BAB VII

UJI NORMALITAS

A. Landasan Teori
Uji normalitas merupakan salah satu uji statistik yang digunakan untuk
menguji apakah suatudata berdistribusi normal atau tidak. Uji ini dapat
digunakan untuk mengukur data berskalaordinal, internal ataupun rasio . Ada
berbagai metode yang dapat digunakan untuk menguji apakahsuatu data
berdistribusi normal atau tidak, diantaranya adalah Kolmogorov-Smirnov ,
Lilliefors, Anderson Darling, Iramer-von Mises, Shapiro-Wilk dan Shapiro
Francia serta termasuk juga dalam hal ini yaitu metode Sootstrap
(Oktaviana, 2013).
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 diartikan
sebagai sebuah distribusi tertentu yang memiliki karakteristik berbentuk
seperti lonceng jika dibentuk menjadi sebuah histogram (Naryadi, dkk, 2011).
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 (Naryadi, dkk, 2011).
Uji normalitas dapat dilakukan dengan menggunakan Uji
KolmogorovSmirnov, dalam pengujian Kolmogorov-Smirnov diasumsikan
bahwa distribusi variabel yang diuji bersifat kontinu, oleh sebab itu data yang
digunakan dalam uji ini tidak diukur dengan skala ordinal. Prinsip dari Uji
Kolmogorov-Smirnov adalah menghitung selisih absolut antara fungsi
peluang kumulatif sampel dan fungsi distribusi yang dihipotesiskan pada
masing – masing interval kelas (Daniel, 1989).
Kriteria, hipotesis dan statistic uji dalam Uji Kolmogorov-Smirnov
dapat dilakukan sebagai berikut :
1. Hipotesis :
- Ho : F(𝜃) = FO (𝜃) = Data berdistribusi normal.
- H1 : F(𝜃) ≠ FO (𝜃 = Data tidak berdistribusi normal.
2. Statistik Uji : α = 5%.
3. Kriteria Uji : Tolak H଴ jika sig < α (Daniel, 1989).
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel terikat, variabel bebas atau keduanya mempunyai distribusi normal
atau tidak. Model regresi yang baik adalah memiliki distribusi data normal
atau penyebaran data statistik pada sumbu diagonal dari grafik distribusi
normal. Uji normalitas data bertujuan untuk mengetahui apakah data sampel
yang digunakan berasal dari populasi yang berdistribusi normal atau tidak.
Uji normalitas data dalam penelitian ini menggunakan uji kolmogorov-
Smirnov (Ghozali ,2011).
Analisis Grafik Pada prinsipnya, normalitas dapat dideteksi dengan
melihat penyebaran titik pada sumbu diagonal dari grafik atau dengan melihat
histogram dari residualnya.. Menurut Daniel (1989) dasar pengambilan
keputusan untuk uji normalitas adalah:
a. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan distribusi normal, maka
model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan distribusi normal, maka
model regresi tidak memenuhi asumsi normalitas.
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.
Meskipun demikian, apabila sebaran data suatu penelitian yang
mengungkapkan kemampuan siswa ternyata diketahui tidak normal hal itu
bukan berarti harus berhenti penelitian itu sebab masih ada fasilitas statistik
nonparametrik yang dapat dipergunakan apabila data tadi tidak berdistribusi
normal.
Menurut Sudjana (1996;466) macam-macam uji normalitas yang dapat
digunakan diantaranya:
a. 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
b. Chi-Square
Metode Chi-Square atau 𝑋2 untuk Uji Goodness of fit Distribusi
Normal menggunakan pendekatan penjumlahan penyimpangan data
observasi tiap kelas dengan nilai yang diharapkan. Persyaratan Metode
Chi Square (Uji Goodness of fit Distribusi Normal). Data tersusun
berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
Cocok untuk data dengan banyaknya angka besar (n>30).
c. Kolmogrov 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. Persyaratannya yaitu:
- Data berskala interval atau ratio (kuantitatif).
- Data tunggal/ belum dikelompokkan pada tabel distribusi frekuensi.
- Dapat untuk n besar maupun n kecil.
d. Liliefors
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 yaitu :
- Data berskala interval atau ratio (kuantitatif).
- Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi.
- Dapat untuk n besar maupunn kecil.
e. 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 yaitu:
- Data berskala interval atau ratio (kuantitatif).
- Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi.
- Data dari sampel random.
B. Soal Latihan
Kepuasan pelanggan sangat diutamakan dalam keberhasilan perusahaan
karena jika konsumen merasa puas dengan pelayanan atau produk itu maka
posisi produk atau jasa akan baik di pasar. Salah satu usaha dalam bidang
kuliner yang saat ini sedang naik daun adalah Sei Sapi Kana. Dalam
menjalankan bisnisnya, Sei Sapi Kana tentu harus mengetahui tingkat
kepuasan pelanggan berdasarkan kualitas pelayanan serta promosi yang
diberikan. Berikut merupakan data pengaruh kualiatas pelayanan dan promosi
terhadap kepuasan pelanggan Sei Sapi Kana Cabang Yogyakarta dengan 15
responden.
Tabel 7.1 Data pengaruh kualiatas pelayanan dan promosi terhadap kepuasan
pelanggan

