Professional Documents
Culture Documents
Xi − X
Z =
SD
1 2
KATA PENGANTAR DAFTAR ISI
Halaman
Salah satu alat bantu statistik adalah uji normalitas. Uji normalitas berguna HALAMAN JUDUL ...................................................................................
untuk menentukan data yang telah dikumpulkan berdistribusi normal atau KATA PENGANTAR................................................................................
diambil dari populasi normal.. DAFTAR ISI...............................................................................................
Kadangkala pengguna statistik paham dengan rumus uji normalitas yang Uji Normalitas 1
disajikan, namun untuk menerapkan masih merasa kebingungan dan keraguan. A. Berdasarkan Kemiringan / Kemencengan / Skewnes dan Kurtosis 2
Berdasarkan keadaan tersebut penulis terdorong untuk menyajikan rumus- B. Metode Kertas Peluang Normal 6
rumus statistik dengan teori yang sederhana dan memberikan contoh penerapan C. Metode Chi Square (Uji Goodness of fit Distribusi Normal) 8
rumus tersebut, sehingga mudah dipahami. D. Metode Lilliefors (n kecil dan n besar) 13
E. Metode Kolmogorov-Smirnov 17
Dalam penyajian buku ini tentunya masih banyak kekurangannya, untuk itu F. Metode Shapiro Wilk 21
saran, kritik sangatlah penulis harapkan demi sempurna buku ini. G. Menggunakan Perangkat Lunak SPSS 26
Penulis berharap mudah-mudahan tulisan yang singkat ini dapat bermanfaat DAFTAR PUSTAKA
bagi pembaca dan menggugah lebih dalam lagi untuk mempelajari statistik. LAMPIRAN
1. Contoh Kertas Peluang Normal
2. Tabel Distribusi Normal
Purwokerto, Januari 2006 3. Tabel Harga Kritis Chi – Square (X2)
4. Tabel Harga Quantil Statistik Lilliefors Distribusi Normal
Penulis 5. Tabel Harga Quantil Statistik Kolmogorov Distribusi Normal
6. Tabel Harga Quantil Statistik Shapiro-Wilk Distribusi Normal
7. Konversi Statistik Shapiro-Wilk Pendekatan Distribusi Normal
8. Koefisient untuk test Shapiro-Wilk
Tri Cahyono 9. Hasil Print Out SPSS Pengujian Normality
3 4
A. Berdasarkan Kemiringan / Kemencengan / Skewnes dan Kurtosis
Suatu data bila disajikan dalam bentuk kurva halus dapat berbentuk kurva yang
miring ke kanan, miring ke kiri atau simetris. Miring ke kanan bila kurva
Data klasifikasi kontinue, data kuantitatif yang termasuk dalam pengukuran
mempunyai ekor (asymtut / menyinggung sumbu X) yang memanjang ke
data skala interval atau ratio, untuk dapat dilakukan uji statistik parametrik
sebelah kanan, demikian miring ke kiri sebaliknya, sedangkan bila simetris
dipersyaratkan berdistribusi normal. Pembuktian data berdistribusi normal
berarti kondisi ke kanan dan kiri seimbang, biasanya nilai mean, median dan
tersebut perlu dilakukan uji normalitas terhadap data. Uji normalitas berguna
modus berdekatan bahkan kadang sama. Kondisi kurva yang simetris tersebut
untuk membuktikan data dari sampel yang dimiliki berasal dari populasi
sering disebut membentuk kurva distribusi normal. Kemiringan kurva dapat
berdistribusi normal atau data populasi yang dimiliki berdistribusi normal.
dihitung berdasarkan rumus Koefisien Kemiringan Pearson, yaitu :
Banyak cara yang dapat dilakukan untuk membuktikan suatu data berdistribusi
normal atau tidak. RERATA − MODUS 3( RERATA − MEDIAN )
KEMIRINGAN = ≈
STANDAR . DEVIASI STANDAR . DEVIASI
Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit.
Berdasarkan pengalaman empiris beberapa pakar statistik, data yang
Bila hasil kemiringan negatif, maka kurva miring ke kiri, bila hasil kemiringan
banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan
positif, maka kurva miring ke kanan, sedangkan pada hasil kemiringan nol,
berdistribusi normal. Biasa dikatakan sebagai sampel besar.
maka kurva normal. Pada kurva normal biasanya data cenderung berdistribusi
norma. Secara visual gambar sebagai berikut:
Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal
atau tidak, sebaiknya digunakan uji statistik normalitas. Karena belum tentu
data yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian
sebaliknya data yang banyaknya kurang dari 30 belum tentu tidak berdistribusi
normal, untuk itu perlu suatu pembuktian. Pembuktian normalitas dapat
dilakukan dengan manual, yaitu dengan menggunakan kertas peluang normal, Kemiringan ke kanan Kemiringan ke kiri simetris
atau dengan menggunakan uji statistik normalitas.
