Apa itu Odds Ratio?

Posted on September 17, 2013 by azzainuri — 2 Comments

Sebelum kita membahas mengenai apa itu odds ratio dan relative risk, diulas kembali apa itu
peluang. Secara sederhana peluang adalah proporsi atau persentase berapa kali suatu kejadian
akan muncul pada dalam suatu percobaan yang berulang – ulang. Misalnya seseorang melempar
koin sebanyak 100 kali. Ternyata sisi yang bergambar kepala muncul sebanyak 70 kali dan ekor
sebanyak 30 kali, maka peluang munculnya kepala dari 100 kali pelemparn uang koin adalah
70/100=0,7 atau 70 % dan ekor sebesar 0,3. Nilai dari peluang berada di antara 0 sampai 1.

Odds adalah peluang terjadinya suatu kejadian dibandingkan peluang tidak terjadinya kejadian
tersebut. Kalau peluang terjadinya kejadian dilambangkan dengan phi , odds adalah

Jika dilakukan manipulasi aljabar akan didapat

Sebagai contoh untuk mempermudah pemahaman, disajikan tabel kontingensi 2×2 sebagai
berikut
Peluang seseorang memilih kandidat A adalah P(kandidat A)=618/1442=0,43. Jadi odds yang
memilih kandidat A adalah odds=0,43/(1-0,43)=0,75. Hasil tersebut dapat diinterpretasikan
sebagai peluang seseorang untuk memilih kandidat A adalah 0,75 kali daripada tidak memilih
kandidat A, karena nilai oddsnya kurang dari 1 maka peluang untuk terpilihnya kandidat A lebih
kecil daripada peluang tidak terpilihnya.

Odds ratio adalah adalah perbandingan dari dua odds. Odds ratio dikhususkan untuk pengukuran
pada tabel kontingensi 2×2 atau tabel 2×2 yang merupakan subset dari tabel yang lebih besar.

Ada dua hal terpenting dalam melakukan interpretasi mengenai odds ratio, yaitu pertama
kategori kejadian yang menjadi acuan (misalnya “sukses”) dalam penghitungan odds dan kedua
adalah pendefinisian grup atau kelompok sebagai “grup 1” dan “grup 2” dalam penghitungan
odds. Pada contoh diatas akan dihitung odds yang memilih kandidat A dan laki – laki sebagai
grup 1.
Dengan demikian odds laki – laki untuk memilih kandidat A adalah 0,49 kali daripada odds
perempuan yang memilih kandidat A. Lebih sederhana interpretasinya dapat menjadi laki – laki
memiliki kecenderungan sebesar 0,49 kali untuk memilih kandidat A dibandingkan dengan
perempuan atau dengan kata lain laki – laki memilki kencederungan lebih kecil untuk memilih
kandidat A dibanding dengan perempuan.

Jika kita membalik grupnya dimana

Jadi kecenderungan perempuang untuk memilih kandidat A adalah 2 kali dibandingkan dengan
pemilih laki – laki. Dari dua contoh diatas dapat diperhatikan bahwa dalam menginterpretasikan
odds ratio harus memperhatikan mana yang menjadi penyebut dan pembilang sehingga tidak
terjadi kesalahan interpretasi.

Jika nilai dari odds ratio sama dengan 1 atau mendekati 1 menunjukan bahwa odds pada grup 1
sama dengan grup 2. Artinya distribusi dari kedua baris tersebut sama dan mengindikasikan tidak
adanya hubungan antara kedua variabel tersebut (misalnya kandidat dengan jenis kelamin).
Selanjutnya, jika terdapat frekuensi sel dari tabel sama dengan 0 atau mendekati 0 akan
menyebabkan tidak mungkinnya dihitung odds ratio karena tidak mungkin dilakukan
penghitungan jika nilai penyebutnya 0. Untuk mengatasinya, frekuensi pada setiap sel di tabel
ditambahkan 0,5.
Selanjutnya jika tabelnya bukan 2×2, odds ratio masih bisa diterapkan dengan membandingkan
subset 2×2 dari tabel tersebut. Seandainya terdapat tabel 6×6, kita bisa membandingkan peluang
untuk kolom ke 1 terhadap kolom ke 4 dengan odds untuk baris ke 5 dan odds pada baris ke 6
atau yang lainya. Misalnya dari tabel dibawah ingin kita mencari odds ratio dari sektor pekerjaan
perdagangan dengan transportasi terhadap kandidat A yang dibandingkan terhadap kandidat C.

