Uji Chi-Square (Kai Kuadrat) — Goodness of Fit & Uji Independensi dari Nol

Manajer merek sebuah perusahaan consumer goods baru saja menerima hasil survei preferensi terhadap empat merek kategori yang sama — Alpha, Beta, Gamma, dan Delta — dari 400 responden. Angkanya: Alpha dipilih 140 orang, Beta 100, Gamma 90, Delta 70. Tim sales meyakini Alpha memang pemimpin pasar dengan pangsa sekitar 35%, sisanya terbagi. Manajer ingin tahu: apakah pola 140–100–90–70 itu cocok dengan klaim pangsa tim sales, atau selisihnya terlalu besar untuk disebut kebetulan?

Pertanyaan semacam ini tidak bisa dijawab dengan rata-rata, dengan uji-t, atau dengan korelasi. Sebabnya sederhana — datanya bukan angka yang bisa dirata-rata atau diplot di scatter. Datanya berupa kategori: “Alpha”, “Beta”, “Gamma”, “Delta”. Yang kita miliki hanyalah cacahan (count): berapa responden masuk tiap kotak. Alat untuk pertanyaan seperti ini adalah uji khi-kuadrat (chi-square test, sering ditulis χ², dibaca “kai kuadrat”).

Inti gagasannya cukup satu kalimat: bandingkan apa yang kita amati ($O$, dari observed) dengan apa yang seharusnya terjadi kalau dugaan dasar benar ($E$, dari expected), lalu ukur seberapa jauh keduanya berpisah. Artikel ini menuntun Anda dari nol — membangun frekuensi harapan, menghitung statistik $\chi^2 = \sum (O-E)^2/E$, menentukan derajat bebas, dan membaca p-value — untuk dua situasi pemakaian: uji kebaikan-suai (goodness of fit, satu variabel kategori) dan uji independensi (dua variabel kategori dalam tabel kontingensi). Semua angka bisa Anda lacak di workbook Excel pendamping dengan formula hidup.

Intuisi: Seberapa Jauh dari “Yang Diharapkan”

Bayangkan dadu yang Anda lempar 600 kali. Kalau dadu jujur, tiap mata mestinya muncul sekitar 100 kali — itulah frekuensi harapan $E$, cacahan yang diperkirakan kalau dugaan dasar (dadu jujur) benar. Yang benar-benar muncul di lemparan nyata disebut frekuensi amatan $O$. Tidak ada dadu jujur pun yang menghasilkan tepat 100–100–100–100–100–100; selalu ada selisih kecil karena keacakan. Pertanyaannya: selisih yang kita lihat masih wajar untuk dadu jujur, atau sudah terlalu besar sehingga lebih masuk akal kalau dadunya berat sebelah?

Uji khi-kuadrat menjawab dengan menumpuk semua selisih $O-E$ menjadi satu angka. Makin besar angkanya, makin jauh data dari dugaan dasar. Sebaran nilai yang mungkin untuk angka itu — kalau dugaan dasar benar — berbentuk kurva yang menceng ke kanan, dinamai sebaran khi-kuadrat.

Logikanya searah dengan semua uji hipotesis: kalau statistik $\chi^2$ hasil hitungan jatuh di ekor kanan (melewati nilai kritis, atau ekivalen $p < \alpha$), kita tolak $H_0$ — selisihnya terlalu besar untuk kebetulan. Kalau tidak, kita gagal tolak $H_0$.

Rumus Inti

Kedua jenis uji khi-kuadrat memakai statistik uji yang sama:

$$\chi^2 = \sum \frac{(O - E)^2}{E}$$

Penjelasan tiap lambang:

• $\chi^2$ (huruf Yunani chi) = nama statistik uji. Nilainya selalu $\geq 0$ karena pembilangnya dikuadratkan.
• $O$ = frekuensi amatan, cacahan yang benar-benar dihitung di tiap kategori (mis. 140 orang pilih Alpha).
• $E$ = frekuensi harapan, cacahan yang diperkirakan kalau $H_0$ benar.
• $(O-E)$ = selisih amatan dari harapan untuk satu kategori. Misalnya $140-140=0$.
• $\sum$ = “jumlahkan suku $(O-E)^2/E$ untuk semua kategori (atau semua sel tabel)”.