Contoh kasus hasil pengukuran kebisingan pada tempat-tempat umum didapat
Banyak jenis uji statistik normalitas yang dapat digunakan diantaranya data sebagai berikut:
Kolmogorov Smirnov, Lilliefors, Chi-Square, Shapiro Wilk atau menggunakan
soft ware computer. Soft ware computer dapat digunakan misalnya SPSS, NO. KEBISINGAN (dB) JUMLAH
Minitab, Simstat, Microstat, dsb. Pada hakekatnya soft ware tersebut 1. 70 – 79 9
merupakan hitungan uji statistik Kolmogorov Smirnov, Lilliefors, Chi-Square, 2. 80 – 89 15
Shapiro Wilk, dsb yang telah diprogram dalam soft ware komputer. Masing- 3. 90 – 99 12
masing hitungan uji statistik normalitas memiliki kelemahan dan kelebihannya,
4. 100 – 109 10
pengguna dapat memilih sesuai dengan keuntungannya.
5. 110 – 119 4
Di bawah disajikan beberapa cara untuk menguji suatu data berdistribusi JUMLAH 50
normal atau tidak.
5 6
Penyelesaian Bila nilai Koefisien Kurtosis Persentil mendekati 0,263, maka dapat
disimpulkan data berdistribusi normal.
No Kbs(dB) JML(fi) Xi fi.Xi Xi - X fi.Xi-X (Xi – X)2 fi.(Xi – X)2 Berdasarkan kurva normal, untuk membuktikan data berdistribusi normal atau
1 70 – 79 9 74,5 670,5 -17 153 289 2601 tidak, dapat dihitung berdasarkan rumus Koefisien Kurtosis, yaitu
2 80 – 89 15 84,5 1267,5 -7 105 49 735 m
a 4 = 42
3 90 – 99 12 94,5 1134,0 3 36 9 108 m2
4 100 – 109 10 104,5 1045,0 13 130 169 1690 Keterangan : a4 = koefisien kurtosis
5 110 – 119 4 114,5 458,0 23 92 529 2116 : m = moment sekitar rata-rata, berdasar rumus di bawah
JUMLAH 50 4575,0 516 7250 ( xi − x) r
∆a 6 mr = ≈ untuk data tunggal
Modus = Lmdo + .I ⇔ Modus = 79,5 + .10 ⇔ 86,17 n
∆a + ∆b 6+3 f i ( xi − x) r
N 50 mr = ≈ untuk data dalam distribusi frekuensi
−F − 24 n
Median = Lmdi + 2 . I ⇔ Median = 89,5 + 2 .10 ⇔ 90,33 Keterangan : mr = moment ke r = 1 , 2, 3, dst
fdi 12 : Xi = data ke i = 1, 2, 3, dst, (titik tengah interval kelas)
fi. Xi 4575 : n = banyaknya angka pada data
X = ⇔X = ⇔ 91,5 : X = rata-rata
fi 50
: fi = frekuensi
fi.( Xi − X ) 2 7250 Bila nilai a4 sama dengan 3, maka data berdistribusi normal, bila a4 kurang dari
SD = ⇔ SD = ⇔ 12,04 3, maka bentuk kurva normal platikurtik, bila nilai a4 lebih besar dari 3, maka
N 50
bentuk kurva leptokurtic. Secara visual gambar sebagai berikut:
RERATA − MODUS 3( RERATA − MEDIAN )
KEMIRINGAN = ≈
STANDAR . DEVIASI STANDAR . DEVIASI
91,5 − 86,17 3(91,5 − 90,33)
KEMIRINGAN = ≈ ⇔ KEMIRINGAN = 0,44 ≈ 0,29
12,04 12,04
Nilai kemiringan 0,44 atau 0,29, berarti miring ke kanan, tidak simetris. distribusi normal platikurtik
leptokurtik
Contoh data tinggi badan masyarakat kalimas
Rumus lainnya yang dapat digunakan untuk membutikan kenormalan data,
NO. TINGGI BADAN JUMLAH
yaitu Koefisien Kurtosis Persentil, sebagai berikut :
1. 140 – 149 6
SK 1 ( K3 − K1 )
κ= = 2 2. 150 – 159 22
P90 − P10 P90 − P10 3. 160 – 169 39
Keterangan : κ = kappa (Koefisien Kurtosis Persentil) 4. 170 – 179 25
: SK = rentang semi antar kuartil 5. 180 – 189 7
: P = persentil 6. 190 – 199 1
: K = kuartil JUMLAH 100
7 8
Dihitung Koefisien Kurtosis Persentil sebagai berikut : B. Metode Kertas Peluang Normal
N 100
− Fa1 −6 Metode kertas peluang normal membutuhkan kertas grafik khusus yang disebut
K 1 = Lb1 + 4 . I ⇔ K 1 = 149,5 + 4 .10 ⇔ 158,14 Kertas Peluang Normal. Contoh kertas peluang normal dapat dilihat pada
