UJI NORMALITAS DATA

Untuk menguji Normalitas data dapat digunakan 5 cara, yaitu:

1. GRAFIK
2. Kertas Peluang Normal
3. Uji X2
4. Uji Liliefors.
5. Uji Kolmogorov Smirnov
1. Uji Normalitas Data dengan Kertas Peluang Normal
Menurut Sudjana(1989) dalam statistika ternyata distribusi sering harus
diketahui bentuknya, misalnya populasi yang diselidiki berdistribusi normal, jika
asumsi tidak dipenuhi berarti populasinya tidak berdistribusi normal, maka
kesimpulan berdasarkan teori itu tidak berlaku. Khusus untuk penyelidikan apakah
populasi berdistribusi normal atau tidak, dihitung berdasarkan data sampel.
Data sampel yang telah diambil dari sebuah populasi, perlu disusun dalam
sebuah daftar distribusi frekuensi. Selanjutnya dibentuk daftar distribusi frekuensi
kumulatif relatifnya kurang dari, pembentukan daftar untuk ini diambil batas-batas
kelas interval. Frekuensi kumulatif relatif ini digambar pada kertas peluang normal.
Menurut Sudjana (1989: 151) jika letak titik-titik pada garis lurus atau hampir
pada garis lurus, maka disimpulkan.
a. Mengenai data itu sendiri.
Dikatakan bahwa data itu berdistribusi normal atau hampir berdistribusi
normal (atau dapat didekati oleh distribusi normal).
b. Mengenai populasi dari mana data sampel diambil.
Dikatakan bahwa populasi dari mana sampel diambil ternyata berdistribusi
normal atau hampir berdistribusi normal (atau dapat didekati oleh distribusi
normal. Jika letak titik-titik itu sangat menyimpang dari sekitarnya garis lurus,
maka disimpulkan bahwa data itu atau populasi dari mana sampel diambil
tidak berdistribusi normal.

Diketahui data tentang nilai matematika siswa pada tes sub sumatif di SMP N
Atasangin sebagai berikut :

1
 Nila N Nila Nila Nila
No i o i No i No i
1 8 11 7 21 6 31 8
2 3 12 7 22 7 32 8
3 9 13 5 23 7 33 8
4 4 14 5 24 7 34 9
5 9 15 5 25 3 35 9
6 4 16 6 26 7 36 10
7 4 17 6 27 4 37 10
8 10 18 6 28 6 38 7
9 8 19 6 29 5 39 5
10 5 20 6 30 3 40 4

1. Uji Normalitas Data dengan Menggunakan Kertas Peluang Normal.

Untuk menguji apakah data berdistribusi normal, terlebih dahulu disusun
tabel distribusi frekuensinya sebagai berikut.

No Interval Frekuensi
1 0–1 0
2 2–3 3
3 4–5 11
4 6–7 14
5 8–9 9
6 10 – 11 3
Jumlah 40

No Kurang dari f(%)

1 -0,5 0
2 1,5 0
3 3,5 7
4 5,5 35
5 7,5 62
6 9,5 92
7 11,5 100

2
Setelah itu gambar dalam kertas peluang Normal, dengan meletakkan batas-batas atas
pada sumbu datar dan sumbu tegak pada frekuensi yang sesuai. Cara ini sudah jarang
digunakan oleh para peneliti, karena sudah ada cara lain yang lebih cocok digunakan.
2. Menggunakan rumus Chi-Kuadrad ( X2)
k
(O i−E i )2
∑ Ei
Rumus untuk X2 menurut Sudjana (1989: 273) adalah X2 = i =1

Oi = frekuensi pegamatan ( frekuensi sesuai dengan data yang ada)

E i = frekuensi yang diharapkan
Kriteria pengujian digunakan distribusi chi kuadrat dengan dk = k-3, k adalah
banyaknya interval, dan taraf α.
H0: data berasal dari populasi yang berdistribusi normal
H1: data tidak berasal dari populasi yang berdistribusi normal.
Perhitungan:

fi xi fi. xi (xi - X )2 fi . (xi- X )2

 
0–1 0 0,5 0 34,81 0
2–3 3 2,5 7,5 15,21 45,63
4–5 11 4,5 49,5 3,61 39,71
6–7 14 6,5 91 0,01 0,14
8–9 9 8,5 76,5 4,41 39,69
10 – 11 3 10,5 31,5 16,81 50,43
Jumlah 40   256   175,6

f = frekuensi
xi = nilai tengah dari masing-masing interval

x=
∑ f i . x i =256 =6,4
n 40
2 ∑ f i .( x i −x )
2
175 ,6
s= = =
n−1 39
s=2 , 12 4,50
Selanjutnya dibuat tabel bantuan lagi sebagai berikut.
Batas 2
kelas Luas daerah  Luas  E(frek  O(frek (O−E )
(xi) Z kurva utk z interval harapan) amatan)   E
-0,5 -3,25 0,4994        
1,5 -2,31 0,4896 0,0098 0,392 0 0,39

