BAB I

PENDAHULUAN

A. Latar Belakang

Statistik memainkan peranan yang semakin penting hampir dalam semua

tahap usaha manusia. Pada mulanya statistik hanya menyangkut urusan-urusan
negara. Namun, sekarang statistik telah diperlukan oleh seluruh aspek kehidupan,
seperti kedokteran, bisnis, pertanian, dan lain-lain.

Dalam perkembangannya, ilmu statistik telah menemukan padanannya

dengan perkembangan komputer sehingga metode statistik berkembang cepat
sekali. Selanjutnya dalam perkembangan ini terlihat betapa peranan statistik
sangat menonjol sebagai alat bantu dalam menentukan suatu kebijakan.
Permasalahan yang dulu dianggap rumit, saat ini mendapat jawaban dengan
melakukan pengolahan data memakai komputer.

Kegiatan analisis data kerap menuntut peneliti untuk mampu menganalisis

keterkaitan antar variabel atau faktor. Pengujian terhadap sejumlah variabel
dibutuhkan dalam pengambilan keputusan untuk melihat keterhubungan maupun
derajat keterhubungan antar variabel atau faktor. Untuk itu setiap pengambilan
keputusan harus didukung oleh informasi yang lengkap dengan melibatkan
banyak pertimbangan dan kriteria maupun dukungan alat analisis sebagai alat
bantu pengolahan data.

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 :

1. Bagaimana cara interpretasi odds ratio dan relative risk?

2. Apa kegunaan crosstabs dan uji chi_square?

C. Tujuan Penulisan

Berdasarkan rumusan masalah di atas, tujuan penulisan adalah sebagai

berikut :

1. Mengetahui perbedaan odds ratio dan relative risk.

2. Mengetahui kegunaan crosstabs dan uji chi_square?
 BAB II

TINJAUAN PUSTAKA

A. Statistik dan Statistika

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

B. Data dan Skala Pengukuran

Data adalah keterangan atau informasi yang berbentuk lambang bilangan

yang dapat disajikan dengan penggolongan, penataan, atau gabungan antara
penataan dan penggolongan. Ditinjau dari jenisnya, data dapat dibedakan menjadi
2, yaitu :

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

Skala pengukuran data terdiri atas :

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.

2 Sutanto Priyo Hastono dan Luknis Sabri. Statistik Kesehatan. ( PT

RajaGrafindo Persada, Jakarta : 2013). h. 6
 2. Skala ordinal yaitu skala pengukuran dimana angka yang diberikan pada
objek atau variabel pengukuran mengandung pengertian tingkatan.
Contohnya tingkat pendidikan.
3. Skala interval yaitu skala pengukuran dimana angka yang diberikan pada
objek atau variabel pengukuran mengandung sifat ordinal ditambah sifat
jarak (interval). Contohnya panjang benda A dan B masing-masing 10 cm
dan 20 cm.
4. Skala rasio yaitu skala pengukuran dimana angka yang diberikan pada
objek atau variabel pengukuran mengandung sifat interval ditambah sifat
yang mampu memberikan keterangan tentang nilai absolut variabel yang
diukur.

C. Hipotesis

Hipotesis berasal dari kata hupo yang berarti sementara/lemah

kebenarannya dan thesis yang berarti pernyataan sementara yang perlu diuji
kebenarannya. Hipotesis dapat dibedakan menjadi 2, yaitu :

1. Hipotesis riset adalah dugaan atau firasat yang masih berbentuk

pernyataan atau kalimat.
2. Hipotesis statistika adalah hipotesis riset yang telah dituangkan ke dalam
formula statistika.
Hipotesis statistika dapat dibedakan menjadi 2, yaitu :
a. Hipotesis Nol (H0)
Hipotesis nol adalah hipotesis yang dirumuskan dengan harapan
ditolak, hipotesis ini menyatakan tidak ada hubungan antara variabel
satu dengan variabel yang lain.
b. Hipotesis Tandingan/Alternatif (H1)
Hipotesis tandingan adalah hipotesis yang diharapkan berlaku
kebenarannya, hipotesis ini menyatakan ada hubungan antara variabel
satu dengan variabel yang lain.3

Langkah langkah dalam menguji hipotesis :

1. Menentukan H0 dan H1.

3 Yusuf Tapehe. Statistika dan Rancangan Percobaan. (Penerbit Buku
Kedokteran EGC, Jakarta : 2012). h. 64-65.
 2. Tentukan taraf nyata .
3. Pilih statistik uji yang sesuai.
4. Menetapkan daerah kritis.
5. Membuat kesimpulan.