f Q1 22
lampiran 1. Langkah pertama dalam mempergunakan metode kertas peluang
N 100 normal, yaitu data disajikan dalam bentuk tabel distribusi frekuensi relatif (data
3. − Fa 3 3. − 67
K 3 = Lb3 + 4 . I ⇔ K 3 = 169,5 + 4 .10 ⇔ 172,70 disajikan dalam bentuk prosentase). Contoh data sebagai berikut:
f Q3 25
NO BERAT BADAN (kg) JUMLAH PROSENTASE
N 100
10. − Fa10 10. −6 1 30 – 39 8 5,71
P10 = Lb10 + 100 . I ⇔ P10 = 149,5 + 100 .10 ⇔ 151,32 2 40 – 49 15 10,71
f P10 22 3 50 – 59 26 18,57
N 100 4 60 – 69 33 23,57
90. − Fa 90 90. − 67
P90 = Lb90 + 100 . I ⇔ P90 = 169,5 + 100 .10 ⇔ 178,70 5 70 – 79 27 19,29
f P 90 25 6 80 – 89 20 14,29
1 ( K 3 − K1 ) 1 (172,70 − 158,14 ) 7 90 – 99 11 7,86
SK 2
κ= = ⇔κ = 2 ⇔ 0,265 JUMLAH 140 100,00
P90 − P10 P90 − P10 178,70 − 151,32
Hasil Koefisien Kurtosis Persentil 0,265 ≠≈ 0,263, distribusi normal. Selanjutnya tabel diubah dalam bentuk distribusi frekuensi komulatif relatif
Selanjutnya dihitung Koefisien Kurtosis. kurang dari, sehingga terbentuk tabel sebagai berikut :
TB JML(fi) Xi fi.Xi Xi - X (Xi - X )2 fi(Xi - X )2 (Xi - X )4 fi(Xi - X )4 BERAT BADAN (kg) KOMULATIF %
140 – 149 6 144,5 867,0 -20,80 432,64 2595,84 187177,37 1123064,22 Kurang dari 29,50 0,00
150 – 159 22 154,5 3399,0 -10,80 116,64 2566,08 13604,89 299307,57 Kurang dari 39,50 5,71
160 – 169 39 164,5 6415,5 -0,80 0,64 24,96 0,41 15,97 Kurang dari 49,50 16,42
170 – 179 25 174,5 4362,5 9,20 84,64 2116,00 7163,93 179098,24 Kurang dari 59,50 34,99
180 – 189 7 184,5 1291,5 19,20 368,64 2580,48 135895,45 951268,15 Kurang dari 69,50 58,56
190 – 199 1 194,5 194,5 29,20 852,64 852,64 726994,97 726994,97 Kurang dari 79,50 77,85
Jumlah 100 16530,0 10736,00 3279749,12 Kurang dari 89,50 92,14
f i ( xi − x) 2 f i ( xi − x) 4 Kurang dari 99,50 100,00
f i ( xi − x) r m2 = m4 =
mr = => n => n
Berikutnya data komulatif relatif ditampilkan pada kertas peluang normal.
n 10736,00 3279749,12
m2 = = 107,36 m 4 = = 32797,49 Sumbu horisontal tempat meletakkan interval kelas dan sumbu vertikal tempat
100 100 untuk angka komulatifnya. Pertemuan kelas dan angka komulatif ditandai
m 32797,49 dengan titik-titik. Jika titik-titik tersebut dihubungkan membentuk garis lurus,
a 4 = 42 => a 4 = = 2,85
m2 107,36 2 berarti data berdistibusi normal.
Hasil Koefisien Kurtosis > 3, mendekati normal Contoh untuk penyajian data di atas pada kertas peluang normal menjadi
sebagai berikut :
9 10
C. Metode Chi Square (Uji Goodness of fit Distribusi Normal)
1. Rumus X2
(Oi − E i )2
X2 =
Ei
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)
BATAS INTERVAL
KELAS Xi − X Ei
Z =
NO (batas tidak nyata) SD pi Oi (pi x N)
1
2
3
dst
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 (Lampiran 2)
11 12
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan b. Nilai α
tabel normal dikalikan N (total frekuensi) ≈ pi x N Nilai α = level signifikansi = 5% = 0,05
h. Kesimpulan
Sampel diambil dari populasi normal, pada α = 0,05.
(Oi − E i )2
X = 2
Ei
X 2
=
(6 − 5,66) (22 − 22,47) (39 − 37,14) (25 − 25,56) (8 − 8,48)
2
+
2
+
2
+
2
+
2
e. Df/db/dk
Df = ( k – 3 ) = ( 5 – 3 ) = 2
f. Nilai tabel
Nilai tabel X2 ; α = 0,05 ; df = 2 ; = 5,991. Tabel X2 (Chi-Square) pada
lampiran 3.
