BAB I

PENDAHULUAN

A. Latar Belakang
Uji normalitas dan uji uji homogenitas adalah dua konsep statistik
yang memiliki peran krusial dalam analisis data. Dalam era informasi digital
dan teknologi, penelitian multidisiplin terus berkembang pesat, dan analisis
data statistik menjadi semakin penting untuk mendukung pengambilan
keputusan yang tepat. Dalam konteks ini, uji normalitas dan uji homogenitas
muncul sebagai alat yang sangat relevan dan diperlukan dalam mengevaluasi
kecocokan data dengan berbagai model statistik. Oleh karena itu, pemahaman
yang mendalam tentang konsep-konsep ini adalah aspek yang esensial bagi
para peneliti di berbagai bidang ilmu.
Uji normalitas merujuk pada pengujian apakah suatu set data
mengikuti distribusi normal atau mendekati distribusi normal. Distribusi
normal, yang juga dikenal sebagai distribusi Gauss, memiliki karakteristik
tertentu yang membuatnya sangat berguna dalam statistik. Keberadaan asumsi
distribusi normal atau mendekati distribusi normal sangat penting dalam
sejumlah analisis statistik, seperti uji t, analisis varians (ANOVA), regresi
linear, dan banyak lainnya. Sebagai hasilnya, ketika data tidak memenuhi
asumsi ini, kesimpulan statistik dapat menjadi bias atau tidak valid. Oleh
karena itu, uji normalitas menjadi langkah awal yang kritis dalam analisis data
statistik.
Uji homogenitas atau homoskedastisitas, sebaliknya, menguji apakah
variasi data adalah seragam atau homogen di antara kelompok atau perlakuan
yang berbeda. Dalam banyak kasus, analisis statistik seperti uji ANOVA, uji
regresi, atau uji chi-kuadrat, mengasumsikan uji homogenitas varians. Jika
asumsi ini dilanggar, hasil analisis dapat menjadi tidak akurat. Oleh karena itu,
uji homogenitas membantu memastikan bahwa data yang digunakan dalam
analisis memiliki variasi yang seragam di seluruh kelompok atau perlakuan.
Dalam konteks penelitian ilmiah, penggunaan uji normalitas dan uji
homogenitas telah menjadi bagian integral dari proses analisis data. Tanpa
 pemahaman yang baik tentang kedua konsep ini, risiko membuat kesalahan
interpretasi dan kesimpulan yang salah dalam penelitian adalah sangat besar.
Oleh karena itu, penting untuk menjelajahi dan memahami teknik-teknik uji
normalitas dan uji homogenitas, serta implikasi praktis dari hasil-hasilnya.
Dalam makalah ini, kita akan menjelajahi lebih lanjut tentang alasan
mengapa uji normalitas dan uji homogenitas menjadi begitu penting dalam
analisis data statistik, metode-metode yang biasanya digunakan untuk
melakukan uji ini, serta bagaimana menginterpretasikan hasil-hasilnya.
Pengetahuan tentang topik ini akan membantu para peneliti membuat
keputusan yang lebih tepat berdasarkan data dan menghasilkan temuan yang
lebih kuat dalam penelitian multidisiplin yang terus berkembang.
B. Rumusan Masalah
1. Apa pengertian uji normalitas dalam analisis statistik, dan mengapa
penting untuk memahami konsep ini?
2. Apa jenis-jenis uji normalitas yang umum digunakan dalam praktik
statistik, serta karakteristik masing-masing jenis uji tersebut?
3. Apa pengertian uji homogenitas varians dalam analisis statistik, dan
mengapa penting dalam konteks perbandingan kelompok atau perlakuan?
4. Apa jenis-jenis uji homogenitas varians yang sering digunakan dalam
penelitian, dan bagaimana perbedaan karakteristik dan kegunaannya?
C. Tujuan Penulisan
1. Untuk memberikan pemahaman yang mendalam tentang konsep uji
normalitas dalam analisis statistik, serta pentingnya memahami dan
menerapkan konsep ini dalam praktik statistik.
2. Untuk menjelaskan berbagai jenis uji normalitas yang umum digunakan
dalam penelitian statistik dan karakteristik masing-masing jenis uji
tersebut.
3. Untuk memberikan pemahaman yang kuat tentang konsep uji homogenitas
varians dalam analisis statistik dan mengapa penting dalam konteks
perbandingan kelompok atau perlakuan.
 4. Untuk menjelaskan berbagai jenis uji homogenitas varians yang sering
digunakan dalam penelitian dan bagaimana perbedaan karakteristik dan
kegunaannya.

