PRAKTIKUM

STATISTIK INDUSTRI

DISUSUN OLEH:

NAMA : ASTRI SASMITA HARAHAP

NIM : 2203020

JUDUL BAB : UJI NORMALITAS DATA

TANGGAL : 21 JULI 2023

POLITEKNIK TEKNOLOGI KIMIA INDUSTRI MEDAN

BADAN PENGEMBANGAN SUMBER DAYA MANUSIA
INDUSTRI KEMENTERIAN PERINDUSTRIAN
2023
 BAB I
PENDAHULUAN

Tujuan Praktikum:
1. Untuk Mengetahui distribusi hubungan rating nilai dengan pelamar dan
keterangan menggunakan taraf signifikan
2. Untuk Mengetahui perbandingan distribusi dengan menggunakan variabel
mahasiswa dengan berat badan
3. Untuk distribusi hubungan dari skor dan siswa dan mengetahui perbandingan
dari kedua variabel tersebut
 BAB II
TINJAUAN PUSTAKA
Uji Normalitas Data
Uji normalitas data dapat dilakukan menggunakan berbagai metode statistik,
beberapa di antaranya telah disebutkan sebelumnya. Berikut ini adalah beberapa
metode yang sering digunakan untuk menguji normalitas data:
Histogram: Buatlah histogram dari data Anda dan periksa bentuknya. Jika
histogram menunjukkan distribusi simetris yang mirip dengan kurva normal (bell-
shaped curve), maka ini mengindikasikan adanya kemungkinan normalitas data.
Q-Q Plot: Quantile-Quantile plot (Q-Q plot) adalah grafik yang membandingkan
kuantil (nilai-nilai yang membagi data menjadi persentil tertentu) dari data dengan
kuantil yang diharapkan dari distribusi normal. Jika data berasal dari distribusi
normal, titik-titik pada Q-Q plot akan mengikuti garis lurus. (Hanan,2018).
1. Uji Kolmogorov-Smirnov: Uji Kolmogorov-Smirnov adalah uji statistik
yang digunakan untuk menguji kesesuaian data dengan distribusi tertentu.
Dalam konteks ini, Anda dapat menggunakannya untuk menguji apakah
data Anda berdistribusi normal atau tidak. Uji ini menghasilkan nilai p-
value, dan jika nilai p-value cukup besar (misalnya lebih besar dari 0,05),
maka data dianggap berdistribusi normal.
2. Uji Shapiro-Wilk: Uji Shapiro-Wilk adalah uji statistik lain yang digunakan
untuk menguji normalitas data. Uji ini juga menghasilkan nilai p-value, dan
jika nilai p-value cukup besar, maka data dianggap berdistribusi normal.
3. Uji Lilliefors: Uji Lilliefors merupakan variasi dari uji Kolmogorov-
Smirnov yang lebih cocok untuk sampel kecil.
4. Uji Anderson-Darling: Uji Anderson-Darling adalah uji statistik lain yang
sering digunakan untuk menguji normalitas data dengan lebih sensitif
terhadap ekor ekstrim.
5. Uji Jarque-Bera: Uji Jarque-Bera adalah uji yang menguji normalitas
berdasarkan skewness (kecondongan) dan kurtosis (keruncingan) data. Jika
data berdistribusi normal, skewness dan kurtosis data akan mendekati nol.
Pilihan metode uji normalitas dapat bergantung pada ukuran sampel, keakuratan
data, dan tujuan analisis. Penting untuk diingat bahwa uji normalitas bukanlah satu-
satunya aspek yang perlu dipertimbangkan dalam analisis statistik. Asumsi lain
seperti independensi data dan homoskedastisitas juga perlu diperhatikan dalam
pemilihan metode analisis yang tepat. Jika data tidak berdistribusi normal, Anda
dapat mempertimbangkan menggunakan metode statistik non-parametrik atau
melakukan transformasi data untuk memenuhi asumsi normalitas sebelum
melakukan analisis lanjutan. (Josep,2014).
Dalam melakukan uji normalitas, ada beberapa hal penting yang perlu Anda ketahui
dan dipahami untuk mendapatkan hasil yang akurat dan tepat. Berikut adalah hal-
hal yang perlu diperhatikan saat melakukan uji normalitas:
a. Asumsi Data: Pastikan bahwa data yang akan diuji merupakan data kontinu
atau interval, karena uji normalitas umumnya digunakan untuk data seperti
itu. Data kategorikal atau ordinal tidak cocok untuk uji normalitas.
b. Ukuran Sampel: Ukuran sampel dapat mempengaruhi hasil uji normalitas.
Semakin besar ukuran sampel, semakin akurat hasilnya. Namun, pada
