Uji Chi-Square di SPSS: Tutorial Lengkap dan Cara Membaca Hasil

Uji Chi-Square (Chi-Square Test of Independence) adalah uji statistik non-parametrik yang digunakan untuk menguji apakah terdapat hubungan atau asosiasi antara dua variabel kategorik. Berbeda dengan uji-t atau ANOVA yang bekerja pada data kontinu, Chi-Square bekerja pada data frekuensi — jumlah observasi yang jatuh pada setiap kombinasi kategori. Artikel ini memandu Anda menjalankan uji Chi-Square di SPSS dari awal hingga interpretasi hasil yang siap dituliskan di skripsi.

Kapan Menggunakan Uji Chi-Square?

Gunakan uji Chi-Square ketika:

• Kedua variabel bersifat kategorik (nominal atau ordinal)
• Data berupa frekuensi atau jumlah observasi
• Ingin menguji ada atau tidaknya hubungan (bukan arah atau kekuatan) antara dua variabel

Contoh penggunaan:

• Apakah terdapat hubungan antara jenis kelamin (laki-laki/perempuan) dengan preferensi metode belajar (online/tatap muka/hybrid)?
• Apakah status pekerjaan (pegawai tetap/kontrak/freelance) berhubungan dengan kepemilikan asuransi kesehatan (ya/tidak)?
• Apakah program studi (Manajemen/Akuntansi/Ekonomi) berhubungan dengan minat berwirausaha (berminat/tidak)?

---

Asumsi Uji Chi-Square

Sebelum menjalankan uji Chi-Square, pastikan asumsi-asumsi berikut terpenuhi:

1. Skala kategorik — kedua variabel harus nominal atau ordinal
2. Independensi observasi — setiap responden hanya masuk ke dalam satu sel (tidak ada pengamatan ganda)
3. Frekuensi harapan (expected frequency) — setiap sel dalam tabel harus memiliki expected count minimal 5. Jika lebih dari 20% sel memiliki expected count < 5, uji Chi-Square tidak valid; gunakan Fisher's Exact Test sebagai alternatif (cocok untuk tabel 2×2)
4. Ukuran sampel cukup — minimal 20 observasi total

---

Langkah-Langkah Uji Chi-Square di SPSS

Langkah 1: Persiapkan Data

Data tersusun dalam dua kolom variabel kategorik:

• Kolom 1: Variabel pertama (misalnya: Jenis_Kelamin, dikode 1 = Laki-laki, 2 = Perempuan)
• Kolom 2: Variabel kedua (misalnya: Metode_Belajar, dikode 1 = Online, 2 = Tatap Muka, 3 = Hybrid)
• Setiap baris mewakili satu responden

Langkah 2: Buka Menu Crosstabs

Klik: Analyze → Descriptive Statistics → Crosstabs

Langkah 3: Tentukan Variabel

• Pindahkan variabel baris ke kotak Row(s) (misalnya: Jenis_Kelamin)
• Pindahkan variabel kolom ke kotak Column(s) (misalnya: Metode_Belajar)

Tips: Letakkan variabel independen di baris dan variabel dependen di kolom — ini konvensi umum yang memudahkan interpretasi.

Langkah 4: Aktifkan Statistik Chi-Square

Klik tombol Statistics, centang:

• Chi-Square — uji Chi-Square utama
• Contingency coefficient — ukuran asosiasi untuk tabel non-persegi
• Phi and Cramer's V — ukuran effect size (sangat penting untuk pelaporan)
• Lambda — untuk mengukur prediktabilitas (opsional)

Klik Continue.

Langkah 5: Aktifkan Tampilan Sel

Klik tombol Cells, centang:

• Observed — frekuensi observasi (wajib)
• Expected — frekuensi harapan (untuk memeriksa asumsi)
• Row percentages dan/atau Column percentages — untuk interpretasi persentase

Klik Continue.

Langkah 6: Klik OK

---

Cara Membaca Output Chi-Square

Tabel 1: Case Processing Summary

Menampilkan jumlah kasus yang valid, missing, dan total. Pastikan tidak ada data missing yang berlebihan.

Tabel 2: Crosstabulation (Tabulasi Silang)

Ini adalah tabel utama yang menampilkan:

• Frekuensi observasi (observed count) di setiap sel
• Frekuensi harapan (expected count) — untuk memeriksa asumsi
• Persentase baris atau kolom (tergantung pilihan di Cells)

Cara membaca: Bandingkan distribusi persentase antar baris atau antar kolom untuk melihat pola yang ada sebelum melihat hasil uji signifikansi.

