Kalkulator Chi-Square (χ²)

Uji kesesuaian atau independensi data

χ² = Σ((O-E)²/E)

Pisahkan dengan koma

Pisahkan dengan koma

📚 Cara Penggunaan:

  • • Masukkan data observasi yang Anda peroleh.
  • • Masukkan data ekspektasi (teoretis) sebagai pembanding.
  • • Pastikan jumlah elemen data (O) sama dengan data (E).
  • • Nilai χ² yang tinggi menunjukkan perbedaan signifikan antara O dan E.

Hasil akan dihitung secara otomatis saat input terisi

Apa itu Uji Chi-Square (χ²)?

Uji Chi-Square (χ²) atau Chi-Kuadrat adalah metode statistik non-parametrik yang digunakan untuk menganalisis data kategorikal. Berbeda dengan T-Test atau ANOVA yang bekerja dengan data numerik/runtun, Chi-Square bekerja dengan frekuensi/proporsi untuk menjawab pertanyaan: "Apakah ada hubungan antara dua variabel kategorikal?" atau "Apakah distribusi data sesuai dengan harapan?" Kalkulator Chi-Square Kalkulab menyediakan dua mode utama: Goodness of Fit (Kesesuaian) untuk menguji apakah distribusi satu variabel sesuai dengan distribusi yang diharapkan, dan Test of Independence (Uji Independensi) untuk menguji hubungan antara dua variabel kategorikal menggunakan tabel kontingensi. Alat ini sangat populer di kalangan mahasiswa ilmu sosial, psikologi, pendidikan, dan kedokteran di Indonesia. Chi-Square sering digunakan dalam skripsi dan tesis untuk menguji hipotesis hubungan antara variabel seperti "Apakah ada hubungan antara jenis kelamin dan preferensi produk?" atau "Apakah dadu yang digunakan fair (adil)?" Keunggulan utama kalkulator Chi-Square Kalkulab adalah kemudahan penggunaan, akurasi perhitungan yang setara dengan SPSS atau Minitab, dan akses gratis tanpa perlu registrasi. Hasil perhitungan mencakup nilai χ², derajat kebebasan (df), nilai p (p-value), nilai kritis, serta interpretasi lengkap apakah H0 diterima atau ditolak.

Rumus Chi-Square (χ²)

χ² = Σ[(O - E)² / E]Rumus: χ² = Σ[(FO - FE)² / FE] (FO=Frekuensi Observasi, FE=Frekuensi Ekspektasi)

Keterangan:

  • χ²Chi-Square Statistic
    Hasil perhitungan uji chi-square(contoh: 5.99)
    💡 Dibandingkan dengan nilai kritis χ²
  • O / FOFrekuensi Observasi (Observed)
    Frekuensi yang benar-benar terjadi/teramati(contoh: 25)
    💡 Data aktual dari hasil penelitian
  • E / FEFrekuensi Ekspektasi (Expected)
    Frekuensi yang diharapkan jika H0 benar(contoh: 20)
    💡 Basis perhitungan penyimpangan
  • dfDegrees of Freedom (Derajat Kebebasan)
    df = (r-1)(c-1) untuk independensi, df = k-1 untuk GoF(contoh: 1 atau 5)
    💡 Mencari nilai kritis dari tabel χ²
  • rJumlah Baris (Rows)
    Banyaknya kategori variabel baris(contoh: 2)
    💡 Menentukan df tabel kontingensi
  • cJumlah Kolom (Columns)
    Banyaknya kategori variabel kolom(contoh: 3)
    💡 Menentukan df tabel kontingensi

Langkah-Langkah Uji Chi-Square

Dalam melakukan uji Chi-Square, ikuti urutan langkah-langkah berikut untuk memastikan hasil yang valid:

  1. 1Menentukan Hipotesis Nol (H0: variabel independen/tidak berhubungan) dan H1 (ada hubungan)
  2. 2Menyusun Tabel Kontingensi (untuk uji independensi) atau daftar kategori (untuk GoF)
  3. 3Menghitung Frekuensi Ekspektasi (E = (total baris × total kolom) / grand total untuk tabel, atau E = proporsi harapan × N untuk GoF)
  4. 4Menghitung χ² = Σ[(O-E)²/E] untuk setiap sel atau kategori
  5. 5Menentukan df dan nilai kritis χ², lalu bandingkan dengan χ² hitung, atau lihat p-value

