UJI CHI SQUARE

(Uji data kategorik)

A. Pendahuluan
Uji statistik nonparametrik ialah suatu uji statistik yang tidak memerlukan adanya
asumsi-asumsi mengenai sebaran data populasinya (belum diketahui sebaran datanya dan
tidak perlu berdistribusi normal). Oleh karenanya statistik ini juga dikemukakan sebagai
statistik bebas sebaran (tdk mensyaratkan bentuk sebaran parameter populasi, baik
normal atau tidak). Statistika non-parametrik dapat digunakan untuk menganalisis data
yang berskala Nominal atau Ordinal. Data berjenis Nominal dan Ordinal tidak menyebar
normal. Selain itu statistik ini dapat digunakan pada data yang berjumlah kecil, yakni kurang
dari 30 data.

Banyak alternatif uji statistik nonparametrik seperti yang ditunjukkan pada Lampiran.
Berbagai literatur memberikan pengelompokan kategori statistik nonparametrik dengan
berbagai cara yang berbeda. Namun demikian, secara sederhana dan berdasarkan
prosedur yang sering digunakan, uji-uji tersebut dapat dikelompokkan atas kategori
berikut:

 Prosedur untuk data dari sampel tunggal

 Prosedur untuk data dari dua kelompok atau lebih sampel bebas (independent)
 Prosedur untuk data dari dua kelompok atau lebih sampel berhubungan
(dependent)
 Korelasi peringkat dan ukuran-ukuran asosiasi lainnya
Distribusi Chi kuadrat digunakan untuk menguji homogenitas varians beberapa
populasi. Masih ada beberapa persoalan lain yang dapat diselesaikan dengan mengambil
manfaat distribusi chi-kuadrat ini, diantaranya :
1. Menguji proporsi untuk data multinom
2. Menguji kesamaan rata-rata data poisson
3. Menguji independen antara dua faktor didalam kontingensi

1
 4. Menguji kesesuaian antara data hasil pengamatan dengan model distribusi dari mana
data itu diduga diambil, dan
5. Menguji model distribusi berdasarkan data hasil pengamatan.

B. Prosedur untuk Data dari Sampel Tunggal dengan Chi-Kuadrat

Akan diuji distribusi frekuensi kategori variabel motivasi hasil amatan dengan
distribusi frekuensi kategori variabel sama yang diharapkan. Hipotesis nol uji tersebut
adalah: tidak terdapat perbedaan distribusi variabel motivasi hasil amatan dengan
distribusi harapan. Prosedur ini banyak digunakan pada uji normalitas variabel.
Misalkan sebuah eksperimen menghasilkan peristiwa-peristiwa atau kategori-
kategori 𝐴1 , 𝐴2 , … , 𝐴𝑘 yang saling terpisah masing-masing dengan peluang 𝑝1 =
𝑃(𝐴1 ), 𝑝2 = 𝑃(𝐴2 ), … . , 𝑝𝑘 = 𝑃(𝐴𝑘 ).
Akan diuji pasangan hipotesis :
𝐻0 : 𝑝𝑖 = 𝑝𝑖𝑜 , 𝑖 = 1,2, … , 𝑘 dengan 𝑝𝑖𝑜 sebuah harga yang diketahui

𝐻𝑎 ∶ 𝑝𝑖 ≠ 𝑝𝑖𝑜

Disini, tentu saja ∑ 𝑝𝑖 = ∑ 𝑝𝑖𝑜 = 1

Agar mudah diingat, adanya kategori 𝐴𝑖 , hasil pengamatan 𝑂𝑖 dan hasil yang
diharapkan 𝐸𝑖 , sebaiknya disusun dalam daftar sebagai berikut :
Kategori 𝐴1 𝐴2 .............................. 𝐴𝑘

Pengamatan 𝑂1 𝑂2 .................................... 𝑂𝑘

Diharapkan 𝐸1 𝐸2 ................................. 𝐸𝑘

Rumus yang digunakan dalam uji tersebut adalah:

(Oi  E i ) 2
k
 2

i 1 Ei

dengan keterangan:

2
Oi = banyaknya kasus yang diamati dalam kategori i.

Ei = banyaknya kasus yang diharapkan


i 1 = penjumlahan semua kategori k.

