UNIVERSITAS INDONESIA

TEKNIK STATISTIK NON-PARAMETRIK

UJI KEMAKNAAN DENGAN SAMPEL TUNGGAL:

UJI INDEPENDENSI KAI KUADRAT, UJI
FISHER’S EXACT DAN UJI RUN

MAKALAH

Disusun oleh:

FRISKHA MARGARETH SIAHAAN 1606953921

NABILA NOVANIA HERMANSYAH 1606954142
PUTRI SEPTI WIDIASARI 1606954262

PROGRAM STUDI ILMU KESEHATAN MASYARAKAT

DEPARTEMEN BIOSTATISTIK DAN ILMU KEPENDUDUKAN
FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS INDONESIA
DEPOK
 DAFTAR ISI

DAFTAR ISI............................................................................................................................... i
BAB I UJI INDEPENDENSI KAI KUADRAT (TEST OF INDEPENDENCE) ...................... 1
1.1 Teori Uji Independensi Kai Kuadrat ........................................................................... 1
1.2 Langkah-Langkah Uji Independensi Kai Kuadrat ...................................................... 2
1.3 Contoh Kasus Uji Independesi Kai Kuadrat ............................................................... 3
1.4 Aplikasi Uji Independensi Kai Kuadrat dengan SPSS ................................................ 4
BAB II UJI PASTI FISHER (FISHER EXACT) ...................................................................... 8
2.1 Teori Konsep Uji Pasti Fisher ..................................................................................... 8
2.2 Kegunaan ..................................................................................................................... 8
2.3 Ketentuan Penggunaan Uji Pasti Fisher ...................................................................... 8
2.4 Rumus dan Prosedur Pengujian................................................................................... 9
2.5 Contoh Soal ............................................................................................................... 10
2.6 Aplikasi Uji Pasti Fisher dengan Menggunakan SPSS ............................................. 13
BAB III UJI RUN..................................................................................................................... 16
3.1 Teori Konsep Uji Run ............................................................................................... 16
3.2 Kegunaan Uji Run ..................................................................................................... 16
3.3 Langkah Uji Run ....................................................................................................... 17
3.4 Contoh Kasus Uji Run ............................................................................................... 18
3.5 Aplikasi Uji Run (SPSS)............................................................................................ 21
DAFTAR PUSTAKA .............................................................................................................. 28
LAMPIRAN ............................................................................................................................. 29

i
 BAB I
UJI INDEPENDENSI KAI KUADRAT (TEST OF INDEPENDENCE)

1.1 Teori Uji Independensi Kai Kuadrat

Uji kai kuadrat (chi-square) atau disebut juga Pearson’s chi-square mentabulasi
satu variabel ke dalam kategori-kategori dan menghitung angka statistik chi-
square(Sarwono & Budiono, 2012). Uji ini bisa diterapkan untuk pengujian data
kategorikal. Penerapan uji kai kuadrat untuk menguji apakah frekuensi yang diamati
dari suatu observasi berbeda secara nyata atau tidak dengan frekuensi yang diharapkan
(expected value) (Arifin, 2008). Kai kuadat meliputi uji kesesuaian (goodness of fit), uji
homogenitas dan uji independensi (test of independence).Untuk satu variabel dikenal
sebagai uji keselarasan atau goodness-of-fit test yang berfungsi untuk membandingkan
frekuensi yang diamati dan yang diharapkan ke dalam masing-masing kategori untuk
diuji apakah semua kategori mempunyai proporsi nilai yang khusus untuk satu
pengguna. Jika terdiri dari dua variabel dikenal sebagai uji independensi atau test of
independenceyang berfungsi untuk membandingkan apakah satu variabel tertentu
bersifat dependen atau independen terhadap variabel yang lain (Sarwono & Budiono,
2012).
Banyak penelitian kesehatan dilakukan untuk memperoleh jawaban tentang
hubungan antara dua variabel, misalnya merokok dan kanker, pengobatan dan
kesembuhan, kelas sosial dan filariasis, kolesterol dan penyakit jantung koroner, berat
badan dan diabetes, tekanan darah dan penyakit jantung, dan sebagainya. Dengan uji
independesi kai kuadrat dapat diketahui, apakah dua variabel saling berhubungan
(dependen) atau tidak saling berhubungan (independen). Hipotesis nol yang akan diuji
kebenarannya menyatakan kedua variabel tidak saling berhubungan. Dengan uji
independensi kai kuadrat, dapat diketahui apakah hubungan yang teramati antara kedua
variabel secara statistik bermakna, ataukah peran peluang terlalu besar sehingga
keterkaitan yang teramati dapat dikatakan tidak bermakna (Murti, 1996).
Data yang dianalisis berasal dari sebuah sampel acak dari sebuah populasi. Data
dianalisis menurut dua variabel (Murti, 1996). Uji independensikai kuadrat merupakan
uji dua arah antara dua variabel, yaitu variabel pertama dalam kolom dan variabel
kedua dalam baris atau yang biasa dikenal degan tabel kontingensi (Suharyadi &
Purwanto, 2009).Uji independensi kai kuadrat dikatakan valid jika frekuensi yang
diharapkan untuk masing-masing kategori harus setidaknya bernilai 1 dan tidak boleh

1
 lebih dari 20% dari kategori mempunyai frekuensi yang diharapkan kurang dari 5.Jika
asumsi ini tidak terpenuhi, maka harus dilakukan pengelompokan ulang sampai hanya
menjadi dua kelompok saja (tabel 2 x 2). Jika persyaratan validitas masih tidak
terpenuhi sampai tabel berbentuk 2x2, uji fisher exact merupakan alternatif yang bisa
dipakai untuk ukuran sampel kecil (Murti, 1996).