BAB II
PEMBAHASAN

A. Uji Normalitas
Uji normalitas adalah suatu prosedur yang digunakan untuk
mengetahui apakah data berasal dari populasi yang terdistribusi normal atau
berada dalam sebaran normal.Distribusi normal adalah distribusi simetris
dengan modus, mean dan median berada dipusat. Distribusi normal diartikan
sebagai sebuah distribusi tertentu yang memiliki karakteristik berbentuk
seperti lonceng jika dibentuk menjadi sebuah histogram sepertipada Gambar

di bawah ini.
Distribusi normal merupakan salah satu distribusi yang paling penting
kita akan hadapi. Ada beberapa alasan untuk ini:
1. Banyak variabel dependen, umumnya diasumsikan terdistribusi secara
normal dalam populasi. Artinya, kita sering berasumsi bahwa jika kita
mendapatkan seluruh populasi pengamatan, distribusi yang dihasilkan
akan sangat mirip dengan distribusi normal.
2. Jika kita dapat mengasumsikan bahwa variabel setidaknya mendekati
terdistribusi normal, maka teknik ini memungkinkan kita untuk membuat
sejumlah kesimpulan (baik yang tepat atau perkiraan) tentangnilai-nilai
variabel itu.
3. Menguji normalitas data kerapkali disertakan dalam suatu analisis
 statistika inferensial untuk satu atau lebih kelompok sampel. Normalitas
sebaran data menjadi sebuah asumsi yang menjadi syarat untuk
menentukan jenis statistik apa yang dipakai dalam penganalisaan
selanjutnya
Uji normalitas biasanya digunakan untuk mengukur data berskala
ordinal, interval, ataupun rasio. Jika analisis menggunakan metode
parametrik, maka persyaratan normalitas harus terpenuhi yaitu data berasal
dari distribusi yang normal. Jika data tidak berdistribusi normal, atau jumlah
sampel sedikit dan jenis data adalah nominal atau ordinal maka metode yang
digunakan adalah statistik non parametrik.
Uji normalitas digunakan untuk mengetahui apakah data yang
diperoleh terdistribusi normal atau tidak. Dasar pengambilan keputusan
adalah jika nilai Lhitung> Ltabel maka H0 ditolak, dan jika nilai Lhitung<
Ltabel maka H0 diterima (Murwani, 2001:20). Hipotesis statistik yang
digunakan:
H0 : sampel berdistribusi normal
H1 : sampel data berdistribusi tidak normal
Meskipun demikian, apabila sebaran data suatu penelitian yang
mengungkapkan kemampuan siswa ternyata diketahui tidak normal hal itu
bukan berarti harus berhenti penelitian itu sebab masih ada fasilitas statistik
nonparametrik yang dapat dipergunakan apabila data tadi tidak berdistribusi
normal.
Ada beberapa cara yang dapat dilakukan dalam analisis normalitas
data yaitu uji chi square, Liliefors, kolmogorof-smirnov, dan sebagainya.
Dalam makalah ini akan dijelaskan lebih lanjut uji normalitas dengan
menggunakan uji chi square, Liliefors, kolmogorof-smirnov sebagai berikut.
a. Uji Chi – Square
Distribusi Chi-Square sangat berguna sebagai kriteria untuk
pengujian hipotesis mengenai varians dan juga untuk uji ketepatan
penerapan suatu fungsi (test goodness of fit) apabila digunakan untuk data
hasil observasi atau data empiris. (Supranto, 2008 : 65)
Syarat Uji Chi-Square dalam Uji Normalitas
Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)
a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi
frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.

