Kelompok:2

Kelas: Statistik Inferensial (E)

Anggota:
Nafisatul Ummah O. (16312001)
Atidira Darmesti (16312025)
Faris Azkarafi P. (16312026)
Aftari Nugrahini (16312033)
Wardina Marshufah F. A. (16312045)

A. DISTRIBUSI CHI-SQUARE
1. Pengertian dan Kegunaan Uji Chi-Kuadrat
Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara frekuensi
observasi atau yang benar-benar terjadi atau aktual dengan frekuensi harapan. Yang
dimaksud dengan frekuensi harapan adalah frekuensi yang nilainya dapat di hitung secara
teoritis (e). sedangkan dengan frekuensi observasi adalah frekuensi yang nilainya di dapat
dari hasil percobaan (o).
Dalam statistik, distribusi chi square termasuk dalam statistik nonparametrik. Distribusi
nonparametrik adalah distribusi dimana besaran-besaran populasi tidak diketahui.
Distribusi ini sangat bermanfaat dalam melakukan analisis statistik jika kita tidak memiliki
informasi tentang populasi atau jika asumsi-asumsi yang dipersyaratkan untuk
penggunaan statistik parametrik tidak terpenuhi.
Chi-kuadrat ini digunakan untuk mengadakan pendekatan dari beberapa vaktor atau
mngevaluasi frekuensi yang diselidiki atau frekuensi hasil observasi dengan frekuensi yang
diharapkan dari sampel apakah terdapat hubungan atau perbedaan yang signifikan atau
tidak.
Dalam statistik, distribusi chi square termasuk dalam statistik nonparametrik.
Distribusi nonparametrik adalah distribusi dimana besaran-besaran populasi tidak
diketahui. Distribusi ini sangat bermanfaat dalam melakukan analisis statistik jika kita
tidak memiliki informasi tentang populasi atau jika asumsi-asumsi yang dipersyaratkan
untuk penggunaan statistik parametrik tidak terpenuhi. Beberapa hal yang perlu diketahui
berkenaan dengan distribusi chi square adalah:
Distribusi chi-square memiliki satu parameter yaitu derajat bebas (db).
Nilai-nilai chi square di mulai dari 0 disebelah kiri, sampai nilai-nilai positif tak
terhingga di sebelah kanan.
Probabilitas nilai chi square di mulai dari sisi sebelah kanan.
Luas daerah di bawah kurva normal adalah 1.
a) Uji Kecocokan = Uji Kebaikan Suai = Goodness of Fit
b) Uji Kebebasan
c) Uji Beberapa Proporsi (Prinsip pengerjaan (b) dan (c) sama saja)

Nilai chi square adalah nilai kuadrat karena itu nilai chi square selalu positif.
Bentuk distribusi chi square tergantung dari derajat bebas (Db)/degree of freedom.
Pengertian pada uji chi square sama dengan pengujian hipotesis yang lain, yaitu luas
daerah penolakan Ho atau taraf nyata pengujian.
Metode Chi-kuadrat menggunakan data nominal, data tersebut diperoleh dari
hasil menghitung. Sedangkan besarnya nilai chi-kuadrat bukan merupakan ukuran
derajat hubungan atau perbedaan.

Macam-macam bentuk analisa Chi-kuadrat :

v Penaksiran standar deviasi
v Pengujian hipotesis standar deviasi
v Pengujian hipotesis perbedaan beberapa proporsi atau chi-square dari
data multinominal
v Uji hipotesis tentang ketergantungan suatu variabel terhadap variabel
lain/uji Chi-square dari tabel kontingensi/tabel dwikasta/tabel silang
v Uji hipotesis kesesuaian bentuk kurva distribusi frekuensi terhadap
distribusi peluang teoritisnya atau uji Chi-square tentang goodness of
fit

2. Ketentuan Pemakaian Chi-Kuadrat (X2)

Agar pengujian hipotesis dengan chi-kuadrat dapat digunakan dengan baik,

maka hendaknyamemperhatikan ketentuan-ketentuan sebagai berikut :

