Nama : Dea Oktaviani

NPM : 20411023
Prodi/Semester : Pendidikan Matematika/4
Mata Kuliah : Statistika Lanjutan
Dosen Pengampu : Pak Egi Adha Juniawan, M.Pd
Pertemuan : 7
Materi : Uji Normalitas

A. Pengertian Uji Normalitas

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

Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi
normal atau diambil dari populasi normal. Metode klasik dalam pengujian normalitas
suatu data tidak begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik,
data yang banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan
berdistribusi normal. Biasa dikatakan sebagai sampel besar.

Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau tidak,
sebaiknya digunakan uji normalitas. Karena belum tentu data yang lebih dari 30 bisa
dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya kurang dari 30
belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian. uji statistik yang
dapat digunakan diantaranya adalah: Uji Chi-Square, Kolmogrov Smirnov, Liliefors,
Shapiro Wilk, Jarque Bera.

1. Metode Chi Square Dalam Uji Normalitas (Uji Goodness of fit Distribusi
Normal)
Metode Chi-Square atau X2 untuk Uji Goodness of fit Distribusi Normal
menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas
dengan nilai yang diharapkan. Uji Chi-square seringkali digunakan oleh para
peneliti sebagai alat uji normalitas.

Rumus uji normalitas untuk Metode Chi Square dalam Uji Normalitas
❑
(Oi−Ei )
X 2 =∑
❑ Ei

Keterangan :
2
X : Nilai X2
O i : Nilai observasi
Ei : Nilai expected/harapan, luasan interval kelas berdasarkan tabel normal dikalikan
N (total frekuensi) pi . N
N : Banyaknya anggota pada data (total frkuensi)
 Syarat Uji Square dalam Uji Normalitas

a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.

b. Cocok untuk data dengan banyaknya angka besar (n > 30).
c. Setiap sel harus terisi, yang kurang dari 5 gabungkan.
Signifikansi :
Signifikansi uji, nilai X 2 hitung dibandingkan dengan X 2 tabel (Chi-Square)
 Jika X 2 h itung<nilai X 2 tabel , maka Ho diterima dan Ha ditolak
 Jika X 2 h itung>nilai X 2 tabel , maka Ho ditolak dan Ha diterima

Contoh
Diambil tinggi badan mahasiswa di suatu Perguruan Tinggi tahun 2010

Tinggi Badan Jumlah

140 – 144 7
145 – 149 10
150 – 154 16
155 – 159 23
160 – 164 21
165 – 169 17
170 – 174 6
Jumlah 100

Selidikilah dengan α =5 % , apakah data tersebut di atas berdistribusi normal (Mean =

157.8; standar deviasi = 8.09)

Penyelesaian

1. Hipotesis
Ho : Populai tinggi badan mahasiswa berdistribusi normal
H1 : Populasi tinggi badan mahasiswa tidak berdistribusi normal

2. Nilai α

Nilai α =5 %=0,05

3. Rumus Statistik Penguji

❑
(Oi−Ei )
X 2 =∑
❑ Ei

Batas interval X i−X pi Oi Ei ( pi . N )

kelas Z=
SD
139.5 – 144.5 -2.26 – 1.64 0.4881 – 0.4495 = 0.0386 7 3.86
144.5 – 149.5 -1.64 – 1.03 0.4495 – 0.3485 = 0.1010 10 10.1
149.5– 154.5 -1.03 – 0.41 0.3485 – 0.1591=0.1894 16 18.94
 154.5 – 159.5 -0.41 – 0.21 0.1591 – 0.0832=0.2423 23 24.23
159.5 – 164.5 0.21 – 0.83 0.0832 – 0.2967=0.2135 21 21.35
164.5 – 169.5 0.83 – 1.45 0.2967 – 0.4265=0.1298 17 12.98
169.5 – 174.5 1.45 – 2.06 0.4265 – 0.4803=0.0538 6 5.38
Jumlah 100

Luasan pi dihitung dari batasan proporsi hasil transformasi Z yang

dikompirmasikan dengan tabel distribusi normal atau tabel Z.
❑
(Oi−Ei )
X =∑
2

❑ Ei

(7−3.86 )2 (10−10.1 )2 ( 16−18.94 )2 ( 23−24.23 )2 ( 21−21.35 )2 ( 17−12.98 )2 ( 6−5.

