Statistik, Statistika, Biostatistika
... ???
STATISTIK & DATA
Dr. Ngudiantoro
Program Pascasarjana Unsri
HP: 08129827133
Email: ngudiantoro@unsri.ac.id ; ngudiantoro@yahoo.com
Kegunaan Statistik dalam Bidang Kesehatan
Ruang Lingkup Statistika ???
Statistika Deskriptif: mencakup metode-metode yang berkaitan dengan
pengumpulan dan penyajian suatu gugus data
sehingga memberikan informasi yang berguna.
Inferensia Statistik: mencakup semua metode yang berkaitan dengan
analisis sebagian data untuk kemudian sampai pada
peramalan atau penarikan kesimpulan mengenai
keseluruhan gugus data induknya.
DATA
• Pengertian Data
Data adalah kumpulan angka-angka yang dihimpun menurut kaidah-kaidah
tertentu dan menunjukkan nilai suatu objek atau fakta.
• Data menurut Sifatnya
- Data kualitatif : data yang berbentuk kategori atau atribut.
- Data kuantitatif : data yang berbentuk bilangan.
- Data diskrit, diperoleh dengan cara membilang atau
menghitung.
- Data kontinu, diperoleh dengan cara pengukuran.
• Data menurut Sumbernya
- Data primer : data yang diperoleh secara langsung dari objek
pengamatan.
- Data sekunder : data yang diperoleh dari sumber lain dalam bentuk
publikasi.
Dr. Ngudiantoro | Statistik & Data
Statistik : ukuran yang menjelaskan karakteristik dari sebagian objek
pengamatan.
Statistika : ilmu yang mempelajari tentang metode statistik (prosedur yang
digunakan dalam pengumpulan, penyajian, analisis, dan
penafsiran data).
Biostatistika : ilmu yang mempelajari tentang penerapan metode statistik
pada bidang kesehatan.
• Memberikan deskripsi tentang masalah-masalah kesehatan masyarakat yang
sedang terjadi dan memperkirakan dampaknya.
• Memberikan deskripsi tentang penyebaran penyakit berdasarkan orang yang
diserang, waktu penyerangan, luas wilayah, dan kecenderungannya.
• Memperkirakan perkembangan suatu penyakit berdasarkan periodisasinya.
• Memperkirakan faktor-faktor penyebab masalah kesehatan masyarakat.
• Memperkirakan sumber daya dan potensi pemanfaatan serta pengembangannya
dalam upaya mengantisipasi permasalahan yang terjadi.
• Merencanakan upaya yang efektif dan efisien berdasarkan kondisi dan sumber
daya yang tersedia dalam penanggulangan masalah.
• Membantu dalam proses pengambilan keputusan tentang pelaksanaan program
kegiatan.
• Menilai hasil-hasil kegiatan yang telah dicapai.
• dll
Populasi dan Sampel
• Populasi, yaitu keseluruhan objek pengamatan yang sejenis yang akan dikaji
karakteristiknya.
- Populasi terbatas (finite)
- Populasi tak terbatas (infinite)
• Sampel, yaitu sebagian dari anggota populasi yang diambil dengan cara tertentu
untuk dikenai pengukuran..
1
 Pengumpulan Data Teknik Sampling
• Sensus, yaitu pengambilan data dengan cara melakukan pengukuran terhadap • Random, setiap anggota populasi memiliki peluang yang sama untuk menjadi
semua anggota populasi. sampel.
- Simple Random Sampling
• Sampling, yaitu pengambilan data dengan cara melakukan pengukuran - Sistematik Random Sampling
terhadap sebagian anggota populasi. - Table Random Sampling
- Acak (random) - Stratified Random Sampling
- Representatif - Cluster Random Sampling
- Area Random Sampling
- Multistage Random Sampling

