Makalah Asumsi Klasik Kelompok 6 [PDF]

Citation preview

Makalah Asumsi Klasik : Normalitas Disusun untuk memenuhi tugas mata kuliah Statistika Pendidikan Dosen Pengampu : Trimurtini, S. Pd., M. Pd. Disusun oleh :



Tunjung Tamarin Rahmadani



(1401419239 / 07)



Andri Rusdianto



(1401419255 / 19)



Arifah Sentika Rahmawati



(1401419274 / 31)



PENDIDIKAN GURU SEKOLAH DASAR FAKULTAS ILMU PENNDIDIKAN UNIVERSITAS NEGERI SEMARANG 2021 1



KATA PENGANTAR



Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmat-Nya sehingga tugas makalah yang berjudul Asumsi Klasik : Normalitas dapat tersusun hingga selesai. Tidak lupa kami juga mengucapkan terimakasih atas bantuan dari pihak yang telah berkontrubusi dengan memberikan materi maupun pikirannya. Harapan kami semoga makalah ini dapat menambah pengetahuan dan pengalaman bagi para pembaca. Untuk ke depannya kami dapat memperbaiki bentuk maupun menambah isi makalah agar menjadi lebih baik lagi. Karena keterbatasan pengetahuan maupun pengalaman kami, kami yakin masih banyak kekurangan dalam makalah ini. Oleh karena itu kami mengharapkan saran dan kritik yang membangun dari pembaca demi kesempurnaan makalah ini



Semarang, 1 November 2021



Penyusun



‘



2



DAFTAR ISI



KATA PENGANTAR ............................................................................................................................ 2 DAFTAR ISI........................................................................................................................................... 3 PENDAHULUAN .................................................................................................................................. 4 A.



Latar Belakang ............................................................................................................................ 4



B.



Rumusan Masalah ....................................................................................................................... 4



C.



Tujuan ......................................................................................................................................... 4



BAB II..................................................................................................................................................... 5 PEMBAHASAN ..................................................................................................................................... 5 A.



Uji Asumsi Klasik ....................................................................................................................... 5



B.



Pengertian Uji Normalitas ........................................................................................................... 7



C.



Macam-Macam Uji Normalitas .................................................................................................. 8



D.



Pengaplikasian Uji Normalitas pada SPSS ............................................................................... 13



BAB III ................................................................................................................................................. 22 PENUTUP ............................................................................................................................................ 22 A.



Kesimpulan ............................................................................................................................... 22



B.



Saran ......................................................................................................................................... 22



DAFTAR PUSTAKA ........................................................................................................................... 23



3



BAB I PENDAHULUAN A. Latar Belakang Uji asumsi klasik merupakan prasyarat analisis regresi berganda sehingga penaksiran parameter dan koefisien regresi tidak bias. Model regresi akan dapat dijadikan alat estimasi yang tidak bisa jika telah memenuhi persyaratan BLUE (Best Linear Unbiased Estimator) yaitu tidak terdapat heteroskedastisitas, tidak terdapat multikolinearitas, dan tidak terdapat autokorelasi. BLUE dapat dicapai jika memenuhi asumsi klasik. Jika terdapat heteroskedastisitas, maka varian tidak konstan sehingga akan menimbulkan biasnya standar error. Jika ada multikolinearitas, maka akan sulit dalam mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat signifikasi koefisien regresi menjadi rendah. Pengujian normalitas dilakukan untuk mengetahui normal tidaknya suatu distribusi data. Hal ini penting kaitannya dengan ketetapatan pemilihan uji statistik yang akan digunakan. Uji parametrik misalnya, mengisyaratkan data harus berdistribusi normal. Jika distribusi data tidak normal, maka disarankan untuk menggunakan uji nonparametrik. B. Rumusan Masalah 1. Bagaimana definisi dari uji asumsi klasik? 2. Apa pengertian dari uji normalitas? 3. Apa saja macam-macam uji normalitas? 4. Bagaimana pengaplikasian uji normalitas pada SPSS? C. Tujuan 1. Memahami definisi uji asumsi klasik. 2. Memahami pengertian dari uji normalitas. 3. Memahami macam-macam uji normalitas. 4. Memahami pengaplikasian uji normalitas pada SPSS.



