MAKALAH

CHI-SQUARED TESTS

Disusun Oleh :
Kelompok 3
Muhammad Ali Masum 402471
Nery Revisa 402473

Dosen Pengampu:
Sutjiana, Drs., M.Sc.

PROGRAM MAGISTER SAINS AKUNTANSI

FAKULTAS EKONOMIKA DAN BISNIS
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2017
 CHI-SQUARED TESTS

INTRODUCTION
Kita telah melihat berbagai teknik statistik yang digunakan ketika datanya adalah
nominal. Bab ini akan membahas tentang penggunaan teknik statistik untuk
menarik kesimpulan tentang populasi dari data sample.
Bab ini mengembangkan dua teknik statistik yang melibatkan data
nominal. Pertama, goodness of fit test yang diterapkan pada data yang dihasilkan
dari eksperimen multinomial, sebuah generalisasi dari binomial eksperiment.
Kedua, menggunakan data yang disusun dalam sebuah tabel (disebut contingency
table) untuk menentukan apakah dua klasifikasi dari sebuah populasi dari data
nominal independen secara statistik, uji ini dapat juga diinterpretasikan sebagai
sebuah perbandingan dari dua atau lebih populasi.

PEMBAHASAN
CHI-SQUARED GOODNESS-OF-FIT TEST
Bagian ini menyajikan uji statistik yang didesain untuk mendiskripsikan sebuah
populasi data nominal. Uji ini telah diperkenalakan pada bagian 12-3 ketika
mendiskusikan prosedur statistik untuk menguji hipotesis tentang proporsi
populasi. Dalam kasus tersebut variabel nominal dapat berasumsi salah satu dari
dua kemungkinan yaitu sukses atau gagal. Uji ini terkait dengan hipotesis tentang
proporsi keberhasilan kesuksesan dalam seluruh populasi. Ingat bahwa
eksperimen yang menghasilkan data tersebut disebut binomial experiment. Pada
bagian ini diperkenalakan eksperimen multinomial, yang merupakan
pengembangan eksperimen binomial , dimana terdapat dua atau lebih
kemungkinan hasil tiap percobaan.

Sifat-sifat eksperimen multinomial

1. Percobaan terdiri dari sejumlah n percobaan yang identik
2. Hasil dari tiap percobaan dapat digolongkan ke dalam salah satu dari k
kategori yang disebut sel-sel.
3. Probabilitas pi, yaitu hasil yang akan jatuh pada cell i adalah konstan
untuk tiap percobaan. Dimana p1+p2+ ...+pk = 1
4. Setiap percobaan dari eksperimen adalah independen satu sama lain.

Chi_Squared Tests| 2
 Ketika k=2, eksperimen multinomial identik dengan eksperimen binomial.
Sama seperti kita menghitung jumlah sukses (ingat bahwa kita memberi simbol
jumlah sukses dengan x) dan gagal dalam sebuah eksperimen binomial, kita
menjumlahkan hasil yang jatuh pada setiap k sel dalam sebuah eksperimen
multinomial. Dengan cara ini kita mendapatkan satu set frekuensi yang teramati
yaitu f1, f2, ..., fk. Dimana fi adalah frekuensi observasi yang jatuh pada pada sel i,
untuk i=1,2,...,k. Karena eksperimen terdiri dari n percobaan dan sebuah outcome
harus jatuh pada beberapa sel,
f1 + f2 +...+ fk = n
Sama seperti kita menggunakan jumlah sukses x (dengan menghitung
proporsi sampel p, dmn sama dengan x/n) untuk menarik kesimpulan tentang p,
maka kita menggunakan observed frekuencies untuk menarik kesimpulan tentang
probabilitas sel.
Contoh 15.1:
Pengujian Pasar Saham
Perusahaan A baru-baru ini melakukan kampanye iklan secara agresif untuk
mempertahankan dan meningkatkan market share nya (saat ini 45%) untuk jenis
produk fabric softener. pesaing utamanya adalah perusahaan B yang memiliki
market shares sebesar 40%, dan sisanya yaitu 15% adalah pesaing lainnya. Untuk
menentukan apakah market shares nya berubah setelah kampanye iklan, manajer
perusahaan A meminta preferensi dari sampel yang dipilih secara acak sejumlah
200 pelanggan fabric softener. dari 200 pelanggan, 102 menunjukkan preferensi
untuk produk perusaan A, 82 memilih produk perusahaan B, dan 16 memilih salah
satu dari produk pesaing lainnya. Dapatkah analis menyimpulkan pada tingkat
siignifikansi 5% bahwa pilihan pelanggan telah berubah dari tingkat sebelumnya
setelah kampanye iklan dilakukan?
Solusi:
Populasi yang dimaksud terdiri dari pilihan merek dari pelanggan fabric
softener. Data terdiri dari data nominal karena setiap responden akan memilih
salah satu dari tiga kemungkinan jawaban yaitu produk A, produk B, atau lainnya.
jika hanya ada dua kategori atau jika kita tertarik pada proporsi satu pelanggan
perusahaan (dimana kita akan memberi label sukses dan lebel untuk yang lain

Chi_Squared Tests| 3
adalah gagal), kita akan menggunakan teknik uji z. Namun dalam masalah ini kita
tertarik pada proporsi dari ketiga kategori. Kita mengakui eksperimen ini sebagai
sebuah eksperimen multinomial, dan kita mengidentifikasi teknik ini sebagai chi-
squared goodness of fit test.
Karena kita ingin mengetahui apakah market shares telah berubah, kita tentukan
market shares sebelum kampanye dalam hipotesis nol.
H0: P1=0,45, P2=0,40, P3=0,15
Hipotesis alternatif mencoba menjawab pertanyaan kita, apakah proporsi telah
berubah?
H1: setidaknya satu Pi tidak sama dengan nilai yang ditentukan.

