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.

Tabel Kontingensi merupakan tabel yang digunakan untuk mengukur

hubungan (asosiasi) antara dua variabel kategorik dimana tabel tersebut
merangkum frekuensi bersama dari observasi pada setiap kategori variabel.
Misalkan n sampel diklasifikasikan secara silang berdasarkan dua atribut
dalam suatu tabel berukuran I x J, I merupakan kategori dari variabel X dan
J merupakan kategori dari variabel Y. Sell pada tabel mewakili kemungkinan
IJ muncul.
Bentuk sederhana dari tabel kontongensi adalah tabel kontingesi 2 x 2
dengan format:

Sekumpulan data yang terdiri atas dua faktor atau dua variabel, faktor yang
satu terdiri atas b kategori dan lainnya terdiri atas k kategori, maka dapat
dibuat suatu tabel kontingensi berukuran b x k dengan b menyatakan baris
dan k menyatakan kolom. Bentuk yang sering dipakai dapat dilihat berikut
ini.
 BANYAK MURID SEKOLAH DI DAERAH AMBULU

MENURUT TINGKAT SEKOLAH DAN JENIS KELAMIN

TAHUN 2006

Tingkat Sekolah
JENIS
SD SMP SMA JUMLAH
KELAMIN

Laki – laki 4756 2795 1459 9012

Perempuan 4032 2116 1256 7404

Jumlah 8790 4911 2715 16416

Catatan : Data karangan

Daftar kontingensi diatas adalah merupakan tabel kontingensi 2 x 3 karena

terdiri atas 2 baris dan 3 kolom.

Model lain, misalnya tabel kontingensi 4 x 4, dapat dilihat pada tabel

berikut.
 HASIL UJIAN MATEMATIKA DAN FISIKA

UNTUK 100 SISWA SMA

NILAI

MATEMATIKA 50 - 60 - 70 - 80 -
JUMLAH
59 69 79 89
NILAI

STATISTIKA

60 – 69 12 7 10 2 31

70 – 79 8 10 5 7 30

80 – 89 10 8 3 3 24

90 – 99 5 3 12 2 22

JUMLAH 35 28 30 14 107

Ctatatan : Data karangan

Hipotesis yang diajukan adalah

H0 : Tidak ada hubungan antara variabel 1 dan variabel 2 atau variabel 1
dan variabel 2 saling bebas (independen)
H1: Tidak ada hubungan antara variabel 1 dan variabel 2 atau variabel 1 dan
variabel 2 saling bebas (independen)
Tolak hipotesis nol(H0) jika nilai statistik uji diatas lebih besar dari nilai kritis
distribusi chi-square dengan derajat bebas (2-1)(2-1)=1 pada tingkat
signifikansi alpha (α) tertentu yang berarti terdapat hubungan antara
variabel 1 dengan variabel 2.

Hipotesis nol(H0) ditolak jika nilai statistik uji diatas lebih besar dari nilai
kritis distribusi chi-square dengan derajat bebas (I-1)(J-1) pada tingkat
signifikansi alpha (α) tertentu yang berarti terdapat hubungan antara
variabel 1 dengan variabel 2.

Contoh: Pada liga bola basket professional selama 1980 – 1982, yaitu
ketika Larry Bird dari Boston Celtics melakukan lemparan bebas (pada
basket lemparan bebas adalah 2 kali lemparan). Catatan lemparan bebas
Larry Birds adalah 5 kali dia gagal memasukkan keduanya, 251 kali dia
berhasil memasukkan keduanya, 34 kali dia berhasil hanya pada lemparan
pertama, dan 48 kali dia berhasil hanya pada lemparan kedua. Apakah
masuk akal bahwa lemparan bebas tersebut adalah independen ?
Jawab:
Hal pertama yang harus dilakukan adalah mengidentifikasi bagaimana
bentuk tabel yang akan dibuat. Tabel Kontingensi untuk kasus di atas
sebagai berikut

Karena yang ingin dilihat apakah masuk akal mengatakan bahwa

lemparan bebas yang dilakukan tersebut saling independen maka
pengujian yang dilakukan adalah sebagai berikut:
Uji Statistik (perhitungan) :
Terlebih dahulu hitung frekuensi harapan untuk masing-masing
sel pada tabel kontingensi.
Uji dengan menggunakan Chi-Square seperti yang diatas hanya bisa
digunakan jika tidak lebih 20 % frekuensi harapan dari sel yang ada pada
tabel kurang dari 5 dan tidak boleh ada satupun dari sel memiliki frekuensi
harapan kurang dari 1. Apabila persyaratan diatas tidak bisa terpenuhi,
maka kita dapat memperbesar nilai frekuensi harapannya dengan jalan
menggabungkan baris atau kolom yang saling berdampingan. Penggabungan
yang dilakukan harus secara wajar dan memiliki makna. Namun hal ini tidak
dapat diterapkan untuk table kontingensi 2×2, sebagai alternatifnya kita
bisa menggunkan Uji Fisher yang memang dikhususkan untuk jumlah
sampel yang kecil.
Peniliti biasanya dapat menghindari masalah ini dengan merancang
sebelumnya untuk mengumpulkan sejumlah kasus yang cukup besar
sehubungan dengan banyak klasifikasi yang ingin digunakan dalam
penelitiannya.