2
𝑂𝑖 − 𝐸 𝑖
𝜒2 = ∑
𝐸𝑖
Keterangan :
2 = Nilai 2
Oi = Nilai Frek observasi
Ei = Nilai Frek expected / harapan, luasan interval kelas berdasarkan
tabel normal dikalikan N (total frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)
Nilai Z Score Dalam Uji Normalitas
Z Score adalah suatu ukuran penyimpangan data dari nilai
rata-ratanya yang diukur dalam satuan standar deviasinya. Jika
nilainya terletak diatas rata-rata maka Z score-nya akan bernilai
positif, sedangkan apabila nilainya dibawah nilai rata-rata maka Z
score-nya akan bernilai negatif. Z Score ini juga disebut dengan
Nilai Standar atau Nilai Baku.
Manfaat dari menstandarisasikan nilai-nilai skor mentah atau
nilai yang diamati dari distribusi normal menjadi Z Score atau
Skor Z ini adalah untuk memungkinkan kita menghitung
probabilitas skor yang terjadi dalam distribusi normal dan juga
memungkinkan kita untuk membandingkan dua skor yang
berasal dari populasi yang berbeda.
Nilai Z Score Dalam Uji Normalitas
• Untuk mencari Z Score atau Nilai Baku ini, kita perlu mengetahui
nilai rata-rata (mean) dan stardar deviasi suatu populasi karena
Rumus untuk menghitung Z Score adalah dengan mengurangi
nilai yang diamati (skor mentah) dengan rata-rata populasi dan
kemudia dibagi dengan standar deviasinya.
Berikut ini adalah persamaan untuk Menghitung Z Score :
Keterangan
ẋ = nilai rata-rata yang diamati (skor
𝑥−𝜇 mentah)
𝑍= μ = rata-rata populasi
𝜎 σ = adalah standar deviasi
populasi Z = Z Score (Nilai Baku)
Prosedur untuk Menghitung Uji Normalitas
(6 Langkah).
1. Merumuskan hipotesis
Ho : data berdistribusi normal
Ha : data tidak berdistribusi normal
6. Memberikan kesimpulan
(STUDI KASUS) UJI NORMALITAS DENGAN
MENGGUNAKAN Z SCORE DAN METODE CHI KUADRAT
Contoh 1
Diketahui : Data mahasiswa yang mendapat nilai ujian
matematika sebanyak 30 sebagai berikut :
75 74 74 73 76 77 87 67 56 78
78 67 76 66 65 67 67 76 78 77
77 77 80 87 89 89 89 89 91 85
Ditanya : Ujilah apakah data tersebut berdistribusi normal atau
tidak
dengan = 0,05 ?
(STUDI KASUS) UJI NORMALITAS DENGAN
MENGGUNAKAN Z SCORE DAN METODE CHI KUADRAT
Penyelesaian:
1. Merumuskan hipotesis
Ho : data berdistribusi normal
Ha : data tidak berdistribusi normal
= 7,81
(STUDI KASUS) UJI NORMALITAS DENGAN MENGGUNAKAN Z
SCORE DAN METODE CHI KUADRAT
Luas Interval adalah harga mutlak, Luas interval kelas 1 adalah 0,491-0,454 = 0,0374; Luas
Interval kelas ke 2 adalah 0,454 – 0,344 = 0,1097; dan seterusnya
(STUDI KASUS) UJI NORMALITAS DENGAN
MENGGUNAKAN Z
SCORE DAN METODE CHI KUADRAT
6. Memberikan kesimpulan
karena 2 hitung > 2 tabel, yaitu 12,017 >
7,81,
Maka kesimpulannya tolak Ho, data ujian matematika tidak
berdistribusi normal
(STUDI KASUS) UJI NORMALITAS DENGAN MENGGUNAKAN Z
SCORE DAN METODE CHI KUADRAT
Contoh 2:
• DIAMBIL TINGGI BADAN MAHASISWA DI SUATU PERGURUAN
TINGGI TAHUN 1990
1. Hipotesis :
• Ho : Populasi tinggi badan mahasiswa berdistribusi normal
• H1 : Populasi tinggi badan mahasiswa tidak berdistribusi normal
2. Nilai
• Nilai = level signifikansi = 5% = 0,05
𝑂𝑖 −𝐸𝑖 2
3. Persamaan Chi Kuadrat 𝜒 = 2 ∑
𝐸𝑖
(STUDI KASUS) UJI NORMALITAS DENGAN MENGGUNAKAN Z
SCORE DAN METODE CHI KUADRAT
2
𝑂𝑖 −
𝜒 =∑
2
𝐸𝑖 𝐸𝑖
4. Derajat Bebas
Df = ( k =panjang kelas) – 3 ) = ( 5 – 3 ) = 2
5. Nilai tabel
Nilai tabel 2 ; = 0,05 ; df = 2 ; = 5,991.