Tabel 3: Chi-Square Tests

Tabel kunci untuk keputusan statistik:

Kolom	Arti
Value	Nilai Chi-Square hitung (χ²)
df	Derajat kebebasan = (jumlah baris – 1) × (jumlah kolom – 1)
Asymp. Sig. (2-sided)	Nilai p-value (yang Anda gunakan untuk keputusan)

Keputusan:

• Jika Asymp. Sig. < 0,05 → tolak H₀ → terdapat hubungan yang signifikan antara kedua variabel
• Jika Asymp. Sig. ≥ 0,05 → gagal tolak H₀ → tidak terdapat hubungan yang signifikan

Perhatikan baris yang tepat:

• Pearson Chi-Square → digunakan untuk tabel berukuran besar (> 2×2) dengan asumsi terpenuhi
• Continuity Correction → koreksi Yates, digunakan untuk tabel 2×2
• Fisher's Exact Test → digunakan jika ada sel dengan expected count < 5 (terutama untuk tabel 2×2)

Catatan asumsi: SPSS akan memberikan catatan di bawah tabel berapa persen sel yang memiliki expected count < 5. Jika > 20%, uji Chi-Square tidak valid — gunakan Fisher's Exact Test.

Tabel 4: Symmetric Measures (Effect Size)

Ukuran	Rentang	Interpretasi
Phi (φ)	0 – 1	Untuk tabel 2×2; 0,1 = kecil, 0,3 = sedang, 0,5 = besar
Cramer's V	0 – 1	Untuk tabel lebih dari 2×2; interpretasi sama dengan Phi
Contingency Coefficient	0 – <1	Tidak memiliki nilai maksimum 1 yang murni; kurang disukai

Selalu laporkan Cramer's V (atau Phi untuk tabel 2×2) sebagai ukuran kekuatan asosiasi — nilai Chi-Square saja tidak cukup karena sangat dipengaruhi ukuran sampel.

---

Contoh Interpretasi Lengkap

Misalnya, meneliti hubungan antara jenis kelamin dan preferensi metode belajar pada 120 mahasiswa:

• χ²(2, N = 120) = 8,34, p = 0,015
• Cramer's V = 0,26

Hasil uji Chi-Square menunjukkan terdapat hubungan yang signifikan antara jenis kelamin dan preferensi metode pembelajaran, χ²(2, N = 120) = 8,34, p = 0,015. Kekuatan hubungan tergolong sedang (Cramer's V = 0,26). Berdasarkan tabulasi silang, mahasiswa perempuan cenderung lebih memilih metode hybrid (45%) dibandingkan mahasiswa laki-laki (28%), sementara mahasiswa laki-laki lebih banyak memilih metode online (52% vs. 31%).

---

Perbedaan Chi-Square dengan Uji Korelasi

Pertanyaan yang sering muncul: "Apakah Chi-Square sama dengan uji korelasi?"

Aspek	Chi-Square	Korelasi Pearson/Spearman
Jenis variabel	Kategorik (nominal/ordinal)	Numerik (interval/rasio) atau ordinal (Spearman)
Yang diuji	Ada/tidaknya asosiasi	Kekuatan dan arah hubungan linier
Output	χ² dan p-value	Koefisien r dan p-value
Effect size	Cramer's V / Phi	r² (explained variance)

Chi-Square hanya menunjukkan ada atau tidak hubungan — ia tidak memberi tahu seberapa kuat atau ke arah mana hubungan tersebut. Untuk kekuatan, gunakan Cramer's V.

---

Kesalahan Umum dalam Uji Chi-Square

1. Mengabaikan asumsi expected count — selalu cek catatan di bawah tabel Chi-Square Tests. Jika asumsi dilanggar, hasil tidak valid.
2. Tidak melaporkan effect size — nilai χ² tanpa Cramer's V memberikan gambaran yang tidak lengkap.
3. Menggunakan Chi-Square untuk data kontinu — jika variabel Anda adalah skor atau angka (interval/rasio), Chi-Square bukan pilihan yang tepat.
4. Salah menempatkan variabel — meskipun Chi-Square mengukur asosiasi simetris, konvensi pelaporan menempatkan variabel independen di baris.
5. Menginterpretasikan Chi-Square sebagai kausalitas — hubungan yang ditemukan Chi-Square bersifat asosiatif, bukan kausal.

Jika Anda memerlukan pendampingan dalam menjalankan dan menginterpretasikan uji Chi-Square atau analisis statistik lainnya, layanan olah data SPSS kami siap membantu.

---

Kesimpulan

Uji Chi-Square adalah alat yang powerful untuk mengeksplorasi hubungan antara variabel kategorik dalam data penelitian. Kuncinya adalah memahami asumsi yang harus dipenuhi, memilih baris output yang tepat, dan selalu melaporkan ukuran effect size di samping nilai signifikansi. Dengan menguasai uji ini, Anda akan mampu menjawab pertanyaan penelitian yang melibatkan data kategorik dengan cara yang tepat dan dapat dipertanggungjawabkan secara ilmiah.