15 16
D. Metode Lilliefors (n kecil dan n besar) 3. Signifikansi
Signifikansi uji, nilai F (x) - S (x) terbesar dibandingkan dengan nilai
Metode Lilliefors menggunakan data dasar yang belum diolah dalam tabel tabel Lilliefors. Jika nilai F (x) - S (x) terbesar kurang dari nilai tabel
distribusi frekuensi. Data ditransformasikan dalam nilai Z untuk dapat dihitung Lilliefors, maka Ho diterima ; Ha ditolak. Jika nilai F (x) - S (x) terbesar
luasan kurva normal sebagai probabilitas komulatif normal. Probabilitas lebih besar dari nilai tabel Lilliefors, maka Ho ditolak ; Ha diterima. Tabel
tersebut dicari bedanya dengan probabilitas komultaif empiris. Beda terbesar Lilliefors pada lampiran 4, Tabel Harga Quantil Statistik Lilliefors
dibanding dengan tabel Lilliefors pada lampiran 4 Tabel Harga Quantil Distribusi Normal
Statistik Lilliefors Distribusi Normal
4. Penerapan
1. Rumus Berdasarkan penelitian tentang intensitas penerangan alami yang dilakukan
terhadap 18 sampel rumah sederhana, rata-rata pencahayaan alami di
Xi − X beberapa ruangan dalam rumah pada sore hari sebagai berikut ; 46, 57, 52,
Z=
NO Xi SD F (x) S (x ) F (x) - S (x) 63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69, 61, 65, 68 lux. Selidikilah
1 dengan α = 5%, apakah data tersebut di atas diambil dari populasi yang
2 berdistribusi normal ?
3
4 Penyelesaian :
dst
a. Hipotesis
Ho : tidak beda dengan populasi normal
Keterangan :
Ha : Ada beda populasi normal
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
F(x) = Probabilitas komulatif normal b. Nilai α
S(x) = Probabilitas komulatif empiris Nilai α = level signifikansi = 5% = 0,05
F(x) = komulatif proporsi luasan kurva normal berdasarkan notasi Zi, c. Rumus Statistik penguji
dihitung dari luasan kurva normal mulai dari ujung kiri kurva sampai Xi − X
Z=
dengan titik Zi. NO Xi SD F(x) S(x) F(x) - S(x)
1
banyaknya..angka..sampai..angka..ke..ni 2
S( X ) =
banyaknya..seluruh..angka.. pada..data 3
4
2. Persyaratan 5
a. Data berskala interval atau ratio (kuantitatif) dst
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.
17 18
d. Hitung rumus statistik penguji. f. Nilai tabel
Nilai Kuantil Penguji Lilliefors, α = 0,05 ; N = 18 ; ≈ 0,2000. Tabel
Xi − X Lilliefors pada lampiran 4.
Z=
NO Xi SD F (x) S (x ) F (x) - S (x)
g. Daerah penolakan
1 45 -1,4577 0,0721 0,0556 0,0165
Menggunakan rumus
2 46 0,1469 < 0,2000 ; berarti Ho diterima, Ha ditolak
3 46 -1,3492 0,0885 0,1667 0,0782
4 48 -1,1323 0,1292 0,2222 0,0930 h. Kesimpulan
5 52 Sampel diambil dari populasi normal, pada α = 0,05.
6 52
7 52 -0,6985 0,2420 0,3889 0,1469
8 54 -0,4816 0,3156 0,4444 0,1288
9 57 -0,1562 0,4364 0,5000 0,0636
10 61 0,2777 0,6103 0,5556 0,0547
11 63 0,4946 0,6879 0,6111 0,0768
12 65
13 65 0,7115 0,7611 0,7222 0,0389
14 68
15 68 1,0369 0,8508 0,8333 0,0175
16 69 1,1453 0,8749 0,8889 0,0140
17 70 1,2538 0,8944 0,9444 0,0500
18 71 1,3623 0,9131 1,0000 0,0869
X 58,44
SD 9,22
e. Df/db/dk
Df = φ = tidak diperlukan
19 20
E. Metode Kolmogorov-Smirnov 3. Siginifikansi
Signifikansi uji, nilai FT - FS terbesar dibandingkan dengan nilai tabel
Metode Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors. Kolmogorov Smirnov. Jika nilai FT - FS terbesar kurang dari nilai tabel
Langkah-langkah penyelesaian dan penggunaan rumus sama, namun pada Kolmogorov Smirnov, maka Ho diterima ; Ha ditolak. Jika nilai FT -
signifikansi yang berbeda. Signifikansi metode Kolmogorov-Smirnov FS terbesar lebih besar dari nilai tabel Kolmogorov Smirnov, maka Ho
menggunakan tabel pembanding Kolmogorov-Smirnov, sedangkan metode ditolak ; Ha diterima. Tabel Kolmogorov Smirnov pada lampiran 5, Harga
Lilliefors menggunakan tabel pembanding metode Lilliefors. Quantil Statistik Kolmogorov Distribusi Normal.
