Uji Normalitas Data Untuk Penelitian

Uji Normalitas Data - 0
Buku Referensi
UJI NORMALITAS
DATA
untuk
Penelitian
Penulis
Akbar Nasrum
Uji Normalitas Data - i

UJI NORMALITAS DATA
untuk Penelitian
Penulis:
Akbar Nasrum
Isi diluar tanggungjawab penerbit
Copyright ©2018 by Jayapangus Press

All Right Reserved
PENERBIT:
Jayapangus Press
Anggota IKAPI
No. 019/Anggota Luar Biasa/BAI/2018
Jl. Ratna No.51 Denpasar - BALI
http://jayapanguspress.org
Email : jayapanguspress@gmail.com
Perpustakaan Nasional Republik Indonesia

Katalog Dalam Terbitan (KDT)
ISBN:
- - - -
Uji Normalitas Data - ii

Kutipan Pasal 44, Ayat 1 dan 2, Undang-undang Republik Indonesia
tentang HAK CIPTA :
Tentang Sanksi Pelanggaran Undang-Undang No. 6 Tahun 1982

tentang HAK CIPTA sebagaimana telah diubah dengan Undang-
Undang No. 7 Tahun 1987 jo. Undang-Undang No. 12 Tahun 1997,
bahwa :
Barang siapa dengan sengaja dan tanpa hak mengumumkan atau

memperbanyak suatu ciptaan atau memberi izin untuk itu, dipidana
denganpidana penjara paling lama 7 (tujuh) tahun dan/atau denda
paling banyak Rp. 100.000.000,- (seratus juta rupiah).
Barang siapa sengaja menyiarkan, memamerkan, mengedarkan,

atau menjual kepada umum suatu ciptaan atau barang hasil
pelanggaran Hak Cipta sebagaimana dimaksud dalam ayat (1),
dipidana dengan pidana paling lama 5 (lima) tahun dan/atau denda
paling banyak Rp. 50.000.000,- (lima puluh juta rupiah).
Uji Normalitas Data - iii

Kupersembahkan untuk Istri
tercinta dan orang tuaku
Uji Normalitas Data - iv

KATA PENGANTAR
Sejak pertama kali diberi amanah untuk membimbing

mahasiswa dalam penulisan proposal dan skripsi, saya menemukan
banyak masalah terutama dalam hal kajian statistiknya. Sulit
mencari buku statistik yang penulisnya benar-benar mempunyai
latar belakang statistik sehingga jika terdapat perbedaan dari tiap
buku, susah memberikan penjelasan bahwa ini yang benar atau
sama sekali tidak ada yang benar. Bidang statistika memang sangat
luas. Para pakar statistik mungkin sibuk dengan bidang yang
digeluti masing-masing sehingga tidak sempat memperhatikan hal-
hal yang menjadi dasar pengetahuan statistika bagi para mahasiswa
terutama mahasiswa dalam jurusan pendidikan.
Jangankan mahasiswa, antar dosen pembimbing sekalipun
seringkali berbeda pendapat. Buku ini merupakan langkah awal
untuk memperbaiki pengetahuan tentang statistika dalam bidang
penelitian terutama dalam hal uji normalitas data.
Pengetahuan tentang konsep uji normalitas data bagi peneliti
khususnya di bidang pendidikan sangatlah penting. Seringkali kita
diperhadapkan pada suatu persoalan yang mempersyaratkan data
harus berdistribusi normal. Dalam bidang pendidikan sendiri
khususnya pendidikan matematika, mahasiswa lebih dituntut
mengetahui proses daripada sekedar menggunakan software
statistika yang ada. Sementara buku-buku yang beredar terkadang
hanya menyediakan cara uji normalitas data dengan software
tertentu tanpa menuliskan konsep dasarnya seperti apa. Ada juga
yang mencoba menjelaskan cara manualnya tapi sepertinya kurang
faham tentang konsep uji normal itu sendiri. Melihat hal ini hati saya
seakan terketuk untuk memperbaiki sesuatu yang saya anggap
keliru.
Uji Normalitas Data - v

Dalam buku ini dijelaskan berbagai macam cara uji normalitas
data, baik secara manual maupun dengan menggunakan software
yang ada. Konsep uji normalitas dengan Kolmogorov-Smirnov dan
Lilliefors dalam buku ini yang menjadi perhatian utama karena
konsep inilah yang banyak keliru dalam beberapa buku statistika.
Ada beberapa tambahan uji normalitas manual yang penulis
sajikan dalam buku ini seperti Shapiro-Wilk, Anderson Darling, QQ
plot dan PP plot yang belum pernah saya temukan pada buku-buku
statistika di Indonesia.
Semoga dengan adanya buku ini para peneliti baik mahasiswa,
guru ataupun dosen tidak lagi kebingungan memilih metode mana
yang baik digunakan untuk uji normalitas data. Buku ini adalah buku
pertama yang saya tulis. Kemungkinan besar masih terdapat banyak
kekeliruan dalam hal penulisan atau mungkin ada penggunaan kata
yang tidak tepat dalam tulisan ini. Kritik dan saran selalu penulis
harapkan dari para pembaca.
Akhir kata selamat membaca dan selamat praktik uji normalitas
data dengan menggunakan Kolmogorov-Smirnov dan kawan-
kawannya.
Kolaka, Februari 2018

A.N.
Uji Normalitas Data - vi

Daftar Isi
I. UJI NORMALITAS DATA .............................................................. 1

Kegunaan Uji Normalitas data ................................................................... 1
II. PDF DAN CDF .............................................................................. 11

Luas Daerah di bawah Kurva Normal .................................................. 16
Fungsi Distribusi Kumulatif Normal (Normal CDF) ...................... 26
Fungsi Distribusi Kumulatif Empiris.................................................... 27
III. Jenis-jenis Uji Normalitas Data ............................................... 29

Uji Kolmogorov Smirnov ........................................................................... 29
LILLIEFORS ..................................................................................................... 42
CHI SQUARE ................................................................................................... 46
SHAPIRO WILK.............................................................................................. 56
ANDERSON DARLING ................................................................................. 62
Uji Normalitas dengan QQ Plot ............................................................... 66
PP Plot ............................................................................................................... 76
IV. Penggunaan Software Matematika dalam Uji Normalitas . 79

Penggunaan SPSS ......................................................................................... 80
Penggunaan Minitab ................................................................................... 87
Penggunaan Easy Fit ................................................................................... 92
Daftar Pustaka ................................................................................... 98
Uji Normalitas Data - vii

I. UJI NORMALITAS DATA
Kegunaan Uji Normalitas data

Dalam penelitian pendidikan seringkali diungkapkan bahwa
data sekelompok siswa dalam suatu kelas membentuk kurva normal
(Sundayana, 2015, 93). Asumsi data normal ini harus diuji untuk
mengetahui apakah data empirik yang diperoleh di lapangan sesuai
dengan distribusi teoritik tertentu, dalam hal ini adalah distribusi
normal.
Data normal merupakan salah satu syarat yang harus
dipenuhi untuk melakukan inferensi statistik. Uji normalitas data
perlu dilakukan agar peneliti dapat menetukan jenis statistik apa
yang akan digunakan. Jika data yang akan diolah berasal dari
populasi yang berdistribusi normal, sebaiknya gunakan statistik
parametrik untuk melakukan inferensi statistik. Namun jika data
tidak berdistribusi normal, gunakan statistik nonparametrik.
Selain itu, Uji normalitas data perlu dilakukan terutama untuk
penelitian yang menggunakan parameter rataan sebagai tolak ukur
keberhasilan penelitiannya. Dalam penelitian kuantitatif atau
penelitian-penelitian eksperimen di bidang pendidikan seringkali
menggunakan parameter rataan untuk menarik suatu kesimpulan.
Karena parameter rataan ini sifatnya tidak tangguh (tidak robust),

diperlukan asumsi data normal untuk analisis datanya. Oleh karena
itu konsep tentang uji Normalitas data harus benar-benar dipahami.
Berikut ini contoh sederhana yang memperlihatkan bahwa
statistik rataan bersifat tidak robust. Jika terdapat nilai ekstrim pada
data, maka penarikan kesimpulan berdasarkan rataan bisa saja
tidak sesuai dengan kenyataan di lapangan. Datum (nilai ekstrim)
ini pula yang dapat membuat distribusi data tidak normal.
Contoh 1.1:
Seorang peneliti ingin mengetahui besarnya uang jajan
mahasiswa perhari. Diambil lima mahasiswa sebagai sampel
yaitu, Ani, Budi, Tono, Toni dan Badu. Uang saku Ani, Tono, Budi
dan Badu perhari adalah Rp10.000 sementara uang saku Toni
adalah Rp 60.000.
Untuk menaksir besarnya uang jajan mahasiswa perhari,

peneliti ini menggunakan nilai rataan. Dari data ini secara
matematis diperoleh rata-rata uang saku mahasiswa adalah Rp
20.000. Hal ini tentu tidak sesuai dengan kenyataan yang
sebenarnya. Empat dari lima orang di atas mempunyai uang jajan
yang sama yaitu Rp 10.000 dan hanya satu orang yang berbeda.
Perlu diketahui dalam pengambilan keputusan untuk masalah
seperti ini, tidak harus selalu rata-rata yang digunakan sebagai tolak
ukur. Rata-rata ini adalah salah satu dari beberapa ukuran
pemusatan data yang bisa dijadikan sebagai ukuran prediksi cepat
mengenai besarnya harga yang mungkin dihasilkan oleh suatu

proses tertentu. Ukuran pemusatan data lain yang bisa digunakan
adalah Median dan Modus. Kedua statistik ini lebih tangguh (robust)
daripada rata-rata, artinya statistiknya tidak terpengaruh oleh data
ekstrim. Walaupun demikian, penggunaan Median dan Modus dalam
pengambilan keputusan mengenai taksiran/prediksi cepat
mengenai besarnya harga yang mungkin dihasilkan oleh suatu
proses tertentu masih jarang digunakan dengan berbagai
pertimbangan.
Dari contoh di atas, taksiran uang jajan mahasiswa perhari
yang lebih masuk akal adalah Rp. 10.000. Nilai ini merupakan nilai
modus dan median dari data itu. Untuk menarik kesimpulan dengan
menggunakan statistik rataan, data ekstrim seperti itu harus
dibuang agar kesalahan dalam pengambilan keputusan tidak terjadi.
Keberadaan datum (nilai ekstrim) dalam contoh ini belum
bisa memperlihatkan kenormalan data jika nilai ekstrim tersebut
dihilangkan. Dari contoh berikut akan terlihat jelas bahwa
keberadaan data ekstrim akan mempengaruhi kenormalan data
yang pada akhirnya akan mempengaruhi kesimpulan yang dibuat.
Contoh 1.2:
Tujuan penelitian sama dengan contoh pertama. Data yang
diambil sebanyak empat belas yang diperoleh dari empat belas
mahasiswa sebagai berikut.

Table 1.1 Data Uang Jajan Mahasiswa
Uang jajan/hari (Rp)
1 2500 8 10000
2 5000 9 10000
3 5000 10 15000
4 5000 11 15000
5 10000 12 15000
6 10000 13 17500
7 10000 14 150000
Gambar 1.1(a) menunjukkan bahwa data ini tidak normal.

Ketidaknormalan data dapat dilihat dari sebaran titik-titik data yang
tidak semuanya berada dalam garis lengkung biru. Garis ini
merupakan batas selang kepercayaan 95%. Jika data normal, maka
semua data akan berada dalam pita tersebut. Nilai P-Value yang
kurang dari 0,01 juga memperlihatkan bahwa data ini tidak normal.
Selain itu, terlihat jelas dari histogram pada gambar 1.1(b) bahwa
sebaran data di atas tidak normal.
Dari gambar 1.1(a) dapat dilihat bahwa rata-rata dari sampel

ini adalah 20.000 dan standar deviasinya 37685. Standar deviasi
yang sangat besar memperlihatkan bahwa jarak tiap data ke pusat
data (20.000) sangat jauh. Jika statistik ini yang digunakan untuk
melakukan inferensi statistik, maka kesimpulan yang akan diambil
nanti kemungkinan besar akan salah. Lalu bagaimana cara
mengolah data yang benar?
Uji Normalitas
Normal - 95% CI
99
Mean 20000
StDev 37685
95 N 14
KS 0.455
90
P-Value <0.010
80
70
Percent
60
50
40
30
20
10
1
-100000 -50000 0 50000 100000 150000
Uang Jajan Mahasiswa
(a) Uji Normalitas dengan Kolmogorv-Smirnov
Histogram
Mean 20000
9
StDev 37685
N 14
8
6
Frequency
0
0 40000 80000 120000 160000
(b) Histogram Data Uang Jajan Mahasiswa
Gambar 1.1 (a) Sebagian titik data berada di luar pita biru yang merupakan
selang kepercayaan untuk uji normalitas data, artinya data tidak normal. (b)
Histogram data tidak berbentuk lonceng terbalik sehingga data tidak normal

Sebelum mengeluarkan sari numerik (statistik deskriptif)
dari suatu data, terlebih dahulu lakukan pemeriksaan apakah ada
nilai ekstrim/pencilan pada data. Jika ada pencilan, maka datum
pencilan tersebut harus dikeluarkan sebelum melakukan analisa
data lebih lanjut. Ini dapat dilakukan dengan menampilkan diagram
kotak-garis (Box-Plot). Dari diagram itu dapat dideteksi apakah
terdapat data pencilan atau tidak.
Boxplot
160000
140000
120000
100000
80000
60000
40000
20000
Gambar 1.2. Diagram Kotak-Garis
Perhatikan Box-Plot pada gambar 1.2. Simbol bintang yang

berada di dalam lingkaran merah pada gambar 1.2 di atas adalah
salah satu datum yang terletak jauh dari kumpulan datum yang lain.
Datum ini merupakan datum pencilan. Pencilan ini merupakan salah
satu penyebab yang bisa mempengaruhi distribusi data tidak
normal. Jika datum pencilan tersebut dihilangkan, Box-Plot dan
Histogram data akan tampil seperti gambar 1.3 (a) dan 1.3 (b).

Boxplot
18000
16000
14000
Uang jajan Mahasiswa
12000
10000
8000
6000
4000
2000
Gambar 1.3 (a) Diagram Kotak-Garis tanpa pencilan
Sangat jelas perbedaan data sebelum dan setelah datum

pencilannya dikeluarkan. Box-Plot menjadi lebih simetris antara
garis atas dan garis bawah.
Histogram
Normal
Mean 10000
5
StDev 4677
N 13
4
Frequency
0
2000 6000 10000 14000 18000
Uang jajan mahasiswa
Gambar 1.3 (b) Histogram data tanpa pencilan
Histogram data berubah menjadi setangkup seperti bentuk

garis biru (distribusi normal). Hal ini menunjukkan bahwa data ini
berdistribusi normal.
Selanjutnya lakukan uji normalitas pada data baru dan
hasilnya diperlihatkan pada gambar berikut.
Probability Plot
Normal - 95% CI
99
Mean 10000
StDev 4677
95 N 13
KS 0.192
90
P-Value >0.150
80
70
Percent
60
50
40
30
20
10
1
-10000 0 10000 20000 30000
Gambar 1.4. Probability Plot tanpa pencilan
Melalui gambar Probability Plot di atas terlihat jelas bahwa

data berdistribusi normal karena semua titik data berada dalam pita
tersebut. Untuk lebih yakin, pembaca dapat melakukan uji ulang
dengan menggunakan Uji Kolmogorov Smirnov, Anderson Darling,
Chi-Kuadrat atau uji-uji lain yang ada pada buku ini.
Rata-rata dari sampel di atas dapat digunakan untuk menarik
kesimpulan terhadap besarnya uang jajan mahasiswa perhari. Dari
data itu diperoleh rata-rata adalah 10.000 dan simpangan bakunya
4677 yang relatif jauh lebih kecil dibandingkan sebelumnya.
Ini merupakan salah satu contoh yang bisa dijadikan sebagai
bahan pertimbangan jika ingin melakukan analisis data dan
pengambilan keputusan menggunakan statistik/ parameter rataan,

hendaknya nilai-nilai ekstrim dari suatu data dikeluarkan terlebih
dahulu kemudian diolah. Adanya datum ektrim dapat
mempengaruhi bentuk distribusi data dan juga dapat
mempengaruhi pengambilan keputusan.
Selain alasan di atas, data sampel yang diperoleh dari populasi
berdistribusi normal memudahkan peneliti untuk menggambarkan
sebaran data. Dengan berbekal sedikit statistik seperti rata-rata dan
standar deviasi sampel, kita dapat mengetahui gambaran sebaran
data populasinya. Inilah salah satu keuntungan mengolah data yang
Perhatikan contoh berikut.

Misalkan diketahui rata-rata dan standar deviasi suatu
sampel yang berasal dari populasi normal secara berturut-turut
adalah 75 dan 5. Dari statistik ini dapat digambarkan sebaran data
populasinya. Perhatikan gambar 1.5.
Sekitar 2% dari jumlah populasi mempunyai nilai yang
kurang dari 65 begitipun yang lebih dari 85. Ada sekitar 14% dari
jumlah populasi yang mempunyai nilai antara 65 dan 70, begitu juga
antara nilai 80 dan 85. Sebahagian besar atau sekitar 68% jumlah
populasi yang nilainya berada diantara 70 dan 80.

