Topik 12

UJI KENORMALAN DATA

Dosen Pengampu : Palma Juanta., S,Si.,M.Pd

Kelompok x:
• Stiven (223303040401)
• Steven (223303040443)
• Berwyn Hulbert Tanadi (223303040428)
• Besante Singh (223303040422)
• Buana Hastantri (223303040442)
• Diba Sundari (223303040446)
• Dony Ericsen (223303040420)

Jurusan Sistem Informasi Semester 2 Malam A

Fakultas Teknologi dan Ilmu Komputer
UJI KENORMALAN DATA

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
 METODE CHI-SQUARE
Metode ini menggunakan pendekatan penjumlahan penyimpangan
data observasi tiap kelas dengan nilai yang diharapkan.

Rumus Pengujian:

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 sebelumnya didapatkan berdasarkan pada hasil transformasi data distribusi
frekuensi yang akan diuji normalitasnya, sebagai berikut:

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
- Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
- Cocok untuk data dengan banyaknya angka besar ( n > 30 )
- Setiap sel harus terisi, yang kurang dari 5 digabungkan.
CONTOH CHI-SQUARE
Diambil Tinggi Badan Mahasiswa Di Suatu Perguruan Tinggi

Dengan α = 5%, apakah data tersebut di atas berdistribusi normal ? (Mean =

157.8; Standar deviasi = 8.09)

Hipotesis:
Ho : Populasi tinggi badan mahasiswa berdistribusi normal
H1 : Populasi tinggi badan mahasiswa tidak berdistribusi normal

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.
 Dari data sebelumnya didapat:

Luasan pi dihitung dari batasan proporsi hasil transformasi Z yang

dikonfirmasikan dengan tabel distribusi normal atau tabel Z.
Derajat Bebas
Df = ( k – 3 ) = ( 5 – 3 ) = 2

Nilai Tabel
Nilai tabel X2 ; α = 0,05 ; df = 2 ; = 5,991

Daerah Penolakan

Menggunakan rumus: |0,427 | < |5,991| ; Keputusan hipotesis: berarti Ho diterima, Ha ditolak

Kesimpulan: Popuolasi 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. Probabilitas tersebut dicari bedanya dengan probabilitas kumulatif empiris. Beda
terbesar dibanding dengan tabel Lilliefors.

Xi = Angka pada data F(X) = Probabilitas komulatif normal

Z = Transformasi dari angka ke notasi pada distribusi normal S(X) = Probabilitas komulatif empiris
 SYARAT UJI LILLIEFORS

- Data berskala interval atau ratio (kuantitatif)

- Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
- Dapat untuk n besar maupun n kecil.
CONTOH LILLIEFORS
Berdasarkan data dari 18 nilai ujian siswa didapat data berikut : 46, 57, 52, 63,
70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69, 61, 65, 68.

Dengan α = 5%, Apakah data berdistribusi normal? Hipotesis:

Ho : Populasi nilai ujian berdistribusi normal
H1 : Populasi nilai ujian tidak berdistribusi normal

Signifikansi:
Nilai | F (x) – S (x) | terbesar < nilai tabel Lilliefors, maka Ho diterima ; Ha ditolak.
Nilai | F(x) – S(x) | terbesar > dari nilai tabel Lilliefors, maka Ho ditolak ; Ha diterima.
Statistik Pengujian:

Nilai | F(x) – S(x) | tertinggi sebagai angka penguji normalitas, yaitu

0,1469.

Nilai Kuantil Penguji Lilliefors, α = 0,05 ; N = 18 yaitu 0,2000.

Daerah penolakan lilliefors

Menggunakan rumus | 0,1469 | < | 0,2000| ; berarti Ho diterima, Ha ditolak

Kesimpulan: Populasi nilai ujian statistik berdistribusi normal.

 METODE
KOLMOGOROV SMIRNOV
Kolmogorov smirnov dengan lilliefors memiliki penyelesaian dan penggunaan rumus sama, namun
pada signifikansi yang berbeda. Signifikansi metode Kolmogorov-Smirnov menggunakan tabel
pembanding yaitu Tabel Kolmogorov Smirnov.