1. Rumus 4. Penerapan
Suatu penelitian tentang berat badan peserta pelatihan kebugaran
Xi − X fisik/jasmani dengan sampel sebanyak 27 orang diambil secara random,
NO Xi Z= FT FS FT - FS
SD didapatkan data sebagai berikut ; 78, 78, 95, 90, 78, 80, 82, 77, 72, 84, 68,
1 67, 87, 78, 77, 88, 97, 89, 97, 98, 70, 72, 70, 69, 67, 90, 97 kg. Selidikilah
2 dengan α = 5%, apakah data tersebut di atas diambil dari populasi yang
3 berdistribusi normal ?
4
5 Penyelesaian :
dst
a. Hipotesis
Keterangan : Ho : tidak beda dengan populasi normal
Xi = Angka pada data Ha : Ada beda populasi normal
Z = Transformasi dari angka ke notasi pada distribusi normal
FT = Probabilitas komulatif normal b. Nilai α
FS = Probabilitas komulatif empiris Nilai α = level signifikansi = 5% = 0,05
FT = komulatif proporsi luasan kurva normal berdasarkan notasi Zi, c. Rumus Statistik penguji
dihitung dari luasan kurva mulai dari ujung kiri kurva sampai dengan titik
Z. Xi − X
NO Xi Z= FT FS FT - FS
SD
banyaknya..angka..sampai..angka..ke..n i 1
FS =
banyaknya..seluruh..angka.. pada..data 2
3
2. Persyaratan 4
a. Data berskala interval atau ratio (kuantitatif) 5
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi dst
c. Dapat untuk n besar maupun n kecil.
21 22
d. Hitung rumus statistik penguji. e. Df/db/dk
Df = φ = tidak diperlukan
Xi − X
Z=
NO Xi SD FT FS FT - FS f. Nilai tabel
1 67 Nilai Kuantil Penguji Kolmogorov, α = 0,05 ; N = 27 ; ≈ 0,254. Tabel
2 67 -1,3902 0,0823 0,0741 0,0082 Kolmogorov Smirnov pada lampiran 5.
3 68 -1,2929 0,0985 0,1111 0,0126
4 69 -1,1957 0,1151 0,1481 0,0330 g. Daerah penolakan
5 70 Menggunakan rumus
6 70 -1,0985 0,1357 0,2222 0,0865 0,1440 < 0,2540 ; berarti Ho diterima, Ha ditolak
7 72
8 72 -0,9040 0,1841 0,2963 0,1122 h. Kesimpulan
9 77 Sampel diambil dari populasi normal, pada α = 0,05.
10 77 -0,4178 0,3372 0,3704 0,0332
11 78
12 78
13 78
14 78 -0,3205 0,3745 0,5185 0,1440
15 80 -0,1261 0,4483 0,5556 0,1073
16 82 0,0684 0,5279 0,5926 0,0647
17 84 0,2629 0,6026 0,6296 0,0270
18 87 0,5546 0,7088 0,6667 0,0421
19 88 0,6519 0,7422 0,7037 0,0385
20 89 0,7491 0,7734 0,7407 0,0327
21 90
22 90 0,8464 0,8023 0,8148 0,0125
23 95 1,3326 0,9082 0,8519 0,0563
24 97
25 97
26 97 1,5270 0,9370 0,9630 -0,0260
27 98 1,6243 0,9474 1,0000 -0,0526
X 81,2963
SD 10,28372
(X )
n
2
D= −X a. Hipotesis
i
i =1 Ho : tidak beda dengan populasi normal
Keterangan : Ha : Ada beda populasi normal
Xi = Angka ke i pada data yang
X = Rata-rata data b. Nilai α
Nilai α = level signifikansi = 5% = 0,05
T3 − d n
G = bn + c n + ln c. Rumus statistik penguji
1 − T3 2
a i (X ( n −i +1) − X ( i ) )
k
1
Keterangan : T3 =
G = Identik dengan nilai Z distribusi normal D i =1
2. Persyaratan
T3 − d n
a. Data berskala interval atau ratio (kuantitatif) G = bn + c n + ln
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi 1 − T3
c. Data dari sampel random
25 26
d. Hitung rumus statistik penguji Langkah berikutnya hitung nilai T, yaitu :
Langkah pertama dihitung nilai D, yaitu : i ai X(n-i+1) – X(i) ai(X(n-i+1) – X(i))
NO Xi Xi − X (X −Xi )
2
1
2
0,4493
0,3098
58 – 18 = 40
58 – 19 = 39
17,9720
12,0822
1 18 -18,7083 350,0005
3 0,2554 56 – 23 = 33 8,4282
2 19 -17,7083 313,5839
4 0,2145 55 – 24 = 31 6,6495
3 23 -13,7083 187,9175
5 0,1807 48 – 26 = 22 3,9754
4 24 -12,7083 161,5009
6 0,1512 46 – 27 = 19 2,8728
5 26 -10,7083 114,6677
7 0,1245 41 – 30 = 11 1,3695
6 27 -9,7083 94,2511
8 0,0997 40 – 32 = 8 0,7976