Dengan demikian orang yang bekerja di sektor perdagangan memilki kecenderungan sebesar
0,49 kali untuk memilih kandidat A (daripada memilih kandidat C) dibandingkan dengan orang
yang bekerja di sektor transportasi. Bisa juga interpretasinya seperti ini, orang yang bekerja di
sektor perdagangan dibandingkan orang yang bekerja di sektor transportais memilki
kecenderungan sebesar 0,49 kali untuk memilih kandidat A daripad memilih kandidat C. Supaya
lebih bermakna sebaiknya odds rationya dibalik menjadi 1/0,49=2,0 sehingga interpretasinya
akan berubah, yaitu orang yang bekerja di sektor transportasi memiliki kecenderungan sebesar 2
kali untuk memilih kandidat A (daripada kandidat C) dibandingkan dengan oranya yang bekerja
di sektor perdagangan.

Diakhir artikel ini diharapakan kehati – hatian dalam menginterpretasikan odds ratio karena bisa
berdampak kesalahan dalam memahami hasil yang seharusnya.
Odds Ratio Dalam SPSS
Odds Ratio (OR) adalah ukuran asosiasi paparan (faktor risiko) dengan kejadian penyakit;
dihitung dari angka kejadian penyakit pada kelompok berisiko (terpapar faktor risiko) dibanding
angka kejadian penyakit pada kelompok yang tidak berisiko (tidak terpapar faktor risiko).

Sebagai contoh, kita ambil sebuah kasus yaitu: “Pengaruh Rokok Terhadap Penyakit Kanker Pada Pria
Usia Di Atas 50 Tahun”.

Odds Ratio yang dimaksud dalam contoh di atas adalah: seberapa besarkah pengaruh rokok terhadap
Penyakit Kanker pada pria usia di atas 50 tahun. Maka jawabannya bisa jadi 2 kali lipat, 3 kali lipat atau
5,5 kali lipat. Nilai kali lipat inilah yang disebut sebagai “odds ratio”.

Berdasar contoh di atas, nilai OR bisa sebesar 2 atau 3 atau 5,5. Artinya: pria dengan usia di atas
50 yang merokok memiliki resiko sebesar 2 kali lipat untuk dapat menderita kanker
dibandingkan dengan pria di atas 50 tahun yang tidak merokok. Dalam hal ini perlu diketahui:
Rokok adalah paparan atau faktor resiko sedangkan kanker adalah kejadian efek atau penyakit.

Rumus Odds Ratio

Rumus dari OR adalah: ad/bc.

Odds Ratio

Di mana: “a” adalah cell a, “b” adalah cell b, “c” adalah cell c dan “d” adalah cell d. untuk lebih
jelasnya lihat tabel dibawah ini:
Manfaat Odds ratio

OR juga hanya boleh dilakukan pada penelitian dengan pendekatan Case Control. Sedangkan
untuk penelitian dengan pendekatan kohort, maka disebut Relatif Risk. Ada sedikit perbedaan
antara OR dan Relatif Risk (RR), namun dalam bahasan artikel kali ini, kita hanya fokus pada
OR.

Berdasar rumus di atas, tampak seolah uji OR sangatlah mudah, tetapi sesungguhnya tidak
semudah itu. Seperti uji inferensial lainnya, maka diperlukan nilai signifikansi atau yang disebut
juga P Value. P Value pada odds ratio artinya, apakah nilai odds ratio yang didapat dari
penelitian yang menggunakan sampel, apakah bisa diberlakukan bagi keseluruhan populasi atau
yang disebut juga bisa dijadikan generalisasi. Maka kita juga akan memperhatikan taraf
signifikansi, pada batas kepercayaan berapa? apakah 95 % atau 99 % atau yang lain?

Untuk lebih jelasnya mari kita langsung masuk pada tutorial uji odds ratio pada SPSS

Dari tabel di atas, apabila kita cermati maka jelas dapat kita ambil kesimpulan, bahwasanya OR
dapat dicari nilainya apabila penelitian yang dilakukan menggunakan skala data nominal
dikotom. Untuk lebih jelasnya tentang pengertian nominal dikotom, baca artikel kami yang
berjudul: “Pengertian Data”.

Tutorial Odds Ratio

OR di dalam Program SPSS, sering dilambangkan dengan simbol “Exp (B)”.

Langkah pertama adalah buka aplikasi SPSS dan buatlah 2 variabel pada tab Variable View:
“Rokok” dan “Kanker” dengan masing-masing value atau kategori “Ya” dan “Tidak”. Ya beri
kode 2 dan Tidak kode 1.

Ubah Measure ke Nominal, Type ke Numeric dan Decimal ke 0.

Gunakan 20 responden, lalu isi data pada Data View. Isi dengan skor 1 atau 2.
Cara Uji Odds Ratio dengan SPSS

Ada 2 cara dalam melakukan uji OR dalam SPSS, yaitu:

Cara pertama:

Pada menu, klik Analyze, Descriptive Statistics, Crosstab

Masukkan Rokok pada Row(s) dan Kanker pada Column(s)

Klik Statistics, Centang Cochran’s and Maentel-Haenszel Statistics dan biarkan Test Common
Odds Ratio tetap 1, lalu klik Continue.