• Non Random, merupakan teknik sampling atas pertimbangan-pertimbangan

tertentu, sehingga setiap anggota populasi tidak memiliki
kesempatan yang sama untuk menjadi sampel.
- Purposive Sampling
- Quota Sampling
- Accidental/Incidental Sampling

Alat Ukur Skala Pengukuran

• Uji Validitas, menunjukkan kemampuan atau ketepatan suatu alat ukur dalam
mengukur objek yang seharusnya diukur.
• Uji Reliabilitas, menunjukkan tingkat presisi suatu alat ukur, apakah cukup
akurat, stabil, dan konsisten dalam mengukur suatu objek.
• Skala nominal: merupakan skala pengukuran yang paling sederhana,
dimana angka yang diberikan kepada objek hanya memiliki arti
sebagai label dan tidak menunjukkan tingkatan apa-apa.
- Contoh: data jenis kelamin, jenis penyakit, dll
• Skala ordinal: merupakan skala pengukuran yang tidak memberikan nilai
absolut terhadap objek, tetapi hanya memberikan urutan atau
peringkat saja.
- Contoh: data tingkat pendidikan, strata sosial, dll

• Skala interval: selain memiliki sifat-sifat ukuran ordinal, pada pengukuran

interval memperlihatkan jarak yang sama dari ciri atau sifat
objek yang diukur.
- Contoh: data temperatur, konsentrasi larutan, dll
• Skala rasio: selain mencakup semua skala pengukuran, pada pengukuran
interval memberikan keterangan tentang nilai absolut dari objek
yang diukur.
- Contoh: data berat, jarak, dll

Penyajian Data
• Tabel
- Tabel baris-kolom.
- Tabel kontingensi.
- Tabel distribusi frekuensi
• Diagram
- Diagram batang.
- Diagram garis.
- Diagram lambang atau diagram simbol.
- Diagram lingkaran.
- Diagram peta atau kartogram.
- Diagram pencar atau diagram titik.

Dr. Ngudiantoro | Statistik & Data 2

 SKEMA PENELITIAN
Klasifikasi
Metode Statistik

POPULASI A SAMPEL B DATA

Dr. Ngudiantoro
Program Pascasarjana Unsri
HP: 08129827133
Email: ngudiantoro@unsri.ac.id  Tahap A: pengambilan unit sampel dari populasi.
 Tahap B: pengambilan data dari sampel.

DESAIN PENELITIAN DESAIN PENELITIAN

 Penelitian Observasional
• Dalam penelitian obervasional tidak dilakukan manipulasi,
perlakuan, atau intervensi pada faktor-faktor yang diteliti.
• Data diperoleh apa adanya dari populasi.
 Penelitian Cross-sectional dan Longitudinal
• Dalam penelitian cross-sectional, data hanya dikumpulkan pada
satu titik waktu tertentu.
• Jenis penelitian cross-sectional dikontraskan dengan penelitian
longitudinal, yaitu penelitian yang dilakukan dalam periode
tertentu.
• Pengukuran atau observasi pada penelitian longitudinal dilakukan
beberapa kali untuk satu unit sampel, sedangkan pada penelitian
cross-sectional hanya satu kali.
 Penelitian Follow-up
• Sering juga disebut penelitian prospektif.
• Dalam penelitian follow-up, subjek diikuti selama jangka waktu
tertentu atau sampai suatu kejadian (event), nilai pengukuran, atau
end-point tertentu diperoleh.
• Penelitian follow-up dapat berupa observasional maupun
eksperimental.
 Penelitian Case-control
• Penelitian case-control merupakan salah satu contoh penelitian
retrospektif, yaitu jenis penelitian yang berawal dari suatu event atau
end-point.
• Penelitian case-control dimulai dari unit yang mendapatkan kasus,
kemudian dipilih sekelompok pembanding atau kontrol (yaitu unit
yang tidak mendapatkan atau mempunyai kasus). Faktor atau
variabel penjelas yang lain juga dikumpulkan untuk masing-masing
kasus dan kontrol.