1) Jumlah sampel harus cukup besar untuk meyakinkan kita bahwa terdapat
kesamaan antara distribusi teoretis dengan distribusi sampling chi-kuadrat.
2) Pengamatan harus bersifat independen (unpaired). Ini berarti bahwa
jawaban satu subjek tidak berpengaruh terhadap jawaban subjek lain atau
satu subjek hanya satu kali digunakan dalam analisis.
3) Pengujian chi-kuadrat hanya dapat digunakan pada data deskrit (data
frekuensi atau data kategori) atau data kontinu yang telah dikelompokan
menjadi kategori.
4) Jumlah frekuensi yang diharapkan harus sama dengan jumlah frekuensi
yang diamati.
5) Pada derajat kebebasan sama dengan 1 (table 2 x 2) tidak boleh ada nilai
ekspektasi yang sangat kecil. Secara umum, bila nilai yang diharapkan
terletak dalam satu sel terlalu kecil (< 5) sebaiknya chi-kuadrat tidak
digunakan karena dapat menimbulkan taksiran yang berlebih (over
estimate) sehingga banyak hipotesis yang ditolak kecuali dengan koreksi
dari Yates.

Bila tidak cukup besar, maka adanya satu nilai ekspektasi yang lebih kecil dari 5
tidak akan banyak mempengaruhi hasil yang diinginkan. Pada pengujian chi-kuadrat
dengan banyak ketegori, bila terdapat lebih dari satu nilai ekspektasi kurang dari 5
maka, nilai-nilai ekspektasi tersebut dapat digabungkan dengan konsekuensi jumlah
kategori akan berkurang dan informasi yang diperoleh juga berkurang.
 3. Uji Distribusi Normal menggunakan uji Chi Kuadrat
Uji normalitas dengan Chi Kuadrat (X2) dipergunakan untuk menguji data dalam
bentuk data kelompok dalam tabel distribusi frekuensi. Seperti halnya uji Liliefors,
uji normalitas dengan uji Chi-Kuadrat dilakukan dengan langkah-langkah:

Pertama-tama, tentukan taraf signifikansi, misalkan 0,05 untuk mengujihipotesis:

Ho:Sampel berasal dari populasi berdistribusi normal.
Ha: Sampel tidak berasal dari populasi berdistribusi normal.
dengankriteria pengujian:
Jika X2hitung< X2tabel terima Ho
Jika X2hitung> X2tabel tolak Ho
Kedua, lakukan langkah-langkah uji normalitas dengan chi kuadrat (X2) sebagai
berikut:
1. Membuat daftar distribusi frekuensi dari data yang berserakan ke dalam
distribusi frekuensi data kelompok (jika data belum disajikan dalam tabel
disitribusi frekuensi kelompok).

2. Mencari rerata (mean) data kelompok

3. Mencari simpangan baku data kelompok

4. Tentukan batas nyata (tepi kelas) tiap interval kelas dan jadikan sebagai
Xi(X1, X2, X3, ..., Xn). Kemudian lakukan konversi, setiap nilai tepi kelas (Xi)
menjadi nilai baku Z1, Z2, Z3, ..., Zn. Dimana nilai baku Zi ditentukan dengan
rumus Zi = (Xi - )/s

5. Tentukan besar peluang setiap nilai Z berdasarkan tabel Z (luas

lengkungan di bawah kurva normal standar dari 0 ke Z, dan disebut dengan
F(Zi)).

6. Tentukan luas tiap kelas interval dengan cara mengulangi nilai F(z) yang
lebih besar diatas atau dibawahnya.

7. Tentukan Ei (frekuensi eskpektasi) dengan cara membagi luas kelas tiap

interval dibagi number of cases (n).