68%
14% 14%
65 70 75 80 85
Gambar 1.5. Presentasi sebaran data pada distribusi normal
Nilai 65 diperoleh dari nilai rata-rata dikurang dua kali

standar deviasi. 85 diperoleh dari rata-rata ditambah dua kali
standar deviasi. 70 dan 80 berturut-turut adalah nilai dari rata-rata
dikurang satu kali standar deviasi dan rata-rata ditambah satu kali
standar deviasi.
Secara umum jika suatu data berdistribusi normal,
mempunyai rata-rata � dan standar deviasi � maka:
1. � � − � < � < � + � = , %
2. � � + � < � < � + � = � � − � < � < � − � = , %
3. � � > � + � = � � < � − � = , %
Penjelasan tentang symbol P akan dijelaskan pada bab

selanjutnya.

II. PDF DAN CDF
Sebelum mempelajari lebih lanjut tentang uji normalitas data,

pada bagian ini akan dijelaskan tentang fungsi padat peluang yang
merupakan dasar/inti dari ilmu statistika. Fungsi padat peluang
biasa juga disebut distribusi peluang atau fungsi peluang. Dalam
bahasa Inggris sering disebut Probability Density Function (PDF).
Fungsi peluang ini secara garis besar terbagi dua. Ada fungsi
diskrit dan ada fungsi kontinu. Fungsi kontinu bisa berupa fungsi
terbatas, tidak terbatas, fungsi non-negatif dan fungsi-fungsi lain.
Berikut ini adalah nama dan gambar beberapa fungsi.

Gambar 2.1 Jenis-Jenis Distribusi Peluang Dan Bentuknya
Fungsi peluang atau distribusi peluang yang banyak dikenal

dan sering digunakan dalam inferensi statistik adalah distribusi
normal, Student’s t, Chi-Squared dan distribusi F.
Fungsi f  x  adalah fungsi peluang untuk variabel acak
f  x   0 , untuk setiap x 
kontinu X jika memenuhi sifat berikut:
1.
 f  x  dx  1

2.

P  a  X  b    f  x  dx
b
3.
a

Salah satu fungsi peluang/ distribusi peluang yang sangat
terkenal adalah Distribusi Normal. Distribusi ini sering disebut
distribusi Gauss sebagai penghormatan kepada Carl Friedrich Gauss
(1777-1855) yang telah menemukan distribusi ini.
Bentuk umum dari fungsi Normal adalah
f  x 
1  x 
-  x  
 
 
2
e 2
1
 2
,
dimana  adalah rerata yang merupakan parameter lokasi dan 

adalah standar deviasi yang merupakan parameter skala.
1   2
1 2
Gambar 2.2 Dua distribusi normal dengan parameter bentuk
sama tapi parameter lokasi berbeda
Pada gambar 2.2 dapat dilihat dua distribusi normal dengan

rataan yang berbeda dan standar deviasi yang sama. Perbedaan
rata-rata menyebabkan lokasi/posisi pusat data berbeda pada
sumbu-x sementara standar deviasi yang sama menyebabkan skala
atau bentuk distribusinya sama.

1
2
1  2
Gambar 2.3 : Kurva Normal dengan 1   2 dan  1   2
Sekarang perhatikan gambar 2.3. Dua distribusi normal ini

mempunyai rata-rata yang sama sehingga lokasi/posisi pusat data
akan sama sementara perbedaan variansi menyebabkan perbedaan
bentuk kurva. Variansi yang lebih besar menyebabkan bentuk
distribusi lebih landai dan skalanya lebih luas. Perlu diperhatikan
bahwa dua kurva pada gambar 2.3 itu merupakan distribusi peluang
sehingga tidak merubah sifat-sifanya. Luas daerah dibawah kedua
kurva masing-masing tetap sama dengan 1.
Selanjutnya perhatikan gambar 2.4. Dua kurva ini memiliki

rata-rata yang berbeda sehingga letak pusat data berada pada lokasi
yang berbeda. Selain itu perbedaan variansi juga menyebabkan
bentuk dan skalanya berbeda.

1
2
1 2
Gambar 2.4 Kurva Normal dengan 1   2 dan  1   2

Luas Daerah di bawah Kurva Normal
Luas daerah di bawah kurva Normal yang dibatasi oleh dua

ordinat yaitu x  x1 dan x  x2 pada gambar 2.5 sama dengan peluang
variabel acak X antara x1 dan x2 yaitu
P  x1  X  x2   
1  x 
  
2
1 2  
 2
x2
e dx
x1
Menghitung integral ini tidaklah mudah namun kita bisa

menghitungnya dengan cara numerik. Ada beberapa software yang
bisa digunakan untuk menghitung integral ini diantaranya
Geogebra, maple, matlab dan lain-lain. Selain cara numerik, ada cara
yang lebih mudah yakni mengubah nilai variabel acak X ke nilai
normal baku Z dengan transformasi
X 
Z

Distribusi Normal baku adalah distribusi normal dengan   0 dan
  1 . Oleh karena itu nilai x1 dan x2 berubah menjadi z1   x1    
dan z2   x2     . Akibatnya
P  x1  X  x2   
1  x 
  
2
1 2  
 2
x2
e dx
x1

 z2
1
1
2
z2
2
e dz
z1
P  x1  X  x2   P  z1  Z  z2 
Jadi setiap nilai X yang berada diantara x1 dan x2
berkorespondensi dengan nilai yang ada diantara z1 dan z 2

sehingga luas daerah dibawah kurva X sama dengan luas daerah
dibawah kurva normal Z.
x1 x2  z1 z2 0
Gambar 2.5 Transformasi dari kurva normal X ke normal baku Z
Untuk mengetahui luas daerah di bawah kurva normal baku Z, kita

harus mengetahui cara melihat tabel Z (lampiran 1). Agar lebih jelas
perhatikan contoh 2.1 berikut. Tapi sebelum itu akan dibuktikan
bahwa luas daerah dibawah kurva normal Z sama dengan 1.
Distribusi Normal baku adalah distribusi normal dengan

  0 dan   1 . Fungsinya adalah
f z 
1  2z
2
2
e
Karena fungsi Normal/Gauss merupakan fungsi peluang maka

luas daerah dibawah kurva normal (Integralnya pada ℝ) adalah 1.
Berikut ini diberikan buktinya. Untuk membuktikan luas daerah
dibawah kurva normal baku Z, variabel z dapat diganti dengan
variabel x maupun y.
Bukti:
Misalkan nilai integralnya adalah I maka
  1  x   1  y 
I2   e 2 dx   e 2 dy 
2 2
  2   2 
  
 
 y2
 
1 x
2
  2
2
e dxdy
Dengan substitusi x  r cos t dan y  r sin t diperoleh:
I  
2  1  r2
2
2
2
e r drdt
0 0
 r 


 e 2
2
 dt
2
2  
1
 0
0

2
2
1
dt
1
0
Nilai I yang mungkin adalah I=-1 dan I = 1. Karena I adalah luas

daerah, maka nilai yang memenuhi adalah I = 1.
Contoh 2.1
1. Carilah luas daerah di bawah kurva normal di sisi kanan z = 1,96.
2. Carilah luas daerah diantara z =1 dan z = 1.96
Jawab:
1. Diketahui luas daerah di bawah kurva normal adalah 1. Untuk
mencari luas daerah di sebelah kanan z = 1,96 harus dicari
terlebih dahulu luas daerah disebelah kiri z karena pada tabel z

umumnya menghitung luas daerah dari arah kiri sampai batas z
tertentu.
(a) (b)
Gambar 2.6. Luas daerah untuk contoh
Cari luas area di sebelah kiri z =1,96 pada tabel Z di lampiran 1

seperti seperti gambar berikut
Z ……………………… 0.06
…….. …….. ……..
………
……. …… ……….
1.9 …….. …….. 0.975
Dari tabel diperoleh luas daerah dibawah kurva normal sebelah kiri
z = 1,96 adalah 0,975 sehingga luas daerah di sebelah kanan z = 1,96
adalah 1 – 0,975 = 0,025. Secara matematis dituliskan sebagai
P  Z  1,96   1  P  Z  1,96 
berikut:
 1  0.975
 0.025
Daerahnya dapat dilihat pada gambar 2.6(a).

2. Mencari luas daerah antara z =1 dan z = 1.96 dapat dilakukan
dengan dua cara.
P 1  Z  1,96   1   P  Z  1  P  Z  1,96 

Pertama
 1  0,8413  0,025
 0,1337
P 1  Z  1,96   P  Z  1.96   P  Z  1
Kedua
 0.975  0.8413
 0.1137
Cara pertama menggunakan hasil pada nomor sebelumnya

sementara cara kedua hanya menggunakan informasi yang ada pada
soal namun tetap memberikan hasil yang sama.
Contoh 2.2
a) P  Z  k   0.1469
Carilah nilai k sedemikian sehingga
b) P  k  Z  0.2   0.2019
Jawab:
Gambar 2.7 Mencari nilai k jika luas daerah diketahui

1 PZ  k   PZ  k 
1  0.1469  P  Z  k 
P  Z  k   0.8531
Selanjutnya cari nilai 0,8531 pada tabel di lampiran 1. Nilai k adalah

angka yang terdapat pada kolom paling kiri dari 0,8531
dijumlahkan dengan angka yang berada pada baris paling atas.
Z ………………………………… 0.05
…… …. …..
…………
…… …. ….
1 …… ….. 0.8531
Jadi nilai k adalah 1,05.
P  k  Z  0.2   P  Z  0.2   P  Z  k 
0.2019  1  P  Z  0.2    P  Z  k 
Gambar 2.8

P  Z  k   1  0.5793  0.2019
P  Z  k   0.2188
k  0.78
Bagaimana cara mencari nilai k untuk persamaan terakhir?
Perhatikan gambar berikut.
Gambar 2.9
Perhatikan bahwa nilai P  Z  k   0.0401 . Nilai ini kurang dari 0,5
sehingga k pasti bernilai negatif. Karena pada tabel Z tidak ada nilai
negatif, sifat simetris dari kurva ini dapat digunakan. Gambar 2.9
menunjukkan bahwa menghitung luas daerah disebelah kiri –k
sama dengan menghitung luas daerah disebelah kanan k. dengan
cara ini, nilai k pada soal (b) dapat ditemukan.
Selanjutnya jika nilai-nilai yang diobservasi bukan berasal
dari distribusi normal baku, maka cara menghitung luas daerah
dibawah kurva normalnya dapat dilihat pada contoh berikut.

Contoh 2.3:
Diberikan variabel acak X yang berdistribusi normal dengan   65
dan   5 .
1. Berapakah peluang munculnya angka antara 60 dan 70?
Jawab:
Dengan menggunakan transformasi normal baku diperoleh
60  65 70  65
z1   1 dan z2  1
5 5
P  60  X  70   P  1  Z  1
Sehingga,
 P  Z  1  P  Z  1
 0,8413  0.1587
 0,6826
Jadi, peluang munculnya angka antara 60 dan 70 adalah 0.6826.
2. Berapa peluang munculnya angka lebih besar dari 75?

Jawab:
Misalkan x = 75 maka
75  65
z 2
5
P  X  75   P  Z  2 
Selajutnya hitung peluangnya
 1  P  Z  2
 1  0,9772
 0,0228

Jadi, peluang munculnya angka yang lebih besar dari 75 adalah
0,0228.
Jika peluang kemunculan suatu angka yang kurang atau lebih

dari suatu bilangan diketahui, atau bahkan peluang kemunculan
angka diantara dua buah bilangan diketahui, bagaimana
menentukan bilangan tersebut?
Konsep yang digunakan adalah fungsi balikan atau fungsi
invers. Sama halnya dengan contoh sebelumnya yang mencari nilai
k. Pencarian nilai k ini sebenarnya menggunakan fungsi
balikan/invers. Untuk konsep fungsi invers akan dijelaskan pada
bab selanjutnya. Agar lebih memahami perhatikan contoh berikut.
Contoh 2.4:
Diketahui suatu data berdistribusi Normal dengan   65 dan   5
. Carilah nilai x sehingga:
a) Luas daerah di sebelah kiri x sebesar 33%
b) Luas daerah di sebelah kanan x sebesar 25%.
Jawab:
x
Melalui trasformasi z  diperoleh x  z  

Sehingga mencari nilai x bisa diperoleh dengan bantuan tabel Z.
(a) Diketahui luas daerah sebelah kiri x adalah 33% maka luas
daerah di sebelah kiri z yang berkorespondensi dengan nilai x
adalah 33%.

Ingat kembali bahwa P  Z   z   P  Z  z   1  P  Z  z  . Dari
tabel Z diperoleh 1  P  Z  0.44   1  0,67  0.33 sehingga z = -
0,44. Dengan transformasi di atas diperoleh

x  0,44  5  65  62,8 .
Gambar 2.10
(b) Dari tabel Z diperoleh 1  P  Z  1.96   1  0.975  0.25 sehingga
z = 1,96.
Dari sini diperoleh x  1.96  5  65  74.8
Gambar 2.11

Fungsi Distribusi Kumulatif Normal (Normal CDF)
Jika f  x  adalah fungsi peluang dari suatu variabel acak X
maka fungsi disribusi kumulatif F  x  didefinisikan:
F  x   P  X  x    f  t  dt ;  x 
x

Perhatikan gambar berikut
Gambar 2.12 P  X  62   0,2743
Gambar 2.12 dan gambar 2.13 memperlihatkan suatu

hubungan. Nilai dari fungsi F(x) pada gambar 2.13 merupakan luas
daerah dibawah fungsi peluangnya. Karena luas daerah dibawah
kurva peluang berkisar antara nol dan satu maka fungsi distribusi
kumulatif juga demikian. Dari grafik pada gambar 2.13, nilai F(x)
yaitu sumbu tegak berada di antara 0 dan 1.

F  x
Gambar 2.13. F  x  dengan F  62  0,2743
Fungsi Distribusi Kumulatif Empiris
Misalkan dari hasil observasi diperoleh sampel acak x1, x2, x3, ...
, xn dari suatu distribusi dengan fungsi distribusi kumulatif F(x).
Fungsi distribusi kumulatif empirik dari F(x) merupakan proporsi
munculnya angka yang kurang dari atau sama dengan x. Secara
matematis dituliskan sebagai berikut
Fn  x    Jumlah obeservasi  x 
1
n
Fungsi ini merupakan fungsi yang tidak kontinu di beberapa titik.
Lebih tepatnya fungsi ini merupakan fungsi tangga. Perhatikan
gambar 2.14. Fungsi distribusi empirik inilah yang digunakan oleh
Kolmogorov untuk menentukan distribusi apa yang paling sesuai
untuk suatu data sampel. Dia mencoba melakukan pendekatan
untuk fungsi kontinu dengan menggunakan fungsi tangga.
Fungsi Distribusi Kumulatif
0.9
0.8
0.7
0.6
F(x)
0.5
0.4
0.3
0.2
0.1
50 52 54 56 58 60 62 64 66 68 70 72 74 76 78 80
x
Sample Normal
yang warna merah adalah CDF normal dengan  1   2 dan 1  2

Gambar 2.14. Fungsi dengan garis biru merupakan CDF empirik sementara
Sekecil apapun selang yang terbetuk antar fungsi tangga itu,

pasti mempunyai galat/eror terhadap fungsi yang didekati. Secara
intuisi dapat dilihat, semakin banyak data sampel yang diperoleh,
akan semakin kecil eror yang ditimbulkan artinya fungsi tangga
tersebut akan mendekati bentuk dari fungsi distribusi aslinya (CDF
teoritis). Sebaliknya jika data yang diperoleh sedikit, maka galat
terhadap CDF teoritisnya akan semakin besar artinya data yang
diperoleh tidak sesuai dengan yang diharapkan. Lebih lengkapnya
akan dijelaskan pada bagian Uji Kolmogorov-Smirnov .

III. Jenis-jenis Uji Normalitas Data
Uji Normalitas data dapat dilakukan dengan berbagai metode

seperti Anderson Darling, Kolmogorov-Smirnov, Chi-Square,
Lilliefors, Sahapiro-Wilk, Cramer Von Mises, QQ-Plot dan PP-Plot.
Metode-metode ini masing-masing memiliki perbedaan dan
kemampuan yang berbeda-beda dalam mendeteksi penyimpangan
terhadap distribusi normal. Selain dari itu, prinsip yang digunakan
dalam menguji suatu data berdistribusi normal juga berbeda-beda.
Berikut ini akan dijelaskan metode-metode di atas, bagaimana cara
penggunaan secara manual dan aplikasinya dalam komputer.
Uji Kolmogorov Smirnov

Uji Kolmogorov Smirnov yang biasa
digunakan untuk uji normalitas data
sebenarnya tidak secara khusus dibuat
untuk kepentingan itu. Uji Kolmogorov-
Smirnov merupakan uji pencocokan kurva
(Goodness of Fit Test) untuk distribusi data
secara umum. Uji ini pertamakali
diperkenalkan oleh matematikawan Soviet
Andrei Nikolaevich Kolmogorov yang bernama Andrei Nikolaevich
Kolmogorov pada tahun 1933. Matematikawan soviet lainnya yang
memberikan kontribusi dari hasil penemuan Kolmogorov adalah

Nikolai Vasil’yevich Smirnov sehingga statistik uji ini dikenal
dengan nama statistik Kolmogorov Smirnov.
Statistik Uji Kolmogorov Smirnov didefinisikan sebagai

D  max F  zi   Fni1  xi  , F  zi   Fni  xi  
berikut:
(3.1)
1i  n
dengan F  z  adalah fungsi distribusi kumulatif teoritis (Normal
Baku Z) dan Fn  x  adalah fungsi distribusi kumulatif data
observasi.
Prinsip uji normalitas menggunakan Kolmogorv-Smirnov
adalah mencari simpangan terbesar (D) dari fungsi distribusi
kumulatif data observasi (empiris) terhadap fungsi distribusi
kumulatif teoritisnya. Jika penyimpangan maksimum yang
terbentuk tidak terlalu besar maka data observasi dapat
dikategorikan berdistribusi normal. Sebaliknya, jika penyimpangan
maksimum yang terbentuk sangat besar maka data observasi
dikatakan tidak berdistribusi normal.
Besar atau kecilnya simpangan yang terbentuk tidak dapat
ditentukan jika tidak ada pembandingnya. Kolmogorov sudah
menentukan besaran pembanding untuk nilai D yang diperoleh.
Besaran ini diberi simbol Dk dan nilainya dapat dilihat pada
lampiran 3. Dk dapat diartikan sebagai batas penyimpangan
terbesar agar suatu data masih bisa dikategorikan berdistribusi
normal.

