Kuliah Oleh Ir. Rahayu Astuti, M.

Kes

UJI CHI SQUARE DAN FISHER EXACT UJI CHI SQUARE (UJI KAI KUADRAT)
Analisis yang dapat dilakukan pada data kategorik antara lain adalah Uji Chi
Square. Dalam penerapan praktis, sering dijumpai berbagai persoalan mencakup dua
variabel. Uji Chi Square dapat digunakan untuk: 1. Uji indipendensi yaitu menguji
apakah dua variabel dalam suatu populasi saling bebas/independen, atau ada tidaknya
asosiasi antara 2 variabel 2. Uji homogenitas yaitu menguji apakah suatu kelompok
homogen. 3. Goodness of fit yaitu menguji seberapa jauh suatu pengamatan sesuai
dengan parameter yang dispesifikan.

1. UJI INDIPENDENSI
Pada uji indipendensi yaitu menguji apakah dua kejadian saling bebas/independen
atau tidak. Penilaian berapa besar perbedaan yang ada sehingga dinilai ada
perbedaan antara nilai observasi dengan nilai ekspektasi dilakukan prosedur uji χ2.
Prosedur uji χ2 yang paling sederhana adalah uji χ2 menurut Pearson. Tehnik uji Kai
Kuadrat adalah memakai data diskrit dengan pendekatan distribusi kontinyu
(distribusi χ2). Dekatnya pendekatan yang dihasilkan tergantung pada ukuran
berbagai sel dan tabel kontingensi. Untuk menjamin pendekatan yang memadai
digunakan aturan dasar: frekuensi harapan (nilai ekpektasi) tidak boleh terlalu
kecil. Secara umum dalam melakukan uji Kai Kuadrat, harus memenuhi syarat –
syarat : a. Sampel dipilih acak b. Semua pengamatan dilakukan independen c. Tidak
boleh ada sel yang mempunyai nilai harapan/nilai ekspektasi kurang dari 1 d. Sel –
sel dengan frekuensi harapan/nilai ekspektasi kurang dari 5 tidak melebihi 20% dari
total sel. e. Besar sampel sebaiknya >40 (Cochran, 1954)

RA

1
Jika pada tabel silang/ tabel kontingensi dijumpai banyak nilai ekspektasi yang
kecil, maka beberapa kolom/baris harus digabung atau digunakan uji statistik dengan
perhitungan nilai p secara eksak atau melakukan uji “Fisher Exact” Uji χ2 menurut
Pearson dilakukan dengan menjumlahkan selisih nilai observasi dengan nilai
ekspektasi kuadrat relatif terhadap nilai ekspektasinya dan mencari nilai p, atau
membandingkan nilai χ2 untuk nilai tersebut dengan χ2 tabel menggunakan distribusi
χ2 pada derajat kebebasan yang ada. Secara matematik χ2 dituliskan:
b k

( Oij Eij

Eij )2

χ2
i=1 j=1

dengan derajat kebebasan = (b-1) (k-1) dimana : Oij = nilai observasi Eij = nilai
ekspektasi b = jumlah baris dan k = jumlah kolom Contoh: Terdapat tabel kontingensi
: Tabel 1. Berat Badan Lahir Bayi Menurut Status Anemia Pada Ibu Hamil BBLR Ibu
Anemia Ya Tidak Jumlah Ya 30 (16,7) 20 (33,3) 50 Tidak 70 (83,3) 180 (166,7) 250
Jumlah 100 200 300

Langkah pengujian: 1. Ho : Kejadian anemia dan BBLR saling bebas (indipendent) Atau

Tidak ada asosiasi/hubungan antara ibu anemia dengan bayi BBLR Ha : Ada hubungan
antara ibu anemia dengan bayi BBLR 2. Tentukan tingkat kemaknaan ( 3. Menghitung
nilai ekspektasi O11 = 30  E11 = (100 O12 = 70  E12 = (100 O21 = 20  E21 = (200
O22 = 180  E22 = (200 50) / 300 = 16,7 250) / 300 = 83,3 50) / 300 = 33,3 250) /
300 = 166,7 ) misalnya 0,05