Mengapa dibagi $E$? Selisih 5 itu besar atau kecil tergantung skalanya. Meleset 5 dari harapan 100 hampir tak berarti; meleset 5 dari harapan 8 sudah mencolok. Membagi dengan $E$ membuat tiap selisih relatif terhadap besarnya cacahan yang diharapkan — meleset jauh pada kategori berisi sedikit data dihukum lebih berat.

Mengapa $(O-E)$ dikuadratkan? Sama seperti pada varians: kalau selisih dijumlahkan apa adanya, yang positif dan negatif saling membatalkan. Mengkuadratkan menghilangkan tanda sekaligus memberi bobot ekstra pada selisih yang jauh.

Ada dua situasi pemakaian, dan keduanya memakai rumus di atas. Yang berbeda hanya cara menghitung $E$ dan cara menghitung derajat bebas.

Mode 1 — Uji Kebaikan-Suai: Apakah Preferensi Merek Cocok dengan Klaim Pangsa?

Hipotesis

Jenis pertama memeriksa satu variabel kategori. Kita kembali ke kasus preferensi merek. Tim sales mengklaim pangsa pasar Alpha 35%, Beta 25%, Gamma 25%, Delta 15%. Survei menjaring 400 responden. Hipotesisnya:

• $H_0$: preferensi sesuai klaim — Alpha 35%, Beta 25%, Gamma 25%, Delta 15%.
• $H_1$: preferensi tidak sesuai klaim.

Perhatikan hal penting yang sering disalahpahami pemula: $H_0$ tidak harus seragam. Kalau kita tidak punya teori pangsa, $H_0$ bisa saja “seragam 25% masing-masing” — dan itu yang akan kita uji sebagai varian kedua nanti. Pilihan $H_0$ harus didasarkan pada teori, riset sebelumnya, atau klaim bisnis yang sedang dievaluasi, bukan asal-asalan. Mengubah $H_0$ bisa membalikkan keputusan, seperti akan kita lihat.

Langkah 1 — Frekuensi Amatan dan Harapan

Data amatan dan peluang $H_0$:

Frekuensi harapan untuk tiap kategori adalah total amatan dikalikan peluang di bawah $H_0$:

$$E_i = (\text{total amatan}) \times p_i$$

Sehingga $E_{\text{Alpha}} = 400 \times 0{,}35 = 140$, $E_{\text{Beta}} = 400 \times 0{,}25 = 100$, $E_{\text{Gamma}} = 100$, $E_{\text{Delta}} = 60$. Perhatikan jumlah $E$ harus sama dengan total amatan: $140+100+100+60 = 400$ ✓. Ini pemeriksaan kewarasan yang selalu harus dilakukan.

Langkah 2 — Tabel Bantu $(O-E)^2/E$

Susun satu kolom tambahan per suku agar setiap angka terlihat, persis seperti di lembar 2_GOF_MEREK workbook pendamping:

Lagi-lagi kolom $O-E$ menjumlah nol — itulah alasan mengkuadratkan dulu sebelum menjumlah. Sekarang kita bisa membaca lebih jauh: kontribusi terbesar terhadap $\chi^2$ datang dari sel Gamma dan Delta — merek yang amatannya paling meleset dari harapan secara relatif. Alpha dan Beta berpisah nol persis, sehingga tak menyumbang apa-apa. Membaca tabel kontribusi seperti ini sering lebih informatif daripada sekadar melihat angka $\chi^2$ akhir.

Langkah 3 — Statistik $\chi^2$

Jumlahkan kolom terakhir:

$$\chi^2 = 0 + 0 + 1{,}000 + 1{,}667 = 2{,}667$$

Langkah 4 — Derajat Bebas

Untuk uji kebaikan-suai, derajat bebasnya:

$$df = k - 1$$

dengan $k$ = banyak kategori. Di sini $df = 4 - 1 = 3$. Mengapa dikurangi satu? Karena begitu tiga cacahan ditentukan, yang keempat terpaksa mengikuti (totalnya wajib 400) — jadi hanya tiga yang benar-benar “bebas”. Ini pola yang sama seperti pada tabel frekuensi dan akan muncul lagi di uji independensi.