Uji Statistik
Jika hipotesis nol benar, kita akan mengharapkan jumlah dari pelanggan yang
memilih merek A, merek B dan merek lainnya memliki proporsi sesuai yang
ditentukan berdasarkan hipotesis nol, yaitu:
e1 = 200 x 0,45 = 90
e2 = 200 x 0,40 = 90
e3 = 200 x 0,15 = 30
Secara umum expected frequency untuk tiap sel dapat dirumuskan sebagai
berikut:
ei = n.pi
Jika expected frequencies ei dan observed frequencies fi cukup berbeda, kita ingin
menyimpulkan bahwa hipotesis nol adalah salah, dan kita ingin menolak nya.
Namun jika expected frequencies dan observed frequencies adalah serupa, kita
tidak akan menolak hipotesis nol.
Uji statistik dirumuskan sebagai berikut untuk mengukur kesamaan dari expected
frequencies dan observed frequencies.
Uji Statistik Chi-Squared Goodness of Fit
2
( )
X2= =1

Distribusi sampling dari uji statistik terdistribusi di sekitar chi-squared dengan

derajat kebebasan v = k 1.

Chi_Squared Tests| 4
 Tabel berikut menunjukkan perhitungan uji statistik. Sehingga nilai x 2=0,18.
Seperti biasa, kita menilai ukuran dari uji statistik ini dengan menentukan daerah
penolakan atau menentukan p-value.
Observed Expected
Perusahaan Frequency Frequency (fi ei) ( )
fi ei
A 102 90 12 1.6
B 82 80 2 0.05
Lainnya 16 30 -14 6.53
2
Total 200 200 X =8.18

Ketika hipotesis nol adalah benar, observed frequencies dan expected

frequencies harus mirip, dalam kasus tersebut bahwa nilai uji statistik akan
menjadi kecil. Nilai uji statistik yang kecil mendukung hipootesis nol. Jika
hipotesis nol adalah tidak benar, observed frequencies dan expected frequencies
akan berbeda dan uji statistik akan menjadi besar. Akibatnya, kita akan menolak
hipotesis nol ketika x2 lebih besar dari X2,k-1. Dengan kata lain daerah penolakan
adalah sebagai berikut:
X2 > 1

Pada contoh 15.1, k=3; daerah penolakan adalah

X2 > 1 = = 5,99
Karena nilai statistik uji adalah x2=8,18, kita menolak hipotesis nol. Nilai p-value
adalah
p-value= P(x2>8,18)
sayangnya, tabel 5 pada lampiran B tidak memungkinkan kita untuk melakukan
perhitungan ini (kecuali dengan pendekatan interpolasi). P-value harus dihasilkan
oleh komputer.

Chi_Squared Tests| 5
 EXCEL
Output dari perintah yang tercantum disini adalah p-values, yaitu 0,0167.
1. Ketik nilai observasi ke dalam sebuah kolom dan nilai yang diharapkan ke
dalam kolom yang lain. (jika kita ingin, kita dapat mengetik probabilitas
sel yang ditentukan ke dalam hipotesis nol dan membiarkan Excel
mengkonersi nya menjadi nilai yang diharapkan dengan mengalikan
dengan ukuran sampel).
2. Aktifkan sel kosong dan ketikkan:
= CHITEST ([Actual_range], [Expected_range])

MINITAB

Instruction
Interpretasi
1. bukti
Klik Stat,
yangTables dan Chi-square Goodness-of-Fit
5% untukTest (One
Terdapat cukup pada tingkat dignifikansi menyimpulkan
Variable)...
bahwa proporsi telah berubah sejak kampanye iklan dilaksanakan. Jika sampling
2. Ketik nilai observasi kecukup
dalamconfident
kotak Observed
dengancounts: (102kita.
82 16).
dilakukan secara benar, kita bisa kesimpulan
3. Klik Proportion specified by historical counts dan Input constant.
Kondisi yang
Ketikdisyaratkan
nilai proporsi pada hipotesis nol (0,45; 0,40; 0,15).

Uji chi-squared harus memenuhi aturan yang disebut dengan the rule of five.
Aturan ini menyatkan bahwa ukuran sampel harus cukup besar sehingga nilai
yang diharapkan untuk setiap sel minimal adalah 5.