Berdasarkan penjelasan di atas, jika D  Dk maka data yang
diuji berdistribusi normal. Sebaliknya jika D  Dk maka data tidak
Langkah-langkah untuk menentukan nilai D adalah sebagai berikut:
1. Urutkan data observasi dari yang terkecil ke yang terbesar
 
2. Buat daftar frekwensi data kumulatif kemudian tentukan
 
proporsi kumulatifnya Fki
3. Untuk memudahkan perhitungan buat juga daftar Fki 1
xi  x
4. Konversi nilai xi ke nilai zi 
s
5. Tentukan luas kurva dibawah kurva normal F(zi) (Nilai Fungsi
6. Cari nilai ai  F  z i   Fki 1  xi  dan nilai bi  F  z i   Fki  xi 

Distribusi Kumulatif teoritisnya).
7. Tentukan nilai D  max  ai , bi 

1i  n
Contoh 3.1:
Ujilah kenormalan data berikut dengan menggunakan metode
Kolmogorov-Smirnov.
65 66 66,5 66,56 66,7 66,7 67 67,3 67,67 67,7 67,7
67,75 67,78 67,78 67,9 67,9 68 68 68 68,5 68,5 68,65
69 69 69,4 69,4 69,57 69,78 70 71

Jawab:
Data di atas akan diuji secara manual dengan menggunakan alat
bantu Microsoft Excel dan hasilnya ditampilkan pada tabel berikut.
Tabel 3.1. Contoh Uji Normalitas
No xi fi fk Fki Fk( i1) zi F  zi  ai bi

1 65 1 1 0.033 0.000 -2.348 0.009 0.009 0.024
2 66 1 2 0.067 0.033 -1.572 0.058 0.025 0.009
3 66.5 1 3 0.100 0.067 -1.184 0.118 0.052 0.018
4 66.56 1 4 0.133 0.100 -1.137 0.128 0.028 0.006
5 66.7 2 6 0.200 0.133 -1.028 0.152 0.019 0.048
6 67 1 7 0.233 0.200 -0.795 0.213 0.013 0.020
7 67.3 1 8 0.267 0.233 -0.563 0.287 0.054 0.020
8 67.67 1 9 0.300 0.267 -0.275 0.392 0.125 0.092
9 67.7 2 11 0.367 0.300 -0.252 0.401 0.101 0.034
10 67.75 1 12 0.400 0.367 -0.213 0.416 0.049 0.016
11 67.78 2 14 0.467 0.400 -0.190 0.425 0.025 0.042
12 67.9 2 16 0.533 0.467 -0.097 0.461 0.005 0.072
13 68 3 19 0.633 0.533 -0.019 0.492 0.041 0.141
14 68.5 2 21 0.700 0.633 0.369 0.644 0.011 0.056
15 68.65 1 22 0.733 0.700 0.485 0.686 0.014 0.047
16 69 2 24 0.800 0.733 0.757 0.776 0.042 0.024
17 69.4 2 26 0.867 0.800 1.068 0.857 0.057 0.009
18 69.57 1 27 0.900 0.867 1.200 0.885 0.018 0.015
19 69.78 1 28 0.933 0.900 1.363 0.914 0.014 0.020
20 70 1 29 0.967 0.933 1.533 0.937 0.004 0.029
21 71 1 30 1.000 0.967 2.310 0.990 0.023 0.010
Rata-rata 68,025 D
Std.
1,288 0.141
Deviasi

Berikut penjelasan dari tabel 3.1
Sesuai dengan langkah-langkah dalam mencari nilai D,

pertama-tama data yang akan diuji diurutkan dari yang terkecil ke
yang terbesar. Datanya diberi simbol xi dan ditulis pada kolom
kedua. Kolom ketiga diisi dengan frekwensi diberi simbol f i
menyatakan banyaknya mahasiswa yang dapat nilai xi ;
Kolom keempat adalah frekwensi kumulatif diberi simbol f k
menyatakan banyaknya data yang kurang dari atau sama dengan xi
. Contoh data nomor 4 yaitu 66,56. Banyaknya data yang kurang dari
atau sama dengan 66,56 ada empat yaitu: 66,56, 66,5 66, dan 65.
Begitu seterusnya sehingga untuk data yang terakhir, banyaknya
data yang kurang dari atau sama dengan data terbesar adalah 30.
Kolom kelima yaitu Fki adalah fungsi distribusi/proporsi
kumulatif data observasi ke i. Nilainya dapat dicari dengan rumus
 f 
Fki   k  ;
 n
Sebagai contoh untuk data pertama nilai
Fk1  1  0,033 . Data kedua nilai Fk2  2 / 30  0,067 dan

30
seterusnya.
Pada kolom keenam, Fk( i1) adalah fungsi distribusi kumulatif
data observasi sebelum data ke i. Nilai Fk pada baris pertama sama

dengan nilai Fk( i1) pada baris kedua. Nilai Fk pada baris kedua sama
dengan nilai Fk( i1) pada baris ketiga dan seterusnya. Kenapa baris
pertama pada Fk( i1) nilainya 0.00? Karena tidak ada lagi data yang
lebih kecil dari 65 sehingga proporsinya adalah

Fk11  Fk0  0 / 30  0 . Fungsi distribusi kumulatif empirik dari
data di atas dapat dilihat pada gambar 3.1.
Selanjutnya pada kolom ketujuh yaitu zi adalah nilai
 
mahasiswa yang di transformasi ke nilai normal baku melalui
transformasi z i  x  x s .
Gambar 3.1 Garis biru adalah CDF teoritis dan fungsi tangga berwarna merah adalah
CDF dari data observasi

Sebagai contoh untuk data pertama yaitu 65 jika
z i  65  68,025  1,288  2,348 . Lakukan transformasi ini pada

ditransformasi ke nilai zi maka nilainya adalah
semua data dan masukkan nilainya pada kolom ke tujuh.
Kolom kedelapan diisi dengan menggunakan tabel Z pada

z1  2,348 , nilai
F  2,348  0,009 . Begitupula untuk nilai-nilai z yang lain. Tabel
lampiran 1. Sebagai contoh untuk nilai
3.2 merupakan contoh cara melihat tabel Z.
Kolom kesembilan diperoleh dari kolom kedelapan dikurang

kolom keenam. Sebagai contoh untuk baris kedua
a1  0.009  0.00  0.009 . Untuk baris yang lain ditentukan
dengan cara yang sama.
Kolom kesepuluh diperoleh dari kolom kedelapan dikurang

kolom kelima. Sebagai contoh b1  0.009  0.033  0.024 . Untuk
b2 ditentukan dengan cara yang sama.
Table 3.2 Contoh cara melihat nilai F(-2,348)
z 0 0.01 0.03 0.04 0.05

-2.5 0.006 0.006 0.006 0.006 0.005
-2.4 0.008 0.008 0.008 0.007 0.007
-2.3 0.011 0.010 0.010 0.010 0.009
-2.2 0.014 0.014 0.013 0.013 0.012
-2.1 0.018 0.017 0.017 0.016 0.016

Selanjutnya untuk menentukan nilai D, cari nilai yang terbesar
dari semua nilai pada kolom kesembilan dan kesepuluh. Untuk
contoh ini, nilai terbesar/maksimum dari semua nilai yaitu D =
0,141.
Langkah selanjutnya, tentukan nilai Dk melalui tabel Dk pada
lampiran 3. Dengan menggunakan taraf signifikansi   0.05 dan
jumlah siswa n = 30 diperoleh nilai Dk. = 0,242.
Perhatikan tabel 3.1 dan gambar 3.1 di atas! Jarak titik yang
ditunjuk oleh angka satu ke titik yang ditunjuk oleh angka dua di
atas merupakan simpangan terbesar antara CDF teoritis dan CDF
empiris yang nilainya sebesar 0,141. Jarak maksimum dari CDF
teoritis ke CDF empiris dari data di atas hingga masih dapat
dikategorikan normal adalah 0,242. Nilai ini juga dapat diperoleh
1,35
dari pendekatan . Karena nilai statistik Dhit jauh lebih kecil
n
dibandingkan dengan Dk maka data tersebut berdistribusi normal.
Hasil ini dapat diperiksa dengan menggunakan software SPSS,
Minitab dan Easy Fit atau program-program statistik lainnya.
Berikut ini diberikan hasil uji normalitas dengan menggunakan tiga
software yang berbeda dan hasilnya sama dengan cara manual di
atas.

Gambar 3.2. Hasil uji normalitas dengan Easy Fit
One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
VAR00001
N 30
Normal Parametersa,b Mean 68.0247
Std. Deviation 1.28813
Most Extreme Differences Absolute .141
Positive .141
Negative -.125
Test Statistic .141
Asymp. Sig. (2-tailed) .132c
Gambar 3.3 (a) Hasil Uji KS dengan SPSS

Gambar 3.3 (b) Hasil Uji KS dengan Minitab
Tanda merah pada masing-masing gambar menunjukkan nilai

statistik Kolmogorv-Smirnov. Nampak bahwa ketiga software
menghasilkan nilai yang sama seperti perhitungan manual dengan
menggunakan excel. Selain menggunakan statistik itu, penarikan
kesimpulan juga dapat dilakukan dengan membandingkan nilai
sig./P-Value dengan taraf signifikansi yang biasa digunakan
  0, 05 . Jika nilai P-Value /Sig pada output software lebih besar
dari  maka bisa dikatakan bahwa data sampel yang diuji berasal
dari populasi berdistribusi normal dan berlaku sebaliknya.
Ada satu hal yang perlu diperhatikan dalam menggunakan P-
Value atau nilai Sig. dalam pengambilan keputusan. Dari gambar di
atas terlihat bahwa nilai P-Value dari ketiga software berbeda
walaupun nilai statistiknya sama. P-Value untuk Easy Fit sebesar

0,543, SPSS sebesar 0,132 dan Minitab sebesar 0,130. Perbedaan
hasil ini disebabkan oleh perbedaan cara memperolehnya. P-Value
untuk Easy Fit diperoleh berdasarkan statistik D yang dikalkulasi
dari tiap distribusi yang digunakan. Keunggulan yang lain adalah
nilai kritis untuk D di tampilkan. Nilai P-Value untuk SPSS menurut
hemat penulis diperoleh berdasarkan metode Liliefors sementara
untuk minitab tidak ada keterangan yang menyebutkan tentang itu.
Penjelasan ini dirasa perlu karena dengan menggunakan data
yang sama (datanya tidak ditampilkan di sini), penarikan
kesimpulan berdasarkan P-Value bisa saja berbeda. Untuk
menghindari hal yang demikian, khusus untuk uji normalitas
dengan menggunakan Kolmogorov-Smirnov lebih baik
menggunakan nilai statistik uji Dhit kemudian membandingkan
dengan nilai kritik Dk. Perbedaan nilai P-Value ini sementara masih
dalam penelitian penulis.
Contoh ini diharapkan bisa memberikan beberapa
pengetahuan kepada pembaca tentang cara menguji kenormalan
suatu data dengan menggunakan Kolmogorv-Smirnov dan
bagaimana menarik kesimpulan terhadap hasil yang diperoleh. Hal
lain yang tidak kalah penting yaitu, sebelum melakukan uji
normalitas terlebih dahulu tuliskan hipotesis yang akan di uji. Akan
sangat lucu ketika hasil pengujian sudah diperoleh dan disimpulkan
bahwa H0 diterima atau ditolak sementara rumusan H0 dan H1 tidak
dituliskan.

Data di atas merupakan data sampel yang akan diuji apakah
distribusi sampel mirip dengan distribusi normal atau tidak. Untuk
mengujinya, tuliskan hipotesis yang akan di uji sebagai berikut:
H 0 : Distribusi data sampel sama dengan distribusi normal
H1 : Distribusi data sampel tidak sama dengan distribusi normal
Setelah rumusan hipotesis ini dituliskan, lanjutkan dengan uji

hipotesis seperti contoh yang telah diberikan. Langkah-langkah
untuk menentukan nilai D dapat dilakukan di excel tanpa
mengkonversi nilai x ke nilai z sehingga statistik uji Kolmogorov
 
Smirnov juga dapat dituliskan sebagai berikut:
D  max F  xi   Fni1  xi  , F  xi   Fni  xi  (3.2)

1i  n
Ini tentu saja sama dengan rumus (3.1) karena
 xx
F  xi         zi  .  merupakan simbol CDF Normal
 s 
baku tapi dalam buku ini penulis tetap menuliskan simbol F untuk
menyatakan fungsi distribusi kumulatif normal baku.
Perhatikan kembali tabel 3.1. Kolom ketujuh dihilangkan dan
langsung diganti dengan F  xi  .

F  xi 
Table 3.2
No xi fi fk Fki Fk( i1) ai bi

1 65 1 1 0.033 0.000 0.009 0.009 0.024
2 66 1 2 0.067 0.033 0.058 0.025 0.009
10 67.75 1 12 0.400 0.367 0.416 0.049 0.016
12 67.9 2 16 0.533 0.467 0.461 0.005 0.072
13 68 3 19 0.633 0.533 0.492 0.041 0.141
14 68.5 2 21 0.700 0.633 0.644 0.011 0.056
21 71 1 30 1.000 0.967 0.990 0.023 0.010
Rata-rata 68,025 D
Std. 1,288 0.141
Deviasi
Untuk mencari nilai F  xi  pada Microsoft Excel 2013 tempatkan
kursor pada lembar kerja excel dimana akan diletakkan nilai F  xi  .
Ketikkan rumus berikut =NORM.DIST( xi , x , s ,TRUE) kemudian

tekan enter. Sebagai contoh untuk nilai x1  65 maka nilai dari
F  65 dapat dicari dengan mengetikkan perintah =NORM.DIST(65,
68.025, 1.288, TRUE) kemudian tekan enter dan hasilnya akan sama
dengan F  2,348 pada tabel 3.1 yaitu 0.009.

LILLIEFORS
Hubert Whitman Lilliefors adalah seorang Profesor dalam

bidang ilmu Statistik di Universitas George Washington. Dalam
tulisannya yang berjudul On The Kolmogorov Smirnov Test for
Normality With Mean and Variance Unknown , Lilliefors 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. Jika satu atau beberapa
parameter harus diestimasi dari sampel, maka tabel tersebut tidak
lagi valid.
Pada dasarnya uji normalitas yang biasa disebut Uji Lilliefors
merupakan uji Kolmogorov Smirnov karena statistik yang
digunakan sama dengan statistik Kolmogorov Smirnov (D).
Perbedaan dari kedua metode ini hanya pada tabel pembanding
untuk penarikan kesimpulan. Kolmogorov menggunakan lampiran
3 sebagai pembanding sedangkan Lilliefors menggunakan lampiran
2. Setiap N yang diberikan, diperoleh nilai DL kritis untuk masing-
masing taraf signifikansi yang digunakan. Nilai-nilai dalam tabel ini
diperoleh dengan menggunakan simulasi Monte Carlo.
Dalam software SPSS 22, hasil keluaran uji normalitas dengan
menggunakan Kolmogorov Smirnov selalu disertai koreksi dari
Lilliefors. Penulis lebih menyarankan untuk menggunakan koreksi
Lilliefors sebagai patokan untuk menarik kesimpulan daripada
menggunakan tabel D dari Kolmogorov sebagai pembanding.

