PENDAHULUAN
A. Latar Belakang
Ada beberapa alat analisis atau teknik statistik yang dapat digunakan untuk
menganalisis data. Salah satu alat bantu yang digunakan dalam pengolah data
adalah analisis tabulasi silang (crosstab) dan uji Kai Kuadrat (Chi Square). Tujuan
analisis data adalah untuk mendapatkan informasi yang relevan yang terdapat
dalam data tersebut dan menggunakan hasilnya untuk memecahkan suatu
masalah.
B. Rumusan Masalah
Berdasarkan latar belakang di atas, penulis merumuskan masalah sebagai
berikut :
C. Tujuan Penulisan
TINJAUAN PUSTAKA
Statistik dapat diartikan sebagai data, atau dalam arti luas dapat diartikan
sebagai alat, yaitu alat untuk analisis dan alat untuk membuat keputusan.
Sedangkan, statistika merupakan ilmu yang berhubungan dengan cara-cara
mengumpulkan, mengolah, menyajikan, menganalisis dan mencari keterangan
yang berarti dari data yang berupa bilangan-bilangan atau angka, sehingga dapat
ditarik suatu kesimpulan atau keputusan tertentu.1
1. Data kualitatif, yaitu data yang berbentuk kualitas atau berupa huruf, data
yang dikategorikan.
2. Data kuantitatif, yaitu data dalam bentuk bilangan (numerik) yang
menunjukkan jumlah atau banyaknya sesuatu unit.2
1. Skala nominal yaitu skala yang paling lemah diantara keempat skala
pengukuran. Skala ini merupakan skala pengukuran yang hanya memiliki
arti sebagai label saja dan tidak memiliki tingkatan. Contohnya jenis
kelamin dan agama.
1 Irwan dan Didi Haryono. Pengendalian Kualitas Statistik (Pendekatan Teoritis
dan Aplikatof). (ALFABETA, Bandung : 2015). h. 7.
C. Hipotesis
B1 B2 Total
A1 n11 n12 n1+
A2 n21 n22 n2+
Total n+1 n+2 n++ = 1
n11
P ( group1) n1
RR
P ( group 2) n21
n2
Nilai RR akan berkisar dari nol sampai tak terhingga. Sama halnya dengan OR
jika nilai RR-nya lebih besar dari 1 menunjukkan peluang untuk grup 1 lebih
besar daripada peluang untuk grup 2. Begitu juga sebaliknya, jika nilai RR-nya
kurang dari 1 maka peluang untuk grup 1 lebih kecil daripada peluang untuk grup
2. Nilai RR yang sama dengan 1 atau mendekati 1 mengindikasikan tidak ada
hubungan antara kedua variabel tersebut.5
Dasar dari uji chi square adalah membandingkan frekuensi yang diamati
dengan frekuensi yang diharapkan. Uji chi square digunakan untuk menguji
5 Anonim. https:parameterd.wordpress.com/2013/09/17odds-ratio-relative-
rasio/ (september 2013).
ketidaktergantungan dan homogenitas. Secara spesifik, uji chi square dapat
digunakan untuk menentukan :
Eij
Dengan :
Oij = hasil observasi (nilai frekuensi) pada baris ke-i kolom ke-j.
A. Program
Contoh kasus :
Lembaga Survei Kesehatan mengadakan penelitian tentang pengaruh jenis
kelamin terhadap kadar kolesterol. Penelitian dilakukan terhadap 100 orang
pasien. Berikut data dari 100 orang pasien poliklinik dalam RS X.
3. Klik Data View dan masukkan semua data berdasarkan kriteria value di
atas ke kolom yang bersesuaian.
4. Klik Analyze > Descriptive Statistics > Crosstabs.
7. Klik OK.
4. Klik variabel Kolesterol pada kolom Factor(s) lalu klik Define Range.
Pada kolom Minimum tuliskan angka 1 dan pada kolom Maximum
tuliskan angka 2. Klik Continu.
5. Klik variabel Jenis_Kelamin pada kolom Factor(s) lalu klik Define Range.
Pada kolom Minimum tuliskan angka 1 dan pada kolom Maximum
tuliskan angka 2. Klik Continu.
7. Klik OK.
B. Output
Crosstabs dan Chi_Square
Cases
Kolesterol *
100 100,0% 0 0,0% 100 100,0%
Jenis_Kelamin
Jenis_Kelamin
Chi-Square Tests
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 11,50.
b. Computed only for a 2x2 table
Risk Estimate
Loglinier
Missing 0
Jenis_Kelamin 2
Observed Expected
> 239 (Tinggi) Laki laki 12,500 12,5% 12,500 12,5% ,000 ,000
Perempuan 11,500 11,5% 11,500 11,5% ,000 ,000
< 240 (Rendah) Laki laki 38,500 38,5% 38,500 38,5% ,000 ,000
a. For saturated models, ,500 has been added to all observed cells.
K-Way and Higher-Order Effects
Number of
Likelihood Ratio Pearson Iterations
Number of
a c
Step Effects Chi-Square df Sig. Iterations
Deleted 1 Kolesterol*Je
,056 1 ,812 2
Effect nis_Kelamin
1 Generating Classb Kolesterol,
Jenis_Kelami ,056 1 ,812
n
Deleted 1 Kolesterol 30,774 1 ,000 1
Effect 2 Jenis_Kelami
,000 1 1,000 2
n
2 Generating Classb Kolesterol ,056 2 ,972
Deleted 1
Kolesterol 30,774 1 ,000 0
Effect
3 Generating Classb Kolesterol ,056 2 ,972
a. At each step, the effect with the largest significance level for the Likelihood Ratio Change is
deleted, provided the significance level is larger than ,050.
b. Statistics are displayed for the best model at each step after step 0.
c. For 'Deleted Effect', this is the change in the Chi-Square after the effect is deleted from the
model.
