# Kalkulator Uji Independensi Chi-Square
Sementara alat klasik seperti A/B Test atau Statistik Deskriptif bekerja sangat baik dengan angka kontinu (rata-rata, pendapatan, berat), dunia nyata penuh dengan data kategorikal (warna, merek, tingkat kepuasan). Kalkulator Independensi Chi-Square adalah uji "Raja" untuk menentukan secara analitis apakah dua variabel kualitatif terhubung secara statistik atau apakah mereka bervariasi secara independen satu sama lain. Tabel Dinamis hingga 3×3
Cramér's V Kekuatan Asosiasi
Heatmap Residual & Deviasi
# Untuk apa sebenarnya Statistik Chi-Square (χ²) digunakan?
Uji Independensi Chi-Square membandingkan Frekuensi Teramati (angka sebenarnya yang telah Anda ukur dan kumpulkan) dengan Frekuensi Harapan (hitungan yang kita harapkan di setiap sel jika tidak ada interaksi sama sekali antar variabel).Variabel Dependen (Hubungan Ada)
Proporsi satu kategori sangat bervariasi tergantung pada kategori lainnya.
- Contoh: Pengunjung seluler lebih menyukai Desain A, tetapi pengguna PC lebih menyukai Desain B.
- Nilai Chi-Square (χ²) melonjak dan P-Value turun.
- Cramér's V menunjukkan kekuatannya (misalnya Kuat > 0,5).
Variabel Independen (Kebetulan)
Proporsi tetap stabil di semua level.
- Contoh: Warna mata pelanggan tidak memengaruhi merek mobil yang mereka beli.
- Chi-Square sangat kecil dan P-Value lebih besar dari 0,05.
- Hipotesis Nol tidak dapat ditolak.
# Cramér's V: Memahami Kekuatan Hubungan
Mendapatkan P-Value yang sangat rendah tidak berarti variabel terhubung secara 'intens'; itu hanya menunjukkan bahwa kebetulan tidak mungkin menjadi penyebabnya (mungkin karena Anda memiliki puluhan ribu kasus nyata). Untuk mengukur 'ukuran efek', kami secara otomatis menyertakan Koefisien Cramér's V.| Kalkulator (Nilai V) | Peringkat Analitis | Terjemahan |
|---|---|---|
| 0,00 hingga 0,10 | Asosiasi Nol / Trivial | Secara teoritis dependen, tetapi secara tidak terlihat dan tidak berguna untuk tujuan bisnis. |
| 0,11 hingga 0,30 | Asosiasi Lemah | Terdapat sedikit hubungan, tetapi banyak faktor eksternal lainnya yang lebih berpengaruh. |
| 0,31 hingga 0,50 | Asosiasi Moderat | Kedua karakteristik saling memengaruhi secara nyata. |
| Di atas 0,50 | Asosiasi Kuat | Hubungan yang sangat jelas. Mengetahui variabel A memprediksi variabel B dengan sangat baik. |
Kondisi Kelayakan Matematika
Waspadai sel yang kosong! Agar aproksimasi chi-square Pearson tetap kuat di bawah kurva lonceng, secara metodologi disyaratkan bahwa setidaknya 80% dari Frekuensi Harapan (bukan yang teramati) lebih besar dari 5, dan tidak ada sel yang di bawah 1. Jika kondisi ini tidak terpenuhi, indikator peringatan kami akan muncul, menyarankan Anda untuk menggabungkan kategori.# Heatmap Residual Bawaan
Untuk meningkatkan UX dan memfasilitasi kesimpulan laporan, matriks kami secara otomatis akan mewarnai latar belakang sel berdasarkan residual standar (deviasi) mereka:Nuansa hijau: Sel memiliki lebih banyak keberhasilan daripada yang diharapkan secara matematis.
Nuansa merah: Sel sangat "kosong" dibandingkan dengan norma yang diharapkan.
# Glosarium Chi-Square
- Frekuensi Teramati
- Hitungan tepat seperti yang Anda hitung secara fisik di lab atau survei.
- Frekuensi Harapan
- Perhitungan teoritis yang dihasilkan dari perkalian total baris dengan total kolom dibagi dengan total keseluruhan.
- Derajat Kebebasan (df)
- Kuantitas geometris dari data bebas. Ditemukan dengan mengurangi 1 dari jumlah baris dan kolom, lalu mengalikannya.
- Residual Standar
- Perbedaan yang dinormalisasi antara yang teramati dan yang diharapkan. Mengukur sel mana yang paling "mendorong" penemuan tersebut.