ILMA SR

AGRIBISNIS
PASCASARJANA UNIVERSITAS HALU OLEO
PENDAHULUAN

 Secara spesifik uji chi square dapat

digunakan untuk
menentukan/menguji:

◦Ada tidaknya hubungan/asosiasi antara 2

variabel (test of independency)

◦Apakah suatu kelompok homogen dengan

sub kelompok lain (test of homogenity)

◦Apakah ada kesesuaian antara

pengamatan dengan parameter tertentu
yang dispesifikasikan (Goodness of fit)
⦁ Uji chi-kuadrat merupakan pengujian
hipotesis tentang perbandingan antara
frekuensi sampel yang benar-benar terjadi
(selanjutnya disebut dengan frekuensi
observasi, dilambangkan dengan fo ) dengan
frekuensi harapan yang didasarkan atas
hipotesis tertentu pada setiap kasus atau
data (selanjutnya disebut dengan frekuensi
harapan, dilambangkan dengan fe ).
⦁ uji kecocokan atau goodness of fit test,
hipotesis nol merupakan suatu ketentuan
tentang pola yang diharapkan dari frekuensi-
frekuensi dalam kategori (-kategori) tertentu.
Pola yang diharapkan harus sesuai dengan
asumsi atau anggapan atas kemungkinan
kejadian yang sama dan bersifat umum.
 ( fo  fe ) 2
 2
 
fe
Catatan:
fo : frekuensi observasi
fe : frekuensi harapan

Dalam uji kecocokan model derajad kebebasan (df) sama

dengan jumlah kategori dikurangi jumlah estimator yang
didasarkan pada sampel dan dikurang 1. Yang dimaksud
estimator parameter adalah parameter yang diperkirakan
nilainya, karena nilai parameter tidak dapat secara tepat
ditentukan berdasarkan data sampel yang tersedia. Jika
dirumuskan menjadi:
df = k – m -1
dengan :
k : jumlah kategori data sampel
m : jumlah nilai-nilai parameter yang diestimasi
⦁ Jika hipotesis nol menyatakan bahwa
frekuensi-frekuensi observasi didistribusikan
sama dengan frekuensi harapan, tidak ada
parameter estimatornya. Dengan demikian
nilai m = 0
Sebuah distibutor alat penggilingan padi membagi pasar
menjadi 4 wilayah (A, B, C, dan D). Ada informasi bahwa
pendistribusian alat penggilingan merata pada setiap wilayah.
Untuk membuktkan pernyataan tersebut diambil 40 arsip
sebagai sampel. Dari 40 arsip tersebut diperoleh informasi yang
tertuang dapa tabel. Gunakan tingat signifikansi 5 persen
untuk menguji hipotesis yang menyatakan bahwa distribusi alat
penggilingan di keempat wilayah merata (sama)!

Wilayah
Total
A B C D
Distribusi bedasarkan, sampel, f0 6 12 14 8 40
Distribusi bedasarkan harapan, fe 10 10 10 10 40
1. Hipotesis
Ho : distribusi alat penggilingan di keempat
wilayah merata (sama)
Ha : distribusi alat penggilingan di keempat
wilayah tidak merata (tidak sama)
2. Nilai Kritis
Dalam kasus di atas tidak perlu ada parameter
yang diestimasi. oleh karena itu:
df = k – m – 1 = 4 – 0 – 1 = 3
x2(0,05;3) = 7,81
3. Nilai Hitung
Nilai uji statistik x2hitung diperoleh dengan
cara sebagai berikut:
 f o  f e )2
x 
2

fe

(6 10) 2 (12 10) 2 (14 10) 2 (8 10) 2

   
10 10 10 10

40
  4,0
10
4. Simpulan
Karena nilai statistik x2hitung = 4,0 lebih
kecil daripada nilai tabel x2(0,05;3) = 7,81
berarti kita tidak dapat menolak Ho
menyatakan bahwa distribusi alat
penggilingan di keempat wilayah merata
(sama)
⦁ Tabel kontigensi memuat data yang diperoleh dari
sampel random sederhana dan diatur berdasarkan
baris dan kolom. Baik baris maupun kolom masing-
masing terbagi dalam kriteria-kriteria atau
ketentuan-ketentuan. Nilai-nilai data pada tabel
kontigensi merupakan frekuensi observasi (fo).
⦁ Dengan uji tabel kontigensi (contigenscy table test)
kita dapat menguji apakah dua variabel (baris dan
kolom) saling independen atau tidak. Gagasan ini
didasarkan atas anggapan bahwa jika kategori-
kategori saling independen nilai frekuensi observasi
mendekati nilai frekuensi harapan. Perbedaan-
perbedaan yang besar akan mendukung kita untuk
menolak hipotesis yang menyatakan tentang
independen.
⦁ Apabila banyaknya baris = r, banyaknya kolom = k, dan besarnya
sampel n, nilai frekuensi harapan baris ke I dan kolom ke j dapat

f  f 
diperoleh dengan rumus:



 oi oj
f eij
n
⦁ dengan derajat kebebasan
🞂 df = (r – 1) (k – 1)
⦁ Sedangkan rumus untuk memperoleh nilai x2
🞂