Uji Lilliefors lebih sensitif dalam mendeteksi penyimpangan
terhadap distribusi normal daripada uji Kolmogorof Smirnov.
Berikut ini akan diberikan contoh data sampel yang normal pada
saat diuji dengan Kolmogorov Smirnov tetapi memberikan hasil yang
berbeda ketika menggunakan tabel Lilliefors sebagai pembanding.
Contoh 3.2
Diberikan data sampel sebagai berikut:
Table 3.3
No 1 2 3 4 5 6 7 8 9 10 11
x 65 67 69 70 78 80 85 87 89 90 95
fi 2 3 3 3 2 4 3 4 2 3 1
Apakah data tersebut berasal dari populasi berdistribusi normal

atau tidak?
Jawab:
H 0 : Distribusi data sampel sama dengan distribusi normal
H1 : Distribusi data sampel tidak sama dengan distribusi

normal
Lakukan langkah-langkah uji normalitas seperti semula sehingga

terbentuk tabel berikut:

F  xi 
Table 3.4
xi fi fk Fki Fk( i1) ai bi

No
1 65 2 2 0.067 0.000 0.068 0.068 0.001
2 67 3 5 0.167 0.067 0.101 0.034 0.066
3 69 3 8 0.267 0.167 0.143 0.023 0.123
4 70 3 11 0.367 0.267 0.169 0.098 0.198
5 78 2 13 0.433 0.367 0.458 0.091 0.024
6 80 4 17 0.567 0.433 0.542 0.109 0.024
7 85 3 20 0.667 0.567 0.739 0.172 0.072
8 87 4 24 0.800 0.667 0.803 0.136 0.003
9 89 2 26 0.867 0.800 0.857 0.057 0.010
10 90 3 29 0.967 0.867 0.879 0.013 0.087
11 95 1 30 1.000 0.967 0.956 0.011 0.044
Rata-rata 79
D = 0.198
Standar dev. 9.3882
Dari tabel 3.4 diperoleh nilai D = 0.198. Selanjutnya dari tabel

D pada lampiran 3 diperoleh nilai Dtab = 0.246. dan tabel Lilliefors
pada lampiran 2 diperoleh nilai DL = 0.161.
Dengan menggunakan metode Kolmogorov Smirnov diperoleh
kesimpulan bahwa H0 tidak ditolak karena D < Dk, artinya data
berasal dari populasi berdistribusi normal. Jika nilai D yang
diperoleh dibandingkan dengan nilai L diperoleh kesimpulan bahwa
H0 ditolak karena D >DL. Artinya, sampel yang diuji berasal dari
populasi yang tidak berdistribusi normal.
Ini salah satu contoh/bukti bahwa metode Lilliefors lebih
sensitif dalam mendeteksi kenormalan suatu data daripada

Kolmogorov Smirnov. Pembaca dapat menguji data ini dengan
menggunakan Software seperti SPSS tapi hati-hati dalam menarik
kesimpulan karena uji normalitas dengan Kolmogorov Smirnov pada
SPSS ada dua cara. Pada SPSS versi tertentu memberikan nilai
berbeda yang biasanya membingungkan peneliti. Masalah ini akana
dibahas pada bab selanjutnya.

CHI SQUARE
Chi-Square merupakan salah satu Fungsi distribusi kontinu

yang mempunyai banyak kegunaan. Uji Chi-Square biasa digunakan
untuk uji independensi antar variabel, uji homogenitas, uji hipotesis
mengenai hubungan antara dua variabel dan uji pencocokan kurva
(Goodness of Fit). Pencocokan kurva yang dimaksud di sini adalah
menguji suatu data apakah data tersebut mengikuti
kurva/distribusi tertentu. Oleh karena itu uji Chi-Square dapat
digunakan untuk menguji suatu data apakah berdistribusi normal
atau tidak.
Uji normalitas dengan menggunakan metode ini harus

menggunakan data yang cukup karena data akan dikelompokkan
berdasarkan interval tertentu. Prinsip utamanya adalah
membandingkan frekwensi data observasi dalam selang tertentu
dengan frekwensi harapan dalam distribusi normal yang
bersesuaian dengan selang tersebut. Jika selisih antara dua
frekwensi itu tidak jauh berbeda maka data berdistribusi normal.
Jika selisihnya cukup besar maka data tidak berdistribusi normal.
Perhatikan contoh berikut!

Contoh 3.3
1 47 17 67 33 70 49 80
2 55 18 61 34 71 50 81
3 56 19 62 35 72 51 77
4 57 20 63 36 73 52 82

5 58 21 64 37 74 53 83
6 59 22 65 38 69 54 84
7 60 23 66 39 75 55 85
8 55 24 68 40 76 56 85
9 56 25 69 41 77 57 85
10 57 26 70 42 78 58 86
11 61 27 71 43 79 59 86
12 62 28 72 44 80 60 87
13 63 29 73 45 81 61 87
14 64 30 74 46 77 62 88
15 65 31 68 47 78 63 92
16 66 32 69 48 79 64 95
Misalkan data di atas adalah sampel nilai ujian Statistika dasar

mahasiswa matematika Universitas Sembilanbelas November
Kolaka yang terdiri dari 64 orang dengan nilai rata-rata 71,797 dan
standar deviasi 10,643. Ujilah data di atas dengan menggunakan
metode Chi-Square. Apakah data berdistribusi normal atau tidak?
Penyelesaian
Untuk menguji data di atas dengan metode Chi-Square, data tersebut

dikelompokkan menjadi beberapa kelompok dalam interval
tertentu. Pembaca tentu sudah mengenal/mengetahui bagaimana
cara mengelompokkan data kedalam tabel distribusi frekwensi.
Langkah-langkahnya sebagi berikut:
1) Tentukan Range data

R = max – min = 95 – 47 =48
2) Tentukan banyak kelas
Bk = 1 + 3,3 log(64) = 6,973 ≈ 7
3) Tentukan panjang kelas (i) yaitu i    6,857  7
R 48
Bk 7
4) Buatlah tabel distribusi frekwensi yang berisi interval kelas,
frekwensi tiap interval, batas bawah dan batas atas kelas.
Hasil dari empat langkah di atas dapat ditulis pada tabel 3.3.
Tabel 3.3 terdiri dari lima kolom. Kolom kedua berisi kelas
interval yang bisa dimulai dari datum terkecil, bisa juga kurang dari
datum terkecil. Datum terkecil dari data di atas adalah 47. Interval-
intervalnya disusun berdasarkan panjang kelas yang sudah dihitung
pada langkah 3. Untuk bagian ini para pembaca dianggap sudah
paham.
Table 3.5
Kelas Bts Bts
No fi
Interval Bwh Ats
1 47 – 53 1 46.5 53.5
2 54 – 60 9 53.5 60.5
3 61 – 67 13 60.5 67.5
4 68 – 74 15 67.5 74.5
5 75 – 81 13 74.5 81.5
6 82 – 88 11 81.5 88.5
7 89 – 95 2 88.5 95.5
Jumlah 64

Kolom ketiga diisi dengan banyaknya data yang terdapat
dalam tiap interval yang sudah dibuat. Sebagai contoh pada interval
kelas pertama hanya ada satu data yaitu 47.
Kolom keempat dan kelima berturut-turut merupakan tepi
bawah dan tepi atas kelas.
Tepi bawah = batas bawah – 0,5

Tepi atas = batas atas + 0,5
Angka 47, 54, 61, 68, 75, 82 dan 89 merupakan batas bawah kelas
sedangkan 53, 60, 67, 74, 81, 88 dan 95 adalah batas atas kelas. Jika
data sampel ini berdistribusi normal, maka distribusi datanya
berbentuk seperti gambar 3.4.
Gambar 3.4
Untuk menguji kenormalan data di atas, bentuk distribusinya akan

dibandingkan dengan distribusi normal baku. Oleh karena itu tiap
data x i akan dikonversi kenilai z i . Sebagai perwakilan dari seluruh
data, cukup batas-batas bawah dan batas-batas atas kelas yang

dikonversi. Cara mengkonversi data x i ke data z i sudah dijelaskan

pada bab II. Setelah dikonversi, tuliskan kembali kedalam tabel
distribusi frekwensi seperti tabel berikut:
Tabel 3.6
No Kelas fi Bts Bts Zi-1 Zi
Interval Bwh Ats
1 47 – 53 1 46.5 53.5 -2.491 -1.801
2 54 – 60 9 53.5 60.5 -1.801 -1.111
3 61 – 67 13 60.5 67.5 -1.111 -0.421
4 68 – 74 15 67.5 74.5 -0.421 0.270
5 75 – 81 13 74.5 81.5 0.270 0.960
6 82 – 88 11 81.5 88.5 0.960 1.650
7 89 – 95 2 88.5 95.5 1.650 2.340
Nilai-nilai pada kolom batas bawah bersesuaian dengan nilai pada

kolom z i 1 dalam kurva normal baku dan nilai-nilai pada kolom
batas atas bersesuaian dengan nilai pada kolom z i .
Selanjutnya untuk mencari berapa frekwensi harapan pada

kurva normal baku, harus diketahui luas daerah tiap interval yang
ada. Cara mencari luas daerah antara dua nilai pada kurva normal
juga sudah dijelaskan pada bab sebelumnya. Silahkan anda
menghitung luas daerah tiap interval dengan menggunakan tabel Z
atau dengan bantuan software. Setelah dihitung masukkan kembali
kedalam tabel seperti tabel berikut:

Tabel 4.7
No Kelas fi Bts Bts Zi-1 Zi Luas
Interval Bwh Ats Daerah
1 47 – 53 1 46.5 53.5 -2.491 -1.801 0.029
2 54 – 60 9 53.5 60.5 -1.801 -1.111 0.097
3 61 – 67 13 60.5 67.5 -1.111 -0.421 0.204
4 68 – 74 15 67.5 74.5 -0.421 0.270 0.269
5 75 – 81 13 74.5 81.5 0.270 0.960 0.225
6 82 – 88 11 81.5 88.5 0.960 1.650 0.119
7 89 – 95 2 88.5 95.5 1.650 2.340 0.040
Jika digambar dalam kurva normal modelnya sebagai berikut:
Gambar 3.5
Dari gambar 3.4 atau kolom ketiga pada tabel 3.5 dapat dilihat
frekwensi data observasi tiap interval. Sekarang akan dicari berapa
kemungkinan frekwensi munculnya angka antar tiap kelas interval

pada distribusi normal baku. Frekwensi munculnya angka tersebut
dinamakan frekwensi harapan dan disimbolkan dengan (fh). Luas
daerah tiap interval menunjukkan peluang munculnya angka dalam
interval tersebut. Frekwensi harapan diperoleh dengan cara
mengalikan luas daerah tiap interval dengan jumlah percobaan yang
dilakukan. Karena jumlah data ada 64, maka percobaan
pengambilan data sebanyak 64 kali.
Melalui perhitungan diperoleh hasil sebagai berikut:
f h1  0.029  64  1.887
f h2  0.097  64  6.238
f h3  0.204  64  13.037
f h4  0.269  64  17.232
f h5  0.0225  64  14.410
f h6  0.119  64  7.622
f h7  0.04  64  2.549
Setelah frekwensi harapan dalam distribusi normal baku

diketahui, bandingkan dengan frekwensi data observasi. Jika
perbedaannya kecil, maka data observasi mendekati distribusi
normal atau dengan kata lain data observasi berasal dari populasi
berdistribusi normal. Jika ternyata perdaannya cukup besar, maka
distribusi data observasi sangat berbeda dengan distribusi yang
dipadankan yaitu distribusi normal, dengan kata lain distribusi data
tidak normal.

Untuk melihat perbedaan frekwensi antara data empiris
dengan teori, salah satu cara yang bisa digunakan adalah melihat
selisih dari dua frekwensi tersebut.
Tabel 3.8
fi 1 9 13 15 13 11 2
fh 1.887 6.238 13.037 17.232 14.410 7.622 2.549
fi - fh -0.887 2.762 -0.037 -2.232 -1.410 3.378 -0.549
Dari selisih ini belum diperoleh informasi apa-apa tentang

besar atau kecilnya perbedaan dari dua frekwensi data. Sekarang
akan dicoba menjumlahkan selisih itu semoga ada informasi yang
 f  f h   1.025
dapat diperoleh.
Hasil inipun tidak memberikan informasi apa-apa. Besar kecilnya

suatu bilangan bisa ditentukan jika ada bilangan pembanding atau
ada nilai patokan sehingga nilainya dikatakan besar atau kecil. Lalu
bagaimana menentukan besarnya perbedaan dari kedua frekwensi
data? Jika nilai fi dikurang dengan nilai fh kemudian dikuadratkan
dan hasilnya dibagi dengan fh, secara matematis ditulis
 f i  f h 2
fh
maka statistik ini ternyata berdistribusi Chi-Square yang juga
merupakan variabel acak. Tentu saja jumlah dari variabel acak ini
juga merupakan variabel acak dan variabel acak yaitu
 f i  f h 2
 fh
(3.2)
Juga berdistribusi chi kuadrat dengan derajat bebas (k-1-m) dimana

k adalah banyak kelas sedangkan m adalah jumlah parameter yang
diestimasi. Karena parameter yang diestimasi ada dua yaitu
parameter rataan dan standar deviasi, maka derajat bebasnya
adalah k-3. Rumus (3.3) diberi simbol  2 (Chi-Square).
Hasil dari tabel 3.8 dapat digunakan untuk mencari nilai  2 .
Melalui proses perhitungan diperoleh nilai  2  3.682 . Dari

keseluruhan proses di atas hasilnya dapat dirangkum dalam tabel
berikut:
Table 3.9
(fi -
No Kelas fi Bts Bts Zi-1 Zi Luas fh fh)2
Interval Bwh Ats intrvl fh
1 47 – 53 1 46.5 53.5 -2.491 -1.801 0.029 1.887 0.417
2 54 – 60 9 53.5 60.5 -1.801 -1.111 0.097 6.238 1.223
3 61 – 67 13 60.5 67.5 -1.111 -0.421 0.204 13.037 0.000
4 68 – 74 15 67.5 74.5 -0.421 0.270 0.269 17.232 0.289
5 75 – 81 13 74.5 81.5 0.270 0.960 0.225 14.410 0.138
6 82 – 88 11 81.5 88.5 0.960 1.650 0.119 7.622 1.497
7 89 – 95 2 88.5 95.5 1.650 2.340 0.040 2.549 0.118
64 Chi Kuadrat 3.682

Nilai  2 dibandingkan dengan nilai  tab
2
yang dapat dilihat pada
lampiran 4. Dengan menggunakan   0.05 dan db = k-3 diperoleh

nilai tab  9, 488 . Dari hasil perhitungan diperoleh  hit  3, 682 .
Karena nilai  2   tab

2
maka dapat disimpulkan bahwa data sampel
berasal dari populasi berdistribusi normal.

SHAPIRO WILK
Pada tahun 1965 S.S. Shapiro dan M.B. Wilk dalam tulisannya
yang berjudul An analysis of variance test for normality complete
samples , memperkenalkan sebuah metode/cara untuk uji
normalitas data. Metode ini dikenal dengan nama Uji Shapiro-Wilk
dan terdapat dalam beberapa software statistik seperti SPSS dan
excel.
Statistik ujinya disimbolkan dengan huruf W dan
didefinisikan sebagai berikut:
  ai yi 
 n 
2
W  2  n i 1 
 yi  y  
2
b
(3.4)
S 2
i 1
Dalam tulisan itu dijelaskan bagaimana langkah-langkah untuk

menghitung statistik W ini. Misal diberikan data sampel acak
x1 , x2 , x3 ,....., xn . Langkah-langkahnya sebagai berikut:
1. Urutkan data sampel dari yang terkecil ke yang terbesar. Data

terurut diberi simbol baru yaitu y1 , y2 , y3 ,......., yn
2. Hitung nilai S 2    yi  y     xi  x 
n 2 n 2
i 1 i 1
3. Hitung nilai b   ai  yn 1i  yi  dimana k 

k
n
untuk n genap
i 1 2
n 1
dan k  untuk n ganjil.
2

4. Hitung nilai W 
b2
S2
Pengambilan keputusan untuk pengujian hipotesis

berdasarkan P-Value sesuai nilai W yang diperoleh. Nilai P-Value
dapat diperoleh dari Microsoft excel. Nilai P-Value ini kemudian
dibandingkan dengan taraf signifikansi  yang digunakan. Jika nilai
P-Value lebih besar dari  yang digunakan, maka data
berdistribusi normal. Sebaliknya jika nilai P-Value kurang dari 
yang digunakan, maka data yang diuji tidak berdistribusi normal.
Contoh 3.4:
Shapiro-Wilk.
1,40 1,70 1,70 2,05 2,12 2,21 2,36 2,44 2,44 2,52 2,59 2,72
2,80 2,91 2,99 3,03 3,04 3,20 3,33 3,42 3,63 3,63 3,70 4,0
Jawab:

bantu Microsoft Excel. Hasilnya ditampilkan pada tabel berikut.
ai  xn1i  xi   x  x  x  x
Table 3.10
2 2
i xi i xi ai i i
1 1.40 24 4.00 0.45 1.168 1.81 1.57

2 1.70 23 3.70 0.31 0.620 1.10 0.91
3 1.70 22 3.63 0.26 0.493 1.10 0.78

4 2.05 21 3.63 0.21 0.339 0.49 0.78
5 2.12 20 3.42 0.18 0.235 0.39 0.45
6 2.21 19 3.33 0.15 0.169 0.29 0.34
7 2.36 18 3.20 0.12 0.105 0.15 0.21
8 2.44 17 3.04 0.10 0.060 0.09 0.09
9 2.44 16 3.03 0.08 0.045 0.09 0.08
10 2.52 15 2.99 0.05 0.025 0.05 0.06
11 2.59 14 2.91 0.03 0.010 0.02 0.03
12 2.72 13 2.80 0.01 0.001 0.00 0.00
Rata-
rata 2.75 b 3.270 W 0.983
Standar
Dev. 0.688 S2 10.88 P-Value 0.941
Penjelasan.
Untuk memudahkan perhitungan, dua puluh empat data yang
sudah terurut di atas dibagi dua dan ditulis dalam urutan yang
berlawanan seperti pada tabel di atas. Kolom kelima yaitu kolom ai
merupakan koefisien Shapiro Wilk yang dapat diperoleh dari tabel
pada lampiran atau dengan mengetikkan perintah SWCoeff pada
lembar kerja excel. Namun perintah ini tidak akan terbaca di excel
sebelum memasukkan Realstats pada add-ins excel seperti gambar
berikut.