Chi_Squared Tests| 6
 Factors that identify the chi squared goodness of fit test
1. Tujuan: mendeskripsikan satu populasi
2. Tipe data nominal
3. Jumlah kategori dua atau lebih

CHI SQUARED TEST OF A CONTINGENCY TABLE

Uji chi-squared dari tabel kontingensi digunakan untuk menentukan apakah
terdapat bukti yang cukup untuk menyimpulkan bahwa dua variabel nominal
berhubungan dan untuk menyimpulkan bahwa terdapat perbedaan antara dua atau
lebih variabel nominal. melengkapi kedua tujuan tersebut memerlukan
pengelompokan item-item menurut dua kriteria yang berbeda. Perhatikan contoh
berikut:
Contoh 15.2:
Program MBA telah mengalami masalah penjadwalan programnya. Permintaan
pilihan program dan jurusan menjadi variabel dari tahun ke tahun. Dalam satu
tahun, mahasiswa sepertinya ingin program pemasaran, di tahun lainnya akuntansi
yang digemari. Dalam keputusannya, dekan sekolah bisnis meminta bantuan
seorang profesor statistik. Profesor statistik percaya bahwa variabilitas latar
belakang akademik dan gelar kesarjanaan mempengaruhi pilihan jurusan.
Langkah awal dia mengambil sampel secara acak dari mahasiswa MBA tahun
terakhir dan mencatat gelar kesarjanaan dan jurusan yang dipilih. Gelar
kesarjanaan nya adalah BA, B.Eng, BBA dan lainnya. Terdapat tiga kemungkinan
jurusan untuk mahasiswa MBA yaitu akuntansi, keuangan, dan pemasaran.
Hasilnya dirangkum dalam sebuah tabel cross-classification. Dapatkah ahli
statistika menyimpulkan bahwa gelar kesarjanaan mempengaruhi pilihan jurusan?
Jurusan MBA
Gelar Kesarjanaan
Akuntansi Keuangan Pemasaran Total
BA 31 13 16 60
BEng 8 16 7 31
BBA 12 10 17 39
Other 10 5 7 22
Total 61 44 47 152

Chi_Squared Tests| 7
Solusi:
Salah satu cara untuk memecahkan masalah ini adalah dengan menentukan bahwa
terdapat dua variabel yaitu gelar kesarjanaan dan jurusan program MBA.
Keduanya adalah variabel nominal. Nilai dari gelar kesarjanaan adalah BA, BEng,
BBA dan lainnya. Nilai dari jurusan program MBA adalah akuntansi, keuangan,
dan pemasaran. Tujuan dari masalah ini adalah untuk menganalisis hubungan
antara dua variabel khususnya kita ingin mengetahui apakah satu variabel
berhubungan dengan variabel yang lain.
Cara lain untuk mengatasi masalah ini adalah untuk menentukan apakah ada
perbedaan antara BA, B.Eng, BBA, dan lainnya. dengan kata lain, kita
memperlakukan masing masing sebagai populasi yang terpisah. Tiap populasi
memiliki tiga kemungkinan nilai yang direpresentasikan oleh jurusan program
MBA. Tujuan masalah ini adalah untuk membandingkan empat populasi. (kita
juga dapat menjawab masalah dengan memperlakukan jurusan MBA sebagai
populasi dan gelar kesarjanaan sebagai nilai nilai dari variabel random).
Kedua tujuan menyebabkan tes yang sama. konsekuensinya, kita dapat
menyelesaikan dua tujuan pada saat yang sama. Hipotesis nol akan menentukan
bahwa tidak ada hubungan antara dua variabel. Kita dapat menyatakan ini dengan
cara berikut:
H0: dua variabel adalah independen.
Hipotesis alternatif menentukan bahwa satu variabel mempengaruhi yang lain.
H1: dua variable adalah independen.

Uji Statistik.
Uji statistik yang digunakan sama seperti pada uji proporsi pada goodness of fit
test. Uji statistik adalah sebagai berikut:

( )

=1

Dimana k adalah jumlah dari sel pada cross-classification table. jika kita
menguji hipotesis nol dijalaskan dalam goodness of fit test dan satu yang

Chi_Squared Tests| 8
dijelaskan di atas, kita akan menemukan perbedaan besar. dalam goodness of fit
test, hipotesis nol berisi nilai nilai untuk probabilitas pi. hipotesis nol untuk chi-
squared test of a contingency table hanya menyatakan bahwa dua variabel adalah
independen. namun kita membutuhkan probabilitas untuk menghitung nilai yang
diharapkan ei, yang pada akhirnya dibutuhkan untuk menghitung nilai uji statistik.
(entri dalam tabel adalah observed value fi).
Pada chapter 6 diperkenalkan kejadian independen dan menunjukkan bahwa
jika dua kejadian A dan B adalah saling independen, joint probability nya adalah
P(A dan B) adalah sama dengan hasil dari P(A) dab P(B). Dapat dirumuskan
sebagai berikut:
P(A dan B) = P(A) x P(B)
Kejadian pada contoh ini adalah nilai pada masing-masing dua variabel
nominal yang dapat diasumsikan. Sayangnya kita tidak punya probabilitas A dan
B. Namun probabilitas A dan B ini dapat diestimasikan dari data. Dengan
menggunakan frekuensi relatif, kita dapat menghitung probabilitas yang
diestimasikan untuk Jurusan MBA.
1
P(Accounting)=1

P(Finance)= 1

P(Marketing)= 1

P(BA)= 1
1
P(BEng)= 1

P(BBA)= 1

P(Other)= 1

Berasumsi bahwa hipotesis nol adalah benar, kita dapat menghitung

estimasi joint probability. Untuk menghasilkan niai yang diharapkan, kita
mengalikan joint probability yang diestimasikan dengan ukuran sampel, n=152.
Hasilnya dapat disusun dalam sebuah tabel kontingensi, kata contingency
diturunkan dengan menghitung expected value contingent pada asumsi bahwa
hipotesis nol adalah benar (dua variabel adalah independen).

