MATERI III

PARTISI CHI SQUARE DAN UJI FISHER

3.1 Partisi Chi Square

Menguji hipotesis komparatif dua sampel independen berarti menguji
signifikansi perbedaan nilai dua sampel yang tidak berpasangan. Sampel independen
biasanya digunakan dalam penelitian yang menggunakan pendekatan penelitian
survey. Contoh dua sampel independen adalah sampel pengusaha ekonomi kuat dan
ekonomi lemah, sampel partai status quo dan reformis. Jika ingin dilakukan Uji Chi
square pada tabel yang bukan 2x2 maka perlu dilakukan partisi. Partisi yang dimaksud
adalah menambahkan atau menggabungkan jumlah dari sampel-sampel tersebut
sehingga hasil yang diperoleh bisa dicapai. Dengan masing-masing tabel adalah 2x2.
(Suliyanto, 2014)

3.1.1 Uji Chi Square Dua Sampel

Uji ini digunakan untuk menguji hipotesis komparatif dua sampel apabila
datanya berbentuk nominal dan sampelnya besar. Dan uji ini mempunyai syarat:
1. Tidak ada sel dengan frekuensi pengamatan sebesar 0
2. Apabila bentuk table kontingensi 2x2 maka tidak ada sel frekuensi harapan yang
kurang dari 5
3. Apabila tabel kontingensi lebih dari 2x2 maka jumlah sel dengan n frekunsi
harapan kurang dari 5 tidak boleh lebih dari 20%
Rumus yang digunakan untuk uji ini adalah

 fo  fe 
2

  i 1
2 k

fe
Keterangan:
2 = Chi Square
fo = Frekuensi yang diobservasi
fe = Frekuensi yang diharapkan
(Sugiyono, 2010)
Contoh Kasus :
Penelitian digunakan untuk mengetahui adakah hubungan antara tingkat
pendidikan masyarakat dengan jenis bank yang dipilih (Bank Swasta Nasional, Bank
Swasta Asing dan Bank Pemerintah) untuk menyimpan uangnya. Pendidikan
masyarakat dikelompokkan menjadi dua yaitu lulusan SMA dan Perguruan Tinggi.
Berdasarkan permasalahan tersebut didapatkan data sebagai berikut:
Jenis Bank
Bank Jumlah
Lulusan Bank Bank Swasta
Swasta Sampel
Pemerintah Asing
Nasional
SMA 70 20 5 95
PT 65 45 20 130
Total 135 65 25 225

Syntax pada Software R:

data<-matrix(c(70,20,5,65,45,20),byrow=TRUE,nrow=2)
data
dimnames(data)<-list(c("SMA","PT"),c("Bank
Pemerintah","Bank Swasta Nasional","Bank Swasta Asing"))
names(dimnames(data))<-c("lulusan","jenisbank")
data
addmargins(data)
library(MASS)
data.loglm<-loglm(~lulusan+jenisbank,data=data)
data.loglm
Output pada Software R:

Hipotesis
Ho: Tidak terdapat ketergantungan antara tingkat pendidikan masyarakat dengan
jenis bank yang dipilih dalam menyimpan uang
H1: Terdapat ketergantungan antara tingkat pendidikan masyarakat dengan jenis
bank yang dipilih dalam menyimpan uang
Taraf Signifikansi
𝛼 = 0,05
Daerah Kritis
Tolak Ho jika  2   2 ;(b 1)( k 1)

Keputusan
Karena  2 (13,68732)   20,05;(2) (5,991) maka diputuskan tolak Ho

Kesimpulan
Terdapat ketergantungan antara tingkat pendidikan masyarakat dengan jenis
bank yang dipilih dalam menyimpan uang

Lalu Dilakukan uji chi square dengan mempartisi data sehingga tabel berukuran 2x2:

Jenis Bank
Jumlah
Lulusan Bank Bank Swasta Sampel
Pemerintah Nasional

SMA 70 20 90
PT 65 45 110
Total 135 65 200
Syntax pada Software R:
data<-matrix(c(70,20,65,45),byrow=TRUE,nrow=2)
data
dimnames(data)<-list(c("SMA","PT"),c("Bank
Pemerintah”,”Bank Swasta Nasional"))
names(dimnames(data))<-c("lulusan","jenisbank")
data
addmargins(data)
library(MASS)
data.loglm<-loglm(~lulusan+jenisbank,data=data)
data.loglm

Output pada Software R:

Hipotesis
Ho: Tidak terdapat ketergantungan antara tingkat pendidikan masyarakat dengan
jenis bank (Bank Pemerintah dan Nasional) dalam menyimpan uang
H1: Terdapat ketergantungan antara tingkat pendidikan masyarakat dengan jenis
bank (Bank Pemerintah dan Nasional) dalam menyimpan uang
Taraf Signifikansi
𝛼 = 0,05
Daerah Kritis
Tolak Ho jika  2   2 ;(b 1)( k 1)
Keputusan
Karena  2 (7,879732)   20,05;(1) (3,841) maka diputuskan tolak Ho

