Chi-Square Tabel Silang Uji Independensi

Seri Belajar Statistik · Artikel 11 dari 14

Chi-Square: Satu-satunya Uji yang Bisa Kamu Pakai untuk Data Survei Kategori

Dari pilihan menu hingga pilihan partai — data kategori ada di mana-mana. Chi-Square hadir sebagai senjata statistik yang tepat untuk menguji hubungan antar kategori tersebut.

⏱️

Waktu Baca

~14 Menit

🎓

Level

S1 & S2

📅

Tahun

2026

Pernah tidak kamu membuat kuesioner dengan pilihan "Ya/Tidak", "Laki-laki/Perempuan", atau "Setuju/Tidak Setuju" — lalu bingung mau dianalisis pakai apa? Selamat datang di dunia chi-square uji independensi data kategori, satu-satunya uji statistik yang memang dirancang untuk menjawab pertanyaan: "Apakah dua variabel kategori ini saling berhubungan, atau hanya kebetulan?" Artikel ini adalah bagian dari seri 14 Artikel Belajar Statistik: Statistik From Zero to Zorro. Kalau kamu pernah kesulitan menganalisis data survei dengan skala nominal atau ordinal, artikel ini benar-benar untuk kamu.

📊 Apa Itu Chi-Square dan Mengapa Data Kategori Butuh Uji Khusus?

Bayangkan kamu lagi survei mahasiswa kampus soal pilihan metode belajar (online vs offline) berdasarkan jurusan (IPA vs IPS). Data yang kamu dapat bukan angka kontinu seperti nilai atau berat badan — melainkan frekuensi: berapa banyak mahasiswa IPA yang memilih online, berapa yang memilih offline, dan seterusnya. Data seperti ini disebut data kategoris atau data nominal.

Uji-t dan ANOVA tidak bisa dipakai di sini karena keduanya butuh data numerik kontinu. Chi-square hadir sebagai solusinya. Secara formal, uji chi-square independensi adalah prosedur statistik untuk menguji apakah ada hubungan (asosiasi) antara dua variabel kategoris dalam sebuah populasi (Gravetter & Wallnau, 2017). Uji ini membandingkan frekuensi yang diamati (observed) dengan frekuensi yang diharapkan (expected) jika kedua variabel benar-benar independen satu sama lain.

📐 Rumus Dasar Chi-Square

    χ² = Σ [ (O − E)² / E ]
  

O = Frekuensi yang diamati (Observed)
E = Frekuensi yang diharapkan (Expected)
Σ = Jumlahkan untuk seluruh sel tabel

Sumber: Triola (2018); Bluman (2018)

Logikanya sederhana: jika nilai χ² kecil, artinya data yang diamati hampir sama dengan yang diharapkan — dua variabel independen. Jika χ² besar, artinya ada perbedaan mencolok antara frekuensi observasi dan ekspektasi, yang mengindikasikan adanya hubungan (Field, 2018).

🔥 Fakta Menarik

Karl Pearson memperkenalkan uji chi-square pada tahun 1900 — lebih dari 125 tahun lalu! Sampai sekarang uji ini tetap menjadi salah satu uji paling sering digunakan dalam penelitian sosial, pendidikan, dan kesehatan masyarakat di seluruh dunia (Moore et al., 2021).

Kapan Pakai Chi-Square vs Uji Lain?

Situasi Data	Skala	Uji yang Tepat
Dua variabel kategoris (nominal/ordinal)	Kategoris	✅ Chi-Square
Dua kelompok, satu variabel numerik	Numerik	Uji-t Independen
Lebih dari 2 kelompok, satu variabel numerik	Numerik	ANOVA
Dua variabel numerik, cari hubungan linear	Numerik	Korelasi Pearson

🔢 Cara Kerja Chi-Square: Step by Step dengan Contoh Nyata

Kamu sedang meneliti hubungan antara jenis kelamin (Laki-laki / Perempuan) dengan preferensi media belajar (Video / Modul Teks) pada 100 mahasiswa. Ini adalah skenario klasik yang cocok untuk chi-square uji independensi data kategori. Ikuti langkah-langkahnya:

Susun Tabel Kontingensi (Tabel Silang)

Masukkan data ke dalam tabel baris × kolom. Tabel ini disebut tabel kontingensi 2×2 (Sugiyono, 2019). Misalnya: 30 laki-laki memilih Video, 20 memilih Modul; 25 perempuan memilih Video, 25 memilih Modul.