1.2 Langkah-Langkah Uji Independensi Kai Kuadrat

Terdapat beberapa langkah untuk melakukan uji independensi kai kuadrat, yaitu:
a. Pernyataan hipotesis nol dan hipotesis alternatif. Pada uji indepensi, hipotesis nol
adalah dua variabel yang sedang dikaji saling independen (tidak terikat), sedangkan
hipotesis alternatifnya dua variabel tidak saling independen atau kedua variabel
saling terikat satu sama lainnya.
b. Pemilihan tingkat kepentingan atau level of significance (). Biasanya digunakan
tingkat kepentingan 0,01 atau 0,05.
c. Mengetahui nilai tabel chi-square (x2) dengan taraf nyata  dan derajat bebas
df=(jumlah baris-1)*(jumlah kolom-1). Tabel dapat dilihat pada Lampiran 1.
d. Membuat tabel kontingensi
Variabel 2
Variabel 1 Jumlah
Kategori 1 Kategori 2
Kategori 1 a b a+b
Kategori 2 c d c+d
Jumlah a+c b+d a+b+c+d

Keterangan:
a, b, c dan d = frekuensi yang teramati atau nilai observasi
e. Menghitung nilai x2dengan rumus (Murti, 1996):

(𝑂𝑖 − 𝐸𝑖 )2
𝑥2 = ∑
𝐸𝑖

Keterangan:
Oi = frekuensi teramati pada sel i
Ei = frekuensi harapan pada sel i
Frekuensi harapan atau nilai ekspektasi masing-masing sel dihitung menggunakan
rumus:

2
 𝑡𝑜𝑡𝑎𝑙 𝑏𝑎𝑟𝑖𝑠 𝑥 𝑡𝑜𝑡𝑎𝑙 𝑘𝑜𝑙𝑜𝑚
𝐸𝑖 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎

Khusus untuk tabel 2x2, nilai x2dapat dihitung menggunakan rumus kai kuadrat
Yate’s Correctionatau Continuity Correction, yaitu:

𝑁(𝑎𝑑 − 𝑏𝑐)2
𝑥2 =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐) (𝑏 + 𝑑)

f. Kriteria penolakan H0 dalam uji independensi kai kuadrat sama dengan uji kai
kuadrat yang lain, yaitu H0 ditolak jika chi-squarehitung >chi-square tabel
(Syamsir, 2015).

1.3 Contoh Kasus Uji Independesi Kai Kuadrat

Kasus
Suatu penelitian ingin mengetahui hubungan status bekerja ibu dengan perilaku
menyusui. Variabel status pekerjaan terdiri dari kelompok ibu bekerja dan tidak
bekerja. Variabel perilaku menyusui terdiri dari eksklusif dan non-eksklusif. Hasilnya
disajikan pada tabel berikut ini:
Perilaku menyusui
Status bekerja Jumlah
Eksklusif Non eksklusif
Bekerja 8 17 25
Tidak bekerja 18 7 25
Jumlah 26 24 50

Prosedur Uji Independensi Kai Kuadrat

a. Pernyataan hipotesis
H0 = Tidak ada hubungan antara status bekerja dengan perilaku menyusui
Ha = Ada hubungan antara status bekerja dengan perilaku menyusui
b. Tingkat kepentingan yang digunakan adalah =0,05
c. df=(jumlah baris-1)*(jumlah kolom-1) = (2-1)*(2-1) = 1. Maka, nilai x2tabel adalah
3,841. Tabel dapat dilihat pada Lampiran 1.

3
 d. Tabel kontingensi
Nilai Observasi (Observation) Nilai Ekspektasi (Expected)
Perilaku
Perilaku menyusui
menyusui
Status Status
Non Jmlh Jmlh
bekerja Eksklu bekerja Non
eksklus Eksklusif
sif eksklusif
if
(25*26)/5 (25*24)/5
Bekerja 8 17 25 Bekerja 25
0=13 0=12
Tidak Tidak (25*26)/5 (25*24)/5
18 7 25 25
bekerja bekerja 0=13 0=12
Jumlah 26 24 50 Jumlah 26 24 50
Menghitung nilai x²hitung
(O-
O E (O-E)
E)²/E
8 13 -5 1,92
17 12 5 2,08
18 13 5 1,92
7 12 -5 2,08
x²hitung 8,01
Karena tabel berbentuk 2x2, bisa menggunakan rumus Yate’s Correction
𝑁(𝑎𝑑 − 𝑏𝑐)2 50(8 ∗ 7 − 17 ∗ 18)2
𝑥2 = =
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑) (8 + 17)(18 + 7)(8 + 18)(17 + 7)
= 8,01
e. Karena x²hitung>x²tabel (8,01> 3,841), maka H0 ditolak.
Kesimpulannya, secara statistic ada hubungan antara status bekerja dengan
perilaku menyusui eksklusif.