D. Tabulasi Silang (Crosstabs)

Tabulasi Silang (crosstabs) merupakan metode analisis kategori data yang

menggunakan data nominal, ordinal, interval dan kombinasi diantaranya. Metode
tabulasi silang (crosstabs) memiliki beberapa metode pendekatan yng berbeda dan
menggunakan uji statistik yang berbeda pula, bergantung pada banyaknya variabel
yang akan diidentifikasi hubungannya satu sama lain. Jika hanya menggunakan
dua variabel maka dapat menggunakan model tabel kontingengsi.

Tabulasi silang merupakan metode yang mentabulasikan beberapa variabel

yang berbeda ke dalam suatu matriks yang hanya disajikan dalam suatu tabel
dengan variabel yang tersusun dalam baris dan kolom. Variabel ini merupakan
variabel bebas pada satu bagian dan variabel terikat pada bagian lainnya.4

Analisis tabel kontingensi dua dimensi terfokus pada penentuan saling

ketergantungan antar dua variabel. Bentuk umumnya :

B1 B2 Total
A1 n11 n12 n1+
A2 n21 n22 n2+
Total n+1 n+2 n++ = 1

E. Odds Ratio (OR) dan Relative Risk (RR)

Odds Ratio (OR) adalah peluang terjadinya suatu kejadian dibandingkan

peluang tidak terjadinya kejadian tersebut.

4 Imam Indratno dan Rahmat Irwinsyah. Aplikasi Analisis Tabulasi Silang

(Crosstab) dalam Perencanaan Wilayah dan Kota. Jurnal PWK, vol. 9, no. 2
(1998). h. 49.
 11
12 11 22
OR
21 12 21
22

Jika nilai dari OR sama dengan 1 atau mendekati 1 menunjukkan bahwa

OR pada grup 1 sama dengan grup 2 dan mengindikasikan tidak ada hubungan
antara kedua variabel tersebut. Jika nilai OR lebih besar dari 1 menunjukkan
peluang untuk grup 1 lebih besar daripada peluang untuk grup 2. Begitu juga
sebaliknya, jika nilai OSR-nya kurang dari 1 maka peluang untuk grup 1 lebih
kecil daripada peluang untuk grup 2.

Relative Risk (RR) merupakan perbandingan antara dua peluang yang

sukses. RR secara umum menyatakan peluang terjadinya suatu kejadian (resiko).
Sebelum menghitung RR terlebih dahulu ditentukan grup 1 dan grup 2.

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

F. Uji Kai Kuadrat (Chi Square)

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 :

1. Ada tidaknya asosiasi antara dua variabel .

2. Apakah suatu kelompok homogen.
3. Seberapa jauh suatu pengamatan sesuai dengan parameter yang
dispesifikasikan.
Statistik chi square memenuhi persamaan berikut :
(Oij Eij )2
X
2

Eij

Dengan :

Oij = hasil observasi (nilai frekuensi) pada baris ke-i kolom ke-j.

Eij = harga pengharapan pada baris ke-i kolom ke-j.

 BAB III

PROGRAM DAN OUTPUT

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.