8. Masukkan frekuensi observasi (faktual) sebagai Oi

9. Cari nilai setiap interval

10. Tentukan nilai X2hitung setiap interval

11. Tentukan nilai X2tabel pada taraf signifikansi dan derajat kebebasan k-1
dengan k adalah banyaknya kelas/kelompok interval

12. Bandingkan jumlah total X2hitung dengan X2tabel

 13. Apabila X2hitung < X2tabel maka sampel berasal dari populasi yang
berdistribusi normal, dan jika X2hitung > X2tabel maka sampel berasal dari
populasi tidak normal

RUMUS CHI-SQUARE:

χ2: Nilai chi-kuadrat

fe: Frekuensi yang diharapkan

fo: Frekuensi yang diperoleh/diamati

Contoh soal:

Sebagai contoh kita gunakan penelitian dengan judul "Perbedaan Pekerjaan

Berdasarkan Pendidikan".

Maka kita coba gunakan data sebagai berikut:

Responde Pekerjaa
Pendidikan
n n
1 1 1
2 2 2
3 1 2
4 2 2
5 1 2
6 3 2
7 2 2
8 1 2
9 2 2
10 1 2
11 1 2
12 3 1
13 3 1
14 2 1
15 1 2
16 3 2
17 2 2
18 2 2
19 1 1
20 2 2
21 3 1
22 1 1
23 3 2
24 1 2
25 3 1
26 2 2
27 1 2
28 1 2
29 2 2
30 1 1
31 2 2
32 2 1
33 2 1
34 1 1
35 2 2
36 1 1
37 3 2
38 2 2
39 2 1
40 3 2
41 1 1
42 3 2
43 1 1
44 2 2
45 1 1
46 3 1
47 3 2
48 2 1
49 3 2
50 2 1
51 2 1
 52 2 2
53 3 2
54 1 1
55 2 2
56 2 2
57 1 1
58 3 1
59 2 1
60 3 1

Dari data di atas, kita kelompokkan ke dalam tabel kontingensi.

Karena variabel pendidikan memiliki 3 kategori dan variabel pekerjaan memiliki 2
kategori, maka tabel kontingensi yang dipakai adalah tabel 3 x 2. Maka akan kita lihat
hasilnya sebagai berikut:

Pekerjaan
Pendidikan Total
1 2
1 11 9 20
2 8 16 24
3 7 9 16
Total 26 34 60

Dari tabel di atas, kita inventarisir per cell untuk mendapatkan nilai frekuensi
kenyataan, sebagai berikut:

Cell F0
a 11
b 9
c 8
d 16
e 7
f 9

Langkah berikutnya kita hitung nilai frekuensi harapan per cell, rumus menghitung
frekuensi harapan adalah sebagai berikut:
Fh= (Jumlah Baris/Jumlah Semua) x Jumlah Kolom

1. Fh cell a = (20/60) x 26 = 8,667

2. Fh cell b = (20/60) x 34 = 11,333
3. Fh cell c = (24/60) x 26 = 10,400
4. Fh cell d = (24/60) x 34 = 13,600
5. Fh cell e = (16/60) x 26 = 6,933
6. Fh cell f = (16/60) x 34 = 9,067
Maka kita masukkan ke dalam tabel sebagai berikut:

Cell F0 Fh
a 11 8,667
b 9 11,333
c 8 10,400
d 16 13,600
e 7 6,933
f 9 9,067

Langkah berikutnya adalah menghitung Kuadrat dari Frekuensi

Kenyataan dikurangi Frekuensi Harapan per cell.

1. Fh cell a = (11 - 8,667)2 = 5,444

2. Fh cell b = (9 - 11,333)2 = 5,444
3. Fh cell c = (8 - 10,400)2 = 5,760
4. Fh cell d = (16 - 13,600)2 = 5,760
5. Fh cell e = (7 - 6,933)2 = 0,004
6. Fh cell f = (9 - 9,067)2 = 0,004
Lihat hasilya pada tabel di bawah ini:

Cell F0 Fh F0 - Fh (F0 - Fh)2

a 11 8,667 2,333 5,444
b 9 11,333 -2,333 5,444
c 8 10,400 -2,400 5,760
d 16 13,600 2,400 5,760
e 7 6,933 0,067 0,004
f 9 9,067 -0,067 0,004
Kuadrat dari Frekuensi Kenyataan dikurangi Frekuensi Harapan per cell kemudian
dibagi frekuensi harapannya:

1. Fh cell a = 5,444/8,667 = 0,628

2. Fh cell b = 5,444/11,333 = 0,480
3. Fh cell c = 5,760/10,400 = 0,554
4. Fh cell d = 5,760/13,600 = 0,424
5. Fh cell e = 0,004/6,933 = 0,001
6. Fh cell f = 0,004/9,067 = 0,000

Kemudian dari nilai di atas, semua ditambahkan, maka itulah nilai chi-square hitung.
Lihat Tabel di bawah ini:

Cell F0 Fh F0 - Fh (F0 - Fh)2 (F0 - Fh)2/Fh

a 11 8,667 2,333 5,444 0,628
b 9 11,333 -2,333 5,444 0,480
c 8 10,400 -2,400 5,760 0,554
d 16 13,600 2,400 5,760 0,424
e 7 6,933 0,067 0,004 0,001
f 9 9,067 -0,067 0,004 0,000
Chi-Square Hitung = 2,087

Maka Nilai Chi-Square Hitung adalah sebesar: 2,087.

Untuk menjawab hipotesis, bandingkan chi-square hitung dengan chi-square tabel

pada derajat kebebasan atau degree of freedom (DF) tertentu dan taraf signifikansi
tertentu. Apabila chi-square hitung >= chi-square tabel, maka perbedaan bersifat
signifikan, artinya H0 ditolak atau H1 diterima.

DF pada contoh di atas adalah 2. Di dapat dari rumus -> DF = (r - 1) x (c-1)

di mana: r = baris. c = kolom.

Pada contoh di atas, baris ada 3 dan kolom ada 2, sehingga DF = (2 - 1) x (3 -1) = 2.

Apabila taraf signifikansi yang digunakan adalah 95% maka batas kritis 0,05 pada DF 2,
nilai chi-square tabel sebesar = 5,991.
Karena 2,087 < 5,991 maka perbedaan tidak signifikan, artinya H0 diterima atau H1
ditolak.

B. UJI KEBAIKAN SUAI

Pengujian hipotesis kompatibilitas (goodness of fit) merupakan pengujian
hipotesis untuk menentukan apakah suatu himpunan frekuensi yang diharapkan sama
dengan frekuensi yang diperoleh dari suatu distribusi, seperti distribusi binomial,
poisson, normal, atau dari perbandingan lain. Jadi, uji goodness of fit merupakan
pengujian kecocokan atau kebaikan suai antara hasil pengamatan (frekuensi
pengamatan) tertentu dengan frekuensi yang diperoleh berdasarkan nilai harapannya
(frekuensi teoretis).
Contoh soal dengan SPSS:
Akan di lakukan beberapa uji statistic untuk mengetahui apakah data
mengikuti beberapa distribusi atau tidak dari data nilai UAN maba, yaitu:

IND ING MAT

8.40 5.00 5.67
7.60 6.80 6.70
4.80 8.20 8.33
8.20 6.80 6.80
6.80 5.40 6.00
8.40 8.00 8.25
5.01 4.83 5.70
7.80 9.20 7.67
8.60 7.80 8.00
8.80 6.20 5.25
8.40 7.20 5.00
6.20 8.60 6.75
8.00 7.00 6.00
6.20 5.40 6.67
7.80 5.20 4.50
7.80 7.60 7.25
7.60 6.60 9.00
6.80 8.00 8.75
9.20 7.40 6.00
5.94 5.01 3.71

Dari pernyataan dan data tersebut, hipotesisnya adalah:

a. Uji distribusi normalitas (normality test)
H0 : data mengikuti distribusi normal
H1 : data tidak mengikuti distribusi normal
b. Uji keseragaman data (uniform test)
H0 : data yang diambil seragam
H1 : data yang diambil tidak seragam

Langkah-langkah pengujian dengan SPSS:

1. Buka aplikasi SPSS.
2. Pada Variable View, di name1 tulis IND, name 2 tulis ING dan name 3 tulis MAT.
Biarkan yang lainnya tetap default.