Langkah 5 — p-value dan Keputusan

Nilai-p adalah peluang melihat $\chi^2 \geq 2{,}667$ kalau $H_0$ benar. Di Excel: =CHISQ.DIST.RT(2,667; 3) memberi $p = 0{,}4459$. Nilai kritis untuk $\alpha = 0{,}05$ adalah =CHISQ.INV.RT(0,05; 3) $= 7{,}815$.

Karena $\chi^2 = 2{,}667 < 7{,}815$ (atau ekivalen $p = 0{,}4459 > 0{,}05$), kita gagal tolak $H_0$. Selisih amatan vs klaim ada — Gamma dan Delta sedikit meleset — tetapi selisih itu masih wajar untuk fluktuasi sampling pada $n=400$. Tidak ada bukti kuat untuk menolak klaim pangsa tim sales. Catatan penting: “gagal tolak” bukan “buktikan benar”; kita hanya tidak punya bukti cukup untuk menolak. Ini perbedaan filosofis yang dijelaskan rinci di artikel p-value.

Varian: Bagaimana Kalau $H_0$ Seragam?

Sekarang kita ganti $H_0$ jadi “tiap merek dipilih merata 25%” — klaim yang lebih lemah tanpa dasar teori pangsa. Peluang $H_0$ menjadi $\{0{,}25; 0{,}25; 0{,}25; 0{,}25\}$, sehingga $E_i = 400 \times 0{,}25 = 100$ untuk semua merek. Tabel bantunya:

$$\chi^2 = 26{,}000, \qquad df = 3, \qquad p = 0{,}0000095$$

Kali ini $p \ll 0{,}05$ — kita tolak $H_0$. Preferensi terlalu condong ke Alpha (140 vs harapan 100) untuk disebut kebetulan. Pelajaran kunci: dengan data amatan yang sama, mengganti $H_0$ dari “pangsa 35/25/25/15” ke “seragam 25%” membalikkan keputusan dari gagal-tolak menjadi tolak. Itulah mengapa pemilihan $H_0$ harus berhati-hati — berdasar teori atau klaim konkret, bukan asal. Lembar 3_GOF_SERAGAM di workbook memuat varian ini berdampingan dengan lembar pertama untuk membandingkan.

Mode 2 — Uji Independensi: Gender vs Pilihan Produk

Sekarang situasi kedua: kita punya dua variabel kategori dan ingin tahu apakah keduanya berhubungan. Sebuah e-commerce mencatat dua hal dari 320 pelanggan: gender (Pria/Wanita) dan pilihan produk utama bulan ini (Elektronik/Fashion/Makanan). Pertanyaan manajer: apakah pilihan produk bergantung pada gender?

Tabel Amatan (Tabel Kontingensi)

Data disusun dalam tabel kontingensi — tabel silang cacahan, dengan satu variabel di baris dan satu di kolom:

Baris dan kolom “Total” disebut jumlah pinggir (marginal totals). Jumlah besar $N = 320$.

Hipotesis

• $H_0$: gender dan pilihan produk saling bebas (tidak ada hubungan).
• $H_1$: keduanya berhubungan — pilihan produk bergantung pada gender.

Langkah 1 — Frekuensi Harapan Tiap Sel

Inilah inti uji independensi. Kalau dua variabel benar-benar bebas, cacahan tiap sel dapat diperkirakan dari jumlah pinggirnya saja:

$$E_{ij} = \frac{(\text{Total baris}_i) \times (\text{Total kolom}_j)}{N}$$

Gagasannya: kalau gender tak berpengaruh, proporsi pelanggan yang memilih tiap produk mestinya sama di Pria dan Wanita, ditentukan oleh total kolom. Sel Pria–Elektronik misalnya:

$$E_{\text{Pria, Elektronik}} = \frac{150 \times 100}{320} = \frac{15.000}{320} = 46{,}875$$

