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.
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:
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
6. Tentukan luas tiap kelas interval dengan cara mengulangi nilai F(z) yang
lebih besar diatas atau dibawahnya.
11. Tentukan nilai X2tabel pada taraf signifikansi dan derajat kebebasan k-1
dengan k adalah banyaknya kelas/kelompok interval
RUMUS CHI-SQUARE:
Contoh soal:
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
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
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
Kemudian dari nilai di atas, semua ditambahkan, maka itulah nilai chi-square hitung.
Lihat Tabel di bawah ini:
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.
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.
Kesimpulan: karena semua nilai di atas 0.05 maka H0 diterima artinya data nilai UAN
(IND, ING, MAT) mengikuti distribusi Normal
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:
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