sampel yang sangat besar, uji normalitas cenderung menemukan perbedaan
kecil dari distribusi normal yang sebenarnya.
c. Metode Uji Normalitas: Ada beberapa metode uji normalitas yang telah
disebutkan sebelumnya, seperti uji Kolmogorov-Smirnov, uji Shapiro-
Wilk, uji Anderson-Darling, dan uji Jarque-Bera. Pilihlah metode yang
sesuai dengan ukuran sampel dan karakteristik data Anda.
d. Nilai p-value: Hasil uji normalitas biasanya menghasilkan nilai p-value. P-
value menunjukkan sejauh mana data Anda sesuai dengan distribusi normal.
Semakin besar nilai p-value, semakin besar kemungkinan data berasal dari
distribusi normal. Nilai p-value yang kecil menunjukkan adanya bukti
bahwa data tidak mengikuti distribusi normal.
e. Level of Significance (alpha): Saat melakukan uji hipotesis, Anda harus
menentukan tingkat signifikansi atau alpha sebelumnya. Umumnya, tingkat
signifikansi yang umum digunakan adalah 0.05, yang berarti Anda
menerima hipotesis nol jika nilai p-value lebih besar dari 0.05. Namun,
Anda dapat memilih tingkat signifikansi yang berbeda tergantung pada
tingkat kepercayaan yang diinginkan.
 f. Interpretasi Hasil: Jangan melihat hanya pada nilai p-value saja.
Pertimbangkan juga grafik atau plot yang dibuat selama uji normalitas.
Misalnya, pada Q-Q plot, perhatikan sejauh mana titik-titik data mengikuti
garis lurus yang merupakan tanda distribusi normal. (Febriansyah,2013).
Jumlah dan Kesimpulan: Lakukan uji normalitas pada data Anda lebih dari sekali,
dengan metode yang berbeda jika diperlukan. Jangan hanya mengandalkan satu
hasil uji saja untuk membuat kesimpulan. Jika hasil uji menunjukkan bahwa data
tidak berdistribusi normal, pertimbangkan untuk menggunakan metode statistik
non-parametrik atau melakukan transformasi data sebelum melakukan analisis
lanjutan.
Dengan memperhatikan hal-hal di atas, Anda dapat melakukan uji normalitas
dengan lebih cermat dan mengambil keputusan yang tepat dalam analisis statistik
Anda. contoh di atas, kita membuat dua set data yaitu data_normal yang
berdistribusi normal dan data_tidak_normal yang tidak berdistribusi normal.
Kemudian, kita melakukan uji normalitas pada kedua set data tersebut
menggunakan uji Kolmogorov-Smirnov dan uji Shapiro-Wilk. (Yanti,2007).
Hasil dari contoh ini akan menunjukkan bahwa data pada data_normal memiliki
nilai p-value yang cukup besar (lebih besar dari alpha), sehingga data tersebut dapat
dianggap berdistribusi normal berdasarkan kedua uji normalitas. Sedangkan, data
pada data_tidak_normal memiliki nilai p-value yang kecil (kurang dari alpha),
sehingga data tersebut dianggap tidak berdistribusi normal berdasarkan kedua uji
normalitas.
Perlu diingat bahwa contoh ini hanya merupakan simulasi sederhana dan
menggunakan data yang relatif kecil. Dalam kasus nyata, Anda akan menerapkan
uji normalitas pada data yang sesuai dengan penelitian atau analisis statistik yang
sedang Anda lakukan. Selain itu, perlu mempertimbangkan metode uji normalitas
lainnya tergantung pada karakteristik data dan ukuran sampelnya.
Jika hasil uji menunjukkan bahwa data tidak berdistribusi normal, pertimbangkan
untuk menggunakan metode statistik non-parametrik atau melakukan transformasi
data sebelum melakukan analisis lanjutan. Dan terakhir dilakukan simulasi
sederhana untuk membandingkan nilai pada p-value yang bedistribusi normal dan
data yang tidak normal berdasarkan nilainya. (Teresa,2016).
 BAB III
PROSEDUR PRAKTIKUM
Latihan 1
1. Masuk ke aplikasi SPSS

2. Buatlah data pada variable view menggunakan data Rating test, Pekerja dan
keterangan
3. Klik data view kemudian masukkan data dengan variable masing-masing
4. Klik Analyze >> Compare Means >> Explore