Tabel 2 (Chi-Square) pada lampiran.
(STUDI KASUS) UJI NORMALITAS DENGAN MENGGUNAKAN
Z
SCORE DAN METODE CHI KUADRAT
6. Daerah penolakan
• Menggunakan gambar
• Dari penghitungan diatas diperoleh Fhitung = 2.81 dan dari grafik daftar
distribusi F dengan dk pembilang = 10 - 1 = 9. Dk penyebut
= 10 - 1 = 9. Dan = 0.05 dan diperoleh nilai Ftabel= 3.18.
• Tampak bahwa Fhitung < Ftabel. Hal ini berarti data variabel X dan Y
Metode Lilliefors
Keterangan :
• Xi = Angka pada data
• Z = Transformasi dari angka ke notasi pada distribusi normal
• F(x) = Probabilitas komulatif normal
• S(x) = Probabilitas komulatif empiris
Metode Lilliefors
PERSYARATAN
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.
SIGNIFIKANSI
• Signifikansi uji, nilai | F (x) - S (x) | terbesar dibandingkan dengan nilai
tabel Lilliefors.
• Jika nilai | F (x) - S (x) | terbesar < nilai tabel Lilliefors, maka Ho
diterima ; Ha ditolak.
• Jika nilai | F(x) - S(x) | terbesar > dari nilai tabel Lilliefors, maka Ho
ditolak ; Ha diterima.
Metode Lilliefors
Contoh :
• Berdasarkan data ujian statistik dari 18 mahasiswa didapatkan
data sebagai berikut ; 46, 57, 52, 63, 70, 48, 52, 52, 54, 46, 65,
45, 68, 71, 69, 61, 65, 68. Selidikilah dengan α = 5%, apakah
data tersebut di atas diambil dari populasi yang berdistribusi
normal ?
• Penyelesaian :
1. Hipotesis
• Ho : Populasi nilai ujian statistik berdistribusi normal
• H1 : Populasi nilai ujian statistik tidak berdistribusi normal
2. Nilai α
• Nilai α = level signifikansi = 5% = 0,05
Metode Lilliefors
3. Statistik Penguji
Keterangan :
• Xi = Angka pada data
• Z = Transformasi dari angka ke notasi pada distribusi normal
• FT = Probabilitas komulatif normal
• FS = Probabilitas komulatif empiris
Metode Kolmogorov Smirnov
PERSYARATAN
• a. Data berskala interval atau ratio (kuantitatif)
• b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
• c. Dapat untuk n besar maupun n kecil.
SIGINIFIKANSI
• Signifikansi uji, nilai |FT – FS| terbesar dibandingkan dengan nilai tabel
Kolmogorov Smirnov.
•
• Jika nilai |FT – FS| terbesar <nilai tabel Kolmogorov Smirnov, maka Ho
diterima ; Ha ditolak.
• Jika nilai |FT – FS| terbesar > nilai tabel Kolmogorov Smirnov, maka Ho
ditolak ; Ha diterima.
Metode Kolmogorov Smirnov
Contoh :
• Suatu penelitian tentang berat badan mahasiswa yang
mengijkuti pelatihan kebugaran fisik/jasmani dengan sampel
sebanyak 27 orang diambil secara random, didapatkan data
sebagai 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.
Selidikilah dengan α = 5%, apakah data tersebut di atas
diambil dari populasi yang berdistribusi normal ?