¿ + + + + + +
3.86 10.1 18.94 24.23 21.35 12.98 5.38

¿ 0.427

4. Derajat Bebas

Df =( k −3 )= (5−3 ) =2

5. Nilai Tabel

Nilai tabel X 2α=0,05 ; df =2=5,991

6. Daerah Penolakan

Menggunakan rumus :

|0,427|<|5,991|

Berarti Ho diterima, Ha ditolak

7. Kesimpulan

Populasi tinggi badan mahasiswa berdistribusi normal α =0,05

2. Uji Normalitas Kolmogorov Smirnov

Syarat kolmogorov smirnov :

a. Data berskla interval atau ratio (kuantitatif)

b. Data tunggal/belum dikelompokkan pada tabe distribusi frekuensi

c. Dapat untuk n besar maupun n kecil

Contoh

Diketahui hasil jumlah benar soal statistik dari 150 nomor soal pilihan ganda yang
diikuti 40 mahasiswa adalah sebagai berikut

66 79 89 122 111 110 101 133 136 115

76 81 86 102 137 136 115 117 138 139
105 125 128 103 97 133 120 121 107 95
106 122 112 111 97 100 101 144 106 92
Jika diketahui juga nilai rata-rata X =109,9 dan standar deviasinya sd=18,82. Ujilah
normalitas dari data tersebut dengan α =0,05

Penyelesaian

1. Hipotesis

Ho = data berdistribusi normal

Ha = data tidak berdistribusi normal

2. Nilai α

Nilai α =0,05

3. Statistik penguji

Rumus

Menentukan nilai kumulatif proporsi Menentukan nilai normal setiap

(kp) data (Z)

f kum X i−X
kp= Z=
n sd
Menentukan nilai a1 dan a2

a2= selisih z tabel dan kp pada batas atas a 2=|kp−F( z)|

|
a1= selisih z tabel dan kp pada batas bawah a 1= a 2−
f
n |
 F(z) : luas kurva F(z) dengan melihat tabel Z negatif dan positif