Contoh :

Dalam suatu eksperimen genetika menurut Mendell telah diketemukan bahwa semacam
karakteristik diturunkan meurut perbandingan 1 : 3 : 3 : 9 untuk kategori-kategori A, B, C, dan D.
Akhir-akhir ini dilakukan 160 kali pengamatan dan terdapat 5 kategori A, 23 kategori B, 32 kategori
C dan 100 kategori D. Dengan menggunakan ∝= 0,05, apakah data di atas menguatkan teori
genetika tersebut?

Penyelesaian :

Berdasarkan teori, diharapkan terdapat 1/16 X 160 = 10 kategori A, masing-masing 30 kategori B

dan C, dan 90 kategori D. Data hasil pengamatan dan yang diharapkan adalah sebagai berikut.

Kategori A B C D

Pengamatan ( 𝑂𝑖 ) 5 23 32 100

Diharapkan (𝐸𝑖 ) 10 30 30 90

Dari rumus didapat :

4
2
(𝑂𝑖 − 𝐸𝑖 )2
𝑋 =∑
𝐸𝑖
𝑖=4

(5 − 10)2 (23 − 30)2 (32 − 30)2 (100 − 90)2

= + + + = 5,38
10 30 30 90

2
Dari tabel distribusi Chi kuadrat diperoleh 𝑋1−0,05;(4−1) = 7,81. Sehingga pengujian
memperlihatkan 𝐻0 diterima yang artinya teori menurut Mendell benar.

Atau dengan cara :

3
 (𝑂 − 𝐸)2
kategori O E
𝐸

A 5 10 2,5

B 23 30 1,633333

C 32 30 0,133333

D 100 90 1,111111

TOTAL 160 160 5,377778

Dengan cara tersebut, maka diperoleh  = 5,377 atau 5, 38. Derajad kebebasan (db) uji
2

tersebut adalah jumlah kategori (k) dikurangi 1 = 4 – 1 = 3. Pada taraf signifikasi () = 5% harga 
2

tabel = 7,81. Karena  hitung <  tabel, maka hipotesis nol diterima.
2 2

Latihan :

Diduga bahwa 50% dari semacam kacang bentuknya keriput dan 50% lagi halus. Pengamatan
dilakukan terhadap sebuah sampel acak terdiri atas 80 butir kacang dan terdapat 56 keriput
sedangkan sisanya halus. Dalam taraf 0,05, dapatkah kita menyokong dugaan tersebut?

PENYELESAIAN

kategori Pengamatan Harapan (𝑂 − 𝐸)2

𝐸

Keriput 56 40 6,4

Halus 24 40 6,4

χ2ℎ𝑖𝑡 12,8

2 2
𝜒𝑡𝑎𝑏 = 𝜒0,05;1 = 3,841

Karena
2 2
𝜒ℎ𝑖𝑡 = 12,8 > 3,84 = 𝜒𝑡𝑎𝑏 maka H0 ditolak artinya dugaan bahwa 50% kacang keriput dan 50%
kacang halus tidak benar

C. Prosedur untuk Sampel Independen

4
 Hollingshead (1949) meneliti pilihan kurikulum oleh pelajar di kota Elmtown ditinjau dari
kelas sosialnya. Kurikulum yang ada mencakup persiapan ke PT, umum, dan perdagangan.
Sedangkan kelas sosial yang ada dikelompokkan menjadi 4. Hipotesis nol yang diajukan
Hollingshead adalah: proporsi siswa yang tercatat dalam ketiga kemungkinan kurikulum adalah

sama untuk semua kelas sosial. Dengan 

2
untuk k sampel independen, rumus yang digunakan
adalah sebagai berikut:

r k (Oij  Eij ) 2
  
2

i 1 j 1 Eij

dengan keterangan:

Oij
= jumlah kasus yang diobservasi dalam baris ke i pada kolom ke j

E ij
= jumlah kasus yang diharapkan dalam baris ke i pada kolom ke j

r k


i 1 j 1
= jumlah semua sel

Dalam penelitian Hollingshead diperoleh data hasil observasi (O) dan data yang
(Oi  E i ) 2
diharapkan (O) seperti Tabel 2. Untuk menghitung Ei perlu dibuat kolom ((O-E)^2)/E.