1.4 Aplikasi Uji Independensi Kai Kuadrat dengan SPSS

Prosedur uji independensi kai kuadrat mengguanakan software SPSS adalah sebagai
berikut:

4
a. Buka program SPSS. Lakukan persiapan input data dengan membuat template.
Pada bagian name baris pertama tuliskan nama label untuk variabel status bekerja
(kerja), baris kedua nama label untukvariabel perilaku menyusui (asi_eksklusif).
Pada bagian decimals ganti dengan angka 0. Selanjutnya, klik titik tiga pada bagian
values, lalu muncul kotak dialog dengan nama value labels, kemudian isikan kode
kategori untuk masing-masing variabel seperti gambar di bawah. Klik add, setelah
semua kode kategori dimasukkan, klik OK.

b. Selanjutnya melakukan input data pada bagian data view. Isikan kode kategori
pada masing-masing variabel sesuai dengan data penelitian.
c. Untuk melakukan analisis data dengan uji independensi kai kuadrat, pilih menu
analyze, kemudian pilih descriptive statistic, dan pilih crosstab.

d. Muncul kotak dialog dengan nama crosstab. Masukkan variabel independen, pada
penelitian ini adalah variabel status bekerja (kerja), di kolom row(s), dan variabel
dependen (asi_eksklusif) di kolom column(s).

5
e. Klik option statistics pada kotak dialog crosstab. Berikan tanda sentang pada
bagian chi-square lalu klik continue. Klik option cells, berikan tanda centang pada
bagian rowlalu klik continue. Selanjutnya klik OK pada kotak dialog crosstab.

f. Muncul output tabulasi silang antara dua variabel yang diteliti dan hasil analisis uji
kai kuadrat.

6
 Output SPSS menampilkan semua nilai chi-square dari berbagai macam uji,
seperti Pearson Chi-Square, Continuity Correction, atau Fisher Exact Test. Unuk
memilih nilai x2 atau p-value yang paling sesuai, gunakan asumsi-asumsi sebagai
berikut (Besral, 2010):
1. Pada tabel lebih dari 2x2, misalnya 3x2 atau 3x3, bila nilai frekuensi harapan
(expected) yang kurang dari 5 tidak lebih dari 20% (dapat dilihat dari
footnotedi bawah tabel Chi-Square Tests), maka uji yang dipakai sebaiknya
Pearson Chi-Square. Jika nilai frekuensi harapan kurang yang dari 5 lebih dari
20% atau ada nilai frekuensi harapan dengan angka 0, maka hasil uji chi-
square tidak valid. Harus dilakukan pengelompokan ulang terlebih dahulu.
2. Pada tabel 2x2, jika nilai frekuensi harapan tidak ada yang kurang dari 5, maka
uji yang dipakai sebaiknya Continuity Correction.
3. Pada tabel 2x2, jika ada nilai frekuensi harapan yang kurang dari 5, maka uji
yang gunakan adalah Fisher’s Exact Test.
Pada contoh kasus menggunakan tabel 2x2 dan tidak ada nilai frekuensi
harapan yang kurang dari 5, sehingga uji yang digunakan adalah Continuity
Correction dengan p-value0,011 (dapat dilihat pada kolom Asymp. Sig pada tabel
Chi-Square Tests). P-value lebih kecil dari  (0,05), dengan demikian dapat
disimpulkan bahwa ada hubungan antara status bekerja dengan perilaku menyusui
secara eksklusif.

7
 BAB II
UJI PASTI FISHER (FISHER EXACT)

2.1 Teori Konsep Uji Pasti Fisher

Uji pasti Fisher menguji kemaknaan hubungan antara dua variabel kategorikal,
menggunakan pendekatan probabilitas pasti (exact probability) (Fisher, 1973). Pada
bahasan uji independensi Kai Kuadrat terdapat keterbatasan penggunaan uji Kai
Kuadrat yaitu pada uji kai kuadrat memakai data yang diskrit dengan pendekatan
distribusi kontinu. Dekatnya pendekatan yang dihasilkan tergantung pada ukuran dalam
berbagai sel dari tabel kontingensi (tabel silang). Untuk menjamin pendekatan yang
memadai digunakan aturan dasar: frekuensi harapan tidak boleh terlalu kecil
(Departemen Biostatistik FKM, 2009). Secara umum ketentuan sebagai berikut:
 Uji Kai Kuadrat dapat digunakan dengan syarat:
a. Jumlah sampel > 40
b. Jumlah sampel antara 20-40 dan tidak ada sel yang nilai E-nya <5
 Uji Kai Kuadrat tidak dapat digunakan dengan syarat:
a. Jumlah sampel <20
b. Jumlah sampel 20-40 dan ada sel yang nilai E-nya kurang dari 5, lebih di
20% total selnya.
Apabila hai tersebut terjadi di dalam suatu tabel kontingensi (tabel silang), teknik
yang dianggap dapat menanggulangi permasalahan adalah dengan menggabungkan
nilai dari sel yang kecil dengan sel lainnya (meng-collaps). Yang artinya, kategori dari
variabel tersebut dikurangi sehingga kategori yang nilai harapannya kecil dapat
digabungkan ke kategori yang lain. Untuk tabel 2x2 hal ini tidak dapat dilakukan, maka
solusinya dengan menggunakan uji Fisher Exact (Sabri & Hastono, 2014).

