Di beberapa literature uji ini diberi nama Pearson’s X2 test karena pertama kali ditulis
oleh Karl Pearson (1857-1936) yang menemukan distribusi untuk n yang mendekati distribusi X 2
dengan derajat bebas (db) r-1.
Prinsipnya :
1. Dipergunakan untuk analisis data berskala nominal/ kualitatif/ kategori termasuk data
dikhotom.
2. Perhitungan akhir menunjukkan angka yang sebenarnya, bukan dalam bentuk persen atau
proporsi.
3. Untuk setiap kategori, perbedaan diperoleh dari selisih nilai Observasi (O) dengan nilai
Expected (E) atau harapan yang dihitung berdasarkan Ho.
Rumus yang digunakan X2 = ∑ (O-E)2/ E
4. Makin besar ukuran sampel makin besar (O-E)2/E. selanjutnya X2 mempunyai
kecenderungan lebih besar hasilnya dengan menjadi lebih besarnya ukuran sampel.
5. Jumlah kategori mempengaruhi besarnya derajat bebas yang akan mempengaruhi bentuk
distribusi X2. Makin besar derajat bebas makin besar titik kritisnya.
6. Bila mempunyai dua sampel atau lebih dan akan dibandingkan, uji yang sesuai adalah r x
c contingency X2 test, yang datanya disusun menjadi r-row dan c-colom dengan derajat
bebas (r-1) (c-1).
7. Nilai harapan (E) diperoleh dari perkalian antara jumlah total setiap sampel dengan
proporsi yang sesuai dengan jumlah total. Untuk lebih mudahnya lihat table kontingensi
dibawah ini.
Table kontingensi 2 X 2
Banyak penelitian yang didesain untuk mengetahui jumlah subyek, obyek atau jawaban
yang jatuh pada berbagai kategori. Misalkan anak-anak dapat dikategorikan menurut frekuensi
jenis permainan yang sering di mainkan, hipotesis penelitiannya adalah jenis permainan ini akan
berbeda frekuensinya dengan cara tertentu. Orang dapat dikategorikan menurut apakah mereka
“lebih suka”, “netral”, atau “menolak” suatu opini sehingga sipeneliti dapat menguji hipotesis
bahwa response ini akan berbeda dalam frekuensinya.
Uji chi-square cocok untuk menganalisis data seperti di atas. Jumlah kategori dapat dua
atau lebih. Teknik yang digunakan adalah goodness of-fit dan dapat digunakan untuk menguji
apakah terdapat perbedaan signifikansi antara jumlah obyek atau response yang diobservasi yang
jatuh pada setiap kategori dan jumlah obyek yang diharapkan (expected) berdasarkan pada
hipotesis nol. Jadi uji goodness of fit menilai tingkat kesesuaian (correspondence) antara
observed dan expected observation dalam setiap kategori.
Para penggemar balap kuda sering menyatakan bahwa dalam balapan kuda pada track berbentuk
lingkaran, kuda pada posisi start tertentu akan mendapatkan keuntungan secara signifikan. Posisi
kuda pada saat start terdiri dari posisi 1 adalah posisi paling dekat rail pada inside track,
sedangkan posisi 8 adalah lingkaran paling luar dan terjauh dari rail untuk pacuan kuda yang
diikuti 8 ekor kuda. Kita ingin menguji pengaruh posisi start dengan menganalisis hasil pacuan
kuda sesuai dengan posisi start mereka selama sebulan musim pacuan kuda pada track berbentuk
lingkaran. Hasil pengamatan dapat dilihat pada table berikut:
Posisi 1 2 3 4 5 6 7 8 Total
Start
Jumlah 29 19 18 25 17 10 15 11 144
Menang
Expected 18 18 18 18 18 18 18 18
Langkah Analisis:
1. Hipotesis Nol. H0: tidak ada perbedaan dalam jumlah pemenang yang diharapkan dengan
nomor sesuai dengan nomor start, dan jika ada perbedaan observasi semata-mata karena
variasi acak yang diharapkan dari sampel random yang diambil dari distribusi uniform.
H1: frekuensi teoritis semua tidak sama.
