deviasi, dan kurva normal.
Gambar 5.3 memperlihatkan bahwa tiga kurva normal dengan mean-
meannya berbeda (𝜇1 = 14; 𝜇2 = 20; 𝜇3 = 29); tetapi standar deviasinya
sama, (𝜎1 = 𝜎2 = 𝜎3 = 3). Disini perlu dicatat bahwa hanya ada satu
perubahan yaitu lokasi dari kurva, kurva-1 di 𝜇1 = 14, kurva-2 di 𝜇2 = 20,
dan kurva-3 di 𝜇3 = 29. Hubungan antara mean dan standar deviasi
disajikan pada gambar sebagai berikut.

4 Bab 5. Kurva Normal

 Gambar 5.3 Distribusi normal standar
dengan mean-mean berbeda, standar deviasinya sama.

Gambar 5.4 memperlihatkan tiga kurva normal memiliki mean yang

sama yaitu (𝜇1 = 𝜇2 = 𝜇3 = 20), tetapi ketiganya memiliki standar deviasi
yang berbeda (𝜎1 = 1.5; 𝜎2 = 3.0; 𝜎3 = 4.5).

Gambar 5.6 Kurva normal standar

dengan standar deviasi berbeda, mean-meannya sama

Gambar tersebut memberi ilustrasi kaidah bahwa semakin besar standar

deviasi, semakin datar kurvanya atau sebaran datanya meluas, dan semakin
kecil standar deviasi, kurvanya semakin tinggi atau runcing atau sebaran
datanya menyempit. Jika standar deviasi nol, semua nilai identik dengan
mean artinya tidak ada kurva.
Distribusi normal sepenuhnya ditentukan oleh mean populasi dan
standar deviasi populasi. Juga, seperti terlihat pada Gambar 5.3 dan Gambar
5.6, kedua parameter adalah independen. Dengan kata lain, perubahan yang
satu tidak berpengaruh pada yang lain.

Bab 5. Kurva Normal 5

 Ada hubungan antara standar deviasi dan area di bawah kurva normal
seperti diperlihatkan pada Gambar 5.6. Gambar tersebut memperlihatkan
bahwa 68,26% bagian dari distribusi normal dimasukkan item-item yang
bearada antara batas (𝜇 − 1𝜎) dan (𝜇 + 1𝜎), serta 95,46% dimasukkan
item-item pada batas (𝜇 − 2𝜎) dan (𝜇 + 2𝜎), juga 99,73% dimasukkan
item-item pada batas (𝜇 − 3𝜎) dan (𝜇 + 3𝜎). Seratus persen item-item
dimasukkan antara −∞ dan +∞. Persentase ini berlaku terlepas dari bentuk
kurva normal. Kenyataannya bahwa 99,73% item masuk antara ±3𝜎.

Gambar 5.6 Persentase item yang termasuk diantara

nilai-nilai tertentu dari standar deviasi

5.3 Aplikasi
Persentase item yang termasuk diantara dua nilai manapun dapat ditentukan
dengan kalkulus. Namun dalam di sini tidak perlu kita lakukan karena area
di bawah kurva untuk berbagai nilai 𝑧 dapat menggunakan Tabel Z yang
dibaca pada kolom paling kiri ke kanan sesuai nilai 𝑧-nya.
Pertama-tama menentukan nilai 𝑧 menggunakan rumus:

𝑥𝑖 − 𝜇
𝑧=
𝜎

Keterangan:
𝑧 : nilai normal standar
𝑥𝑖 : nilai observasi ke-i
𝜇 : mean populasi
𝜎 : standar deviasi populasi

6 Bab 5. Kurva Normal

Selanjutnya, dengan menggunakan nilai 𝑧ℎ𝑖𝑡𝑢𝑛𝑔 , area di bawah kurva di
kolom sebelah kiri ditemukan dalam Tabel-Z. Jadi, misalnya, nilai
𝑧ℎ𝑖𝑡𝑢𝑛𝑔 = −1.76 (dibaca pada baris (−1.7) kolom (0.06), maka terbaca
nilai area tersebut adalah 0,0392 (pertemuan baris (−1.7) dan kolom
(0.06)). karena total luas area di bawah kurva 1.0000, nilainya 0,0392 atau
3,92% di sebelah kiri nilai 𝑥𝑖 (karena nilai 𝑧 hitung negatif).
Dengan asumsi bahwa data terdistribusi normal, memungkinkan
untuk menemukan persentase item dalam data; kurang dari nilai tertentu,
atau lebih dari nilai tertentu, atau diantara dua nilai tertentu.