2.2 Kegunaan
Uji pasti fisher digunakan untuk menguji perbedaan antara data kategorik dengan
nilai expected (E) kurang dari 5 ( Alternatif uji Kai Kuadrat/Mc Nemar).

2.3 Ketentuan Penggunaan Uji Pasti Fisher

 Data berskala kategorik/nominal atau ordinal
 Data disajikan dalam tabel silang/tabel kontingensi 2x2

8
  Jumlah sampel ≤ 40 sampel
 E = ½ (A+D) kurang dari 5

2.4 Rumus dan Prosedur Pengujian

Prosedur uji pasti fisher yang dilakukan adalah sebagai berikut :
1) Buatlah tabel silang seperti contoh Tabel 1 dimana baris adalah kelompok
sampel dan kolom (-) dan (+) menunjukkan kategori yang bersifat mutualy
exclusive.
2) Masukkan frekuensi-frekuensi hasil pengamatan ke dalan baris dan kolom yang
tepat.
3) Hitung jumlah frekuensi ke arah baris dan kolom, N adalah jumlah keseluruhan
frekuensi pengamatan.
4) Untuk uji signifikansi ( 6 ≤ n ≤30) gunakan Tabel 1 (Siegel 1997) yang
merupakan pengujian satu sisi, sedangkan untuk pengujian dua sisi harga p = 2
x pTabel.
5) Untuk uji signifikansi yang lebih cermat (eksak) gunakan rumus 4.1 yang
menghasilkan harga p uji satu sisi, sedangkan untuk pengujian dua sisi harga p
dikalikan 2. Praktis digunakan jika n tidak terlampau besar. Meskipun demikian
bisa dipakai untuk n> 30 tetapi kemungkinan di daerah penolakan tidak
terlampau banyak.
6) Jika p yang dihasilkan dari perhitungan ternyata ≤ α, maka H0 ditolak
Rumus uji pasti fisher yang digunakan beserta dengan contoj tabel kontingensi/tabel
silang 2x2 yang digunakan dalam uji Fisher:
(𝑎+𝑏)!(𝑐+𝑑)!(𝑎+𝑐)!(𝑏+𝑑)!
𝑝= ...............................(4.1)
𝑎!𝑏!𝑐!𝑑!𝑛!

Sumber : (Murti, 1996)

Tabel 1 Contoh Tabel Silang 2x2 yang Digunakan dalam Uji Fisher
- + Total
Kel. Sampel 1 A B A+B
Kel. Sampel 2 C D C+D
Total A+C B+D N

9
 Keterangan signifikansi:
a. Untuk tabel yang tidak mempunyai nilai sel nol (0)
 Signifikansi pada uji fisher exact dibandingkan langsung dengan nilai α
 Jika P > α maka H0 diterima
 Jika P < α maka H0 ditolak
 Untuk uji 2 sisi dipakai P = P × 2
b. Untuk tabel yang mempunyai nilai sel nol
 Perlu dibuat kemungkinan deviasi nilai ekstrimnya
 P = Nilai P kasus + P terkecil deviasi ekstrim
 Jika P > α maka H0 diterima
 Jika P < α maka H0 ditolak
 Untuk uji 2 sisi dipakai P = P × 2

2.5 Contoh Soal

KASUS 1
1) Aplikasi Tabel dengan Nilai Sel = 0
Sebuah studi kasus kontril ingin melihat pengaruh merokok malam dengan
kejadian kanker paru, hasil yang diperolah tersaji pada tabel silang berikut ini:
Merokok Kanker Paru Jumlah
Malam Ya Tidak
Ya 3 0 3
Tidak 1 3 4
Jumlah 4 3 7
Apakah ada perbedaan antara kebiasaan merokok malam dengan kejadian kanker
paru pada perokok pada α = 5%?
Jawab:
Hipotesis =
 H0 : P > α  tidak ada hubungan antara kebiasaan merokok malam dengan
kejadian kanker paru pada perokok
 H0 : P < α  ada hubungan antara kebiasaan merokok malam dengan
kejadian kanker paru pada perokok
 α = 5%
(𝑎+𝑏)!(𝑐+𝑑)!(𝑎+𝑐)!(𝑏+𝑑)!
 Rumus 𝑝 = 𝑎!𝑏!𝑐!𝑑!𝑛!

