Statistika Non Parametrik:

Uji Chi-Square
Muhammad Doddy, PhD
Tujuan Pembelajaran

Dalam bab ini, kita akan belajar:

• Perbedaan statistika parametrik dan statistika non-parameterik.
• Bagaimana menggunakan uji chi-square untuk uji normalitas.
• Bagaimana menggunakan uji chi-square untuk uji keselarasan (goodness of fit).
• Bagaimana dan kapan menggunakan uji chi-square untuk tabel kontingensi.
• Bagaimana menggunakan prosedur Marascuilo untuk menentukan perbedaan
berpasangan ketika mengevaluasi lebih dari dua proporsi.
• Bagaimana menggunakan uji chi-square untuk uji independensi.
Pengantar Statistka Non Parametrik
Perbedaan Penting Statistika Non Parametrik dengan Parametrik
Statistika Non Parametrik

• Statistika non parametrik adalah metode statistika yang tidak memerlukan

pembuatan asumsi tentang bentuk distribusi atau bebas distribusi, sehingga tidak
memerlukan asumsi terhadap populasi yang akan diuji.
• Sebelum data diolah dengan metode parametrik ataupun non parametrik, maka
perlu dilakukan uji distribusi.
Kapan Menggunakan Statistika Non Parametrik
• Distribusi sampel atau populasi tidak terdistribusi secara normal.
• Tidak ada persyaratan asumsi tentang bentuk distribusi populasi yang menjadi
objek penelitian.
• Apabila hasil pengukuran menggunakan data ordinal atau data berperingkat.
• Apabila hasil pengukuran menggunakan data nominal (merupakan “kode”) Jenis
kelamin diberikan kode “laki-laki” dan “perempuan”. Pengkodean tersebut tidak
berimplikasi lebih rendah atau lebih tinggi dan hanya sekadar kode.
Ciri-ciri Data Tidak Terdistribusi Secara Normal
• Tidak memiliki nilai mean, median, dan juga modus yang sama.
• Kurva distribusi data tidak simetris.
• Nilai skewness (Kemiringan) besar
Jenis Statistika Non Parametrik
• Chi-square:
• Uji Normalitas Data
• Uji Keselarasan (Godness of Fit)
• Uji Independensi
• Sign Test
• Wilcoxon Test
• Kruskal-Wallis
• Korelasi Rank Spearman
Uji Normalitas Data
Statistika Non Parametrik – Uji Chi-Square
Uji Normalitas
• Uji normalitas digunakan untuk menentukan apakah suatu frekuensi dari
pengamatan atau frekuensi observasi yang dinotasikan dengan fo sesuai dengan
sekelompok frekuensi yang diharapkan yang dinotasikan dengan fe yang
distribusinya mendekati kurva normal.
• Distribusi kurva normal adalah sebagai berikut:

Distribusi berdasarkan aturan empiris Chebyshev

2,7% 13,5% 34,3% 34,3% 13,5% 2,7%

Rumus Chi-Square

(𝑥 )=∑ ¿¿¿
2

Di mana:
2 = Nilai chi-kuadrat.
fe = Frekuensi ekspektasi atau frekuensi yang diharapkan.
fo = Frekuensi observasi atau frekuensi yang diperoleh.
Uji Normalitas: Contoh
• Berikut ini adalah data jumlah nasabah baru di sebuah bank yang diambil dari
setiap cabang. Tentukan, apakah persebaran data nasabah tersebut mengikuti
distribusi normal?
13 18 27 19 17 24 21 21
25 18 17 15 17 28 21 16
13 22 20 29 16 17 19 21
17 12 15 18 16 12 8 12
15 7 16 10 16 15 12 15
Uji Normalitas: Contoh
• Membuat kelas interval dengan jumlah kelas sebanyak 6 kelas. Kurva normal
dibagi menjadi 6 bagian yang masing-masing luasnya adalah: 2,7%, 13,5%, 34,3%,
34,3%, 13,5%, 2,7%.
• Menentukan frekuensi observasi dan frekuensi ekspektasi.
Interval fo Luas fe fo – fe (fo – fe) 2 (fo – fe) 2/fe
Kurva
6–9 2 2,7% 40 x 2,7% = 1 1 1 1
10 – 13 6 13.5% 40 x 13.5% = 5 1 1 0,2
14 – 17 15 34.3% 40 x 34.3% = 14 1 1 0,07
18 – 21 10 34.3% 40 x 34.3% = 14 -4 16 1,14
22 – 25 4 13.5% 40 x 13.5% = 5 -1 1 0,2
26 – 29 3 2.7% 40 x 2,7% = 1 2 4 4
Total 40 100% 40 Chi-square hitung = 6,61
Uji Normalitas: Contoh
• Membuat Hipotesis
• H0: Data terdistribusi secara normal
• H1: Data tidak terdistribusi secara normal
• Derajat bebas: n – 1 = 6 – 1 = 5 dengan taraf kesalahan α = 5% maka chi square
tabel adalah 11,07
α (taraf nyata)
Degree of
Freedom 0.10 0.05 0.02 0.01
1 2.706 3.841 5.412 6.635
2 4.605 5.991 7.824 9.210
3 6.251 7.815 9.837 11.345
4 7.779 9.488 11.668 13.277
5 9.236 11.070 13.388 15.086
6 10.645 12.592 15.033 16.812
7 12.017 14.067 16.622 18.475
Uji Normalitas: Contoh
• Chi-Square hitung = 6,61
• Karena harga chi square hitung lebih kecil dari chi square tabel ( 6,61
< 11,07), maka distribusi data dinyatakan normal.