Penyelesaian :
1. Hipotesis
• Ho : Populasi berat badan mahasiswa berdistribusi normal
• H1 : Populasi berat badan mahasiswa tidak berdistribusi
normal
2. Nilai α
• Nilai α = level signifikansi = 5% = 0,05
Metode Kolmogorov Smirnov
3. Statistik Penguji
Metode Kolmogorov Smirnov
4. Derajat bebas
• Df tidak diperlukan
5. Nilai tabel
• Nilai Kuantil Penguji Kolmogorov, α = 0,05 ; N = 27 ;
yaitu 0,254. Tabel Kolmogorov Smirnov.
6. Daerah penolakan
• Menggunakan rumus: | 0,1440 | < | 0,2540| ; berarti
Ho diterima, Ha ditolak
7. Kesimpulan
• Populasi tinggi badan mahasiswa berdistribusi normal α
= 0,05.
Metode Kolmogorov Smirnov
4. Derajat bebas
• Df tidak diperlukan
5. Nilai tabel
• Nilai Kuantil Penguji Kolmogorov, α = 0,05 ; N = 27 ;
yaitu 0,254. Tabel Kolmogorov Smirnov.
6. Daerah penolakan
• Menggunakan rumus: | 0,1440 | < | 0,2540| ; berarti
Ho diterima, Ha ditolak
7. Kesimpulan
• Populasi tinggi badan mahasiswa berdistribusi normal α
= 0,05.
Metode Shapiro Wilk
• 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.
• Keterangan :
• D = Berdasarkan rumus di bawah = Koefisien test Shapiro Wilk
• X n-i+1 = Angka ke n – i + 1 pada data
• X i = Angka ke i pada data.
Metode Shapiro Wilk
• Keterangan :
• Xi = Angka ke i pada data yang
• X = Rata-rata data
Keterangan :
• G = Identik dengan nilai Z distribusi
normal
• T3 = Berdasarkan rumus di atas bn, cn,
dn = Konversi Statistik Shapiro-Wilk
Pendekatan Distribusi Normal
PERSYARATAN
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi
frekuensi
c. Data dari sampel random
Metode Shapiro Wilk
SIGNIFIKANSI
• Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji
nilai T3 dibandingkan dengan nilai tabel Shapiro Wilk, untuk dilihat
posisi nilai probabilitasnya (p).
• Jika nilai p > 5%, maka Ho diterima ; Ha ditolak.
• Jika nilai p < 5%, maka Ho ditolak ; Ha diterima.
Contoh :
• Berdasarkan data usia sebagian balita yang diambil sampel secara
random dari posyandu Mekar Sari Wetan sebanyak 24 balita,
didapatkan data sebagai 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 bulan.
Selidikilah data usia balita tersebut, apakah data tersebut diambil
dari populasi yang berdistribusi normal pada α = 5% ?
Metode Shapiro Wilk
Penyelesaian :
1. Hipotesis
Ho : Populasi usia balita berdistribusi normal
H1 : Populasi usia balita tidak berdistribusi normal
2. Nilai α
Nilai α = level signifikansi = 5% = 0,05
4. Derajat bebas
Db = n
5. Nilai tabel
• Pada tabel Saphiro Wilk dapat dilihat, nilai α (0,10) =
0,930 ; nilai α (0,50) = 0,963
Metode Shapiro Wilk
6. Daerah penolakan
• 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
7. Kesimpulan
• Sampel diambil dari populasi normal, pada α = 0,05.
Cara lain setelah nilai T3 diketahui dapat menggunakan
rumus G, yaitu :
Metode Shapiro Wilk
Jika nilai Sig lebih besar dari 0,05 maka data berdistribusi normal
Jika nilai Sig lebih kecil dari 0,05 maka data tidak berdistribusi normal
Cara lain
Hasilnya
Kalau datanya gak Normal?
• data yang tidak normal tidak selalu berasal dari
penelitian yang buruk. Data ini mungkin saja
terjadi karena ada kejadian yang di luar
kebiasaan. Atau memang kondisi datanya
memang nggak normal.
• Contoh : pendapatan penduduk di Kota
Denpasar.
Solusi kalau gak normal
• Kita perlu ngecek apakah ketidaknormalannya
parah nggak. Memang nggak ada patokan pasti
tentang keparahan ini. Tapi kita bisa mengira-ira
jika misalnya nilai p yang didapatkan sebesar
0,049 maka ketidaknormalannya tidak terlalu
parah (nilai tersebut hanya sedikit di bawah
0,05).