10
 Penyelesaian =
 Karena ada nilai sel = 0 maka tidak perlu dicari deviasi ekstrimnya
(𝑎 + 𝑏)! (𝑐 + 𝑑)! (𝑎 + 𝑐)! (𝑏 + 𝑑)!
𝑝=
𝑎! 𝑏! 𝑐! 𝑑! 𝑛!
(3 + 0)! (1 + 3)! (3 + 1)! (0 + 3)!
𝑝=
3! 0! 1! 3! 7!
3! 4! 4! 3!
𝑝=
3! 0! 1! 3! 7!
6 + 24 + 24 + 6
𝑝=
5040 × 6 × 1 × 1 × 6
20736
𝑝= = 0,1143
181440
Kesimpulan =
 Uji 1 sisi P = 0,114 > α (0,05)  maka H0 diterima
 Pada uji 2 sisi  P = 0,114 × 2 = 0,228 > > α (0,05)  maka H0 diterima
 Jadi baik pada uji satu sisi ataupun dua sisi dapat disimpulkan tidak adanya
perbedaan yang bermakna atara mereka yang merokok maupun tidak
merokok pada malam hari terhadap kejadian kanker paru.
KASUS 2
2) Aplikasi Tabel yang tidak mempunyai nilai sel = 0
Sebuah studi kasus kontril ingin melihat pengaruh merokok malam dengan
kejadian kanker paru, hasil yang diperolah tersaji pada tabel silang berikut ini:
Merokok Kanker Paru Jumlah
Malam Ya Tidak
Ya 1 2 3
Tidak 3 1 4
Jumlah 4 3 7
Apakah ada perbedaan antara kebiasaan merokok malam dengan kejadian kanker
paru pada perokok pada α = 5%?
Jawab:
Hipotesis =
 H0 : P > α  tidak ada hubungan antara kebiasaan merokok malam dengan
kejadian kanker paru pada perokok
 H0 : P < α  ada hubungan antara kebiasaan merokok malam dengan
kejadian kanker paru pada perokok

11
  α = 5%
(𝑎+𝑏)!(𝑐+𝑑)!(𝑎+𝑐)!(𝑏+𝑑)!
Rumus 𝑝 = 𝑎!𝑏!𝑐!𝑑!𝑛!

Penyelesaian =
 Karena tidak ada nilai sel = 0 maka perlu membuat kemungkinan deviasi
nilai ekstrimnya
(1) (2)
0 3 1 2
4 0 3 1

(3) (4)
2 1 3 0
2 2 1 3

 Hitung nilai Pnya pada masing masing tabel diatas

(0+3)!(4+0)!(0+4)!(3+0)!
P(1) = 𝑝 = = 0,0048 nilai P Terkecil
0!3!4!0!7!
(1+2)!(3+1)!(1+3)!(2+1)!
P(2) = 𝑝 = = 0,0571 nilai P Kasus
1!2!3!1!7!
(2+1)!(2+2)!(2+2)!(1+2)!
P(3) = 𝑝 = = 0,1714
2!1!2!2!7!
(3+0)!(1+3)!(3+1)!(0+3)!
P(4) = 𝑝 = = 0,1143
3!0!1!3!7!

 Maka:
P = P(2) + p(1) = 0,0571+0,0048 = 0,0619  Uji 1 Sisi
P vs α  0,0619 > 0,05  H0 gagal ditolak
H0 : P > α  tidak ada hubungan antara kebiasaan merokok malam dengan
kejadian kanker paru pada perokok

12
2.6 Aplikasi Uji Pasti Fisher dengan Menggunakan SPSS
KASUS 1
Prosedur uji independensi kai kuadrat mengguanakan software SPSS adalah sebagai berikut:
b. Buka program SPSS. Lakukan persiapan input data dengan membuat template. Pada
bagian name baris pertama tuliskan nama label untuk variable Kebiasaan Merokok
Malam (Merokok_Malam), baris kedua nama label untuk variabel Kejadian Kanker Paru
(Kanker_Paru), baris ketiga nama label untuk variabel frekuensi. Pada bagian decimals
ganti dengan angka 0. Selanjutnya, klik titik tiga pada bagian values, lalu muncul kotak
dialog dengan nama value labels, kemudian isikan kode kategori untuk masing-masing
variabel seperti gambar di bawah. Klik add, setelah semua kode kategori dimasukkan,
klik OK.

c. Selanjutnya melakukan input data pada bagian data view. Isikan kode kategori pada
masing-masing variabel sesuai dengan data penelitian.untuk di kolom pertama diisi
dengan data yang ada pada nomor baris, kolom kedua diisi dengan data nomor kolom,
dan kolom ketiga diisi dengan jumlah kasusnya. Proses input data yang dilakukan adalah
sebagai berikut:

d. Dikarenakan data yang diinput sudah berupa tabel silang maka perlu dilakukan weight
cases sebagai berikut:

13
e. Selanjutnya dilakukan uji pasti fisher dengan memilih menu analyze, kemudian pilih
descriptive statistic, dan pilih crosstabs.

f. Muncul kotak dialog dengan nama crosstab. Masukkan variabel independen, pada
penelitian ini adalah variabel Kebiasaan Merokok Malam (Merokok_Malam),, di kolom
row(s), dan variabel dependen Kejadian Kanker Paru (Kanker_Paru) di kolom
column(s).

g. Klik option statistics pada kotak dialog crosstab. Berikan tanda sentang pada bagian chi-
square lalu klik continue.

14
h. Muncul output tabulasi silang antara dua variabel yang diteliti dan hasil analisis uji pasti
Fisher.

Output SPSS menampilkan nilai kai square dari berbagai macam uji seperti
Pearson Chi-Square, Continuity Correction, atau Fisher Exact Test. Pada tabel 2x2, jika
ada nilai frekuensi harapan yang kurang dari 5, maka uji yang gunakan adalah Fisher’s
Exact Test. Nilai p-value yang dihasilkan pada uji 1 sisi yaitu sebesar 0,114 (dapat dilihat
pada kolom Exact. Sig (1-sided) pada tabel Chi-Square Test. Dengan demikian diketahui
bahwa P-value lebih besar dari  (0,05) maka H0 diterima (gagal ditolak). Jadi pada uji
satu sisi dapat disimpulkan tidak adanya perbedaan yang bermakna atara mereka yang
merokok maupun tidak merokok pada malam hari terhadap kejadian kanker paru.