Contoh 5.1
Dicatat berat serealia terkemas merek tertentu selama satu tahun, kemudian
dihitung mean-nya adalah 0.297 kg per-bungkus, dengan standar deviasi
0.024 kg. Dengan asumsi bahwa distribusi normal, carilah persen data yang
berada di bawah batas limit bawah 0.274 kg. (Catatan: karena nilai mean
dan standar deviasi diperoleh dari sejumlah besar pengamatan selama
setahun, maka hal ini dapat dianggap sebagai estimasi yang valid terhadap
nilai populasi.

Penyelesaian:
𝑥1 − 𝜇 0.274 − 0.297
𝑧1 = = = −0.96
𝜎 0.024
Diperoleh nilai 𝑧1 = −0.96, kemudian areanya dibaca pada Tabel_Z pada
baris (−0.9) dan kolom (0.06) diperoleh nilai 0.1685 atau kalau dikonversi
ke persen menjadi 16.85%
Jadi, 16.85% data berada di bawah atau kurang dari 0.274 kg.
Bab 5. Kurva Normal 7
Contoh 5.2
Dicatat berat serealia terkemas merek tertentu selama satu tahun, kemudian
dihitung mean-nya adalah 0.297 kg per-bungkus, dengan standar deviasi
0.024 kg. Dengan asumsi bahwa distribusi normal, carilah persen data yang
berada di atas 0.347 kg.
Penyelesaian:
Karena Tabel-Z adalah tabel baca kiri (area wilayah di sebelah kiri), maka
solusi untuk masalah ini membutuhkan penggunaan hubungan, yaitu
Area1 + Area2 = Area 𝑇 = 1.0000. Oleh karena itu, Area2 dihitung dan
dikurangkan dari 1.0000 untuk memperoleh Area1

𝑥2 − 𝜇 0.347 − 0.297
𝑧2 = = = +2.08
𝜎 0.024
Nilai 𝑧2 = +2.08, dibaca pada Tabel-Z, baris (+2.0), kolom (0.08),
ditemukan wilayah Area2 = 0.9812.
Area1 = Area 𝑇 − Area2 = 1.0000 − 0.9812 = 0.0188
Area1 = 0.0188 atau 1.88 %
Jadi, 1.88% data berada di atas 0.347 kg

Contoh 5.3
Uji voltage listrik terhadap sejumlah besar rumah tinggal menunjukkan
mean 118.5 V dan standar deviasi populasi 1.20 V. Tentukan persentase data
yang berada diantara 116 dan 120.

8 Bab 5. Kurva Normal

Penyelesaian:
Karena Tabel-Z adalah tabel baca kiri (area wilayah di sebelah kiri), maka
solusinya mengharuskan area di sebelah kiri 120 V dikurangi area di sebelah
kiri 116 V. Grafik solusinya sebagai berikut.

Menghitung nilai 𝑧2 .
𝑥2 − 𝜇 116 − 118.5
𝑧2 = = = −2.08
𝜎 1.2
Dari Tabel-Z pada baris (−2.0) dan kolom (0.08) , diperoleh 0.0188
Menghitung nilai 𝑧3 .
𝑥3 − 𝜇 120 − 118.5
𝑧3 = = = +1.25
𝜎 1.2
Dari Tabel-Z pada baris (+1.2) dan kolom (0.05) , diperoleh 0.8944
Menghitung luas Area-1
Area1 = Area3 − Area2 = 0.8944 − 0.0188 = 0.8756 atau 87.56%
Area1 = 0.8756 atau 87.56 %
Jadi, 87.56% data berada diantara 116 dan 120 V

