Uji Normalitas: Definisi, Langkah, dan Contoh dalam Statistik

Pendahuluan

Dalam penelitian kuantitatif serta analisis statistik, sering kali asumsi-asumsi dasar harus dipenuhi agar hasil pengujian dapat dipertanggungjawabkan secara ilmiah. Salah satu asumsi penting tersebut adalah bahwa data atau residual model mengikuti distribusi normal. Jika asumsi ini tidak dipenuhi, maka penggunaan metode parametrik seperti uji t, ANOVA, regresi linier bisa menjadi kurang valid atau bahkan menyesatkan. Sebagai contoh, sebuah penelitian menyatakan bahwa “uji normalitas merupakan langkah kritis dalam analisis data, terutama ketika menggunakan metode statistik parametrik seperti uji t, ANOVA, atau regresi linier” (Sianturi, 2025). [Lihat sumber Disini - jurnal.ulb.ac.id]
Karena itu, pemahaman yang mendalam tentang apa itu uji normalitas, bagaimana langkah-pelaksanaannya, serta penerapannya dalam penelitian menjadi sangat penting bagi peneliti dan praktisi statistik. Artikel ini akan menguraikan terlebih dahulu definisi uji normalitas secara umum, dalam KBBI, dan menurut para ahli Indonesia/eksternal. Setelah itu akan dibahas tahapan pelaksanaannya, jenis-metode yang umum digunakan, kelebihan dan keterbatasan, serta contoh penerapan dalam penelitian. Akhirnya, diberikan kesimpulan yang merangkum pemahaman dan implikasi dari uji normalitas dalam praktik statistik.

Definisi Uji Normalitas

Definisi Uji Normalitas Secara Umum

Secara umum, uji normalitas adalah suatu prosedur statistik yang dilakukan untuk menilai apakah sebaran data atau residual model yang diobservasi dapat dianggap berasal dari populasi yang berdistribusi normal atau mendekati distribusi normal. Sebagai contoh, dalam artikel “Uji Normalitas dan Penelitian Kuantitatif” dijelaskan bahwa “Uji normalitas adalah uji statistik yang digunakan untuk menguji apakah data yang diamati memiliki distribusi normal atau tidak”. [Lihat sumber Disini - informatika.ciputra.ac.id]
Dengan kata lain, uji normalitas menilai kesesuaian data dengan kurva distribusi normal (distribusi Gauss) yang berbentuk lonceng (bell shape), simetris, sebagian besar nilai terkumpul di sekitar rata-rata dan ekor data menurun secara seimbang ke kiri dan kanan. Prosedur ini penting karena banyak metode statistik parametrik mengasumsikan kondisi tersebut agar estimasi dan pengujian hipotesis menjadi valid.

Definisi Uji Normalitas dalam KBBI

Dalam Kamus Besar Bahasa Indonesia (KBBI), tidak terdapat entri khusus yang menyebut “uji normalitas” secara lengkap sebagai istilah statistik. Namun, kata “normalitas” menurut KBBI adalah keadaan atau sifat normal; dalam konteks statistik dianggap sebagai “keadaan di mana suatu data atau variabel memenuhi sifat‐distribusi normal”. Meskipun demikian, penggunaan istilah ini dalam statistik lebih spesifik ke “asumsi normalitas” atau “pengujian normalitas”. Sebagai referensi, dalam suatu skripsi disebut bahwa “Uji normalitas dimaksudkan untuk menguji apakah … residual memiliki distribusi normal atau tidak” (Monalisa, 2019) [Lihat sumber Disini - repository.stiesia.ac.id]
Dengan demikian, definisi dalam KBBI dapat dipahami secara terjemahan bebas: “pengujian terhadap keadaan normalitas (sifat normal) data”. Meski ringkas, dalam literatur statistik penggunaannya menjadi sangat khusus dan memiliki prosedur yang jelas.

Definisi Uji Normalitas Menurut Para Ahli

Berikut beberapa definisi dari para ahli yang relevan:

1. Menurut Sugiyono (2017) disebut bahwa: “Uji normalitas adalah uji untuk melihat apakah residual yang diperoleh memiliki distribusi normal.” (dalam metode regresi). [Lihat sumber Disini - dspace.uc.ac.id]
2. Menurut Ghozali (2016) dalam konteks regresi: “Uji normalitas dilakukan untuk menguji apakah pada suatu model regresi, variabel independen dan variabel dependen ataupun keduanya mempunyai distribusi normal atau tidak normal.” [Lihat sumber Disini - bbs.binus.ac.id]
3. Menurut Umar (2011:181) yang dikutip dalam beberapa penelitian: “Uji normalitas digunakan untuk mengetahui apakah variabel dependen, dan independen, atau keduanya berdistribusi secara normal, mendekati normal.” [Lihat sumber Disini - media.neliti.com]
4. Menurut R. Sianturi (2025): “Normalitas data mengacu pada seberapa baik data mengikuti distribusi normal … Uji normalitas menjadi langkah penting dalam analisis data karena berfungsi sebagai prasyarat untuk menentukan apakah metode statistik parametrik dapat diterapkan atau tidak.” [Lihat sumber Disini - jurnal.ulb.ac.id]