Signifikansi:
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-
Square).
Jika nilai X2 hitung < nilai X2 tabel, maka Ho diterima ; Ha ditolak.
Jika nilai X2 hitung > nilai X2 tabel, maka maka Ho ditolak ; Ha diterima

Hipotesis:
H 0:Tidak ada perbedaan distribusi frekuensi populasi
H 1: Ada perbedaan distribusi frekuensi populasi
Pengujian:
2
k
( Oi −Ei )
χ =∑
2

i=1 Ei
Dimana:
Oi=¿ Frekuensi observasi/pengamatan ke-i,
Ei =¿ Frekuensi harapan ke i
k =¿ Jumlah kelas/kelompok
Uji statistik ini menghitung jumlah kuadrat selisih antara frekuensi
harapan dengan frekuensi pengamatan, jika frekuensi pengamatan dan
frekuensi harapan pada setiap sel pada tabel kontingensi tersebut akan
bernilai sama sehingga nilai untuk tabel tersebut adalah nol. Nilai χ 2 yang
kecil menunjukkan kesesuaian yang tinggi antara frekuensi pengamatan
dan frekuensi harapan, dan semakin besar nilai χ 2menunjukkan ketidak
sesuaian antara pengamatan dengan frekuensi harapan, yang berarti
tertolaknya H 0. Maksudnya H 0 ditolak jika χ 2hit . > χ 2α dengan derajat
bebas(db) yaitu db=k −1
Untuk data kelompok derajat kebebasannya yaitu db=k −3. Untuk
menghitung frekuensi ekspektasinya maka Ei =P i . N , Pi adalah peluang
yang dilihat dari Z tabel. Cara menghitungnya yaitu
Pi=Z tabel padatepi bawah−Z tabel pada tepi atas .
Contoh :
Ujikan normal atau tidak data pengukuran terhadap tinggi mahasiswa
tingkat pertama dilakukan dan diambil sebuah sampel acak berukuran 100
berikut dengan metode chi-square?
Daftar Tinggi 100 Mahasiswa
Tinggi (cm) f
140 – 144 7
145 – 149 10
150 – 154 16
155 – 159 23
160 – 164 21
165 – 169 17
170 – 174 6
Jumlah 100
Penyelesaian:
Setelah dihitung x=157 , 8 dan S=8 , 09. Selanjutnya tentukan batas-batas
x i−x
kelas dan cari nilai Zi = kemudian lihat Z tabel. Dari Z tabel pada tepi
s
atas dan bawah didapat peluang kelas ke-i dan frekuensi ekspektasinya
dihitung dengan cara mengalikan peluang kelas dengan jumlah frekuensi.
Daftar Frekuensi Ekspektasi dan Observasi

x i−x Frekuensi Frekuensi

Batas
Zi = Z tabel Ekspektasi ( Observasi (
Kelas ( x i ¿ s Ei ¿ Oi ¿
139,5 −2 , 26
144,5 −1 , 64 0,0386 3,9 7
149,4 −1 , 03 0,1010 10,1 10
154,5 −0 , 41 0,1894 16,9 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
2 2 2 2 2 2
2 (7−3 , 9) (10−10 , 1) (16−18 ,9) (23−24 , 2) (21−21 , 4) (17−13 , 0) (6−5
χ= + + + + + +
3,9 10 ,1 18 , 9 24 , 2 21 , 4 13 , 0 5,
Dari daftar frekuensi dapat dilihat k =7 jadi db=4 , misal gunakan
signifikansi α =0 , 05 :
 2 2 2
χ α =9 , 49 berarti 4,27 < 9,49  χ hit . < χ α
sehingga H 0 diterima berarti daftartersebut berdistribusi normal
Contoh:
Di suatu lokasi M-KRPL, diintroduksikan 3 jenis benih cabai rawit, yaitu
cabai rawit hibrida (Bhaskara) dan dua cabai rawit lokal (Karanganyar dan
Boyolali). Setelah diberikan penjelasan tentang karakter masing-masing
jenis cabai, peserta M-KRPL dipersilahkan memilih jenis cabai yang
disukai dan berapa jumlah yang dinginkan setiap jenisnya untuk ditanam
di pekarangan masing-masing. Benih cabai rawit akan segera dikirim
sesuai jumlah yang dipesan.
Rumusan masalah:
Apakah penjelasan tentang karakter mempengaruhi jumlah benih tiga
varietas yang dipesan peserta?
Hipotesis:
H 0: Tidak ada perbedaan distribusi frekuensi antar jenis cabai rawit
H 1: Terdapat perbedaan distribusi frekuensi antar jenis cabai rawit
Hasil analisis:
Hasil pencatatan menunjukkan bahwa cabai rawit lokal Boyolali
merupakan varietas yang paling banyak dipilih oleh peserta, sementara
cabai rawit lokal Karanganyar sedikit dipilih
Tabel Pemesanan Cabai Rawit Lokasi M-KRPL