7 30 -6,7083 45,0013
9 0,0764 37 – 33 = 4 0,3056
8 32 -4,7083 22,1681
10 0,0539 36 – 33 = 3 0,1617
9 33 -3,7083 13,7515
11 0,0321 36 – 34 = 2 0,0642
10 33 -3,7083 13,7515
12 0,0107 36 – 35 = 1 0,0107
11 34 -2,7083 7,3349
Jumlah 54,6894
12 35 -1,7083 2,9183 2
ai (X (n−i +1) − X (i ) )
k
13 36 -0,7083 0,5017 1
T3 =
14 36 -0,7083 0,5017 D i =1
15 36 -0,7083 0,5017
16 37 0,2917 0,0851 T3 =
1
[0,4493(58-18) + 0,3098(58-19) + ... + 0,0321(36- 34) + 0,0107(36- 35)]2
3184,9583
17 40 3,2917 10,8353
18 41 4,2917 18,4187 T3 =
1
[54,6894]2
19 46 9,2917 86,3357 3184,9583
20 48 11,2917 127,5025 T3 = 0,9391
21 55 18,2917 334,5863
22 56 19,2917 372,1697 e. Df/db/dk
23 58 21,2917 453,3365 =n
24 58 21,2917 453,3365
= 881 = 3184,9583 f. Nilai tabel
X = 36,7083 Pada lampiran 6 dapat dilihat, nilai α (0,10) = 0,930 ; nilai α (0,50) =
0,963
(X )
n
2
D= i −X g. Daerah penolakan
i =1 Nilai T3 terletak diantara 0,930 dan 0,963, atau nilai p hitung terletak
D = (58 - 36,7083) + (58 - 36,7083) + ... + (19 - 36,7083) + (18 - 36,7083) diantara 0,10 dan 0,50, yang diatas nilai α (0,05) berarti Ho diterima,
2 2 2 2
D = 3184,9583 Ha ditolak
27 28
h. Kesimpulan G. Menggunakan Software Statistical Package for the Social Sciences (SPSS)
Sampel diambil dari populasi normal, pada α = 0,05.
Penggunaan komputer untuk analisis statistik bukan barang baru, termasuk
Cara lain setelah nilai T3 diketahui dapat menggunakan rumus G, yaitu untuk analisis normalitas data. Banyak software komputer yang dapat
dipergunakan untuk analisis normalitas data, diantaranya software SPSS.
T3 − d 24 Software SPSS merupakan software komputer yang banyak digunakan orang
G = b24 + c 24 + ln saat ini untuk keperluan analisis data statistik. Software SPSS sangat
1 − T3
membantu dalam analisis statistik termasuk analisis normalitas data. Dalam
0,9391 − 0,2106 waktu sekejap software SPSS dapat menghasilkan output yang dapat dibaca
G = −5,605 + 1,862 + ln
1 − 0,9391 hasilnya. Software SPSS yang berkembang saat ini versi 13, namun versi 10
masih banyak dipergunakan orang, karena memiliki kelebihan tertentu
G = −3,743 + ln 11,9573
dibandingkan versi 13.
G = −3,743 + 2,4813 Penggunaan software SPSS untuk analisis normalitas suatu data cukup
G = −1,2617 sederhana, pertama lakukan entry data yang akan diuji normalitasnya pada
software SPSS. Misalnya : Data usia 21 anak pra sekolah dalam bulan ; 34, 35,
Hasil nilai G merupakan nilai Z pada distribusi normal, yang selanjutnya 43, 23, 34, 56, 45, 65, 45, 34, 32, 34, 54, 33, 54, 45, 56, 76, 43, 21, 23.
dicari nilai proporsi (p) luasan pada tabel distribusi normal (lampiran 2). Selanjutnya banyak cara yang dapat ditempuh untuk menguji normalitasnya,
Berdasarkan nilai G = -1,2617, maka nilai proporsi luasan = 0,1038. Nilai p diantaranya:
tersebut di atas nilai α = 0,05 berarti Ho diterima Ha ditolak. Data benar- 1. Dengan menggunakan menu analisis deskriptif
benar diambil dari populasi normal. a. Frequensi
Setelah data dientry dalam lembar kerja SPSS, langkah berikutnya
arahkan kursor ke menu Analyze. Dari menu utama SPSS, pilih menu
Analyze, kemudian lanjutkan pilih sub menu Descriptive Statistics dan
Frequences. Tampilan layar SPSS Sebagai berikut :
29 30
Lakukan klik satu kali, maka akan muncul kotak dialog sebagai berikut: Klik pada Histograms sehingga muncul tanda dan With normal curve
sehingga muncul tanda tanda . Selanjutkan klik Continue dan
kembali ke kota dialog sebelumnya.