Hitung Frekuensi Expected (E)

Rumus: E = (Total Baris × Total Kolom) / Grand Total. Ini adalah frekuensi yang seharusnya muncul jika tidak ada hubungan antar variabel (Montgomery & Runger, 2018).

Hitung Nilai χ² Hitung

Gunakan rumus Σ[(O−E)²/E] untuk setiap sel, lalu jumlahkan semua sel. Semakin besar nilai χ², semakin kuat indikasi adanya hubungan (Field, 2018).

Tentukan Derajat Kebebasan (df)

Rumus: df = (jumlah baris − 1) × (jumlah kolom − 1). Untuk tabel 2×2, df = 1. Derajat kebebasan menentukan distribusi chi-square yang digunakan (Walpole et al., 2012).

Bandingkan dengan χ² Tabel dan Simpulkan

Jika χ² hitung > χ² tabel (atau p-value < 0,05), maka H₀ ditolak: ada hubungan signifikan antara dua variabel. Jika tidak, dua variabel dianggap independen (Bluman, 2018).

💡 Tips Praktis

Di SPSS, kamu cukup masuk ke menu Analyze → Descriptive Statistics → Crosstabs, lalu centang opsi Chi-square di Statistics. SPSS langsung menghitung semuanya untukmu, termasuk nilai p (Priyatno, 2018).

📟 Contoh Output SPSS — Chi-Square Tests

Chi-Square Tests
─────────────────────────────────────────────────
               Value    df   Asymp. Sig. (2-sided)
─────────────────────────────────────────────────
Pearson χ²    3.922     1         .048
Likelihood R  3.934     1         .047
N of Valid     100
─────────────────────────────────────────────────
Sig. = 0.048 < 0.05 → H₀ DITOLAK
→ Ada hubungan signifikan antara jenis kelamin
  dan preferensi media belajar.

⚠️ Asumsi Chi-Square yang Sering Diabaikan (dan Akibatnya)

Chi-square bukan uji tanpa syarat. Banyak mahasiswa langsung "gas" pakai chi-square tanpa mengecek asumsinya — dan hasilnya bisa menyesatkan. Inilah asumsi penting yang wajib kamu periksa:

🔹Data harus kategoris — skala nominal atau ordinal. Jangan gunakan chi-square untuk data interval/rasio (Gravetter & Wallnau, 2017).
🔹Frekuensi expected minimal 5 per sel. Jika ada sel dengan E < 5, gunakan uji Fisher's Exact (Field, 2018).
🔹Observasi independen — setiap responden hanya masuk satu sel. Tidak boleh ada pengukuran berulang dari orang yang sama (Triola, 2018).
🔹Ukuran sampel cukup — total N yang sangat kecil membuat uji tidak stabil. Umumnya disarankan N ≥ 30 (Walpole et al., 2012).

⚠️ Perhatian

Chi-square hanya mendeteksi ada atau tidaknya hubungan, bukan seberapa kuat hubungannya. Untuk mengukur kekuatan hubungan, kamu perlu ukuran asosiasi tambahan seperti Cramér's V atau Phi coefficient (Field, 2018).

📐 Lebih Dalam untuk S2

Ukuran Asosiasi, Yates' Correction, dan Implikasi Riset Kompleks

Untuk level S2, chi-square bukan akhir dari analisis — melainkan awal. Setelah mendapatkan hasil signifikan, peneliti wajib melaporkan ukuran efek. Untuk tabel 2×2, digunakan Phi (φ); untuk tabel lebih besar, gunakan Cramér's V dengan rumus: V = √(χ²/N×min(r-1, c-1)) (Hair et al., 2019).

Yates' Continuity Correction direkomendasikan untuk tabel 2×2 dengan df=1 saat frekuensi expected mendekati 5, untuk mengurangi overestimasi nilai chi-square (Field, 2018).

Dalam penelitian multivariat, chi-square juga menjadi dasar uji goodness-of-fit dalam Structural Equation Modeling (SEM). Indeks fit seperti CFI, RMSEA semuanya berakar dari distribusi chi-square. Memahami chi-square secara mendalam adalah fondasi yang tidak bisa dilewatkan bagi peneliti S2 (Hair et al., 2019).