Diulang untuk kesembilan sel, didapat tabel harapan:

Periksa kewarasan: tiap jumlah pinggir tabel harapan sama persis dengan tabel amatan ($46{,}875+56{,}250+46{,}875=150$; dst). Ini selalu terjadi secara matematis — itu konsekuensi rumusnya. Catatan penting: $E$ tidak harus bulat; 46,875 adalah harapan yang sah meskipun tidak mungkin ada “0,875 orang” di dunia nyata — itu rata-rata yang diharapkan bila eksperimen diulang berkali-kali.

Langkah 2 — Tabel Kontribusi $(O-E)^2/E$ per Sel

Hitung satu per satu sel:

Kontribusi terbesar datang dari sel Pria–Eletronik dan Wanita–Elektronik (masing-masing 3,675 dan 3,243). Pola ceritanya: Pria lebih banyak memilih Elektronik daripada yang diharapkan (60 vs 46,875), dan Wanita lebih sedikit (40 vs 53,125). Inilah petunjuk awal arah hubungan — sesuatu yang angka $\chi^2$ sendiri tidak tunjukkan, tapi tabel kontribusi ya.

Langkah 3 — Statistik $\chi^2$

$$\chi^2 = 3{,}675 + 0{,}694 + 1{,}008 + 3{,}243 + 0{,}613 + 0{,}890 = 10{,}123$$

Langkah 4 — Derajat Bebas

Untuk uji independensi, derajat bebasnya:

$$df = (b - 1)(k - 1)$$

dengan $b$ = banyak baris dan $k$ = banyak kolom. Di sini $df = (2-1)(3-1) = 1 \times 2 = 2$. Intuisinya: begitu kita mengisi cukup sel untuk menentukan semua jumlah pinggir, sel-sel sisanya terpaksa mengikuti. Pada tabel $2 \times 3$, cukup 2 sel “bebas” — sisanya ditentukan oleh total baris/kolom.

Langkah 5 — p-value, Keputusan, dan Ukuran Efek

Nilai-p: =CHISQ.DIST.RT(10,123; 2) $= 0{,}0063$. Nilai kritis $\alpha=0{,}05$: =CHISQ.INV.RT(0,05; 2) $= 5{,}991$.

Karena $\chi^2 = 10{,}123 > 5{,}991$ (atau $p = 0{,}0063 < 0{,}05$), kita tolak $H_0$: ada bukti yang cukup untuk menyatakan gender dan pilihan produk berhubungan.

Tapi tunggu — seberapa kuat hubungannya? $\chi^2$ signifikan pada sampel besar bisa saja menandai hubungan yang lemah secara praktis. Ukuran efek untuk tabel kontingensi adalah Cramér’s $V$:

$$V = \sqrt{\frac{\chi^2}{N \cdot \left(\min(b, k) - 1\right)}}$$

Dengan $\min(b,k)-1 = \min(2,3)-1 = 1$:

$$V = \sqrt{\frac{10{,}123}{320 \times 1}} = \sqrt{0{,}0316} \approx 0{,}178$$

Aturan praktis untuk $V$: $\approx 0{,}1$ kecil, $\approx 0{,}3$ sedang, $\approx 0{,}5$ besar. Maka $V \approx 0{,}18$ berarti hubungan signifikan secara statistik tetapi kecil secara praktis — gender memang memengaruhi pilihan produk, tapi pengaruhnya lemah; banyak faktor lain bekerja. Melaporkan kedua angka ($\chi^2$ dengan $p$, dan $V$) adalah praktik baik yang mencegah pembaca berlebihan menafsirkan hasil signifikan.