Kategori:

Goodness of Fit1 variabel, uji distribusi
Independence Test2 variabel, tabel kontingensi
χ² > χ²-kritisH0 ditolak (ada hubungan)
χ² ≤ χ²-kritisH0 diterima (tidak berhubungan)

Cara Menggunakan Kalkulator Chi-Square Kalkulab

Kalkulab menyediakan dua mode Chi-Square untuk berbagai kebutuhan. Pilih mode yang sesuai dan ikuti langkah-langkah berikut:

  1. 1

    Pilih Jenis Uji

    Pilih 'Goodness of Fit' jika ingin menguji kesesuaian distribusi satu variabel, atau 'Independence Test' jika ingin menguji hubungan antara dua variabel kategorikal.

  2. 2

    Masukkan Data

    Untuk GoF: masukkan frekuensi observasi setiap kategori dan frekuensi harapan (bisa sama rata atau disesuaikan). Untuk Independence: masukkan nilai tabel kontingensi (baris × kolom).

  3. 3

    Tentukan Alpha (α)

    Pilih tingkat signifikansi: α = 0.05 (5%) untuk standar umum, atau α = 0.01 (1%) untuk penelitian yang membutuhkan keketatan lebih tinggi.

  4. 4

    Klik Tombol Hitung

    Tekan 'Hitung χ²' untuk memproses data. Hasil akan menampilkan nilai χ², df, p-value, nilai kritis, dan interpretasi lengkap.

  5. 5

    Analisis Hasil

    Jika p-value < α (atau χ² > χ²-kritis), maka H0 ditolak: ada hubungan signifikan (untuk independensi) atau distribusi tidak sesuai harapan (untuk GoF).

💡 Tips Penggunaan:

  • •Pastikan frekuensi ekspektasi (E) setiap sel ≥ 5, jika tidak gabungkan kategori atau gunakan Fisher Exact Test
  • •Chi-Square hanya untuk data kategorikal (nominal/ordinal), bukan numerik kontinu
  • •Observasi harus independen (satu responden hanya satu kali pengukuran)
  • •Untuk tabel 2×2 dengan sampel kecil, gunakan koreksi Yates Continuity Correction
  • •Effect size untuk Chi-Square dapat dihitung dengan Cramér's V (0-1, semakin tinggi semakin kuat hubungan)

Contoh Perhitungan

Contoh1: Goodness of Fit - Uji Dadu Fair

Soal:

Sebuah dadu dilempar 60 kali. Hasil: 1=8, 2=12, 3=11, 4=7, 5=13, 6=9. Apakah dadu tersebut fair (adil)? (α=0,05)

Penyelesaian:
  1. 1.H0: Dadu fair (setiap sisi probabilitas = 1/6)
  2. 2.E = 60 / 6 = 10 untuk setiap sisi
  3. 3.χ² = (8-10)²/10 + (12-10)²/10 + (11-10)²/10 + (7-10)²/10 + (13-10)²/10 + (9-10)²/10
  4. 4.χ² = 0,4 + 0,4 + 0,1 + 0,9 + 0,9 + 0,1 = 2,8
  5. 5.df = 6-1 = 5, χ²-kritis (α=0,05, df=5) = 11,07
Hasil:χ² = 2,8, p ≈ 0,73

Karena χ² (2,8) < χ²-kritis (11,07) dan p > 0,05, H0 diterima. Dadu tersebut dinyatakan fair (adil).