RA

2
4. Menghitung statistik uji: (30 16,7)2 χ2 16,7 83,3 33,3 166,7 5. Mencari nilai χ2
tabel dengan derajat kebebasan (2-1) (2-1) = 1 diperoleh dari tabel χ2 : 3,841 6.
Membandingkan nilai χ2 hasil perhitungan dengan χ2 tabel ( χ2 = 19,2) > (χ2
=0,05

(70 83,3)2

(20 33,3)2

(180 166,7)2 = 19,1

= 3,841)  Keputusan: Tolak Ho )

Jika digunakan komputer diperoleh nilai p = 0,0002 ( p < 7. Kesimpulan :

Terdapat hubungan antara kejadian ibu anemia denga bayi BBLR pada =0,05 Kesimpulan
bahwa kejadian ibu anemia berhubungan dengan bayi BBLR mengandung resiko salah
sebesar 0,05. Peneliti sadar bahwa ada probabilitas sebesar 0,05 untuk salah
mengambil kesimpulan : “Ada hubungan antara ibu anemia dan bayi BBLR. Hasil uji χ2
tidak dapat menentukan factor mana yang lebih beresiko, atau intervensi mana yang
lebih baik. Uji χ2 juga tidak menentukan hubungan sebab akibat. Uji χ2 hanya
menguji apakah 2 kejadian saling bebas/independen atau tidak. Masalah factor mana
yang lebih beresiko atau intervensi mana yang lebih baik serta hubungan sebab
akibat harus ditentukan oleh pengertian tentang substansi yang diteliti.

Khusus untuk tabel kontingensi 2x2 dapat digunakan rumus: n (ad-bc)2 χ2 (a+b)(c+d)
(a+c)(b+d)

Pada contoh diatas jika dihitung dengan persamaan ini akan didapatkan hasil yang
sama. Tabel 2. Nilai Observasi Pada Berat Badan Lahir Bayi Menurut Status Anemia
Pada Ibu Hamil BBLR Ibu Anemia Ya Tidak Jumlah Ya 30 ( a ) 20 ( c ) 50 ( a+c) Tidak
70 ( b ) 180 ( d ) 250 ( b+d ) Jumlah 100 ( a+b ) 200 ( c+d ) 300 (a+b+c+d) = n

RA

3
n (ad-bc)2 χ2 (a+b)(c+d)(a+c)(b+d) 300 (30*180 70*20)2 χ
2

= 19,2 (100)(200)(50)(250)

Koreksi Kontinuitas dari Yates

Yates (1934) mengusulkan koreksi perhitungan uji χ2 karena distribusi χ2 adalah
distribusi kontinyu, sedangkan perhitungan nilai ekspektasi berdasarkan asumsi
distribusi hipergeometrik. Koreksi perhitungan dilakukan dengan mengurangi hasil χ2
dengan 0,5 seperti berikut:
b k

Oij

Eij Eij

0,5 ]2

χ2
i=1 j=1

Koreksi ini dilakukan karena penggunaan distribusi χ2 untuk mendekati distribusi

diskrit. Koreksi Yates ini memberikan nilai χ2 yang lebih rendah sehingga nilai p
lebih tinggi, yang berarti uji ini lebih berhati-hati dalam menolak hipotesis nol.
Perhitungan χ2 dengan koreksi Yates pada contoh diatas yaitu: [ 30 16,7 χ
2

0,5]2 [ 20 33,3 33,3

0,5]2 [ 70 83,3 83,3

0,5]2 [ 180 166,7 166,7

0,5]2

16,7 17,7

Kalau koreksi Yates diterapkan pada tabel 2 2 maka persamaan akan menjadi: n ( ad-
bc χ2 (a+b)(c+d)(a+c)(b+d) 0,5 n )2

Pada contoh diatas diperoleh hasil: 300 ( 30*180 70*20 χ

2

0,5*300 )2 = 17,8

(100)(200)(50)(250)

RA

4
Pada sampel yang cukup besar hasil perhitungan χ2 tanpa dan dengan koreksi Yates
tidak memberikan perbedaan yang berarti. Perbedaan baru terlihat pada penelitian
dengan sampel kecil, dimana terdapat nilai ekspektasi kurang dari 5. Koreksi Yates
sudah jarang digunakan karena ketersediaan komputer sehingga perhitungan statistik
yang lebih baik, yaitu uji eksak dari Fisher dapat dilakukan dengan lebih mudah.
Sebelum tersedianya komputer, uji eksak dari Fisher sulit dilakukan karena
perhitungannya yang berulang-ulang dan rumit.