Contoh 5.4
Jika dikehendaki voltage yang di bawah 115 V sebanyak 12.1 %, bagaimana
mean voltage-nya harus disesuaikan?, jika dispersinya 𝜎 = 1.2 V.
Penyelesaian:
Solusi untuk masalah jenis ini adalah kebalikan dari masalah yang telah
dibahas sebelumnya. Pertama, 12.1% atau 0.1210 dicari dalam tubuh Tabel-
Z. Ini memberikan nilai 𝑧 dan menggunakan rumus untuk 𝑧, kita dapat
mencari mean voltage. Dari Tabel-Z dengan Area1 = 0.1210 berada pada

Bab 5. Kurva Normal 9

 baris (−1.1), kolom (0.07) , diperoleh nilai 𝑧 = −1.17. Grafik solusinya
sebagai berikut.

Mencari nilai 𝑧1 dengan menggunakan rumus sebagai berikut.

𝑥𝑖 − 𝑥̅ 0
𝑧1 =
𝜎

Rumus dapat disederhanakan menjadi:

𝑥𝑖 − 𝑥̅ 0 = (𝜎)(𝑧1 )
115 − 𝑥̅ 0 = (1.20)(−1.17)
115 − 𝑥̅ 0 = −1.404
𝑥̅ 0 = 115 + 1.404
𝑥̅ 0 = 116.404 ≈ 116.4
Jadi mean voltage harus berpusat pada 116.4 V untuk 12.1% nilainya
menjadi kurang dari 115 V.

5.4 Uji Normalitas

Karena pentingnya distribusi normal, seringkali perlu untuk menentukan
apakah data berdistribusi normal atau tidak. Teknik histogram, skewness
dan kurtosis, plot probabilitas, dan uji chi-square juga dapat diterapkan
dengan beberapa modifikasi pada distribusi populasi lainnya. Berikut ini
beberapa akan dibahas, sisanya akan dibahas pada Bagian Statistik
Nonparametrik.

10 Bab 5. Kurva Normal

Probability Plots (plot/gambar probabilitas)
Uji normalitas dapat menggunakan plotting (menggambar) data pada kertas
probabilitas normal. Jenis kertas probabilitas normal ditunjukkan pada
Gambar 5.7, perhatikan jarak antar baris tidak sama, di bagian tengah jarak
antar baris lebih pendek dibandingkan bagian tepi, bisa dikonfirmasikan
dengan kertas logaritma. Untuk mengilustrasikan prosedur tersebut kita
akan menggunakan data sebagai berikut.

Tabel : Data observasi

32 34 39 44 46
46 47 50 51 51
52 56 59 59 60
61 64 67 68 70
70 71

Data tersebut kita ploting ke dalam tabel untuk persiapan menghitung

komponen-komponen grafik probability plot. Susunan tabel yang
diperlukan sebagai berikut.

Tabel : Berat badan (kg.) 22 mahasiswa FT, UNY

Observasi Ranking Plotting Observasi Ranking Plotting
(𝑥𝑖 ) (𝑖) Position (𝑥𝑖 ) (𝑖) Position
(1) (2) (3) (1) (2) (3)
32 1 2.3 56 12 52.3
34 2 6.9 59 13 56.9
39 3 11.4 59 14 61.4
44 4 16.0 60 15 66.0
46 5 20.5 61 16 70.5
46 6 25.0 64 17 75.0
47 7 29.6 67 18 79.6
50 8 34.1 68 19 84.1
51 9 38.7 70 20 88.7
51 10 43.2 70 21 93.2
52 11 47.8 71 22 97.8

Selanjutnya kita hitung komponen-komponen grafik Probaility Plots. Ikuti

langkah demi langkah sebagai berikut.

Bab 5. Kurva Normal 11

 1. Menyusun (urutkan) data. Setiap observasi dicatat seperti yang
ditunjukkan pada Tabel Berat badan, diurutkan dari yang terkecil
sampai yang terbesar. Pencatatan rangkap seperti yang ditunjukkan
oleh nilai 46.
2. Rangking (peringkat) observasi. Buat ranking observasi, mulai dari
1 untuk observasi terendah, 2 untuk observasi terendah berikutnya,
dan seterusnya. Rangking tersebut ditunjukkan pada kolom 2 dari
Tabel Berat badan.
3. Hitung plotting posisition. Tahapan ini diselesaikan dengan
menggunakan rumus sebagai berikut.