6,61 11,07
Uji Keselarasan (Goodness of Fit)
Statistika Non Parametrik – Uji Chi-Square
Uji Keselarasan: Contoh
Produsen mie instan mengeluarkan empat varian rasa: rasa ayam spesial, rasa kari ayam, rasa
soto, dan rasa ayam bawang. Untuk membantu dalam perencanaan produksi, manajemen
ingin menentukan apakah pembelian pelanggan sebelumnya menunjukkan bahwa ada
perbedaan preferensi konsumen dalam rasa tertentu.
Jumlah mie instan yang terjual dari masing-masing rasa untuk 100 dus mie instan selama dua
minggu terakhir ditunjukkan di bawah ini.

Rasa Jumlah Penjualan (Dus)

Ayam Spesial 20
Kari Ayam 35
Rasa Soto 30
Ayam Bawang 15

Apakah ada perbedaan proporsi dalam penjualan berdasarkan rasa?

Uji Keselarasan: Contoh
• Diharapkan penjualan berdasarkan rasa adalah sama atau seimbang:
p1 = 25, p2 = 25, p3 = 25, p4 = 25
• Menentukan frekuensi observasi dan frekuensi ekpektasi.

Rasa fo fe fo – fe (fo – fe) 2 (fo – fe) 2/fe

Ayam Spesial 20 25 -5 25 1
Kari Ayam 35 25 10 100 4
Rasa Soto 30 25 5 25 1
Ayam Bawang 15 25 -10 100 4
Total 100 100 Chi-square hitung= 10
Uji Keselarasan: Contoh
• Membuat Hipotesis:
• H0: p1 = p2 = p3 = p4 = 25
• H1: p1 ≠ p2 ≠ p3 ≠ p4 ≠ 25
• Boleh ditulis:
• H0 : fo = fe
• H1 : fo ≠ fe
• Derajat bebas: n – 1 = 4 – 1 = 3 dengan α (taraf nyata)
α = 5% maka chi square tabel adalah Df 0.10 0.05 0.02 0.01
7,815. 1 2.706 3.841 5.412 6.635
2 4.605 5.991 7.824 9.210
3 6.251 7.815 9.837 11.345
Uji Keselarasan: Contoh
• Chi-Square hitung = 10
• Karena nilai chi square hitung lebih besar dari chi square tabel ( 10 > 7,815),
maka ada perbedaan preferensi konsumen dalam rasa tertentu.

