UJI PERSYARATAN

ANALISIS DATA
UJI NORMALITAS
PS D3-THP SV UNS
Semester Genap 2019/2020
 PENDAHULUAN
Pengujian persyaratan analisis dilakukan apabila peneliti
menggunakan analisis parametrik. Pengujian dilakukan
terhadap asumsi-asumsi berikut:
1. Untuk uji korelasi dan regresi: persyaratan yang harus
dipenuhi adalah uji normalitas dan uji linearitas data.
2. Untuk uji perbedaan (komparatif): persyaratan yang
harus dipenuhi adalah uji normalitas dan uji
homogenitas.
3. Apabila data skala ordinal diubah menjadi data
interval.
 UJI NORMALITAS
 Apakah sampel yang diambil berdistribusi normal atau
tidak.
 Karena berkaitan dengan ketepatan pemilihan uji
statistik yang akan dipergunakan.
 Uji parametrik mensyaratkan data harus berdistribusi
normal.
 Apabila data tidak berdistribusi normal, maka
disarankan menggunakan uji non parametrik.
 UJI NORMALITAS

• Kurva distribusi normal berbentuk lonceng (bell

shaped curve)
-1 0 +1
 UJI NORMALITAS

• Data lebih banyak di sekitar rata-rata (di tengah

kurva)
• Uji normalitas menggunakan uji Kolmogorov
Smirnov dan Shapiro Wilk.
• Dengan tingkat sig ≥ 0,05 data berdistribusi
normal.
MENGAPA DIPERLUKAN?
Untuk menentukan teknik statistika yang akan
digunakan?
• Data berdistribusi tidak normal  statistika non
parametrik (Korelasi Rank Spearman, Korelasi
Kendall)
• Data berdistribusi normal  statistika
parametrik (Korelasi Product Moment/Pearson,
Regresi)
BAGAIMANA CARANYA? ADA 3 CARA

• Dengan melihat hasil nilai skewness yang didapat

melalui statistik deskriptif (data dikatakan
berdistribusi normal jika nilai Skewness di antara:
(-1 ---- +1) atau (-2 --- +2)
• Kolmogorov-Smirnov dari menu Analyze > Descriptive
Statistics > Explore
• Kolmogorov-Smirnov dari menu Analyze > Non
parametric test > 1-sample K-S
Kolmogorov-Smirnov dari menu Analyze > Descriptive Statistics
> Explore
HASILNYA
Tests of Normali ty
a
Kolmogorov -Smirnov Shapiro-Wilk
Stat is tic df Sig. Stat is tic df Sig.
TOTALH SL .107 44 .200* .966 44 .372
*. This is a lower bound of t he t rue signif icance.
a. Lillief ors Signif ic ance Correct ion

Jika nilai Sig lebih besar dari 0,05 maka data berdistribusi
normal
Jika nilai Sig lebih kecil dari 0,05 maka data tidak
berdistribusi normal
CARA LAIN
HASILNYA
 Tests of Normal ity Descri ptive Stati sti cs
a
Kolmogorov -Smirnov Shapiro-Wilk N Skewness
Stat is tic df Sig. Stat is tic df Sig. Stat is tic Stat is tic Std. Error
TOTALH SL .107 44 .200* .966 44 .372 TOTALHSL 44 .686 .357
KINERJA .122 44 .101 .943 44 .048
KINERJA 46 -. 772 .350
MOTI VASI .163 44 .005 .889 44 .010**
MOTI VASI 46 -1.296 .350
IKLI M .144 44 .022 .943 44 .046
KOMITMEN .135 44 .042 .942 44 .043 IKLI M 46 -. 238 .350
KEPUASAN .124 44 .088 .946 44 .061 KOMITMEN 46 .026 .350
KEPEMIMP .108 44 .200* .930 44 .017 KEPUASAN 46 -. 611 .350
*. This is a lower bound of t he t rue signif icance. KEPEMIMP 46 -. 773 .350
**. This is an upper bound of t he t rue signif icance. Valid N (listwise) 44
a. Lillief ors Signif ic ance Correct ion