Rumus di Excel: Manual vs Fungsi Bawaan

Setelah paham asal-usulnya, di Excel cukup pakai fungsi bawaan — tetapi penting memahami bahwa semua fungsi ini menghitung persis apa yang baru saja kita kerjakan dengan tangan:

=CHISQ.TEST(O_range; E_range)         → p-value langsung            (GoF maupun independensi)
=CHISQ.DIST.RT(chi2; df)              → p-value dari χ² hasil manual
=CHISQ.INV.RT(alpha; df)              → χ²-kritis untuk ambang α
=SUMXMY2(O_range; E_range)/...         → bahan bantu hitung (O−E)²

Untuk uji kebaikan-suai, CHISQ.TEST menerima dua rentang satu dimensi (vektor $O$ dan $E$). Untuk uji independensi, ia menerima dua matriks (tabel $O$ dan tabel $E$). Inilah mengapa di workbook pendamping, sel verifikasi =CHISQ.TEST(C6:E7; C12:E13) memberi persis $0{,}0063$ yang sama dengan perhitungan manual $\chi^2 = 10{,}123$ lalu CHISQ.DIST.RT. Kedua jalan tiba di angka yang sama — selama $E$ dihitung benar.

Bedanya hanya satu: sekarang Anda tahu dari mana angka itu datang, dan kapan tidak boleh mempercayainya buta. Fungsi =CHISQ.TEST tidak akan memperingatkan Anda ketika ada sel dengan $E < 5$ (pelanggaran asumsi), atau ketika $H_0$ yang Anda pilih keliru. Hanya pemahaman tentang mekanisme di baliknya yang menyelamatkan.

⬇ Unduh chi-square-template.xlsx

Workbook pendamping berisi enam lembar yang menelusuri seluruh perjalanan di atas dengan formula hidup — ubah angka di sel biru, dan semua $\chi^2$, df, p-value, serta keputusan mengalir ulang:

• 1_PANDUAN — peta lembar, petunjuk pemakaian, dan rumus inti.
• 2_GOF_MEREK — Mode 1 kebaikan-suai: preferensi 4 merek vs pangsa pasar 35/25/25/15% (hasil: gagal tolak). Input $O$ dan peluang $H_0$ di sel biru.
• 3_GOF_SERAGAM — varian $H_0$ seragam pada merek yang sama (hasil: tolak). Berdampingan untuk membandingkan bagaimana $H_0$ membalikkan keputusan.
• 4_INDEP_GENDER — Mode 2 independensi: gender $\times$ pilihan produk. Tabel amatan $O$, tabel harapan $E = (R \times C)/N$, tabel kontribusi $(O-E)^2/E$, plus Cramér’s $V$.
• 5_KOMPARASI — ringkasan keempat hasil uji (tertaik dari lembar masing-masing) + tabel “kasus → uji mana yang tepat” + aturan pakai $\chi^2$.
• 6_CHART — bar chart amatan vs harapan (GoF) dan kontribusi tiap sel (independensi), untuk membaca sel mana yang paling banyak menyumbang $\chi^2$.

Asumsi dan Kapan Tidak Boleh Pakai χ²

Uji khi-kuadrat punya beberapa asumsi yang sering dilanggar tanpa disadari:

1. Data berupa cacahan (frekuensi), bukan persentase atau rata-rata. Pelanggaran paling umum: user mengubah dulu ke persen lalu menguji. Total amatan jadi 100, bukan $N$, dan $E$ jadi salah. Selalu pakai cacahan mentah.
2. Frekuensi harapan $E \geq 5$ di tiap sel (boleh beberapa sel dengan $E \geq 1$). Kalau ada $E < 5$ — umum pada kategori dengan sampel kecil atau tabel besar yang jarang — solusinya: gabungkan kategori (collapse) yang berdekatan maknanya. Kalau tidak bisa digabung, pakai uji eksak Fisher untuk tabel $2 \times 2$.
3. Observasi saling bebas. Satu subjek hanya boleh dihitung satu kali, di satu sel. Data berpasangan atau berulang (panel, before-after) melanggar asumsi — pakai McNemar untuk $2 \times 2$ berpasangan.
4. Sampel diambil acak dari populasi yang ingin diinferensi. Sampel kemudahan (convenience sample) melemahkan klaim inferensial meski $\chi^2$ bisa dihitung.
5. Variabel bersifat kategoris (nominal/ordinal). Kalau salah satu variabel numerik kontinu, jangan dipaksa jadi kategori dulu — gunakan korelasi, uji-t, atau ANOVA.

