Kalkulator Tabel Kontingensi

Tentang Kalkulator Tabel Kontingensi

Kalkulator Tabel Kontingensi melakukan uji chi-square untuk independensi pada tabel kontingensi R×C (tabulasi silang) apa pun. Masukkan frekuensi observasi Anda untuk menguji apakah dua variabel kategorikal berasosiasi secara statistik. Dapatkan hasil terperinci termasuk frekuensi harapan, residu standar yang disesuaikan, ukuran efek Cramér's V, analisis kontribusi sel, plot mosaik interaktif, heatmap residu, kurva distribusi chi-square, dan solusi lengkap langkah demi langkah.

Cara Menggunakan Kalkulator Tabel Kontingensi

1. Atur dimensi tabel — pilih jumlah baris dan kolom untuk tabel kontingensi Anda. Standarnya adalah tabel 2×2, tetapi Anda dapat menganalisis tabel hingga 10×10 menggunakan pemilih dropdown.
2. Masukkan frekuensi observasi — ketik jumlah observasi untuk setiap sel langsung ke dalam kisi interaktif. Atau, beralih ke mode "Masukan Teks" untuk menempelkan data yang dipisahkan tab atau koma. Semua nilai harus berupa bilangan bulat non-negatif.
3. Tambahkan label (opsional) — masukkan label kategori baris dan kolom yang dipisahkan oleh koma. Label membuat tabel dan bagan keluaran lebih mudah diinterpretasikan. Misalnya, "Pria, Wanita" untuk baris dan "Ya, Tidak" untuk kolom.
4. Set tingkat signifikansi — pilih tingkat α yang Anda inginkan. Pilihan yang paling umum adalah 0,05 (kepercayaan 95%). Nilai α yang lebih kecil (0,01, 0,001) memerlukan bukti yang lebih kuat untuk menyatakan signifikansi.
5. Analisis hasil — klik "Analisis Tabel Kontingensi" untuk melihat statistik chi-square, p-value, ukuran ukuran efek, visualisasi, dan solusi langkah demi langkah.

Apa Itu Tabel Kontingensi?

Tabel kontingensi (juga disebut tabulasi silang, crosstab, atau tabel frekuensi dua arah) menampilkan distribusi frekuensi gabungan dari dua variabel kategorikal. Setiap baris mewakili satu kategori dari variabel pertama, setiap kolom mewakili satu kategori dari variabel kedua, dan setiap sel berisi jumlah pengamatan yang masuk ke dalam kombinasi spesifik tersebut. Tabel kontingensi adalah dasar bagi banyak metode analisis data kategorikal, termasuk uji chi-square, uji eksak Fisher, dan model log-linear.

Uji Chi-Square untuk Independensi

Uji chi-square (χ²) untuk independensi menentukan apakah ada asosiasi yang signifikan secara statistik antara dua variabel kategorikal. Ini bekerja dengan membandingkan frekuensi sel yang diamati dengan frekuensi yang diharapkan jika variabel-variabel tersebut independen.

Di mana Oᵢⱼ adalah frekuensi observasi dalam sel (i,j), dan Eᵢⱼ adalah frekuensi harapan yang dihitung sebagai:

Derajat kebebasan untuk pengujian ini adalah (r − 1) × (c − 1), di mana r adalah jumlah baris dan c adalah jumlah kolom. Nilai χ² yang lebih besar menunjukkan perbedaan yang lebih besar antara frekuensi observasi dan harapan, yang menunjukkan bahwa variabel-variabel tersebut berasosiasi.

Cramér's V — Mengukur Ukuran Efek

Meskipun p-value memberi tahu Anda apakah ada asosiasi, Cramér's V memberi tahu Anda seberapa kuat asosiasi tersebut. Cramér's V berkisar dari 0 (tidak ada asosiasi) hingga 1 (asosiasi sempurna) dan dihitung sebagai:

Di mana N adalah ukuran sampel total dan k adalah jumlah baris atau kolom yang lebih kecil. Interpretasi Cramér's V bergantung pada derajat kebebasan:

Ukuran Efek	df* = 1	df* = 2	df* ≥ 3
Dapat diabaikan	< 0,10	< 0,07	< 0,06
Kecil	0,10 – 0,30	0,07 – 0,21	0,06 – 0,17
Sedang	0,30 – 0,50	0,21 – 0,35	0,17 – 0,29
Besar	≥ 0,50	≥ 0,35	≥ 0,29