3
 3,5 -1,37 0,4147 0,0749 2,996 3 0,00
5,5 -0,42 0,1628 0,2519 10,076 11 0,08
7,5 0,52 0,1985 0,3613 14,452 14 0,01
9,5 1,46 0,4279 0,2294 9,176 9 0,00
11,5 2,40 0,4918 0,0639 2,556 3 0,08
            0,57

Cara memperoleh tabel adalah sebagai berikut.

a) Batas atas disusun untuk setiap interval
x i −x
b) z dihitung dengan rumus s dimana xi adalah batas kelas
c) Luas daerah untuk z dicari dengan menggunakan tabel z. misal luas daerah untuk
z = 3,25 dilihat dari tabel adalah 0,4994
d) Luas untuk masing-masing interval dihitung dengan menyesuaikan pada kurva
normal, misal untuk interval - 3,25 - -2,31 adalah z untuk -3,25 dikurang z untuk -
2,31 yaitu 0,4994 – 0,4896 = 0,0098.
e) E (frekuensi harapan ) dihitung dengan cara mengalikan luas masing-masing interval
dengan banyaknya sample (40), misal frek harapan (E) untuk interval - 3,25 - -2,31
adalah 0,0098 x 40 = 0,392.
f) O (frekuensi teramati) adalah frekuensi data pada sampel yang ada.
g) X2 hitung adalah 0,57
h) X2 tabel dengan derajad kebebasan (dk) = (k -3)= (6-3) = 3 dimana k adalah
banyaknya kelas interval untuk taraf kepercayaan 95 % adalah 7,81
Kriteria: Terima Ho jika X2 hitung < X2 tabel.
Dari perhitungan yang telah dilakukan diperoleh X2 hitung < X2 tabel berarti H0
diterima. Jadi data berasal dari populasi yang berdistribusi normal.
3. Uji Kenormalan dengan uji Liliefors
Uji kenormalan secara nonparametrik dikenal dengan nama uji Liliefors. Akan diuji
hipotesis nol bahwa sampel tersebut berasal dari populasi berdistribusi normal melawan
hipotesis tandingan bahwa distribusi tidak normal.
Untuk pengujian hipotesis nol tersebut menurut Sudjana (1989:466) ditempuh prosedur
sebagai berikut.

4
 a. Pengamatan x1, x2, ... , xn dijadikan bilangan baku z1, z2, ... , zn dengan
x i−x
z i=
menggunakan rumus s , ( x dan s masing-masing merupakan rata-rata dan
simpangan baku sampel).
b. Untuk tiap bilangan baku ini dan menggunakan daftar distribusi normal baku,
kemudian dihitung peluang F(zi) = P(z≤zi).
c. Selanjutnya dihitung proporsi z1, z2, ... , zn yang lebih kecil atau sama dengan z1. Jika
proporsi ini dinyatakan oleh S(zi).
banyaknya ¿ , z2 ,. .. , z n yang≤z i
S ( z i )=
Maka n
d. Hitung selisih F(zi) - S(zi) kemudian tentukan harga mutlaknya.
e. Ambil harga yang paling besar di antara harga-harga mutlak selisih tersebut,
sebutlah harga terbesar ini adalah L0.
Kriteria.
Tolak hipotesis nol bahwa populasi berdistribusi normal jika L 0 yang diperoleh dari
pengamatan melebihi L dari daftar nilai kritis untuk uji Liliefors.

4. Uji Kenormalan dengan Kolmogorov Smirnov

Siegel (1994:59) mengatakan tes satu sampel Kolmogorov-Smirnov adalah suatu
tes goodness-of-fit, yang diperhatikan adalah tingkat kesesuaian antara distribusi harga
sampel dengan suatu distribusi teoretis tertentu. Tes ini menetapkan apakah skor-skor
dalam sampel dapat secara masuk akal dianggap berasal dari suatu populasi dengan
distribusi teoretis tertentu.
Misalkan F0(X) adalah suatu fungsi distribusi frekuensi kumulatif yang sepenuhnya
ditentukan, yakni distribusi kumulatif teoretis di bawah H 0. Artinya untuk harga N yang
sembarang besarnya, harga F0(X) adalah proporsi kasus yang diharapkan mempunyai skor
yang sama atau kurang dari X. S N(X) adalah distribusi frekuensi kumulatif yang diobservasi
dari suatu sampel random dengan N observasi, di mana X adalah sembarang skor yang
k
mungkin, S S N ( X )= dimana k sama dengan banyak observasi yang sama atau kurang
N
dari X.
Dibawah hipotesis nol bahwa sampel itu telah ditarik dari distribusi teoretis tertentu,
maka diharapkan bahwa untuk setiap harga X, S N(X) harus jelas mendekati F0(X). Menurur
Siegel (1994:59) tes kolmogorov Smirnov memusatkan perhatian pada

5
penyimpangan(deviasi) terbesar. Harga F0(X) – SN(X) terbesar dinamakan deviasi
maksimum.