Chi_Squared Tests| 9
Tabel
Gelar Jurusan MBA
Kesarjanaan Akuntansi Keuangan Pemasaran Total
1
BA 152
1 1
152
1 1
152
1 1
60
1 1 1 1
BEng 152
1 1
152
1 1
152
1 1
31
1
BBA 152
1 1
152
1 1
152
1 1
39
1
Lainnya 152
1 1
152
1 1
152
1 1
22
Total 61 44 47 152

Sebagaimana kita lihat bahwa expected value untuk setiap sel dihitung dengan
mengalikan total baris dengan total kolom dan dibagi dengan ukuran sampel.
Misalnya, expected value untuk sel BA dan Accounting adalah:
1 1
152 x 1 x1 = = 24.08
1

Semua expected value dapat ditentukan dengan cara yang sama, sehingga dapat
dirumuskan sebagai berikut.

Expected Frequencies untu sebuah tabel kontingensi

Expected Frequency dari sel untuk baris i dan kolom j adalah

total baris i x total kolom i
eij = ukuran sampel

Frekuensi dari sel pada tabel berikut. dalam kasus goodness of fit, frekuensi sel
yang diharapkan harus memenuhi the rule of five.
Kita dapat menghitung nilai dari uji statistik sebagai berikut:
Jurusan MBA
Gelar Akuntansi Keuangan Pemasaran
Kesarjanaan Fo Fh Fo Fh Fo Fh Total
BA 31 24,08 13 17,37 16 18,55 60
BEng 8 12,44 16 8,97 7 9,59 31
BBA 12 15,65 10 11,29 17 12,06 39
Lainnya 10 8,83 5 6,37 7 6,80 22
61 44 47 152

Chi_Squared Tests| 10
Kita dapat menghitung nilai dari uji statistik sebagaimana dalam tabel berikut:
Jurusan MBA
Akuntansi Keuangan Pemasaran

Gelar ( ) ( ) ( )
( )2
Kesarjanaan Fo Fh Fo Fh Fo Fh =1

BA 31 24,08 1,99 13 17,37 1,10 16 18,55 0,41

BEng 8 12,44 1,59 16 8,97 5,50 7 9,59 0,95
BBA 12 15,65 0,85 10 11,29 0,15 17 12,06 1,44
Lainnya 10 8,83 0,16 5 6,37 0,29 7 6,80 0,01
4,58 7,04 2,80 X2= 14,43

Daerah Penolakan dan p-value

Untuk menentukan daerah penolakan kita harus mengetahui degrees of freedom
yang terkait dengan statistik chi-squared. Jumlah dari degrees of freedom untuk
tabel kontingensi dengan baris i dan kolom j adalah v = (r-1)(c-1). Pada contoh ini
jumlah degrees of freedom nya adalah v = (r-1)(c-1) = (4-1)(3-1) = 6
Jika kita menggunakan tingkat signifikansi 5%, daerah penolakan nya
adalah
X2 > = = 12,5
Karena x2 = 14,70, kita menolak hipotesis nol dan menyimpulkan bahwa
terdapat bukti bahwa terdapat sebuah hubungan antara gelar kesarjanaan dan
jurusan MBA.
p-value dari uji statistik adalah
P(x2 > 14,70)
Sayangnya, kita tidak dapat menentukan p-value secara manual

Menggunakan Komputer
Excel dan Minitab dapat menghasilkan statistik chi-squared baik dari tabel
klasifikasi silang dengan frekuensi yang sudah dihitung maupun dari data mentah.

Chi_Squared Tests| 11
Excel

Instructions (Data mentah)

1. Ketik atau import data ke dalam dua kolom yang berdekatan. (Buka Xm
15-02). Kode harus bilangan positif lebih besar dari 0
2. Klik Add-Ins, Data Analysis Plus, dan Contingency Table (Raw Data)
3. Tentukan input range (A1:B153) dan tentukan nilai dari (0.05)
Instructions (Tabel Lengkap)
1. Ketik frekuensi ke dalam kolom-kolom yang berdekatan
2. Klik Add-Ins, Data Analysis Plus, dan Contingency Table
3. Tentukan input range. Klik labels jika baris pertama dan kolom pertama
berisi nama-nama dari kategori. Tentukan nilai dari (0.05).