Convergence Informationa
Goodness-of-Fit Tests
Chi-Square df Sig.
Loglinier
Missing 0
Jenis_Kelamin 2
Observed Expected
> 239 (Tinggi) Laki - laki 12,500 12,5% 12,500 12,5% ,000 ,000
a. For saturated models, ,500 has been added to all observed cells.
Number of
Likelihood Ratio Pearson Iterations
Step Summary
Number of
a c
Step Effects Chi-Square df Sig. Iterations
b
0 Generating Class Kolesterol*Je
,000 0 .
nis_Kelamin
Deleted 1 Kolesterol*Je
,056 1 ,812 2
Effect nis_Kelamin
1 Generating Classb Kolesterol,
Jenis_Kelami ,056 1 ,812
n
Deleted 1 Kolesterol 30,774 1 ,000 1
Effect 2 Jenis_Kelami
,000 1 1,000 2
n
2 Generating Classb Kolesterol ,056 2 ,972
Deleted 1
Kolesterol 30,774 1 ,000 0
Effect
3 Generating Classb Kolesterol ,056 2 ,972
a. At each step, the effect with the largest significance level for the Likelihood Ratio Change is
deleted, provided the significance level is larger than ,050.
b. Statistics are displayed for the best model at each step after step 0.
c. For 'Deleted Effect', this is the change in the Chi-Square after the effect is deleted from the
model.
Convergence Informationa
> 239 (Tinggi) Laki - laki 12,000 12,0% 11,500 11,5% ,500 ,147
Goodness-of-Fit Tests
Chi-Square df Sig.
A. Kesimpulan
1. Pada umumnya, Odd Ratio (OR) dan Relative Risk (RR) memiliki
kesamaan dalam hal interpretasi. Jika nilai OR dan RR-nya lebih besar
dari 1 menunjukkan peluang untuk grup 1 lebih besar daripada peluang
untuk grup 2. Begitu juga sebaliknya, jika nilai OR dan RR-nya kurang
dari 1 maka peluang untuk grup 1 lebih kecil daripada peluang untuk grup
2. Nilai RR yang sama dengan 1 atau mendekati 1 mengindikasikan tidak
ada hubungan antara kedua variabel tersebut.
2. Tabulasi Silang (crosstabs) digunakan sebagai metode analisis kategori
data yang menggunakan data nominal, ordinal, interval dan kombinasi
diantaranya. Uji chi square digunakan untuk menguji ketidaktergantungan
dan homogenitas.
B. Saran
Anonim. https:parameterd.wordpress.com/2013/09/17odds-ratio-
relative-rasio/ (september 2013).
Hastono, Sutanto Priyo dan Luknis Sabri. 2013. Statistik Kesehatan.
Jakarta : PT Raja Grafindo Persada.
Indratno ,Imam dan Rahmat Irwinsyah. 1998. Aplikasi Analisis Tabulasi
Silang (Crosstab) dalam Perencanaan Wilayah dan Kota. Jurnal PWK, vol. 9,
no. 2. h. 49.
Irwan dan Didi Haryono. 2015. Pengendalian Kualitas Statistik
(Pendekatan Teoritis dan Aplikatof). Bandung : ALFABETA
Tapehe, Yusuf. 2012. Statistika dan Rancangan Percobaan. Jakarta :
Penerbit Buku Kedokteran EGC.
a Tahap pertama adalah menguji kesesuaian dimana interaksi k-faktor dan
yang lebih tinggi sama dengan nol.
Hipotesis yang digunakan :
H0 = interaksi k-faktor sama dengan nol.
H1 = interaksi k-faktor terkandung dalam model.
Keputusan yang diambil adalah tolak H0 jika p-value < , dimana = 0,05.
Berdasar output di atas, untuk k = 1, karena nilai p-value < (0,000 < 0,05)
maka H0 ditolak yang berarti secara signifikan menjelaskan hubungan antar
peubah di semua tingkat interaksi dalam model dan minimal interaksi 1
faktor harus terdapat dalam model. Untuk k = 2, karena nilai p-value >
(0,812 > 0,05) memberi keputusan bahwa H0 diterima yang berarti bahwa
interaksi 2 faktor yang lebih tinggi dan tidak ada dalam model.
b Tahap kedua adalah menguji kesesuaian model penuh dengan k-faktor yang
sama dengan nol.
Hipotesis yang digunakan :
H0 = interaksi k-faktor sama dengan nol.
H1 = interaksi k-faktor terkandung dalam model.
Keputusan yang diambil adalah tolak H0 jika p-value < , dimana = 0,05.
Berdasar output di atas, untuk k = 1, karena nilai p-value < (0,000 < 0,05)
maka H0 ditolak yang berarti model dengan interaksi 1 faktor dan
signifikan menjelaskan hubungan antar peubah. Untuk k = 2, karena nilai
p-value > (0,812 > 0,05) memberi keputusan bahwa H 0 diterima yang
berarti bahwa interaksi 2 faktor sama dengan nol dan tidak ada dalam
model.
c Tahap ketiga adalah menguji kebebasan secara parsial. Uji ini akan
menunjukkan interaksi-interaksi yang ada dalam model. Jika diuji dengan
tingkat kepercayaan 0,05, dengan hipotesis :
H0 = tidak ada interaksi antar berbagai peubah.
H1 = interaksi antar berbagai peubah terkandung dalam model.
Berdasarkan pada output table Partial Association dapat disimpulkan bahwa
tidak ada faktor interaksi dan terdapat 2 faktor utama sehingga dapat
disimpulkan bahwa tidak ada interaksi antar berbagai peubah.