• Setelah mempelajari materi ini, mahasiswa diharapkan :
• Mampu menjelaskan uji normalitas • Mampu menjelaskan uji homogenitas • Mahasiswa mampu mengaplikasikan Uji normalitas dan homogenitas dalam data penelitian Pendahuluan • Data dengan sampel > 30 dianggap Uji Normalitas normal tanpa melakukan cek • Tetapi juga beranggpan bahwa 30 data tsb belum tentu terdistribusi normal Untuk menentukan data yang telah dikumpulkan berdistribusi normal Uji Normalitas atau diambil dari populasi normal • Digunakan uji asumsi parametris a) Regresi linear • Chi –Square b) Independen sampel T-Tes • Kolmogorov Smirnov c) T-Tes • Shapiro-Wilk d) Anacova • Rumus Liliefors e) Mancova f) Manova g) Anova dsb Umum digunakan Beberapa kriteria Distribusi Normal adalah:
1) Mempunyai 2 parameter populasi yang lengkap, yaitu Mean dan
Standar Deviasi 2) Kurva mempunyai bentuk seperti Lonceng dan simetris terhadap Mean. Apa penyebab data tidak berdistribusi normal? • Penyebab data tidak berdistribusi normal adalah terutama adanya data extreme atau data pencilan yang biasa disebut dengan istilah outlier. • Dengan adanya outlier tersebut, maka sebaran data bisa menjadi condong ke kiri atau condong ke kanan. • Dimana jika sebaran data ini kita nilai secara visual misalnya menggunakan histogram, maka seharusnya data yang berdistribusi normal akan membentuk sebaran seperti lonceng menghadap ke atas. Metode Chi-Square (Uji Goodness of fit Distribusi Normal) • 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 Metode Chi Square (Uji Goodness of fit Distribusi Normal) • Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi. • Cocok untuk data dengan banyaknya angka besar (n>30) 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 Saphiro 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 Homogenitas
• Pengujian mengenai sama tidaknya variansi-variansi / populasi dua buah distribusi
atau lebih. • Uji homogenitas dilakukan untuk mengetahui apakah data dalam variabel X dan Y bersifat homogen atau tidak • Sebagai syarat uji perbandingan dalam • Tidak semua uji paramatris analisis independent sample T-Tes & membutuhkan homogenitas Tetapi anova perlu Normalitas • Merupakan syarat yang cukup, artinya • Misalnya pada uji T-Tes (data yang ketik homogenitas tidak terpenuhi selum dan sesudah dilakukan masih bisa menggunkan uji parametrik perlakuan) sehingga tidak perlu uji • Yang membedakan nilai dari homogenitas residualnya • Kecuali ada salah satu perlakuannya sebagai treatment (misal Perlakuan A dan B) Perlu homogenitas Dasar Pengambilan Keputusan Uji Homogenitas 1. Jika nilai signifikansi > 0.05 maka residual distribusi data adalah homogen 2. Jika nilai signifikansi < 0.05 maka residual distribusi data adalah tidak homogen
Jika Nilai Signifikansi (P-Value) 0,05 maka dapat
disimpulkan bahwa “Varian dari Dua Kelompok Data atau Lebih adalah SAMA (HOMOGEN)” Terima Kasih