Frekunesi yang Frekuensi yang

No. Jenis Cabai Rawit
diperoleh diharapkan
1 Cabai rawit Hibrida 155 150
Bhaskara
2 Cabai rawit lokal 125 150
Karanganyar
3 Cabai rawit lokal 170 150
Boyolali

2( 155−150 )2+ ( 125−150 )2 + ( 170−150 )2

χ=
150
2 1050
χ= =7
150
 Berdasarkan data hasil penelitian tersebut, dilakukan analisis uji
Chi square. Hasil perhitungan Chi squared ( χ 2hit .) ternyata sama dengan
7dengan derajat bebas (db) = k −1=3−1=¿ 2 dan dengan dengan taraf uji
(α =0,05) berarti χ 2α =5,991 (lih. Tabel chi-kuadrat). 7 > 5,991  χ 2hit . > χ 2α
maka keputusannya H 0harus ditolak dan H 1 harus diterima
b. Uji Liliefors
Uji ini hanya dapat dilakukan pada data tunggal atau data distribusi
frekuensi tunggal bukan kelompok. Untuk melakukan uji normalitas
dengan cara ini maka:
 Menentukan taraf signifikansi (α ) yaitu misalkan pada α =5 % (0,05)
dengan hipotesis yang akan diuji:
H 0 = Data berdistribusi normal, melawan
H 1 = Data tidak berdistribusi normal
Dengan kriteria pengujian:
Jika LO=L hitung < Ltabel terima H 0
Jika LO=L hitung > Ltabel tolak H 0
 Lakukan langkah-langkah pengujian normalitas berikut;
(1) Data pengamatan Y 1, Y 2, Y 3, ... , Y n dijadikan bilangan baku Z1 , Z 2,
Z3 , ... , Z n dengan menggunakan rumus :
(Y i−Y )
Zi =
s
Y i = Data ke-i
Y = rata-rata
s=¿ simpangan baku
(2) Untuk setiap bilangan baku ini dengan menggunakan daftar
distribusi normal baku, kemudian dihitung peluang
F ( Z i )=P(Z ≤ Z i)
(3) Hitung proporsi Z1 , Z 2, Z3 , ... , Z n yang lebi kecil atau sama dengan
Z. Jika proporsi ini dinyatakan dengan S( Zi ) maka:
Frekuensi Kumulatif Z i
S ( Zi ) =
n
(4) Hitung F ( Z i )−S(Z i ) dan tentukan harga mutlaknya
(5) Harga mutlak yang paling besar sebagai harga LO atau Lhitung
(6) Untuk menerima atau menolak hipotesis nol ( H 0 ¿, bandingkan LO
dengan Ltabel yang didapat dari tabel liliefors untuk taraf
nyata(signifikansi) yang dipilih.
Contoh:
Lakukan uji normalitas dari hasil pengumpulan data suatu sampel
berikut :
2 3 4 2 4 3 5 4
5 5 6 6 6 5 5 9
6 6 8 8 8 8 9 9
Jawab :
Sajikan data tersebut dalam tabel dan urutkan, lalu hitung rerata ( mean
) dan simpangan baku seperti berikut :

Tabel Deskriptif

No Yi fi fiYi ( Yi – Y )2 Fi ( Yi – Y )2
1 2 2 4 13,4 26,9
2 3 2 6 7,1 14,2
3 4 3 12 2,8 8,3
4 5 5 25 0,4 2,2
5 6 5 30 0,1 0,6
6 8 4 32 5,4 21,8
7 9 3 27 11,1 33,3
Jumla
24 136 107,3
h

Sehingga didapat, mean =Y =¿

∑ f i – Y i = 5,7
∑fi
simpangan baku = s =
√ ∑ f i ( Y i – Y )2 = 2,2
n−1
Selanjutnya, lakukan konversi setiap nilai mentah Y i menjadi nilai
baku Zi, dan selanjutnya tentukan nilai LO dengan langkah-langkah
seperti tabel berikut :
 I FIZI –
No Yi fi fkuartil≤ Zi Ztabel FIzI SIzI
SIZI I