15
 BAB III
UJI RUN

3.1 Teori Konsep Uji Run

Statistik nonparametrik merupakan kumpulan alat-alat untuk analisis data yang
menawarkan sebuah pendekatan yang berbeda dengan cara-cara pengambilan keputusan
yang selama ini kita pelajari. Pendekatan ini tidak menekankan kepada asumsi-asumsi
sebagaimana terdapat pada statistik parametrik, seperti distribusi sampel dari parameter
populasi dianggap normal. (Sarwoko,2007). Diperlukannya uji statistik nonparametrik
mengingat bahwa suatu pengujian populasi seringkali dihadapkan pada suatu uji yang
harus dilakukan tanpa ketergantungan asumsi-asumsi yang kaku karena bersifat khusus
(Andi,2012).
Runs test sendiri merupakan bagian dari statistic nonparametric. Runs test adalah satu
atau lebih lambang-lambang yang identik yang didahului atau diikuti oleh suatu lambang
yang berbeda atau tidak ada lambang sama sekali. Misal: LLL PPP L P L PPPP L P
LLLLLL terdapat 9 runs.
Runs test digunakan untuk menguji hipotesis deskriptif (satu sample), bila datanya
berbentuk ordinal. Pengujian dilakukan dengan cara mengukur kerandoman populasi
yang didasarkan atas data hasil pengamatan melalui data sampel (Sugiyono, 2008). Uji ini
digunakan untuk menguji pada kasus satu sampel. Sampel yang diambil dari populasi,
apakah sampel yang diambil berasal dari sampel acak atau bukan . Prosedur pengujian
dilakukan dengan mengurutkan data sampel dan mencari letak nilai mediannya.

3.2 Kegunaan Uji Run

Fungsinya untuk menguji sederetan data yang terdiri atas dua kategori apakah
tersusun secara random atau sistematik. Dapat digunakan untuk menguji hipotesis
deskriptif 1 sampel dengan syarat :
 Jika populasinya berbentuk datanya ordinal
 Pengujian dilakukan dengan cara mengukur ke-random-an populasi berdasarkan data
hasil pengamatan sampel.
Hipotesa yang digunakan adalah sebagai berikut:
 H0 : urutan data adalah random
 H1 : urutan data adalah tidak random.

16
3.3 Langkah Uji Run
Pengamatan terhadap data dilakukan dengan mengukur banyaknya ”run” dalam suatu
kejadian,
A. Rumus Sampel Kecil < 20 ; n1 atau n2 yang tertinggi ≤ 20
 Banyaknya elemen suatu jenis, misal: n1 (skor < median, ditandai dengan plus
(+)), dan n2 (skor median, ditandai dengan minus (-)).
 Total kejadian yang diamati, N = n1 + n2.
 Kemudian mengamati kejadian-kejadian n1 dan n2 dalam urutan di mana
kejadian-kejadian itu muncul, dan
 Kemudian, hitung r (run) urutan yang berbeda,
 Dan bandingkan tabel F1 dan F2

B. Rumus Sampel Besar > 20 ; n1 atau n2 yang tertinggi > 20

 Banyaknya elemen suatu jenis, misal: n1 (skor < median, ditandai dengan plus
(+)), dan n2 (skor median, ditandai dengan minus (-)).
 Total kejadian yang diamati, N = n1 + n2.
 Kemudian mengamati kejadian-kejadian n1 dan n2 dalam urutan di mana
kejadian-kejadian itu muncul, dan
 Kemudian, hitung r (run) urutan yang berbeda,
 Rumus :

 2.n1.n2 
r    1
Z
r  r
  n1  n2 
r 2.n1.n2 .(2.n1.n2  n1  n2 )
(n1  n2 ) 2 .(n1  n2  1)
Keterangan :
r = banyaknya run
n1 = banyaknya anggota kelompok 1 / katagori 1
n2 = banyaknya anggota kelompok 2 / katagori 2

17
3.4 Contoh Kasus Uji Run
A. Kasus I (< 20 Sampel)
Dari sebuah pengukuran pengetahuan tentang ASI eksklusif pada 18 orang ibu hamil,
diperoleh skor median sebesar 72 (atau median yg diketahui sebelumnya 72),
Artinya, ibu hamil dengan skor ≥ 72 adalah ibu hamil dengan kategori pengetahuan
baik dan sebaliknya, ibu hamil dengan skor < 72 adalah ibu hamil dengan kategori
pengetahuan kurang baik/buruk.
Bagaimanakan keputusan hipotesisnya dengan derajat kepercayaan 95 % dan derajat
signifikansi 5 % ?

