metode shapiro
DESCRIPTION
ShapiroTRANSCRIPT
Metode Shapiro-Wilk dalam menguji normalitas
Definisi : Metode Shapiro-Wilk adalah sebuah metode untuk mengolah Sekumpulan data besar yang belum
diolah dalam tabel distribusi frekuensi dengan cara mengurutkan data dan membaginya menjadi dua kelompok
untuk dikonversikan dalam Shapiro-wilk, dilanjutkan dengan transformasi Z untuk mendapatkan luas kurva
normalnya.
Transformasi dalam nilai Z dapat dilakukan juga tidak. Lihatlah rumus umum untuk metode Shapiro wilk dibawah
ini :
Rumus 1.Shapiro-Wilk
T3 = 1/D [ ∑ki = 1 ai (Xn – i + 1 – Xi)]2
Dengan keterangan :
ai : Koefisien test dari Shapiro-wilk
D : didefinisikan dengan rumus
D = ∑ni=1 (Xi – Xbar)
Xn – i : nilai ke n – i + 1 pada data
Xi : nilai ke-I dalam data
Xbar : Nilai rata-rata
Rumus 2.Shapiro-Wilk
G = bn + cn + ln[(T3 – dn)/(1 – T3)]
Dengan keterangan :
T3 : didefinisikan dalam rumus 1.shapiro-wilk
bn , cn ,dn : konversi statistik Shapiro wilk pendekatan untuk distribusi normal
G : mirip dengan nilai Z pada distribusi normal.
Adapun syarat dalam menggunakan metode Shapiro wilk ini dalam uji normalitas yakni :
Data harus berskala interval atau ratio bersifat kuantitatif atau berupa nilai hitung
Data bersifat tunggal atau belum dikelompokkan dalam tabel distribusi frekuensi
Data diperoleh dari pengambilan sampel atau contoh secara acak atau random
Adapun signifikansi dari metode Shapiro wilk ini dalam uji normalitas adalah :
Siginifikansi 1 : Jika nilai p > 5%, maka Ho diterima dan H1 ditolak. Jika nilai p < 5%, maka Ho ditolak dan
H1 diterima. Jika digunakan rumus G, maka digunakan tabel distribusi normal.
Signifikansi (sig) uji nilai T3 Jika dibandingkan dengan nilai pada tabel Shapiro wilk untuk dibandingkan nilai
probabilitas atau peluang (p) nya. Sehingga, signifikansinya memiliki konsep seperti signifikansi 1 diatas.
Mungkin ini yang dapat saya tuliskan mengenai metode Shapiro wilk untuk menguji normalitas data berdistribusi.
Jika dalam artikel ini ada kesalahan, baik itu penulisan notasi atau rumus juga keterangan, mohon koreksiannya.
Terimakasih sudah membaca artikel ini, semoga bermanfaat.