Kualitas Kepuasan
Responden Promosi
Pelayanan Pelanggan
1 51 30 81
2 36 27 64
3 44 32 76
4 39 29 68
5 30 20 50
6 39 23 62
7 41 34 75
8 37 26 63
9 42 27 69
`10 45 34 79
11 35 23 58
12 45 35 80
13 51 31 82
14 48 33 81
15 40 24 64
Berdasarkan data pada tabel 7.1 untuk melihat kenormalan distribusi data
maka analisislah data tersebut dengan menggunakan Uji Jarque Bera (JB)!
C. Langkah Kerja
1. Breusch Godgrey Test
a. Membuka aplikasi E-Views kemudian memilih Create A New E-Views
workfile untuk membuka lembar kerja.

b. Mengklik Workfile Create, memilih Unstructured/undated, pada kolom

Start Date lalu memasukkan observation sebesar 15. Kemudian,
mengklik Ok.

c. Memilih menu File pada menubar, memilih Import, kemudian memilih

Import From File.
d. Memasukkan berkas yang berisikan data yang telah disimpan
sebelumnya. Lalu mengklik Open.

e. Mengklik Custom Range,lalu pada menu Start Cell memilih Next.

f. Setelah itu, memasukkan Number pada kolom Data Type lalu memilih
Next.
g. Selanjutnya mengklik Finish.

h. Untuk menguji normalitas dapat menggunakan uji JB atau Jarque Bera

Test dengan cara memblok variabel kepuasan pelanggan, kualitas
pelayanan dan promosi dan kemudian memilih enter.

i. Setelah itu, memilih menu View kemudian memilih Descriptive Stats

kemudian memilih Common Sample.
 j. Lalu akan muncul hasil data.

D. Hasil atau Output

KEPUASAN_ KUALITAS_
PELANGGAN PELAYANAN PROMOSI
Mean 70.13333 41.53333 28.53333
Median 69.00000 41.00000 29.00000
Maximum 82.00000 51.00000 35.00000
Minimum 50.00000 30.00000 20.00000
Std. Dev. 9.862386 5.938574 4.688385
Skewness -0.393750 -0.016327 -0.237220
Kurtosis 2.110653 2.405981 1.864466

Jarque-Bera 0.881934 0.221203 0.946581

Probability 0.643414 0.895295 0.622949

Sum 1052.000 623.0000 428.0000

Sum Sq. Dev. 1361.733 493.7333 307.7333

Observations 15 15 15

E. Interpretasi
Kriteria pengujian normalitas yaitu:
1. Apabila nilai probabilitas Jarque Bera > 0.05 artinya, pada data tersebut
terdistribusi normal
2. Apabila nilai probabilitas Jarque Bera <0.05 artinya, pada data tersebut
tidak terdistribusi normal.
Maka, berdasarkan hasil atau output diketahui nilai probabilitas Jarque
Bera pada variabel kepuasan pelanggan sebesar 0.643414 dimana nilai tersebut
lebih besar dari 0.05 yang berarti data variabel kepuasan pelanggan terdistribusi
normal. Nilai probabilitas Jarque Bera pada variable kualitas pelayanan sebesar
0.895295 nilai tersebut lebih dari 0.05 yang berarti data pada variabel kualitas
pelayanan adalah terdistribusi normal. Nilai probabilitas Jarque Bera pada
variabel promosi sebesar 0.622949 maka nilai tersebut lebih besar dari 0.05 yang
artinya data pada variabel promosi terdistribusi normal.
 DAFTAR PUSTAKA

Arisinta, Oktaviana. 2013. Pengaruh Kompetensi, Independensi, Time Budget

Pressure, Dan Audit Fee Terhadap Kualitas Audit Pada Kantor Akuntan
Publik Di Surabaya. Jurnal Ekonomi dan Bisnis Universitas Airlangga

Daniel, W. W. (1989). Statistika Nonparametrik Terapan (terjemahan). Jakarta,

Indonesia: Penerbit PT Gramedia

Ghozali, Imam. 2011. “Aplikasi Analisis Multivariate Dengan Program SPSS”.

Semarang, Indonesia: Badan Penerbit Universitas Diponegoro

Naryadi,dkk. 2017. Dasar-Dasar Statistik Penelitian. Yogyakarta, Indonesia:

Sibuku Media

Sudjana. (1996). Metode Statistika. Bandung, Indonesia: Tarsito