Kesimpulan
Terdapat ketergantungan antara tingkat pendidikan masyarakat dengan jenis
bank (Bank Pemerintah dan Nasional) yang dipilih dalam menyimpan uang

Dilakukan partisi data terhadap Bank Swasta Asing dan menghasilkan tabel 2x2
sebagai berikut:

Jenis Bank
Bank Jumlah
Lulusan Bank Pemerintah +
Swasta Sampel
Swasta Nasional
Asing
SMA 90 5 95
PT 110 20 130
Total 200 25 225

Syntax pada Software R:

data<-matrix(c(90,5,110,20),byrow=TRUE,nrow=2)
data
dimnames(data)<-list(c("SMA","PT"),c("Bank
Pemerintah+Bank Swasta Nasional","Bank Swasta Asing"))
names(dimnames(data))<-c("lulusan","jenisbank")
data
addmargins(data)
library(MASS)
data.loglm<-loglm(~lulusan+jenisbank,data=data)
data.loglm
Output pada Software R:

Hipotesis
Ho: Tidak terdapat ketergantungan antara tingkat pendidikan masyarakat dengan
jenis bank (Bank Pemerintah Swasta Nasional dan Swasta Asing) dalam
menyimpan uang
H1: Terdapat ketergantungan antara tingkat pendidikan masyarakat dengan jenis
bank (Bank Pemerintah Swasta Nasional dan Swasta Asing dalam
menyimpan uang
Taraf Signifikansi
𝛼 = 0,05
Daerah Kritis
Tolak Ho jika  2   2 ;(b 1)( k 1)

Keputusan
Karena  2 (5,699320)   20,05;(1) (3,841) maka diputuskan tolak Ho

Kesimpulan
Terdapat ketergantungan antara tingkat pendidikan masyarakat dengan jenis
bank (Bank Pemerintah Swasta Nasional dan Swasta Asing yang dipilih dalam
menyimpan uang
Jika dijumlahkan maka hasilnya akan sama dengan yang uji Chi-square pada tabel
2x3. Partisi pertama dan partisi kedua. Penjumlahannya sebagai berikut:
7,879363 + 5,693320 = 13,572683
3.2 Uji Fisher
Uji ini digunakan untuk menguji signifikansi hipotesis komparatif 2 sampel
kecil independen bila datanya berbentuk nominal dan sampel (n < 20). Uji ini juga
merupakan uji alternatif apabila sel frekuensi harapan yang kurang dari 5. Untuk
memudahkan perhitungan dalam pengujian hipotesis, maka data hasil pengamatan
perlu disusun ke dalam tabel kontingensi 2x2 seperti berikut:

Kelompok Jumlah
I A B A+B
II C D C+D
jumlah N

Dimana:
Kelompok I = sampel I
Kelompok II = sampel II
Tanda hanya menunjukkan adanya klasifikasi, misalnya lulus-tidak lulus,gelap-
terang dan sebagainya. A B C D adalah data nominal yang berbentuk frekuensi.
Sehingga Statistik ujinya :
(𝐴 + 𝐵)! (𝐶 + 𝐷)! (𝐴 + 𝐶)! (𝐵 + 𝐷)!
𝜒2 =
𝑛! 𝐴! 𝐵! 𝐶! 𝐷!
(Sugiyono,2010).
Contoh Kasus:
Seorang peneliti ingin menguji perbedaan selera warna mobil kepada para
kaum orangtua dan kaum anak muda. Untuk membuktikan hal tersebut dilakukan
pengumpulan data dengan menggunakan sampel secara random. Dari 8 orang kaum
orangtua, didapat 5 orang suka warna gelap dan 3 orang suka warna terang. Lalu dari
7 orang kaum anak muda didapat, 2 orang suka warna gelap dan 5 orang suka warna
terang. Dengan tabel sebagai berikut:
 Warna
Kaum Jumlah
Gelap Terang
Orang Tua 5 3 8
Muda 2 5 7
Jumlah 7 8 15
Syntax pada Software R:
kaum<-matrix(c(5,3,2,5),byrow=TRUE,nrow=2)
dimnames(kaum)<-
list(c("orangtua","muda"),c("gelap","terang"))
names(dimnames(kaum))<-c("tuamuda","warna")
fisher.test(kaum,alternative)

Output pada Software R:

Hipotesis
H0: Tidak terdapat perbedaan selera warna mobil antara kaum orang tua dan anak
muda
H1: Terdapat perbedaan selera warna mobil antara kaum orang tua dan anak muda
Taraf Signifikansi
𝛼 = 0,05
Daerah Kritis
Tolak H0 jika p-value < ∝
Keputusan
Karena p-value (0,3147) > ∝ (0,05) maka diputuskan gagal tolak H0
Kesimpulan
Tidak terdapat perbedaan selera warna mobil antara kaum orang tua dan anak
muda