D = maksimum │ F0(X) – SN(X)│

Langkah-langkah perhitungan tes Kolmogorov-Smirnov menurut Siegel (1994:62).

a. Tetapkan fungsi kumulatif teoretisnya, yakni distribusi kumulatif yang diharapkan di
bawah H0.
b. Aturlah skor-skor yang diobservasi dalam suatu distribusi kumulatif dengan
memasangkan setiap interval SN(X) dengan interval F0(X) yang sebanding.
c. Untuk tiap-tiap jenjang pada distribusi kumulatif, kurangilah F 0(X) dengan SN(X).
d. Dengan memakai rumus carilah D.
e. Lihatlah Tabel E untuk menemukan kemungkinan (dua sisi) yang dikaitkan dengan
munculnya harga-harga sebesar harga D observasi dibawah H 0. Jika p sama atau
kurang dari α, tolaklah H0.
Harga tabel Kolmogorof smirnov =0,2158 lebih dari 0,1004 jadi H o diterima.

NILAI KRITIS L UNTUK UJI LILIEFORS

Ukuran Taraf Nyata (α)

Sampel 0,01 0,05 0,10 0,15 0,20
n = 4 0,417 0,381 0,352 0,319 0,300
5 0,405 0,337 0,315 0,299 0,285
6 0,364 0,319 0,294 0,277 0,265
Sumber: 7 0,348 0,300 0,276 0,258 0,247 Sudjana.
Statistika 8 0,331 0,285 0,261 0,244 0,233 1989:467
9 0,311 0,271 0,249 0,233 0,233
10 0,294 0,256 0,239 0,224 0,215
11 0,284 0,249 0,230 0,217 0,206
12 0,275 0,242 0,223 0,212 0,199
13 0,268 0,234 0,214 0,202 0,190
14 0,261 0,227 0,207 0,194 0,183
15 0,257 0,220 0,201 0,187 0,177
16 0,250 0,213 0,195 0,182 0,173
17 0,245 0,206 0,289 0,177 0,169
18 0,239 0,200 0,184 0,173 0,166
19 0,235 0,195 0,179 0,169 0,163
20 0,231 0,190 0,174 0,166 0,160
25 0,200 0,173 0,158 0,147 0,142
30 0,187 0,161 0,144 0,136 0,131
n > 30 1,031 0,886 0,805 0,768 0,736
√n √n √n √n ¿ ¿
6
√n
Tabel E. Tabel Harga-harga Kritis D dalam Tes Satu Sampel Kolmogorov-Smirnov.

Ukuran Tingkat signifikansi untuk

Sampel D= maksimum │ F0(X) – SN(X)│
(N)
0,20 0,15 0,10 0,05 0,01
1 .900 .925 .950 .975 .995
2 .864 .726 .776 .842 .929
3 .565 .597 .642 .708 .828
4 .494 .525 .564 .624 .733
5 .446 .474 .510 .565 .609

6 .410 .436 .470 .521 .618

7 .381 .405 .438 .486 .577
8 .358 .381 .411 .457 .543
9 .339 .360 .388 .432 .514
10 .322 .342 .368 .410 .490

11 .307 .326 .352 .391 .468

12 .295 .313 .338 .375 .450
13 .254 .302 .325 .361 .433
14 .274 .292 .314 .349 .418
15 .266 .283 .304 .338 .404
Sumber: Siegel.
Statistik Non 16 .258 .274 .295 .328 .392 Parametrik
untuk Ilmu- 17 .250 .266 .286 .318 .381 Ilmu Sosial,
1994:303 18 .244 .259 .278 .309 .371
19 .237 .252 .272 .301 .363
20 .231 .246 .264 .294 .356

25 .21 .22 .24 .27 .32

30 .19 .20 .22 .24 .29
35 .18 .19 .21 .23 .27
Over 35 1.07 1.14 1.22 1.36 1.63
√N √N √N √N √N

CONTOH
Ujilah apakah populasi berdistribusi normal
Dari data sampel berikut

dat dat
No No No data
a a

7
 1 4 16 7 31 7
2 4 17 7 32 8
3 5 18 7
4 5 19 7
5 5 20 8
6 5 21 8
7 6 22 8
8 6 23 8
9 6 24 8
10 6 25 9
11 6 26 9
12 6 27 9
13 7 28 9
14 7 29 10
15 7 30 10