5. Maka akan muncul tampilan:

6. kemudian masukkan kedua variable ke dalam kotak dependent List

7. kemudian pada Display klik plots dan akan muncul tampilan

8. Kemudian lik Normality plots with tests dan Continue >> OK
9. Setelah itu klik continue dan klik ok maka akan muncul output seperti ini
Latihan 2
1. Masuk ke aplikasi SPSS

2. Buatlah data pada variable view menggunakan data Mahasiswa dan Berat
badan
3. Klik data view kemudian masukkan data dengan variable masing-masing
4. Klik Analyze >> Compare Means >> Explore

5. Maka akan muncul tampilan:

6. kemudian masukkan kedua variable ke dalam kotak dependent List
7. kemudian pada Display klik plots dan akan muncul tampilan

8. Kemudian lik Normality plots with tests dan Continue >> OK

9. Setelah itu klik continue dan klik ok maka akan muncul output seperti ini:
Latihan 3
1. Masuk ke aplikasi SPSS

2. Buatlah data pada variable view menggunakan data siswa dan Skor
3. Klik data view kemudian masukkan data dengan variable masing-masing
4. Klik Analyze >> Compare Means >> Explore

5. Maka akan muncul tampilan:

6. kemudian masukkan kedua variable ke dalam kotak dependent List

7. kemudian pada Display klik plots dan akan muncul tampilan

8. Kemudian lik Normality plots with tests dan Continue >> OK
9. Setelah itu klik continue dan klik ok maka akan muncul output seperti ini:
 BAB IV
PEMBAHASAN
Dari latihan 1 dapat diketahui bahwa file informasinya adalah:
Berdasarkan output yang pertama menjelaskan bahwa pada variabel rating nilai data
yang terinput valid dengan jumlah data 32 data dan persentase nya 100%, kemudian
pada cases missing data yang tidak terinput 0 dengan persentase kehilangan data 0%,
dengan total dari dari data 20 dengan persentase 100%. Dan pada variabel pelamar
data yang terinput valid dengan jumlah data 32 data dan persentase nya 100%,
kemudian pada cases missing data yang tidak terinput 0 dengan persentase
kehilangan data 0%, dengan total dari dari data 32 dengan persentase 100%.
Dan pada variabel keterangan data yang terinput valid dengan jumlah data 32 data
dan persentase nya 100%, kemudian pada cases missing data yang tidak terinput 0
dengan persentase kehilangan data 0%, dengan total dari dari data 32 dengan
persentase 100%.
Kemudian pada output test of normality yang kita baca hanya kolmogorov-smimov
karena jumlah data > 30. Dan untuk variabel rating nilai dengan data statisticnya
0.175 dengan df 32 dan taraf signifikannya 0.014 dan akan kita bandingkan dengan
0.05, maka dapat disimpulkan 0.05>0.014 maka data yang berdistribusi tidak
normal.Dan untuk variabel pelamar dengan data statisticnya 0.354 dengan df 32 dan
taraf signifikan nya 0.000 maka akan kita bandingkan dengan taraf signifikan yang
kita pakai yaitu 0.05 dimana 0.05> 0.000 maka dapat disimpulkan data berdistribusi
tidak normal dan Dan untuk variabel keterangan dengan data statisticnya 0.264
dengan df 32 dan taraf signifikan nya 0.000 maka akan kita bandingkan dengan taraf
signifikan yang kita pakai yaitu 0.05 dimana 0.05> 0.000 maka dapat disimpulkan
data berdistribusi tidak normal kemudian akan kita bandingkan taraf signifikan
ketiga variabel dimana variabel rating nilai 0.014 pelamar 0.000 dan keterangan
0.000 dari hasil tersebut dapat disimpulkan ketiga variabel tidak sama berarti data
berdistribusi tidak normal
Dari latihan 2 dapat diketahui bahwa file informasinya adalah:

Berdasarkan output yang pertama menjelaskan bahwa pada Variabel Mahasiswa

nilai data yang terinput valid dengan jumlah data 27 data dan persentase nya 100%,
kemudian pada cases missing data yang tidak terinput 0 dengan persentase
kehilangan data 0%, dengan total dari dari data 27 dengan persentase 100%. Dan
pada variabel Berat badan yang terinput valid dengan jumlah data 27 data dan
persentase nya 100%, kemudian pada cases missing data yang tidak terinput 0
dengan persentase kehilangan data 0%, dengan total dari dari data 27 dengan
persentase 100%.
Kemudian pada output test of normality yang kita baca hanya Shapiro-wilk karena
jumlah data < 30. Dan untuk variabel mahasiswa dengan data statisticnya 0.958
dengan df 27 dan taraf signifikannya 0.334 dan akan kita bandingkan dengan 0.05,
maka dapat disimpulkan 0.05<0.334 maka data yang berdistribusi normal.Dan untuk
variabel berat badan dengan data statisticnya 0.888 dengan df 27 dan taraf signifikan
nya 0.007 maka akan kita bandingkan dengan taraf signifikan yang kita pakai yaitu
0.05 dimana 0.05> 0.007 maka dapat disimpulkan data berdistribusi tidak normal
dan kemudian akan kita bandingkan taraf signifikan kedua variabel dimana variabel
mahasiswa 0.334 dan berat badan 0.007 dari hasil tersebut dapat disimpulkan kedua
variabel tidak sama berarti data berdistribusi tidak normal
Dari latihan 3 dapat diketahui bahwa :

