MAKALAH

STATISTIKA EKONOMI DAN BISNIS

MODUL 7
CHI SQUARE

DISUSUN OLEH
1. ALFIKA GAYATRI 021826416
2. LUSI KURNIAWATI 021826201
UNIVERSITAS TERBUKA UPBJJ YOGYAKARTA
FAKULTAS EKONOMI
AKUNTANSI
 KEGIATAN BELAJAR 1

KONSEP CHI SQUARE

A. Distribusi Chi Square

Distribusi chi square (khi kuadrat1) adalah distribusi untuk variabel kontinu x2
yang besarnya sama dengan jumlah kuadrat dari sejumlah nilai Z untuk X yang
menyebar normal.

Dengan demikian, suatu variabel acak yang menyebar secara khi kuadrat dapat
diturunkan dari suatu variabel acak yang menyebar normal atau menyebar normal
baku. Apabila X menyebar secara normal dengan nilai tengah 𝜇 dan ragam 𝜎2 ,
𝑋− 𝜇
Z2 = ( ) 2 menyebar secara khi kuadrat.
𝜎

Nilai khi kuadrat berkisar dari nol sampai tak terhingga. Bentuk kurvanya bermacam-
macam, tergantung pada derajat bebasnya, sebagaimana terlihat pada gambar 7.1
 Bila dicermati dari gambar diatas diketahui bahwa dengan semakin besar derajat
bebasnya, semakin simetri bentuk kurva distribusi khi kuadrat.
Distribusi khi kuadrat memiliki ciri-ciri :
1. Nilainya selalu positif karena merupakan nilai kuadrat.
2. Bentuk distribusi khi kuadrat ditentukan oleh derajat bebasnya, tetapi tidak
dipengaruhi oleh besarnya sampel.
3. Distribusi khi kuadrat menceng ke kanan dan semakin mendekati distribusi
normal jika derajat bebas bertambah besar.

Derajat bebas memegang peran penting dalam distribusi khi kuadrat. Pada hakikatnya,
derajat bebas menunjukkan elemen yang nilainya dapat ditetapkan secara bebas,
sedangkan sisanya secara otomatis dapat diketahui.

B. Derajat Bebas
Perhatikan tabel kontingensi yang memiliki r baris dan s kolom berikut ( tabel
kontingensi r x s )
Kolom baris 1 2 ... S
1 O11 O12 ... O1S
2 O21 O22 ... O2S
.
.
.
r Or1 Or2 ... Ors
Keterangan :

Oij : banyaknya observasi pada baris ke i kolom ke j2.

Derajat bebas3 bagi yabel kontingensi yang memiliki baris sebanyak r dan kolom
sebanyak s (tabel kontingensi r x s) adalah (r-1) (s-1). Karena, dari baris pertama tabel
kontingensi, dapat diamati bahwa bila nilai dari r-1 baris telah diketahui, nilai elemen
ke r dapat diketahui. Dalam hal ini nilai elemen ke r tergantung pada nilai (r-1)
elemen yang lain. Hal yang sama juga berlaku atas kolom-kolom dari tabel
kontingensi. Bila sebanyak s-1 elemen diketahui nilainya, nilai elemen ke s dapat
 ditentukan nilainya. Nilai elemen ke s tergantung pada nilai elemen (s-1) elemen yang
lain.
Dengan demikian, secara keseluruhan, didapati (r-1)(s-1) elemen yang nilainya dapat
ditentukan secara bebas, sedangkan sisanya sebanyak rs-[(r-1)(s-1)] secara otomatis
dapat diketahui. Oleh karena itu, untuk tabel kontingensi r x s, derajat kebebasannya
sebesar (r-1)(s-1). Dengan demikian, derajat kebebasan untuk tabel kontingensi 2 x 2
adalah (2-1)(2-1) = 1. Derajat kebebasan untuk tabel kontingensi 3 x 3 adalah
(3-1)(3-1) = 4.