Nilai F f kum kp Z Z tabel F(z) a1 a2

(x)
66 1 1 0,025 -2,33 0,4901 0,0099 0,0099 0,0151
76 1 2 0,050 -1,80 0,4641 0,0359 0,0109 0,0141
79 1 3 0,075 -1,64 0,4495 0,0505 0,0005 0,0245
81 1 4 0,100 -1,54 0,4382 0,0618 0,0132 0,0382
86 1 5 0,125 -1,27 0,3980 0,1020 0,0020 0,0230
89 1 6 0,150 -1,11 0,3665 0,1335 0,0085 0,0165
92 1 7 0,175 -0,95 0,3289 0,1711 0,0211 0,0039
95 1 8 0,200 -0,79 0,2852 0,2148 0,0102 0,0148
97 2 10 0,250 -0,69 0,2549 0,2451 0,0451 0,0049
100 1 11 0,275 -0,53 0,2019 0,2981 0,0019 0,0231
101 2 13 0,325 -0,47 0,1808 0,3192 0,0442 0,0058
102 1 14 0,350 -0,42 0,1628 0,3372 0,0122 0,0128
103 1 15 0,375 -0,37 0,1443 0,3557 0,0057 0,0193
105 1 16 0,400 -0,26 0,1026 0,3974 0,0224 0,0026
106 2 18 0,450 -0,21 0,0832 0,4618 0,0168 0,0332
107 1 19 0,475 -0,15 0,0596 0,4404 0,0096 0,0346
110 1 20 0,500 0,01 0,0040 0,5040 0,0210 0,0040
111 2 22 0,550 0,06 0,0239 0,5239 0,0239 0,0261
112 1 23 0,575 0,11 0,0438 0,5438 0,0062 0,0312
115 2 25 0,625 0,27 0,1064 0,6064 0,0314 0,0186
117 1 26 0,650 0,38 0,1480 0,6480 0,0230 0,0020
120 1 27 0,675 0,54 0,2054 0,7054 0,0054 0,0304
121 1 28 0,700 0,59 0,2224 0,7224 0,0026 0,0224
122 2 30 0,750 0,64 0,2389 0,7389 0,0389 0,0111
125 1 31 0,775 0,80 0,2881 0,7881 0,0119 0,0131
128 1 32 0,800 0,96 0,3315 0,8315 0,0065 0,0315
133 2 34 0,850 1,23 0,3907 0,8907 0,0093 0,0407
136 2 36 0,900 1,39 0,4177 0,9177 0,0323 0,0177
137 1 37 0,925 1,44 0,4251 0,9251 0,0249 0,0001
138 1 38 0,950 1,49 0,4319 0,9319 0,0069 0,0181
139 1 39 0,975 1,55 0,4394 0,9394 0,0106 0,0356
144 1 40 1,000 1,81 0,4649 0,9649 0,0101 0,031
Jumlah 40
Kolmogorov-Smirnov hitung = 0,0451

4. Menentukan Kolmogorov-Smirnov tabel

Jumlah data pada soal sebanyak 40 data serta α =0,05. Maka untuk menentukan
Kolmogorov-Smirnov tabel maka menggunakkan rumus

1,36 1,36
Kolmogorov−Smirnov tabel= = =0,215
√ n √ 40
 5. Membandingkan Kolmogorov-Smirnov hitung dan Kolmogorov-Smirnov tabel

0,0451<0,02150

Maka Ho diterima, Ha ditolak

6. Kesimpulan

Maka data tersebut berdistribusi normal

3. Uji Normalitas Lilliefors

Uji lilliefors adalah uji yang digunakan untuk mengetahui apakah data berdistribusi
normal atau tidak.

Syarat uji Lilliefors

a. Berskala interval atau ratio (kuantitatif)

b. Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi

c. Dapat untuk n besar maupun n kecil

Hipotesis :
Ho : data berdistribusi normal
H1 : data tidak berdistribusi normal

Penarikan Kesimpulan
 Apabila nilai Lo hitung < Lo tabel maka Ho diterima dengan kesimpulan data
berdistribusi normal.
 Apabila nilai Lo hitung > Lo tabe; maka Ho ditolak dengan kesimpulan data
berdistribusi tidak normal.

Rumus Perhitungan
Y i−Y
1. Z=
Sy
2. F Zi=tabel Z
3. SZ i =¿ ¿
4. |F Zi −S Zi|
5. Lo=Max (|F Zi−S Zi|)

Contoh
Misalkan diketahui data sampel sbb : 23, 27, 33, 40, 48, 48, 57, 59, 62, 68, 69, 70.
Ujilah apakah data sampel ini berasal dari populasi berdistribusi normal
Penyelesain
1. Hipotesis
Ho : data berdistribusi normal
H1 : data tidak berdistribusi normal
 2. Nilai α =0,05