4



BAB II PEMBAHASAN



A. Uji Asumsi Klasik Uji asumsi klasik merupakan persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda berbasis ordinary least aquare (OLS). Maka, analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, contohnya regresi logistic atau regesi ordinal, demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, contohnya uji multikolinearitas tidak dilakukan pada analisis regresi linear sederhana dan uji autokorelasi tidak harus diterapkan pada cross sectional. Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang tujuannya untuk menghitung nilai pada variabel tertentu. Misalnya saja nilai pengembalian saham yang dihitung melalui market model, atau market adjusted model. Perhitungan nilai return yang diharapkan dapat dilakukan dengan pengemasan regresi, tetapi tidak perlu diuji dengan asumsi klasik. Uji asumsi klasik adalah terjemahan dari chlasical linear regressiom model (CLRM) yang merupakan asumsi dalam analisis regresi linear dengan ordinary least square. Semua ini merupakan hasil kejeniusan seorang matematikawan berkebangsaan Jerman bernama Carl Friedch Gauss. CLRM juga sering disebut sebagai The Gaussian Standard, yang sebenarnya terdiri dari 10 item. Namun, kita sering menemui dalam berbagai penelitian, atau berbagai buku statistika terapan mungkin hanya 4 atau 5 saja. Berikut merupakan sedikit uraian tentang 10 item tersebut. 1. Asumsi 1: Linear regression model Model regresi haruslah linear, meskipun bila saja sebenarnya variabel terikat Y dengan variabel bebas X tidak linear. Istilah linear ada dua macam, yaitu linearitas pada variabel dan linearitas pada parameter. Yang disebut ldengan linearitas pada variabel adalah jika digambarkan dalam grafik maka akan berbentuk garis lurus. Misalnya 4 persamaan Y = a + bX. Seandainya persamaannya adalah Y = a + b X2 dapat disebut linear jika koefisien b mempunyai pangkat 1. Asumsi yang diperlukan dalam regresi linear adalah linearitas pada parameter, bukan linearitas pada variabel.



5



2. Asumsi 2: Values are fixed in repeated sampling Nilai variabel X diasumsikan stokastik atau dianggap tetap dalam sampel yang berulang. Misalnya ada 7 data yang akan dianalisa dengan regresi (ini hanya contoh saja, karena regresi dengan 7 data tampaknya terlalu sedikit) Gaji (Juta) Pengeluaran (Juta) 3 2,5 3 2 3 3 4 3 4 2,5 5 4,5 5 4 Jadi misalnya ambil nilai tetap untuk X, yaitu gaji 3 juta maka sampel pertama mempunyai pengeluaran 2,5 juta. Lalu ambil lagi kedua dengan gaji 3 juta maka pengeluarannya adalah 2 juta. Demikian seterusnya untuk sampel dengan gaji 4 juta dan 5 juta. Nilai X dianggap tetap pada sampel yang berulang. (dalam regresi lanjut, dapat disaumsikan bahwa X tidak stokastik). 3. Asumsi 3: Zero mean value of disturbance Nilai Y hasil prediksi dengan model regresi tentunya mempunya kesalahan atau tidak tepat sama dengan nilai Y pada data. Selisihnya sering disebut dengan disturbance dan sering disimbolkan dengan u. nilai ini harus mempunyai rata-rata sama dengan 0 (eksak). Ketika telah mendapatkan garis lurus pada model, maka nilai Y yang sebenarnya bisa berada di atas atau dibawah garis lurus tersebut, akan tetapi jumlahnya akan seimbang sehingga rata-ratanya sama dengan 0. 4. Asumsi 4: Homoscedasticity or equal variance of ui Homo artinya sama atau equal, scedasticity berarti disperse atau scatter atau ada yang mengartikan sebaran. Jadi varians dari error atau disturbance haruslah sama pada masing-msaing nilai X. sebagai contoh, ada 3 orang dengan gaji 3 juta sehingga memberikan tiga buah error dan mempunyai varians. Varians ini harus sama (equal) dengan varians error pada nilai X yang lain misalnya 4 juta. Demikian seterusnya. 5. Asumsi 5: No autocorrelation between the disturbances Asumsi ini masih terkait dengan nilai error, yakni bahwa untuk sembarang 2 buah nilai X, maka kedua error itu tidak berkorelasi (atau mempunyai korelasi 0). Missalnya error pada X sebesar 3 juta dengan Y sebesar 2 juta tidak berkorelasi. Penelitian lain adalah misalnya ada persamaan Y=a+bX+u dengan u adalah error. Jika ada korelasi antara u dengan u-1 (error sebelumnya) maka model akan gagal, karena Y pada model harusnya dipengaruhi oleh X saja, akan dipengaruhi oleh u. demikian seterusnya. 6. Asumsi 6: Zero covariance between ui and Xi



