Materi Pertemuan Ke 11

Uji Normalitas

Pengertian Uji Normalitas Uji Normalitas adalah sebuah uji yang dilakukan dengan

tujuan untuk menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data

tersebut berdistribusi normal ataukah tidak. Berdasarkan pengalaman empiris beberapa pakar

statistik, data yang banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan

berdistribusi normal. Biasa dikatakan sebagai sampel besar. Namun untuk memberikan

kepastian, data yang dimiliki berdistribusi normal atau tidak, sebaiknya digunakan uji normalitas.

Karena belum tentu data yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian

sebaliknya data yang banyaknya kurang dari 30 belum tentu tidak berdistribusi normal

Macam-macam Uji Normalitas Uji normalitas yang dapat digunakan diantaranya:

1. uji grafik

2. Chi-Square

3. Kolmogorov Smirnov,

4. Lilliefors

5. Shapiro Wilk
 Uji Grafik

•Uji metode grafik adalah dengan memperhatikan penyebaran data pada sumber diagonal

pada grafik normal P-P Plot of Regression Standardized Residual.

•Data dinyatakan berdistribusi normal apabila sebaran titik-titik berada disekitar garis dan

mengikuti garis diagonal maka nilai tersebut normal

Metode Chi-Square (Uji Goodness of fit Distribusi Normal)

Metode Chi-Square atau 𝑋 2 untuk Uji Goodness of fit Distribusi Normal menggunakan

pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.

Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)

• Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.

• Cocok untuk data dengan banyaknya angka besar (n>30)

Metode Lilliefors

Metode Lilliefors menggunakan data dasar yang belum diolah dalam tabel distribusi

frekuensi. Data ditransformasikan dalam nilai Z untuk dapat dihitung luasan kurva normal

sebagai probabilitas komulatif normal PERSYARATAN

• Data berskala interval atau ratio (kuantitatif)

• Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi

 • Dapat untuk n besar maupunn kecil

Metode Kolmogorov-Smirnov

Metode Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors. Langkah-

langkah Penyelesaian dan penggunaan rumus sama,namun pada signifikansi yang berbeda.

Signifikansi Metode Kolmogorov-Smirnov menggunakan tabel pembanding Kolmogorov-

Smirnov, sedangkan Metode Lilliefors menggunakan tabel pembanding metode Lilliefors.

PERSYARATAN

• Data berskala interval atau ratio (kuantitatif)

• Data tunggal/ belum dikelompokkan pada tabel distribusi frekuensi

• Dapat untuk n besar maupun n kecil.

Metode Shapiro Wilk

Metode Shapiro Wilk menggunakan data dasar yang belum diolah dalam tabel distribusi

frekuensi. Data diurut,kemudian dibagi dalam dua kelompok untuk dikonversi dalam Shapiro

Wilk. Dapat juga dilanjutkan transformasi dalam nilai Z untuk dapat dihitung luasan kurva

normal PERSYARATAN

• Data berskala interval atau ratio (kuantitatif)

• Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi

 • Data dari sampel random

Uji Normalitas Metode Kolmogorov Smirnov

Pengertian

• Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak dipakai,

terutama setelah adanya banyak program statistik yang beredar.

• Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di

antara satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas dengan

menggunakan grafik.

• Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan

distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku.

• Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-

Score dan diasumsikan normal.

• Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang diuji

normalitasnya dengan data normal baku.

Catatan:

Ingat dalam statistic hanya ada dua macam uji, yaitu:

1. Uji beda

2. Uji hubungan
Kapan menggunakan uji beda atau uji hubungan?

Perhatikan contoh berikut.

1. Contoh uji beda:

a. Perbedaan kemampuan nilai matematika IPA 1 dan IPA 2

b. Perbedaan Kemampuan berfikir kritis IPA 1 dan IPA 2

c. Perbedaan cara belajar IPA 1 dan IPA 2

2. Contoh uji hubungan

a. Hubungan lama jam belajar dan nilai ujian

b. Hubungan kemmapuan materi turunan dan kemampuan materi integral

c. Hubungan kemampuan mengolah data statistika dan kemmapuan melakukan

penelitian.

Sekarang perhatikan:

Yang boleh di uji beda adalah dua hal yang sama? Sama sama nilai

matematika, tapi yang ditanya bedanya nilai matematika IPA 1 dan IPA 2.

Lalu yang diuji hubungan apa? Yang diuji hubungan adalah dua hal yang

berebda. Contoh hubungan lama jam belajar dan nilai matematik.

Kenapa tidak boleh diuji beda kalimat “lama jam belajar dan nilai ujian?”

karena tanpa melakukan penelitian kita jelas tahu bahwa lama jam belajar dan

nilai matematika jelas dua hal yang berbeda, maka uji yang cocok adalah uji

hubunga.
Lalu jika ditanya “laki laki” dan “perempuan” ujinya uji beda atau uji

hubungan?

Jawabnya pasti jelas uji hubungan. Kenapa? Karena yang boleh diuji beda

adalah dua hal yang sama.

Statisk mengajarkan kita untuk tidak pernah mencari perbedaan antara laki

laki dan perempuan.

• Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat

perbedaan yang signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi

perbedaan yang signifikan.

• Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di

bawah 0,05 berarti data yang akan diuji mempunyai perbedaan yang

signifikan dengan data normal baku, berarti data tersebut tidak normal.

Nilai signifikan pada kalimat diatas disimbolkan dengan huruf “p” yang

berarti probability atau peluang.

 • kelemahan dari Uji Kolmogorov Smirnov, yaitu bahwa jika kesimpulan kita

memberikan hasil yang tidak normal, maka kita tidak bisa menentukan

transformasi seperti apa yang harus kita gunakan untuk normalisasi.

