1.

Cramer
Pembahasan tentang koefisien Cramer dibagi menjadi tiga bagian. Dalam bagian pertama akan diuraikan bagaimana menentukan koefisien Cramer itu sendiri. Bagian kedua membahas bagaimana menguji signifikansi hubungan di antara dua variabel tersebut. Bagian ketiga menguraikan masalah yang bisa muncul apabila cukup banyak expected frequencies yang bernilai kurang dari 5 dalam sel-sel tabel kontingensi yang dipergunakan dalam operasional penghitungan koefisien Cramer. A. Nilai Koefisien Cramer Misalkan kita memiliki dua variabel kategorik X dan Y yang akan ditentukan derajat hubungan/asosiasi di antara keduanya. Misalkan X memiliki k buah kategori (yaitu Xl, X2, ..., Xk) dan Y memiliki r buah kategori (yaitu Y1, Y2, ..., Yr). Kemudian kita tempatkan frekuensi tergolongnya masing-masing datum ke dalam kategori-kategori yang tersedia menggunakan tabel yang selanjutnya disebut tabel kontingensi. Format tabel tersebut adalah sebagai berikut.

Dengan: nij = banyaknya data yang tergolong ke dalam kategori Xi dan Yj

Kemudian terhadap masing-masing nij kita pasangkan nilai-nilai Eij yang ditentukan sebagai berikut:

Eij pada dasarnya adalah banyaknya data yang diharapkan tergolong ke dalam Xi dan Yj dengan asumsi tidak ada Hubungan lasosiasi di antara X dan Y ("Tak ada hubungan" inilah yang menjadi hipotesis nol dalam uji signifikansi koefisien Cramer inil) Setelah itu, kita hitung statistik X2 berikut ini:

Kemudian hitunglah dengan L= min(r,k).

B. Uji Signifikansi Koefisien Cramer Uji ini dilakukan dengan hipotesis nol bahwa tak ada hubungan/asosiasi/korelasi di antara kedua variabel yang sedang diamati. Jadi, HO: .0 =0. Menguji apakah C secara signifikan tidak sama dengan nol identik dengan menguji apakah X2 secara signifikan tidak sama dengan nol. ini adalah akibat dari C = 0 X2 = 0. Karena X2 berdistribusi chi-square untuk sampel yang besar, signifikansi C pun dapat diuji dengan distribusi chi-square. Secara praktis, signifikansi ini dapat diuji dengan bantuan tabel nilai kritis distribusi chi- square dengan derajat kebebasan df = (r- 1)(k-1). Apabila X2 yang diperoleh dari (**), yang selanjutnya ditulis X2hitung, Iebih besar dari nilai kritis yang diperoleh dari tabel tersebut pada taraf nyata ( ) yang ditentukan sebelumnya, tolak HO dan simpulkan bahwa terdapat hubungan yang signifikan di antara kedua variabel yang sedang dianalisis. Contoh Kasus: Misalkan kita tertarik untuk mengetahui apakah ada hubungan antara jenis BBM yang digunakan dengan benua asal sedan itu dibuat. Misalnya, apakah sedan asal Eropa Iebih cenderung menggunakan Pertamax Plus daripada jenis BBM Iainnya? Asumsikan jenis BBM yang tersedia adalah Premium, Pert am ax, dan Per tam ax Plus. Sedangkan benua asal sedan

dibatasi pada Asia, Eropa, dan Amerika. Dalam rangka menjawab pertanyaan itu, dilakukan sampling yang sesuai untuk keperluan itu, dan diperoleh hasil sebagai berikut:
Tabel 2 Tabel Kontingensi bagi Contoh Kasus

Asia Premium Pertamax Pertamax Plus Jumlah 175 80 45 300

Eropa 26 45 45 116

Amerika 7 8 19 34

Jumlah 208 133 109 450

Note: Isi tabel tersebut diartikan sebagai berikut. Di antara 300 mobil Asia yang dijadikan sampel, 175 di antaranya menggunakan Premium, 80 menggunakan Pertamax, dan 45 menggunakan Pertamax Plus. Di antara 116 mobil Eropa yang dijadikan sampel, 26 menggunakan Premium, 45 menggunakan Pertamax, dan 45 menggunakan Pertamax Plus. Di antara 34 mobil Amerika yang dijadikan sampel, 7 menggunakan Premium, 8 menggunakan Pertamax, dan 19 menggunakan Pertamax Plus. Langkah berikutnya adalah dengan melengkapi sel-sel pada tabel tersebut dengan expected frequencies. Gunakan rumus (*) untuk menentukan frekuensifrekuensi ini. Jadi, kita peroleh tabel berikut: Tabel 3 Tabel Kontingensi bagi Contoh Kasus Dilengkapi dengan Expected Frequencies-nya Asia Premium Pertamax Pertamax Plus Jumlah 175 [138,7] 80 45 300 [88,7] [72,7] 26 45 45 116 Eropa [53,6] [34,3] [28,1] 7 8 Amerika [15,7] [10,0] Jumlah 208 133 109 450