6



Zero covariance between ui and Xi berarti nilai variabel bebas (X) dengan error (ui) tidak berkorelasi. Diasumsikan bahwa Y adalah dipengaruhi oleh X dan u, sehingga X dan u harus tidak saling berkorelasi. Jika X atau u berkorelasi, maka tidak mungkin mencari pengaruh masing-masing terhadap Y. Jika X berkorelasi positif dengan u, maka jika X meningkat u juga meningkat, atau jika X menurun maka u juga menurun (juga sebaliknya jika berkorelasi negatif). Sehingga sulit untuk mengisolasi pengaruh X dan u terhadap Y. asumsi ini sebenarnya akan terpenuhi secara otomatis jika X merupakan stokastik karena untuk X bernilai tetap, u akan berubah. 7. Asumsi 7: The number of observation n must than tehe number of parameters to be estimated Asumsi ini sebenarnya tidak asing untuk matematika sederhana. Jika ada dua parameter yang akan dicari nilainya maka tidak mungkin diselesaikan dengan satu persamaan (observasi). 8. Asumsi 8: Variabillity in X values Harus ada variasi nilai pada variabel X. jika X nilainya sama untuk semua observasi maka tentunya tidak dapat diestimasi. Meskipun ini mudah dimengerti namun sering dilipakan. 9. Asumsi 9: The regression model is correctly specified Model regresi yang dibangun harus benar dalam arti sesuai dengan teori yang telah dikembangkan. Seperti telah dijelaskan bahwa statistic hanyalah untuk menguji teori atau fenomena tertentu. Jadi jika menggunakan variabel yang sembarangan (atau tidak berdasarkan teori tertentu) maka model regresi yang dihasilkan juga patut dipertanyakan. 10. Asumsi 10: there is no perfect multicollinearity Tidak ada hubungan linear yang tinggi antara variabel-variabel bebas dalam model regresi. Jadi asumsi ini tentunya tidak bisa diterapkan pada regresi dengan satu variabel bebas (regresi linear sederhana).



B. Pengertian Uji Normalitas Uji normalitas merupakan uji untuk melihat apakah nilai tersebut berdistribusi normal atau tidak. Banyak kelompok data yang tidak hanya diasumsikan saja bahwa berdistrbusi normal, karena kelompok data tersebut belum tentu berdistribusi normal, oleh karena itu dibutuhkan suatu pengujian normalitas untuk menegetahui datadata 7



benar-benar berdistribusi normal. Model regresi yang baik memiliki nilai residual yang berdistribusi normal. Maka, uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Pada umumnya, sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masing-masing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian. Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar berada pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak normal, atau sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut tidak normal atau merupakan kelas unggulan. Pengamatan data yang normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah. Demikian juga nilai ratarata, modus dan median relative dekat.



C. Macam-Macam Uji Normalitas Uji normalitas dapat dilakukan dengan uji Chi-Square, Lilliefors, dan uji Kolomogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat. Uji normalitas yang paling sederhana adalah dengan membuat grafik distribusi frekuensi atas skor yang ada. Mengingat kesederhanaan tersebut, maka pengujian kenormalan data sangat tergantung pada kemampuan mata dalam mencermati plotting data. Pengujian dengan metode grafik sering menimbulkan perbedaan persepsi diantara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik. Berikut ini adalah beberapa macam uji normalitas : 1. Uji 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 kumulatif normal. Probabilitas tersebut dicari bedanya menggunakan probabilitas kumulatif empiris. Adapun langkahlangkah pengujian normalitas adalah : 1. Mengurutkan data sampel dari yang terkecil sampai yang terbesar.



8



2. Menentukan nilai z dari tiap-tiap data (Zi). 3. Menentukan besar peluang untuk masing-masing nilai z berdasarkan tabel z dan diberi nama



, yaitu



4. Menghitung frekuensi kumulatif relatif kurang dari masing-masing nilai z. 5. Menentukan nilai



.



6. Menentukan nilai



hitung selisihnya, kemudian



bandingkan dengan nilai 7. Mengecek nilai



dari tabel Liliefors.



