Uji Normalitas

Hampir semua analisis statistika parametrik memiliki asumsi normalitas. Jadi sebelum dilakukan analisis statistik, seperti analisis korelasi, regresi, t-test, atau anova, terlebih dahulu harus diuji apakah data kita normal atau tidak. Uji Normalitas dilakukan untuk memastikan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Pada dasarnya distribusi normal merupakan suatu distribusi yang menunjukkan sebaran data yang seimbang yang sebagian besar data adalah mendekati nilai mean. Jika digambarkan dengan histogram, data tersebut akan menyerupai bentuk lonceng. Ada beberapa cara untuk menguji normalitas data, baik itu dengan visual maupun dengan analisis statistik seperti shapiro-wilk dan kolmogorov-smirnov. berikut beberapa metode yang digunakan untuk menggunakan uji normalitas.

Input Data dan Library

Data yang digunakan adalah dataset Orange yang tersedia secara built-in pada program R. Package nortest digunakan melakukan uji normalitas dengan Metode Anderson-Darling, Lilliefors, dan _Shapiro-Francia__. Package tseries digunakan untuk melakukan uji Jarque-Bera. Untuk uji Kormogolov-Smirnov dan uji Shapiro-Wilk, package yang digunakan adalah package stats, dimana package tersebut sudah tersedia secara built-in di program R.

library(nortest)
library(tseries)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
data(Orange)
x <- Orange[,3]

Uji Normalitas dengan Program R

Uji Anderson-Darling

ad.test(x)
## 
##  Anderson-Darling normality test
## 
## data:  x
## A = 0.47302, p-value = 0.2284


Uji Normalitas Kormogolov-Smirnov

ks.test(x, pnorm, mean = mean(x), sd = sd(x))
## Warning in ks.test(x, pnorm, mean = mean(x), sd = sd(x)): ties should not be
## present for the Kolmogorov-Smirnov test
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  x
## D = 0.084938, p-value = 0.9623
## alternative hypothesis: two-sided


Uji Lilliefors

lillie.test(x)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  x
## D = 0.084938, p-value = 0.7538


Uji Shapiro-Francia

sf.test(x)
## 
##  Shapiro-Francia normality test
## 
## data:  x
## W = 0.96121, p-value = 0.2139


Uji Shapiro-Wilk

shapiro.test(x)
## 
##  Shapiro-Wilk normality test
## 
## data:  x
## W = 0.94591, p-value = 0.08483


Uji Normalitas Jarque-Bera

jarque.bera.test(x)
## 
##  Jarque Bera Test
## 
## data:  x
## X-squared = 1.8767, df = 2, p-value = 0.3913