One-Sampl e Kolmogorov-Smirnov Test

TOTALHSL KINERJA MOTI VASI IKLI M KOMITMEN KEPUASAN KEPEMIMP

N 44 46 46 46 46 46 46
Normal Parametersa,b Mean 2641.43 39. 67 38. 72 41. 70 38. 17 37. 61 35. 46
Std. Dev iation 1014.71 3. 11 5. 46 5. 62 3. 84 4. 16 6. 60
Mos t Extreme Absolut e .107 .110 .143 .130 .132 .129 .098
Dif f erenc es Positiv e .107 .066 .125 .071 .132 .129 .074
Negativ e -. 043 -. 110 -. 143 -. 130 -. 096 -. 091 -. 098
Kolmogorov -Smirnov Z .711 .746 .972 .884 .897 .875 .665
Asy mp. Sig. (2-t ailed) .693 .634 .301 .416 .397 .429 .769
a. Tes t dis tribution is Normal.
b. Calculated f rom dat a.
 UJI NORMALITAS
• Untuk keperluan analisis selanjutnya, dalam
statistika induktif harus diketahui model
distribusinya
• Dalam uji hipotesis, diperlukan asumsi
distribusi gugus data, misalnya distribusi
normal
• Terdapat beberapa cara untuk menguji
normalitas suatu data
CARA UJI NORMALITAS
• Uji dengan kertas peluang
• Uji dengan distribusi Chi Kuadrat
• Persentase data untuk distribusi
normal
• Uji Normalitas Liliefors  khusus
untuk statistika non-Parametrik
 UJI DENGAN KERTAS PELUANG
• Data contoh yang diambil dari populasi disusun
dalam daftar distribusi frekuensi (Tabel Kiri)
• Kemudian, disusun distribusi kumulatif relatif
kurang dari (Tabel Kanan). Pembentukan daftar
diambil batas-batas kelas interval
• Selanjutnya, frekuensi kumulatif relatif
digambarkan pada kertas grafik khusus kertas
peluang normal atau kertas peluang (lihat contoh)
CONTOH :
Data tentang nilai UMPT
dari 230 orang peserta
telah dibuat daftar distribusi
frekuensi dan daftar
distribusi frekuensi
kumulatif relatif kurang dari,
seperti terlihat di bawah

Contoh kertas peluang

CONTOH ANALISIS
Distribusi frekuensi Distribusi frekuensi kumulatif
Data f relatif kurang dari
Data f (%)
10 – 19 8
Kurang dari 9,5 0
20 – 29 19
Kurang dari 19,5 3,48
30 – 39 25
Kurang dari 29,5 11,74
40 – 49 37
Kurang dari 39,5 22,61
50 – 59 58
Kurang dari 49,5 38,70
60 -69 42
Kurang dari 59,5 63,91
70 – 79 23 Kurang dari 69,5 82,17
80 – 89 12 Kurang dari 79,5 92,17
90 – 99 6 Kurang dari 89,5 97,5
Jumlah 230 Kurang dari 99,5 100
 MENGGAMBARKAN TABEL PADA KERTAS PELUANG

• Sumbu datar  skala batas-

batas atas, nilai 0,01 - 99%.
• Sumbu tegak  persen
kumulatif
• Gambarkan titik-titik yang
ditentukan oleh batas atas
dan frekuensi kumulatif
relatif
• Hasil  gambar
Titik-titik frekuensi kumulatif
INTERPRETASI GRAFIK
 Jika letak titik-titik pada garis lurus
atau hampir lurus, maka
 Data (sampel) : berdistribusi
normal atau hampir
berdistribusi normal
 Populasi : berdistribusi normal
atau hampir berdistribusi
normal
 Jika titik-titik tersebut sangat
menyimpang dari sekitar garis
lurus  tidak berdistribusi normal Titik-titik frekuensi kumulatif
Uji dengan Chi-Kuadrat
 Sebelum dilakukan pengujian, perlu dihitung dahulu frekuensi harapan (E =
Expected) dan frekuensi pengamatan (O=Observed)
 O diperoleh dari contoh pengamatan
 E diperoleh hasil kali n dengan peluang luas di bawah kurva normal untuk
interval yang bersangkutan
 Selanjunya gunakan rumus Chi Kuadrat dengan derajad bebas (db) = k - 3
dan taraf α
(O–E)2
χ² = ∑ -------------
E
 CONTOH
• Hasil pengukuran dan pengelompokan data terhadap tinggi 100 mahasiswa
secara acak adalah sebagai berikut :

Tinggi (cm) Frek Setelah dihitung, diperoleh X̃ =157,8 cm dan s = 8,09 cm.
140 – 144 7
Selanjutnya ditentukan batas untuk semua kelas interval.
145 – 149 10
Interval pertama dengan batas 139,5 dan 144,5 atau dalam
150 – 154 16
angka standard z adalah -2,26 dan -1,64. (Ingat, distribusi
155 – 159 23
normal baku Z = (x- μ)/σ)
160 – 164 21
165 – 169 17 Luas di bawah kurva normal untuk interval pertama yang
170 – 174 6 dibatasi z = -2,26 sampai -1,64 adalah P(-2,26 < Z < -1,64)
Jumlah 100 = 0,0505 – 0,0119 = 0,0386
Maka frekuensi harapan 100 x 0,0386 = 3,9
Hasil penghitungan semua interval  tabel
 TABEL FREKUENSI HARAPAN DAN PENGAMATAN

Batas kelas Z untuk batas Luas interval Frekuensi Frekuensi

kelas kelas harapan (E) pengamatan O

139,5 -2,26
144,5 -1,64 0,0386 3,9 7
149,5 -1,03 0,1010 10,1 10
154,5 -0,41 0,1894 18,9 16
159,5 0,21 0,2423 24,2 23
164,5 0,83 0,2135 21,4 21
169,5 1,45 0,1298 13,0 17
174,5 2,06 0,0538 5,4 6
BERDASARKAN RUMUS CHI-KUADRAT, didapatkan:
• χ² = (7-3,9)²/3,9 + …+ (6-5,4)²/5,4 = 4,27

• Karena jumlah kelas =7, maka db untuk

distribusi chi-kuadrat =7-3 =4
• Dari tabel χ²0,05(4) = 9,49 dan

χ²0,01(4) = 13,3

• Maka hipotesis tersebut berasal dari distribusi normal:

dapat diterima