.



8. Menyimpulkan sampel berasal dari populasi yang berdistribusi normal atau tidak berdistribusi normal. Rumus : No



1 2 Dst



Keterangan : zi = Angka pada data Z = Transformasi dari angka ke notasi pada distribusi normal = Probabilitas komulatif normal



= = Probabilitas komulatif empiris



= = komulatif proporsi luasan kurva normal berdasarkan notasi Zi, dihitung dari luasan kurva normal mulai dari ujung kiri kurva sampai dengan titik Zi.



9



Signifikansi uji, nilai



terbesar dibandingkan dengan nilai tabel



Lilliefors. Jika nilai



terbesar kurang dari nilai tabel Lilliefors,



maka Ho diterima ; Ha ditolak. Jika nilai



terbesar lebih besar dari



nilai tabel. Lilliefors, maka Ho ditolak ; H1 diterima. 2. Uji Kolmogorov Smirnov Tes satu sampel Kolmogorov Smirnov mencakup perhitungan distribusi frekuensi komulatif yang akan terjadi di bawah distribusi teoritisnya, serta membandingkan distribusi frekuensi itu dengan distribusi frekuensi komulatif hasil observasi (Siegel, 1997: 59). Tabel uji normalitas menggunakan Metode Kolmogorov-Smirnov seperti berikut. No. 1. 2. dst.



Keterangan:



10



Normalitas data diuji menggunakan rumus (Siegel, 1997: 59)



Keterangan: : Distribusi frekuensi kumulatif teoritis : Distribusi frekuensi kumulatif skor observasi



Langkah-langkah mengerjakan adalah sebagai berikut. a.



Mengurutkan data sampel dari yang kecil sampai yang terbesar.



b.



Menentukan nilai z dari tiap-tiap data tersebut .



c.



Menentukan besar peluang untuk masing-masing nilai z berdasarkan tabel z dan diberi nama



d.



= nilai tabel z + 0,5.



Menghitung frekuensi kumulatif relatif kurang dari masing-masing nilai z, tiap-tiap frekuensi kumulatif dibagi dengan n sebut dengan



. Menggunakan



nilai Dhitungyang terbesar. e.



Menentukan nilai Dhitung =



, hitung selisihnya, kemudian



bandingkan dengan nilai Ltabel dari tabel Kolmogorov-Smirnov. f.



Jika Dhitung < Dtabel, maka sampel berasal dari populasi yang berdistribusi normal.



3. Chi Square (Chi Kuadrat) Dalam melakukan uji kecocokan akan dibandingkan antara frekuensi hasil yang sebenarnya diamati dengan frekuensi yang diharapkan berdasarkan model yang diandaikan dan untuk ini digunakan rumus XIII(1):



Nilai-nilai parameter populasi yang diasumsikan yang dipakai untuk menghitung frekuensi diharapkan atau frekuensi teoritik, ditaksir berdasarkan nilai-nilai statistik sampel yang takbias. Misalnya rata-rata µ ditaksir oleh varians



oleh



dan



. Untuk menguji kecocokan populasi normal, ada dua parameter



yang ditaksir, yaitu µ dan



, maka dk untuk distribusi chi-kuadrat sama dengan



(k-3).



11



Untuk menentukan kriteria pengujian digunakan distribusi chi-kuadrat dengan dk=(k-3) dan taraf α. (Sudjana, 2010: 293) Langkah-langkah uji normalitas dengan menggunakan chi kuadrat: a) Menentukan jumlah kelas interval, ditetapkan menjadi 6 kelas sesuai dengan 6 bidang yang ada pada kurva normal. Seperti gambar di bawah, bahwa kurve normal baku yang luasnya hamper 100% dibagi menjadi 6 bidang berdasarkan simpangan bakunya, yaitu tiga bidang di bawah rata-rata dan tiga bidang di atas rata-rata.



b). Menentukan panjang kelas interval panjang kelas=



c). Menyusun ke dalam tabel distribusi frekuensi d). Menghitung frekuensi yang diharapkan (fh) fh= Prosentase luas bidang kurva normal x jumlah data observasi (jumlah individu dalam sampel) e). Memasukkan harga-harga fh ke dalam table kolom fh, sekaligus menghitung harga (f0- fh)2 dan



= x2



f). Membandingkan harga chi kuadrat hitung dengan chi kuadrat tabel < 2 2 Signifikansi uji, nilai x hitung dibandingkan dengan x tabel (Chi-



2 2 Square). Jika nilai x hitung kurang dari nilai x tabel, maka Ho diterima ; 2 2 Haditolak. Jika nilai x hitung lebih besar dari nilai x tabel, maka Ho ditolak ;



Ha diterima.