2. Uji Statistik. Oleh karena itu membandingkan data dari satu sampel dengan populasi yang
telah diasumsikan terlebih dahulu, maka uji chi-square goodness of fit adalah yang cocok
untuk analisis ini. Chi-square dipilih karena hipotesis yang diuji membandingkan frekuensi
yang diobservasi dengan frekuensi yang diharapkan dalam kategori diskrit. Dalam kasus ini
kedelapan nomor start merupakan kategori.
3. Tingkat Signifikansi. Tingkat signifikansi α=0.01 dan N=144 jumlah pemenang dalam 18
hari pacuan kuda.
4. Sampling Distribution. Sampling distribution X2 dihitung mengikuti distribusi chi-square
dengan df= k-1 = 8-1= 7
5. Daerah Penolakan. H0 akan ditolak jika nilai observasi X2 sedemikian rupa sehingga
probabilitas yang berkaitan dengan nilai hitung pada H0 untuk df=7 adalah < 0.01s
6. Keputusan. Pada table diatas memberikan data bahwa 29 pemenang untuk kuda dengan start
no.1, sedangkan dengan H0 hanya 18 pemenang yang diharapkan. Hanya ada 11 pemenang
untuk kuda dengan nomor start 8, sedangkan dengan H0 yang diharapkan menang adalah 18.
Maka X2 dapat dihitung sebagai berikut:
8
(Oi∨Ei) ²
X2=∑
i=1 Ei
(29∨18) ² (19−18) ² (18−18) ² (25−18)² (17−18)²
= + + + +
18 18 18 18 18
Tabel chi-square menunjukkan bahwa P[X2 ≥ 16.3] dengan df=7 memiliki probabilitas antara p =
0.05 dan p = 0.02 jadi 0.05 > p < 0.02. oleh karena probabilitasnya lebih besar dari α = 0.01 ,
maka kita tidak dapat menolak H0. Naumn demikian, jika tingkat signifikansi α = 0.05, maka H0
dapat ditolak.
Uji Chi-Square dengan SPSS
1. Masukkan data
2. Dari menu SPSS, pilih menu Analyze kemudian pilih submenu Non-parametric, lalu pilih Legacy
Dialogs dan kemudian pilih Chisquare.
3. Tampak dilayar tampilan windows Chi-square Test
4. Isikan pada kotak Test Variable List: variabel pemenang dan pilih Get from data pada Expected
Range pilih all categoriesequal pada Expected Values.
5. Pada kotak Expected Range ada dua pilihan alternative. Pilihan Get from data merupakan default
yaitu masing-masing harga yang berbeda didefinisikan sebagai kategori. Jika pilihan adalah Use
specific range , maka diminta memasukkan nilai integer batas bawah dan batas atas. Nilai-nilai yang
terletak dalamkedua batas yang ditentukan tersebut yang akan dianalisis. Misalkan kita menentukan 1
sebagai batas bawah dan 5 sebagai batas atas, maka hanya ada 5 kategori yang akan dianalisis
sedangkan kategori 6,7 dan 8 diabaikan (tidak dianalisis).
6. Pada kotak Expected Value ada dua pilihan alternative. Pilihan All categories equal merupakan
default yaitu setiap kategori mempunyai nilai harapan yang sama(yaitu hasil bagi antara jumlah
seluruh nilai dengan banyaknya kategori). Pada pilihan alternative value, masing-masing kategori
memiliki proporsi harapan yang tidak sama sesuai dengan value yang kita masukkan. Misalkan
masukkan nilai-nilai yang lebih besar dari 0 untuk masing-masing kategori dari variabel yang diuji.
Harga pertama dalam kotak isian berkorespondensi dengan grup terkecil dari variabel uji, dan
harapan terakhir berkorespondensi dengan harga tertinggi.