3. Pada Data View, isi kan data sesuai soal

4. Kemudian, klik menu Analyze – Non Parametric Test – Legacy Dialogs – 1-K
sample K-S.

Kemudian akan tampak tampilan kotak dialog seperti gambar di bawah ini:
 5. Pada kotak dialog test variable list masukan variable IND, ING, MAT.
6. Pada menu test distribution pilih(centang) normal dan uniform
7. Setelah selesai tekan OK.

Maka setelah itu akan tampil hasil sebagai berikut:

Analisis: :

Terdapat 2 bagian analisis, yaitu:

1. Uji normalitas
(One-Sample Kolmogorov-Smirnov Test)
Hipotesis :
H0 : Data (IND, ING, MAT) mengikuti distribusi Normal
H1 : Data (IND, ING, MAT) tidak mengikuti distribusi Normal
Jika nilai prob (sig 2 tailed) > 0,05 maka H0 diterima dan jika nilai prob (sig 2 tailed) <
0,05 maka H0 ditolak.

Nilai sig-2 tailed nilai UAN yaitu:

IND = 0.315 > 0.05 mka H0 diterima
ING = 0.707 > 0.05 mka H0 diterima
MAT = 0.966 > 0.05 mka H0 diterima

Kesimpulan: karena semua nilai di atas 0.05 maka H0 diterima artinya data nilai UAN
(IND, ING, MAT) mengikuti distribusi Normal

2. Uji Keseragaman Data

(One-Sample Kolmogorov-Smirnov Test 2) table 2
Hipotesis:
H0 : Data yang diambil seragam
H1 : Data yang diambil tidak seragam
Jika nilai prob (sig 2 tailed) > 0,05 maka H0 diterima dan jika nilai prob (sig 2 tailed) <
0,05 maka H0 ditolak
Nilai sig-2 tailed nilai UAN yaitu:
IND = 0.75 > 0.05 mka H0 diterima
ING = 0.613 > 0.05 mka H0 diterima
MAT = 0.606 > 0.05 mka H0 diterima

Kesimpulan: karena semua nilai diatas 0.05 maka H0 diterima artinya data nilai yang
di ambil seragam.
 C. UJI INDEPENDENT
Independent Sample T-Test jika diterjemahkan dalam bahasa Indonesia maka berarti
uji t sample tidak berhubungan atau bebas. Perhatikan kata “Independen” atau
“bebas” maknanya adalah tidak ada hubungan antara dua sample yang akan diuji.
Misal akan menguji apakah ada perbedaan rata-rata 2 (dua) sample yang terdiri dari
kelompok A dan kelompok B terkait dengan prestasi belajarnya. Contoh ini
menjelaskan bahwa sample penelitian ini terdiri dari dua kelompok yang berbeda atau
tidak berhubungan satu sama lain (sample bebas).
Contoh:

Keterangan :
Kelompok A diberi kode 1 dengan N = 6 orang
Kelompok B diberi kode 2 dengan N = 5 orang
Nila diartikan sebagai prestasi belajar
Hipotesis:
H0 : µ = Tidak terdapat perbedaan antara rata-rata prestasi belajar kelompok
A dengan kelompok B
H1 : µ ≠ Tidak terdapat Perbedaan antara rata-rata prestasi belajar kelompom
A dengan kelompok B
Dasar pengambilan keputusan :
1. Jika nilai signifikasi > 0,05 , maka Ho diterima dan Ha
ditolak
2. Jika nilai signifikasi < 0,05 , maka Ho ditolak dan Ha
diterima

Langkah-langkah pengujiannya:

1. Buka lembar kerja SPSS, kemudian klik Variable View,

pada bagian Name pertama tuliskan Nilai. Kemudian untuk Name kedua
tuliskan kelompok, kemudian pada bagian Decimals yang kedua ganti dengan
0, lalu klik pada bagian Value yang kedua hingga muncul kotak dialog Value
label, pada kotak Value isikan 1 dan kotak Label isikan kelompok A, lalu
klik Add, kemudian isikan lagi pada kotak Value dengan isian 2 dan kotak Label
isikan kelompok B, lalu klik Add dan OK (biarkan yang lainnya tetap default).
 Jika sudah betul maka tampilannya seperti gambar dibawah ini