Contoh2: Independence Test - Preferensi Produk vs Jenis Kelamin

Soal:

Sebuah survey menguji hubungan antara jenis kelamin dan preferensi produk A vs B. Data: Pria-A=30, Pria-B=20, Wanita-A=25, Wanita-B=25. Apakah ada hubungan? (α=0,05)

Penyelesaian:
  1. 1.H0: Jenis kelamin dan preferensi produk independen (tidak berhubungan)
  2. 2.H1: Ada hubungan antara jenis kelamin dan preferensi produk
  3. 3.Hitung E masing-masing: E(Pria-A) = (50×55)/100 = 27,5; E(Pria-B) = (50×45)/100 = 22,5
  4. 4.E(Wanita-A) = (50×55)/100 = 27,5; E(Wanita-B) = (50×45)/100 = 22,5
  5. 5.χ² = (30-27,5)²/27,5 + (20-22,5)²/22,5 + (25-27,5)²/27,5 + (25-22,5)²/22,5 = 1,01
Hasil:χ² = 1,01, p = 0,31, df = (2-1)(2-1) = 1

Karena χ² (1,01) < χ²-kritis (3,841) dan p > 0,05, H0 diterima. Tidak ada hubungan signifikan antara jenis kelamin dan preferensi produk.

Contoh3: Goodness of Fit - Preferensi Merek Laptop

Soal:

Survey 100 mahasiswa tentang preferensi merek laptop: Asus=30, Acer=25, Lenovo=35, Lainnya=10. Apakah preferensi merata? (α=0,05)

Penyelesaian:
  1. 1.H0: Preferensi merata (setiap merek 25%)
  2. 2.E = 100 × 0,25 = 25 untuk setiap merek
  3. 3.χ² = (30-25)²/25 + (25-25)²/25 + (35-25)²/25 + (10-25)²/25
  4. 4.χ² = 1 + 0 + 4 + 9 = 14
  5. 5.df = 4-1 = 3, χ²-kritis = 7,815
Hasil:χ² = 14, p ≈ 0,003

Karena χ² (14) > χ²-kritis (7,815) dan p < 0,05, H0 ditolak. Preferensi laptop tidak merata; Lenovo paling banyak disukai.

Contoh4: Independence Test - Kepuasan Pelanggan vs Tingkat Harga

Soal:

Uji hubungan antara tingkat harga (Murah/Mahal) dan kepuasan (Puas/Tidak). Data: Murah-Puas=40, Murah-Tidak=20, Mahal-Puas=30, Mahal-Tidak=10. (α=0,05)

Penyelesaian:
  1. 1.H0: Harga dan kepuasan independen
  2. 2.Total Puas=70, Tidak=30, Murah=60, Mahal=40, N=100
  3. 3.E(Murah-Puas)=60×70/100=42; E(Murah-Tidak)=60×30/100=18
  4. 4.E(Mahal-Puas)=40×70/100=28; E(Mahal-Tidak)=40×30/100=12
  5. 5.χ² = (40-42)²/42 + (20-18)²/18 + (30-28)²/28 + (10-12)²/12 = 0,76
Hasil:χ² = 0,76, p ≈ 0,38, df = 1

χ² < χ²-kritis, p > 0,05, H0 diterima. Tidak ada hubungan signifikan antara tingkat harga dan kepuasan pelanggan.

Contoh5: Independence Test - Merokok vs Kanker Paru

Soal:

Penelitian hubungan merokok (Ya/Tidak) dan kanker paru (Ya/Tidak). Data: Ya-Ya=45, Ya-Tidak=30, Tidak-Ya=15, Tidak-Tidak=60. (α=0,01)

Penyelesaian:
  1. 1.H0: Merokok dan kanker paru independen
  2. 2.Total Merokok=75, Tidak Merokok=75, Kanker=60, Tidak Kanker=90, N=150
  3. 3.E(Ya-Ya)=75×60/150=30; E(Ya-Tidak)=75×90/150=45
  4. 4.E(Tidak-Ya)=75×60/150=30; E(Tidak-Tidak)=75×90/150=45
  5. 5.χ² = (45-30)²/30 + (30-45)²/45 + (15-30)²/30 + (60-45)²/45 = 22,5
Hasil:χ² = 22,5, p < 0,0001, df = 1

χ² jauh > χ²-kritis (6,635 untuk α=0,01). H0 ditolak. Ada hubungan sangat signifikan: merokok berhubungan dengan kanker paru.