Minitab

Chi_Squared Tests| 12
Instructions (Data mentah)
1. Ketik atau import data ke dalam dua kolom (Buka Xm 15-02)
2. Klik Stat, Tables, dan Cross Tabulation and chi-Squared
3. Di dalam kotak Categorical variables, pilih atau ketik variabel (Degree)
For rows dan variabel (MBA Major) For column. Klik Chi-Square...
4. Dibawah Display klik Chi-Square analysis. Tentukan Chi-square
analysis
Instructions (Tabel Lengkap)
1. Ketik observed frequencies ke dalam kolom yang saling berdekatan
2. Klik Stat, Tables, dan Chi-square Test (Tables in Worksheet)...
3. Pilih atau ketik nama variabel yang mewakili kolom

Interpretasi
Terdapat bukti yang kuat untuk menyimpulkan bahwa gelar kesarjanaan dan
jurusan MBA adalah saling berhubungan. Hal ini menunjukkan bahwa dekan
dapat memprediksi jumlah program pilihan dengan menghitung jumah mahasiswa
MBA dengan masing-masing gelar kesarjanaanya. kita bisa melihat bahwa
mahasiswa dengan gelar BA memilih jurusan accounting, BEng lebih memilih
finance, BBA lebih memilih marketing dan lainnya tidak menunjukkan pilihan
tertentu.
Jika hipotesis nol adalah benar, gelar kesarjanaan dan jurusan MBA adalah
independen satu sama lain. Artinya bahwa apakah mahasiswa MBA memiliki
gelar kesarjaan BA, BEng, BBA, atau gelar lainnya tidak berpengaruh pada
pilihan jurusan program MBA. konsekuensinya tidak ada perbedaan dalam pilihan
jurusan diantara berbagai lulusan dengan gelar kesarjanaannya. jika hipotesis
alternatif benar, gelar kesarjanaan berpengaruh terhadap pilihan jurusanMBA.
dengan demikian terdapat perbedaan diantara empat kategori gelar kesarjanaan.

The rule of five

Pada bagian sebelumnya, kita menunjukkan bahwa frekuensi untuk tiap sel
minimal 5 untuk memastikan bahwa distribusi chi-squared memberikan
perkiraan yang memadai dari distribusi sampling. Dalam sebuah tabel kontingensi
dimana satu atau lebih sel memiliki frekuensi harapan kurang dari 5, kita perlu

Chi_Squared Tests| 13
mengkombinasikan baris dan kolom untuk memenuhi the rule of five sebagaimana
telah didiskusikan pada website Keller Apendix rule of five.

Format Data
Pada contoh 15.2, data disimpan dalam dua kolom, kolom pertama berisi nilai dari
variabel nominal pertama dan kolom kedua berisi nilai dari variabel nominal
kedua. Data dapat disimpan dengan cara lain,. Pada conoth 15.2 kita telah
mencatat data dalam tiga kolom, satu untuk tiap jurusan MBA. Kolom-kolom
tersebut berisi kode yang merepresentasikan gelar kesarjanaan. secara
alternatif,kita dapt mencatat data dalam empat kolom, satu kolom untuk tiap gelar
kesarjanaan. Kolom-kolom tersebut berisi kode-kode untuk jurusan MBA. Dalam
kasus kedua ini kita harus menghitung jumlah dari tiap nilai dan menyusun tabel
tabulasi silang. Dengan menggunakan Excel maupun Minitab kita dapat
menghitung nilai statistik chi-squared dan p-valuenya dari tabel tabulasi silang.
Berikut adalah ringkasan dari faktor-faktor yang menjelaskan kapan kita
menggunakan uji chi-squared dari tabel kontingensi. Perhatikan bahwa terdapat
dua tujuan masalah yang harus dipenuhi oleh oleh prosedur statistik ini.

Faktor-faktor yang mengidentifikasi Uji Chi-Squared dari tabel kontingensi

adalah:
1. Tujuan masalah: menganalisis hubungan dua variabel dan
membandingkan dua atau lebih populasi
2. Tipe data: nominal

RINGKASAN PENGUJIAN PADA DATA NOMINAL

Data nominal dapat diuji dengan empat teknik pengujian, yaitu (Keller, 2014):
z-test of p
z-test of p1 - p2
Chi-squared goodness-of-fit test
Chi-squared test of a contingency table

Keempat teknik pengujian pada data nominal tersebut memiliki fungsi yang
berbeda-beda, sehingga peneliti harus terlebih dahulu menentukan tujuan

Chi_Squared Tests| 14
pengujian. Apabila tujuan dari pengujian telah ditetapkan maka peneliti dapat
memilih teknik statistik yang tepat untuk pengujian pada data nominal sesuai
dengan kebutuhan.
Ada dua faktor penting dalam mengidentifikasi teknik yang akan digunakan
dalam data nominal, yaitu:
Tujuan masalah
Jumlah kategori variabel yang dapat diasumsikan.