( fo  fe )2
x2   fe
⦁ Tabel berikut menunjukkan pengunjung pada salon TAMPAN pada
tanggal 12 Oktober 2009 yang dikategorikan berdasarkan jenis
kelamin dan umur. Ujilah hipotesis bahwa jenis kelamin dan umur
pengunjung adalah independen dengan tingkat signifikansi α =0,01

Jenis kelamin
Umur Total
Pria wanita
Dibawah 30 60 50 110
30 atau lebih 70 10 80
Total kolom 130 60 190
⦁ Hipotesis
Ho : jenis kelamin dan umur pengunjung
adalah independen
Ha : jenis kelamin dan umur pengunjung
adalah tidak independen
⦁ Nilai Kritis
Derajat kebebasan df:
df = (r – 1) (k – 1) = (2 – 1) (2 – 1) = 1
Nilai uji statistik x2(0,01;1) = 6,63
Kita menolak Ho jika x2hitung > 6,63
⦁ Nilai Hitung
Berikut ini contoh perhitungan nilai frekuensi
harapan
⦁ Nilai Hitung
Berikut ini contoh perhitungan nilai frekuensi harapan
⦁ E11 = (130 x 110 )/190 = 75,26
⦁ E12 = (60 x 110)/190 = 34,74
⦁ E21 = (130 x 80)/190 = 54,74
⦁ E22 = (60 x 180) / 190 = 25,26

Jenis kelamin
Umur Total
Pria wanita
Dibawah 30 75,26 34,74 110
30 atau lebih 54,74 25,26 80
Total kolom 130 60 190
 ( fo  fe )2
x2   fe
(60  75,26) 2 (50  34,74) 2 (70  54,74) 2 (10  25,26) 2
     23,28
75,26 34,74 54,74 25,26
⦁ Simpulan
Dengan tingkat signifikansi 1 persen Ho
ditolak karena nilai statistik x2 sampel
=23,28 lebih besar daripada x2(0,01;1) =
6,63. Ini berarti bahwa jenis kelamin dan
umur pengunjung tidak independen
Uji Proporsi
 Distribusi Multinomial
Distribusi Multinomial merupakan generalisasi dari
distribusi binomial yaitu dengan melonggarkan
kriteria banyaknya hasil (outcome) yang mungkin jadi
lebih dari 2.

Dalam hal ini maka percobaannya disebut percobaan

multinomial sedangkan distribusi probabilitasnya
disebut distribusi multinomial.
Definisi:
Misalkan tiap percobaan bisa menghasilkan k hasil
yang berbeda yaitu E1, E2, …,Ek dan masing-masing
dengan probabiliitas p1, p2, …,pk.

Distribusi multinomial f(x1,x2,…,xk; n, p1,p2, ..,pk) akan

memberikan probabilitas bahwa E1 akan muncul
sebanyak x1 kali, E2 akan muncul sebanyak x2 kali, dst
dalam pengambilan independen sebanyak n kali, jadi
x1+ x2+ ….+ xk=n

 n  x1 x2 xk
f ( x1 ,..., xk ; p1 ,..., pk , n)    p1 p2 ... pk
 x1 , x2 ,...xk 

dengan p1+p2+ …+ pk =1 dan

 Sebuah airport memiliki 3 buah landas pacu (runway), dan
probabilitas sebuah runway dipilih oleh pesawat yg akan
mendarat adalah:
runway -1 : 2/9
runway -2 : 1/6
runway -3 : 11/18
Berapakah probabilitas 6 pesawat yg datang secara acak di
distribusikan ke dalam runway-runway tsb spt berikut:
runway -1 : 2 pesawat
runway -2 : 1 pesawat
runway -3 : 3 pesawat
Jawab.
Pemilihan runway acak dan independen, dengan p1=2/9,
p2=1/6 dan p3=11/18. Probabilitas untuk x1=2, x2= 1 dan
x3=3 adalah

2 1 11  6  2 2 1 1 11 3
f ( x1  2, x2  1, x3  3; p1  , p2  , p3  , n  6)   ( ) ( ) ( )  0.1127
9 6 18  2,1,3  9 6 18
Contoh
Seorang dokter melakukan pengobatan sebanyak 6
kali terhadap 6 orang penderita gagal jantung
dengan hasil sembuh sempurna, sembuh dengan
gejala sisa, dan meninggal.
Berapa besar probabilitas dari 6 kali pengobatan
tersebut menghasilkan 2 orang sembuh sempurna,
2 orang sembuh dengan gejala sisa, dan 2 orang
meninggal.

n! 6!
p = (P1r1) (P1r1) (P1r1) p = (1/3)2 (1/3)2(1/3)2
r1!r2r3! 2! 2! 2!