Setelah menginstal Realstats pada add-ins, ketikkan perintah
SWCoeff dan akan muncul jendela berikut:
Gambar 3.6

Pada bagian Arg ketikkan jumlah sampel. Pada bagian Arg
i  1, 2,...,
n
ketikkan indeks ke (n+i-1). jika n genap dan
2
n 1
i  1, 2,...., untuk n ganjil. Pada bagian B ketikkan FALSE
2
kemudian tekan enter. Untuk kolom selanjutnya diperoleh dengan
cara yang sama.
Nilai b diperoleh dengan menjumlahkan semua data pada
kolom ke-6 sedangkan nilai S2 diperoleh dengan menjumlahkan
semua data pada kolom ke-7 dan kolom ke-8. Setelah itu cari nilai
W dengan menggunakan rumus (3.4). Untuk menarik kesimpulan
hasil uji, cari nilai P-Value dengan mengetikkan perintah SWPROB
dan akan muncul jendela seperti gambar berikut
Gambar 3.7
Pada bagian N , masukkan jumlah sampel. Ketikkan nilai

W= . pada baris selanjutnya. Ketikkan True pada bagian B
dan True pada bagian )nterp . Selanjutnya klik OK.

Jika nilai P-Value lebih besar dari taraf signifikansi yang
digunakan maka data berdistribusi normal dan berlaku sebaliknya.
Jika nilai P-Value kurang dari taraf signifikansi yang digunakan
maka dapat disimpulkan bahwa data tidak berdistribusi normal.

ANDERSON DARLING
Uji Anderson Darling merupakan uji kenormalan data yang

cukup handal. Beberapa penelitian menunjukkan bahwa uji ini lebih
sensitif dalam mendeteksi penyimpangan terhadap distribusi
normal dibandingkan dengan uji-uji yang lain. Dalam penelitian
Nornadiah disimpulkan bahwa kekuatan uji ini sedikit dibawah
Shapiro Wilk tapi lebih baik dari Lilliefors dan Kolmogorov-Smirnov.
Salah satu keunggulannya yaitu nilai kritis yang diperoleh
disesuaikan dengan distribusi yang akan diuji. Tidak seperti dalam
uji Kolmogorov Smirnov yang titik kritisnya tidak bergantung pada
distribusi tertentu. Selain merupakan keunggulaan, ini juga yang
merupakan kelemahannya karena mencari titik kritis untuk setiap
distribusi bukan hal yang mudah.
Uji Anderson Darling merupakan modifikasi dari uji Cramer-
Von Mises. Dalam buku ini Uji Cramer-Von Mises tidak dijelaskan.
Buku ini hanya menjelaskan beberapa uji normalitas yang umum
digunakan oleh mahasiswa dan terintegrasi dalam software-
software statistika. Uji Anderson Darling sudah terintegrasi dalam
software minitab dan sangat mudah digunakan untuk uji normalitas
data atau uji kecocokan distribusi Weibull, Lognormal Eksponensial
dan lain-lain.
Statistik uji Anderson Darling (1954) didefinisikan sebagai
berikut:

Wn 2  n 
1 n
n j 1
 
  2 j  1 ln F  X j   1  ln F  X x1 j   (3.5)
Dimana F  X i  adalah fungsi distribusi kumulatif untuk distribusi
tertentu dan n adalah banyaknya sampel yang akan diuji.
Contoh 3.5:
Anderson Darling.
1,40 1,70 1,70 2,05 2,12 2,21 2,36 2,44 2,44 2,52 2,59 2,72
2,80 2,91 2,99 3,03 3,04 3,20 3,33 3,42
Jawab:

bantu Microsoft Excel. Hasilnya ditampilkan pada tabel berikut.
F  xi  1  F  xn 1i   2i  1 A
Table 3.11
i xi A 2i 1
1 1.40 0.024 0.079 -6.285 1 -6.285

2 1.70 0.089 0.108 -4.645 3 -13.934
3 1.70 0.089 0.158 -4.263 5 -21.316
4 2.05 0.275 0.202 -2.889 7 -20.220
5 2.12 0.327 0.289 -2.358 9 -21.224
6 2.21 0.399 0.342 -1.991 11 -21.898
7 2.36 0.526 0.407 -1.542 13 -20.045
8 2.44 0.593 0.407 -1.421 15 -21.321
9 2.44 0.593 0.474 -1.268 17 -21.562
10 2.52 0.658 0.601 -0.928 19 -17.635
11 2.59 0.711 0.673 -0.737 21 -15.486
12 2.72 0.798 0.725 -0.548 23 -12.597
13 2.80 0.842 0.911 -0.265 25 -6.629
14 2.91 0.892 0.911 -0.207 27 -5.601
15 2.99 0.921 0.976 -0.106 29 -3.087
 2i  1 ln F  X   1  ln F  X 
n
x 1i -228.840
i 1
i
Wn 2 0.256
Penjelasan tabel 3.11
Pertama, urutkan data dari yang terkecil ke yang terbesar dan

tempatkan pada kolom kedua.
Kedua, cari nilai fungsi distribusi kumulatif untuk tiap data dan
tempatkan pada kolom kedua. Langkah kedua ini sudah dijelaskan
pada halaman 49.
Ketiga yaitu kolom ke empat diisi dengan nilai dari satu dikurangi
kolom ketiga, tapi dengan posisi terbalik. Maksudnya, baris pertama
kolom ke empat adalah nilai dari 1 – F(x15) = 1 – 0.921 = 0.079. Baris
kedua adalah nilai dari 1 – F(x14) = 1 – 0.892 = 0.108 dan seterusnya.
Keempat, kolom kelima nilai A  ln F  xi   ln F  xn1i 
Kelima, kolom keenam diisi dengan dua kali kolom pertama

dikurang satu dan kolom terakhir diisi dengan hasil kali dari kolom
kelima dan keenam.
Selanjutnya cari nilai Wn 2 dengan menggunakan tabel bantu
yang sudah dibuat. Dalam praktiknya statistik Anderson Darling

dapat dicari dengan menggunakan Minitab dan hasilnya akan sama
dengan cara manual.
Hasil Uji Normalitas metode Anderson Darling dengan Minitab 17

Uji Normalitas dengan QQ Plot
Uji normalitas dengan QQ-Plot menggunakan metode grafik.

Metode grafik lainnya yang hampir sama adalah PP-Plot. Prinsipnya
sangat sederhana. Ukuran normal tidaknya data berdasarkan
kedekatan titik-titik data pada satu garis yang merupakan nilai
harapan suatu data jika datanya berdistribusi normal. Perhatikan
gambar berikut.
Gambar 3.8 Jauh dekatnya data ke garis bersifat relatif
Jika sebaran data berada dekat pada garis, maka distribusi

data adalah normal. Sebaliknya jika sebaran data berada jauh pada
garis maka distribusi data tidak normal. Yang menjadi masalah yaitu
jauh dekatnya data pada garis tersebut adalah relatif. Bisa jadi
peneliti satu mengatakan sebaran datanya dekat ke garis namun
peneliti yang lain mengatakan hal yang berbeda. Oleh karena itu
dalam software Minitab jauh dekatnya data pada garis bisa diukur
dengan menampilkan garis batas selang kepercayaan (lihat gambar
1.4). Jika sebaran data tidak keluar dari pita seperti pada gambar
maka dapat dipastikan bahwa data berdistribusi normal.
Kenyataannya tidak semua software memiliki kemampuan
seperti ini. Dalam SPSS batas garis selang kepercayaan tidak dapat
ditampilkan. Untuk mengukur kedekatan data terhadap garis
digunakan analisis korelasi. Data yang dikorelasikan adalah data
observasi dan data harapan pada distribusi normal.
QQ-Plot merupakan diagram pencar (Scatter Plot) antara data
observasi dengan nilai yang diharapkan pada distribusi normal.
Penyajian datanya dapat berupa data asli, data yang sudah
distandarisasi (dinormalkan) maupun kombinasi dari keduanya.
Jika nilai korelasi antara dua data ini mendekati 1 maka distribusi
data mendekati distribusi normal. Sebaliknya jika nilai korelasi yang
terbentuk semakin jauh dari 1 maka distribusi data juga semakin
jauh dari distribusi normal.
Jika data tepat pada garis maka koefisien korelasi antara data
observasi dengan data harapan adalah 1. Namun angka 1 bukan
ukuran mutlak suatu data berdistribusi normal. Lagipula peluang
untuk kejadian ini sangat kecil terjadi. Ada angka tertentu yang
dapat dijadikan sebagai patokan atau ukuran jauh atau dekatnya
data ke garis atau besar kecilnya koefisien korelasi yang terbentuk.
Angka tersebut bergantung dari ukuran sampel yang diambil dan
taraf signifikansi yang digunakan. Ukuran tersebut dapat dilihat
pada tabel berikut:
Tabel 3.8 Nilai kritis r untuk uji normalitas dengan qq-plot
Misalkan data sampel yang diambil adalah 30. Taraf

signifikansi yang digunakan adalah 0.05 maka ukuran normal
tidaknya data berdasarkan koefisien korelasi adalah 0.9652. Jika
koefisien korelasi antara data observasi dengan nilai harapan lebih
besar dari 0.9652 maka data berdistribusi normal. Sebaliknya jika

kurang dari angka yang sudah ditetapkan maka distribusi data tidak
normal.
Langkah-langkah dalam pengujian normalitas data dengan
menggunakan QQ-Plot adalah sebagai berikut:
1. Urutkan data dari yang terkecil hingga yang terbesar

x1 , x 2 ,....., xi 
2. Pisahkan berdasarkan quantil-quantilnya. Jika ada data yang

i  (i  1)  ...  (i  n)
sama maka ubah indeks i menjadi j 
(n  1)
sehingga semua data yang sama mempunyai indeks yang sama.
3. Tentukan proporsi masing-masing data dengan menggunakan
j  0.5
pendekatan
n
4. Tentukan nilai standar normal quantil
q1 , q 2 ,...., q j 
 x  , q   ,  x  , q   ,.....,  x  , q  
5. Buat plot pasangan data
 x  , q   dengan
1 1 2 2 n n
6. Hitung nilai koefisien korelasi ( r ) data j j
  x   x   q   q 
menggunakan rumus
n
r
  x   x    q   q 
j 1
j j
(3.5)
n 2 n 2
j 1 j 1
j j

7. Tentukan nilai r kritis sesuai dengan ukuran sampel dan taraf
signifikansi yang di gunakan berdasarkan tabel 3.8
8. Tarik kesimpulan
Jika nilai rhit  rtab maka sampel yang diuji berasal dari populasi
yang berdistribusi normal dan berlaku sebaliknya.
Pada langkah kedua, datum yang sama dianggap satu jenis datum.
Walaupun ada lima datum yang sama, kelima datum ini hanya
diwakili oleh satu titik. Jadi, jumlah titik yang ada pada grafik
nantinya akan selalu kurang dari sampel yang diambil jika ada
datum yang sama. Untuk lebih jelasnya perhatikan contoh berikut.
Contoh 3.6
Ujilah kenormalan data pada contoh 3.1 di atas dengan
menggunakan QQ-Plot.
Sesuai dengan langkah-langkah uji normalitas menggunakan
QQ_Plot diperoleh tabel berikut
Table 3.9
standar Standar
Proporsi
No x(j) j normal normal
(j-0,5)/n q (j) x(j)
1 65 1 0.016667 -2.12805 -2.3481
2 66 2 0.05 -1.64485 -1.57178
3 66.5 3 0.083333 -1.38299 -1.18362
4 66.56 4 0.116667 -1.19182 -1.13705
5 66.7 5.5 0.166667 -0.96742 -1.02836
6 66.7 5.5 0.166667 -0.96742 -1.02836
7 67 7 0.216667 -0.7835 -0.79547
8 67.3 8 0.25 -0.67449 -0.56257
9 67.67 9 0.283333 -0.57297 -0.27533
10 67.7 10.5 0.333333 -0.43073 -0.25204
11 67.7 10.5 0.333333 -0.43073 -0.25204
12 67.75 12 0.383333 -0.29674 -0.21323
13 67.78 13.5 0.433333 -0.16789 -0.18994
14 67.78 13.5 0.433333 -0.16789 -0.18994
15 67.9 15.5 0.5 0 -0.09678
16 67.9 15.5 0.5 0 -0.09678
17 68 18 0.583333 0.210428 -0.01915
18 68 18 0.583333 0.210428 -0.01915
19 68 18 0.583333 0.210428 -0.01915
20 68.5 20.5 0.666667 0.430727 0.369009
21 68.5 20.5 0.666667 0.430727 0.369009
22 68.65 22 0.716667 0.572968 0.485457
23 69 23.5 0.766667 0.727913 0.757168
24 69 23.5 0.766667 0.727913 0.757168
25 69.4 25.5 0.833333 0.967422 1.067695
26 69.4 25.5 0.833333 0.967422 1.067695
27 69.57 27 0.883333 1.191816 1.199669
28 69.78 28 0.916667 1.382994 1.362695
29 70 29 0.95 1.644854 1.533485
30 71 30 0.983333 2.128045 2.309802
Penjelasan tabel
Kolom kedua diisi dengan data yang sudah diurutkan seperti
pada langkah pertama. Kolom ketiga diisi dengan indeks baru pada
data. Data yang sama mempunyai indeks yang sama. Rumus yang
digunakan seperti pada langkah kedua. Perhatikan bahwa data

kelima dan keenam nilainya sama sehingga diberi indeks yang sama
yaitu data ke 5,5. Karena ada beberapa data yang sama maka jumlah
titik yang muncul pada grafik kurang dari data sampel yang diambil.
Dari data di atas jumlah titik yang akan diplot hanya ada 21 titik.
Selanjutnya kolom keempat prinsipnya hampir sama dengan
fungsi distribusi kumulatif. Kolom ini diisi dengan proporsi/peluang
munculnya angka yang kurang dari atau sama dengan datum ke i.
Perhatikan bahwa semakin besar datumnya maka semakin besar
pula peluangnya.
Selanjutnya kolom kelima diisi dengan menggunakan invers
fungsi dari CDF normal. Pembaca boleh menggunakan tabel Z boleh
juga menggunakan Microsoft excel untuk mencari nilai q(j).
Gambar 3.9
Sebagai contoh untuk datum ke-8, proporsi atau peluang munculnya

angka yang kurang dari atau sama dengan datum ke-8 adalah 0.25.
Ilustrasinya dapat dilihat pada gambar 3.9. Luas daerah dibawah
kurva normal sudah diketahui 0.25. Sekarang akan ditentukan
berapa nilai z yang memenuhi sehingga luas daerah disebelah kiri z
sama dengan 0.25. Sebagai pengingat buka kembali Bab II tentang
luas daerah dibawah kurva normal.
Perhatikan kembali penggunaan tabel Z pada tabel 3.10
berikut. Nilai z yang paling mendekati nilai yang dicari adalah -0.67.
Untuk hasil yang lebih akurat, ketikkan perintah
=NORM.S.)NV . 5 pada Microsoft excel 2013 kemudian tekan
enter. Hasil yang diperoleh adalah -0.6744.
Table 3.10. Potongan tabel Z

z 0 0.01 0.05 0.07 0.09
-0.8 0.212 0.209 0.198 0.192 0.187
-0.7 0.242 0.239 0.227 0.221 0.215
-0.6 0.274 0.271 0.258 0.251 0.245
-0.5 0.309 0.305 0.291 0.284 0.278
-0.4 0.345 0.341 0.326 0.319 0.312
Langkah yang sama bisa dilakukan untuk semua baris pada kolom
keempat untuk mengisi kolom kelima.
Selanjutnya kolom keenam adalah nilai x atau data yang
ditransformasi ke nilai z. Tranformasi ini juga sudah dijelaskan pada
Bab 2. Setelah kolom kelima dan kolom keenam terisi, buatlah
diagram pencar antara data q(j) dan data x(j). Untuk menampilkan
garis patokan, plot nilai q(j) dengan dirinya sendiri. Nilai q(j) ini
adalah nilai yang diharapkan agar data berdistribusi normal.