2. Klik Data View, kemudian untuk nilai isikan dengan

nilai diatas dan untuk kelompok isikan 1 untuk nilai kelompok A dan 2 untuk
nilai kelompok B

3. Kalau sudah, klik Analyze – Compare Means –

Independent Sample T Test
4. Muncul kotak dialog Independent Simple T Test,
kemudian masukkan Variable Nilai ke kotak test Variable(s) dan masukkan
Variabel kelompok ke kotak Grouping Variable

5. Klik Define Grouping, pada kotak Group 1 isikan 1 dan

kotak Group 2 isikan 2, lalu klik Continue

6. Selanjutkan klik Options, kemudian pada kotak

Condifence Interval Percentage isikan 95, lalu klik Continue
 7. Setelah semua beres, maka klik OK dan akan muncul
Output SPSS

Interpretasi Output:
Perhatikan pada output independent sample T-Test, berdasarkan output diatas
diperoleh nilai signifikasi (2-tailed) sebesar 0,039 < 0,05, maka sesuai dasar
pengambilan keputusan dalam uji independent sample T-Test, maka dapat
disimpulkan Ho ditolak dan Ha diterima, yang artinya bahwa terdapat perbedaan
antara rata-rata prestasi belajar kelompok A dengan kelompok B.
 D. UJI HOMOGENITAS
Uji homogenitas digunakan untuk mengetahuI varian dari beberapa populasi
yang sama atau tidak. Uji ini biasanya dilakukan untuk syarat dalam analisis
independent Sampel T-Test dan Analysis of Varians.
Dasar Pengambilan Keputusan:
Uji homogenitas juga digunakan sebagai bahan acuan untuk menentukan
keputusan uji statistic. Maka dari itu, ada dasar pengambilan keputusan dalam uji
homogenitas, yaitu:
a. Jika nilai signifikansi < 0,05, maka dikatakan bahwa varian dari 2 atau lebih
kelompok populasi data adalah tidak sama (tidak homogen).
b. Jika nilai signifikansi > 0,05, maka dikatakan bahwa varian dari 2 atau lebih
kelompok populasi data adalah sama. (homogen).
Contoh Soal:
Diberikan data ‘Motivasi Belajar’ sebagai variable bebas (X) dan ‘Prestasi
Belajar’ sebagai variable terikat (Y) sebagai berikut;

Langkah-langkah Pengujian:
1. Buka program SPSS, klik Variabel View. Selanjutnya pada bagian Name, tulis ‘X’
di baris 1 dan ‘Y’ di baris 2, pada Decimals ubah semua menjadi angka 0. Pada
bagian Label tuliskan Motivasi Belajar dan Prestasi Belajar
2. Selanjutnya, klik Data View, masukkan data ‘Motivasi Belajar’ di kolom (X) dan
‘Prestasi Belajar’ di kolom (Y) seperti diatas.

3. Dari menu SPSS, pilih Analyze, klik Compare Means lalu pilih One Way Anova.

4. Saat muncul kotak One Way Anova, selanjutnya masukkan Variabel (Y) ke
Dependent List dan Variabel (X) ke kotak Factor. Setelah itu klik Options
5. Pada menu Options, beri tanda pada Homogenety of Variance, lalu klik
Continue

6. Klik OK untuk menyelesaikan perintah. Selanjutnya akan muncul tampilan

‘output’ SPSS.

Berdasarkan ‘output’ SPSS diatas, diketahui bahwa nilai signifikansi variable

‘Prestasi Belajar’ (Y) berdasarkan ‘Motivasi Belajar’ (Y) adalah 0,212. Karena
0,212 > 0,05, maka dapat disimpulkan bahwa variable Prestasi Belajar (Y)
berdasarkan variable ‘Motivasi Belajar’ (X) mempunyai varian yang sama.