No. Jenis Kelamin Kadar Kolesterol

1 Laki laki 200
2 Perempuan 219
3 Perempuan 195
4 Perempuan 200
5 Perempuan 290
6 Perempuan 190
7 Laki laki 250
8 Laki laki 250
9 Laki laki 250
10 Laki laki 200
11 Perempuan 270
12 Perempuan 254
13 Perempuan 200
14 Perempuan 250
15 Perempuan 250
16 Perempuan 250
17 Perempuan 250
18 Perempuan 227
19 Perempuan 228
20 Laki laki 175
21 Perempuan 240
22 Laki laki 180
23 Perempuan 189
24 Perempuan 200
25 Perempuan 210
26 Perempuan 189
27 Perempuan 200
28 Perempuan 221
29 Perempuan 205
30 Perempuan 200
31 Laki laki 240
32 Laki laki 167
33 Perempuan 250
34 Perempuan 183
35 Perempuan 240
36 Perempuan 226
37 Laki laki 227
38 Perempuan 240
39 Perempuan 296
40 Perempuan 240
41 Perempuan 207
42 Perempuan 250
43 Perempuan 281
44 Perempuan 200
45 Perempuan 209
46 Perempuan 200
47 Perempuan 221
48 Laki laki 309
49 Perempuan 200
50 Perempuan 209
51 Perempuan 250
52 Perempuan 250
53 Perempuan 265
54 Perempuan 264
55 Perempuan 240
56 Perempuan 226
57 Laki laki 227
58 Laki laki 228
59 Perempuan 228
60 Perempuan 250
61 Perempuan 200
62 Perempuan 223
63 Laki laki 263
64 Perempuan 224
65 Laki laki 225
66 Perempuan 226
67 Laki laki 227
68 Perempuan 228
69 Perempuan 281
70 Perempuan 262
71 Perempuan 255
72 Perempuan 250
73 Perempuan 218
74 Perempuan 240
75 Perempuan 261
76 Perempuan 272
 77 Laki laki 243
78 Perempuan 200
79 Laki laki 210
80 Perempuan 244
81 Laki laki 247
82 Perempuan 209
83 Perempuan 255
84 Laki laki 268
85 Laki laki 277
86 Perempuan 200
87 Perempuan 244
88 Perempuan 278
89 Perempuan 270
90 Laki laki 270
91 Perempuan 210
92 Laki laki 270
93 Perempuan 260
94 Perempuan 210
95 Perempuan 280
96 Perempuan 239
97 Perempuan 270
98 Perempuan 260
99 Perempuan 210
100 Perempuan 260

Penyelesaian uji chi_square dan crosstabs menggunakan SPSS :

1. Memasukkan data ke data editor dengan mendefinisikan variabel pada
Variabel View

2. Untuk mendefinisikan arti kode, pada kolom view diisikan sebagai

berikut:

Values variabel Kolesterol

 Values Variabel Jenis_Kelamin

3. Klik Data View dan masukkan semua data berdasarkan kriteria value di
atas ke kolom yang bersesuaian.
4. Klik Analyze > Descriptive Statistics > Crosstabs.

5. Pindahkan variabel Kolesterol ke kolom Row(s) dan variabel

Jenis_Kelamin ke kolom Column.
6. Klik Statiscs... maka akan muncul kotak dialog seperti gambar di bawah
ini, pilih chi_square untuk melihat hasil uji chi_square dan pilih Risk
untuk melihat hasil odds ratio dan relative rasio. Klik Continu.

7. Klik OK.

Penyelesaian log linier menggunakan SPSS :

1. Lakukan langkah yang sama dengan uji chi square dari langkah 1 sampai
langkah 3.
2. Klik Analize > Loglinier > Model Selection.

3. Pindahkan Variabel Kolesterol dan Jenis_Kelamin ke kolom Factor(s).

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.

6. Klik Options. Pilih Frequences dan Residuals. Klik Continu.

7. Klik OK.
B. Output
Crosstabs dan Chi_Square

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

Kolesterol *
100 100,0% 0 0,0% 100 100,0%
Jenis_Kelamin

Kolesterol * Jenis_Kelamin Crosstabulation

Count

Jenis_Kelamin

Laki - laki Perempuan Total

Kolesterol > 239 (Tinggi) 12 11 23

< 240 (Rendah) 38 39 77

Total 50 50 100

Chi-Square Tests

Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-

Value df sided) sided) sided)

Pearson Chi-Square ,056a 1 ,812

b
Continuity Correction ,000 1 1,000
Likelihood Ratio ,056 1 ,812
Fisher's Exact Test 1,000 ,500
Linear-by-Linear Association ,056 1 ,813
N of Valid Cases 100