19 [8,2] 34

X2 dihitung dengan rumus (**) sebagai berikut. Untuk menghitung derajat hubungan C, tentukan terlebih dahulu L= min(3,3) = 3. Substitusikan kedua hasil perhitungan tersebut ke dalam (***), diperoleh Dengan taraf nyata = 0,05 dan derajat kebebasan df = 4 pada tabel nilai kritis 2 diperoleh nilai kritis 9,49. Karena X2hitung = 68,07 > 9,49 (= nilai kritis), kita simpulkan bahwa jenis BBM yang digunakan secara signifikan berhubungan dengan benua asal sedan dibuat. C. Peleburan Kategori Terdapat ketentuan bahwa tak boleh lebih dari 20% expected frequencies bernilai kurang dari 5. Apabila lebih dari 20% expected frequencies bernilai kurang dari 5, harus dilakukan peleburan kategori (kategori variabel mana pun). Tabel 4 Contoh Tabel Kontingensi yang Memerlukan Peleburan Kategori Xi Y1 Y2 Y3 Jumlah 6 5 4 15 [4,3] [6,4] [4,3] X2 2 [3,4] 5 [5,1] 5 [3,4] 12 4 8 3 15 X3 [4,3] [6,4] [4,3] Jumlah 12 18 12 42

Perhatikan bahwa Iebih dari 20% expected frequencies bernilai kurang dari 5. Karena itu beberapa kategori harus dilebur sedemikian hingga masalah tersebut teratasi. Apabila kategori Y1 dan Y3 dilebur, diperoleh hasil berikut. Xi Yi atau Y3 Y2 Jumlah 10 5 15 [8,6] [6,4] 7 5 12 [6,9] [5,1] X2 7 8 15 [8,6] [6,4] X3 24 18 42 Jumlah

D. Rationale Penggunaan Uji Chi- S q u a r e d a l a m S i g n i f i k a n s i Koefisien Cramer Uji Chi-Square telah dikenal secara luas di kalangan statistikawan sebagai uji kebaikansuai (goodness-of-fit). Uji ini senantiasa membandingkan antara yang teramati (observed) di lapangan/eksperimen dengan yang seharusnya terjadi (expected) . Secara lebih tepat dikatakan

bahwa uji chi- square digunakan untuk menguji apakah suatu data berasal dari populasi yang berdistribusi (peluang) tertentu. Uji chi- square untuk kebaikan-suai selalu menggunakan hipotesis nol HO: Data berasal dari populasi dengan distribusi tertentu, dan hipotesis alternatif H1: Data tidak berasal dari populasi dengan distribusi tersebut. Bagaimana uji chi- square diterapkan dalam uji signifikansi koefisien Cramer dapat dijelaskan sebagai berikut. Perhatikan Tabel 1. Misalkan notasi P(Xi,Yj) = peluang suatu objek tergolong kategori Xi dan kategori Yj, P(Xi) = peluang suatu objek tergolong kategori Xi, dan P(Yj) = peluang suatu objek tergolong kategori Yj. Apabila X dan Y saling bebas (stochastically independent),

Mengingat definisi peluang empiris, bentuk tersebut dapat dinyatakan sebagai:

dengan Eij adalah banyaknya kemunculan yang diharapkan (expected number of occurance). Dengan mengalikan kedua ruas dengan N, diperolehlah Perhatikan bahwa kumpulan nilai P(Xi,YD membentuk suatu distribusi peluang, yang dalam hal ini tersusun atas asumsi hipotesis nol berlaku (X dan Y bebas stokastik). Apabila ternyata data hasil sampling yang menurut ukuran jauh' berbeda/berselisih dengan yang seharusnya terjadi menurut asumsi yang dinyatakan dalam HO , kita sinnpulkan bahwa distribusi peluang variabel yang kita tinjau secara signifikan berbeda dengan distribusi peluang yang diasumsikan (dalam hal ini: kedua variabel independen).