Kemudian Klik OK.

Lihat Hasilnya! (Pada Output – Tabel Paling Bawah).

Interprestasi Odds Ratio

Nilai OR ditunjukkan dengan nilai “Estimate” yaitu 15,000. Artinya: Pria usia di atas 50 tahun
yang merokok lebih beresiko 15 kali lipat dari pada yang tidak merokok.

Nilai Asymp. Sig (2-Sided) menunjukkan nilai p value atau signifikansi nilai OR. Apabila < 0,05
maka pada taraf kepercayaan 95%, OR dinyatakan signifikan atau bermakna yang berarti dapat
mewakili keseluruhan populasi.

Nilai Common Odds Ratio Lower Bound dan Upper Bound menunjukkan batas atas dan batas
bawah OR, yang artinya: setidaknya pria usia di atas 50 tahun yang merokok sekurang-
kurangnya lebih beresiko sebesar 1,652 kali lipat dapat menderita kanker dan paling besar lebih
beresiko sebesar 136,172 kali lipat dapat menderita kanker.

Sedangkan cara yang kedua dalam SPSS adalah sebagai berikut:

Pada menu, klik Analyze, Regression, Binary Logistic.

Masukkan Kanker pada kotak dependent dan Rokok pada kotak Covariate.
Klik Options, centang CI For Exp (B) dan beri nilai 95 %. Lalu klik Continue.

Klik OK.

Lihat hasilnya (Pada Output-Tabel paling bawah)

Exp(B)

Nilai OR ditunjukkan pada nilai Exp (B) yaitu 15,00. P Value pada nilai Sig. yaitu 0,016. Batas
atas dan bawah pada Lower dan Upper di 95% C.I.for EXP(B).
Koefisien Kontingensi C
Koefisien Kontingensi adalah uji korelasi antara dua variabel yang berskala data nominal.
Fungsinya adalah untuk mengetahui asosiasi atau relasi antara dua perangkat atribut. Koefisien
ini fungsinya sama dengan beberapa jenis koefisien korelasi lainnya, seperti koefisien korelasi
phi, cramer, lambda, uncertainty, spearman, kendall tau, gamma, Sommer’s. Namun dalam hal
ini, Kontingensi C adalah uji korelasi yang spesifik untuk data berskala nominal. Selain itu uji ini
juga paling sering atau lazim digunakan dibandingkan uji koefisien korelasi data nominal
lainnya.

Uji ini sangatlah erat kaitannya dengan uji chi-square. Sebab berdasarkan rumus uji koefisien ini, bahwa
tidaklah mungkin koefisien ini dapat dihitung tanpa terlebih dahulu mengetahu nilai dari chi-square. Jadi,
logikanya adalah hitung terlebih dahulu chi-square, baru kemudian hitung koefisien kontingensi.

Rumus Koefisien Kontingensi

Berikut adalah rumusnya:

Metode:

Rumus Kontingensi C

dimana:

Contoh Rumus Pearson Chi-Square

Suatu penelitian ingin mengetahui: “apakah ada perbedaan diantara mahasiswa Fakultas A dalam
hal kesukaannya terhadap beberapa jenis musik?”

Hasil hitung: X2 = 8,5

Yang akan dibuktikan:

Ha -> C ≠ 0

H0 -> C = 0

Besarnya koefisien kontingensi:

Contoh Hitung Koefisien C

Signifikansi Koefisien Kontingensi

Uji signifikansi :

1. X2 = 8,5 -> signifikan pada ∂ = 0,02

2. C = 0,285

3. Jadi C ≠ 0

4. Dengan demikian mahasiswa menurut jurusan dan jenis musik yang digemari berhubungan
didalam populasinya.

Daerah Penerimaan Koefisien Kontingensi

Dengan mempelajari tutorial di atas, diharapkan para pembaca memahami sebanarnya cara
perhitungan atau rumus uji dalam tutorial ini. Selanjutnya dalam prakteknya, para peneliti atau
pembaca dapat langsung menggunakan aplikasi SPSS.

Dengan menggunakan SPSS, kita bisa langsung menilai tingkat signifikansi atau
kemaknaan nilai koefisien. Yaitu, apabila nilai signifikansi < 0,05 atau batas kritis, maka dapat
diartikan bahwa: terima H1 atau bermakna secara statistik.

Nilai Signifikansi dalam uji ini adalah berdasarkan perhitungan uji chi square. Jenis uji yang lain
dan mirip dengan uji ini antara lain: Uji koefisien cramer, lambda, phi dan uncertainty
coefficient.