12



D. Pengaplikasian Uji Normalitas pada SPSS Kami mengambil data skripsi dari : Nama



: Retno Fauziyah



Jurusan



: Pendidikan Teknik Boga



Universitas



: Universitas Negeri Yogyakarta



Judul Skripsi : EFEKTIVITAS PENGGUNAAN MODUL UNTUK MENINGKATKAN HASIL BELAJAR MATA PELAJARAN BOGA DASAR KELAS X DI SMK NEGERI 1 KALASAN YOGYAKARTA



13



LAMPIRAN : Daftar Nilai Boga Dasar



Kelas X Jasa Boga A Kd: Macam-macam Teknik Mengolah Makanan Tahun Ajaran 2015/2016 No



Nama 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33



Aditya Purwaning Rizky Amalia Azizah Ananda Sholiha A Asyifa Jauhara Chesa Anandya R Dian Octavia Diana An Anafi Nur Dina Gustina Dwi Intan Sari Erzal Asdi Y.A Frida Cahya Kusuma Fitriana Eka S Hesti Wandasari Ika Wijayanti Inza Kasyifa Jaya Kusuma Jatmiko Lina Uswatun Khasanah Maya Rachmawati Meliana Nur K Mufida Nur Istiqomah Mugiyanti Nino Warta Pamungkas Nisvia Muzaizana Novita Anggraini Nurma Setyaningrum Nurul Hidayah Puan Marlina Riswanda Amalia Rita Istiningsih Rizka Karlina Rizky Pratama Salsabila Sekar Nurmala Intan



14



Nilai Pre-test Post-Test 64 84 64 76 44 88 68 76 56 76 68 84 52 96 64 100 68 84 56 84 68 96 56 96 76 100 56 92 40 88 60 96 64 96 60 88 60 96 56 92 52 96 68 80 56 80 48 92 72 92 52 76 56 80 68 88 52 84 60 78 56 88 64 80 64 96



No



Nama 34 Sih Miati 35 Syifanuraini Hasnah Jumlah Rata-rata



15



Nilai 52 64 2084 59,5



88 100 3086 88,1



Kelas X Jasa Boga A Kd: Macam-macam Teknik Mengolah Makanan Tahun Ajaran 2015/2016



No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34



Nilai Pre-test



Nama Agmel Ratindra H Annita Putri Kumala Anna Dyah Sekarayu Annisa Nur Pratiwi Arum Sari Aryo Dimas A Ayu Nurmaida Ayu Rahmawati Ayu Permatasari Desi Rianita Diah Ayu K Dila Nurhana M Evi Susilawati Fajar Egatama Gemma Rahima Heni Ambarwati Kristi Lia R Like Ermawati Nadian Perwitasari Nurmania Isnaniwati Putu Octavia L.A Radhiya Fitriaviria Ranny Nurcahayani Rasya N.A Rika Andriyani Rina Susanti Rizky Al Hafid Rizky Doni S Rofiah Rohana Mustika W Suci Indahsari Tri Wulandhari Umi Puspitasrini Utari Enggalwati



16



52 44 68 64 52 64 56 68 60 72 52 60 56 52 64 68 56 64 68 64 68 64 52 70 68 68 48 56 72 56 64 56 40 52



PostTest 76 72 80 80 76 76 80 72 76 84 76 64 84 76 84 72 80 80 76 68 80 84 76 80 76 76 72 72 88 72 80 84 78 72



Jumlah Ratarata



2038 2622 59,94118 77,11765



17



PRETEST X JBA One-Sample Kolmogorov-Smirnov Test PRETESTXJBA N



35



Normal Parameters



a,b



Most Extreme Differences



Mean



59.5429



Std. Deviation



7.92740



Absolute



.142



Positive



.130



Negative



-.142



Test Statistic



.142



Asymp. Sig. (2-tailed)



.073



c



a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction.



