Rumus Slovin – Dalam melakukan sebuah penelitian dalam mengamati pada suatu objek yang

berdasarkan dengan populasinya, kita pasti akan memerlukan sebuah sampel sebagai perwakilan
dari keseluruhan populasi pada objek tersebut.
Pengertian Rumus Slovin
Rumus Slovin adalah Suatu sistem matematis yang digunakan untuk menghitung jumlah dari
sebuah populasi objek tertentu yang belum diketahui karakteristiknya secara pasti.
Rumus ini diperkenalkan pertama kali oleh seorang Ilmuwan Matematis yang
bernama Slovin, pada tahun 1960. Rumus Slovin ini biasa digunakan untuk sebuah penelitian
pada suatu objek tertentu dalam jumlah populasi yang besar, sehingga digunakanlah untuk
meneliti pada sebuah sampel dari populasi objek yang besar tersebut.
Rumus Slovin & Cara Menghitungnya
Setelah kita mengetahui pengertian dari Rumus Slovin, berikutnya dalam menghitung pada
jumlah populasi suatu objek tertentu, kita pasti memerlukan sebuah formula atau rumus untuk
menghitung sampel dari jumlah objek yang akan kita jadikan sebuah penelitian, sebagai berikut :

Rumus Slovin Keterangan

n = Jumlah Sampel

n = N (1 + N e2) N = Jumlah Seluruh Populasi

e = Toleransi Error
Dalam penggunaan Rumus Slovin ini, hal yang pertama kali harus kita lakukan, yaitu
Menetapkan Taraf Keyakinan atau Confidence Level (…%) terhadap hasil kebenaran, atau Taraf
Signikansi Toleransi Kesalahan (0,…) yang akan terjadi.
Penjelasan :
Taraf Keyakinan 95% akan kebenaran hasil (yakin bahwa penelitian yang kita lakukan 95%
benar) dan Taraf Signifikansi 0,05 (memastikan bahwa hanya 5% saja kesalahan yang akan
terjadi).
Contoh Soal Slovin
Contoh Pertama :
Seorang Produsen akan melakukan sebuah penelitian terhadapat Karyawannya yang  berjumlah
1.000 orang, dan Taraf Signifikansinya 0,05 pada suatu perusahaan. Maka berapakah besarnya
sampel menurut Rumus Slovin sebagai berikut ini.
Jawaban :
n = N (1 + N e2)
1.000 = (1 + 1.000 x 0,05 x 0,05)
= 286 Karyawan

Rumus Slovin ini tentu mempersyaratkan anggota populasi (populasi) itu diketahui jumlahnya
(simbulnya N).
Dalam bahasa saya disebut populasi terhingga. Jika populasi tidak diketahui jumlah anggotanya
(populasi tak terhingga), maka rumus ini tak bisa digunakan. Lebih-lebih jika populasinya tak
jelas (tidak diketahui keberadaannya, apalagi jumlahnya, misalnya orang yang korupsi atau nikah
siri). Teknik sampling yang digunakan pun tentu tak bisa teknik yang bersifat random
(“probability sampling”), harus menggunakan teknik yang sesuai (quota, purposive, snowball,
accidental dsb.)
Chi Square adalah salah satu jenis uji komparatif non parametris yang dilakukan pada dua
variabel, di mana skala data kedua variabel adalah nominal. 

Syarat Uji Chi Square

Uji chi square merupakan uji non parametris yang paling banyak digunakan.
Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau
sampel yang digunakan besar, sebab ada beberapa syarat di mana chi square
dapat digunakan yaitu:

1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut

juga Actual Count  (F0) sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell
saja yang memiliki frekuensi harapan atau disebut juga  expected
count  (“Fh”) kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell
dengan frekuensi harapan yang kurang dari 5 tidak boleh lebih dari
20%.

Jenis Uji Chi Square

Rumus chi-square sebenarnya tidak hanya ada satu. Apabila tabel kontingensi
bentuk 2 x 2, maka rumus yang digunakan adalah “koreksi yates”. Untuk rumus
koreksi yates, sudah kami bahas dalam artikel sebelumnya yang berjudul
“Koreksi Yates“.

Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat

seperti di atas, yaitu ada cell dengan frekuensi harapan kurang dari 5, maka
rumus harus diganti dengan rumus “Fisher Exact Test”.

Pada artikel ini, akan fokus pada rumus untuk tabel kontingensi lebih dari 2 x 2,
yaitu rumus yang digunakan adalah “Pearson Chi-Square”.

Rumus Pearson Chi Square

Rumus Chi Square Tersebut adalah:

 
 Rumus Uji Chi Square

Untuk memahami apa itu “cell”, lihat tabel di bawah ini:

Tabel Kontingensi Chi Square

Tabel di atas, terdiri dari 6 cell, yaitu cell a, b, c, d, e dan f.

Sebagai contoh kita gunakan penelitian dengan judul “Perbedaan Pekerjaan

Berdasarkan Pendidikan”.

Maka kita coba gunakan data sebagai berikut:

Contoh Tabulasi Untuk Uji Chi Square

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:

Contoh Tabel Kontingensi Chi-Square

 
Membuat Frekuensi Kenyataan (F0) Rumus Chi Square
Dari tabel di atas, kita inventarisir per cell untuk mendapatkan nilai frekuensi
kenyataan, sebagai berikut:

Hitung F0 Uji Chi-Square

Membuat Frekuensi Kenyataan (F0) Rumus Chi Square

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:

Hitung Fh Rumus Chi Square

 
Membuat Kuadrat Frekuensi Kenyataan Rumus Chi Square
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:

Tabel Hitung Chi- Square

Hitung Nilai Chi Square

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:
 Hasil Akhir Tabel Hitung Chi-Square

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

Chi Square Hitung VS Chi Square Tabel

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.
Kegunaan Chi-Square

Adapun kegunaan dari uji Chi-Square, adalah :

1. Ada tidaknya asosiasi antara 2 variabel (Independent test)

2. Apakah suatu kelompok homogen atau tidak (Homogenity test)

3. Uji kenormalan data dengan melihat distribusi data (Goodness of fit test)

4. Digunakan untuk menganalisis data yang berbentuk frekuensi.

5. Digunakan untuk menentukan besar atau kecilnya korelasi dari variabel-variabel

yang dianalisis

6. Cocok digunakan untuk data kategorik, data diskrit atau data nominal

https://www.statistikian.com/2012/11/rumus-chi-square.html
Analisis regresi logistik biner digunakan untuk menjelaskan hubungan antara variabel
respon yang berupa data dikotomik/biner dengan variabel bebas yang berupa data
berskala interval dan atau kategorik

Regresi logistik biner (logistic regression) sebenarnya sama dengan analisis regresi

berganda, hanya variabel terikatnya merupakan variabel dummy (0 dan 1). Sebagai
contoh, pengaruh beberapa rasio keuangan terhadap keterlambatan penyampaian
laporan keuangan. Maka variabel terikatnya adalah 0 jika terlambat dan 1 jika tidak
terlambat (tepat). Regresi logistik tidak memerlukan asumsi normalitas,
meskipun screening data outliers tetap dapat dilakukan.
Asumsi-asumsi dalam regresi logistik biner:
 Tidak mengasumsikan hubungan linier antar variabel dependen dan independent
 Variabel dependen harus bersifat dikotomi (2 variabel)
 Variabel independent tidak harus memiliki keragaman yang sama antar kelompok
variabel
 Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat eksklusif
 Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50
sampel data untuk sebuah variabel prediktor (bebas).