Berdasarkan output yang pertama menjelaskan bahwa pada variabel skor data yang
terinput valid dengan jumlah data 32 data dan persentase nya 100%, kemudian pada
cases missing data yang tidak terinput 0 dengan persentase kehilangan data 0%,
dengan total dari dari data 32 dengan persentase 100%. Dan pada variabel siswa data
yang terinput valid dengan jumlah data 32 data dan persentase nya 100%, kemudian
pada cases missing data yang tidak terinput 0 dengan persentase kehilangan data 0%,
dengan total dari dari data 32 dengan persentase 100%.
Kemudian pada output test of normality yang kita baca hanya kolmogorov-smimov
karena jumlah data > 30. Dan untuk variabel skor dengan data statisticnya 0.096
dengan df 32 dan taraf signifikannya 0.200 dan akan kita bandingkan dengan 0.05,
maka dapat disimpulkan 0.05<0.200 maka data yang berdistribusi normal.Dan untuk
variabel siswa dengan data statisticnya 0.069 dengan df 32 dan taraf signifikan nya
0.200 maka akan kita bandingkan dengan taraf signifikan yang kita pakai yaitu 0.05
dimana 0.05< 0.200 maka dapat disimpulkan data berdistribusi normal dan
kemudian akan kita bandingkan taraf signifikan kedua variabel dimana variabel skor
0.200 dan siswa 0.200 dari hasil tersebut dapat disimpulkan kedua variabel sama
berarti data berdistribusi normal

BAB V
KESIMPULAN
1. Berdasarkan hasil output latihan 1 untuk variabel rating nilai taraf signifikannya
0.014 dan akan kita bandingkan dengan 0.05, maka dapat disimpulkan
0.05>0.014 maka data yang berdistribusi tidak normal. untuk variabel pelamar
dengan taraf signifikan nya 0.000 maka akan kita bandingkan dengan taraf
signifikan yang kita pakai yaitu 0.05 dimana 0.05> 0.000 maka dapat
disimpulkan data berdistribusi tidak normal. Dan . untuk variabel keterangan
dengan taraf signifikan nya 0.000 maka akan kita bandingkan dengan taraf
signifikan yang kita pakai yaitu 0.05 dimana 0.05> 0.000 maka dapat
disimpulkan data berdistribusi tidak normal
2. Pada output pada latihan 2 kita bandingkan taraf signifikan kedua variabel
dimana variabel mahasiswa 0.334 dan berat badan 0.007 dari hasil tersebut dapat
disimpulkan kedua variabel tidak sama berarti data berdistribusi tidak normal
3. Berdasarkan hasil output pada latihan 3 untuk variabel skor dengan taraf
signifikannya 0.200 dan akan kita bandingkan dengan 0.05, maka dapat
 disimpulkan 0.05<0.200 maka data yang berdistribusi normal.Dan untuk
variabel siswa dengan taraf signifikan nya 0.200 maka akan kita bandingkan
dengan taraf signifikan yang kita pakai yaitu 0.05 dimana 0.05< 0.200 maka
dapat disimpulkan data berdistribusi normal dan kemudian akan kita bandingkan
taraf signifikan kedua variabel dimana variabel skor 0.200 dan siswa 0.200 dari
hasil tersebut dapat disimpulkan kedua variabel sama berarti data berdistribusi
normal

DAFTAR PUSTAKA
Febriansyah.2016.Pengantar ilmu statistik pada SPSS. Palembang: Jurnal
Universitas Sriwijaya.Vol.II.
Hanan.2018. Statistika Untuk Pemula Beserta Panduannya. Jakarta: Penerbit
Erlangga.
Josep.2007. Metode Penggunaan SPSS . Malang: Universitas Brawijaya
Teresa.2016. Pengantar Ilmu Statistik. Jakarta: Penerbit Salemba
Yanti.2007. Statistik Pada Matematika. Medan. Universitas Sumatera Utara