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

95% Confidence Interval

Value Lower Upper

Odds Ratio for Kolesterol (>

239 (Tinggi) / < 240 1,120 ,441 2,844
(Rendah))
For cohort Jenis_Kelamin =
1,057 ,673 1,661
Laki - laki
For cohort Jenis_Kelamin =
,944 ,584 1,527
Perempuan
N of Valid Cases 100

Loglinier

Hierarchical Loglinier Analysis

Data Information

Cases Valid 100

a
Out of Range 0

Missing 0

Weighted Valid 100

Categories Kolesterol 2

Jenis_Kelamin 2

a. Cases rejected because of out of range

factor values.

Cell Counts and Residuals

Observed Expected

Kolesterol Jenis_Kelamin Counta % Count % Residuals Std. Residuals

> 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

Perempuan 39,500 39,5% 39,500 39,5% ,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

K df Chi-Square Sig. Chi-Square Sig.

K-way and Higher Order 1 3 30,831 ,000 29,200 ,000 0

a
Effects 2 1 ,056 ,812 ,056 ,812 2
b
K-way Effects 1 2 30,774 ,000 29,144 ,000 0

2 1 ,056 ,812 ,056 ,812 0

a. Tests that k-way and higher order effects are zero.

b. Tests that k-way effects are zero.
 Step Summary

Number of
a c
Step Effects Chi-Square df Sig. Iterations

0 Generating Classb 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

Generating Class Kolesterol

Number of Iterations 0
Max. Difference between
Observed and Fitted ,000
Marginals
Convergence Criterion ,250

a. Statistics for the final model after Backward Elimination.

Cell Counts and Residuals

Jenis_Kelami Observed Expected Std.

Kolesterol n Count % Count % Residuals Residuals
> 239 (Tinggi) Laki - laki 12,000 12,0% 11,500 11,5% ,500 ,147

Perempuan 11,000 11,0% 11,500 11,5% -,500 -,147

< 240 Laki - laki 38,000 38,0% 38,500 38,5% -,500 -,081
(Rendah) Perempuan 39,000 39,0% 38,500 38,5% ,500 ,081

Goodness-of-Fit Tests

Chi-Square df Sig.