Pertanyaan yang Sering Diajukan (FAQ)

Kapan menggunakan uji Chi-Square dalam penelitian?
Gunakan Chi-Square ketika variabel yang dianalisis adalah data kategorikal (nominal atau ordinal), bukan numerik kontinu. Dua kegunaan utama: (1) Goodness of Fit - menguji apakah distribusi satu variabel sesuai harapan, (2) Test of Independence - menguji hubungan antara dua variabel kategorikal menggunakan tabel kontingensi.
Apa syarat dan asumsi uji Chi-Square?
Syarat utama: (1) Data kategorikal (bukan numerik kontinu), (2) Observasi independen (satu subjek satu kali pengukuran), (3) Frekuensi ekspektasi (E) ≥ 5 untuk setiap sel (jika < 5, gabungkan kategori atau gunakan Fisher Exact Test untuk tabel 2×2). Ukuran sampel sebaiknya > 40.
Bagaimana cara menghitung derajat kebebasan (df) pada Chi-Square?
Rumus df berbeda-beda: (1) Untuk Goodness of Fit: df = k - 1 (k = jumlah kategori). (2) Untuk Test of Independence: df = (r-1) × (c-1) dimana r = jumlah baris, c = jumlah kolom dalam tabel kontingensi. (3) Untuk tabel 2×2, df selalu = 1.
Apa perbedaan Chi-Square dan T-Test?
Chi-Square untuk data kategorikal (menguji proporsi/frekuensi, misal: pria vs wanita, merokok vs kanker), sedangkan T-Test untuk data numerik kontinu (menguji perbedaan mean, misal: rata-rata nilai ujian pria vs wanita). Chi-Square tidak memerlukan asumsi normalitas karena bukan uji parametrik.
Apa itu Cramér's V dan mengapa penting dalam Chi-Square?
Cramér's V adalah ukuran effect size (besarnya pengaruh) untuk Chi-Square, berkisar 0-1. Rumus: V = √(χ² / (n × min(r-1, c-1))). Interpretasi: V < 0,1 (lemah/tidak berpengaruh), 0,1-0,3 (sedang), > 0,3 (kuat). Effect size penting karena dengan sampel besar, χ² bisa signifikan tapi pengaruhnya kecil secara praktis.
Kapan menggunakan koreksi Yates Continuity Correction?
Gunakan koreksi Yates untuk tabel kontingensi 2×2 dengan ukuran sampel kecil (terutama jika ada sel dengan E < 5). Koreksi ini mengurangi nilai χ² agar tidak terlalu mengecilkan p-value (mencegah Type I error). Rumus: χ² = Σ[(|O-E| - 0,5)² / E]. Namun, untuk sampel besar (N > 100), koreksi ini biasanya tidak diperlukan.
Apa perbedaan Goodness of Fit dan Test of Independence?
Goodness of Fit (GoF) hanya melibatkan SATU variabel kategorikal dan menguji apakah distribusinya sesuai dengan distribusi harapan (misal: apakah distribusi nilai ujian sesuai normal?). Test of Independence melibatkan DUA variabel kategorikal dan menguji apakah keduanya berhubungan (misal: apakah ada hubungan antara jenis kelamin dan pilihan jurusan?).
Apakah Kalkulator Chi-Square Kalkulab akurat dan gratis?
Ya, Kalkulator Chi-Square Kalkulab sepenuhnya gratis dan menggunakan rumus statistik standar yang sama dengan SPSS, Minitab, atau R. Perhitungan χ², df, p-value, dan nilai kritis telah diuji untuk memastikan akurasi. Alat ini dirancang khusus untuk membantu mahasiswa Indonesia mengerjakan skripsi dan tesis tanpa biaya langganan.

Kalkulator Terkait

Kalkulator T-Test

Uji perbedaan mean dua kelompok

Kalkulator ANOVA

Bandingkan mean lebih dari 2 kelompok

Korelasi Pearson

Ukur hubungan dua variabel numerik

Kalkulator Probabilitas

Hitung peluang kejadian

Standar Deviasi

Menghitung sebaran data

Referensi