Tabel 2. Uji Statistik Nonparametrik Data dari k Sampel Independen

dengan Chi-Kuadrat

Kelas Sosial

I II III IV
Kurikulum Total O
((O- ((O- ((O-
((O-
E O E)^2) E O E O E)^2) E O E)^2)/
E)^2)/E
/E /E E

Persiap-an PT 7.27 23 34.04 30.32 40 3.09 38.01 16 12.74 5.40 2 2.14 81

5
Umum 18.58 11 3.09 77.49 75 0.08 97.13 107 1.00 13.80 14 0.00 207

Perdagangan 9.15 1 7.26 38.18 31 1.35 47.86 60 3.08 6.80 10 1.51 102

14
Total 35 44.40 6 4.52 183 16.82 26 3.65 390

 2 = 44.40+4.52+16.82+3.65 = 69.39. Derajad kebebasan dalam uji tersebut, db = (4 - 1) * (3 -

1) = 6. Dengan α= 5% dan db = 6 diperoleh  tabel = 12.59. Karena  hitung > 

2 2 2
tabel, maka Ho
tidak diterima.

D. Prosedur untuk Sampel Dependen

Uji McNemar dua sampel dependen dapat diperluas untuk dipakai dalam penelitian yang
mempunyai lebih dari dua kelompok sampel. Perluasan ini, yakni uji Q Cochran k sampel
berhubungan memberi suatu metode untuk menguji apakah tiga himpunan atau lebih mempunyai
frekuensi atau proporsi saling berbeda atau tidak.

Rumus yang digunakan dalam uji Q Cochran adalah:

 k k 2

k (k  1) k  G j  ( G j ) 
2

 j 1 j 1 
Q N N
k  Li   Li
2

i 1 i 1

dengan keterangan:

Gj
= jumlah keseluruhan “sukses” dalam kolom ke j

Li
= jumlah keseluruhan “sukses” dalam barir ke i.

Misalkan diteliti pengaruh 3 cara wawancara terhadap kemungkinan jawaban dari 10

responden. Jika jawaban pertanyaan “ya” dikode 1 dan jawaban “tidak” dikode 0. Hipotesis nol
penelitian ini berbunyi: kemungkinan jawaban “ya” adalah sama untuk ketiga jenis wawancara.
Data penelitian ini ditunjukkan pada Tabel 3.

6
 Tabel 3. Uji Statistik Nonparametrik Data dari k Sampel Dependen

dengan Uji Q Cochran

Responden Wawancara 1 Wawancara 2 Wawancara 3 L i1 L i2

1 0 0 1 1 1

2 1 0 1 2 4

3 1 1 1 3 9

4 1 1 0 2 4

5 0 1 0 1 1

6 1 0 1 2 4

7 1 1 1 3 9

8 1 0 1 2 4

9 0 0 0 0 0

10 0 0 1 1 1

10 10

L  L 
2
G1 = 6 G2 = 4 G3 = 7 i 17 i 37
i 1 i 1

Berdasarkan tabel tersebut, maka Q dapat dihitung sbb:

(3  1){[3(6) 2  3(4) 2  3(7) 2 ]  (17) 2 }

Q
(3)(17)  37

Q = 0.180

db = k – 1 = 2

7
  = 0.05

Q tabel (  tabel) = 5.99.

2

Q hitung < Q tabel -> Ho diterima.