2. UJI HOMOGENITAS
Uji homogenitas digunakan untuk menguji kesamaan proporsi suatu populasi dengan
proporsi populasi yang lain. Sampel ditarik dari masing-masing populasi. Seringkali
ingin ditentukan apakah distribusi suatu karakteristik tertentu sama untuk berbagai
kelompok. Misalnya ada dua sampel random yang terdiri dari 100 orang buruh tani di
desa pegunungan dan sampel kedua 100 orang buruh nelayan di desa pantai. Kemudian
mereka diukur status gizinya. Hasil tabel silang adalah sebagai berikut: Tabel 3.
Status Gizi Buruh Tani di Desa X dan Buruh Nelayan di Desa Y Jenis Buruh Tani Buruh
Nelayan Jumlah Langkah pengujian: 1. Ho : Tidak ada perbedaan status gizi antara
buruh tani di desa pegunungan dan buruh nelayan di desa pantai. Ha : Ada perbedaan
status gizi antara buruh tani di desa pegunungan dan buruh nelayan di desa pantai.
2. Tentukan tingkat kemaknaan ( 3. Menghitung nilai ekspektasi O11 = 70  E11 =
(100 O12 = 30  E12 = (100 O21 = 65  E21 = (100 O22 = 35  E22 = (100 135) / 200 =
67,5 65) / 200 = 32,5 135) / 200 = 67,5 65) / 200 = 32,5 ) misalnya 0,05 Baik 70 65
135 Status Gizi Kurang 30 35 65 Jumlah 100 100 200

RA

5
4. Menghitung statistik uji: (70 67,5)2 χ2 67,5 32,5 67,5 32,5 5. Mencari nilai χ2
tabel dengan derajat kebebasan (2-1) (2-1) = 1 diperoleh dari tabel χ2 : 3,841 6.
Membandingkan nilai χ2 hasil perhitungan dengan χ2 tabel ( χ2 = 0,57) > (χ2 7.
Kesimpulan : Tidak ada perbedaan status gizi antara buruh tani di desa pegunungan
dan buruh nelayan di desa pantai.
=0,05

(30 32,5)2

(65 67,5)2

(35 32,5)2 = 0,57

= 3,841)  Keputusan: Gagal Tolak Ho

3. UJI KESESUAIAN KAI KUADRAT (GOODNESS OF FIT TEST)

Uji kesesuaian kai kuadrat adalah untuk melihat kesesuaian suatu pengamatan dengan
suatu distribusi tertentu. Dengan kata lain uji ini digunakan untuk mengetahui
apakah distribusi data telah sesuai (fit) dengan distribusi frekuensi populasinya
atau tidak. Untuk tabel yang terdiri dari banyak sel maka untuk mempercepat
perhitungan dapat digunakan rumus: O2 χ2 E Contoh kasus : Peneliti ingin mengetahui
apakah tingkat pendidikan responden terdistribusi secara merata atau tidak. Data
pengamatan: Tabel 5. Data Pendidikan Responden
No Resp 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. Pendidikan SD PT SMP SMU SD PT
SMU SD SMU SMU SD SMP SMU No Resp 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25.
26. Pendidikan SMP SMU SD PT SMU PT PT SD PT SMP SMU SD PT No Resp 27. 28. 29. 30.
31. 32. 33. 34. 35. 36. 37. 38. 39. Pendidikan SMU SD SMU SMU SD SMP SMU SMP SMU SD
PT SMU PT No Resp 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. Pendidikan PT SD SMP
SMU SMP SMU SD PT SMU PT PT

RA

6
Dengan menggunakan komputer diperoleh hasil:
Pendidikan terakhir ibu Observed N 12 8 17 13 50 Expected N 12.5 12.5 12.5 12.5
Residual -.5 -4.5 4.5 .5

SD SMP SMU PT Total

Test Statistics Pendidikan terakhir ibu 3.280 3 .350

Chi-Square a df Asymp. Sig.

a. 0 cells (.0%) hav expected frequencies less than e 5. The minimum expected cell
frequency is 12.5.