Secara visual dari gambar 3.10 dapat diperkirakan bahwa
data di atas berdistribusi normal karena sebaran titik-titik data
mengikuti garis lurus. Untuk lebih yakin, gunakan rumus (3.5) untuk
mencari nilai r. Dari rumus tersebut diperoleh nilai r  0.9907
sedangkan nilai r kritisnya adalah 0,9652. Berdasarkan hasil ini
disimpulkan bahwa data yang diuji berdistribusi normal.
Diagram Pencar
3
0
-3 -2 -1 0 1 2 3
-1
-2
-3
Gambar 3.10 Diagram pencar antara data terobservasi

berdasarkan kuantil-kuantilnya dan nilai harapan terstandarisasi

Sebagai perbandingan pada gambar ditampilkan gambar Q-Q Plot
keluaran SPSS 22. Hasilnya kurang lebih sama dengan cara manual
yang dikerjakan dengan menggunakan Microsoft excel.
Gambar 3.11 Uji normalitas dengan Q-Q Plot menggunakan SPSS

PP Plot
Seperti halnya QQ Plot, PP Plot juga merupakan salah satu

cara untuk uji normalitas data dengan menggunakan metode grafik.
Jika QQ-Plot merupakan diagram pencar (Scatter Plot) antara data
observasi dengan nilai yang diharapkan pada distribusi normal,
maka PP-Plot merupakan diagram pencar antara peluang data
observasi dan peluang harapannya.
Perhatikan data pada contoh 3.1. Akan diambil 20 data

pertama dan diuji dengan menggunakan PP-Plot. Dengan
menggunakan cara yang sama seperti pada QQ-Plot diperoleh tabel
3.11. Po adalah peluang data yang diobservasi menggunakan
pendekatan yang sama seperti pada QQ-Plot. Nilai z(i) merupakan
transformasi dari data x(i) ke data normal baku sementara nilai Ph
adalah luas kurva peluang di sebelah kiri nilai z.
Table 3.11
Po Ph
No x(j) j z(j)
(j-0,5)/n z(j)
1 65 1 0.025 -2.7327 0.003141
2 66 2 0.075 -1.55583 0.059875
3 66.5 3 0.125 -0.96739 0.166675
4 66.56 4 0.175 -0.89678 0.184919
5 66.7 5.5 0.25 -0.73201 0.23208
6 66.7 5.5 0.25 -0.73201 0.23208
7 67 7 0.325 -0.37895 0.352361
8 67.3 8 0.375 -0.02589 0.489672

9 67.67 9 0.425 0.409552 0.658933
10 67.7 10.5 0.5 0.444858 0.671789
11 67.7 10.5 0.5 0.444858 0.671789
12 67.75 12 0.575 0.503702 0.692764
13 67.78 13.5 0.65 0.539008 0.705059
14 67.78 13.5 0.65 0.539008 0.705059
15 67.9 15.5 0.75 0.680232 0.751821
16 67.9 15.5 0.75 0.680232 0.751821
17 68 18 0.875 0.79792 0.787541
18 68 18 0.875 0.79792 0.787541
19 68 18 0.875 0.79792 0.787541
20 68.5 20 0.975 1.386356 0.917181
Untuk memperoleh grafik PP-Plot, buat diagram pencar

antara Po dan Ph dengan Po sebagai sumbu horizontal dan Ph sebagai
sumbu vertikalnya seperti gambar 3.12.
Bandingkan dengan hasil yang diperoleh dengan

menggunakan SPSS pada gambar 3.13. Dari gambar terlihat bahwa
hasil yang diperoleh dengan cara manual sama dengan hasil luaran
SPSS. Untuk mengetahui kenormalan data dapat digunakan rumus
korelasi seperti cara pada QQ-Plot

Probability Plot
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
Gambar 3.12
Gambar 3.13

IV. Penggunaan Software Matematika dalam Uji Normalitas
Pada bagian ini akan dijelaskan penggunaan berbagai

software dalam uji normalitas data antara lain SPSS 22, Minitab 17,
Easy Fit dan Excel 2013. Semua contoh yang telah dikerjakan
sebelumnya secara manual akan uji dengan menggunakan software
yang ada. Tentu saja software-software tersebut harus terinstal di PC
atau laptop para pembaca.
Untuk menginstal software tersebut anda harus

mendownload file master untuk instalasinya. Anda bisa mencari di
internet atau di toko software. Untuk proses instalasi tidak akan
dijelaskan di dalam buku ini. Berikut ini akan dijelaskan bagaimana
cara uji Kolmogorov-Smirnov dengan menggunakan SPSS, Minitab
dan Easy Fit.

Penggunaan SPSS
Tampilan awal program SPSS 22 seperti gambar berikut.
Gambar 4.1 Variabel view untuk penamaan variabel
Gambar 4.2 Data view untuk menginput data

Halaman awal SPSS terdiri dari dua bagian utama yaitu data
view dan variabel view. Perhatikan sudut kiri bawah pada halaman
muka SPSS.
Halaman Data View digunakan untuk input data. Sementara
untuk pengaturan tata letak data, pengaturan angka desimal,
pemberian nama variabel dan pengaturan lainnya dilakukan pada
halaman Variabel view .
Pada bagian menu bar paling atas terdiri dari menu file, edit,
view, data, transform dan lain-lain. Untuk praktik para pembaca
akan sering menggunakan menu ini terutama menu analyze.
Untuk memulai, perhatikan kembali contoh 3.1 di atas. Input
semua data yang akan di uji pada lembar kerja SPSS dan beri nama
variable misalkan X. Uji Kolmogorov Smirnov di SPSS dapat
dilakukan dengan dua cara. Cara pertama pada menu Analyze, klik
Descriptive Statistic dan pilih Explore sehingga muncul jendela bru
seperti gambar di bawah.
Gambar 4.3

Masukkan variable X kedalam kotak Dependent List dengan cara
mengklik tanda panah disamping kotak. Klik tab Plots selanjutnya
muncul jendela baru seperti gambar berikut.
Gambar 4.4
Beri tanda centang pada Normality plots with tests kemudian klik
Continue dan klik Ok. Selanjutnya akan keluar hasil sebagai berikut
Table 4.1
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
X .141 30 .132 .983 30 .900
a. Lilliefors Significance Correction
Dapat dilihat pada kolom kedua bahwa nilai statistik yang diperoleh
sama dengan nilai yang diperoleh dengan cara manual yaitu 0,141.

Cara kedua pada menu Analize pilih Nonparametric Test
kemudian klik Legacy Dialogs dan pilih 1-Sample K-S. selanjutnya
akan tampil gambar berikut.
Gambar 4.5
Masukkan variable X kedalam kotak Test Variable List dan beri

centang kotak Normal pada bagian Test Distribution. Selanjutnya
klik OK dan hasilnya seperti pada tabel 4.2.
Pada tabel 4.2 lihat Most Extreme Difference untuk bagian
Absolute nilainya adalah 0,141. Ini merupakan selisih mutlak
terbesar antara CDF teoritis dan CDF empiris. Dengan menggunakan
dua cara di atas memberikan hasil yang sama dengan cara manual.
Hasil inilah nanti yang dibandingkan dengan tabel D untuk taraf
signifikansi tertentu yang digunakan.

Table 4.2 One-Sample Kolmogorov-Smirnov Test
X
N 30
Normal Parametersa,b Mean 68.0247
Std. Deviation 1.28813
Most Extreme Absolute .141
Differences Positive .141
Negative -.125
Test Statistic .141
Asymp. Sig. (2-tailed) .132c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
Perhatikan bahwa terdapat tulisan Lilliefors Significance

Correction pada hasil keluaran SPSS dari dua cara di atas.
Keterangan ini memberikan arti bahwa nilai Sig.(2-tailed) = 0.132
adalah luas daerah kedua ekor dibawah kurva normal. Nilai ini
diperoleh dari titik kritis Lilliefors yang dikonversi ke nilai baku z
kemudian dihitung luas daerahnya.
Untuk uji normalitas dengan menggunakan Lilliefors, gunakan
nilai Sig.(2-tailed) ini sebagai kriteria pengambilan keputusan. Jika
nilai Sig. lebih besar dari  maka jangan tolak H0 artinya sampel
berasal dari populasi berdistribusi normal. Sebaliknya jika nilai Sig.
kurang dari  maka H0 ditolak.
Uji normalitas dengan menggunakan Chi-Square dan Anderson
Darling belum terdapat pada software SPSS. Selanjutnya untuk uji
normalitas dengan Shapiro Wilk, gunakan cara yang sama (Cara I)
seperti uji Kolmogorov Smirnov. Karena hasil SPSS akan
dibandingkan dengan cara manual, masukkan data contoh 4 pada
lembar kerja SPSS dan beri nama variabel misal X1. Setelah
menggunakan cara I seperti yang dijelaskan di atas, akan muncul
hasil seperti gambar di bawah.
Table 5 Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statisti
Statistic df Sig. c df Sig.
X1 .067 24 .200* .983 24 .945
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Lihat pada bagian Shapiro-Wilk khususnya pada nilai Statistic.

Diperoleh statistik ujinya adalah 0,983. Hasil ini sama dengan cara
manual menggunakan SPSS. Selain itu nilai Sig. =0.945 juga tidak
jauh berbeda dengan hasil yang diperoleh dengan Excel.
Selanjutnya untuk uji normalitas dengan menggunakan grafik
bisa menggunakan QQ-Plot maupun PP-Plot. Pertama-tama
masukkan data yang akan diuji kedalam lembar kerja SPSS. Pada
menu analyze, pilih Descriptive Statistic dan klik QQ-Plot sehingga
tampil jendela berikut.
Gambar 4.6
Masukkan variabel X pada kotak Variabel dan pilih Normal

pada bagain Test Distribution. Klik OK dan keluarlah hasil yang
diharapkan seperti pada gambar 4.7. Sekali lagi perlu diperhatikan,
kenormalan data dengan hanya melihat gambar sifatnya relatif,
tergantung dari orang yang melihat. Bisa jadi peneliti yang satu
menganggap bahwa titik-titik data sudah cukup dekat dengan garis
tapi peneliti lain menganggap bahwa ada beberapa titik yang
menyimpang sehingga data belum bisa dikategorikan berdistribusi
normal.
Gambar 4.7
Penggunaan Minitab
Setiap software memiliki kelebihan dan kekurangan masing-

masing. Walaupun tidak sefamiliar SPSS, minitab juga merupakan
salah satu software yang baik untuk pengolahan data statistik.
Kemampuannya dalam mengolah data tidak kalah dengan SPSS baik
dari segi deskriptif maupun inferensial. Software Minitab sendiri
ada beberapa versi. Dalam buku ini yang digunakan adalah Minitab
17. Tampilan Minitab 17 seperti pada gambar 4.8.
Gambar 4.8

Bagian paling atas adalah menu bar yang terdiri dari beberapa
menu, bagian session untuk menampilkan output minitab berupa
tulisan seperti nilai statistik deskriptif dan Worksheet sebagai
lembar kerja tempat menginput data yang akan diproses.
Untuk uji normalitas, software ini menyediakan tiga metode
yaitu Kolmogorov-Smirnov, Anderson Darling dan Shapiro Wilk.
Untuk melakukan uji normalitas input data pada worksheet, klik
menu Stat, pilih Basic Statistics dan klik Normality Test. Selanjutnya
tampil jendela berikut.
Gambar 4.9
Masukkan C1 pada kotak variabel. C1 merupakan kolom data

ditempatkan. Jika data yang akan diuji ada pada kolom C2, maka
yang dimasukkan kedalam kotak variabel adalah C2. Selanjutnya
pada bagian Test of normality terdapat tiga pilihan untuk uji
normalitas data. Pilihlah sesuai dengan yang diinginkan. Untuk

contoh ini pilih Kolmogorov-Smirnov dan klik Ok sehingga tampil
hasilnya seperti gambar berikut.
Gambar 4.10
Dari hasil ini terlihat bahwa statistik KS = 0,141 dan nilai ini sama
dengan hasil manual dan SPSS.
Selanjutnya untuk uji Anderson Darling gunakan data pada
contoh 3.5. Input data pada kolom C2 kemudian lakukan langkah-
langkah seperti sebelumnya untuk uji normalitas data, pilih
Anderson Darling pada gambar 4.9 dan hasil ujinya ditampilkan
pada gambar 4.11.
Dapat dilihat pada gambar bahwa nilai AD = 0,256. Hasil ini
sama dengan hasil yang diperoleh dengan cara manual.

Gambar 4.11
Uji Shapiro-Wilk dengan Minitab akan menghasilkan nilai

yang sedikit berbeda. Algoritma yang digunakan dalam software ini
bukan algoritma asli dari Shapiro-Wilk tapi algoritma yang
dikembangkan oleh Ryan-Joiner,.
Gambar 4.12

Statistik uji yang diperoleh adalah 0,996 sementara hasil manual
yang diperoleh adalah 0,983 sama dengan hasil pada SPSS.
Uji normalitas lain yang ada pada Minitab adalah uji grafik.
QQ-Plot tidak ada dalam minitab namun masih ada uji grafik lain
yang hampir sama yaitu PP-Plot. Untuk mendeteksi kenormalan
data dengan PP Plot pada Minitab, klik menu Graph dan pilih
Probability Plot sehingga muncul
Gambar 4.13
Garis lengkung pada gambar di atas merupakan selang

kepercayaannya. Ini yang membedakan dengan software SPSS. Pada
SPSS garis ini tidak dapat ditampilkan sehingga untuk mengukur
jauh dekatnya titik-titik terhadap garis tengah hanya tergantung
dari pengelihatan seseorang. Dalam Minitab, jika semua data masuk
dalam pita yang dibatasi garis lengkung tersebut maka dapat
diperkirakan bahwa data sampel berasal dari populasi yang
Penggunaan Easy Fit
Software Easy Fit adalah salah satu software statistika yang

digunakan untuk uji pencocokan kurva. Easy Fit sangat baik
digunakan untuk mengetahui distribusi apa yang paling sesuai dari
data yang diperoleh. Halaman/ lembar kerjanya hampir sama
dengan excel, minitab dan SPSS yang terdiri dari baris dan kolom
untuk menginput data yang akan diproses. Lembar kerjanya dapat
dilihat pada gambar berikut.
Gambar 4.14
Karena berfungsi sebagai uji pencocokan kurva, maka

keluarannya akan menampilkan berbagai macam distribusi. Kita
dapat memilih distribusi mana yang paling sesuai dengan data. Jika
kita menginginkan uji normalitas data maka pilih distribusi normal
kemudian perhatikan hasil ujinya apakah distribusi data normal
atau tidak.

Easy Fit menggunakan tiga metode untuk uji pencocokan kurva
yaitu Kolmogorv Smirnov, Anderson Darling dan Chi-Square. Agar
leih faham penggunaanya, perhatikan contoh berikut.
Dari data pada contoh 3.2 akan diuji dengan menggunakan Easy Fit.
Masukkan datanya ke dalam lembar kerja Easy Fit pada kolom A
kemudian klik tanda pada tool bar.
Gambar 4.15
Selanjutnya akan tampil seperti gambar 4.16. Masukkan variabel

yang akan diuji kedalam kotak sampel data. Pilih Continuous pada
Data domain. Artinya kita menginginkan ditribusi data yang akan
ditampilkan adalah semua distribusi kontinu.

Gambar 4.16
Jika kita ingin menampilkan distribusi diskrit, pilih discrete

dan klik ok.
Selanjutnya akan muncul tampilan berikut.
Gambar 4.17

Ada tiga tampilan utama yaitu Graphs, Summary dan Goodness of Fit.
Graphs menampilkan histogram dan kurva distribusinya. Summary
berisi informasi tentang nilai parameter dari suatu distribusi dan
Goodness of Fit menampilkan statistik hasil uji pencocokan kurva
dengan menggunakan tiga metode untuk semua distribusi.
Untuk melihat distribusi mana yang paling cocok pada data kita bisa
memilih metode apa yang akan digunakan kemudian pilih distribusi
yang menempati Rangking I. distribusi yang memperoleh Rangking
I itulah distribusi yang paling sesuai.
Gambar 4.18

Gambar 4.19
Untuk menguji kenormalan data, pada bagian Goodness of Fit, pilih

dan klik distribusi normal sehingga akan tampil seperti gambar
berikut.

Gambar 4.20
Software ini menampilkan hasil uji dari tiga metode. Jika pembaca
ingin memakai metode Kolmogorov Smirnov, lihat pada bagian
Kolmogorov Smirnov. Diperoleh nilai Statistik ujinya yaitu 0,141.
Hasilnya sama dengan cara manual, SPSS maupun Minitab. Pada
bagian akhir tabel ada tulisan Reject . Maksudnya adalah, pada 
tertentu, apakah hipotesis nol ditolak atau tidak? Dari hasil di atas
diperoleh hipotesis nol tidak ditolak untuk semua  yang
digunakan. Dengan demikian disimpulkan bahwa data berasal dari
populasi berdistribusi normal.

Daftar Pustaka
Anderson, T.W. and Darling. D.A. (1954). A Test of Goodness of Fit.

Journal of the American Statistical Association, Vol. 49, No. 268,
765-769.
Fallo, J.O. dkk. (2013). Uji Normalitas Berdasarkan Metode

Anderson-Darling, Cramer-Von Mises dan Lilliefors
Menggunakan Metode Bootstrap. Prosiding Seminar Nasional
Matematika dan Pendidikan Matematika UNY.
Lilliefors, H.W. (1967). On the Kolmogorov-Smirnov Test for

Normality with Mean and variance Unknown. Journal of
American Statistical Association, Vol. 62, No.318, pp. 399-402
Nasrum, Akbar. Statistical Determination of Kolmogorov-Smirnov

(D) by Using Manual Way. Journal of Math Sciences, Vol. 2. No. 2,
1-4.
Nornadiah, M.R. and Yap. B.W. (2011). Power Comparisons of

Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-
Darling tests. Journal of Statistical Modeling and Analytics, Vol.
2. No. 1, 21-33.
Shapiro, S.S. and Wilk, M.B. (1965). An Analysis of Variance Test for
Normality (Complete Samples). Biometrika, Vol. 52, No. ¾, pp.
591-611
Walpole, R.E. etc. Probability & Statistics for Engineers & Scientists
Ninth Edition. (2010). Pearson.
Walpole, R.E. etc. Essentials of Probability & Statistics for Engineers

& Scientists. (2013). Pearson.