Cek Pemahaman

1. Pada Mode 1 varian seragam, hitung ulang $\chi^2$ dengan menghapus kategori Delta (sehingga hanya Alpha/Beta/Gamma, $n=330$ dengan $O=\{140,100,90\}$, $E=\{110,110,110\}$). Berapa $\chi^2$ dan df barunya, dan apakah keputusan berubah dari versi 4-kategori?

Lihat jawaban

$O-E = \{30, -10, -20\}$, $(O-E)^2 = \{900, 100, 400\}$, $(O-E)^2/E = \{8{,}182; 0{,}909; 3{,}636\}$. Maka $\chi^2 = 12{,}727$, $df = k-1 = 3-1 = 2$. Nilai kritis $\alpha=0{,}05$: =CHISQ.INV.RT(0,05; 2) $= 5{,}991$. Karena $12{,}727 > 5{,}991$, keputusan tetap tolak $H_0$. Tetapi angka $\chi^2$ dan df berubah — perbandingan langsung antar uji harus dilakukan pada $k$ yang sama. Pelajaran: menghapus kategori mengubah uji secara substansial, bukan sekadar menyederhanakan.

2. (Soal asumsi.) Seorang peneliti punya tabel kontingensi $3 \times 4$ dengan total $N = 50$. Ia menemukan dua sel punya $E < 5$. Apa dua langkah konkret yang harus ia lakukan sebelum melaporkan hasil $\chi^2$?

Lihat jawaban

(a) Gabungkan kategori yang menghasilkan $E$ kecil — misalnya gabung dua kolom atau dua baris yang berdekatan maknanya sehingga setiap sel hasil punya $E \geq 5$, lalu hitung ulang df sesuai ukuran tabel baru. (b) Jika penggabungan tidak masuk akal secara substantif (mis. kategori tidak berkerabat), gunakan alternatif: uji eksak Fisher (untuk tabel $2 \times 2$) atau likelihood-ratio $G^2$ dengan koreksi, atau laporkan $\chi^2$ dengan peringatan eksplisit bahwa asumsi $E \geq 5$ dilanggar sehingga hasil perlu dikonfirmasi dengan simulasi (Monte Carlo). Mengabaikan pelanggaran dan melaporkan $\chi^2$ apa adanya adalah praktik buruk.

3. Sebuah studi melaporkan tabel $4 \times 5$ dengan $N = 2.000$ menghasilkan $\chi^2 = 35{,}2$, $df = 12$, $p = 0{,}0005$, dan Cramér’s $V = 0{,}07$. Bagaimana Anda menafsirkan hasil ini, dan apa peringatan yang harus disertakan?

Lihat jawaban

Hasilnya signifikan secara statistik ($p < 0{,}001$) tetapi sangat lemah secara praktis ($V = 0{,}07$, jauh di bawah ambang “kecil” 0,1). Ini pola klasik sampel besar: pada $N = 2.000$, bahkan selisih kecil dari independensi sempurna menghasilkan $\chi^2$ yang melampaui nilai kritis. Peringatan wajib: (a) signifikansi statistik bukan signifikansi praktis — laporkan $V$ secara menonjol, bukan hanya $p$; (b) efek sebesar ini mungkin tidak relevan untuk pengambilan keputusan; (c) pada sampel sangat besar, pertimbangkan ukuran efek dan interval kepercayaan sel $O/E$ (residual terstandar) ketimbang $p$-value saja.

Kesalahan Umum

Menguji persentase, bukan cacahan. Mengubah $O$ ke persen sebelum menguji membuat total $= 100$ bukan $N$, sehingga $E$ dihitung salah dan $\chi^2$ mengecil/membesar keliru. Selalu pakai cacahan mentah; persentase baik untuk pelaporan naratif, bukan untuk input $\chi^2$.

Melaporkan $\chi^2$ tanpa ukuran efek. $\chi^2$ sensitif terhadap $N$: sampel besar membuat hampir semua hubungan “signifikan”. Tanpa Cramér’s $V$ (atau phi untuk $2 \times 2$), pembaca tidak tahu apakah hubungan itu kuat atau cuma kebetulan statistik. Selalu lampirkan $V$.