Hipotesis 1. Ho : p1 = p2 = p3 = p4 = ¼ Tingkat pendidikan responden terdistribusi

secara merata Ha : p1 p2 p3 p4 ¼

Tingkat pendidikan responden terdistribusi secara tidak merata 2. Tingkat kemaknaan

= 0,05 3. Hasil perhitungan χ2 = 3,28 4. Keputusan : Angka pada asymp.sig / nilai p
adalah 0.350 > 0.05, sehingga Ho gagal ditolak, artinya proporsi pendidikan ibu
sudah merata.

4. PRINSIP DASAR UJI KAI KUADRAT. Proses pengujian Kai Kuadrat (Chi Square) adalah
membandingkan frekuensi yang terjadi (observasi) dengan frekuensi harapan
(ekspektasi). Bila nilai frekuensi observasi dengan nilai frekuensi harapan sama,
maka tidak ada perbedaan yang bermakna (signifikan). Sebaliknya bila nilai
frekuensi observasi dan nilai frekuensi harapan berbeda, maka dikatakan ada
perbedaan yang bermakna. Pembuktian uji Kai Kuadrat dengan menggunakan formula :
O E E
2

X2

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

RA

7
Ket : O= nilai observasi E =nilai expectasi (harapan)

k=jumlah kolom b=jumlah baris

Untuk mempermudah analisis kai kuadrat, nilai data kedua variabel disajikan dalam
tabel tabel silang. Variabel I Ya Tidak Jumlah Variabel II Tinggi a c a+c Jumlah
Rendah b d b+d a+b c+d N

a, b, c dan d merupakan nilai observasi, sedangkan nilai expectasi (harapan)

masing-masing sel dicari dengan rumus :

total barisnya x total kolomnya jumlah keseluruha data n

Misalkan mencari nilai expectasi untuk sel a adalah :

Ea

a b a c N

Untuk Ea, Ec dan Ed dapat dicari dengan cara yang sama Khusus untuk tabel 2x2 dapat
dicari nilai X2 dengan menggunakan rumus :

X2

N (ad bc)2 (a c)(b d )(a b)(c d )

Uji kai kuadrat sangat baik digunakan untuk tabel dengan derajat kebebasan (df)
yang besar. Sedangkan khusus untuk tabel 2x2 (df nya adalah 1) sebaiknya digunakan
uji kai kuadrat yang sudah dikoreksi (Yate corrected atau Yate’s correction).
Formula Kai Kuadrat Yate’s correction adalah sebagai berikut :

O E E

0,5

Atau

X2

N N ad bc 2 (a c)(b d )(a b)(c d )

RA

8
5. KETERBATASAN KAI KUADRAT Uji kai kuadrat menuntut frekuensi harapan/expected (E)
dalam masing-masing sel tidak boleh terlalu kecil. Jika frekuensi sangat kecil,
penggunaan uji ini mungkin menjadi tidak tepat. Oleh karena itu dalam penggunaan
uji kai kuadrat harus memperhatikan keterbatasan-keterbatasan uji ini. Adapun
keterbatasan uji ini adalah : a. Tidak boleh ada sel yang mempunyai nilai harapan/
nilai ekspektasi (nilai E) kurang dari 1 b. Tidak boleh ada sel yang mempunyai
nilai harapan/ nilai ekspektasi (nilai E) kurang dari 5 , lebih dari 20% dari
keseluruhan sel.

Jika keterbatasan tersebut ternyata pada saat uji kai kuadrat peneliti harus
menggabungkan kategori-kategori yang berdekatan dalam rangka memperbesar frekuensi
harapan dari sel-sel tersebut (penggabungan ini dapat dilakukan untuk analisis
tabel silang lebih dari 2x2, misalnya 3x2, 3x4, dll). Penggabungan ini diharapkan
datanya tidak sampai kehilangan makna. Andai saja keterbatasan tersebut terjadi
pada tabel 2x2 (ini berarti kita tidak bisa menggabung kategori-kategori lagi),
dianjurkan menggunakan uji Fisher exact.

