UJI

PERSYARAT
AN ANALISIS
DATA
UJI

PS D3-THP SV UNS
Semester Genap 2019/2020
 PENDAHULUAN
Pengujian persyaratan analisis dilakukan apabila peneliti
menggunakan analisis parametrik. Pengujian dilakukan
terhadap asumsi-asumsi berikut:
1. Untuk uji korelasi dan regresi: persyaratan yang harus
dipenuhi adalah uji normalitas dan uji linearitas data.
2. Untuk uji perbedaan (komparatif): persyaratan yang
harus dipenuhi adalah uji normalitas dan uji
homogenitas.
3. Apabila data skala ordinal diubah menjadi data
interval.
 UJI NORMALITAS
⦿ Apakah sampel yang diambil berdistribusi normal atau
tidak.
⦿ Karena berkaitan dengan ketepatan pemilihan uji
statistik yang akan dipergunakan.
⦿ Uji parametrik mensyaratkan data harus berdistribusi
normal.
⦿ Apabila data tidak berdistribusi normal, maka
disarankan menggunakan uji non parametrik.
 UJI NORMALITAS
• Kurva distribusi normal berbentuk lonceng (bell
shaped curve)
-1 0 +1
 UJI NORMALITAS

• Data lebih banyak di sekitar rata-rata (di tengah

kurva)
• Uji normalitas menggunakan uji Kolmogorov
Smirnov dan Shapiro Wilk.
• Dengan tingkat sig ≥ 0,05 data berdistribusi
normal.
MENGAPA DIPERLUKAN?
Untuk menentukan teknik statistika yang akan
digunakan?
• Data berdistribusi tidak normal  statistika
non parametrik (Korelasi Rank Spearman,
Korelasi Kendall)
• Data berdistribusi normal  statistika
parametrik (Korelasi Product
Moment/Pearson, Regresi)
BAGAIMANA CARANYA? ADA 3 CARA

• Dengan melihat hasil nilai skewness yang

didapat melalui statistik deskriptif (data
dikatakan berdistribusi normal jika nilai
Skewness di antara: (-1 ---- +1) atau (-2 --- +2)
• Kolmogorov-Smirnov dari menu Analyze >
Descriptive Statistics > Explore
• Kolmogorov-Smirnov dari menu Analyze >
Non parametric test > 1-sample K-S
Kolmogorov-Smirnov dari menu Analyze > Descriptive Statistics
> Explore
HASILNYA
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Stat is tic df Sig. Stat is tic df Sig.
TOTALH SL .107 44 .200* .966 44 .372
*. This is a lower bound of the t rue signif icance.
a. Lillief ors Signif ic ance Correct ion

Jika nilai Sig lebih besar dari 0,05 maka data berdistribusi
normal
Jika nilai Sig lebih kecil dari 0,05 maka data tidak
berdistribusi normal
CARA LAIN
HASILNYA
 Tests of Normality
Descriptive Statistics
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
TOTALH SL .107 44 .200* .966 44 .372
KINERJA .122 44 .101 .943 44 .048
MOTIVASI .163 44 .005 .889 44 .010*
IKLIM .144 44 .022 .943 44 .046 *
KOMITMEN .135 44 .042 .942 44 .043
KEPUASAN .124 44 .088 .946 44 .061
KEPEMIMP .108 44 .200* .930 44 .017
*. This is a lower bound of the t rue signif icance.
**. This is an upper bound of the t rue signif icance.
a.
Lillief ors Signif icance Correction
 N Skewness
Statistic Statistic Std. Error
TOTALHSL 44 .686 .357
KINERJA 46 -. 772 .350
MOTIVASI 46 -1.296 .350
IKLIM 46 -. 238 .350
KOMITMEN 46 .026 .350
KEPUASAN 46 -. 611 .350
KEPEMIMP 46 -. 773 .350
Valid N (listwise) 44