C. Uji Kebebasan Dua Variabel Kategori

Sebagaimana diketahui, skala pengukuran nominal hanya memungkinkan kita
untuk menggolongkan hasil-hasil pengamatan dalam kategori-kategori tetentu. Untuk
menganalisis adanya hubungan dari ketegori-kategori tersebut, akan dilihat kebebasan
dari variabel kategori.
Uji kebebasan dua variabel kategori ini didasarkan pada konsep peluang yang
menyatakan bahwa bila dua kejadian A dan B saling bebas, P (𝐴 ∩ 𝐵) = P(A), P(B).
Bila keadaan tersebut tidak tercapai, berarti kejadian A dan B tidak saling lepas atau
dengan kata lain keduanya saling berhubungan satu sama lain.
Untuk melakukan uji kebebasan dua variabel kategori ini,diperlukan nilai frekuensi
harapan yang dihitung melalui penerapan konsep peluang bila kedua variabel
diasumsikan bebas. Nilai frekuensi harapan yang diperoleh selanjutnya akan akan
dibandingkan dengan nilai frekuensi hasil observasi. Semakin dekat nilai frekuensi
observasi dengan nilai frekuensi harapan berarti kecenderungan bahwa kedua variabel
kategori tersebut saling bebas semakin besar.
1. Frekuensi observasi dan frekuensi harapan.
Frekuensi observasi (dinotsikan dengan Fo) adalah nilai-nilai numerasi yang
didapat dari hasil observasi atau penelitian, sedangkan frekuensi harapan
(dinotasikan dengan Fe) adalah frekuensi yang diharapkan muncul apabila dua
variabel yang ditelaah saling bebas.
Bila frekuensi observasi sama dengan frekuensi harapan, berarti kedua variabel
saling bebas. Sebaliknya, bila frekuensi observasi berbeda jauh dari frekuensi
harapan, maka kedua variabel tidak saling bebas. Kesamaan kedua frekuensi
inilah yang diuji pada pengujian hipotesis.
2. Pengujian hipotesis
a. Untuk pengujian kebebasan dua variabel kategori, ditentukan hipotesis berikut

Ho : kedua variabel tidak ada hubungan (bebas satu sama lain)

Ha : kedua variabel tidak bebas (saling memengaruhi).

b. Statistik uji yang sesuai sebagai berikut

Keterangan:

Fo : frekuensi observasi.

Fe : frekuensi harapan.

Besarnya frekuensi harapan dihitung dengan rumus berikut :

(𝑡𝑜𝑡𝑎𝑙 𝑏𝑎𝑟𝑖𝑠)(𝑡𝑜𝑡𝑎𝑙 𝑘𝑜𝑙𝑜𝑚)

𝑓𝑒
𝑡𝑜𝑡𝑎𝑙 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑛𝑔𝑎𝑚𝑎𝑡𝑎𝑛

c. Nilai kritis : X2 (𝛼, 𝑣)

v = derajat bebas = (b-1)(k-1)
b = banyaknya baris
k = banyaknya kolom
Nilai kritis dicari dengan bantuan tabel distribusi X2 yang disajikan pada
lampiran. Nilai kritis ditentukan oleh taraf nyata (𝛼) dan derajat bebas (v).
d. Pengujian hipotesis dilakukan dengan membandingkan nilai X2 hitung dengan
X2 yang diperoleh dari tabel. Dalam hal ini, tolak Ho bila X2 hitung > X2 (𝛼, 𝑣)

Pedoman umum yang lazim digunakan menyatakan bahwa frekuensi yang

diharapkan pada setiap elemen sebaiknya bernilai sekurang-kurangnya 5. Dengan
metode kira-kira, diusulkan uji khi kuadrat digunakan bila :

a. Tidak ada frekuensi observasi yang bernilai 0 dan

b. Tidak lebih dari 20% dari total sel yang nilai frekuensi harapannya
dibawah 5.
 Bila kedua syarat diatas tidak dipenuhi, dapat ditempuh beberapa pendekatan
berikut:

1) Menggabungkan baris atau kolom yang berdekatan sampai syarat diatas

dipenuhi.
2) Melakukan koreksi kekontinuan dengan menggunakan koreksi Yates.

3. Koreksi Yates
Pada prisipnya, koreksi Yates analog dengan koreksi kekontinuan diterapkan pada
pendekatan normal atas distribusi binominal. Secara umum, koreksi Yates hanya
digunakan ketika jumlah derajat kebebasan adalah 1. Untuk sampel yang besar,
perhitungannya menggunakan koreksi Yates akan memberikan hasil X2 yang
sama seperti X2 yang tak terkoreksi. Dengan demikian bila didapati derajat
kebebasan yang lebih dari 1, koreksi Yates tidak dipakai. Pemberlakuan koreksi
Yates terhadap X2 menjadikan ststistik ujinya tampak sebagai berikut:

Dalam konteks tabel kontingensi, derajat kebebasan 1 diperoleh ketika tabel

kontingensi yang dihadapi berukuran 2 x 2. Dengan menggunakan koreksi Yates,
prosedur selanjutnya sama dengan pengujian kebebasan.