P = 0,123 = 12,3%
 Contoh

Berdasarkan teori genetika, perbandingan seekor

hamster betina akan melahirkan anak dgn warna
bulu merah,hitam dan putih adalah 8:4:4. Hitung
peluang akan lahir anak dgn warna merah 5 ekor,
hitam 2 ekor, putih 1 ekor dari kelahiran 8 ekor.

 8 
f ( x1  5, x2  2, x3  1; p1  0.5, p2  0.25, p3  0.25, n  8)   (0.5)5 (0.25) 2 (0.25)1  0.0820
 5,2,1
Uji Goodness of Fit
Uji Goodness of Fit
Bagaimana dekat hasil pengamatan/sampel
sesuai dengan yang diharapkan ?

Example: In tossing a coin, you expect half heads

and half tails. You tossed a coin 100 times. You
expected 50 heads and 50 tails. However, you
obtained 48 heads and 52 tails. Are 48 heads
and 52 tails close enough to call the coin fair?
 Uji Hipotesis untuk proporsi dari Populasi
Multinomial
1. Nyatakan Hipotesis nol dan hipotesis
alternatifnya.
2. Ambil sampel random dan tentukan
frekuensi pengamatan, fi , untuk masing-masing
k kategori.
3. Dengan menganggap H0 benar, frekuensi
harapan ei dihitung untuk tiap kategori yaitu
dengan mengalikan tiap kategori dengan
probabilitas tiap kategori dengan ukuran
sampel (sample size).
 Uji Hipotesis untuk proporsi dari Populasi
Multinomial
4. Hitung statistik uji
k ( f  e ) 2
2   i i
i 1 ei
dengan

fi = frekuensi pengamatan untuk kategori i

ei = frekuensi harapan untuk i
k = banyak kategori
Catatan : Statistik mempunyai distribusi chi-kuadrat
dengan derajat bebas k – 1 asalkan frekuensi
harapan untuk semua kategori lebih dari 5.
 Uji Hipotesis untuk proporsi dari Populasi
Multinomial
5. Aturan Penolakan
Reject H0 if p-value < 
p-value approach:

Critical value approach: Reject H0 if

 
2 2


dengan  adalah tingkat signifikansi dan

distribusinya adalah distribusi chi-kuadrat
dengan derajat bebas k – 1.
Multinomial Distribution Goodness of Fit Test

 Example: Finger Lakes Homes (A)

Finger Lakes Homes manufactures
four models of prefabricated homes,
a two-story colonial, a log cabin, a
split-level, and an A-frame. To help
in production planning, management
would like to determine if previous
customer purchases indicate that there
is a preference in the style selected.
 Multinomial Distribution Goodness of Fit Test

 Example: Finger Lakes Homes (A)

The number of homes sold of each
model for 100 sales over the past two
years is shown below.

Split- A-
Model Colonial Log Level Frame
# Sold 30 20 35 15
Multinomial Distribution Goodness of Fit Test

 Hypotheses

H0: pC = pL = pS = pA = .25
Ha: The population proportions are not
pC = .25, pL = .25, pS = .25, and pA = .25
where:
pC = population proportion that purchase a colonial
pL = population proportion that purchase a log cabin
pS = population proportion that purchase a split-level
pA = population proportion that purchase an A-frame
 Hypotheses
Ho : There is no preference in the home styles or
all home styles have equal preferences.

Ha : All home styles do not have equal

preferences.
 Multinomial Distribution Goodness of Fit Test
 Rejection Rule
Reject H0 if p-value < .05 or 2 > 7.815.

With  = .05 and

k-1=4-1=3
degrees of freedom

Do Not Reject H0 Reject H0

2
7.815
 Multinomial Distribution Goodness of Fit Test

 Expected Frequencies
e1 = .25(100) = 25 e2 = .25(100) = 25
e3 = .25(100) = 25 e4 = .25(100) = 25

 Test Statistic

( 30  25) 2
( 20  25) 2
( 35  25) 2
(15  25) 2
2    
25 25 25 25
=1+1+4+4
= 10
Multinomial Distribution Goodness of Fit Test

 Conclusion Using the p-Value Approach

Area in Upper Tail .10 .05 .025 .01 .005

2 Value (df = 3) 6.251 7.815 9.348 11.345 12.838
Because 2 = 10 is between 9.348 and 11.345, the
area in the upper tail of the distribution is between
.025 and .01.
The p-value <  . We can reject the null hypothesis.

Note: A precise p-value can be found using

R.
 Multinomial Distribution Goodness of Fit Test

 Conclusion Using the Critical Value Approach

2 = 10 > 7.815

We reject, at the .05 level of significance,

the assumption that there is no home style
preference.
TERIMA KASIH