Jawab :
 Hipotesis :
 H0 : P > α  tidak ada perbedaan perbedaan pengetahuan ibu hamil. Hal ini
berarti urutan dalam memiliki pengetahuan bersifat random
 H1 : P < α  ada perbedaan pengetahuan ibu hamil. Hal ini berarti urutan dalam
memiliki pengetahuan bersifat random
 α = 5%

 Contoh Data :
No Skor Pengetahuan No Skor Pengetahuan
1 65 0 10 78 1
2 32 0 11 43 0
3 87 1 12 56 0
4 96 1 13 78 1
5 88 1 14 94 1
6 54 0 15 84 1
7 52 0 16 85 1
8 48 0 17 92 1
9 67 0 18 76 1
Dengan, mean = 72
 Coding 0 = < 72  pengetahuan buruk
 Coding 1 = ≥ 72  pengetahuan baik

18
 Tahap Penyelesaian :
 Kemudian lihat nilai r < median dan r > median
 Bandingkan dengan nilai r kritis pada tabel uji run
 Penolakan H0, jika r < r1 atau r > r2 (lihat tabel)
 Jika R diantara r1 dan r2 berarti Ho gagal ditolak (diterima)

 Penyelesaian
 Berdasarkan tabel diatas, jumlah run = 6 dengan n1=8 dan n2=10
 Lihat Tabel nilai kritis r
 Nilai kritis r1 pada tabel F1 sampel: n1=8 dan n2=10  5
 Nilai kritis r2 pada tabel F2 sampel: n1=8 dan n2=10 15
 Jumlah R kasus = 6  terletak di antara run ; 5 (r1) s/d 15 (r2)
 Jumlah run terletak pada daerah penerimaan H0
 Nilai r hitung jatuh diantara nilai kritis  H0 gagal ditolak
Artinya : tidak ada perbedaan pengetahuan ibu hamil. Hal ini berarti urutan dalam
memiliki pengetahuan bersifat random

B. Kasus II (> 20 Sampel)

Suatu penelitian tentang hasil nilai ujian mahasiswa. Mahasiswa yang mengikuti ujian
sebanyak 30 orang. Masing-masing mahasiswa didapatkan data urutan sampel
berdasarkan nilai pada tabel di bawah.
Selidikilah dengan α = 5%, apakah hasil ujian tersebut random (acak) berdasarkan
nilainya ?

Jawab :
 Hipotesis :
 H0 > α Tidak ada perbedaan nilai hasil ujian mahasiswa. Hal ini berarti urutan
dalam memiliki nilai bersifat random.
 Ha < α Ada perbedaan nilai hasil ujian mahasiswa. Hal ini berarti urutan dalam
memiliki nilai tidak bersifat random.

19
 Contoh Data :

Dengan,
 Mean : 67.5
 n2= 14
 n1= 16
 r = 14
 Perhitungan rumus :

 2.n1 .n2 
r   n  n  1 
r  r  1 
Z   2

r 2.n1 .n2 .(2.n1 .n2  n1  n2 )

( n1  n2 ) 2 .(n1  n2  1)
 2.16.14 
14    1
r  r  16  14 
Z  
r 2.16.14.(2.16.14  16  14)
(16  14) 2 .(16  14  1)
Z  0,7204

 Penyelesaian :
 Jika p ≤ α/2 maka H0 ditolak, terima dalam hal lainnya.
 Dengan α = 0,05 , uji dua sisi α/2 = 0,025
 Karena Z > 1,96 sehingga H0 gagal ditolak, Berarti nilai ujian tersebut random
(acak) berdasarkan nilainya.
20
3.5 Aplikasi Uji Run (SPSS)
Prosedur Runs test digunakan untuk menguji apakah urutan kejadian dari dua value
suatu variable adalah random (Andi,1998).
 Semua variable numerik pada file data anda akan ditampilkan pada kotak daftar
variable.
 Pindahkan sebuah variable ke kotak Test Variabel List dan
 Klik tombol OK untuk mendapatkan default uji run yang menggunakan median untuk
mendikotomikan varaibel-variabel yang anda uji (Andi,1998).
 Pada kotak Cut Point, anda dapat menandai minimal sebuah check box dari 4 check
box yang tersedia untuk menentukan cut point yang akan mendikotomikan data anda.
Case-case yang mempunyai value yang lebih kecil dari cut point akan dijadikan
sebagai kategori pertama,dan sisanya (lebih besar atau sama dengan cut point) akan
dijadikan kategori kedua (Andi,1998).

A. Kasus I (< 20 Sampel)

 Entry data dari soal kasus I di dalam SPSS
 Klik Analyze > Nonparametrics > Legacy Dialogs > Runs Test

21
 Setelah muncul menu Runs Test, lalu masukkan variabel yang akan di uji ke
kotak Test Variabel List.

 Pada kotak Option, aktif-kan Descriptive.

22
 Pada kotak Cut Point,
 secara default terpilih Median (biarkan saja) karena Median akan digunakan
sebagai nilai tengah perhitungan Runs test., pilih jika sudah dikoding 0 dan 1
 Pilih custom 72, jika masih data asli
 Klik Ok

23
 Hasil output :
 Output: cut point: median

 Output: cut point: custom (72)

 Hasil output memperlihatkan P value 0,095, > α (0,05)

 Kesimpulan:
H0 gagal ditolak: pengetahuan ASI ibu bersifat random (tidak ada perbedaan
pengetahuan ASI Ibu

24
B. Kasus II (> 20 Sampel)
 Entry data dari soal kasus I di dalam SPSS
 Klik Analyze > Nonparametrics > Legacy Dialogs > Runs Test

 Setelah muncul menu Runs Test, lalu masukkan variabel yang akan di uji ke
kotak Test Variabel List.