Dari definisi-definisi tersebut dapat disimpulkan bahwa uji normalitas memiliki beberapa elemen kunci:

• Fokus pada sebaran data atau residual model, bukan hanya variabel tunggal.
• Menilai kesesuaian dengan distribusi normal (Gaussian).
• Digunakan sebagai prasyarat sebelum menerapkan metode statistik parametrik.
• Bila asumsi tidak terpenuhi, maka alternatif (metode non-parametrik) perlu dipertimbangkan.

Langkah Pelaksanaan Uji Normalitas

Untuk memberikan panduan yang jelas, berikut tahapan umum pelaksanaan uji normalitas dalam penelitian atau analisis statistik:

1. Pengumpulan dan persiapan data
   Sebelum melakukan uji normalitas, peneliti harus mengumpulkan data kuantitatif yang relevan (misalnya variabel interval atau rasio) atau residual model (dalam regresi). Data harus dibersihkan (cleaning) dari nilai yang jelas salah entry, dan outlier harus diperhatikan karena dapat mempengaruhi hasil uji normalitas. Sebagai contoh, Handayani & Subakti (2021) menyatakan bahwa uji normalitas digunakan untuk mengetahui apakah sebaran data pada kelompok data berdistribusi normal atau tidak, dan salah satu penyebab data tidak normal dapat berupa outlier. [Lihat sumber Disini - jbasic.org]
2. Pemilihan metode uji normalitas
   Terdapat berbagai metode uji normalitas yang umum digunakan, yang dapat dibagi menjadi dua jenis: analisis grafik dan analisis statistik.
   • Analisis grafik termasuk histogram, normal P-P plot (probability-probability), normal Q-Q plot (quantile-quantile), box-plot, stem-and-leaf plot. Sebagai contoh, dalam artikel “Memahami Uji Normalitas dalam Model Regresi” disebut bahwa data yang normal akan menghasilkan titik-titik yang menyebar di sekitar garis diagonal dalam Q-Q plot. [Lihat sumber Disini - accounting.binus.ac.id]
   • Analisis statistik termasuk uji Kolmogorov-Smirnov, Shapiro-Wilk, Anderson-Darling, Lilliefors, Chi-Square, skewness-kurtosis test, dan lain-lain. Sebagai contoh, penelitian Permana & Ikasari (2023) menggunakan Kolmogorov-Smirnov, Anderson-Darling dan Ryan-Joiner test. [Lihat sumber Disini - proceeding.unindra.ac.id]
     Pemilihan metode biasanya dipengaruhi oleh karakteristik data seperti ukuran sampel (n), sifat data (apakah sangat skew atau tidak), dan apakah parameter populasi diketahui atau tidak.
3. Penentuan hipotesis uji
   Sebagaimana banyak penelitian menetapkan, hipotesis umum untuk uji normalitas adalah:
   • H₀: Data berdistribusi normal
   • Hₐ: Data tidak berdistribusi normal
     Sebagai contoh, pada jurnal Basicedu (2021) disebut bahwa H₀ : Data berdistribusi normal; H₁ : Data tidak berdistribusi normal. [Lihat sumber Disini - jbasic.org]
4. Menjalankan uji statistik atau grafik
   • Bila menggunakan grafik: buat histogram atau Q-Q plot untuk melihat pola sebaran data; bila titik-titik mengikuti garis diagonal dan histogram berbentuk lonceng simetris, maka indikasi normalitas terpenuhi. [Lihat sumber Disini - accounting.binus.ac.id]
   • Bila menggunakan uji statistik: hitung nilai statistik uji (misal statistik D untuk Kolmogorov-Smirnov, W untuk Shapiro-Wilk) dan nilai p-value (signifikansi). Sebagai contoh: jika nilai signifikan (p) > 0,05 maka data dianggap berdistribusi normal; jika p < 0,05 maka data dianggap tidak normal. [Lihat sumber Disini - journal.universitassuryadarma.ac.id]
5. Interpretasi hasil
   Berdasarkan output uji:
   • Apabila p-value > α (sering α = 0,05) maka keputusan H₀ diterima → data berdistribusi normal.
   • Apabila p-value ≤ α maka H₀ ditolak → data tidak berdistribusi normal.
     Sebagai contoh, pada penelitian yang menggunakan data sekunder jumlah SD di Kabupaten Banyumas (2021) diperoleh p-value > 0,005 sehingga data dinyatakan berdistribusi normal. [Lihat sumber Disini - proceeding.unindra.ac.id]
     Penting diingat bahwa indikator grafik juga menjadi tambahan; hanya p-value tidak selalu cukup terutama bila ukuran sampel sangat kecil atau sangat besar.
6. Tindak lanjut jika asumsi tidak terpenuhi
   Bila data tidak berdistribusi normal, ada beberapa opsi yang bisa dilakukan:
   • Transformasi data (misalnya log, akar kuadrat, Box-Cox) agar mendekati normalitas (meskipun dalam artikel ini kita tidak menggunakan rumus).
   • Gunakan metode non-parametrik yang tidak mengasumsikan normalitas (misalnya Uji Mann-Whitney, Kruskal-Wallis).
   • Mempertimbangkan bahwa untuk ukuran sampel besar (sering > 30 atau > 50) menurut Teorema Limit Tengah (Central Limit Theorem) beberapa peneliti menganggap uji normalitas dapat diabaikan karena distribusi rata-rata sampling akan mendekati normal. [Lihat sumber Disini - accounting.binus.ac.id]