7,815 10
Tabel Kontingensi
Statistika Non Parametrik – Uji Chi-Square
Tabel Kontingensi (Contingency Tables)

Tabel Kontingensi (Contingency Tables):

• Berguna dalam situasi yang melibatkan banyak proporsi populasi.
• Digunakan untuk mengklasifikasikan observasi sampel menurut dua atau lebih
karakteristik.
• Juga disebut tabel klasifikasi silang (cross-classification table).
Contoh Tabel Kontingensi

• Preferensi Produk vs. Jenis Kelamin

• Preferensi: Suka vs. Tidak Suka.
• Jenis Kelamin: Pria vs. Wanita.
• 2 kategori untuk setiap variabel, sehingga tabel tersebut dinamakan tabel 2 x 2
• Misalkan kita memeriksa sampel 300 responden.
Contoh Tabel Kontingensi
Hasil sampel disusun dalam tabel kontingensi:

Jenis Kelamin
Ukuran sampel = n = 300:
Preferensi
Produk Wanita Pria
120 Wanita, 12 menyukai produk
180 Pria, 24 menyukai produk Suka 12 24 36

Tidak Suka 108 156 264

120 180 300

Contoh Tabel Kontingensi
H0: π1 = π2 (Proporsi wanita yang menyukai produk sama dengan proporsi pria yang
menyukai produk tersebut)
H1: π1 ≠ π2 (Kedua proporsi tidak sama - Preferensi produk tidak bergantung pada
jenis kelamin)

• Jika H0 benar, maka proporsi perempuan yang menyukai produk harus sama
dengan proporsi laki-laki yang menyukai produk.
• Kedua proporsi di atas harus sama dengan proporsi orang yang menyukai
produk secara keseluruhan.
Statistik Uji Chi-Square
Statistik uji Chi-Square adalah:

2
∑
Diasumsikan: setiap sel dalam tabel
χ= ¿¿¿ kontingensi memiliki frekuensi yang
diharapkan setidaknya 5
𝑆 𝑒𝑚𝑢𝑎 𝑆𝑒𝑙
Di mana:
fo = frekuensi observasi dalam sel tertentu
fe = frekuensi ekspektasi dalam sel tertentu jika H 0 benar
2 untuk kasus 2 x 2 yang memiliki degree of freedom = 1
Statistik Uji Chi-Square

Statistik uji 2 mengikuti distribusi chi-kuadrat dengan satu derajat

kebebasan (degree of freedom).

Aturan keputusan:
Jika 2 > 2R, tolak H0.
Jika tidak, terima H0


0
Terima H0 Tolak H0 2
2R
Menghitung Frekuensi Ekspektasi
Jenis Kelamin
Preferensi
Produk Wanita Pria

Suka 36

Tidak Suka 264

120 180 300

Frekuensi Obervasi vs. Ekspektasi
Jenis Kelamin
Preferensi
Produk Wanita Pria

Observasi = 12 Observasi = 24
Suka 36
Ekspektasi = 14,4 Ekspektasi = 21,6
Observasi = 108 Observasi = 156
Tidak Suka 264
Ekspektasi = 105,6 Ekspektasi = 158,4

120 180 300

Statistik Uji Chi-Square
Jenis Kelamin
Preferensi
Produk Wanita Pria

Observasi = 12 Observasi = 24
Suka 36
Ekspektasi = 14,4 Ekspektasi = 21,6
Observasi = 108 Observasi = 156
Tidak Suka 264
Ekspektasi = 105,6 Ekspektasi = 158,4
120 180 300
Statistik uji adalah:

χ = 2
∑ ¿¿¿
𝑆 𝑒𝑚𝑢𝑎 𝑆𝑒𝑙
Statistik Uji Chi-Square

Statistik   uji   adalah 𝜒 2 =0.75 8 ,    𝜒 2𝑅   dengan  1  d . f. = 3 , 841Dicari dengan MS Excel:
=CHIINV(0.05,1)

Aturan keputusan:
Jika 2 > 3,841, tolak H0, jika tidak,
maka terima H0

=0,05 Di sini,
2 = 0,758 < 2R = 3,841, maka terima H0
dan tidak ada perbedaan proporsi
0
Terima H0 Tolak H0 2 wanita dengan pria dalam menyukai
2R=3,841 produk.
Uji 2 untuk Selisih Lebih dari Dua Proporsi
• Kita perluas uji chi-square ke kasus dengan lebih dari dua
populasi independen:

H0 : π 1 = π 2 = … = π c
H1: Tidak semua πj sama (j = 1, 2, …, c)
Statistik Uji Chi-Square
Statistik uji Chi-square adalah:

χ= 2
∑ ¿¿ ¿ Diasumsikan: setiap sel dalam tabel
kontingensi memiliki frekuensi yang
diharapkan setidaknya 1
𝑆 𝑒𝑚𝑢𝑎 𝑆𝑒𝑙
Di mana:
fo = frekuensi observasi dalam sel tertentu untuk tabel 2 × c
fe = frekuensi ekspektasi dalam sel tertentu jika H 0 benar
2 untuk kasus 2 x c yang memiliki degree of freedom = (2 – 1) (c – 1)
Contoh Uji Chi-Square dengan Lebih dari Dua
Proporsi
Sebuah polling dilakukan untuk mengetahui respon karyawan terhadap
perubahan kebijakan perusahaan. Sebanyak 1.500 karyawan yang terdiri dari
bagian pemasaran, produksi, dan pengiriman dilibatkan dalam jajak
pendapat. Berikut adalah hasil jajak pendapat:
Bagian Total
Pendapat Pemasaran Produksi Pengiriman

Setuju 410 295 335 1.040

Tidak Setuju 90 205 165 460

Total 500 500 500 1.500

Frekuensi Ekspektasi
Bagian Total
Pendapat Pemasaran Produksi Pengiriman

Setuju 1.040
Tidak Setuju 460

Total 500 500 500 1.500

Frekuensi Ekspektasi vs Frekuensi Observasi
Proporsi secara 𝑋 1+ 𝑋 2 +...+ 𝑋 𝑐 410+295+335
keseluruhan adalah: 𝑝= = =0 , 6933
𝑛1+ 𝑛2+ ...+𝑛 𝑐 500+500+500

Bagian
Pendapat Pemasaran Produksi Pengiriman

Setuju fo = 410 fo = 295 fo = 335

fe = 346,667 fe = 346,667 fe = 346,667
Tidak Setuju fo = 90 fo = 205 fo = 165
fe = 153,333 fe = 153,333 fe = 153,333
Contoh Uji Chi-Square dengan Lebih dari Dua
Proporsi
Bagian
Pendapat Pemasaran Produksi Pengiriman

Setuju

Tidak Setuju

Statistik uji Chi-square adalah:

2
χ = ∑ ¿¿¿
𝑆 𝑒𝑚𝑢𝑎 𝑆𝑒𝑙
Uji Chi-Square dengan Lebih dari Dua Proporsi:
Contoh
H0: π 1 = π 2 = π 3
H1: Tidak semua πj sama (j = 1, 2, 3) Dicari dengan MS Excel:
=CHIINV(0.05,2)

Aturan keputusan: 2R = 5,991 berasal dari tabel distribusi

Jika 2 > 2R, tolak H0. chi-square dengan derajat kebebasan
Jika tidak, terima H0 sama dengan 2.

Kesimpulan: Karena 64,1196 > 5,991, kita menolak H0 dan menyimpulkan

bahwa setidaknya satu proporsi responden yang tidak setuju dengan
kebijakan perusahaan berbeda di ketiga bagian.
Prosedur Marascuilo
• Prosedur Marascuilo adalah prosedur membuat perbandingan antara semua
pasangan grup.
• Pertama:
• hitung selisih absolut yang diamati pj - pj’ di antara semua pasangan.
• Kedua:
• hitung jangkauan kritis yang sesuai untuk prosedur Marascuilo.
Prosedur Marascuilo
• Jangkauan Kritis (Critical Range) untuk Prosedur Marascuilo:

Critical   Range=√ 𝜒
2
𝑅
√ 𝑝 𝑗 (1 −𝑝 𝑗 ) 𝑝 𝑗 (1 −𝑝 𝑗 )
𝑛𝑗
+
′

𝑛𝑗¿
′
Prosedur Marascuilo: Contoh
Bagian
Pendapat Pemasaran Produksi Pengiriman

Setuju p1 =410/500 = 0,82 p2 =295/500 = 0,59 p3 =335/500 = 0,67

√
Tidak Setuju 90 205 165

0,82(1−0,82) 0,59(1−0,59)
|𝑝 1 − 𝑝 2|=|0,82 −0,59|=0,23 Critical Range=√ 5,991 + =0,068

√
500 500
0,82(1−0,82) 0,67(1−0,67)
|𝑝 1 − 𝑝 3|=|0,82 − 0,67|=0,15 Critical Range=√ 5,991 + =0,066

√
500
0,59(1−0,59) 500
0,67(1−0,67)
|𝑝2 − 𝑝 3|=|0,59 − 0,67|=0,08 Critical Range=√ 5,991 + =0,075
500 500
Kesimpulan: Karena setiap perbedaan absolut lebih besar dari kisaran kritis, bisa disimpulkan bahwa setiap
proporsi berbeda secara signifikan dari dua lainnya.
Uji Independensi
Statistika Non Parametrik – Uji Chi-Square
Uji Chi-Square: Uji Independensi

• Mirip dengan uji chi-square untuk keselarasan lebih dari dua proporsi, tetapi
konsep ini diperluas ke tabel kontingensi dengan baris r dan kolom c.