GLOSARIUM
CDF adalah singkatan dari Cumulative Distributon Function
Data adalah kumpulan informasi yang diperoleh dari hasil

suatu pengamatan dapat berupa angka, lambang
ataupun berupa sifat
Datum adalah bentuk tunggala dari data
Fungsi Distribusi Kumulatif empirik adalah proporsi/peluang

munculnya angka yang kurang dari atau sama dengan
datum tertentu yang diperoleh berdasarkan data
sampel
Fungsi Distribusi Kumulatif Teoritis adalah peluang

munculnya angka berdasarkan teori
Parametrik adalah istilah untuk statistik uji yang

mempersyaratkan data harus berdistribusi normal
PP Plot adalah diagram pencar antara peluang data observasi

dan peluang harapannya yang digunakan untuk uji
normalitas data
PDF adalah singkatan dari Probability Distribution Function
Nonparametrik istilah untuk statistik uji yang datanya tidak

harus berdistribusi normal
QQ Plot adalah salah satu teknik uji normalitas data dengan

metode grafik

INDEKS
Frekwensi 37, 39, 54, 56, 58-62
A Function 16
Anderson-Darling 13, 35, 71-74, 95, Fungsi 16-18, 22, 30, 32-34, 36, 37,
99, 100, 105 40, 41, 48, 50, 54, 72, 73, 81
Asumsi, 5,6
G
B
Galat 34
Baku Gauss 18, 32
Box-Plot, 11 Geogebra 21
Goodness of fit 35, 54, 107, 108, 110
C
H
CDF, , 16, 32, 34, 41, 43, 48, 81, 93
Chi-Square, 17, 35, 54, 55, 62, 63, 95, Harapan 54, 59, 60, 61, 75, 76, 78, 84
105 Histogram 9, 11, 12, 107,
D I
Inferensi 5, 10, 17, 98
Data
Datum, 6, 7, 10, 11, 13, 56, 79, 81, 82 Interval 54-60, 63,
Descriptive, 91, 96 Invers 30, 81
Deviasi, 10, 13-15, 18, 19, 39, 48, 55,
63
K
Distribusi, 5, 6, 11-22, 28, 30, 32-37, Kolmogorov-Smirnov 13, 35, 36, 47,
40, 43, 45-48, 50-58, 60-66, 70-79, 81, 50-53, 71, 91, 95, 109
83, 86, 104-109 Kontinu 16, 17, 33, 34, 50, 54, 105
Kuantitatif 6
E Kumulatif 32, 33, 36, 37, 39, 40, 48,
Easy Fit, 43, 44, 46, 89, 104, 105, 72, 73, 81
Ekstrim, 6-8, 10, 13 Kurva 5, 19, 21-24, 28, 32, 35, 37, 54,
Empirik 5, 33, 40, 34 59, 60, 82, 86, 94, 104, 105, 107
Eror 34 L
Excel 38, 45, 47, 48, 65, 66, 68, 72, 81,
Lilliefors 35, 50, 51-53, 71, 92, 94, 95,
82, 84, 89, 95, 104
110
Luas Daerah 19, 21-26, 28, 30, 32, 59,
F 60, 82, 94,
M Q
Maple 21 QQ-Plot 35, 75, 76, 78, 79, 86, 87, 96,
Matlab 21 102
Mean 44, 50, 94, 110
Median 7
R
Metode 35, 38, 46, 50, 52-55, 65, 66, Rata-rata 6, 7, 10, 13-15, 18, 19, 39,
72, 74, 75, 86, 99, 105, 107 48, 52, 55, 67
Minitab 43, 45, 46, 71, 74, 76, 89, 98, Robust 6, 7
99, 101-104, 109
Modus 7 S
Sampel 6, 10, 13, 14, 33, 34, 45, 47,
N 50, 51, 52, 55, 57, 64, 65, 69, 70, 72,
77, 78, 79, 81, 94, 105
Nonparametrik 5
Normalitas 5, 6, 9, 12, 16, 35, 36, 38, Shapiro-Wilk 65, 66, 92, 95, 101
43, 44, 46, 47, 50, 52, 53, 54, 65, 71, Software 21, 43, 45, 46, 50, 53, 59, 65,
74, 75, 78, 80, 86, 89, 94-96 71, 76,, 89, 95, 98, 99, 101, 102
Numerik 10, 21
SPSS 43, 44, 46, 50, 53, 65, 76, 84, 87,
P 89, 90, 91, 94- 96, 98, 100, 102
Parameter 5, 16, 13, 18, 44, 50, 62, Statistika 16, 55, 71, 104
63, 64, 107,
Parametrik 5
T
PDF 16 Tabel Z 22, 24, 28, 30, 31, 41, 42, 59,
Peluang 16-19, 21, 22, 28, 29, 32, 60, 81-83
77, 81, 82, 86, Teoritis 34, 36, 37, 41, 43, 93
Pencilan 10-12 Transformasi 21, 22, 28, 30, 41, 83,
Populasi 5, 13, 14, 45, 47, 51, 52, 61, 86
64, 79, 94, 103 V
PP-Plot 35, 75, 86, 87, 96, 102
Valid 50
Probability 13, 16, 102, 110
Variansi 19, 20
P-Value 8, 45, 46, 66, 67, 69, 70

Lampiran 1. Tabel Normal Baku Z
z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

-3.7 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.6 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247

z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

Lampiran 2. Tabel Lilliefors (DL)
Sumber: Journal of the American Statistical Association, Vol. 62, No. 318. (Jun.,
1967), pp. 399-402.

Lampiran 3. Tabel Kolmogorov-Smirnov (Dk)
Sumber: Journal of the American Statistical Association, Vol. 46, No. 253. (Mar., 1951),
pp. 68-78.

Lampiran 4. Tabel Chi-Square
2
 
0.995 0.99 0.98 0.975 0.95 0.9 0.8 0.75 0.7 0.5
2 0.010 0.020 0.040 0.051 0.103 0.211 0.446 0.575 0.713 1.386
3 0.072 0.115 0.185 0.216 0.352 0.584 1.005 1.213 1.424 2.366
4 0.207 0.297 0.429 0.484 0.711 1.064 1.649 1.923 2.195 3.357
5 0.412 0.554 0.752 0.831 1.145 1.610 2.343 2.675 3.000 4.351
6 0.676 0.872 1.134 1.237 1.635 2.204 3.070 3.455 3.828 5.348
7 0.989 1.239 1.564 1.690 2.167 2.833 3.822 4.255 4.671 6.346
8 1.344 1.646 2.032 2.180 2.733 3.490 4.594 5.071 5.527 7.344
9 1.735 2.088 2.532 2.700 3.325 4.168 5.380 5.899 6.393 8.343
10 2.156 2.558 3.059 3.247 3.940 4.865 6.179 6.737 7.267 9.342
11 2.603 3.053 3.609 3.816 4.575 5.578 6.989 7.584 8.148 10.341
12 3.074 3.571 4.178 4.404 5.226 6.304 7.807 8.438 9.034 11.340
13 3.565 4.107 4.765 5.009 5.892 7.042 8.634 9.299 9.926 12.340
14 4.075 4.660 5.368 5.629 6.571 7.790 9.467 10.165 10.821 13.339
15 4.601 5.229 5.985 6.262 7.261 8.547 10.307 11.037 11.721 14.339
16 5.142 5.812 6.614 6.908 7.962 9.312 11.152 11.912 12.624 15.338
17 5.697 6.408 7.255 7.564 8.672 10.085 12.002 12.792 13.531 16.338
18 6.265 7.015 7.906 8.231 9.390 10.865 12.857 13.675 14.440 17.338
19 6.844 7.633 8.567 8.907 10.117 11.651 13.716 14.562 15.352 18.338
20 7.434 8.260 9.237 9.591 10.851 12.443 14.578 15.452 16.266 19.337
21 8.034 8.897 9.915 10.283 11.591 13.240 15.445 16.344 17.182 20.337
22 8.643 9.542 10.600 10.982 12.338 14.041 16.314 17.240 18.101 21.337
23 9.260 10.196 11.293 11.689 13.091 14.848 17.187 18.137 19.021 22.337
24 9.886 10.856 11.992 12.401 13.848 15.659 18.062 19.037 19.943 23.337
25 10.520 11.524 12.697 13.120 14.611 16.473 18.940 19.939 20.867 24.337
26 11.160 12.198 13.409 13.844 15.379 17.292 19.820 20.843 21.792 25.336
27 11.808 12.879 14.125 14.573 16.151 18.114 20.703 21.749 22.719 26.336
28 12.461 13.565 14.847 15.308 16.928 18.939 21.588 22.657 23.647 27.336
29 13.121 14.256 15.574 16.047 17.708 19.768 22.475 23.567 24.577 28.336
30 13.787 14.953 16.306 16.791 18.493 20.599 23.364 24.478 25.508 29.336
31 14.458 15.655 17.042 17.539 19.281 21.434 24.255 25.390 26.440 30.336
32 15.134 16.362 17.783 18.291 20.072 22.271 25.148 26.304 27.373 31.336
33 15.815 17.074 18.527 19.047 20.867 23.110 26.042 27.219 28.307 32.336
34 16.501 17.789 19.275 19.806 21.664 23.952 26.938 28.136 29.242 33.336
35 17.192 18.509 20.027 20.569 22.465 24.797 27.836 29.054 30.178 34.336
36 17.887 19.233 20.783 21.336 23.269 25.643 28.735 29.973 31.115 35.336
37 18.586 19.960 21.542 22.106 24.075 26.492 29.635 30.893 32.053 36.336
38 19.289 20.691 22.304 22.878 24.884 27.343 30.537 31.815 32.992 37.335
39 19.996 21.426 23.069 23.654 25.695 28.196 31.441 32.737 33.932 38.335
40 20.707 22.164 23.838 24.433 26.509 29.051 32.345 33.660 34.872 39.335
50 27.991 29.707 31.664 32.357 34.764 37.689 41.449 42.942 44.313 49.335
60 35.534 37.485 39.699 40.482 43.188 46.459 50.641 52.294 53.809 59.335



0.3 0.25 0.2 0.1 0.05 0.025 0.02 0.01 0.005 0.001
2 2.408 2.773 3.219 4.605 5.991 7.378 7.824 9.210 10.597 13.816
3 3.665 4.108 4.642 6.251 7.815 9.348 9.837 11.345 12.838 16.266
4 4.878 5.385 5.989 7.779 9.488 11.143 11.668 13.277 14.860 18.467
5 6.064 6.626 7.289 9.236 11.070 12.833 13.388 15.086 16.750 20.515
6 7.231 7.841 8.558 10.645 12.592 14.449 15.033 16.812 18.548 22.458
7 8.383 9.037 9.803 12.017 14.067 16.013 16.622 18.475 20.278 24.322
8 9.524 10.219 11.030 13.362 15.507 17.535 18.168 20.090 21.955 26.124
9 10.656 11.389 12.242 14.684 16.919 19.023 19.679 21.666 23.589 27.877
10 11.781 12.549 13.442 15.987 18.307 20.483 21.161 23.209 25.188 29.588
11 12.899 13.701 14.631 17.275 19.675 21.920 22.618 24.725 26.757 31.264
12 14.011 14.845 15.812 18.549 21.026 23.337 24.054 26.217 28.300 32.909
13 15.119 15.984 16.985 19.812 22.362 24.736 25.472 27.688 29.819 34.528
14 16.222 17.117 18.151 21.064 23.685 26.119 26.873 29.141 31.319 36.123
15 17.322 18.245 19.311 22.307 24.996 27.488 28.259 30.578 32.801 37.697
16 18.418 19.369 20.465 23.542 26.296 28.845 29.633 32.000 34.267 39.252
17 19.511 20.489 21.615 24.769 27.587 30.191 30.995 33.409 35.718 40.790
18 20.601 21.605 22.760 25.989 28.869 31.526 32.346 34.805 37.156 42.312
19 21.689 22.718 23.900 27.204 30.144 32.852 33.687 36.191 38.582 43.820
20 22.775 23.828 25.038 28.412 31.410 34.170 35.020 37.566 39.997 45.315
21 23.858 24.935 26.171 29.615 32.671 35.479 36.343 38.932 41.401 46.797
22 24.939 26.039 27.301 30.813 33.924 36.781 37.659 40.289 42.796 48.268
23 26.018 27.141 28.429 32.007 35.172 38.076 38.968 41.638 44.181 49.728
24 27.096 28.241 29.553 33.196 36.415 39.364 40.270 42.980 45.559 51.179
25 28.172 29.339 30.675 34.382 37.652 40.646 41.566 44.314 46.928 52.620
26 29.246 30.435 31.795 35.563 38.885 41.923 42.856 45.642 48.290 54.052
27 30.319 31.528 32.912 36.741 40.113 43.195 44.140 46.963 49.645 55.476
28 31.391 32.620 34.027 37.916 41.337 44.461 45.419 48.278 50.993 56.892
29 32.461 33.711 35.139 39.087 42.557 45.722 46.693 49.588 52.336 58.301
30 33.530 34.800 36.250 40.256 43.773 46.979 47.962 50.892 53.672 59.703
31 34.598 35.887 37.359 41.422 44.985 48.232 49.226 52.191 55.003 61.098
32 35.665 36.973 38.466 42.585 46.194 49.480 50.487 53.486 56.328 62.487
33 36.731 38.058 39.572 43.745 47.400 50.725 51.743 54.776 57.648 63.870
34 37.795 39.141 40.676 44.903 48.602 51.966 52.995 56.061 58.964 65.247
35 38.859 40.223 41.778 46.059 49.802 53.203 54.244 57.342 60.275 66.619
36 39.922 41.304 42.879 47.212 50.998 54.437 55.489 58.619 61.581 67.985
37 40.984 42.383 43.978 48.363 52.192 55.668 56.730 59.893 62.883 69.346
38 42.045 43.462 45.076 49.513 53.384 56.896 57.969 61.162 64.181 70.703
39 43.105 44.539 46.173 50.660 54.572 58.120 59.204 62.428 65.476 72.055
40 44.165 45.616 47.269 51.805 55.758 59.342 60.436 63.691 66.766 73.402
50 54.723 56.334 58.164 63.167 67.505 71.420 72.613 76.154 79.490 86.661
60 65.227 66.981 68.972 74.397 79.082 83.298 84.580 88.379 91.952 99.607

Lampiran 5 Tabel t
t


0.4 0.3 0.2 0.15 0.1 0.05 0.025
1 0.325 0.727 1.376 1.963 3.078 6.314 12.706
2 0.289 0.617 1.061 1.386 1.886 2.920 4.303
3 0.277 0.584 0.978 1.250 1.638 2.353 3.182
4 0.271 0.569 0.941 1.190 1.533 2.132 2.776
5 0.267 0.559 0.920 1.156 1.476 2.015 2.571
6 0.265 0.553 0.906 1.134 1.440 1.943 2.447
7 0.263 0.549 0.896 1.119 1.415 1.895 2.365
8 0.262 0.546 0.889 1.108 1.397 1.860 2.306
9 0.261 0.543 0.883 1.100 1.383 1.833 2.262
10 0.260 0.542 0.879 1.093 1.372 1.812 2.228
11 0.260 0.540 0.876 1.088 1.363 1.796 2.201
12 0.259 0.539 0.873 1.083 1.356 1.782 2.179
13 0.259 0.538 0.870 1.079 1.350 1.771 2.160
14 0.258 0.537 0.868 1.076 1.345 1.761 2.145
15 0.258 0.536 0.866 1.074 1.341 1.753 2.131
16 0.258 0.535 0.865 1.071 1.337 1.746 2.120
17 0.257 0.534 0.863 1.069 1.333 1.740 2.110
18 0.257 0.534 0.862 1.067 1.330 1.734 2.101
19 0.257 0.533 0.861 1.066 1.328 1.729 2.093
20 0.257 0.533 0.860 1.064 1.325 1.725 2.086
21 0.257 0.532 0.859 1.063 1.323 1.721 2.080
22 0.256 0.532 0.858 1.061 1.321 1.717 2.074
23 0.256 0.532 0.858 1.060 1.319 1.714 2.069
24 0.256 0.531 0.857 1.059 1.318 1.711 2.064
25 0.256 0.531 0.856 1.058 1.316 1.708 2.060
26 0.256 0.531 0.856 1.058 1.315 1.706 2.056
27 0.256 0.531 0.855 1.057 1.314 1.703 2.052
28 0.256 0.530 0.855 1.056 1.313 1.701 2.048
29 0.256 0.530 0.854 1.055 1.311 1.699 2.045
30 0.256 0.530 0.854 1.055 1.310 1.697 2.042
40 0.255 0.529 0.851 1.050 1.303 1.684 2.021
50 0.255 0.528 0.849 1.047 1.299 1.676 2.009
60 0.254 0.527 0.848 1.045 1.296 1.671 2.000
120 0.254 0.526 0.845 1.041 1.289 1.658 1.980