ODD Rasio (OR) dan risiko Relatif (RR) Hasil uji chi square hanya dapat
menyimpulkan ada/tidaknya perbedaan proporsi antar kelompok atau dengan kata lain
kita hanya dapat menyimpulkan ada/tidaknya hubungan dua variabel kategorik. Dengan
demikian uji chi Square tidak dapat menjelaskan derajat hubungan, dalam hal ini uji
square tidak dapat mengetahui kelompok mana yang memiliki risiko lebih besar
dibanding kelompok yang lain. Dalam bidang kesehatan untuk mengetahui derajat
hubungan, dikenal ukuran Risiko Relatif (RR) dan Odds rasio (OR).  Risiko relative
(RR) membandingkan risiko pada kelompok terekspose dengan kelompok tidak terekspose
 Odds rasio (OR) membandingkan odds pada kelompok terekspose dengan odds kelompok
tidak terekspose  Ukuran RR umumnya digunakan pada desain cohort.

RA

9
 Ukuran OR digunakan pada disain kasus control atau potong lintang (cross
sectional).  Interpretasi kedua ukuran ini akan sangat tergantung dari cara
memberi kode variabel baris dan kolom pada table silang.  Sebaiknya memberi kode
rendah untuk kelompok berisiko/ terekspose dan kode lebih tinggi untuk kelompok
tak/ kurang berisiko (pada disain kasus kontrol)  Kode rendah jika
kejadian/penyakit yang diteliti ada dan kode tinggi jika kejadian/ penyakit tidak
ada ( pada disain kasus kontrol)  Pembuatan persentase pada tabel silang harus
diperhatikan agar supaya tidak salah dalam menginterpretasi.  Pada jenis
penelitian survei /cross sectional atau cohort, pembuatan pada umumnya
persentasenya berdasarkan nilai dari variabel independent

(persentase menurut baris)  Pada jenis penelitian kasus kontrol pembuatan

persentasenya berdasarkan nilai dari variabel dependen (persentase menurut kolom).

RA

10
APLIKASI DENGAN SPSS

Contoh 1 :
Sumber air bersih Diare

Variabel dependent  Data kategorik : Diare  1 = Diare , 0 = Tidak terjadi diare

Variabel independent  Data kategorik: Sumber air bersih  1 = Tidak ada air
bersih, 0 = Ada air bersih Hasilnya analisis dengan program SPSS:
Sumber air bersih di rumah * Diare Crosstabulation Diare Sumber air bersih di rumah
Ada Count % within Sumber air bersih di rumah Count % within Sumber air bersih di
rumah Count % within Sumber air bersih di rumah Tidak 99 74.4% 53 57.6% 152 67.6%
Ya 34 25.6% 39 42.4% 73 32.4% Total 133 100.0% 92 100.0% 225 100.0%

Tidak

Total

Pada tabel silang antara sumber air bersih di rumah dengan kejadian diare, angka
yang paling atas adalah jumlah yang teramati masing-masing sel. Angka dibawahnya
adalah persentase menurut baris. Karena penelitiannya adalah cross sectional maka
persen yang ditampilkan adalah persentase menurut baris, namun bila jenis
penelitiannya case control maka angka persentase yang digunakan adalah persentase
menurut kolom. Responden yang mempunyai sumber air bersih di rumah sebanyak 133
orang, 34 orang (25,6 % ) diantaranya menderita diare dan 99 orang ( 74,4 % ) tidak
menderita diare. Sedangkan responden yang tidak mempunyai sumber air bersih di
rumah yang menderita diare sebanyak 39 orang ( 42,4 % ). Hasil uji Chi Square dapat
dilihat pada hasil output sebagai berikut :

RA

11
Chi-Square Tests Asymp. Sig. (2-sided) .008 .012 .008 Exact Sig. (2-sided) Exact
Sig. (1-sided)

Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test

Linear-by-Linear Association N of Valid Cases

Value 7.026b 6.279 6.971

df 1 1 1

.009 6.994 225 1 .008

.006

a. Computed only for a 2x2 table b. 0 cells (.0%) have expected count less than 5.
The minimum expected count is 29.85.