Tabel Teknik Statistik untuk Data Nominal

Tujuan Masalah Jumlah Kategori Teknik Satistik
z-test of p
2
Mendeskripsikan populasi Chi-squared goodness-of-fit test
Lebih dari 2 Chi-squared goodness-of-fit test
z-test of p1 p2
2 Chi-square test of contingency
Membandingkan dua populasi table
Chi-square test of contingency
Lebih dari 2
table
Membandingkan dua atau lebih populasi Chi-square test of contingency
Dua atau lebih
table
Menganalisis hubungan antara dua Chi-square test of contingency
Dua atau lebih
variabel table

Deskripsi populasi data nominal dua kategori dapat diuji dengan dua
teknik (z-test of p atau chi-squared goodness-of-fit test) karena jika hanya dua
kategori, percobaan multinomial sebenarnya adalah percobaan binomial. Secara
statistik matematika, nilai z dari z-test of p apabila dikuadratkan sama dengan chi-
square (z2=x2), maka dari itu deskripsi populasi dengan dua kategori dapat diuji
dengan z-test of p atau chi-squared goodness-of-fit test. Perbandingan dua
populasi dua kategori juga dapat diuji dengan dua teknik (z-test of p1 p2 atau
chi-square test of contingency table) karena apabila nilai z dari z-test of p1 p2
dikuadratkan maka hasilnya sama dengan x2.

Mengembangkan Pemahaman Tentang Konsep Statistik

Menentukan frekuensi dari masing-masing kategori dan menggunakan kategori
tersebut untuk perhitungan uji statistik. Kemudian menghitung proporsi untuk

Chi_Squared Tests| 15
perhitungan z-statistik atau menggunakan frekuensi untuk menghitung x2-
statistik. Teknik statistik dalam pengujian data nominal tidak terbatas pada dua
teknik tersebut melainkan besar kemungkinan ada teknik lain yang dapat
digunakan dalam uji statistik data nominal.

(OPSIONAL) UJI CHI-SQUARED UNTUK NORMALITAS

Chi-square dapat digunakan sebagai teknik statistik untuk menguji normalitas,
yaitu menggambarkan distribusi suatu data. Pada uji normalitas, probabilitas
harus dihitung menggunakan distribusi hipotesis.

Contoh:
Pabrik Daur Ulang Surat Kabar
Dalam waktu dekat, negara mungkin harus berbertindak lebih untuk
menyelamatkan lingkungan. Tindakannya yang mungkin dapat dilakukan seperti
mengurangi penggunaan energi dan melakukan daur ulang. Saat ini, sebagian
besar produk yang diproduksi dari bahan daur ulang jauh lebih mahal daripada
yang diproduksi dari bahan non daur ulang. Sebagai contoh, untuk memproduksi
botol kaca dari bahan daur ulang tiga kali lebih mahal daripada bahan pasir silika
dan lain sebagainya. Surat kabar merupakan pengecualian, hal ini dapat
menguntungkan untuk mendaur ulang surat kabar. Dalam beberapa tahun terakhir,
banyak perusahaan telah bergerak dalam bisnis pengumpulan surat kabar bekas
dari rumah tangga dan kemudian melakukan daur ulang. Analis keuangan untuk
salah satu perusahaan baru-baru ini menghitung bahwa perusahaan akan
mendapatkan keuntungan jika rata-rata pengeumpulan surat kabar mingguan dari
masing-masing rumah tangga melebihi 2.0 pound. Dalam sebuah studi untuk
menentukan kelayakan pabrik daur ulang, diambil sampel secara acak yaitu 148
rumah tangga dan berat surat kabar mingguan yang dibuang untuk daur ulang
untuk setiap rumah tangga tercatat sebagai berikut:
2.5 0.7 3.4 1.8 1.9 2.0 1.3 1.2 2.2 0.9 2.7 2.9 1.5 1.5 2.2
3.2 0.7 2.3 3.1 1.3 4.2 3.4 1.5 2.1 1.0 2.4 1.8 0.9 1.3 2.6
3.6 0.8 3.0 2.8 3.6 3.1 2.4 3.2 4.4 4.1 1.5 1.9 3.2 1.9 1.6
3.0 3.7 1.7 3.1 2.4 3.0 1.5 3.1 2.4 2.1 2.1 2.3 0.7 0.9 2.7
1.2 2.2 1.3 3.0 3.0 2.2 1.5 2.7 0.9 2.5 3.2 3.7 1.9 2.0 3.7
2.3 0.6 0.0 1.0 1.4 0.9 2.6 2.1 3.4 0.5 4.1 2.2 3.4 3.3 0.0
2.2 4.2 1.1 2.3 3.1 1.7 2.8 2.5 1.8 1.7 0.6 3.6 1.4 2.2 2.2
1.3 1.7 3.0 0.8 1.6 1.8 1.4 3.0 1.9 2.7 0.8 3.3 2.5 1.5 2.2
2.6 3.2 1.0 3.2 1.6 3.4 1.7 2.3 2.6 1.4 3.3 1.3 2.4 2.0
1.3 1.8 3.3 2.2 1.4 3.2 4.3 0.0 2.0 1.8 0.0 1.7 2.6 3.1
Chi_Squared Tests| 16
Diasumsikan bahwa data berdistribusi normal, dan untuk menguji normalitas
distribusi data tersebut ada beberapa tahap yang harus dilakukan.
Tahap 1: Menghitung rata-rata sampel dan standar deviasi

Tahap2: Menentukan jumlah interval

Interval 1:
Interval 2:
Interval 3:
Interval 4:
Interval 5:

Tahap 3: Menghitung probabilitas setiap interval

( ) ( ) ( )

( ) ( )

( )

( ) ( )

( )

( ) ( )

( )

( ) ( ) ( )