0,083
1 2 2 2 -1,70 0,4554 0,0446 0.0387
3

0,166
2 3 2 4 -1,23 0,3907 0,1093 0,0574
7

0,291
3 4 3 7 -0,77 0,2794 0,2206 0,0711
7

0,500
4 5 5 12 -0,31 0,1217 0,3783 0,1217
0

0,708
5 6 5 17 -0,15 0,0596 0,5596 0,1487
3

0,875
6 8 4 21 1,08 0,3599 0,8599 0,0151
0

1,000
7 9 3 24 1,54 0,4382 0,9382 0,0618
0

Jumlah 24
Tabel Uji Lilliefors

Dari hasil perhitungan dalam tabel tersebut didapat L O = 0,1487;

sedangkan dari tabel Lilliefors untuk dan n=24 didapat nilai L label =
0,173. Karena nilai LO < L maka H0 diterima disimpulkan “ data atau
sampel berdistribusi normal”.
c. Uji Kolmogorov-Smirnov
Uji ini hampir sama dengan uji liliefors. Untuk melakukan uji ini hal yang
harus dilakukan antara lain:
 Menentukan taraf signifikansi (α ¿, misal α =0 , 05
 Hipotesis yang akan diuji yaitu:
 H 0 : Data berdistribusi normal, melawan
H 1 : Data tidak berdistribusi normal
dengan kriteria pengujian sebagai berikut:
 Tolak H 0 jika D0 > Dtabel
 Terima H 0 jika D0 < Dtabel
 Untuk menghitung D0 maka cari nilai |F T −F S| dan pilih |F T −F S|
yang tertinggi. Untuk mencari F T dan F S maka hitung dahulu Zi
( x i−x )
Zi =
S
F T =¿ peluang normal = P(Z ≤ Zi )
Frekuensi Kumulatif Zi
F S=¿ peluang empiris =
n
Contoh:
Dari pengukuran suatu variabel bebas diperoleh skor sebagai berikut:
55,7 59,62 59,62 53,85
48,08 36,54 65,38 51,92
55,77 67,31 42,31 55,77
67,31 40,38 65,38 61,54
69,23 82,69 59,62 65,38
55,77 46,15 55,77 65,38
51,92 67,31 71,15 61,54
65,38 53,85 65,38 42,31
80,77 65,38 78,84 61,54
34,62 63,46 84,61
Dari data diatas hitung rata-rata dan variansinya, x=59 , 86 dan
S=11, 85.

xi zi FT FS D0=| FT −F S|
34,62 −2 , 13 0,016 0,026 0,01
36,54 −1 , 97 0,0024 0,051 0,0486
40,38 −1 , 64 0,050 0,077 0,027
42,31 −1 , 48 0,069 0,103 0,034
42,31 −1 , 48 0,069 0,128 0,059
46,15 −1 ,16 0,123 0,154 0,031
48,08 −0 , 99 0,161 0,179 0,018
51,92 −0 , 67 0,251 0,205 0,046
51,92 −0 , 67 0,251 0,231 0,02
53,85 −0 , 51 0,305 0,256 0,049
53,85 −0 , 51 0,305 0,282 0,023
55,77 −0 , 35 0,363 0,308 0,055
55,77 −0 , 35 0,363 0,333 0,03
55,77 −0 , 35 0,363 0,359 0,004
55,77 −0 , 35 0,363 0,385 0,022
55,77 −0 , 35 0,363 0,410 0,047
59,62 −0 , 02 0,492 0,436 0,056
59,62 −0 , 02 0,492 0,462 0,03
59,62 −0 , 02 0,492 0,487 0,005
61,54 0 , 14 0,556 0,513 0,043
61,54 0 , 14 0,556 0,538 0,018
61,54 0 , 14 0,556 0,564 0,008
63,46 0 , 30 0,618 0,590 0,028
65,38 0 , 47 0,681 0,615 0,066
65,38 0 , 47 0,681 0,641 0,04
65,38 0 , 47 0,681 0,667 0,014
65,38 0 , 47 0,681 0,692 0,011
65,38 0 , 47 0,681 0,718 0,037
65,38 0 , 47 0,681 0,744 0,063
65,38 0 , 47 0,681 0,769 0,088
67,31 0 , 63 0,736 0,795 0,059
67,31 0 , 63 0,736 0,821 0,085
67,31 0 , 63 0,736 0,846 0,11
69,23 0 , 79 0,785 0,872 0,087
71,15 0 , 95 0,829 0,897 0,068
78,84 1 , 60 0,945 0,923 0,022
 80,77 1 ,76 0,961 0,949 0,012
82,69 1 , 93 0,973 0,974 0,001
84,61 2 , 09 0,982 1 0,018