Xi = Angka pada data FT = Probabilitas komulatif normal

Z = Transformasi dari angka ke notasi pada distribusi normal FS = Probabilitas komulatif empiris
CONTOH KOLOMOGOROV SMIRNOV
Berdasarkan data dari 27 berat badan siswa didapat data berikut : 78, 78, 95,
90, 78, 80, 82, 77, 72, 84, 68, 67, 87, 78, 77, 88, 97, 89, 97, 98, 70, 72, 70,
69, 67, 90, 97 kg.

Dengan α = 5%, Apakah data di atas berdistribusi normal? Hipotesis:

Ho : Populasi berat badan berdistribusi normal
H1 : Populasi berat badan tidak berdistribusi normal

Nilai |FT – FS| terbesar <nilai tabel Kolmogorov Smirnov, maka Ho diterima ; Ha ditolak.
Nilai |FT – FS| terbesar > nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; Ha diterima.
Statistik Pengujian:

Nilai Kuantil Penguji Kolmogorov, α =

0,05 ; N = 27 ; yaitu 0,254.

Daerah penolakan
Menggunakan rumus: | 0,1440 | < | 0,2540| ;
berarti Ho diterima, Ha ditolak

Kesimpulan:
Populasi berat badan berdistribusi normal.
 SHAPIRO WILK
Uji Shapiro Wilk adalah sebuah metode atau rumus perhitungan sebaran data yang dibuat oleh shapiro
dan wilk. Metode shapiro wilk adalah metode uji normalitas yang efektif dan valid digunakan untuk
sampel berjumlah kecil.

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.
 RUMUS SHAPIRO WILK

Keterangan Rumus Shapiro Wilk

D = Dengan rumus di bawah = Koefisien test Shapiro Wilk Xn-i+1 = Angka ke n – i + 1 pada data

Xi = Angka ke i pada data

X = Rata-rata data

G = Identik dengan nilai Z distribusi normal

T3 = Berdasarkan rumus di samping bn, cn, dn = Konversi
Statistik Shapiro-Wilk Pendekatan Distribusi Normal
CONTOH SHAPIRO WILK
Berdasarkan data dari 24 usia didapat data berikut : 58, 36, 24, 23, 19, 36, 58,
34, 33, 56, 33, 26, 46, 41, 40, 37, 36, 35, 18, 55, 48, 32, 30 27 tahun.

Dengan α = 5%, Apakah data di atas berdistribusi normal? Hipotesis:

Ho : Populasi usia berdistribusi normal
H1 : Populasi usia tidak berdistribusi normal

Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T3

dibandingkan dengan nilai tabel Shapiro W, untuk dilihat posisi nilai probabilitasnya (p).

Jika nilai p > 5%, maka Ho diterima ; Ha ditolak.

Jika nilai p < 5%, maka Ho ditolak ; Ha diterima..
Hitung nilai D: Hitung nilai T:

Pada tabel dapat dilihat,

nilai α (0,10) = 0,930 ; nilai α (0,50) =
0,963

Nilai T3 terletak diantara 0,930 dan 0,963, atau nilai p hitung terletak diantara 0,10
dan 0,50, yang diatas nilai α (0,05) berarti
Ho diterima, Ha ditolak
 Sampel diambil dari populasi normal, pada α = 0,05. Cara lain setelah nilai T3 diketahui dapat
menggunakan rumus G, yaitu :

Hasil nilai G merupakan nilai Z pada distribusi normal, yang selanjutnya dicari nilai proporsi (p)
luasan pada tabel distribusi normal (lampiran). Berdasarkan nilai G = -1,2617, maka nilai proporsi
luasan = 0,1038. Nilai p tersebut di atas nilai α = 0,05 berarti
Ho diterima Ha ditolak.
TERIMA KASIH
Kritik & Saran