E. Korelasi Peringkat dan Ukuran-Ukuran Asosiasi Lainnya

Koefisien kontingensi C adalah suatu ukuran kadar asosiasi atau relasi antara dua himpunan
variabel. Ukuran ini berguna khususnya kalau kita hanya mempunyai data variabel dalam skala
nominal. Koefisien kontingensi yang dihitung berdasarkan suatu tabel kontingensi akan mempunyai
harga yang sama bagaimanapun katogori yang ada disusun dalam baris-baris dan kolom-kolomnya.

Rumus yang digunakan untuk menghitung koefisien kontingensi adalah sebagai berikut:

2
C
N  2

r k (Oij  Eij ) 2
  
2

i 1 j 1 Eij
dimana

Misalkan digunakan data hasil observasi pilihan kurikulum oleh pelajar di kota Elmtown

ditinjau dari kelas sosialnya seperti Tabel 2. Dengan mengetahui harga 

2
= 69.39; maka dapat
dihitung:

69.39
C = 0.39.
390  69.39

Dengan demikian berdasarkan pada data Tabel 2 diperoleh relasi atau asosiasi antara kelas
sosial dan pilihan kurikulum adalah 0.39.

F. Chi square (uji independensi)

Untuk menlakukan analisis chi square kita memerlukan tabel bantu untuk mempermudah
perhitungan dengan mengunakan uji chi square. Tabel yang biasa seperti pada format berikut:

Sebuah contoh ilustrasi:

8
 Variable dependen X2

Variabel Ya Tidak

Variable independen

Ya a b

Tidak c d

Rumus

n ad  bc  1 / 2n 
2

X 
2

a  b a  c b  d c  d 

Keterangan

Sel A adalah faktor yang terpapar (tidak patuh ) dan terjadi infeksi.

Sel B adalah faktor yang terpapar dan tidak terjadi infeksi

Sel C adalah faktor yang tidak terpapar dan kejadian infeksi

Sel D adalah faktor yang tidak terpapar dan tidak terjadi infeksi.

Kasus 1.

Seorang manajer rumah sakit ingin mengetahui apakah terdapat perbedaan antara laki-laki dan
perempuan dalam kedisiplinan bekerja. Kedisiplinan bekerja dalam kasus ini diukur dengan
kelengkapan absensi kehadiran kerja setiap hari selama 1 bulan. Jika asumsi kedisiplinan kerja
dihitung dengan jumlah tidak pernah absen dalam satu bulan dimana dalam satu bulan terdapat 26
hari kerja efektif.

Berdasarkan hasil pengamatan diperoleh data sebagai berikut:

ID Jenis kelamin Kedisiplinan ID Jenis kelamin Kedisiplinan

1 Laki-laki 24 16 Perempuan 23

2 Laki-laki 25 17 Perempuan 24

9
 3 Laki-laki 25 18 Perempuan 23

4 Laki-laki 26 19 Perempuan 23

5 Laki-laki 26 20 Perempuan 23

6 Laki-laki 26 21 Perempuan 23

7 Laki-laki 26 22 Perempuan 26

8 Perempuan 24 23 Perempuan 26

9 Perempuan 22 24 Laki-laki 25

10 Perempuan 23 25 Laki-laki 25

11 Perempuan 24 26 Laki-laki 26

12 Perempuan 23 27 Laki-laki 26

13 Perempuan 23 28 Laki-laki 26

14 Perempuan 23 29 Laki-laki 26

15 Perempuan 23 30 Laki-laki 26

Hint :

𝐻0 : ada perbedaan antara jenis kelamin dengan kedisiplinan kerja

𝐻1 : tidak ada perbedaan antara jenis kelamin dengan kedisiplinan kerja

10
 PRAKTEK UJI CHI SQUARE

Pengantar

Analisis kategorik disyaratkan skala data dalam bentuk kategorik. Sebelum masuk ke analisis lebih lanjut
kita harus memahami apa dan bagaimana yang dimaksud dengan skala data. Skala data yang dikenal
selama ini antara lain skala rasio, skala interval, skala ordinal dan skala nominal. Sifat yang prinsip dari
sekala data adalah skala rasio dapat intervalkan, skala interval dapat di ordinalkan, skala ordinal dapat
di nominalkan.