 H0: Kedua variabel kategori independen(yaitu, tidak ada hubungan di

antara kategori).
 H1: Kedua variabel kategorikal adalah dependen(yaitu, ada hubungan di
antara kategori).
Uji Chi-Square: Uji Independensi
Statistik uji Chi-square adalah:

∑
2 Diasumsikan: setiap sel dalam tabel
χ= ¿¿¿ kontingensi memiliki frekuensi yang
diharapkan setidaknya 1
𝑆 𝑒𝑚𝑢𝑎 𝑆𝑒𝑙
Di mana:
fo = frekuensi observasi dalam sel tertentu untuk tabel 2 × c
fe = frekuensi ekspektasi dalam sel tertentu jika H 0 benar
2 untuk kasus r x c yang memiliki degree of freedom = (r – 1) (c – 1)
Contoh: Uji Independensi
• Jumlah order didata dari 200 pelanggan adalah sebagai berikut:
Jumlah Order Per- Minggu
Jenis Total
Pelanggan > 20/ 10 – 20/ < 10 / minggu
minggu minggu
Platinum 24 32 14 70
Gold 22 26 12 60
Silver 10 14 6 30
Bronze 14 16 10 40
Total 70 88 42 200
Contoh: Uji Independensi
• Hipotesis yang akan diuji adalah:

 H0: Jumlah order dan jenis pelanggan berdiri sendiri-sendiri (yaitu, tidak
ada hubungan di antara kategori)
 H1: Jumlah order dan jenis pelanggan saling bergantung (yaitu, ada
hubungan di antara kategori)
Contoh: Uji Independensi

Frekuensi sel ekspektasi jika H0 benar:

Contoh untuk satu sel: Jumlah Order Per- Minggu

Jenis
Pelanggan > 20/ 10 – 20/ < 10 /
total baris x   total kol𝑜𝑚 minggu minggu minggu Total

𝑓 𝑒= Platinum 24,5 30,8 14,7 70

𝑛 Gold
Silver
21,0
10,5
26,4
13,2
12,6
6,3
60
30
Bronze 14,0 17,6 8,4 40
Total 70 88 42 200
Contoh: Uji Independensi
Jumlah Order Per- Minggu • Nilai statistik uji adalah:
Jenis
Pelanggan > 20/ 10 – 20/ < 10 /
minggu minggu minggu
Platinum 24 32 14
24,5 30,8 14,7
Gold 22 26 12
21,0 26,4 12,6
Silver 10 14 6
10,5 13,2 6,3
Bronze 14 16 10 2R = 12,592 untuk α = 0,05 dari tabel
14,0 17,6 8,4
distribusi chi-kuadrat dengan derajat
kebebasan (4 - 1) (3 - 1) = 6
Dicari dengan MS Excel:
=CHIINV(0.05,6)
Contoh: Uji Independensi
Statistik  uji  adalah 𝜒 2 =0,7 09 ,    𝜒 2𝑅   dengan  6   d. f. = 12,592
Aturan keputusan:
Jika 2 > 12,592, tolak H0, jika tidak,
maka terima H0

=0,05 Di sini,
2 = 0,709 < 2R = 12,592, maka terima H0
0 Kesimpulan: tidak ada cukup bukti bahwa
Terima H0 Tolak H0 2 jumlah order dan jenis pelanggan berhubungan.
2R=12,592
Ringkasan Bab

Pada bab ini kita telah mempelajari

• Membedakan statistika non-parametrik dengan statistika parametrik.
• Melakukan uji normalitas dengan chi-square.
• Melakukan uji keselarasan (goodness of fit) dengan chi-square.
• Membuat tabel kontingensi dan mengujinya dengan chi-square.
• Melakukan uji independensi dengan chi-square.

Referensi:
Statistics For Managers "Using Microsoft Excel" 9th Edition
David M. Levine, David F. Stephan, Kathryn A. Szabat. Penerbit : Pearson. Tahun : 2020