7. Abaikan yang lain, lalu tekan OK
8. Tampilan Outpu SPSS
Pemenang
Test Statistics
Pemenang
Chi-Square 16.333a
df 7
Asymp. Sig. .022
Tampilan SPSS menunjukkan nilai observasi maupun nilai ekspektasi dari jumlah pemenang
dengan no start 1 sampai 8. Nilai statistic Chi-square sebesar 16,333 dengan degree of freedom
(df) = 7 dan menunjukkan probabilitas 0.22 dan nilai ini lebih besar dari α = 0.001, sehingga
dapat disimpulkan kita tidak dapat menolak H0 atau tidak ada perbedaan dalam jumlah
pemenang yang diharapkan dengan nomor sesuai dengan nomor start, dan jika ada perbedaan
observasi semata-mata karena variasi acak yang diharapkan dari sampel random yang diambil
dari distribusi uniform.
Caranya: hitunglah masing-masing nilai harapan pada tiap-tiap sel, dan hasilnya didapat sebagai berikut.
H0: tidak ada perbedaan (ada kesesuaian) distribusi partisipasi mengikuti posyandu antara penduduk dari
kota dan dari desa.
H1: ada perbedaan ( tidak ada kesesuaian) distribusi partisipasi mengikuti posyandu antarapenduduk dari
kota dan dari desa.
Nilai harapan partisipasi mengikuti posyandu
X2 hitung =7.786 > table X20.05(1) = 3.841. artinya H0 ditolak berarti ada perbedaan distribusi
partisipasimengikuti posyandu antara penduduk dari kota dan dari desa.
ANALISIS MENGGUNAKAN SPSS
1. Masukkan data
2. Langkah selanjutnya dari menu SPSS pilih menu Analyze, pilih Descriptive, lalu pili Crosstabs
3. Setelah kotak dialog Crosstabs, masukkan variabel wilayah ke kotak Row(s), masukkan variabel
partisipasi mengikuti posyandu ke kotak Column(s)
4. Langkah berikutnya klik Statistik, muncul kotak dialog dengan nama Crosstabs: Statistics. Beri tanda
centang pada bagian Chi-square.
5. Langkah berikutnya klik cells kemudian beri tanda centang pada bagian Expected dan terakhir Ok
6. Tampilan output SPSS
partisipasi_mengikuti_posyandu
wilayah desa 72 3 75
kota 64 16 80
Total 136 19 155
kota Count 64 16 80
Chi-Square Tests
Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-
Value Df sided) sided) sided)
a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 9.19.
b. Computed only for a 2x2 table
Hasilnya menunjukkan X2 hitung= 7.786 sig= 0.005 < α = 0.05 artinya H0 ditolak berarti ada
perbedaan distribusi partisipasi mengikuti posyandu antara penduduk dari kota dan dari desa.
Secara random didapatkan 500 responden mengenai opini sehat dari kesehatan
lingkungan tempat tinggal responden. Didapatkan data setelah dibuat tabulasi silang sebagai
berikut:
Pertanyaannya: apakah ada perbedaan distribusi mengenai opini sehat antara responden dari kota dan dari
desa? Digunakan α=0.05. db=(3-1)(2-1)=2
Hipotesis statistic yang digunakan:
Ho: tidak ada perbedaan (ada kesesuaian) distribusi opini sehat antara penduduk dari kota dan dari desa.
H1: ada perbedaan (tidak ada kesesuaian) distribusi opini sehat antara penduduk dari kota dan dari desa.
Caranya: hitunglah masing-masing nilai harapan pada tiap-tiap sel, dan hasilnya didapat sebagai berikut.
Nilai Harapan Opini Sehat
2. Langkah selanjutnya dari menu SPSS pilih menu Analyze, pilih Descriptive, lalu pili Crosstabs
3. Setelah kotak dialog Crosstabs, masukkan variabel wilayah ke kotak Row(s), masukkan variabel
opini tentang sehat ke kotak Column(s)
4. Langkah berikutnya klik Statistik, muncul kotak dialog dengan nama Crosstabs: Statistics. Beri tanda
centang pada bagian Chi-square.
5. Langkah berikutnya klik cells kemudian beri tanda centang pada bagian Expected dan terakhir Ok
Cases
wilayah *
500 100.0% 0 0.0% 500 100.0%
opini_tentang_sehat
wilayah * opini_tentang_sehat Crosstabulation
opini_tentang_sehat
Chi-Square Tests