POST TEST X JBA



One-Sample Kolmogorov-Smirnov Test POSTTESTXJB A N Normal Parameters



35 a,b



Most Extreme Differences



Mean



88.1714



Std. Deviation



7.70594



Absolute



.159



Positive



.113



Negative



-.159



Test Statistic



.159



Asymp. Sig. (2-tailed)



.025



a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction.



18



c



PRE TEST X JBB



One-Sample Kolmogorov-Smirnov Test PRETESTXJBB N



34



Normal Parameters



a,b



Most Extreme Differences



Mean



59.9412



Std. Deviation



8.21654



Absolute



.189



Positive



.125



Negative



-.189



Test Statistic



.189



Asymp. Sig. (2-tailed)



.003



c



a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction.



POST TEST X JBB



One-Sample Kolmogorov-Smirnov Test POSTTESTXJB B N Normal Parameters



34 a,b



Most Extreme Differences



Mean



77.1176



Std. Deviation



5.14496



Absolute



.149



Positive



.145



Negative



-.149



Test Statistic



.149



Asymp. Sig. (2-tailed)



.053



a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction.



19



c



Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Pretest_X_J BA N Normal



Mean



Parameters Std. Deviation a



Posttest_ Pretest_X Posttest_X _JBB



X_JBA



_JBB



35



35



34



34



59.54



88.17



59.94



77.12



7.927



7.706



8.217



5.145



Most



Absolute



.142



.159



.189



.149



Extreme



Positive



.130



.113



.125



.145



Negative



-.142



-.159



-.189



-.149



.838



.943



1.104



.871



.336



.484



.175



.435



Differences



Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)



a. Test distribution is Normal. b. Calculated from data.



Uji Normalitas bertujuan untuk menguji apakah data variabel dependen dan independen mempunyai distribusi normal atau tidak. Data yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk menguji normalitas, dapat menganalisis dengan menggunakan metode One Sample Kolmogorov Smirnov Test. Dasar keputusan adalah jika nilai probabilitas t- statistik > Level of Significant =



0,05,



maka



model



regresi



memenuhi



20



asumsi



normalitas.



Tabel Hasil Uji Normalitas Variabel t-statistik



Sig



Keterangan



Pre-test kelas X JB A



0,838



0,336



Normal



Post-test kelas X JB A



0,943



0,484



Normal



Pre-test kelas X JB B



1,104



0,175



Normal



Post-test kelas X JB B



0,871



0,435



Normal



Berdasarkan hasil uji normalitas dengan One Sample Kolmogorov Smirnov Test diatas terlihat bahwa nilai probabilitas t-statistik > Level of Significant = 0,05, maka data memenuhi asumsi normalitas. Dengan demikian, maka variabel dependen dan



variabel independen



mempunyai



distribusi normal dan data yang baik adalah memiliki distribusi data normal atau mendekati normal.



21



BAB III PENUTUP



A. Kesimpulan Uji asumsi klasik merupakan terjemahan dari chlasical linear regressiom model (CLRM) yang merupakan asumsi dalam analisis regresi linear dengan ordinary least square. Penggunaan uji normalitas sebagai bagian dari asumsi klasik sangat penting kaitannya dalam menentukan suatu uji statistik yang akan digunakan dalam suatu penelitian yaitu uji parametrik maupun uji non parametrik. Uji normalitas sendiri memiliki fungsi untuk menguji apakah suatu data terdistribusi normal atau tidak. Macam-macam uji normalitas antara lain : uji chi square, uji lilliefors, dan uji Kolmogorov Smirnov. B. Saran Penggunaan uji normalitas sebaiknya dipelajari lebih mendalam ketika hendak melakukan sebuah penelitian, agar mahasiswa ketika melakukan penelitian akan memahami uji statistik mana yang akan digunakan.



22



DAFTAR PUSTAKA -



Nugroho, Sigit. 2008. Dasar-Dasar Metode Statistika. Jakarta :Grasindo



-



Irianto, Agus 2004, Statistik Konsep Dasar Dan Aplikasinya, Jakarta: Kencana Prenada Media Group



-



Santoso, Sugih. (2002). SPSS mengolah Data Statistik Secara Profesional. Jakarta: PT. Elex Media Komputindo



-



Santoso, Sugih. (2010). Buku Latihan SPSS Statistik Parametrik. Jakarta: PT. Elex Media Komputindo



-



Sudjana. 2010. Metode Statistika. Bandung: Tarsito.



-



Sugiyono. 2010. Statistika untuk Penelitian. Bandung: Alfabeta.



23