1 Maka dari itu, statistik x2 lazim dinyatakan I Uji ini merupakan alternatif uji Anderson-Darling dan Kolmogorov-Smimov. Kedua uji ini hanya applicable untuk distribusi peluang kontinu. E. Perbandingan Koefisien Cramer dengan Koefisien Korelasi Lainnya Terdapat kesamaan dan perbedaan antara koefisien korelasi Cramer dengan koefisien korelasi Pearson (Product Moment), Spearman, dan Kendall. Dengan memperhatikan (***), secara seketika dapat disimpulkan bahwa 0 C 1. Nilai C tak

mungkin negatif. In' berbeda dengan koefisien korelasi untuk variabel berskala data ordinal, interval, maupun rasio. In' dapat dipaharni karena data nominal tidak mengenal urutan. Kesamaan koefisien Cramer dengan koefisien korelasi Pearson, Spearman, dan Kendall adalah dalam hal penafsiran nilai 0 dan 1 bagi koefisien korelasi Cramer. Nilai nol bagi C menandakan tak adanya hubungan di antara kedua variabel, sedangkan nilai satu menandakan hubungan sempurna di antara keduanya.

2. koefisien korelasi pi
Koefisien phi dirancang untuk peubah dikhotom. Kita mempunyai dua peubah, peubah I dan peubah II yang hasil amatannya clIsajikan dalam bentuk tabel Kontingensi 2 x 2 Kategori Peubah II 1 2 Total 1 a c a+c Kategori Peubah I 2 b d b+d Total a+b c+d

Koefisien phi adalah:

Nilai phi diantara 1 dan 1 Hubungannya dengan X2 adalah

Yang mempunyai sebaran khi-kuadrat dengan 1 derajat. Apabila dua data misalnya X dan Y adalah kedua-duanya dikotomi, maka rumus koefisien korelasi liniernya dapat disederhanakan A X Y 1 1 B 1 0 B D B+D A+B C+D C 0 1 D 0 0

Koefisien korelasi linier di antara dua data dikotomi dikenal sebagai koefisien phi () + +

A C A+C

Rumus koefisien phi (frekuensi)

AD BC ( A B )( C D )( A C )( B D )

Dalam bentuk proporsi + +

pB pD pB + pD pA + pB pC + pD

pA pC pA + pC

Rumus koefisien phi (proporsi) Dalam bentuk frekuensi atau proporsi, A dan D adalah komponen sama B dan C adalah komponen berbeda di antara dua data itu Contoh 1: Pada jajak pendapat, hasilnya adalah Pria 1 1 1 1 1 1 0 0 0 0

Wanita 1 1 1 1 0 0 1 0 0 0 pria ya tidak 2 3 5 tidak wanita ya 4 1 5

6 4

Di sini

A = 4, D = 3 B=2 C=1

(sama ya sama tidak) (satu ya lainnya tidak)

Koefisien phi

(4)(3) (2)(1) (6)(4)(5)(5)

10 24,5 0,41

Contoh 2: Pada studi pelecehan seksual ditempat kerja. peneliti mengambil contoh pekerja yang bukan manager. ditanya apakah mereka pernah mendapat pelecehan seksual ditempat kerja. Hasilnya setelah diklasifikasi berdasar jenis kelamin dan adanya pelecehan adalah Pelecehan seksual Jenis kelamin Laki-laki Wanita Total Ya 15 50 65 Tidak 25 25 60 Total 50 75 125

= 0,3595
Untuk uji nyata kita gunakan X2= 125 (-0,3595)2= 16.16 Karena 16.16 3.841, Tolak Jadi kita simpulkan ada asosiasi antara Jenis kelamin dan Pelecehan seksual. Nilai P kurang dari 0,005

Kesimpulan 1. Agar dua variabel dapat ditentukan koefisien korelasinya, tak perlu kedua variabel tersebut berskala data interval atau rasio. Variabel-variabel nominal pun dapat ditentukan koefisien korelasinya. Koefisien Cramer merupakan salah satu alternatif untuk menentukan kekuatan asosiasi di antara dua variabel apabila ada di antara keduanya berskala data kategorik. Seperti halnya pada koefisien korelasi Pearson, koefisien Cramer C senantlasa memenuhi 0 C 1. Nilai nol bagi C menunjukkan bahwa tak ada asosiasi di antara kedua variabel, sedangkan nilai 1 menunjukkan asosiasi sempurna di antara keduanya. Cramer juga memfasilitasi uji signifikansi korelasi di antara dua variabel tersebut. 2. Teknik korelasi yang digunakan untuk jenis data nominal nominal 3. Mengkorelasikan jumlah f rekwensi antar kategori pada variabel X dan Y 4. Hanya bisa diguakan untuk tabel 2x2