Dr. Retno Wimbaningrum, M.

Si
PS SARJANA BIOLOGI FMIPA UNIVERSITAS JEMBER
NORMALITAS DATA

-Uji normalitas data berguna untuk menentukan data

yang telah dikumpulkan berdistribusi normal atau
berasal dari populasi normal atau tidak
-Hasil uji normalitas data penting untuk menentukan
jenis analisis data: parametrik atau non parametrik

Uji statistik normalitas yang dapat digunakan

diantaranya :
1. Kolmogorov Smirnov
2. Shapiro Wilk
3. Lilliefors
4. Chi-Square
5. Diagram
6. Pengujian Skewness dan Kurtosis
 1. Lilliefors (N Kecil dan N Besar)

Metode Lilliefors menggunakan data dasar yang belum diolah dalam

tabel distribusi frekuensi. Data ditransformasikan dalam nilai Z untuk
dapat dihitung luas kurva normal sebagai probabilitas kumulatif normal.

PERSYARATAN
•Data berskala interval atau ratio (kuantitatif)
•Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
•Dapat untuk n besar maupun n kecil.

SIGNIFIKANSI
Signifikansi uji, nilai | F (x) - S (x) | terbesar dibandingkan dengan nilai
tabel Lilliefors.
Jika nilai | F (x) - S (x) | terbesar < nilai tabel Lilliefors, maka Ho
diterima ; Ha ditolak.
Jika nilai | F(x) - S(x) | terbesar > dari nilai tabel Lilliefors, maka Ho
ditolak ; Ha diterima.
 1. Liliefors (N Kecil dan N Besar)

Keterangan:
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
F(x) = Probabilitas komulatif normal
S(x) = Probabilitas komulatif empiris
 2. Kolmogorof-Smirnov

Metode Kolmogorov-Smirnov tidak jauh beda dengan metode

Lilliefors. Langkah-langkah penyelesaian dan penggunaan rumus
sama, namun pada signifikansi yang berbeda.
Signifikansi metode Kolmogorov-Smirnov menggunakan tabel
pembanding Kolmogorov-Smirnov, sedangkan metode Lilliefors
menggunakan tabel pembanding metode Lilliefors.

PERSYARATAN
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi
frekuensi
c. Dapat untuk n besar maupun n kecil.
 2. Kolmogorof-Smirnov

SIGINIFIKANSI

Signifikansi uji, nilai |FT – FS| terbesar dibandingkan dengan nilai

tabel Kolmogorov Smirnov.
Jika nilai |FT – FS| terbesar < nilai tabel Kolmogorov Smirnov, maka
Ho diterima ; Ha ditolak.
Jika nilai |FT – FS| terbesar > nilai tabel Kolmogorov Smirnov, maka
Ho ditolak ; Ha diterima.

Keterangan:
Xi = Angka pada data
Z = Transformasi dari
angka ke notasi pd
distribusi normal
FT = Probabilitas
kumulatif normal
FS = Probabilitas
kumulatif empiris
 3. SHAPIRO-WILK
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
luas kurva normal.

PERSYARATAN
• Data berskala interval atau ratio (kuantitatif)
• Data tunggal / belum dikelompokkan pada tabel distribusi
frekuensi
• Data dari sampel random

SIGNIFIKANSI
Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai
T3 dibandingkan dengan nilai tabel ShapiroWilk, untuk dilihat posisi nilai
probabilitasnya (p).
Jika nilai p > 5%, maka Ho diterima ; Ha ditolak.
Jika nilai p < 5%, maka Ho ditolak ; Ha diterima.
Tabel Harga Quantil Statistik Shapiro-Wilk Distribusi Normal. Jika
digunakan rumus G, maka digunakan Tabel 2 distribusi normal.
3. SHAPIRO-WILK
 5. Chi square

Metode Chi-Square atau X2 untuk Uji Goodness of fit Distribusi

Normal menggunakan pendekatan penjumlahan penyimpangan
data observasi tiap kelas dengan nilai yang diharapkan.

Persyaratan:
• Data tersusun berkelompok atau dikelompokkan dalam tabel
distribusI frekuensi.
• Jumlah data besar ( n > 30 )

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.
 5. Chi square

Keterangan:
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luas interval kelas berdasarkan tabel
normal dikalikan N (total frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)
 5. Diagram

HISTOGRAM P-P PLOT Q-Q PLOT

Normal P-P Plot of berat badan penderita Normal Q-Q Plot of berat badan penderita

Histogram 1.0 70

10

0.8
60

Expected Normal Value

8
Expected Cum Prob

0.6
Frequency

50

4 0.4

2 40
0.2
Mean = 50.772
Std. Dev. = 8.2614
0 N = 50
30.0 40.0 50.0 60.0 70.0

berat badan penderita 0.0 30

0.0 0.2 0.4 0.6 0.8 1.0 30 40 50 60 70
Observed Cum Prob Observed Value
 6. Skewness dan Kurtosis

Uji normalitas data selanjutnya adalah dengan menggunakan analisa dari nilai
skewness dan kurtosis data. Skewness dan kurtosis adalah ukuran yang lebih
cenderung untuk melihat distribusi data secara grafik.