Skala rasio lebih menekankan pada hasil pengukuran dengan salah satu sifat adalah jarak antara satu
pengamatan dengan pengamatan lain mempunyai jarak yang sama dan tidak memiliki nilai nol absolut.
Skala interval hampir sama dengan skala rasio tetapi mempunyai nilai nol absolut. Skala ordinal memiliki
sifat jarak antara satu pengamatan dengan pengamatan satunnya tidak mengharuskan memiliki jarak
yang sama dan skala nominal lebih menekankan pada kaitannya mutually eksklusif (satu meniadakan
yang lainnya).

Studi kasus

Seorang manajer rumah sakit ingin mengetahui apakah terdapat perbedaan antara laki-laki dan
perempuan dalam kedisiplinan bekerja. Kedisiplinan bekerja dalam kasus ini diukur dengan
kelengkapan absensi kehadiran kerja setiap hari selama 1 bulan. Jika asumsi kedisiplinan kerja dihitung
dengan jumlah tidak pernah absen dalam satu bulan dimana dalam satu bulan terdapat 26 hari kerja
efektif. Berdasarkan hasil pengamatan diperoleh data sebagai berikut:

11
 ID Jenis kelamin Kedisiplinan ID Jenis kelamin Kedisiplinan

1 Laki-laki 24 16 Perempuan 23

2 Laki-laki 25 17 Perempuan 24

3 Laki-laki 25 18 Perempuan 23

4 Laki-laki 26 19 Perempuan 23

5 Laki-laki 26 20 Perempuan 23

6 Laki-laki 26 21 Perempuan 23

7 Laki-laki 26 22 Perempuan 26

8 Perempuan 24 23 Perempuan 26

9 Perempuan 22 24 Laki-laki 25

10 Perempuan 23 25 Laki-laki 25

11 Perempuan 24 26 Laki-laki 26

12 Perempuan 23 27 Laki-laki 26

13 Perempuan 23 28 Laki-laki 26

14 Perempuan 23 29 Laki-laki 26

15 Perempuan 23 30 Laki-laki 26

Pada kasus di atas didapatkan bahwa jenis skala data untuk variabel jenis kelamin adalah kategorik
sedangkan pada variabel kedisiplinan skala data adala rasio.

Langkah penyelesaian

Merubah skala data dari rasio ke kategorik

Langkah-langkah

1. Buka program spss, kemudian buat variabel jenis kelamin dan kedisiplinan.
2. Isikan data pada tabel tersebut ke dalam program spss. Sebelum data diisi ke dalam spss kita
rubah dulu cara pemasukan data kedalam spss dimana yang jenis kelamin laki-laki kita beri kode

12
 1 sedangkan perempuan kita beri kode 2. jadi yang dimasukan kedalam program spss adalah
kodenya.
3. Setelah data terisi akan tampak seperti gambar berikut:

4. Setelah data dimasukan kedalam program spss. Kemudian langkah selanjutnya memberi label
pada jenis kelamin yaitu dengan memberi label 1 adalah laki-laki dan 2 adalah perempuan dan
merubah skala data variabel kedisiplinan menjadi 2 kategori yaitu disiplin dan tidak disiplin.
Untuk merubah variabel kedisiplinan pada menu utama spss pilih Transform kemudian pilih
Recode in to different variabel. Seperti terlihat pada gambar berikut:

13
Kemudian rubah kode kedisiplinan dengan 1 adalah disiplin dan 2 tidak disiplin. Seperti pada
gambar berikut:

Pada variabel jenis kelamin beri label untuk 1 adalah laki-laki dan 2 adalah perempuan dan variabel
kategori kedisiplinan diberi label 1 adalah disiplin dan 2 adalah tidak disiplin. Seperti pada gambar
berikut:

14
5. Setelah data dikategorikan. Akan terlihat seperti gambar berikut:

6. Kemudian lakukan analisis data. Dari menu utama spss pilih Analize kemudian sub menu
Deskriptif statistik, kemudian Crosstabs. Seperti pada gambar berikut:

15
7. Setelah itu masukan variabel jenis kelami kedalam kotak rows dan kategori kedisiplinan
kedalam Coloums. Seperti tampak pada gambar berikut:

8. Pilih menu statistik untuk melakukan analisis atau menu yang lain sesuai dengan keinginan.
Pada menu statistik pilih chi square dan risk.

16
 9. Hasil analisis akan tampak pada gambar berikut:
CROSSTABS

/TABLES=jeniskelamin BY kategorikedisiplinan

/FORMAT= AVALUE TABLES

/STATISTIC=CHISQ RISK

/CELLS= COUNT

/COUNT ROUND CELL .

Crosstabs

[DataSet1]

Case Processing Summary

Cases
Valid Mis sing Total
N Perc ent N Perc ent N Perc ent
jeniskelamin *
30 100,0% 0 ,0% 30 100,0%
kategori kedisiplinan

17
Tabel ini menujukan bahwa jumlah sampel yang dianalisis sebanyak 30 subjek dengan kategori
missing variable tidak ada.

jeniskelamin * kategori kedisiplinan Crosstabulation

Count
kategori kedisiplinan
disiplin tidak disiplin Total
jeniskelamin laiki-laki 9 5 14
perempuan 2 14 16
Total 11 19 30

Berdasarkan analisis tabulasi silang diperoleh hasil bahwa laki-laki sebanyak 14 subjek perempuan 16
subjek sedang pada kedisiplinan 11 subjek yang tidak disiplin 19 subjek.

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 8,623b 1 ,003
Continuity Correc tiona 6,537 1 ,011
Likelihood Ratio 9,124 1 ,003
Fisher's Exact Tes t ,007 ,005
Linear-by-Linear
8,335 1 ,004
Association
N of Valid Cases 30
a. Computed only for a 2x2 table
b. 0 cells (,0%) have expected count less than 5. The minimum expected count is
5,13.

Analisis data chi square menunjukan bahwa nilai chi square 8.623, sedangkan nilai probabilitas
signifikansi 0.003. hal ini menunjukan bahwa jika dibandingkan dengan standar normal kemaknaan
hipotesis pada tingkat kemaknaan α = 0.05 dapat disimpulkan bahwa hipotesis nol ditolak. Ini memberi
arti bahwa terdapat perbedaan tingkat kedisiplinan karyawan antara laki-laki dan perempuan.

18
 Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for
jeniskelamin (laiki-laki 12,600 1,999 79,436
/ perempuan)
For cohort kategori
5,143 1,328 19,916
kedisiplinan = disiplin
For cohort kategori
kedisiplinan = tidak ,408 ,197 ,844
disiplin
N of Valid Cases 30

Jika dilihat dari aspek risiko jenis kelamin mempunyai risiko untuk disiplin sebesar 12,6 kali jika
disbanding dengan perempuan.

Kerjakan soal latihan dibawah ini

Di suatu sekolah pada bulan Juli diadakan pemilihan murid teladan. Sebelum pemilihan pihak
sekolah ingin mengetahui apakah murid perempuan mempunyai peluang yang sama dengan
murid laki-laki untuk dapat menjadi siswa teladan. Untuk tujuan tersebut guru-guru mengambil
sample yang terdiri dari 300 siswa dan ternyata 200 orang memilih siswa laki-laki dan 100
orang memilih siswa perempuan. Bagaimanakah kesimpulan pihak sekolah ?(𝝌𝟐𝒕𝒂𝒃 = 𝟑, 𝟖𝟒𝟏)

Calon Siswa Frek. Observasi Frek. Harapan

Laki-laki 200 150

Perempuan 100 150

Jumlah 300 300

19