D0=0,088
Lihat tabel kolmogorof dengan α =0 , 05 dan n = 39, maka
Dtabel =0,218
0,088< 0,218  D0 < Dtabel maka H 0 diterima artinya data tersebut
berdistribusi normal.
B. Uji Homogenitas
Uji homogenitas adalah suatu prosedur uji statistik yang dimaksudkan
untuk memperlihatkan bahwa dua atau lebih kelompok data sampel berasal
dari populasi yang memiliki variansi yang sama. Pada analisis regresi,
persyaratan analisis yang dibutuhkan adalah bahwa galat regresi untuk setiap
pengelompokan berdasarkan variabel terikatnya memiliki variansi yang
sama.Jadi dapat dikatakan bahwa uji homogenitas bertujuan untuk mencari
tahu apakah dari beberapa kelompok data penelitian memiliki varians yang
sama atau tidak. Dengan kata lain, homogenitas berarti bahwa himpunan data
yang kita teliti memiliki karakteristik yang sama.
Pengujian homogenitas juga dimaksudkan untuk memberikan
keyakinan bahwa sekumpulan data yang dimanipulasi dalam serangkaian
analisis memang berasal dari populasi yang tidak jauh berbeda keragamannya.
Sebagai contoh, jika kita ingin meneliti sebuah permasalahan misalnya
mengukur pemahaman siswa untuk suatu sub materi dalam pelajaran tertentu
di sekolah yang dimaksudkan homogen bisa berarti bahwa kelompok data
yang kita jadikan sampel pada penelitian memiliki karakteristik yang sama,
misalnya berasal dari tingkat kelas yang sama.
Perhitungan uji homogenitas dapat dilakukan dengan berbagai cara
dan metode, beberapa yang cukup populer dan sering digunakan antara lain:
uji Harley, Cochran, levene dan Barlett. Dalam makalah ini akan dijelaskan
lebih dalam mengenai uji Harley dan uji Barlett.
a. Uji Harley
Uji ini dilakuakan dengan cara membandingkan variansi terbesar dengan
 variansi terkecil.
Variansi terbesar
F ( max )=
Variansi terkecil
Hasil hitung F(max) dibandingkan dengan F (max )tabel adapun kriteria
pengujiannya sebagai berikut:
Terima H 0jika F ( max )hitung ≤ F ( max )tabel
Tolak H 0jika F (max )hitung > F (max )tabel
H 0 menyatakan variansi homogen sedangkan H 1 menyatakan variansi
tidak homogen
Contoh:
Skor 4 kelompok hasil uji coba suatu penelitian sebagai berikut:
Kelompok A Kelompok B Kelompok C Kelompok D
25 26 21 28
30 31 29 28
32 38 29 36
36 39 31 37
40 39 37 39

2 2 2 2
H 0=σ A =σ B=σ C =σ D
2
H 1=terdapat σ yang tidak sama
Berdasarkan data diatas, hitung variansi masing-masing kelompok:
2 2
S A =32 , 8 SC =32, 8
2 2
S B=34 ,3 S D=27 ,3
34 ,3
F ( max )hitung = =1,2564
27 ,3
F ( max )tabel =20 , 6 ( n−1=4 , k=4 )
Kesimpulan: H 0 diterima karena F (max )hitung< F (max )tabel yang berarti
keempat kelompok itu homogen
b. Uji Bartlett
Salah satu cara untuk menguji homogen atau tidaknya suatu data
maka dapat dilakukan uji yang salah satunya uji bartlett. Untuk melakukan
pengujian ini kita misalkan sampel berukuran n 1, n2, ... , nk dengan data Yij
(i = 1,2,3...,k dan j = 1, 2, 3, ..., n k) dari sampel-sampel itu hitung
variannya.
 Dari Populasi Ke
1 2 .... k
Y 11 Y 21 ...... Yk1
Y 12 Y 22 ...... Y k2
. . .
. . .
Y 1n
1
Y 2n
2
...... Y k nk