Contoh Penerapan Uji Normalitas dalam Statistik

Untuk memperjelas bagaimana uji normalitas diterapkan dalam penelitian nyata, berikut contoh ringkas berdasarkan studi di Indonesia:

Sebagai contoh penelitian oleh Eka Selvi Handayani & Hani Subakti (2021) dengan sampel siswa SD Negeri 002 menunjukkan bahwa sebelum melakukan analisis regresi, dilakukan uji normalitas dengan metode Kolmogorov-Smirnov. Hasilnya nilai signifikansi sebesar 0,973 (> 0,05) sehingga disimpulkan bahwa data berdistribusi normal. [Lihat sumber Disini - jbasic.org]
Contoh lainnya, penelitian oleh S Difinubun (2023) pada Jurnal Aggregate menggunakan metode Kolmogorov-Smirnov untuk melihat apakah variabel dependen dan independen berdistribusi normal atau mendekati normal; dalam penelitian tersebut model terbaik adalah distribusi data normal atau mendekati normal. [Lihat sumber Disini - ejournal-polnam.ac.id]
Satu lagi, penelitian oleh Sianturi (2025) dalam Jurnal Pembelajaran dan Matematika (JPMS) membandingkan beberapa metode uji normalitas (Shapiro-Wilk vs Kolmogorov-Smirnov vs Anderson-Darling) dan menyimpulkan bahwa pemilihan metode tergantung pada ukuran sampel dan karakteristik data. [Lihat sumber Disini - jurnal.ulb.ac.id]

Dari contoh-contoh di atas dapat ditarik beberapa pengalaman praktis:

• Data dengan ukuran sampel kecil (< 50) sering menggunakan uji Shapiro-Wilk karena sensitivitasnya lebih tinggi. [Lihat sumber Disini - jurnal.ulb.ac.id]
• Peneliti harus melaporkan nilai p-value, metode yang digunakan, dan keputusan yang diambil (normal/tidak).
• Apabila data tidak normal, maka harus disebutkan langkah tindak lanjut (transformasi atau metode non-parametrik).
• Data harus dilihat juga dari grafik agar interpretasi lebih komprehensif, karena hanya mengandalkan p-value bisa menyesatkan pada sampel sangat besar atau sangat kecil.

Kesimpulan

Uji normalitas merupakan salah satu tahapan penting dalam analisis data statistik karena menjadi prasyarat bagi banyak metode parametrik. Definisi uji normalitas menekankan bahwa data atau residual model harus berdistribusi normal atau mendekati normal agar estimasi dan pengujian hipotesis menjadi valid. Pelaksanaan uji ini melibatkan pengumpulan data yang bersih, pemilihan metode yang tepat (grafik dan/atau statistik), penetapan hipotesis, pelaksanaan uji, interpretasi hasil, dan jika perlu, tindak lanjut apabila asumsi tidak terpenuhi. Contoh penelitian di Indonesia menunjukkan bagaimana uji normalitas diterapkan dalam praktik dengan metode-metode seperti Kolmogorov-Smirnov dan Shapiro-Wilk.

Dengan memahami dan menerapkan uji normalitas secara baik, peneliti dapat meningkatkan keakuratan, reliabilitas, dan kredibilitas hasil penelitian. Sebaliknya, mengabaikan uji ini atau mengaplikasikannya secara asal dapat menyebabkan kesimpulan penelitian menjadi bias atau tidak dapat dipertanggungjawabkan secara metodologis.

Semoga artikel ini memberi gambaran lengkap dan mendalam tentang uji normalitas sehingga dapat menjadi referensi yang berguna dalam penelitian dan analisis statistik Anda.