3. Statistik Pengujian

Mutlak (F(Zi- Lo
  Yi Z F(Zi) S(Zi) Lo
S(Zi) Tabel
1 23 -1,65163 0,049 0,083333 0,034333333
2 27 -1,40993 0,0793 0,166667 0,087366667
3 33 -1,04738 0,1469 0,25 0,1031
4 40 -0,6244 0,2676 0,333333 0,065733333
5 48 -0,14099 0,4443 0,416667 0,027633333
6 48 -0,14099 0,4443 0,5 0,0557
0,117 0,242
7 57 0,402837 0,6554 0,583333 0,072066667
8 59 0,523688 0,7019 0,666667 0,035233333
9 62 0,704965 0,7611 0,75 0,0111
10 68 1,067519 0,8577 0,833333 0,024366667
11 69 1,127944 0,8708 0,916667 0,045866667
12 70 1,18837 0,883 1 0,117
Total 604            
Rata-
50,33333          
Rata  
Varians 273,8788            
Simp.
16,54928          
Baku  

0,117< 0,242
Lo hitung < Lo tabel artinya Ho diterima, H1 ditolak

4. Kesimulan
Dapat disimpulkan bahwa data berdistribusi normal.

4. Shapiro Wilk

Nilai signifikansi Shapiro-Wilk test of normality harus > 0,05. Metode Shapiro-Wilk
menggunakan data 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

Rumus

1
T 3= ¿¿
D

Keterangan :

D : berdasarkan rumus di bawah

a i : koefisien test Shapiro Wilk

¿ ¿ angka ke n-i+1 pada data

X i : angka ke-i pada data

n
D=∑ ( X i− X )
2

i=1

Keterangan :

X i : angka ke-i pada data

X : rata-rata data

Prasyarat

a. Data berskala interval atau ratio (kuantitatif)

b. Data tuggal / belum dikelompokkan pada tabel distribusi frekuensi

c. Data dari sampel random

Signifikansi

Jika p>α , maka Ho diterima, H1 ditolak

Jika p<α , maka Ho ditolak, H1 diterima

Contoh

Berdasarkan data ujian matematika sebagian siswa yang diambil secara random dari
kelas VII sebanyak 24 siswa, didapatkan data sbb : 58, 36, 24, 23, 19, 36, 58, 34, 33,
56, 33, 26, 46, 41, 40, 37, 36, 35, 18, 55, 48, 32, 30, 27 bulan. Selidikilah data
tersebut apakah data tersebut diambil dari populasi yang berdistribusi normal α =5 %

Jawab

1. Hipotesis
Ho : dataset berdistribusi normal
H1 : dataset tidak berdistribusi normal

2. Nilai α
α =5 %=0,05

3. Statistik Penguji
 Mencari Nilai D

2
No X X i −X   ( X i−X )  
1 18 -18,70833333 350,0017361
2 19 -17,70833333 313,5850694
 3 23 -13,70833333 187,9184028
4 24 -12,70833333 161,5017361
5 26 -10,70833333 114,6684028
6 27 -9,708333333 94,25173611
7 30 -6,708333333 45,00173611
8 32 -4,708333333 22,16840278
9 33 -3,708333333 13,75173611
10 33 -3,708333333 13,75173611
11 34 -2,708333333 7,335069444
12 35 -1,708333333 2,918402778
13 36 -0,708333333 0,501736111
14 36 -0,708333333 0,501736111
15 36 -0,708333333 0,501736111
16 37 0,291666667 0,085069444
17 40 3,291666667 10,83506944
18 41 4,291666667 18,41840278
19 46 9,291666667 86,33506944
20 48 11,29166667 127,5017361
21 55 18,29166667 334,5850694
22 56 19,29166667 372,1684028
23 58 21,29166667 453,3350694
24 58 21,29166667 453,3350694
Jumlah 881    
36,708
X       
3
D 3184,958333

 Mencari Nilai T 3

I ai (X ¿ ¿ n−i+1− X i) ¿  a i( X ¿ ¿ n−i+1−X i )¿

1 0,4493 58 18 40 17,972
2 0,3098 58 19 39 12,0822
3 0,2554 56 23 33 8,4282
4 0,2145 55 24 31 6,6495
5 0,1807 48 26 22 3,9754
6 0,1512 46 27 19 2,8728
7 0,1245 41 30 11 1,3695
8 0,0997 40 32 8 0,7976
9 0,0764 37 33 4 0,3056
10 0,0539 36 33 3 0,1617
11 0,0321 36 34 2 0,0642
12 0,0107 36 35 1 0,0107
 Jumlah 54,6894