Dependence Statistical Method

Klasifikasi Metode Statistik
Peubah Terikat

Peubah Bebas Satu > Satu

Dependence Statistical Method Interdependence Statistical Method
Kontinu Diskret Kontinu Diskret

Terdapat dua kelompok peubah, ‒ Analisis

‒ Analisis
Tidak dikelompokkan menjadi ‒ Analisis ‒ Analisis Diskriminan Diskriminan
yaitu peubah terikat dan peubah Korelasi
peubah terikat dan peubah bebas
Kontinu
Regresi ‒ Analisis Regresi Logistik Multiple-
bebas Kanonik
group (MDA)
Satu
‒ Multivariate
Bertujuan untuk menguji apakah ada Bertujuan untuk memahami atau Analysis of
‒ Uji t ‒ Analisis Diskriminan Diskret ‒ MDA Diskret
pengaruh peubah bebas terhadap mengidentifikasi tentang hubungan
Diskret
Variance
peubah terikat keeratan antar peubah (MANOVA)
‒ Analisis Diskriminan
‒ Analisis ‒ Analisis
Diklasifikasikan berdasarkan jumlah Regresi
‒ Analisis Regresi Logistik
Korelasi ‒ MDA Diskret
Kontinu
peubah bebas maupun peubah Diklasifikasikan berdasarkan jumlah Ganda
‒ Analisis Regresi Polikotomus
Kanonik
Analisis Regresi Poisson
terikat, dan berdasarkan skala peubah dan skala pengukuran > Satu
‒

pengukuran peubah ‒ Analysis of

‒ Analisis Diskriminan Diskret
‒ Conjoint Analysis
Diskret Variance ‒ MANOVA ‒ MDA Diskret
‒ Analytic Hierarchy Process
(ANOVA)
(AHP)

Dr. Ngudiantoro | Klasifikasi Metode Statistik 1

 Interdependence Statistical Method
Jenis Data
Jumlah Peubah
Kontinu
Dua ‒ Analisis Korelasi Sederhana
‒ Analisis Komponen Utama
‒ Analisis Faktor
> Dua ‒ Analisis Cluster
‒ Penskalaan Dimensi Ganda
(MDS) Kontinu
Dr. Ngudiantoro | Klasifikasi Metode Statistik
Diskret
‒ Tabel Kontingensi Dua Arah
‒ Model Logliner
‒ Tabel Kontingensi Multi Arah
‒ Model Logliner
‒ Analisis Korespondensi
‒ Penskalaan Dimensi Ganda
(MDS) Diskret
2
 HIPOTESIS STATISTIK
PENGUJIAN  Definisi:
HIPOTESIS Hipotesis statistik adalah pernyataan atau dugaan mengenai
satu atau lebih populasi.

 Definisi:
- Penolakan hipotesis nol yang benar disebut kesalahan jenis I.
- Penerimaan hipotesis nol yang salah disebut kesalahan jenis II.

Dr. Ngudiantoro Keadaan (Nilai θ) Keputusan

𝐻0 : θ𝜖0 𝐻1 : θ𝜖𝑐0
FMIPA Universitas Sriwijaya yang Dihadapi
Jl. Raya Palembang-Prabumulih Km 32 𝐻0 : θ𝜖0 Keputusan Benar Keputusan Salah (I)
Inderalaya, Ogan Ilir Sumatera Selatan 30662
Email: ngudiantoro@unsri.ac.id ; ngudiantoro@yahoo.com 𝐻1 : θ𝜖𝑐0 Keputusan Salah (II) Keputusan Benar
HP: +62-812-9-827133