2. Kurtosis
Keruncingan dinilai sebagai bentuk distorsi dari kurva normal. Tingkat
keruncingan diukur dengan membandingkan bentuk keruncingan kurva
distribusi data dengan kurva normal.

Keruncingan dibedakan menjadi tiga:

a. Leptokurtic, yaitu bagian tengah distribusi data memiliki puncak
yang lebih runcing (nilai keruncingan lebih dari 3).
b. Platykurtic, yaitu bagian tengah distribusi data memiliki puncak yang
lebih datar (nilai keruncingan kurang dari 3).
c. Mesokurtic, yaitu bagian tengah distribusi data memiliki puncak
diantara Leptokurtic dan Platykurtic (nilai keruncingan sama dengan
3).
6. Skewness dan Kurtosis

Grafik tiga tipe kecondongan kurva

 6. Skewness dan Kurtosis

1. Skewness
Kecondongan suatu kurva dapat dilihat dari perbedaan letak mean, median
dan modusnya. Jika ketiga ukuran pemusatan data tersebut berada pada titik
yang sama, maka dikatakan simetris atau data berdistribusi normal.
Sedangkan jika tidak berarti data tidak simetris atau tidak berdistribusi
normal.

Kecondongn data dapat dibedakan menjadi tiga:

a. Kecondongan data ke arah kiri (condong negatif) dimana nilai modus
lebih dari nilai mean (modus > mean).
b. Kecondongan data simetris (distribusi normal) dimana nilai mean dan
modus adalah sama (mean = modus).
c. Kecondongan data ke arah kanan (condong positif) dimana nilai
mean lebih dari nilai modus (mean > modus).
 6. Skewness dan Kurtosis

Grafik tiga tipe keruncingan kurva

 6. Skewness dan Kurtosis

Data berdistribusi normal atau tidak dengan menggunakan skewness dan

kurtosis, dapat digunakan formula sebagai berikut :

Z-Skewness = Skewness / sqrt(6/N)

Interpretasi pada tingkat signifikansi (alpha) 5% :
Jika data memiliki nilai Z-Skewness < -1,96 berarti data memiliki
kecondongan kanan.
Jika data memiliki nilai Z-Skewness > +1,96 berarti data memiliki
kecondongan kiri.
Jika data memiliki nilai Z-Skewness antara -1,96 dan +1,96, berarti data
mendekati simetris.

Z-Kurtosis = Kurtosis / sqrt(24/N)

Interpretasi pada tingkat signifikansi (alpha) 5% :
Jika data memiliki nilai Z-Kurtosis < -1,96, berarti data memiliki
keruncingan Leptokurtik.
Jika data memiliki nilai Z-Kurtosis > +1,96, berarti data memiliki
keruncingan Platikurtik.
Jika data memiliki nilai Z-Kurtosis antara -1,96 dan +1,96, berarti data
memiliki keruncingan Mesokurtik.
 Output dari data tersebut adalah
Output di atas diperoleh nilai skewness -
0,344 dan nilai kurtosis adalah 1,168.
Sehingga kita bisa menghitung nilai Z-
Skewness dan Z-Kurtosis, sebagai
berikut :
 Z-Skewness = Skewness / sqrt(6/N) = -
0,344 / sqrt(6/40) = -0,89
 Atau nilai -1,96 < Z-Skewness = -0,89 <
+1,96. Berarti kecondongan data adalah
simetris atau berdistribusi normal.
 Z-Kurtosis = Kurtosis / sqrt(24/N) = 1,168 /
sqrt(24/40) = 1,51

atau nilai
-1,96 < Z-Kurtosis = 1,51 < +1,96.
Berarti keruncingan data adalah mesokurtik
atau memiliki distribusi normal.
6. Skewness dan Kurtosis
HOMOGENITAS DATA

Pengujian homogenitas adalah pengujian mengenai

sama tidaknya variansi-variansi dua buah distribusi atau
lebih.

Uji homogenitas dilakukan untuk mengetahui apakah

data dalam variabel X dan Y bersifat homogen atau
tidak.

Uji homogenitas dapat dilakukan dengan Uji

Homogenita Variansi dan Uji Burlett. Uji homogenitas
variansi dilakukan jika data berasal dari dua populasi
dan uji homogenitas Burlett merupakan uji homogenitas
variansi dengan jumlah populasi lebih dari dua
 UJI HOMOGENITAS VARIANSI

Langkah-langkah menghitung uji homogenitas :

a. Mencari Varians/Standar deviasi Variabel X danY, dengan rumus:

b. Mencari F hitung dengan dari varians X danY, dengan rumus:

c. Membandingkan Fhitung dengan Ftabel pada tabel distribusi F,

dengan untuk varians terbesar adalah dk pembilang n-1, untuk
varians terkecil adalah dk penyebut n-1
JikaFhitung < Ftabel, berarti homogen
JikaFhitung > Ftabel, berarti tidak homogen