📝 Cara Membaca dan Melaporkan Hasil Chi-Square di Skripsi / Tesis

Hasil chi-square uji independensi data kategori harus dilaporkan secara lengkap agar valid secara akademis. Berikut format pelaporan yang benar sesuai standar APA:

❌ Kurang Tepat

"Hasil chi-square menunjukkan bahwa ada hubungan antara jenis kelamin dan preferensi belajar karena p < 0,05."

✅ Format APA yang Tepat

"Terdapat hubungan yang signifikan antara jenis kelamin dan preferensi media belajar, χ²(1, N=100) = 3.92, p = .048, Cramér's V = .20."

Perhatikan bahwa pelaporan yang baik mencakup: nilai χ², derajat kebebasan, jumlah sampel (N), nilai p, dan ukuran efek (Cramér's V). Ini adalah standar yang diminta oleh penguji skripsi dan reviewer jurnal (Santoso, 2019).

⚡ Insight Penting

Nilai p yang signifikan tidak berarti hubungannya kuat. Dengan sampel besar (N = 10.000), perbedaan kecil pun bisa menghasilkan p < 0,05. Itulah mengapa ukuran efek seperti Cramér's V wajib dilaporkan bersama nilai p (Field, 2018).

💡 Analogi ala Indonesia

Bayangkan kamu survei di kantin kampus: apakah mahasiswa yang suka nasi padang cenderung memilih minum es teh? Atau apakah itu hanya kebetulan karena es teh memang paling populer? Chi-square menjawab pertanyaan itu — apakah pilihan makanan dan minuman saling berhubungan, atau masing-masing dipilih secara independen (Riduwan, 2015).

📌 Kesimpulan

Kini kamu sudah memahami mengapa chi-square uji independensi data kategori menjadi andalan peneliti sosial, pendidikan, dan kesehatan ketika berhadapan dengan data survei nominal atau ordinal. Berikut ringkasan poin utama:

①Chi-square membandingkan frekuensi yang diamati dengan frekuensi yang diharapkan jika tidak ada hubungan antar variabel.
②Asumsi kunci: data kategoris, frekuensi expected ≥ 5, dan observasi independen.
③Hasil hanya memberitahu ada/tidaknya hubungan — ukuran efek (Cramér's V) diperlukan untuk menilai kekuatan hubungan.
④Pelaporan APA yang lengkap mencakup: χ², df, N, p-value, dan ukuran efek.
⑤Untuk S2: Yates' Correction, Cramér's V, dan hubungan chi-square dengan SEM adalah materi lanjutan yang sangat penting.

📖 Preview Artikel Berikutnya:
Artikel 12 dari seri ini akan membahas Regresi Berganda — bagaimana kamu bisa memprediksi satu variabel berdasarkan beberapa prediktor sekaligus, termasuk cara mendeteksi dan mengatasi multikolinearitas yang jadi musuh bebuyutan analisis regresi!

💬 Tulis Komentar 📚 Lihat Seri Lengkap

Chi-Square Tabel Kontingensi Uji Independensi Data Kategoris

📚

Daftar Referensi

Format APA 7th Edition

Bluman, A. G. (2018). Elementary statistics: A step by step approach (10th ed.). McGraw-Hill.
Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the behavioral sciences (10th ed.). Cengage Learning.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
Montgomery, D. C., & Runger, G. C. (2018). Applied statistics and probability for engineers (7th ed.). Wiley.
Moore, D. S., McCabe, G. P., & Craig, B. A. (2021). Introduction to the practice of statistics (10th ed.). W. H. Freeman.
Priyatno, D. (2018). SPSS panduan mudah olah data bagi mahasiswa dan umum. Andi Offset.
Riduwan. (2015). Belajar mudah penelitian untuk guru, karyawan, dan peneliti pemula. Alfabeta.
Santoso, S. (2019). Mahir statistik multivariat dengan SPSS. PT Elex Media Komputindo.
Sugiyono. (2019). Metode penelitian kuantitatif, kualitatif, dan R&D (2nd ed.). Alfabeta.
Triola, M. F. (2018). Elementary statistics (13th ed.). Pearson.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2012). Probability and statistics for engineers and scientists (9th ed.). Pearson.