1
T 3= ¿¿
D
4. Nilai Tabel (Shapiro Wilk)
T tabel nilai a ( 0,10 )=0,930; nilai a( 0,50)=0,963

5. Daerah penolakan
Nilai T 3 terletak diantara 0,930 dan 0,963, atau nilai p hitung terletak diantara
0,10 dan 0,50 yang di atas nilai α (0,05) berarti Ho diterima, H1 ditolak

6. Kesimpulan
Sampel diambil dari populasi berdistribusi normal, α =0,05

5. Uji Normalitas Skewness dan Kurtosis

Langkah-langkah penyelesaian
1. Hipotesis
Ho : Data sampel berasal dari populasi yang berdistribusi normal
H1 : Data sampel berasal dari populasi yang berdistribusi tidak normal
2. Tentukan nilai Z tabel dengan a tertentu (1%, 5%,10%)
α =10 % → Z 0,10 =± 1.64
α
2
α =5 % → Z 0,05 =±1.96
α
2
α =1 % → Z 0,001 =± 2.58
α
2

3. Tentukan kriteria penerimaan dan penolakan

Ho diterima jika : −Z tabel< Z h itung< +Z tabel
Ho ditolak jika : Z tabel> Z hitung> +Z ta b el
xi−x
Z hitung =
σ
4. Hitung nilai skewness dan kurtosis-nya

( )
❑ 3
n xi−x
SKEW =
(n−1)(n−2) ❑ SD
∑

( )
❑ 2
n(n+1) xi−x 4 3 ( n−1 )
KURT =
(n−1)(n−2)(n−3) ❑ SD
∑ −
(n−2)(n−3)
5. Standarisasikan nilai skewness dan kurtosis tersebut
K −0
Z kurt = ,
24
N
S−0
√
Z skew=

6. Keputusan
6
N √
Terima atau tolak Ho

Contoh Soal
Pak Bendot akan meneliti pendapatan per hari tukang-tukang becak di desa
sukagenjot. Untuk keperluan tersebut pak bendot kumpulkan data beberapa orang
tukang becak di wilayahnya. Dari data terkumpul diperoleh informasinya sbb.
Nama Pendapatan
Miskun 10
Misno 12
Muheri 15
Daseri 16
Jiran 9
Jarwo 130
Kijan 16
Sarkum 17
Khasan 14
Sarno 8
Penyelesaian
1. Hipotesis
Ho : Data sampel berasal dari populasi yang berdistribusi normal
H1 : Data sampel berasal dari populasi yang berdistribusi tidak normal
2. Nilai Z tabel a=5 %

3. Tentukan kriteria penerimaan dan penolakan

Ho diterima jika : −Z tabel< Z h itung< +Z tabel
Ho ditolak jika : Z tabel> Z hitung> +Z tabel

Nama
Pendapatan
(xi)
( xi−1 )2 ( σ)
xi−x 3
( σ)
xi−x 4

Miskun 10 216.090 -0.025 0.025

Misno 12 161.290 0.014 0.014
Muheri 15 94.090 0.005 0.005
Daseri 16 75.690 0.003 0.003
Jiran 9 246.490 0.032 0.032
Jarwo 130 11088.090 64.662 64.662
Kijan 16 75.690 0.003 0.003
Sarkum 17 59.290 0.002 0.002
Khasan 14 114.490 -0.024 0.007
Sarno 8 278.890 0.091 0.041
Jumlah 247 12410.100 22.458 64.792
❑
∑
❑
xi
247
x= = =24,7
n 10