0.02 0.015 0.01 0.0075 0.005 0.0025 0.0005
1 15.895 21.205 31.821 42.433 63.657 127.321 636.619
2 4.849 5.643 6.965 8.073 9.925 14.089 31.599
3 3.482 3.896 4.541 5.047 5.841 7.453 12.924
4 2.999 3.298 3.747 4.088 4.604 5.598 8.610
5 2.757 3.003 3.365 3.634 4.032 4.773 6.869
6 2.612 2.829 3.143 3.372 3.707 4.317 5.959
7 2.517 2.715 2.998 3.203 3.499 4.029 5.408
8 2.449 2.634 2.896 3.085 3.355 3.833 5.041
9 2.398 2.574 2.821 2.998 3.250 3.690 4.781
10 2.359 2.527 2.764 2.932 3.169 3.581 4.587
11 2.328 2.491 2.718 2.879 3.106 3.497 4.437
12 2.303 2.461 2.681 2.836 3.055 3.428 4.318
13 2.282 2.436 2.650 2.801 3.012 3.372 4.221
14 2.264 2.415 2.624 2.771 2.977 3.326 4.140
15 2.249 2.397 2.602 2.746 2.947 3.286 4.073
16 2.235 2.382 2.583 2.724 2.921 3.252 4.015
17 2.224 2.368 2.567 2.706 2.898 3.222 3.965
18 2.214 2.356 2.552 2.689 2.878 3.197 3.922
19 2.205 2.346 2.539 2.674 2.861 3.174 3.883
20 2.197 2.336 2.528 2.661 2.845 3.153 3.850
21 2.189 2.328 2.518 2.649 2.831 3.135 3.819
22 2.183 2.320 2.508 2.639 2.819 3.119 3.792
23 2.177 2.313 2.500 2.629 2.807 3.104 3.768
24 2.172 2.307 2.492 2.620 2.797 3.091 3.745
25 2.167 2.301 2.485 2.612 2.787 3.078 3.725
26 2.162 2.296 2.479 2.605 2.779 3.067 3.707
27 2.158 2.291 2.473 2.598 2.771 3.057 3.690
28 2.154 2.286 2.467 2.592 2.763 3.047 3.674
29 2.150 2.282 2.462 2.586 2.756 3.038 3.659
30 2.147 2.278 2.457 2.581 2.750 3.030 3.646
40 2.123 2.250 2.423 2.542 2.704 2.971 3.551
50 2.109 2.234 2.403 2.519 2.678 2.937 3.496
60 2.099 2.223 2.390 2.504 2.660 2.915 3.460
120 2.076 2.196 2.358 2.468 2.617 2.860 3.373

Lampiran 6. Titik kritis tabel F
f
f 0.05 1 ,2 

2 1
1 2 3 4 5 6 7 8 9 10
2 18.513 19.000 19.164 19.247 19.296 19.330 19.353 19.371 19.385 19.396
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845 8.812 8.786
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041 5.999 5.964
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818 4.772 4.735
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147 4.099 4.060
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726 3.677 3.637
8 5.318 4.459 4.066 3.838 3.687 3.581 3.500 3.438 3.388 3.347
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230 3.179 3.137
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072 3.020 2.978
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948 2.896 2.854
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849 2.796 2.753
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767 2.714 2.671
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699 2.646 2.602
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641 2.588 2.544
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591 2.538 2.494
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548 2.494 2.450
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510 2.456 2.412
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477 2.423 2.378
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447 2.393 2.348
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420 2.366 2.321
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397 2.342 2.297
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375 2.320 2.275
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355 2.300 2.255
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337 2.282 2.236
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321 2.265 2.220
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305 2.250 2.204
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291 2.236 2.190
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278 2.223 2.177
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266 2.211 2.165
40 4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180 2.124 2.077
50 4.034 3.183 2.790 2.557 2.400 2.286 2.199 2.130 2.073 2.026
60 4.001 3.150 2.758 2.525 2.368 2.254 2.167 2.097 2.040 1.993
70 3.978 3.128 2.736 2.503 2.346 2.231 2.143 2.074 2.017 1.969
80 3.960 3.111 2.719 2.486 2.329 2.214 2.126 2.056 1.999 1.951
90 3.947 3.098 2.706 2.473 2.316 2.201 2.113 2.043 1.986 1.938

1
2
12 14 16 18 f 0.05 1 ,222
20
 24 26 28 30
2 19.413 19.424 19.433 19.440 19.446 19.450 19.454 19.457 19.460 19.462
3 8.745 8.715 8.692 8.675 8.660 8.648 8.639 8.630 8.623 8.617
4 5.912 5.873 5.844 5.821 5.803 5.787 5.774 5.763 5.754 5.746
5 4.678 4.636 4.604 4.579 4.558 4.541 4.527 4.515 4.505 4.496
6 4.000 3.956 3.922 3.896 3.874 3.856 3.841 3.829 3.818 3.808
7 3.575 3.529 3.494 3.467 3.445 3.426 3.410 3.397 3.386 3.376
8 3.284 3.237 3.202 3.173 3.150 3.131 3.115 3.102 3.090 3.079
9 3.073 3.025 2.989 2.960 2.936 2.917 2.900 2.886 2.874 2.864
10 2.913 2.865 2.828 2.798 2.774 2.754 2.737 2.723 2.710 2.700
11 2.788 2.739 2.701 2.671 2.646 2.626 2.609 2.594 2.582 2.570
12 2.687 2.637 2.599 2.568 2.544 2.523 2.505 2.491 2.478 2.466
13 2.604 2.554 2.515 2.484 2.459 2.438 2.420 2.405 2.392 2.380
14 2.534 2.484 2.445 2.413 2.388 2.367 2.349 2.333 2.320 2.308
15 2.475 2.424 2.385 2.353 2.328 2.306 2.288 2.272 2.259 2.247
16 2.425 2.373 2.333 2.302 2.276 2.254 2.235 2.220 2.206 2.194
17 2.381 2.329 2.289 2.257 2.230 2.208 2.190 2.174 2.160 2.148
18 2.342 2.290 2.250 2.217 2.191 2.168 2.150 2.134 2.119 2.107
19 2.308 2.256 2.215 2.182 2.155 2.133 2.114 2.098 2.084 2.071
20 2.278 2.225 2.184 2.151 2.124 2.102 2.082 2.066 2.052 2.039
21 2.250 2.197 2.156 2.123 2.096 2.073 2.054 2.037 2.023 2.010
22 2.226 2.173 2.131 2.098 2.071 2.048 2.028 2.012 1.997 1.984
23 2.204 2.150 2.109 2.075 2.048 2.025 2.005 1.988 1.973 1.961
24 2.183 2.130 2.088 2.054 2.027 2.003 1.984 1.967 1.952 1.939
25 2.165 2.111 2.069 2.035 2.007 1.984 1.964 1.947 1.932 1.919
26 2.148 2.094 2.052 2.018 1.990 1.966 1.946 1.929 1.914 1.901
27 2.132 2.078 2.036 2.002 1.974 1.950 1.930 1.913 1.898 1.884
28 2.118 2.064 2.021 1.987 1.959 1.935 1.915 1.897 1.882 1.869
29 2.104 2.050 2.007 1.973 1.945 1.921 1.901 1.883 1.868 1.854
30 2.092 2.037 1.995 1.960 1.932 1.908 1.887 1.870 1.854 1.841
40 2.003 1.948 1.904 1.868 1.839 1.814 1.793 1.775 1.759 1.744
50 1.952 1.895 1.850 1.814 1.784 1.759 1.737 1.718 1.702 1.687
60 1.917 1.860 1.815 1.778 1.748 1.722 1.700 1.681 1.664 1.649
70 1.893 1.836 1.790 1.753 1.722 1.696 1.674 1.654 1.637 1.622
80 1.875 1.817 1.772 1.734 1.703 1.677 1.654 1.634 1.617 1.602
90 1.861 1.803 1.757 1.720 1.688 1.662 1.639 1.619 1.601 1.586

Lampiran 7. Koefisien Shapiro-Wilk
n 2 3 4 5 6 7 8 9 10 11
a1 0.7071 0.7071 0.6872 0.6646 0.6431 0.6233 0.6052 0.5888 0.5739 0.5601
a2 0.1677 0.2413 0.2806 0.3031 0.3164 0.3244 0.3291 0.3315
a3 0.0875 0.1401 0.1743 0.1976 0.2141 0.226
a4 0.0561 0.0947 0.1224 0.1429
a5 0.0399 0.0695
n 12 13 14 15 16 17 18 19 20 21
a1 0.5475 0.5359 0.5251 0.515 0.5056 0.4968 0.4886 0.4808 0.4734 0.4643
a2 0.3325 0.3325 0.3318 0.3306 0.329 0.3273 0.3253 0.3232 0.3211 0.3185
a3 0.2347 0.2412 0.246 0.2495 0.2521 0.254 0.2553 0.2561 0.2565 0.2578
a4 0.1586 0.1707 0.1802 0.1878 0.1939 0.1988 0.2027 0.2059 0.2085 0.2119
a5 0.0922 0.1099 0.124 0.1353 0.1447 0.1524 0.1587 0.1641 0.1686 0.1736
a6 0.0303 0.0539 0.0727 0.088 0.1005 0.1109 0.1197 0.1271 0.1334 0.1399
a7 0.024 0.0433 0.0593 0.0725 0.0837 0.0932 0.1013 0.1092
a8 0.0196 0.0359 0.0496 0.0612 0.0711 0.0804
a9 0.0163 0.0303 0.0422 0.053
a10 0.014 0.0263
n 22 23 24 25 26 27 28 29 30 31
a1 0.459 0.4542 0.4493 0.445 0.4407 0.4366 0.4328 0.4291 0.4254 0.422
a2 0.3156 0.3126 0.3098 0.3069 0.3043 0.3018 0.2992 0.2968 0.2944 0.2921
a3 0.2571 0.2563 0.2554 0.2543 0.2533 0.2522 0.251 0.2499 0.2487 0.2475
a4 0.2131 0.2139 0.2145 0.2148 0.2151 0.2152 0.2151 0.215 0.2148 0.2145
a5 0.1764 0.1787 0.1807 0.1822 0.1836 0.1848 0.1857 0.1864 0.187 0.1874
a6 0.1443 0.148 0.1512 0.1539 0.1563 0.1584 0.1601 0.1616 0.163 0.1641
a7 0.115 0.1201 0.1245 0.1283 0.1316 0.1346 0.1372 0.1395 0.1415 0.1433
a8 0.0878 0.0941 0.0997 0.1046 0.1089 0.1128 0.1162 0.1192 0.1219 0.1243
a9 0.0618 0.0696 0.0764 0.0823 0.0876 0.0923 0.0965 0.1002 0.1036 0.1066
a10 0.0368 0.0459 0.0539 0.061 0.0672 0.0728 0.0778 0.0822 0.0862 0.0899
a11 0.0122 0.0228 0.0321 0.0403 0.0476 0.054 0.0598 0.065 0.0697 0.0739
a12 0.0107 0.02 0.0284 0.0358 0.0424 0.0483 0.0537 0.0585
a13 0.0094 0.0178 0.0253 0.032 0.0381 0.0435
a14 0.0084 0.0159 0.0227 0.0289
a15 0.0076 0.0144

n 32 33 34 35 36 37 38 39 40 41
a1 0.4188 0.4156 0.4127 0.4096 0.4068 0.404 0.4015 0.3989 0.3964 0.394
a2 0.2898 0.2876 0.2854 0.2834 0.2813 0.2794 0.2774 0.2755 0.2737 0.2719
a3 0.2463 0.2451 0.2439 0.2427 0.2415 0.2403 0.2391 0.238 0.2368 0.2357
a4 0.2141 0.2137 0.2132 0.2127 0.2121 0.2116 0.211 0.2104 0.2098 0.2091
a5 0.1878 0.188 0.1882 0.1883 0.1883 0.1883 0.1881 0.188 0.1878 0.1876
a6 0.1651 0.166 0.1667 0.1673 0.1678 0.1683 0.1686 0.1689 0.1691 0.1693
a7 0.1449 0.1463 0.1475 0.1487 0.1496 0.1505 0.1513 0.152 0.1526 0.1531
a8 0.1265 0.1284 0.1301 0.1317 0.1331 0.1344 0.1356 0.1366 0.1376 0.1384
a9 0.1093 0.1118 0.114 0.116 0.1179 0.1196 0.1211 0.1225 0.1237 0.1249
a10 0.0931 0.0961 0.0988 0.1013 0.1036 0.1056 0.1075 0.1092 0.1108 0.1123
a11 0.0777 0.0812 0.0844 0.0873 0.09 0.0924 0.0947 0.0967 0.0986 0.1004
a12 0.0629 0.0669 0.0706 0.0739 0.077 0.0798 0.0824 0.0848 0.087 0.0891
a13 0.0485 0.053 0.0572 0.061 0.0645 0.0677 0.0706 0.0733 0.0759 0.0782
a14 0.0344 0.0395 0.0441 0.0484 0.0523 0.0559 0.0592 0.0622 0.0651 0.0677
a15 0.0206 0.0262 0.0314 0.0361 0.0404 0.0444 0.0481 0.0515 0.0546 0.0575
a16 0.0068 0.0131 0.0187 0.0239 0.0287 0.0331 0.0372 0.0409 0.0444 0.0476
a17 0.0062 0.0119 0.0172 0.022 0.0264 0.0305 0.0343 0.0379
a18 0.0057 0.011 0.0158 0.0203 0.0244 0.0283
a19 0.0053 0.0101 0.0146 0.0188
a20 0.0049 0.0094

BIOGRAFI PENULIS
Akbar Nasrum lahir di Camba, 30 Maret 1988. Menempuh

pendidikan dasar di SD Negeri Inpres Cempaniga Kec. Camba
Kab. Maros Tahun 1998. Pindah ke Sultra dan menyelesaikan
pendidikannya di SD Negeri 1 Lalodipu pada tahun 2000.
Merupakan alumni dari MTs. N Kolaka 2003 dan SMAN 1
Kolaka 2006.
Karena keterbatasan dana, penulis menganggur selama dua tahun. Gelar

sarjana pendidikan diperoleh di Universitas Sembilanbelas November Kolaka
pada tahun 2012 sementara Magister Sains yang melekat pada namanya
diperoleh dari Institut Teknologi Bandung. Selama kuliah di Bandung pernah
menjadi asisten praktikum untuk mata kuliah analisis data selama dua
semester. Satu pengalaman yang luar biasa yang bisa didapatkan oleh seorang
anak daerah yang menempuh pendidikan di perguruan tinggi ternama di
Indonesia. Semua itu berkat jasa dari dosen walinya yang bernama Dr.
Udjianna S. Pasaribu dan semua dosen di Jurusan Matematika ITB.
Penulis merupakan dosen tetap di jurusan pendidikan Matematika

Universitas Sembilanbelas November Kolaka. Mata kuliah yang pernah
diampu adalah adalah analisis real, statistika terapan dan metode numerik.
Saat ini penulis lebih fokus melakukan penelitian dan pengembangan
pembelajaran di bidang statistik.

Uji N

Uji Normalitas Data Untuk Penelitian

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Uji Normalitas Data Untuk Penelitian

Diunggah oleh

Hak Cipta:

Format Tersedia

Uji Normalitas Data - 0

Uji Normalitas Data - i

Isi diluar tanggungjawab penerbit

Copyright ©2018 by Jayapangus Press

Perpustakaan Nasional Republik Indonesia

Uji Normalitas Data - ii

Tentang Sanksi Pelanggaran Undang-Undang No. 6 Tahun 1982

Barang siapa dengan sengaja dan tanpa hak mengumumkan atau

Barang siapa sengaja menyiarkan, memamerkan, mengedarkan,

Uji Normalitas Data - iii

Uji Normalitas Data - iv

Sejak pertama kali diberi amanah untuk membimbing

Uji Normalitas Data - v

Kolaka, Februari 2018

Uji Normalitas Data - vi

I. UJI NORMALITAS DATA .............................................................. 1

II. PDF DAN CDF .............................................................................. 11

III. Jenis-jenis Uji Normalitas Data ............................................... 29

IV. Penggunaan Software Matematika dalam Uji Normalitas . 79

Daftar Pustaka ................................................................................... 98

Uji Normalitas Data - vii

Kegunaan Uji Normalitas data

Uji Normalitas Data - 1

Untuk menaksir besarnya uang jajan mahasiswa perhari,

Uji Normalitas Data - 2

Uji Normalitas Data - 3

Gambar 1.1(a) menunjukkan bahwa data ini tidak normal.

Dari gambar 1.1(a) dapat dilihat bahwa rata-rata dari sampel

(a) Uji Normalitas dengan Kolmogorv-Smirnov

(b) Histogram Data Uang Jajan Mahasiswa

Uji Normalitas Data - 5

Gambar 1.2. Diagram Kotak-Garis

Perhatikan Box-Plot pada gambar 1.2. Simbol bintang yang

Uji Normalitas Data - 6

Gambar 1.3 (a) Diagram Kotak-Garis tanpa pencilan

Sangat jelas perbedaan data sebelum dan setelah datum

Gambar 1.3 (b) Histogram data tanpa pencilan

Histogram data berubah menjadi setangkup seperti bentuk

Gambar 1.4. Probability Plot tanpa pencilan

Melalui gambar Probability Plot di atas terlihat jelas bahwa

Uji Normalitas Data - 8

Perhatikan contoh berikut.

Uji Normalitas Data - 9

Nilai 65 diperoleh dari nilai rata-rata dikurang dua kali

Penjelasan tentang symbol P akan dijelaskan pada bab

Uji Normalitas Data - 10

Sebelum mempelajari lebih lanjut tentang uji normalitas data,

Uji Normalitas Data - 11

Fungsi peluang atau distribusi peluang yang banyak dikenal

Uji Normalitas Data - 12

Bentuk umum dari fungsi Normal adalah

dimana  adalah rerata yang merupakan parameter lokasi dan 

Pada gambar 2.2 dapat dilihat dua distribusi normal dengan

Uji Normalitas Data - 13

Sekarang perhatikan gambar 2.3. Dua distribusi normal ini

Selanjutnya perhatikan gambar 2.4. Dua kurva ini memiliki

Uji Normalitas Data - 14

Gambar 2.4 Kurva Normal dengan 1   2 dan  1   2

Uji Normalitas Data - 15

Luas daerah di bawah kurva Normal yang dibatasi oleh dua

Menghitung integral ini tidaklah mudah namun kita bisa

Distribusi Normal baku adalah distribusi normal dengan   0 dan

  1 . Oleh karena itu nilai x1 dan x2 berubah menjadi z1   x1    