PELATIHAN STATISTIK UI

Uji Chi-square yang umum dikenal oleh banyak orang adalah pengujian terhadap keterkaitan antara dua buah variabel hasil perhitungan (count data), sehingga dasar pengujian yang digunakan adalah selisih nilai proporsi dari nilai observasi dengan nilai harapan. Ada pula yang mengasosiasikan uji chi-square sebagai pengujian untuk melihat hubungan antara dua buah variabel kualitatif (katagorik). Umumnya keterkaitan antar dua variabel kualitatif secara deskriptif ditampilkan dalam bentuk tabel kontingensi (CrossTabulation). Ada banyak jenis uji selisih proporsi/uji chi-square yang dikemukakan oleh banyak buku dan literatur, setiap jenis pengujian tersebut didasarkan pada asumsi-asumsi tertentu yang harus dipenuhi oleh data yang akan diujikan, berikut beberapa uji proporsi (Chi-square yang umum digunakan):

Uji Pearson Chi-square:

Uji pearson Chi-square digunakan untuk menguji keterkaitan antar dua variabel katagori dimana asumsinya nilai harapan untuk setiap sel minimal 5 atau lebihy, dengan kata lain data yang terlibat dalam uji Pearson Chi-square harus lah banyak, berikut contoh data yang memenuhi asumsi dari uji Pearson Chi-square: Data dibawah digunakan untuk melihat hubungan antara tipe sekolah dengan gender, apakah ada kecenderungan sekolah swasta lebih banyak murid perempuan jika dibandingkan dengan sekolah negeri.

Data

Prosedur Analisa

Masukan Variabel :

Klik Statistics..

Continue

Kemudian Klik Cells..

Continue

Kemudian Klik OK

OUTPUT

Tabel Kontingensi

Informasi mengenai proporsi jumlah Laki-laki dan Perempuan berdasarkan Katagori Sekolah. Terlihat persentasi/proporsi jumlah LAKI-LAKI di sekolah NEGERI dan SWASTA relatif sama, begitu pula dengan siswa PEREMPUAN..

Uji Chi-Square

Terlihat dari hasil uji Pearson Chi-square di dapat nilai signifikan (p-value) = 0,828 sehingga keputusan yang kita ambil adalah menerima Ho yang berarti bahwa tidak ada perbedaan yang signifikan proporsi LAKI-LAKI dan PEREMPUAN antara sekolah Negeri dengan sekolah SWASTA.

Dowload File Latihan Klik

Artikel REGRESI LOGISTIK Klik

Prosedur pengujian parametrik umumnya mensyaratkan kenormalan dari sebaran data yang akan diuji. Hal ini terkait dengan fungsi penghubung (jika dalam permodelan) dan statistik uji yang digunakan dalam pengujian yang merupakan keluarga dari distribusi normal, seperti uji t-test, F-test dan chi-square. Pada dasarnya uji normalitas adalah membandingkan antara data empiris (data yang kita miliki) dengan data teoritis (data distribusi normal) dan kategorinya merupakan jenis uji kesesuaian (Goodness of Fit). Banyak ahli statistik yang mencoba membuat pendekatan uji kesesuaian untuk menguji kenormalan data, salah satunya adalah Kolmogorov SmirnoV. Kolmogorov Smirnov dalam menguji kenormalan data digunakan prinsip membandingkan probabilitas kumulatif dari data empirik (Grafik kumulatif warna biru) dengan distribusi normal (Grafik kumulatif warna merah). Dikatakan data terdistribusi normal jika grafik kumulatif dari data berhimpit atau mendekati grafik kumulatif normalnya, untuk tahu tidaknya kedua grafik tersebut berhimpit maka digunakan pengujian yang dinamakan Uji Kolmogorov-Smirnov.

Persamaan kumulatif distribusi dari data

Persamaan Kumulatif Distribsusi Normal

Dari kedua distribusi kumulatif tersebut kemudian dihitung nilai selisihnya lalu masing-masing nilai selisih dibuat nilai multlaknya dan kemudian dijumlahkan, seperti terlihat dalam persamaan Kolmogorov berikut ini:

Persamaan Kolmogorov

Jumlah selisih nilai mutlak dari kedua distribusi tersebut dibandingkan dengan tabel Kolmogorov-Smirnov untuk menentukan apakah kita menerima Ho atau menerima H1.

Contoh

Data sampel nilai ujian siswa kelas 4A dan kelas 4B. Ingin dilihat apakah data sampel nilai ujia di kedua kelas tersebut terditribusi normal atau tidak? Adapun hipotesa pengujian

Ho : Data Terdistribusi Normal

H1 : Data Tidak Terdistribusi Normal

Prosedur :

Analyze ==> Descriptive Statistics ==> Explore

Pindahkan Variabel :

Nilai Ujian (Nilai) ke Dependent List

Kelas ke Factor List

Kemudian Klik Plots..

Akan muncul menu berikut

Klik Normality plots with test

Kemudian Klik

Continue