Contoh Kasus Kesalahan Jenis I

 Suatu jenis vaksin influenza diketahui hanya 25% efektif setelah periode 2  Peluang melakukan kesalahan jenis I disebut taraf nyata uji, dilambangkan  .
tahun. Untuk menentukan apakah suatu vaksin baru lebih unggul dalam
 Kesalahan jenis I terjadi bila 9 orang atau lebih berhasil melampaui periode 2
memberikan perlindungan terhadap virus yang sama untuk periode yang lebih
tahun dengan baik tanpa terkena penyakit influenza dengan menggunakan
lama, maka diambil 20 orang secara acak dan diinokulasi dengan vaksin baru
vaksin baru yang sama efektifnya dengan vaksin yang digunakan sekarang.
tersebut. Apabila terdapat 9 atau lebih di antara yang menerima vaksin baru
terbebas dari virus influenza selama periode 2 tahun, maka vaksin baru  = 𝑃(Kesalahan Jenis I)
tersebut dinilai lebih unggul daripada vaksin yang digunakan sekarang. 1
= 𝑃(𝑋 ≥ 9 bila 𝑝 = )
4
20 1
 Hipotesis: = 𝑥=9 𝑏(𝑥; 20, 4)
1 8 1
𝐻0 ∶ 𝑝 = 4 (vaksin yang baru sama efektifnya setelah periode 2 tahun =1− 𝑥=0 𝑏(𝑥; 20, 4)
dengan vaksin yang digunakan sekarang) = 1 − 0.9591
1
𝐻1 ∶ 𝑝 > 4 = 0.0409 ∎
1
 Hipotesis nol (𝑝 = 4) sedang diuji dengan taraf nyata  = 0.0409.

Dr. Ngudiantoro | Pengujian Hipotesis 1

 Kesalahan Jenis II Kesalahan Jenis II

 Peluang kesalahan jenis II, dilambangkan 𝛽, dapat dihitung apabila terdapat  Jika ditetapkan 𝐻1 ∶ 𝑝 = 0.7, maka
hipotesis alternatif yang spesifik. 𝛽 = 𝑃(Kesalahan Jenis II)
1 = 𝑃 𝑋 < 9 bila 𝑝 = 0.7
 Misalkan ditetapkan 𝐻1 ∶ 𝑝 = , maka
2
= 0.0051 ∎
𝛽 = 𝑃(Kesalahan Jenis II)
1  Dengan nilai 𝛽 yang cukup kecil, maka kecil pula kemungkinannya bahwa
= 𝑃(𝑋 < 9 bila 𝑝 = ) vaksin baru akan ditolak, bila ternyata vaksin tersebut 70% efektif setelah
2
= 0.2517 ∎ periode 2 tahun.
 Nilai 𝛽 yang cukup besar menunjukkan bahwa prosedur uji tersebut kurang
baik. Artinya, cukup besar kemungkinan kita akan menolak vaksin baru,
padahal sebenarnya lebih unggul daripada yang digunakan sekarang.

 Idealnya, kita menggunakan prosedur uji yang membuat peluang kita

melakukan kedua kesalahan tersebut cukup kecil.

Perubahan Wilayah Kritis Hampiran Normal

1 
 Untuk 𝐻1 ∶ 𝑝 = 2 , jika ditetapkan X = 8, maka Untuk kasus yang sama, tetapi dengan sampel acak sebanyak 100 orang. Andaikan
terdapat 37 orang atau lebih yang berhasil melampaui periode 2 tahun.
 = 𝑃(Kesalahan Jenis I)
1  Dengan hampiran normal diperoleh 𝜇 = 𝑛𝑝 = 25 dan 𝜎 = 𝑛𝑝𝑞 = 4.33, sehingga
= 𝑃(𝑋 ≥ 8 bila 𝑝 = )
4
 = 𝑃(Kesalahan Jenis I)
= 0.1018 ∎ 1
= 𝑃(𝑋 > 36.5 bila 𝑝 = 4)
𝛽 = 𝑃(Kesalahan Jenis II)
1 = 𝑃(𝑍 > 2.66)
= 𝑃(𝑋 < 7 bila 𝑝 = )
2 = 0.0039 ∎
= 0.1316 ∎
1
 Bila 𝐻0 salah dan yang benar adalah 𝐻1 ∶ 𝑝 = , maka 𝜇 = 𝑛𝑝 = 50 dan
2
 Dengan prosedur uji tersebut, maka peluang melakukan kesalahan jenis II 𝜎 = 𝑛𝑝𝑞 = 5, sehingga
dapat diperkecil, tetapi peluang melakukan kesalahan jenis I menjadi lebih
besar. 𝛽 = 𝑃(Kesalahan Jenis II)
1
= 𝑃(𝑋 < 36.5 bila 𝑝 = )
2
= 𝑃(𝑍 < −2.7)
= 0.0035 ∎