100(𝑖 − 0.5)
𝑃𝑃 =
𝑛

Keterangan:
𝑖 : rank (urutan)
𝑃𝑃 : plotting position dalam persen
𝑛 : ukuran sampel

Plotting position pertama adalah sebagai berikut.

100(𝑖 − 0.5) 100(1 − 0.5) 50

𝑃𝑃 = = = = 2.27 % ≈ 2.3 %
𝑛 22 22

Yang lainnya dihitung dengan cara yang sama dan dimasukkan ke

dalam Tabel Berat badan.

4. Beri label skala data. Nilai kode berkisar dari 32 hingga 71 (sesuai
dengan nilai minimum dan maksimum dalam urutan data), sehingga
skala vertikal diberi label dengan tepat seperti ditunjukkan pada
Tabel Berat badan. Skala horizontal menggambarkan kurva normal
sebelum dicetak di atas kertas.
5. Plot titik-titiknya. Plotting position dan observasi diplot pada kertas
probabilitas normal.
6. Membuat garis terbaik sesuai pandangan mata. Penggaris
transparan akan sangat membantu dalam membuat keputusan garis

12 Bab 5. Kurva Normal

 ini. Saat menyesuaikan garis ini, bobot yang lebih besar harus
diberikan kepada nilai tengah sebaran data bukan nilai ekstrimnya.
7. Tentukan normalitas. Keputusan ini merupakan salah satu
pertimbangan seberapa dekat titik-titik tersebut dengan garis lurus.
Jika kita mengabaikan titik ekstrim di setiap ujung garis, kita dapat
berasumsi bahwa data terdistribusi normal.
Hasil plotting data seperti disajikan dalam gambar sebagai berikut.

Gambar 5.7 Probability Plots (PP-plots)

Jika normalitasnya tampak wajar, maka informasi tambahan dapat

diperoleh dari grafik. Mean berada di lokasi 𝑃50 (persentil 50), dalam grafik
tersebut memberikan nilai sekitar 55. Kita juga dapat menggunakan grafik
untuk menentukan persentase data di bawah, di atas, atau diantara nilai data.
Misalnya persentase kurang dari 48 adalah sekitar 31%. Meskipun contoh
soal menggunakan 22 titik data dengan hasil yang baik, namun ukuran
sampel yang disarankan adalah minimal 30.

Bab 5. Kurva Normal 13

Histogram
Pemeriksaan visual dari suatu histogram yang dikembangkan dari sejumlah
data yang besar akan memberikan indikasi dari populasi yang
mendasarinya. Jika histogram unimodal, simetris, dan meruncing di bagian
ekor, kemungkinan pasti normal dan cukup informasi dalam banyak situasi
praktis. Histogram pada Gambar 5.8 adalah unimodal, kedua ekornya
tertutup, dan berbentuk simetris kecuali bagian atas. Gambar tersebut dibuat
berdasarkan data pada Probability Plots.

Gambar 5.8 Histogram

Semakin besar ukuran sampel, semakin baik keputusan normalitasnya.

Ukuran sampel direkomendasikan minimal 50.

Skewness dan Kurtosis

Pengukuran skewness (kemiringan) dan Kurtosis (keruncingan) adalah uji
normalitas yang lain. Misalnya diketahui 𝑎3 = −0.11 dan 𝑎4 = 2.19, nilai-

14 Bab 5. Kurva Normal

nilai itu menunjukkan bahwa data agak miring ke kiri tetapi mendekati nilai
normal yaitu 0; dan keruncingan distribusi data tidak setinggi distribusi
normal yang nilai 𝑎4 = 3.

Chi-Square
Uji chi-square adalah teknik lain untuk menentukan apakah data sampel
sesuai dengan distribusi normal atau distribusi yang lain. Ukuran sampel
direkomendasikan minimum 125. Pembahasan chi-square lebih lanjut pada
Bagian Statistik Nonparametrik.

Bab 5. Kurva Normal 15

5.5 Tabel 𝒁 : Area Kurva Normal

16 Bab 5. Kurva Normal

Bab 5. Kurva Normal 17