√
❑
∑ ( xi−x )2
σ= ❑
n−1
=
√ 12410.1
10−1
=37,13

4. Hitung nilai skewness dan kurtosis-nya

( )
❑ 3
n xi−x 10
SKEW = ∑
(n−1)(n−2) ❑ SD
=
(10−1)(10−2)
22,458=3,11
 (3 ( n−1 )2
)
❑
n(n+1) xi−x 4
KURT =
(n−1)(n−2)(n−3) ❑ SD
∑ −
(n−2)(n−3)
2
10 ( 10+1 ) 3 ( 10−1 )
¿ ( 64,792 )− =9,8
(10−1 ) ( 10−2 ) ( 10−3 ) (10−2 ) ( 10−3 )
5. Standarisasikan nilai skewness dan kurtosis tersebut
S−0 3,11−0
Z skew= = =4,01

N
6
√ √
K −0 9,8−0
10
6

Z kurt = = =6,3
24
N √ √ 24
10

6. Keputusan
Asumsikan menggunakan a=5 % , berarti Z tabelnya ± 1,96
Karena nilai Zskew dan Z kurt lebih besar dari Z tabel berarti Ho ditolak dan
data sampel berasal dari populasi yang tidak berdistribusi normal.

6. Uji normalitas Jarque Bera

Uji Jarque Bera adalah salah satu uji normalitas jenis goodness of fit test yang mana
mengukur apakah skewness dan kurtosis sampel sesuai dengan distribusi normal.Uji
ini didasarkan pada kenyataan bahwa nilai skewness dan kurtosis dari distribusi
normal sama dengan nol. Oleh karena itu, nilai absolut dari parameter ini bisa menjadi
ukuran penyimpangan distribusi dari normal. Dalam aplikasinya nilai Jarque Bera
(JB) dibandingkan dengan nilai Chi-Square TABEL pada derajat kebebasan 2.

Jarque Bera Test dinamakan sesuai dengan penemunya yaitu Carlos Jarque dan Anil

K. Bera. Rumus Jarque Bera adalah sebagai berikut:

( )
2
n 2 (K−3)
JB= S
6 4

n
1
μ́ 4
∑
n i=1
( x i−x )4
K= =
σ́ 4
( )
n 2
1
∑
n i=1
( x i−x )2

n
1
μ́3 ∑
n i=1
( x i−x )
4

S= =

( )
3 3 /2
σ́ 1
n

∑
n i=1
( xi −x)
2

Keterangan

JB : Jarque Bara
 n : jumalh sampel
S : Expected Skewness
K : Expected Excess Kurtosis

Selain rumus asli, berikut rumus pengembangan dari Jarque Bara :

a. Jarque Bera Regresi Linear
JB=
n−k 2 1
6 (
S + ( K −3)2
4 )
Dimana k : jumlah variabel bebas

b. Adjusted Jarque Bera

( )
2
S2 ( K−e K )
JBU= +
vS vK
Dimana
JBU : Adjusted Jarque Bara
S : Expected Skewness
K : Expected Excess Kurtosis

6(n−2)
v S=
(n+1)( n+3)

24 n(n−2)(n−3)
vK =
( n+ 1 )2( n+3)(n+5)

7. Uji normalitas Analisis Grafik

Metode ini dilakukan dengan menggunakan histogram dengan menggambarkan

variabel dependen sebagai sumbu vertikal, sedangkan nilai residual terstandarisasi
digambarkan sebagai sumbu horizontal.Jika histogramStandardized Regretion
Residual membentuk kurva seperti lonceng, maka nilai tersebut dinyatakan normal.

Cara lain yaitu dengan menggunakan Normal Probability Plot yaitu dengan
membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi
kumulatif dari distribusi normal.distribusi normal digambarkan dengan sebuah garis
diagonal lurus dari kiri bawah ke kanan atas. Distribusi kumulatif dari data
sesungguhnya digambarkan dengan ploting. Jika data normal, maka garis yang
menggambarkan data sesungguhnya akan mengikuti atau merapat ke garis
diagonalnya.