• Jadi ya kalau tidak normal, gunakan plot grafik untuk melihat menceng ke

kanan atau ke kiri, atau menggunakan Skewness dan Kurtosis sehingga dapat

ditentukan transformasi seperti apa yang paling tepat dipergunakan.

Perhatikan contoh berikut.

Dicontoh berikut diberikan sebuah data penelitian, kita ingin mengetahui apakah data berikut

berdistribusi normal atau tidak?, dari banyak metode uji normalitas yang dapat diguanakan.

Untuk kali ini kita pilih metode Kolmogorov smirnov

Cara menghitungn rata rata dan simpangan baku, silahkan dicek dengan cara yang sudah kita

pelajari.
Nomer 1

1. Buat Hipotesis

H0 : Data berasal dari populasi berditribusi normal

H1 : data beradal dari populasi berdistribusi tidak normal

Catatan:

Hipotesis adalah dugaan sementara terhadap jawaban penelitian.

Dalam uji statistic ada dua macam hipotesis H0 dan H1.

H0 adalah hipotesis yang dianggap salah oleh peneliti

H1 adalah hipotesis yang dianggap benar oleh peneliti

Karena kita mau melakukan uji normalitas, ingin mengetahui apakah datanya berdistribusi

normal atau tidak, maka yang kita anggap atau kita duga benar (yang bertindak sebagai H1)
adalah data berdistribusi tidak normal. Mengapa? Ingat penjelasan sebelumnya, bahwa

distribusi data itu ada banyak sekali, bias normal, poisson , binomial atau masih banyak

distribusi lain. Jadi logikanya kalau kita ambil data untuk penelitian dan datanya acak

kemungkinan berdistribusi normal kecil kan. Sehingga yang kita anggap benar atau yang kita

letakan sebagai H1 adalah data berdistribusi tidak normal

Gunakan bantuan excel untuk mempermudah perhitungan diatas. Cara menghitung

standardeviasi supaya cepat gunakan excel. Silahkan searching cara mencari standardeviasi

dengan excel supaya lebih cepat.

Cara mencari nilai Ft(xi) gunakan Microsoft excel. Perhatikan cara berikut. Ingat nilai koma

pada excel berbeda beda, ada yang menggunakan symbol titik ada yang menggunakan symbol
koma, silahkan dicoba di lapotop masing masing. Adapun symbol di laptop saya koma

disimbolkan dengan titik.

Kemudian enter dan tarik. Sehingga diperoleh nilai Ft(xi) sebagai berikut
Nilai Fs(xi) diperoleh dari nilai fkum dibagi total data. Atau rumusnya bisa ditulis
 f kum
Fs(xi) =
15

D maksimum didapat dengan memilih nilai terbesar pada kolom paling akhir.

Langkah selanjtnya melihat tabel Kolmogorov smirnov. Disingkat tabel KS. Kenapa α yang kita

gunakan 0.05? karena sudap disepakati bahwa peluang salah pada bidang pendidikan yang

diijinkan adalah 0,05. Maka α = 0,05. Dan banyak data atau n = 15.

Diperoleh nilai tabel Kolmogorov smirnovnya sebagai berikut.

Nilai tabel KS 0.33760

Tabel lengkap lihat di https://www.real-statistics.com/statistics-tables/kolmogorov-smirnov-

table/

cara melihat tabel. Pada baris paling atas pilih α = 0,05 kemudian n adalah banyak data , n kita

15. Sehingga ditemukan nilai tabelnya 0,33760.

Cara mengambil kesimpulan

Jika D hitung < nilai tabel terima H0

Jika D hitung ≥ nilai tabel tolak H0 terima H1

Diketahui

Dhitung = 0,16643

Nilai tabel = 0,33760

Jadi Jika D hitung < nilai tabel tolak Ho terima H1

Kesimpulanya terima H1

Ingat hipotesis 0 kita

Yaitu Data berasal dari populasi berdistribsi normal.

Langkah-langkah prinsip uji Kolmogorov-Smirnov ialah sebagai berikut:

1. Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari nilai terkecil sampai nilai

terbesar. Kemudian susun frekuensi kumulatif dari nilai-nilai teramati itu.

2. Konversikan frekuensi kumulatif itu ke dalam probabilitas, yaitu ke dalam fungsi distribusi

frekuensi kumulatif [S(x)]. Sekali lagi ingat bahwa, distribusi frekuensi teramati harus

merupakan hasil pengukuran variabel paling sedikit dalam skala ordinal (tidak bisa dalam

skala nominal). Ingat nominal adalah data simbol

3. Hitung nilai z untuk masing-masing nilai teramati di atas dengan rumus z=(xi–x) /s. dengan

mengacu kepada tabel distribusi normal baku (tabel B), carilah probabilitas (luas area)

kumulatif untuk setiap nilai teramati. Hasilnya ialah sebagai Fo(xi).

4. Susun Fs(x) berdampingan dengan Fo(x). hitung selisih absolut antara S(x) dan Fo(x) pada

masing-masing nilai teramati.

5. .Statistik uji Kolmogorov-Smirnov ialah selisih absolut terbesar Fs(xi) dan Ft(xi) yang juga

disebut deviasi maksimum D

6. Dengan mengacu pada distribusi pencuplikan kita bisa mengetahui apakah perbedaan

sebesar itu (yaitu nilai D maksimum teramati) terjadi hanya karena kebetulan. Dengan

mengacu pada tabel D, kita lihat berapa probabilitas (dua sisi) kejadian untuk menemukan

nilai-nilai teramati sebesar D, bila Ho benar. Jika probabilitas itu sama atau lebih kecil dari

a, maka Ho ditolak