10

UJI NORMALITAS
DAN
UJI HOMOGENITAS

SUTRISNO ADI PRAYITNO

 CP Pertemuan 10
(Uji Normalitas dan Homogenitas)

• 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
analisis independent sample T-Tes &
anova
• Merupakan syarat yang cukup, artinya
ketik homogenitas tidak terpenuhi
masih bisa menggunkan uji parametrik
• Yang membedakan nilai dari
residualnya
• Tidak semua uji paramatris
membutuhkan homogenitas Tetapi
perlu Normalitas
• Misalnya pada uji T-Tes (data yang
selum dan sesudah dilakukan
perlakuan) sehingga tidak perlu uji
homogenitas
• 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