Berikutnya klik OK, dan akan muncul out put hasil analisis, diantaranya
sebagai berikut
Statistics
VAR00001
N Valid 21
Masukkan variabel yang akan diuji normalitas dengan cara mengklik Missing 0
nama variabel sehingga terblok, kemudian klik tanda , sehingga Skewness .609
nama masuk dalam kota variable(s). Std. Error of Skewness .501
Kurtosis .139
Selanjutnya klik Statistics, dan muncul kotak dialog sebagai berikut: Std. Error of Kurtosis .972
Out put lainnya grafik histogram dan kurva norma sebagai berikut:
7
6
Klik pada Distribution bagian Skewness dan Kurtosis, sehingga muncul
tanda , lanjutkan klik Continue dan kembali ke kota dialog 5
sebelumnya.
4
Lanjutkan dengan mengklik Charts dan muncul kotak dialog sebagai
berikut:
3
Frequency
Std. Dev = 14.22
1
Mean = 42.1
0 N = 21.00
20.0 30.0 40.0 50.0 60.0 70.0 80.0
31 32
Gambar Histogram yang dipadukan dengan kurva normal. Bila gambar
histogram mendekati kurve normal, maka dapat dikatakan data
berdistribusi normal.
b. Descriptif
Setelah data dientry dalam lembar kerja SPSS, langkah berikutnya
arahkan kursor ke menu Analyze. Dari menu utama SPSS, pilih menu
Analyze, kemudian lanjutkan pilih sub menu Descriptive Statistics dan
Decriptives. Tampilan layar SPSS sebagai berikut :
Berikutnya klik OK, dan akan muncul out put hasil analisis, diantaranya
sebagai berikut
Descriptive Statistics
c. Explore
Setelah data dientry dalam lembar kerja SPSS, langkah berikutnya
arahkan kursor ke menu Analyze. Dari menu utama SPSS, pilih menu
Analyze, kemudian lanjutkan pilih sub menu Descriptive Statistics dan
Explore. Tampilan layar SPSS sebagai berikut :
Masukkan variabel yang akan diuji normalitas dengan cara mengklik
nama variabel sehingga terblok, kemudian klik tanda , sehingga
nama masuk dalam kotak variable(s).
Selanjutnya klik Options, dan muncul kotak dialog sebagai berikut:
33 34
Selanjutnya klik Plots, dan muncul kotak dialog sebagai berikut:
35 36
Out put yang lain berupa hasil uji Kolmogorov Smirnov dan Shapiro
Wilk sebagai berikut: Detrended Normal Q-Q Plot of VAR00001
.8
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
.6
Statistic df Sig. Statistic df Sig.
VAR00001 .169 21 .123 .946 21 .345
a. Lilliefors Significance Correction .4
Berdasarkan out put tersebut dapat dipahami bahwa uji normalitas yang .2
ditampilkan menggunakan Metode Kolmogorov-Smirnov yang
dikoreksi Lilliefors dan Metode Shapiro-Wilk. Pada tampilan dapat
Normalitas data ditunjukkan juga pada tampilan Normal Q-Q Plot dan
1.5
Detrended Normal Q-Q Plot. Pada tampilan Normal Q-Q Plot, bila
1.0 titik-titik yang ditampilkan menempel atau berdekatan dengan garis
grafik, maka data berdistribusi normal, demikian sebaliknya. Pada
.5 tampilan Detrended Normal Q-Q Plot bila titik-titik yang ditampilkan
menyebar merata, tidak membentuk pola tertentu (garis, lengkungan,
0.0
dsb), maka data berdistribusi normal.
Expected Normal
-.5
2. Dengan menggunakan menu Nonparametric Test
-1.0 Setelah data dientry dalam lembar kerja SPSS, langkah berikutnya arahkan
kursor ke menu Analyze. Dari menu utama SPSS, pilih menu Analyze,
-1.5 kemudian lanjutkan pilih sub menu Nonparametric Test dan 1-Sample K-S.
-2.0 Tampilan layar SPSS sebagai berikut :
10 20 30 40 50 60 70 80
Observed Value
37 38
Berikutnya klik OK, dan akan muncul out put hasil analisis, diantaranya
sebagai berikut
One-Sample Kolmogorov-Smirnov Test
VAR00001
N 21
Normal Parametersa,b Mean 42.1429
Std. Deviation 14.2172
Most Extreme Absolute .169
Differences Positive .169
Negative -.095
Kolmogorov-Smirnov Z .772
Asymp. Sig. (2-tailed) .590
a. Test distribution is Normal.
b. Calculated from data.