Hasil uji Pearson Chi-Square pada tingkat kepercayaan 95 %, nilai p=0,008 (dapat
dilihat pada kolom Asymp Sig). Dengan demikian p-value lebih kecil dari alpha (5%)
sehingga Ho ditolak, berarti ada perbedaan kejadian diare antara keluarga yang
mempunyai sumber air bersih dengan keluarga yang tidak mempunyai sumber air bersih.
Atau ada hubungan yang bermakna antara sumber air bersih dengan kejadian diare
(p=0,008 < 0,05 ).
Risk Estimate 95% Confidence Interval Lower Upper 1.214 1.056 .414 3.782 1.581 .878

Value Odds Ratio for Sumber air bersih di rumah (Ada / Tidak) For cohort Diare =
Tidak For cohort Diare = Ya N of Valid Cases 2.143 1.292 .603 225

Nilai OR (Odds Rasio) yaitu 2,143 artinya keluarga yang tidak mempunyai sumber air
bersih peluang 2,1 kali untuk terjadi diare dibandingkan keluarga yang mempunyai
sumber air bersih.

Contoh 2 :
HUBUNGAN PENDIDIKAN IBU DENGAN KEJADIAN DIARE
Hasil analisis 1

RA

12
Pendidikan ibu * Diare Crosstabulation Diare 0 Tidak 1 Ya 139 50 127.7 61.3 73.5%
26.5% 9 21 20.3 9.7 30.0% 70.0% 3 2 3.4 1.6 60.0% 40.0% 1 0 .7 .3 100.0% .0% 152 73
152.0 73.0 67.6% 32.4%

Pendidikan ibu

0 SD

1 SLTP

2 SLTA

3 Perguruan tinggi

Total

Count Expected Count % within Pendidikan ibu Count Expected Count % within
Pendidikan ibu Count Expected Count % within Pendidikan ibu Count Expected Count %
within Pendidikan ibu Count Expected Count % within Pendidikan ibu

Total 189 189.0 100.0% 30 30.0 100.0% 5 5.0 100.0% 1 1.0 100.0% 225 225.0 100.0%

Chi-Square Tests Asymp. Sig. (2-sided) .000 .000 .001

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

Value 23.009a 21.802 10.919 225

df 3 3 1

a. 4 cells (50.0%) have expected count less than 5. The minimum expected count is .
32.

Pada hasil analisis data menggunakan Chi Square pada contoh diatas kurang valid
karena: ada nilai ekspektasi yang kurang dari 1 (padahal ketentuannya tidak boleh
ada sel yang mempunyai nilai ekspektasi kurang dari 1)

- ada nilai ekspektasi yang kurang dari 5 sebanyak 50% (padahal ketentuannya
sel- sel dengan nilai ekspektasi kurang dari 5 tidak melebihi 20% dari total sel.
Solusi  diupayakan ada penggabungan baris atau kolom. Hasil analisis 2

RA

13
didikbaru * Diare Crosstabulation Diare 0 Tidak 1 Ya 139 50 127.7 61.3 73.5% 26.5%
9 21 20.3 9.7 30.0% 70.0% 4 2 4.1 1.9 66.7% 33.3% 152 73 152.0 73.0 67.6% 32.4%

didikbaru

0 SD

1 SLTP

2 SLTA & PT

Total

Count Expected Count % within didikbaru Count Expected Count % within didikbaru
Count Expected Count % within didikbaru Count Expected Count % within didikbaru

Total 189 189.0 100.0% 30 30.0 100.0% 6 6.0 100.0% 225 225.0 100.0%

Chi-Square Tests Asymp. Sig. (2-sided) .000 .000 .000

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

Value 22.400a 20.894 12.728 225

df 2 2 1

a. 2 cells (33.3%) have expected count less than 5. The minimum expected count is
1.95.