Mengabaikan asumsi $E \geq 5$. Sel dengan $E$ kecil menyumbang $(O-E)^2/E$ yang besar dan tidak stabil, menggelembungkan $\chi^2$ dan menambah peluang error Tipe I. Periksa tabel $E$ dulu; gabungkan kategori bila perlu.

Menggunakan $\chi^2$ pada data berpasangan. Uji independensi mengasumsikan dua sampel bebas. Data before-after, kembar, atau panel melanggar asumsi — gunakan McNemar ($2 \times 2$ berpasangan) atau Cochran’s Q (lebih dari dua kondisi berpasangan).

Mengira $H_0$ harus seragam. Banyak buku ajar memakai contoh dadu/koin sehingga $H_0$ seragam terlihat seperti default. Padahal $H_0$ bisa — dan sering harus — berupa distribusi non-seragam: pangsa pasar, proporsi genetik Hardy–Weinberg, distribusi historis. Pemilihan $H_0$ menentukan keputusan, seperti ditunjukkan Mode 1 di atas.

Dipakai di Dunia Nyata

• Pemasaran. Uji kebaikan-suai untuk membandingkan preferensi merek dengan klaim pangsa pasar (Mode 1 kami); uji independensi untuk menyilangkan segmen demografis (gender, wilayah, kelompok usia) dengan pilihan produk, saluran pembelian, atau respons kampanye (Mode 2).
• Riset operasi & kualitas. Apakah cacat produksi terdistribusi merata antar shift/mesim/line? Uji kebaikan-suai terhadap $H_0$ seragam. Apakah tipe cacat berhubungan dengan lini produksi? Uji independensi pada tabel kontingensi.
• Kedokteran & epidemiologi. Hubungan paparan (merokok/tidak) dengan status penyakit (sakit/sehat) adalah tabel $2 \times 2$ klasik — basis perhitungan odds ratio dan risiko relatif. Uji independensi menentukan apakah asosiasi teramati cukup kuat sebelum menghitung ukuran efeknya.
• Sosial & sumber daya manusia. Apakah gender berhubungan dengan promosi? Apakah wilayah dengan preferensi partai berbeda dari nasional? Semua dijawab lewat tabel kontingensi dan $\chi^2$, lalu dilanjutkan ke analisis residual untuk menunjuk sel mana yang paling bertanggung jawab.
• Genetika. Apakah distribusi golongan darah atau genotipe cocok dengan proporsi Hardy–Weinberg? Uji kebaikan-suai dengan $H_0$ teoretis (bukan seragam) adalah alat standar.

Lanjutan

Uji khi-kuadrat adalah pintu masuk ke seluruh statistik untuk data kategoris. Begitu $\chi^2$ dari nol Anda kuasai — termasuk membedakan kedua mode, memilih $H_0$, dan melaporkan Cramér’s $V$ — lompatan berikutnya akan terasa wajar.

• Berikutnya: ANOVA — kalau variabel dependen Anda numerik (bukan kategori) dan variabel independen kategori dengan 3+ grup, ANOVA adalah alat yang tepat, bukan $\chi^2$. ANOVA membelah varians, $\chi^2$ membandingkan cacahan.
• Keluarga kategoris: uji McNemar (berpasangan), Fisher’s exact (sampel kecil), Cochran’s Q (3+ kondisi berpasangan), dan Cramér’s $V$ / phi (ukuran efek) — semua memperluas $\chi^2$ ke situasi yang asumsinya dilanggar.
• Inferensi: Uji Hipotesis dan p-value — kerangka keputusan tolak/gagal-tolak, error Tipe I/II, dan kekuatan uji yang berlaku untuk $\chi^2$ seperti halnya uji-t.
• Regresi untuk kategori: materi regresi logistik (logit/probit) memodelkan variabel dependen biner sebagai fungsi beberapa prediktor — generalisasi yang lebih kaya daripada tabel kontingensi tunggal.