KESIMPULAN
Pengujian Hipotesis

 Kesalahan jenis I dan kesalahan jenis II saling berhubungan. Menurunnya

peluang yang satu akan menaikkan peluang yang lain.

 Ukuran wilayah kritis, yang berarti juga peluang melakukan kesalahan jenis I,
selalu dapat diperkecil dengan mengubah nilai kritisnya.

 Peningkatan ukuran sampel n, akan memperkecil  dan 𝛽 secara bersama-

sama.

 Bila hipotesis nol salah, nilai 𝛽 akan akan sangat besar jika nilai
parameternya dekat dengan nilai yang dihipotesiskan. Semakin besar jarak
antara nilai yang sesungguhnya dengan nilai yang dihipotesiskan, maka
semakin kecil nilai 𝛽.

Dr. Ngudiantoro | Pengujian Hipotesis 2

 DISTRIBUSI t
UJI t  Bila 𝑥 dan 𝑠 2 masing-masing adalah nilai tengah dan variansi suatu
sampel acak berukuran n yang diambil dari suatu populasi normal
dengan nilai tengah  dan variansi 2, maka
𝑥−𝜇
𝑡=𝑠
𝑛
merupakan sebuah nilai variabel acak T yang memiliki distribusi t
dengan v = n-1 derajat bebas.

Dr. Ngudiantoro
FMIPA Universitas Sriwijaya
Jl. Raya Palembang-Prabumulih Km 32
Inderalaya, Ogan Ilir Sumatera Selatan 30662
Email: ngudiantoro@unsri.ac.id ; ngudiantoro@yahoo.com
HP: +62-812-9-827133

PROSEDUR UJI HIPOTESIS Sample t-Test

 Nyatakan hipotesis nol, yaitu 𝐻0 : 𝜃 = 𝜃0 .  Sample t-test adalah uji hipotesis yang digunakan untuk menguji
apakah ada perbedaan rata-rata pada sampel.
 Pilih hipotesis alternatif, yaitu 𝐻1 : 𝜃 < 𝜃0 atau 𝐻1 : 𝜃 > 𝜃0 atau
𝐻1 : 𝜃 ≠ 𝜃0 .  Sample t-test dibagi menjadi tiga, yaitu:
 One sample t-test;
 Tentukan taraf nyata .
 Paired samples t-test; dan
 Pilih statistik uji yang sesuai dan tentukan wilayah kritisnya.  Independent samples t-test.

 Hitung nilai statistik uji berdasarkan data sampel.

 Keputusan: Tolak 𝐻0 bila nilai statistik uji berada dalam wilayah
kritis, dan terima 𝐻0 bila di luar wilayah kritis.