Pada hasil analisis data menggunakan Chi Square pada contoh diatas kurang valid
karena:

- ada nilai ekspektasi yang kurang dari 5 sebanyak 33,3% (padahal ketentuannya
sel- sel dengan nilai ekspektasi kurang dari 5 tidak melebihi 20% dari total sel).
Solusi  diupayakan ada penggabungan baris atau kolom.

Hasil analisis 3
didikbaru2 * Diare Crosstabulation Diare 0 Tidak 1 Ya 139 50 127.7 61.3 73.5% 26.5%
13 23 24.3 11.7 36.1% 63.9% 152 73 152.0 73.0 67.6% 32.4%

didikbaru2

0 SD

Total

Count Expected Count % within didikbaru2 1 SLTP,SLTA & PT Count Expected Count %
within didikbaru2 Count Expected Count % within didikbaru2

Total 189 189.0 100.0% 36 36.0 100.0% 225 225.0 100.0%

RA

14
Chi-Square Tests Asymp. Sig. (2-sided) .000 .000 .000 Exact Sig. (2-sided) Exact
Sig. (1-sided)

Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test

Linear-by-Linear Association N of Valid Cases

Value 19.333b 17.663 18.092

df 1 1 1

.000 19.248 225 1 .000

.000

a. Computed only for a 2x2 table b. 0 cells (.0%) have expected count less than 5.
The minimum expected count is 11.68.

Hasil analisis diatas dapat diinterpretasi menggunakan uji Chi Square karena: Sudah
tidak ada sel yang mempunyai nilai ekspektasi kurang dari 1 Sel yang nilai
ekspektasi kurang dari 5 tidak ada ( 0%).

Hasil uji Pearson Chi Square pada tingkat kepercayaan 95% dengan derajat kebebasan
1 menunjukkan ada hubungan yang bermakna antara ibu yang berpendidikan SD dan
berpendidikan (SLTP, SLTA, PT) dengan kejadian diare (p=0,000 < 0,05)

Contoh 3 :
HUBUNGAN ADA TIDAKNYA JAMBAN DENGAN KEJADIAN DIARE
Hasil analisis 1
Ada jamban di rumah * Diare Crosstabulation Diare 0 Tidak 1 Ya 146 66 143.2 68.8
68.9% 6 8.8 46.2% 152 152.0 67.6% 31.1% 7 4.2 53.8% 73 73.0 32.4%

Ada jamban di rumah

0 Ada

1 Tidak

Total

Count Expected Count % within Ada jamban di rumah Count Expected Count % within Ada
jamban di rumah Count Expected Count % within Ada jamban di rumah

Total 212 212.0 100.0% 13 13.0 100.0% 225 225.0 100.0%

RA

15
Chi-Square Tests Asymp. Sig. (2-sided) .090 .164 .101 Exact Sig. (2-sided) Exact
Sig. (1-sided)

Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test

Linear-by-Linear Association N of Valid Cases

Value 2.883b 1.940 2.689

df 1 1 1

.125 2.870 225 1 .090

.085

a. Computed only for a 2x2 table b. 1 cells (25.0%) have expected count less than
5. The minimum expected count is 4.22.

Pada contoh diatas jika digunakan analisis menggunakan uji Chi Square kurang valid
karena ada nilai ekspektasi yang kurang dari 5 sebanyak 25,0% (padahal ketentuannya
sel- sel dengan nilai ekspektasi kurang dari 5 tidak melebihi 20% dari total sel).
Solusi  digunakan Fisher’s Exact Test , diperoleh p = 0,125 Hasil uji Fisher’s
Exact pada tingkat kepercayaan 95% menunjukkan tidak ada hubungan yang bermakna
antara ada tidaknya jamban dengan kejadian diare (p=0,125 < 0,05).

SOAL 1. Suatu penelitian bertujuan untuk melihat apakah ada perbedaan keaktifan
kader dengan kondisi sosial ekonomi yang dimiliki di Kodya Semarang. Untuk
keperluan tersebut, diambil sampel sebanyak 170 kader. Setelah dimasukkan ke dalam
beberapa kategori diperoleh tabel kontingensi sebagai berikut: Sosial ekonomi
Kurang Baik Jumlah Keaktifan kader Kurang Baik 10 35 44 81 54 116 Jumlah 45 125 170

Dari data tersebut diatas, apakah ada hubungan sosial ekonomi dengan keaktifan
kader di posyandu? Gunakan tingkat kemaknaan 5%. Pada uji hipotesis menggunakan uji
Chi Square, apakah jenis ujinya?