Tahap 4: Menyatakan hipotesis

H0: p1 = 0.0668, p2 = 0.2417, p3= 0.3829, p4 = 0.2417, p5 = 0.0668
H1: Setidaknya ada dua proporsi berbeda dari nilai-nilai yang ditentukan

Tahap 5: Menentukan nilai ekspektasi

e1 = np1 = 148 (0.0668) = 9.89
e2 = np2 = 148 (0.2417) = 35.78
e3 = np3 = 148 (0.3829) = 56.67

Chi_Squared Tests| 17
 e4 = np4 = 148 (0.2417) = 35.78
e5 = np5 = 148(0.0668) = 9.89

Tahap 6: Menghitung frekuensi nilai observasi setiap interval

f1 = 10
f2 = 36
f3 = 54
f4 = 39
f5 = 9

Tahap 7: Menghitung chi-squared statistic

( 1)

=1

( ) ( ) ( )

( ) ( )

Tahap 8: Menentukan area penolakan

Tahap 9: Menarik kesimpulan

Berdasarakan perhitungan di atas, diperoleh:

maka Ho diterima
Jadi, tidak cukup bukti untuk menyimpulkan bahwa data tidak berdistribusi
normal atau cukup bukti untuk menyimpulkan bahwa data berdistribusi normal.

Chi_Squared Tests| 18
Instruksi
1. Ketik atau import data ke dalam satu kolom. (Buka Xm 12-01).
2. Klik Add-Ins, Data Analysis Plus, dan Chi-Squared Test of Normality
3. Tentukan Input Range (A1:A149) dan tentukan nilai dari (0.05)

Kelas Interval
Praktiknya, pemilihan kelas interval bergantung kepada keputusan peneliti. Pada
contoh pabrik daur ulang surat kabar tersebut, peneliti memilih interval untuk
memfasilitasi perhitungan probabilitas normal. Jumlah interval dipilih untuk
mematuhi aturan lima, yang mensyaratkan bahwa semua nilai-nilai yang
diharapkan minimal sama dengan 5. Karena jumlah derajat kebebasan adalah k -
3, jumlah minimal interval adalah k = 4.

Interpretasi Hasil Uji Chi-Squared untuk Normalitas

Dalam contoh pabrik daur ulang surat kabar di atas, ditemukan bahwa ada
sedikit bukti untuk menyimpulkan bahwa berat surat kabar yang dibuang tidak
terdistribusi secara normal. Namun, peneliti telah menemukan bukti normalitas,
hal ini tidak akan selalu membatalkan t-test. T-test dari mean adalah prosedur
yang robust, berarti bahwa hanya jika variabel tersebut sangat tidak normal dan
ukuran sampel kecil maka peneliti dapat menyimpulkan bahwa teknik ini adalah

Chi_Squared Tests| 19
salah. Masalahnya di sini adalah bahwa jika ukuran sampel besar dan variabel
hanya sedikit tidak normal, uji chi-squared normalitas akan menyimpulkan bahwa
variabel tidak terdistribusi secara normal. Namun, jika variabel ini bahkan cukup
tidak normal dan ukuran sampel besar, t-test akan tetap berlaku. Meskipun ada
situasi di mana peneliti perlu mengetahui apakah suatu variabel itu normal atau
tidak normal.

KETERBATASAN CHI-SQUARED
Menurut Lind, dkk (2008) terdapat keterbatasan dalam chi-squared yaitu, jika
frekuensi ekspektasi dalam kategori adalah kecil maka penerapan chi-square
mungkin mengakibatkan kesimpulan yang salah. Hal ini terjadi karena frekuensi
ekspektasi muncul sebagai penyebut, sehingga hasil pembagian yang diperoleh
cukup besar. Dua kebijakan yang dapat diterima secara umum mengenai frekuensi
kategori kecil adalah:
Jika hanya ada 2 kategori, frekuensi ekspektasi di setiap sel setidaknya 5.
Jika lebih dari 2 kategori, chi-square tidak boleh digunakan apabila lebih
dari 20% dari frekuensi ekspektasi kategori kurang dari 5. Sesuai dengan
kebijakan ini, maka tidak akan sesuai untuk menggunakan goodness-of-fit
test pada data tersebut.

APLIKASI CHI-SQUARED TESTS DALAM PENELITIAN

Judul
The Effect of Obedience Pressure and Perceived Responsibility on Management
Accountants Creation of Budgetary Slack

Penulis
Stan Davis, F. Todd DeZoort, dan Lori S. Kopp

Jurnal
Behavioral Research in Accounting, Volume 18, 2006, pp. 1935.

Chi_Squared Tests| 20
Tujuan
1. Mengevaluasi tingkat tekanan kepatuhan dari pimpinan untuk
menciptakan budgetary slack dalam pelanggaran kebijakan anggaran
perusahaan memengaruhi rekomendasi anggaran akuntan manajemen
2. Mengevaluasi hubungan antara efek tekanan dan tanggung jawab, dasar
kebenaran dalam keputusan, dan dasar dimensi etis.