One Sample t-Test One Sample t-Test

 One sample t-test merupakan teknik pengujian hipotesis yang  CONTOH:

digunakan untuk menguji nilai tertentu data sampel dengan rata-rata
Sebuah perusahaan produk minuman botol mengklaim bahwa isi botol
sampel, apakah berbeda secara signifikan atau tidak.
minuman yang diproduksinya yaitu sebanyak 100 ml per botol. Untuk
 Hipotesis nol: menyakinkan hal itu, dilakukan pengujian dengan mengukur kembali
isi botol yang telah diisi. Hasil yang diperoleh dari pengukuran sampel
𝐻0 : 𝜇 = 𝜇0
adalah sebagai berikut:
 Statistik uji:
101, 99, 104, 103, 102, 100, 98, 101, 101, 100, 99, 97, 98,
𝑥 − 𝜇0 100, 105, 101, 103, 104, 96, 97
𝑡= 𝑠
𝑛

Dr. Ngudiantoro | Uji t 1

 Paired Samples t-Test Paired Samples t-Test

 Paired samples t-test merupakan teknik pengujian hipotesis yang  CONTOH:

digunakan untuk menguji nilai rata-rata antara dua sampel
Sebuah tempat kursus ingin mengetahui apakah
berpasangan, apakah berbeda secara signifikan atau tidak.
cara pengajaran ditempatnya efektif untuk
 Hipotesis nol: meningkatkan nilai siswanya atau tidak. Untuk
itu, sampel yang terdiri dari 20 siswa
𝐻0 : 𝜇1 = 𝜇2 atau 𝜇1 − 𝜇2 = 0
dikumpulkan hasil nilai ujiannya ketika tes saat
 Statistik uji: pertama kali mendaftar, kemudian setelah
dilakukan kursus selama 3 bulan dilakukan tes
𝑥1 − 𝑥2 − (𝜇1 − 𝜇2 ) kembali dan dikumpulkan kembali nilai
𝑡=
ujiannya. Berikut data perbandingan nilai siswa
𝑠12 𝑠22
𝑛1 + 𝑛2 saat pertama kali mendaftar dan sesudah
mengikuti kursus selama 3 bulan.
dengan derajat bebas (𝑑𝑓) = 𝑛 − 1

Independent Samples t-Test Independent Samples t-Test

 Independent samples t-test merupakan teknik pengujian hipotesis yang  CONTOH:

digunakan untuk menguji nilai rata-rata antara dua sampel yang
Bagian pemasaran dari sebuah industri
saling bebas, apakah berbeda secara signifikan atau tidak.
ingin mengetahui jumlah pembelian
 Hipotesis nol: barangnya selama 20 hari penjualan
dengan perlakuan yang berbeda. Perlakuan
𝐻0 : 𝜇1 = 𝜇2 atau 𝜇1 − 𝜇2 = 0
tersebut terbagi menjadi 2 kelompok, yaitu
 Statistik uji: 10 hari penjualan dengan tanpa pemberian
diskon dan 10 hari penjualan dengan
𝑥1 − 𝑥2 − (𝜇1 − 𝜇2 ) pemberian diskon. Berikut adalah data yang
𝑡=
didapat dari 20 hari penjualan tersebut.
𝑠12 𝑠22
+
𝑛1 𝑛2

dengan derajat bebas (𝑑𝑓) = 𝑛 − 2

Dr. Ngudiantoro | Uji t 2

 ANOVA
ANOVA  Analisis varians (ANalysis Of VAriance, ANOVA) dikenal dengan
berbagai nama lain, seperti analisis ragam, sidik ragam, atau analisis
variansi.
 Analisis varians menguji dua varians (atau ragam) berdasarkan
hipotesis nol bahwa kedua varians adalah sama.
 Varians pertama adalah varians antarsampel (among samples), dan
varians kedua adalah varians di dalam masing-masing sampel (within
samples).