*df* mengacu pada min(baris, kolom) − 1

Memahami Residu Standar

Residu standar yang disesuaikan mengungkapkan sel spesifik mana yang paling berkontribusi pada hasil chi-square yang signifikan. Residu sebesar +2,5 dalam sebuah sel berarti sel tersebut memiliki 2,5 standar deviasi lebih banyak observasi daripada yang diharapkan di bawah kondisi independensi. Ambang batas utama adalah:

• |r| > 1,96 — berbeda secara signifikan dari yang diharapkan (p < 0,05)
• |r| > 2,58 — berbeda sangat signifikan dari yang diharapkan (p < 0,01)
• Residu positif — lebih banyak observasi daripada yang diharapkan di sel tersebut
• Residu negatif — lebih sedikit observasi daripada yang diharapkan di sel tersebut

Kapan Menggunakan Uji Chi-Square

• Data kategorikal — kedua variabel harus kategorikal (nominal atau ordinal)
• Observasi independen — setiap observasi harus dihitung hanya satu kali
• Ukuran sampel yang memadai — setidaknya 80% dari jumlah harapan harus ≥ 5, dan tidak ada jumlah harapan yang boleh di bawah 1
• Pengambilan sampel acak — observasi harus berasal dari sampel acak dari populasi

Jika jumlah harapan terlalu rendah, pertimbangkan untuk menggabungkan kategori, menggunakan uji eksak Fisher (untuk tabel 2×2), atau menggunakan uji eksak atau simulasi Monte Carlo untuk tabel yang lebih besar.

Uji Chi-Square vs. Uji Eksak Fisher

• Uji chi-square menggunakan pendekatan sampel besar; uji Fisher menghitung probabilitas eksak
• Uji Fisher lebih disukai untuk tabel 2×2 dengan jumlah harapan kecil (< 5)
• Uji chi-square digeneralisasikan secara alami ke tabel R×C berukuran apa pun
• Untuk sampel besar, kedua tes menghasilkan hasil yang sangat mirip

FAQ

Apa itu tabel kontingensi?

Tabel kontingensi (juga disebut tabulasi silang atau crosstab) adalah tabel yang menampilkan distribusi frekuensi dari dua atau lebih variabel kategorikal. Setiap sel menunjukkan jumlah observasi yang masuk ke dalam kombinasi kategori tertentu. Ini adalah dasar untuk menguji apakah variabel-variabel tersebut independen atau berasosiasi menggunakan uji chi-square.

Apa itu uji chi-square untuk independensi?

Uji chi-square untuk independensi menentukan apakah ada asosiasi yang signifikan secara statistik antara dua variabel kategorikal dalam tabel kontingensi. Ini membandingkan frekuensi sel yang diamati dengan frekuensi harapan yang dihitung di bawah asumsi bahwa variabel-variabel tersebut independen. Statistik chi-square yang besar relatif terhadap derajat kebebasan menunjukkan bahwa variabel-variabel tersebut berasosiasi.

Apa itu Cramér's V dan bagaimana cara menginterpretasikannya?

Cramér's V adalah ukuran ukuran efek untuk uji chi-square, berkisar dari 0 (tidak ada asosiasi) hingga 1 (asosiasi sempurna). Untuk tabel 2×2, nilai di bawah 0,10 dapat diabaikan, 0,10–0,30 adalah efek kecil, 0,30–0,50 sedang, dan di atas 0,50 besar. Untuk tabel yang lebih besar, ambang batasnya secara proporsional lebih rendah. Berbeda dengan p-value, Cramér's V mengukur kekuatan asosiasi, bukan hanya apakah asosiasi itu ada secara statistik.

Apa itu residu standar dalam tabel kontingensi?

Residu standar yang disesuaikan menunjukkan seberapa besar setiap sel menyimpang dari apa yang diharapkan di bawah kondisi independensi. Nilai yang lebih besar dari +1,96 atau kurang dari −1,96 menunjukkan penyimpangan yang signifikan pada tingkat 0,05. Residu positif berarti lebih banyak observasi daripada yang diharapkan di sel tersebut; residu negatif berarti lebih sedikit. Mereka membantu menunjukkan dengan tepat kombinasi sel mana yang mendorong asosiasi secara keseluruhan.

Kapan saya tidak boleh menggunakan uji chi-square?

Uji chi-square mungkin tidak dapat diandalkan ketika frekuensi harapan sangat rendah — khususnya ketika lebih dari 20% jumlah harapan di bawah 5, atau ada jumlah harapan di bawah 1. Untuk tabel 2×2 dengan sampel kecil, uji eksak Fisher lebih disukai. Tes ini juga memerlukan observasi independen, sehingga tidak boleh digunakan dengan data berpasangan, dicocokkan, atau pengukuran berulang.