D. Koefisien Kontingensi
Setelah diketahui ada tidaknya hubungan antara kedua variabel kategori yang menjadi
perhatian, selanjutnya dapat dilakukan penghitungan nilai ukuran keeratan hubungan
antara dua variabel kategori tersebut dengan koefisien kontingensi.
Nilai koefisien kontingensi dapat dicari melalui rumus :
Semakin besar nilai koefisien kontingensi berarti semakin erat hubungan dari kedua
variabel kategori yang menjadi perhatian. Namun, dalam koefisien kontingensi ini,
hasil yang diperoleh selalu bertanda positif sehingga interpretasi arah hubungan akan
dapat ditentukan bila dilihat kecenderungan pergerakan dari kedua variabel kategori
tersebut, apakah searah atau berlawanan arah melalui data yang tersedia pada sel-sel
tabel kontingensi. Dengan memperhatikan rumus diatas, dapat dimengerti bahwa nilai
besarnya 0≤C≤1.
 KEGIATAN BELAJAR 2
UJI KEPATUTAN (GOODNESS OF FIT)

Salah satu terapan dari distribusi khi kuadrat (dinotasikan dengan 𝑋 2 ) ditujukan untuk
uji kepatutan . metode ini dikembangkan oleh Karl Person . Pada hakikatnya uji
kepatutan digunakan untuk menguji apakh distribusi sample mendukung distribusi
frekuensi .

Bentuk persamaan khi kuadrat ditulis sebagai berikut :

2 ( 𝑓𝑜 −𝑓𝑒 ) 2
𝑥 =∑
𝑓𝑒

Dalam hal ini 𝑓0 adalah frekuensi hasil observasi sedangkan 𝑓𝑒 adalah

frekuensi harapan (expected frequency)

Dari persamaan tersebut dapat diinterprestasikan bahwa khi kuadrat mengukur

perbedaan (penyimpangan) antara frekuensi hasil observasi dengan frekuensi harapan.
Semakin besar perbedaan antara frekuensi hasil observasi dengan frekuensi
harapan , maka nilai khi kuadrat akan semakin besar.

Nilai khi kuadrat akan dievaluasi dengan :

1. Menetapkan hipotesis nol dan hipotesis alternatif. Hipotesis nol lazimnya
menyatakan bahwa distribusi sample sama dengan distribusi teoretis (distribusi
hipotesis)
2. 𝐻𝑜 : tidak ada perbedaan antara distribusi teoretis dan distribusi aktual
3. 𝐻𝑎 : ada perbedaan antara distribusi teoretis dan distribusi aktual
4. Menetapkan nilai kemungkinan terjadinya kesalahan type 1. Dalam hal ini, lazim
digunakan nilai a=0,05 . Alternatif lain yang sering digunakan adalah nilai a=0,01
atau nilai a=0,1
5. Menghitung besarnya khi kuadrat hitung dan menetapkan derajat kebesarannya
6. Membandingkan besarnya khi kuadrat hitung dengan nilai khi kuadrat table untuk
membandingkan diterima atau ditolaknya hipotesis yang diterapkan pada langkah
1
 KEHIATAN BELAJAR 3

TES HOMOGENITAS

Uji khi kuadrat juga dapat digunakan untuk homogenitas. Penggunaan ini pada
prinsipnya adalah menguji hipotesis yang menyatakan bahwa sample yang
diambil berasal dari populasi yang sama . dalam populasi yang sama terdapat
suatu ditribusi peluang tertentu.

Sebagai ilustrasi , akan digunakan table berikut :

Sample
Pendapat Total
1 2 3 … k

p1 n11 n12 n13 … n1k m1

p2 n21 n22 n23 … n2k m2

p2 n31 n32 n33 … n3k m3

. .

. .

. .

pr nr1 nr2 nr3 … nrk mr

Total n1 n2 n3 … nk mk

Keterangan :
P1 = peluang masing-masing nilai , i=1,2…,r
Nij = banyaknya observasi pada kelompok nilai pi dari sample ke nj
Nj = (dibaca jumlahkan nij untuk nilai I dari 1 hingga r
 Pada contoh yang dilistrasikan ini dari setiap sample kita dapat mengetahui
dengan pasti bentuk populasinya. Dengan demikian kita pun bisa mengetahui bentuk
distribusi peluang yang sebenarnya, berdasarkan teori kita dapat menyatakan bentuk
distribusi peluang tersebut sebagai dasar untuk melakukan pengujian yang kita
kehendaki
Dengan uji khi kuadrat kita menguji kehomogenan sample-sample
sebagaimana diilustrasikan pada table diatas. Apabila sample yang diuji tersebut
homogen dengan ungkapan lain dapat dinyatakan bahwa terkait kehomogenan
sample-sample yang menjadi perhatian kita

Untuk keperluan pengujian, kita akan menggunakan ungkapan distribusi peluang.

Hipotesis yang diuji dinyatakan sebagai berikut :

𝐻𝑜 = sample yang diuji memiliki distribusi panjang yang sama

𝐻𝑎 = sample yang diuji tidak semuanya memiliki distribusi panjang yang sama

Pada analog dengan pengujian khi kuadrat yang dilakukan sebelumnya . tujuan utama
kita dalam pengujian homogenitas ini adalah mendapatkan penyimpangan antara
distribusi data observasi dan distribusi teoretis. Semakin kecil penyimpangan yang
didapatkan semakin tinggi indikasi kehomogenan dari sample-sample yang dihadapi.