Dr. Ngudiantoro  Analisis varians dengan dua sampel akan memberikan hasil yang sama
dengan uji-t untuk dua rerata (mean).
FMIPA Universitas Sriwijaya
Jl. Raya Palembang-Prabumulih Km 32
Inderalaya, Ogan Ilir Sumatera Selatan 30662
Email: ngudiantoro@unsri.ac.id ; ngudiantoro@yahoo.com
HP: +62-812-9-827133

ASUMSI ANOVA UJI ASUMSI

 Data berdistibusi normal, karena pengujiannya menggunakan uji  Uji Normalitas  Chi-Kuadrat, Lilliefors, Kolmogorov-Smirnov
F-Snedecor.  Hipotesis:
𝐻0 : Populasi berdistribusi normal
 Varians atau ragamnya homogen, dikenal sebagai homoskedastisitas,
karena hanya digunakan satu penduga (estimate) untuk varians dalam
 Uji Kehomogenan Ragam  Bartlett, Levene, F
sampel.
 Hipotesis:
 Masing-masing faktor saling bebas (independent). 𝐻0 ∶ 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑘2
𝐻1 ∶ paling sedikit ada satu 𝜎𝑖2 ≠ 𝜎𝑗2
 Komponen-komponen dalam modelnya bersifat aditif (saling
menjumlah).
 Uji Kebebasan  Chi-Kuadrat (Uji Kecocokan)
 Hipotesis:
𝐻0 : Kedua faktor saling bebas

ANOVA ANOVA
KLASIFIKASI SATU ARAH KLASIFIKASI DUA ARAH

 Hipotesis:  Hipotesis:
𝐻0 ∶ μ1 = μ2 = ⋯ = μ𝑘 𝐻0 ∶ μ1 = μ2 = ⋯ = μ𝑘
𝐻1 ∶ paling sedikit ada satu μ𝑖 = μ𝑗 𝐻1 ∶ paling sedikit ada satu μ𝑖 = μ𝑗

Kolom Kolom Nilai

Total Tengah
1 … k 1 … k
𝑥11 … 𝑥1𝑘 1 𝑥11 … 𝑥1𝑘 𝑇1. 𝑥1.
⋮ ⋱ ⋮ Baris ⋮ ⋮ ⋱ ⋮
𝑥1𝑛 … 𝑥𝑛𝑘 b 𝑥𝑏1 … 𝑥𝑏𝑘 𝑇𝑏. 𝑥𝑏.
Total 𝑇1. … 𝑇1. 𝑇.. Total 𝑇.1 … 𝑇.𝑘 𝑇..
Nilai Tengah 𝑇1. … 𝑇𝑘. 𝑇.. Nilai Tengah 𝑥.1 … 𝑥.𝑘 𝑥..

Dr. Ngudiantoro | ANOVA 1

 DISTRIBUSI BINOMIAL
ANALISIS
 DEFINISI:
DATA KATEGORIK Dalam n percobaan yang saling bebas, dimana setiap ulangan hanya
memiliki dua kemungkinan hasil, yaitu sukses dan gagal, dengan
peluang sukses p dan peluang gagal 𝑞 = 1 − 𝑝.
Jika peubah acak 𝑋 menyatakan banyaknya sukses dalam n ulangan,
maka peubah acak 𝑋 memiliki distribusi peluang binomial, yaitu
𝑛 𝑥 𝑛−𝑥
𝑓 𝑥 = 𝑝 𝑞 ; 𝑥 = 0, 1, 2, … , 𝑛
𝑥

Dr. Ngudiantoro
 TEOREMA:
Nilai tengah dan variansi dari sebaran binomial 𝑓 𝑥 yaitu
FMIPA Universitas Sriwijaya μ = 𝐸 𝑋 = 𝑛𝑝
Jl. Raya Palembang-Prabumulih Km 32 dan
Inderalaya, Ogan Ilir Sumatera Selatan 30662
σ2 = 𝑉𝑎𝑟 𝑋 = 𝑛𝑝𝑞
Email: ngudiantoro@unsri.ac.id ; ngudiantoro@yahoo.com
HP: +62-812-9-827133