25
 Pada kotak Option, aktif-kan Descriptive.

 Pada kotak Cut Point,

 secara default terpilih Median (biarkan saja), kemudian pilih “Mode” (untuk
jumlah > 20)

 Klik Ok
26
 Hasil output :

 Hasil output memperlihatkan P value 0,320, > α (0,05)

 Kesimpulan:
H0 gagal ditolak: nilai mahasiswa bersifat random (tidak ada perbedaan nilai
mahasiswa)

27
 DAFTAR PUSTAKA

Arifin, J. (2008). Statistik Bisnis Terapan dengan Microsoft Excel 2007. Jakarta: Elex Media
Komputindo.

Besral. (2010). Modul SPSS: Pengolahan dan Analisa Data-1 Menggunakan SPSS. Depok:
FKM UI.

Departemen Biostatistik FKM. (2009). Statistik Non Parametrik. Jakarta: FKM UI.

M. A, Yulianto. (2017). Uji Keacakan (Runs Test): Sekolah Tinggi Ilmu Statistik. Jakarta

Murti, B. (1996). Penerapan Metode Statistik Non-Parametrik dalam Ilmu-Ilmu Kesehatan.

Jakarta: Gramedia Pustaka Utama.

Sabri, L., & Hastono, S. P. (2014). Statistik Kesehatan. Jakarta: PT Raja Grafindo Persada.

Sarwono, J., & Budiono, H. (2012). Statistik Terapan: Aplikasi untuk Riset Skripsi, Tesis dan
Disertasi (Menggunakan SPSS, AMOS, dan Excel). Jakarta : Elex Media Komputindo.

Suharyadi, & Purwanto. (2009). STATISTIKA:Untuk Ekonomi dan Keuangan Modern Edisi
2. Jakarta: Salemba Empat.

Syamsir, H. (2015). Cara Termudah Mengaplikasikan Statistika Nonparametrik. Jakarta:

Elex Media Komputindo.

http://datariset.com/olahdata/uji_runs_test

http://www.scribd.com/doc/19759534/Statistik-Run-Test-Satu-Sampel dan buku pegangan

Metode Statistika TakParametrik oleh statistika FMIPA UNPAD.

28
LAMPIRAN

29
Lampiran 1 Tabel Chi-Square

30
Lampiran 2 Tabel F1
n2
n1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

2 2 2 2 2 2 2 2 2 2

3 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3

4 2 2 2 3 3 3 3 3 3 3 3 4 4 4 4 4

5 2 2 3 3 3 3 4 4 4 4 4 4 4 4 5 5 5

6 2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 6 6

7 2 2 3 3 3 4 4 5 5 5 5 5 6 6 6 6 6 6

8 2 3 3 3 4 4 5 5 5 6 6 6 6 6 7 7 7 7

9 2 3 3 4 4 5 5 5 6 6 6 7 7 7 7 8 8 8

10 2 3 3 4 5 5 5 6 6 7 7 7 7 8 8 8 8 8

11 2 3 4 4 5 5 6 6 7 7 7 8 8 8 9 9 9 9

12 2 2 3 4 4 5 6 6 7 7 7 8 8 8 9 9 9 10 10

13 2 2 3 4 5 5 6 6 7 7 8 8 9 9 9 10 10 10 10

14 2 2 3 4 5 5 6 7 7 8 8 9 9 9 10 10 10 11 11

15 2 3 3 4 5 6 6 7 7 8 8 9 9 10 10 11 11 11 12

16 2 3 4 4 5 6 6 7 8 8 9 9 10 10 11 11 11 12 12

17 2 3 4 4 5 6 7 7 8 9 9 10 10 11 11 11 12 12 13

18 2 3 4 5 5 6 7 8 8 9 9 10 10 11 11 12 12 13 13

19 2 3 4 5 6 6 7 8 8 9 10 10 11 11 12 12 13 13 13

20 2 3 4 5 6 6 7 8 9 9 10 10 11 12 12 13 13 13 14

31
 Lampiran 3 Tabel F2
n2
n1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

4 9 9

5 9 10 10 11 11

6 9 10 11 12 12 13 13 13 13

7 11 12 13 13 14 14 14 14 15 15 15

8 11 12 13 14 14 15 15 16 16 16 16 17 17 17 17 17

9 13 14 14 15 16 16 16 17 17 18 18 18 18 18 18

10 13 14 15 16 16 17 17 18 18 18 19 19 19 20 20

11 13 14 15 16 17 17 18 19 19 19 20 20 20 21 21

12 13 14 16 16 17 18 19 19 20 20 21 21 21 22 22

13 15 16 17 18 19 19 20 20 21 21 22 22 23 23

14 15 16 17 18 19 20 20 21 22 22 23 23 23 24

15 15 16 18 18 19 20 21 22 22 23 23 24 24 25

16 17 18 19 20 21 21 22 23 23 24 25 25 25

17 17 18 19 20 21 22 23 23 24 25 25 26 26

18 17 18 19 20 21 22 23 24 25 25 26 26 27

19 17 18 20 21 22 23 23 24 25 26 26 27 27

20 17 18 20 21 22 23 24 25 25 26 27 27 28

32
33