Berdasarkan out put tersebut dapat dipahami bahwa uji normalitas yang
ditampilkan menggunakan Metode Kolmogorov-Smirnov. Pada tampilan
dapat dibaca, bila nilai Sig. (p) lebih besar dari pada α (0,05) maka data
dapat disimpulkan berdistribusi normal. Pada out put di atas menurut
metode Metode Kolmogorov-Smirnov p = 0,590 berarti data berdistribusi
normal.
Klik satu kali, maka akan muncul kotak dialog sebagai berikut:
Masukkan variabel yang akan diuji normalitas dengan cara mengklik nama
variabel sehingga terblok, kemudian klik tanda , sehingga nama masuk
dalam kotak Test Variable List. Selanjutnya klik Normal, pada Test
Distribution.
39 40
DAFTAR PUSTAKA
41 42
Lampiran 1 : Contoh Kertas Peluang Normal
43 44
Lampiran 2 : Tabel Distribusi Normal Lampiran 3 : Tabel Harga Kritis Chi – Square ( X2 )
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
df Kemungkinan di bawah Ho bahwa X2 Chi - Square
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247 0,005 0,010 0,025 0,050 0,100 0,200
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859 1 7,879 6,635 5,024 3,841 2,706 1,642
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483 2 10,597 9,210 7,378 5,991 4,605 3,219
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
3 12,838 11,341 9,348 7,815 6,251 4,642
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451 4 14,860 13,277 11,143 9,488 7,779 5,989
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148 5 16,750 15,086 12,832 11,070 9,236 7,289
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867 6 18,548 16,812 14,449 12,592 10,645 8,558
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
7 20,278 18,475 16,013 14,067 12,017 9,803
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170 8 21,955 20,090 17,535 15,507 13,362 11,030
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985 9 23,589 21,660 19,023 16,919 14,684 12,242
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823 10 25,188 23,209 20,483 18,307 15,987 13,442
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
11 26,757 24,725 21,920 19,675 17,275 14,631
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455 12 28,300 26,217 23,337 21,026 18,549 15,812
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367 13 29,819 27,688 24,736 22,362 19,812 16,985
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294 14 31,319 29,141 26,119 23,685 21,064 18,151
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
15 32,801 30,578 27,488 24,996 22,307 19,311
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143 16 34,267 32,000 28,845 26,296 23,542 20,465
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110 17 35,718 33,409 30,191 27,587 24,769 21,615
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084 18 37,156 34,805 31,526 28,869 25,989 22,760
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
19 38,582 36,191 32,852 30,144 27,204 23,900
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036 20 39,997 37,566 34,170 31,410 28,412 25,038
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026 21 41,401 38,932 35,479 32,671 29,615 26,171
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019 22 42,796 40,289 36,781 33,924 30,813 27,301
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
23 44,181 41,638 38,076 35,172 32,007 28,429
3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007 24 45,558 42,980 39,364 36,415 33,196 29,553
3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005 25 46,928 44,314 40,646 37,652 34,382 30,675
3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003 26 48,290 45,642 41,923 38,885 35,563 31,795
3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
27 49,645 46,963 43,194 40,113 36,741 32,912
3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 28 50,993 48,278 44,461 41,337 37,916 34,027
3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 29 52,336 49,588 45,722 42,557 39,087 35,139
3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 30 53,672 50,892 46,979 43,773 40,256 36,250
Sumber : Siegel, Sidney, 1956, Non Parametric Statistics For The Behavioral Sciences, New York : Mc Graw-Hill Book Company.
45 46
Lampiran 5 : Harga Quantil Statistik Kolmogorov Distribusi Normal
Lampiran 4 : Tabel Harga Quantil Statistik Lilliefors Distribusi Normal
Tingkat Signifikansi untuk tes satu sisi
N 0,100 0,075 0,050 0,025 0,01 0,005
Ukuran sampel p = 0,80 p = 0,85 p = 0,90 p = 0,95 p = 0,99 Tingkat Signifikansi untuk tes dua sisi
53 54
Descriptives
VAR00001 Statistic Std. Error
7 VAR00001 Mean 42.1429 3.1024
95% Confidence Lower Bound 35.6713
6 Interval for Mean Upper Bound
48.6144
Expected Normal
Case Processing Summary -.5
Cases -1.0
Observed Value
55 56
Detrended Normal Q-Q Plot of VAR00001
.8
.6
.4
.2
Dev from Normal
0.0
-.2
-.4
20 30 40 50 60 70 80
Observed Value
NPar Tests
VAR00001
N 21
Normal Parametersa,b Mean 42.1429
Std. Deviation 14.2172
Most Extreme Absolute .169
Differences Positive .169
Negative -.095
Kolmogorov-Smirnov Z .772
Asymp. Sig. (2-tailed) .590
a. Test distribution is Normal.
b. Calculated from data.
57