Likelihood Ratio ,056 2 ,972

Pearson ,056 2 ,972
 BAB IV
PEMBAHASAN

1. Tabel Case Processing Summary, dapat dibaca sebagai berikut :

Jumlah data yang diproses sebanyak 100 data dan tidak ada yang missing
atau hilang sehingga tingkat kevalidannya 100%.
2. Tabel Crosstab antara Kolesterol dan Jenis Kelamin, dapat dibaca sebagai
berikut :
Terlihat tabel silang yang memuat hubungan diantara kedua variabel
tersebut. Misal pada baris 1 kolom 1, terdapat angka 12. Hal ini berarti
bahwa terdapat 12 orang yang berjenis kelamin laki-laki yang memiliki
kadar kolesterol yang tinggi. Demikian untuk data yang lainnya. 23
berarti bahwa terdapat 23 orang yang memiliki kadar kolesterol yang
tinggi dari semua jenis kelamin. Demikian untuk data yang lainnya.
3. Tabel Chi-Square Test, dapat dibaca sebagai berikut :
Uji Chi-Square untuk mengamati ada tidaknya hubungan antara dua variabel
(baris dan kolom). Di dalam SPSS, selain alat uji Chi-square juga dilengkapi
dengan beberapa alat uji yang sama tujuannya :
Hipotesis
Hipotesis untuk kasus ini :
H0 = tidak ada hubungan antara jenis kelamin dengan kadar kolesterol.
H1 = ada hubungan antara jenis kelamin dengan kadar kolesterol.
Statistik uji : uji Chi-square
= 0,05
Daerah kritis : H0 ditolak jika signifikansi < .
Dari hasil pengolahan dengan SPSS, terlihat pada kolom Asymp. Sig. (2
sidded) adalah 0,812.
Keputusan :
Karena Signifikansi > (0,812 > 0,05) maka H 0 diterima. Sehingga dapat
diimpulkan bahwa tidak ada hubungan antara jenis kelamin dengan kadar
kolesterol.
4. Tabel Risk Estimate, hasil outputnya dapat diinterpretasikan sebagai berikut :
Odds ratio yang dihitung merupakan odds dari jenis kelamin laki-laki
dibandingkan dengan jenis kelamin perempuan terhadap kadar kolesterol.
Ini diketahui dari Odds ratio for Kolesterol (> 239 (tinggi) / < 240
(rendah)). Dimana jenis kelamin laki-laki sebagai pembilang dan jenis
 kelamin perempuan sebagai penyebut. Nilai odds ratio sebesar 1,120
berarti menunjukkan bahwa Odds Ratio pada grup 1 sama dengan grup 2
dan mengindikasikan tidak ada hubungan antara kedua variabel tersebut.
Relative Risk disini dihitung dengan membandingkan kadar kolesterol
yang tinggi untuk jenis kelamin laki-laki dan perempuan. Relative risk
untuk jenis kelamin laki-laki dihitung dengan membandingkan peluang
jenis kelamin laki-laki yang memiliki kadar kolesterol yang tinggi dan
peluang jenis kelamin laki-laki yang memiliki kadar kolerterol yang
rendah. Relative Risknya d SPSS dapat dilihat pada For cohort Jenis
Kelamin = laki-laki yaitu 1,057. Artinya tidak ada hubungan antara
kedua variabel tersebut.
Relative Risk disini dihitung dengan membandingkan kadar kolesterol
yang tinggi untuk jenis kelamin laki-laki dan perempuan. Relative risk
untuk jenis kelamin perempuan dihitung dengan membandingkan peluang
jenis kelamin perempuan yang memiliki kadar kolesterol yang tinggi dan
peluang jenis kelamin perempuan yang memiliki kadar kolerterol yang
rendah. Relative Risknya d SPSS dapat dilihat pada For cohort Jenis
Kelamin = perempuan yaitu 0,944. Artinya tidak ada hubungan antara
kedua variabel tersebut.

Loglinier

Hierarchical Loglinier Analysis

Data Information

Cases Valid 100

a
Out of Range 0

Missing 0

Weighted Valid 100

Categories Kolesterol 2

Jenis_Kelamin 2

a. Cases rejected because of out of range

factor values.
 Cell Counts and Residuals

Observed Expected

Kolesterol Jenis_Kelamin Counta % Count % Residuals Std. Residuals

> 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

Perempuan 39,500 39,5% 39,500 39,5% ,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

K df Chi-Square Sig. Chi-Square Sig.

K-way and Higher Order 1 3 30,831 ,000 29,200 ,000 0

a
Effects 2 1 ,056 ,812 ,056 ,812 2
b
K-way Effects 1 2 30,774 ,000 29,144 ,000 0

2 1 ,056 ,812 ,056 ,812 0

a. Tests that k-way and higher order effects are zero.

b. Tests that k-way effects are zero.

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

Generating Class Kolesterol

Number of Iterations 0
Max. Difference between
Observed and Fitted ,000
Marginals
Convergence Criterion ,250

a. Statistics for the final model after Backward Elimination.

Cell Counts and Residuals

Jenis_Kelami Observed Expected Std.

Kolesterol n Count % Count % Residuals Residuals

> 239 (Tinggi) Laki - laki 12,000 12,0% 11,500 11,5% ,500 ,147

Perempuan 11,000 11,0% 11,500 11,5% -,500 -,147

< 240 Laki - laki 38,000 38,0% 38,500 38,5% -,500 -,081
(Rendah) Perempuan 39,000 39,0% 38,500 38,5% ,500 ,081

Goodness-of-Fit Tests

Chi-Square df Sig.

Likelihood Ratio ,056 2 ,972

Pearson ,056 2 ,972
 BAB V
PENUTUP

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

Dalam melakukan pengolahn dan pengujian statistik, diperlukan

pemahaman yang tinggi tentang uji statistik yang sesuai dengan data yang akan
dikelola karena hal itu sangat berkaitan dengan hasil analisa yang akan diperoleh.
 DAFTAR PUSTAKA

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.