One-Sample Kolmogorov-Smirnov Test

TOTALHSL KINERJA MOTIVASI IKLIM KOMITMEN KEPUASAN KEPEMIMP

N 44 46 46 46 46 46 46
Normal Parametersa,b Mean 2641.43 39. 67 38. 72 41. 70 38. 17 37. 61 35. 46
Std. Dev iation 1014.71 3. 11 5. 46 5. 62 3. 84 4. 16 6. 60
Most Extreme Absolute .107 .110 .143 .130 .132 .129 .098
Dif f erences Positiv e .107 .066 .125 .071 .132 .129 .074
Negativ e -. 043 -. 110 -. 143 -. 130 -. 096 -. 091 -. 098
Kolmogorov -Smirnov Z .711 .746 .972 .884 .897 .875 .665
Asy mp. Sig. (2-tailed) .693 .634 .301 .416 .397 .429 .769
a.
Test distribution is Normal.
b.
Calculated f rom data.
 UJI NORMALITAS
• Untuk keperluan analisis selanjutnya,
dalam statistika induktif harus diketahui
model distribusinya
• Dalam uji hipotesis, diperlukan asumsi
distribusi gugus data, misalnya
distribusi normal
• Terdapat beberapa cara untuk
menguji normalitas suatu data
CARA UJI NORMALITAS
• Uji dengan kertas peluang
• Uji dengan distribusi Chi Kuadrat
• Persentase data untuk
distribusi normal
• Uji Normalitas Liliefors 
khusus untuk statistika non-
Parametrik
 UJI DENGAN KERTAS PELUANG
• Data contoh yang diambil dari populasi
disusun dalam daftar distribusi frekuensi
(Tabel Kiri)
• Kemudian, disusun distribusi kumulatif relatif
kurang dari (Tabel Kanan). Pembentukan
daftar diambil batas-batas kelas interval
• Selanjutnya, frekuensi kumulatif relatif
digambarkan pada kertas grafik khusus kertas
peluang normal atau kertas peluang (lihat
contoh)
CONTOH :
Data tentang nilai UMPT
dari 230 orang peserta
telah dibuat daftar distribusi
frekuensi dan daftar
distribusi frekuensi
kumulatif relatif kurang
dari, seperti terlihat di
bawah

Contoh kertas peluang

CONTOH ANALISIS
Distribusi frekuensi Distribusi frekuensi kumulatif
Data f relatif kurang dari

10 – 19 8 Data f (%)
Kurang dari 9,5 0
20 – 29 19
Kurang dari 19,5 3,48
30 – 39 25
Kurang dari 29,5 11,74
40 – 49 37
Kurang dari 39,5 22,61
50 – 59 58
Kurang dari 49,5 38,70
60 -69 42
Kurang dari 59,5 63,91
70 – 79 23 Kurang dari 69,5 82,17
80 – 89 12 Kurang dari 79,5 92,17
90 – 99 6 Kurang dari 89,5 97,5
Jumlah 230 Kurang dari 99,5 100
MENGGAMBARKAN TABEL PADA KERTAS PELUANG

• Sumbu datar  skala • Hasil  gambar

batas- batas atas, nilai 0,01
- 99%.
• Sumbu tegak 
persen kumulatif
• Gambarkan titik-titik yang
ditentukan oleh batas
atas dan frekuensi
kumulatif relatif
Titik-titik frekuensi kumulatif
INTERPRETASI GRAFIK
 Jika letak titik-titik pada garis
lurus atau hampir lurus, maka
 Data (sampel) :
berdistribusi normal atau
hampir berdistribusi normal
 Populasi : berdistribusi
normal atau hampir
berdistribusi normal
 Jika titik-titik tersebut sangat
menyimpang dari sekitar
garis
lurus  tidak berdistribusi normal Titik-titik frekuensi kumulatif
Uji dengan Chi-Kuadrat
 Sebelum dilakukan pengujian, perlu dihitung dahulu frekuensi harapan (E
= Expected) dan frekuensi pengamatan (O=Observed)
 O diperoleh dari contoh pengamatan
 E diperoleh hasil kali n dengan peluang luas di bawah kurva normal
untuk interval yang bersangkutan
 Selanjunya gunakan rumus Chi Kuadrat dengan derajad bebas (db) = k -
3 dan taraf α
(O–E)2
χ² =
∑ E
 CONTOH
• Hasil pengukuran dan pengelompokan data terhadap tinggi 100
mahasiswa secara acak adalah sebagai berikut :

Tinggi (cm) Frek Setelah dihitung, diperoleh X̃ =157,8 cm dan s = 8,09 cm.
140 – 144 7
Selanjutnya ditentukan batas untuk semua kelas interval.
145 – 149 10
Interval pertama dengan batas 139,5 dan 144,5 atau dalam
150 – 154 16
angka standard z adalah -2,26 dan -1,64. (Ingat, distribusi
155 – 159 23
normal baku Z = (x- μ)/σ)
160 – 164 21
165 – 169 17 Luas di bawah kurva normal untuk interval pertama yang
170 – 174 6 dibatasi z = -2,26 sampai -1,64 adalah P(-2,26 < Z < -1,64)
Jumlah 100 = 0,0505 – 0,0119 = 0,0386
Maka frekuensi harapan 100 x 0,0386 = 3,9
Hasil penghitungan semua interval  tabel
 TABEL FREKUENSI HARAPAN DAN PENGAMATAN

Batas kelas Z untuk batas Luas interval Frekuensi Frekuensi

kelas kelas harapan (E) pengamatan O

139,5 -2,26
144,5 -1,64 0,0386 3,9 7
149,5 -1,03 0,1010 10,1 10
154,5 -0,41 0,1894 18,9 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
BERDASARKAN RUMUS CHI-KUADRAT, didapatkan:
• χ² = (7-3,9)²/3,9 + …+ (6-5,4)²/5,4 = 4,27

• Karena jumlah kelas =7, maka db

untuk distribusi chi-kuadrat =7-3 =4
• Dari tabel χ²0,05(4) = 9,49 dan

χ²0,01(4) = 13,3

• Maka hipotesis tersebut berasal dari distribusi

normal: dapat diterima