• Jika ketidaknormalannya tidak terlalu parah
lalu kenapa? Ada beberapa analisis statistik
yang agak kebal dengan kondisi ketidaknormalan
ini (disebut memiliki sifat robust), misalnya F-
test dan t-test.
• Kita bisa membuang nilai-nilai yang ekstrem,
baik atas atau bawah. Nilai ekstrem ini disebut
outliers.
• Pertama kita perlu membuat grafik, dengan
sumbu x sebagai frekuensi dan y sebagai semua
nilai yang ada dalam data kita (ini tentunya bisa
dikerjakan oleh komputer).
• Kita akan bisa melihat nilai mana yang sangat
jauh dari kelompoknya.
• Nilai inilah yang kemudian perlu dibuang dari
data kita, dengan asumsi nilai ini muncul akibat
situasi yang tidak biasanya. Misal responden
yang mengisi skala kita dengan sembarang yang
membuat nilainya jadi sangat tinggi atau sangat
rendah.
• mentransform data kita. Ada banyak cara untuk
mentransform data kita, misalnya dengan mencari
akar kuadrat dari data kita, dll.
• Bagaimana jika semua usaha di atas tidak
membuahkan hasil dan hanya membuahkan
penyesalan
• Maka langkah terakhir yang bisa kita lakukan adalah
dengan menggunakan analisis non-parametrik.
Analisis ini disebut juga sebagai analisis yang
distribution free.
• Sayangnya analisis ini seringkali mengubah data kita
menjadi data yang lebih rendah tingkatannya. Misal
kalo sebelumnya data kita termasuk data interval
dengan analisis ini akan diubah menjadi data ordinal.
Polemik sekitar uji normalitas
• Beberapa kasus, hasil dari metode di atas sering
tidak ada yang sama
• Kesepakatan:
– Nilai koefisien varians, rasio, skewness dan
kurtosis, uji kolmogorov smirnov memiliki
sensiivitas yg lebih tinggi.
– Dibandingkan dengn histogram dan plots, uji
kolmogorov-smirnov lebih objectif.
Uji Homogenitas
Homogenitas
• Pengujian homogenitas adalah pengujian
mengenai sama tidaknya variansi-variansi dua
buah distribusi atau lebih.
• Uji homogenitas yang akan dibahas dalam tulisan
ini adalah Uji Homogenitas Variansi dan Uji
Bartlett.
• Uji homogenitas dilakukan untuk mengetahui
apakah data dalam variabel X dan Y bersifat
homogen atau tidak.
Uji Homogenitas Variansi
Langkah-langkah menghitung uji homogenitas :
1. Mencari Varians/Standar deviasi Variabel X danY, dengan rumus :
• Catatan:
• Pembilang: S besar artinya Variance dari kelompok dengan variance
terbesar (lebih banyak)
• Penyebut: S kecil artinya Variance dari kelompok dengan variance terkecil
(lebih sedikit)
• Jika variance sama pada kedua kelompok, maka bebas tentukan
pembilang dan penyebut.
Uji Homogenitas Variansi
3. Membandingkan F hitung dengan F tabel pada tabel distribusi F,
dengan:
• Untuk varians dari kelompok dengan variance terbesar adalah dk
pembilang n-1
• Untuk varians dari kelompok dengan variance terkecil adalah dk
penyebut n-1
• Jika F hitung < F tabel, berarti homogen
• Jika F hitung > F tabel, berarti tidak homogen
Uji Homogenitas Variansi
Contoh :
• Data tentang hubungan antara Penguasaan kosakata(X) dan
kemampuan membaca (Y):
Uji Homogenitas Variansi
Contoh :
• Kemudian dilakukan penghitungan, dengan rumus yang ada.
Contoh :
• Kemudian dicari F hitung :
Uji Homogenitas Variansi
• Dari penghitungan diatas diperoleh F hitung 2.81 dan dari grafik
daftar distribusi F dengan dk pembilang = 10-1 = 9. Dk penyebut =
10-1 = 9. Dan α = 0.05 dan F tabel = 3.18. Tampak bahwa F hitung <
F tabel. Hal ini berarti data variabel X dan Y homogen.