Variabel
Dependen: rekomendasi anggaran
Independen: persentase tanggung jawab

Hipotesis
H1: Akuntan manajemen di bawah tekanan dari otoriter pimpinan untuk
melanggar kebijakan anggaran perusahaan dan menciptakan slack akan
menyediakan rekomendasi anggaran yang lebih tinggi daripada estimasi awal
mereka.
H2: Akuntan manajemen yang melanggar kebijakan anggaran perusahaan dan
membesarkan rekomendasi anggaran awal akan menyebabkan rendahnya
tanggung jawab untuk keputusan tersebut daripada akuntan manajemen yang
tidak mengubah rekomendasi anggaran awalnya.

Metode Penlitian
Penelitian ini menggunakan metode eksperimen.

Chi_Squared Tests| 21
Hasil

Chi_Squared Tests| 22
Chi_Squared Tests| 23
Tabel 1:
Panel A, konsisten dengan H1 menunjukkan bahwa rata-rata rekomendasi
anggaran peserta dari $ 4.618.831 secara signifikan lebih tinggi dari perkiraan
anggaran awal $ 4.500.000 (p <0.01).
Panel B, menunjukkan 23 rekomendasi kompromi. Secara umum (52%)
rekomendasi anggaran partisipan kompromi sejumlah titik tengah ($ 4.700.000),
menunjukkan CEO relatif sama dan pengaruh atasan langsung.
Panel C, memberikan dukungan untuk H2. Empat belas peserta dalam total
kelompok kepatuhan hanya menganggap diri mereka rata-rata 20% bertanggung
jawab atas keputusan, secara signifikan kurang dari rata-rata tanggung jawab diri
dinilai untuk kompromi dan tidak ada kelompok kepatuhan (47% dan 53%,
masing-masing; p 0,01 di kedua kasus) .
Panel D, memberikan hasil deskriptif untuk 4 variabel kontrol (kesan manajemen,
komitmen profesional, kesulitan keputusan yang dirasakan, dan kekuatan tekanan
kepatuhan yang dirasakan). Hasil MANOVA menunjukkan perbedaan variabel
kontrol sedikit signifikan antara ketaatan, kompromi, dan jumlah kelompok
kepatuhan (Wilks Lambda = 1.95, p = 0.11).

Tabel 2:
Menunjukkan hasil korelasi dan regresi multivariat untuk mengevaluasi efek dari
tanggung jawab pribadi atas rekomendasi anggaran berdasarkan tekanan setelah
mengendalikan, kesan manajemen, komitmen profesional, kesulitan keputusan
yang dirasakan , dan kekuatan tekanan kepatuhan yang dirasakan.
Panel A, menunjukkan bahwa secara umum korelasi rendah sampai sedang dan
tidak signifikan.
Panel B, menunjukkan bahwa model regresi fit signifikan (x2 = 18.52, p = 0.002).
Seperti yang diharapkan, jumlah tanggung jawab diri dinilai secara negatif terkait
dengan kemungkinan patuh (p 0.002) setelah mengendalikan kesan manajemen,
komitmen profesional, kesulitan keputusan, dan tekanan kepatuhan yang
dirasakan.

Chi_Squared Tests| 24
Tabel 3:
Panel A, memberikan pembenaran utama dari peserta yang patuh instruksi atasan
dengan merekomendasikan anggaran sebesar $ 4.900.000.
Panel B, mengungkapkan bahwa banyak (n=10) dari peserta yang
merekomendasikan jumlah anggaran antara $ 4.500.000 dan $ 4.900.000 secara
eksplisit mengakui perlunya untuk kompromi dalam situasi tersebut. Empat
peserta mengusulkan perlunya kompromi dengan menyatakan bahwa anggaran
harus menantang tetapi dicapai. Menariknya, 6 peserta menunjukkan bahwa
rekomendasi kompromi mereka tercermin secara langsung pada CEO dan
kebijakan anggaran perusahaan.
Panel C, menunjukkan banyaknya masalah profesional dengan anggaran yang
ditinggi-tinggikan. Hampir setengah dari peserta (45%) merekomendasikan
anggaran $ 4.500.000 menyatakan bahwa anggaran yang ditinggi-tinggikan tidak
etis dan salah. Tiga belas peserta menyatakan bahwa mereka mengikuti kebijakan
perusahaan yang mendikte penganggaran secara akurat. Demikian pula, 10 peserta
menunjukkan akurasi rekomendasi awal mereka.

KESIMUPULAN
Chi-square dapat dihitung menggunakan data kategori. Datanya berbentuk diskrit
atau nominal. Hasil dari chi-square selalu positif karena hasilnya selalu
dikuadratkan. Chi-square dapat digunakan sebagai teknik statistik untuk
mendiskripsikan populasi (goodness-of-fit test) dan membandingkan dua populasi
atau lebih serta menganlisis hubungan antara dua variable (contingency table).
Selain itu, chi-squre juga dapat digunakan sebagai teknik statistik untuk menguji
normalitas distribusi data (chi-squared test for normality) walaupun hal ini bersifat
opsional.

DAFTAR PUSTAKA
Keller, Gerald. 2014. Statistics for Management and Economics, Ten Edition.
USA: Cengange Learning.
Lind, Douglas A; Marchal, William G; dan Wathen, Samuel A. 2008. Statistical
Techniques in Business & Economics with Global Data Sets, Thirteenth
Edition. New York: McGrwa-Hill.

Chi_Squared Tests| 25