Uji normalitas adalah uji statistik yang digunakan untuk menguji apakah data yang diamati memiliki distribusi normal atau tidak. Distribusi normal adalah distribusi yang terlihat seperti “gunung” atau “bel” yang terpusat di tengah, dengan sebagian besar data yang terkonsentrasi di sekitar titik tengah dan sebagian kecil yang tersebar di sekitar ujung atas dan bawah.

Uji normalitas biasanya digunakan dalam penelitian kuantitatif untuk memastikan bahwa data yang diamati memenuhi asumsi yang diperlukan oleh beberapa metode analisis statistik, seperti analisis regresi atau uji t. Jika data tidak memiliki distribusi normal, maka metode-metode tersebut mungkin tidak memberikan hasil yang akurat, sehingga penting untuk mengetahui apakah data tersebut normal atau tidak.

Untuk menguji apakah data memiliki distribusi normal, terdapat beberapa uji yang dapat digunakan, seperti uji Kolmogorov-Smirnov, uji Anderson-Darling, dan uji Shapiro-Wilk. Masing-masing uji ini memiliki kelemahan dan keunggulan tersendiri, dan pilihan terbaik tergantung pada jenis data yang diamati.

Setelah menguji normalitas data, Anda dapat menentukan apakah data memiliki distribusi normal atau tidak dengan menentukan tingkat kepercayaan yang Anda inginkan (misalnya, 95%) dan mencari nilai pada tabel uji yang sesuai dengan jumlah sampel yang Anda miliki. Jika nilai p lebih kecil dari tingkat kepercayaan yang Anda pilih, maka Anda dapat menolak hipotesis null (yaitu, bahwa data memiliki distribusi normal) dan menyimpulkan bahwa data tersebut tidak memiliki distribusi normal. Sebaliknya, jika nilai p lebih besar dari tingkat kepercayaan yang Anda pilih, maka Anda tidak dapat menolak hipotesis null dan harus menyimpulkan bahwa data tersebut memiliki distribusi normal.

 

Bagaimana cara melakukan Uji Normalitas?

Untuk melakukan uji normalitas, pertama-tama Anda perlu mengumpulkan data yang akan diuji. Jika Anda ingin menguji apakah data memiliki distribusi normal, maka data tersebut harus merupakan data kuantitatif (yaitu, data yang terdiri dari angka).

Setelah data terkumpul, Anda dapat memilih uji yang akan digunakan untuk menguji normalitas data. Ada beberapa uji yang dapat digunakan, seperti uji Kolmogorov-Smirnov, uji Anderson-Darling, dan uji Shapiro-Wilk. Masing-masing uji ini memiliki kelemahan dan keunggulan tersendiri, dan pilihan terbaik tergantung pada jenis data yang diamati.

Setelah memilih uji yang sesuai, Anda perlu menghitung nilai uji dengan menggunakan formula yang sesuai. Untuk uji Kolmogorov-Smirnov, misalnya, formula yang digunakan adalah:

D = max|F(x) – F*(x)|

di mana F(x) adalah fungsi distribusi empiris (yaitu, distribusi yang diamati dari data), dan F*(x) adalah fungsi distribusi normal.

Setelah menghitung nilai uji, Anda perlu menentukan apakah nilai tersebut signifikan atau tidak. Untuk melakukan ini, Anda perlu menentukan tingkat kepercayaan yang Anda inginkan (misalnya, 95%) dan mencari nilai p pada tabel uji yang sesuai dengan jumlah sampel yang Anda miliki. Jika nilai p lebih kecil dari tingkat kepercayaan yang Anda pilih, maka Anda dapat menolak hipotesis null (yaitu, bahwa data memiliki distribusi normal) dan menyimpulkan bahwa data tersebut tidak memiliki distribusi normal. Sebaliknya, jika nilai p lebih besar dari tingkat kepercayaan yang Anda pilih, maka Anda tidak dapat menolak hipotesis null dan harus menyimpulkan bahwa data tersebut memiliki distribusi normal.

 

powered by chatGPT