Uji Normalitas Data

Kelompok 9:
Bayu Rinaldi
Dosmar Agustinus Manik
Pengertian Uji Normalitas

 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 dikumpulkan berdistribusi normal atau diambil

dari populasi normal. Metode klasik dalam pengujian
normalitas suatu data tidak begitu rumit.
Berdasarkan pengalaman empiris beberapa pakar
statistik, data yang banyaknya lebih dari 30 angka (n
> 30), maka sudah dapat diasumsikan berdistribusi
normal. Biasa dikatakan sebagai sampel besar.
 Namun untuk memberikan kepastian, data yang
dimiliki berdistribusi normal atau tidak,
sebaiknya digunakan uji normalitas. Karena
belum tentu data yang lebih dari 30 bisa
dipastikan berdistribusi normal, demikian
sebaliknya data yang banyaknya kurang dari 30
belum tentu tidak berdistribusi normal, untuk itu
perlu suatu pembuktian. uji statistik normalitas
yang dapat digunakan diantaranya Chi-Square, 
Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, 
Jarque Bera.
Macam-macam Uji Normalitas
 Uji normalitas yang dapat digunakan
diantaranya:
 -Chi-Square
 -Kolmogorov Smirnov,
 -Lilliefors
 -Shapiro Wilk
 -uji grafik
Metode Chi Square Dalam Uji
Normalitas
 Metode Chi-Square atau X2 untuk Uji
Goodness of fit Distribusi Normal
menggunakan pendekatan penjumlahan
penyimpangan data observasi tiap kelas
dengan nilai yang diharapkan. Uji Chi-square
seringkali digunakan oleh para
peneliti sebagai alat uji normalitas.
Rumus Uji Normalitas dengan Chi-Square

 Keterangan :
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval
kelas berdasarkan tabel normal dikalikan N (total
frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)
 Komponen penyusun rumus tersebut di atas
didapatkan berdasarkan pada hasil transformasi
data distribusi frekuensi yang akan diuji
normalitasnya, sebagai berikut:

Tabel Pembantu Uji Normalitas

 Keterangan :
Xi = Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval
kelas ke notasi pada distribusi normal
pi = Luas proporsi kurva normal tiap interval
kelas berdasar tabel normal
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval
kelas berdasarkan tabel normal dikalikan N
(total frekuensi) (pi x N)
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.
Contoh Uji Chi-Square dalam uji
Normalitas
 Diambil Tinggi Badan Mahasiswa Di Suatu
Perguruan Tinggi Tahun 2010

 Selidikilah dengan α = 5%, apakah data tersebut di

atas berdistribusi normal ? (Mean = 157.8; Standar
deviasi = 8.09)
 Penyelesaian:
 1. Hipotesis :
Ho : Populasi tinggi badan mahasiswa berdistribusi
normal
H1 : Populasi tinggi badan mahasiswa tidak
berdistribusi normal
 2. Nilai α
Nilai α = level signifikansi = 5% = 0,05
 3. Rumus Statistik penguji
 Luasan pi dihitung dari batasan proporsi hasil tranformasi Z
yang dikonfirmasikan dengan tabel distribusi normal atau 
tabel z.

 4. Derajat Bebas
 Df = ( k – 3 ) = ( 5 – 3 ) = 2
 5. Nilai tabel
 Nilai tabel X2 ; α = 0,05 ; df = 2 ; = 5,991.  Baca selengkapnya
tentang Tabel Chi-Square.
 6. Daerah penolakan
Menggunakan gambar

Menggunakan rumus:   |0,427 | < |5,991| ;

Keputusan hipotesis: berarti Ho diterima, Ha
ditolak
 7. Kesimpulan:  Populasi tinggi badan

mahasiswa berdistribusi normal α = 0,05.

Metode Lilliefors
 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
 • Data berskala interval atau ratio (kuantitatif)
 • Data tunggal/belum dikelompokkan pada
tabel distribusi frekuensi
 • Dapat untuk n besar maupunn kecil
Metode Kolmogorov-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 • Data berskala interval atau ratio

(kuantitatif) • Data tunggal/ belum dikelompokkan

pada tabel distribusi frekuensi • Dapat untuk n
besar maupun n kecil.
Metode 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 luasan kurva
normal
 PERSYARATAN • Data berskala interval atau
ratio (kuantitatif) • Data tunggal/belum
dikelompokkan pada tabel distribusi frekuensi
• Data dari sampel random
Uji Grafik
 Uji metode grafik adalah dengan
memperhatikan penyebaran data pada
sumber diagonal pada grafik normal P-P Plot
of Regression Standardized Residual. •Data
dinyatakan berdistribusi normal apabila
sebaran titik-titik berada disekitar garis dan
mengikuti garis diagonal maka nilai tersebut
normal
TERIMAKASIH