Selanjutnya buat tabel penolong uji bartlett untuk mempermudah langkah

pengujian.
Tabel Penolong Uji Bartlett
H0 = σ 21=σ 22=… σ 2k
Sampel
db S i2 Log Si2 (db) Log Si2
ke
2 2 2
1 n1−1 S1 log S 1 (n1 −1)log S 1
2 n2 −1 S2
2
log S 2
2
(n 2−1)log S 2
2

. . . . .

. . . . .

k n k −1 S
2
k log S
2
k
2
(n k −1)log S k

∑ ∑ db - - ∑ ( db ) LogS i 2

Dari daftar diatas hitung harga-harga yang diperlukan yaitu:

(1) Varian gabungan dari semua sampel

2
S=
∑ ( n i−1 ) S 2i
∑ ( ni −1 )

(2) Harga satuan B

B=¿
(3) Untuk uji bartlet gunakan statistik chi-kuadrat dengan rumus:
2
χ =¿
2 2
Dengan taraf nyata α , hipotesis ditolak jika χ ≥ χ (1−α ) ( k−1 ) dimana χ
didapat sari daftar distribusi chi-kuadrat dengan peluang (1−α ) dan
db=(k−1)
Contoh:
 Diketahui perbandingan keuangan antara Pemerintah Pusat (X 1), Propinsi
(X2) dan Kabupaten/Kota (X3), di wilayah CJDW seperti tabel berikut:
Tabel Nilai Varians
Nilai Jenis Variabel: Perbandingan Keuangan
Varians Propinsi Kabupaten/Kota
Pusat (X1)
Sampel (X2) (X3)
2
S 37,934 51,760 45,612
n 65 65 65

Langkah Penyelesaian:
(1) Buat tabel uji bartlet
Tabel Uji Bartlet
Sampel db = (n−1) Si
2
log Si
2
( db ) log Si2
37,93
1 = (X1) 64 1,58 101,12
4
51,76
2 = (X2) 64 1,71 109,44
0
45,61
3 = (X3) 64 1,66 106,24
2
Jumlah = 3 ∑ ( ni−1 ) =192 - - ∑ ( db ) log S 2i =316 , 8
(2) Hitung varians gabungan dari ketiga sampel tersebut

2 ( n1 . S 21 )+ ( n2 . S22 )+ ( n3 . S 23 )
S=
n 1+ n2+ n3

2 ( 64 . 37,934 )+ ( 64 . 51,760 ) +(64 . 45,612)

S=
64 +64+ 64
2 8659,584
s= =45,102
192
(3) Menghitung log S2=log 45,102=¿ 1,6542
(4) Menghitung nilai B=( log S 2 ) . ∑ ( ni−1 )=1,6542 ×192=317 , 61

(5) Menghitung nilai χ hitung = ( ln 10 ) [ B−∑ ( db ) log Si ]

2 2

Menghitung nilai χ 2hitung ¿ ( 2 , 3 ) × [ 317 ,61−316 , 8 ] =1,863

(6) Bandingkan χ 2hitung dengan χ 2tabel , untuk α =0 , 05 dan derajat kebebasan
(db) = k −1=3−1=2, maka χ 2tabel =5,991. Dengan kriteria pengujian
sebagai berikut:
Jika : χ 2hitung ≥ χ 2tabel, tidak homogen
 Jika: χ 2hitung ≤ χ 2tabel , homogen
1,863<5,991berarti χ 2hitung < χ 2tabel , maka nilai varians-variansnya
homogen
Kesimpulan:
Analisis uji komparatif dapat dilanjutkan