2. Seorang peneliti ingin mengetahui apakah ada perbedaan nilai pengetahuan gizi
antara murid SD favorit dan SD non favorit di Kodya Semarang. Pada SD favorit
dimabil 70 siswa dan pada SD non favorit juga diambil 70 siswa sebagai sampel.

RA

16
Setelah data terkumpul dan diolah maka didapatkan tabel kontingensi sebagai
berikut: Nilai pengetahuan gizi SD Jumlah Kurang Sedang Baik Favorit 17 21 32 70
Non Favorit 21 25 24 70 Jumlah 38 46 56 140 Apakah ada perbedaan nilai pengetahuan
gizi antara murid SD favorit dan SD non favorit? Gunakan = 5%.

3. Suatu penelitian dilakukan untuk meneliti apakah ada hubungan antara merokok
dengan kejadian hipertensi. Tabel kontingensinya (3x2) adalah sebagai berikut:
Hipertensi Merokok Bukan perokok Perokok ringan Perokok berat Jumlah Ya 11 36 39 86
Tidak 58 26 10 94 Jumlah 69 62 49 180

Ujilah hipotesa nihil bahwa tidak ada hubungan antara merokok dengan kejadian
hipertensi. Gunakan taraf signifikansi 0,05.

4. Suatu penelitian diperoleh hasil sebagai berikut: Tabel 5. Data Responden No 1.

2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. Status bekerja Bekerja
Bekerja Tidak bekerja Bekerja Tidak bekerja Tidak bekerja Tidak bekerja Bekerja
Bekerja Tidak bekerja Tidak bekerja Bekerja Tidak bekerja Bekerja Tidak bekerja
Bekerja Tidak bekerja Menyusui eksklusiv/tidak tidak ya tidak tidak ya ya ya tidak
ya tidak tidak ya ya tidak ya tidak ya No 26. 27. 28. 29. 30. 31. 32. 33. 34. 35.
36. 37. 38. 39. 40. 41. 42. Status bekerja Tidak bekerja Tidak bekerja Bekerja
Bekerja Tidak bekerja Tidak bekerja Bekerja Tidak bekerja Bekerja Tidak bekerja
Bekerja Tidak bekerja Tidak bekerja Bekerja Bekerja Tidak bekerja Bekerja Menyusui
eksklusiv/tidak ya ya tidak ya tidak tidak ya ya tidak ya tidak ya ya tidak tidak
tidak ya

RA

17
18. 19. 20. 21. 22. 23. 24. 25.

Tidak bekerja Bekerja Bekerja Bekerja Bekerja Tidak bekerja Bekerja Tidak bekerja

ya tidak tidak tidak ya tidak tidak ya

43. 44. 45. 46. 47. 48. 49. 50.

Tidak bekerja Bekerja Tidak bekerja Bekerja Tidak bekerja Tidak bekerja Bekerja
Bekerja

ya tidak ya tidak ya ya tidak ya

Ujilah hipotesa yang menyatakan bahwa : Ada hubungan antara status bekerja ibu
dengan menyusui secara eksklusive pada tingkat kemaknaan 5%. Daftar Pustaka 1.
Sheskin, D.J. Handbook of Parametric and Nonparametric Statistical Prosedures.
Third Edition. Chapman & Hall/CRC. Florida. 2004. 2. Murti, B Penerapan Metode
Statistik Non-Parametrik Dalam Ilmu –ilmu Kesehatan, PT. Gramedia Pustaka Utama.
1996. 3. Santoso, S. Statistik Non-Parametrik, Elex Media Komputindo. 2003. 4.
Ariawan, I. Analisis Data Kategori, Modul, Fakultas Kesehatan Masyarakat,
Universitas Indonesia. 2003. 5. Siegel, S. Statistik Non Parametrik untuk Ilmu-ilmu
Sosial, Gramedia, Jakarta. 1994.

RA

18