Uji normalitas adalah uji statistik yang di gunakan untuk menguji apakah data yang di amati memiliki distribusi normal atau tidak. Uji normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak. Uji normalitas berguna untuk menentukan data yang telah di kumpulkan berdistribusi normal atau di ambil dari populasi normal. Berdasarkan pengalaman empiris beberapa statistik, data yang banyaknya lebih dari 30 angka ( n > 30 ), maka sudah dapat di asumsikan berdistribusi normal. Namun untuk memberikan kepastian sebaiknya di gunakan uji normalitas. Karena belum tentu data yang lebih dari 30 bisa di pastikan berdistribusi normal. B. Teknik pengujian Normalitas Data Uji Normalitas yang dapat digunakan diantaranya: 1. Chi Square (Uji Goodness of fit Distribution Normal) Metode Chi-Square atau uji goodness of fit distribution normal ini menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan. Persyaratan Metode Chi Square: a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi. b. Cocok untuk data dengan banyaknya angka besar ( n > 30 ) (𝒇𝟎−𝒇𝒉)𝟐 Rumus: x2 = ∑𝒌𝒊=𝟏 ( ) 𝒇𝒉
Ket: x2 = chi squer
F0 = frekuensi observasi fh = frekuensi yang diharapkan 2. Uji Kolmogorov Smirnov Adalah pengujian normalitas yang banyak dipakai, terutama setelah adanya banyak program statistik yang beredar. Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan presepsi diantara satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas dengan menggunakan grafik. Persyaratan metode ini yaitu: a. Data berskala intezrval atau ratio (kuantitatif) b. Data tunggal/ belum dikelompokkan pada tabel distribusi frekuensi c. Dapat untuk n besar maupun n kecil. Rumus: Keterangan : Xi = Angka pada data. Z = Transformasi dari angka ke notasi pada distribusi normal. FT = Probabilitas komulatif normal. FS = Probabilitas komulatif empiris. 3. 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 metode ini yaitu: a. Data berskala interval atau ratio (kuantitatif) b. Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi c. Dapat untuk n besar maupunn kecil.
𝒙𝟏−𝒙 Rumus: Zt = 𝒔
Ket: xi = data/ nilai
X = rata – rata S = standar deviasi
4. 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 metode ini yaitu: a. Data berskala interval atau ratio (kuantitatif) b. Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi c. Data dari sampel random 𝟏 Rumus: T3 = 𝑫 [ ∑𝑲 𝒊=𝟏 𝒂𝒊 (xn-i+1 - xi) ] 2
Ket: D = berdasarkan rumus di bawah
At = koefisient test shapiro wilk X a+i+1 = angka ke n-1+1 pada data X1 = angka ke i pada data Contoh soal: Sebuah sampel berukuran 7 diambil secara random dari suatu populasi. Keenam nilai dari sampel tersebut adalah sebagai berikut: 5 7 4 9 15 6 11. Dengan mengambil α = 5%, ujilah hipotesis yang mengatakan bahwa sampel tersebut berasal dari populasi berdistribusi normal.