BAB III

KESIMPULAN

Uji normalitas adalah langkah awal yang kritis dalam analisis statistik
karena menguji apakah data mengikuti atau mendekati distribusi normal.
Distribusi normal memiliki karakteristik yang sangat berguna dalam statistik, dan
pelanggaran asumsi ini dapat menghasilkan kesimpulan statistik yang bias atau
tidak valid.
 Uji homogenitas, sebaliknya, menguji apakah variasi data seragam di
antara kelompok atau perlakuan yang berbeda. Asumsi homogenitas varians
penting dalam banyak analisis statistik, dan pelanggaran asumsi ini dapat
mengakibatkan hasil analisis yang tidak akurat.
Diketahui bahwa uji normalitas adalah langkah awal penting dalam
analisis statistik untuk menentukan apakah data mengikuti distribusi normal atau
tidak. Data yang berdistribusi normal memungkinkan penggunaan metode statistik
parametrik, sedangkan data yang tidak berdistribusi normal memerlukan metode
statistik non-parametrik.
Dalam uji normalitas, terdapat beberapa cara untuk menguji normalitas
data, seperti uji Chi-Square, uji Liliefors, dan uji Kolmogorov-Smirnov. Setiap uji
memiliki langkah-langkah pengujian yang khas, namun tujuannya sama, yaitu
untuk menentukan apakah data berdistribusi normal atau tidak.
Pentingnya pengujian normalitas adalah untuk memastikan bahwa data
yang digunakan dalam analisis statistik sesuai dengan asumsi distribusi normal,
yang diperlukan dalam berbagai analisis parametrik. Dengan memahami dan
menerapkan metode-metode pengujian normalitas ini, peneliti dapat membuat
keputusan yang lebih tepat dalam pemilihan metode statistik dan interpretasi hasil
analisis data mereka.
Uji homogenitas adalah suatu prosedur statistik yang digunakan untuk
menentukan apakah beberapa kelompok data berasal dari populasi yang memiliki
variansi yang sama. Ini penting dalam analisis statistik seperti analisis regresi. Uji
homogenitas bertujuan untuk menentukan apakah kelompok data yang diamati
memiliki karakteristik yang sama, terutama dalam hal varians.
Ada beberapa metode yang dapat digunakan untuk menguji homogenitas,
seperti uji Harley, Cochran, Levene, dan Bartlett. Dalam uraian Anda, lebih fokus
dibahas tentang uji Harley dan uji Bartlett. Uji Harley membandingkan variansi
terbesar dengan variansi terkecil dalam kelompok data. Hasil uji dinyatakan dalam
nilai F, yang dibandingkan dengan nilai F tabel. Jika nilai F hitung lebih kecil dari
nilai F tabel, maka hipotesis nol (variansi homogen) diterima.
 Uji Bartlett juga digunakan untuk menguji homogenitas data dengan
menghitung statistik chi-kuadrat. Hasil uji dibandingkan dengan nilai kritis chi-
kuadrat untuk menentukan apakah varians kelompok data homogen atau tidak.

DAFTAR PUSTAKA

Hermawan, A. (2015). Aplikasi Statistika pada Data Pendamping Untuk Karya

Tulis. Jakarta: Badan Penelitian dan Pengembangan Pertanian. Hlm. 27-28

Irianto, A. (2004). Statistik: Konsep Dasar, Aplikasi dan Pengembangannya.

Edisi 4. Jakarta: Prenada Media Group. Hlm. 272-273 dan 276-277
Riduwan. (2015). Dasar-Dasar Statistika . Cetakan 13. Jakarta: Alfabeta. Hlm.
184 - 185

Saefudin, A., & dkk. (2009). Statistika Dasar. Jakarta: PT Grasindo. Hlm. 135

Sudjana. (2002). Metoda Statistika. Edisi 6. Bandung : Tarsito. Hlm. 261-263 dan
293-294
Supardi. (2013). Aplikasi Statistika dalam Penelitian. Jakarta: Change
Publication. Hlm. 129-147

Supranto, J. (2008). Statistik: Teori dan Aplikasi. Jilid 2. Edisi 7. Jakarta:

Erlangga. Hlm. 65
LA
MP
IRA
N
LAMPIRAN 1
 LAMPIRAN 2

LAMPIRAN 3
Tabel Liliefors
 LAMPIRAN 3
Tabel Liliefors
 LAMPIRAN 4
Tabel Kolmogorov-Smirnov
 LAMPIRAN 4
Tabel Hartley
 LAMPIRAN 5
Tabel Bartlett