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),
 UJI KOLMOGOROV SMIRNOV
(PENGERTIAN)

• Pengujian normalitas yang banyak dipakai, terutama setelah adanya banyak

program statistik yang beredar. Kelebihan dari uji ini adalah sederhana dan
tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan
pengamat yang lain, yang sering terjadi pada uji normalitas dengan
menggunakan grafik.
 UJI KOLMOGOROV SMIRNOV
(KONSEP)

• Membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi

normal baku. 
• Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-
Score dan diasumsikan normal.
• Uji Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan
data normal baku.
 UJI KOLMOGOROV SMIRNOV
(SIGNIFIKANSI)

• DATA BERDISTRIBUSI NORMAL JIKA P-VALUE > 0.05

 UJI KOLMOGOROV SMIRNOV
(SPSS)
Pengujian normalitas dengan menggunakan Program SPSS 

• Klik menu Analyze,
• Klik pada Nonparametric Test, 
• Klik Legacy Dialogs,
• Klik 1-Sample K-S. K-S itu singkatan dari Kolmogorov-Smirnov
 UJI KOLMOGOROV SMIRNOV
(SPSS)

• Kotak One-Sample Kolmogorov-Smirnov
Test
• Data yang akan diuji terletak di kiri dan
pindahkan ke kanan dengan tanda panah.
Centang Normal pada Test Distribution
 UJI KOLMOGOROV SMIRNOV
(SPSS)

• Pada output, lihat pada baris paling bawah dan paling

kanan yang berisi Asymp.Sig.(2-tailed).
• Lalu intepretasinya adalah bahwa jika nilainya di atas
0,05 maka distribusi data dinyatakan memenuhi asumsi
normalitas, dan jika nilainya di bawah 0,05 maka
diinterpretasikan sebagai tidak normal.
• Dalam contoh nilai p=0.147
• Data berdistribusi normal