HAMPIRAN NORMAL DISTRIBUSI MULTINOMIAL

TERHADAP DISTRIBUSI BINOMIAL

 TEOREMA:  DEFINISI:
Bila X adalah peubah acak binom dengan nilai tengah μ = 𝑛𝑝 dan Bila setiap ulangan menghasilkan salah satu dari k hasil percobaan
variansi σ2 = 𝑛𝑝𝑞 untuk 𝑞 = 1 − 𝑝, maka peubah acak 𝐸1 , 𝐸2 , … , 𝐸𝑘 , dengan peluang 𝑝1 , 𝑝2 , … , 𝑝𝑘 , maka distribusi peluang peubah
𝑋 − 𝑛𝑝 acak 𝑋1 , 𝑋2 , … , 𝑋𝑘 , yang menyatakan banyaknya 𝐸1 , 𝐸2 , … , 𝐸𝑘 terjadi dalam
𝑍= n ulangan yang bebas, adalah:
𝑛𝑝𝑞
𝑛 𝑥 𝑥 𝑥
berdistribusi normal baku untuk 𝑛 → ∞. 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑘 ; 𝑝1 , 𝑝2 , … , 𝑝𝑘 , 𝑛 = 𝑥 , 𝑥 , … , 𝑥 𝑝1 1 𝑝2 2 … 𝑝𝑘 𝑘
1 2 𝑘
𝑘 𝑘
dengan 𝑖=1 𝑥𝑖 = 𝑛 dan 𝑖=1 𝑝𝑖 = 1.

DISTRIBUSI HIPERGEOMETRIK UJI BINOMIAL

 DEFINISI:  Fungsi: Menguji perbedaan proporsi pada populasi yang
Bila dalam populasi N, k hasil percobaan dinyatakan sukses dan N-k hanya memiliki dua buah kategori (skala nominal)
lainnya dinyatakan gagal, maka distribusi peluang variabel acak X yang berdasarkan proporsi yang berasal dari sampel
menyatakan banyaknya sukses dalam sample acak berukuran n adalah: tunggal.
𝑘 𝑁 −𝑘  Data: Variabel yang akan diuji harus variabel dikotomi,
𝑓 𝑥; 𝑁, 𝑛, 𝑘 = 𝑥 𝑛 − 𝑥 ; 𝑥 = 0, 1, 2, … , 𝑘 yaitu variabel yang hanya terdiri dari dua macam
𝑁 nilai (benar atau salah, ya atau tidak, 0 atau 1, dsb).
𝑛 Jika variabel yang akan diuji tidak dikotomi, maka
 TEOREMA: harus ditentukan cut point yang akan membagi kasus
Nilai tengah dan variansi dari sebaran hipergeometrik 𝑓 𝑥; 𝑁, 𝑛, 𝑘 yaitu ke dalam dua grup, yaitu kasus yang mempunyai
𝑛𝑘 nilai lebih kecil dari atau sama dengan cut point akan
μ=𝐸 𝑋 =
𝑁 menjadi grup pertama dan sisanya menjadi grup
dan kedua.

σ2 = 𝑉𝑎𝑟 𝑋 =
𝑁−𝑛
. 𝑛.
𝑘
1−
𝑘  Asumsi:Uji Binomial tidak memerlukan asumsi bentuk
𝑁 −1 𝑁 𝑁 distribusi. Data hanya diasumsikan dihasilkan dari
contoh acak

Dr. Ngudiantoro | Analisis Data Kategorik 1

 Uji Binomial: Sampel Kecil Uji Binomial: Sampel Kecil

 Contoh:  Jawab:
Pada sebuah penelitian tentang efek stress, sebanyak 18  Hipotesis:
mahasiswa diambil secara acak sebagai sampel dan diajarkan cara
1
mengikat simpul tali dengan dua metode (A dan B). Separuh dari 𝐻0 ∶ 𝑝 =
mahasiswa (9 orang) diajarkan dengan metode A kemudian metode 2
1
B, dan separuh mahasiswa lainnya diajarkan dengan urutan 𝐻1 ∶ 𝑝 <
sebaliknya. Setelah 4 jam mengikuti ujian akhir, setiap mahasiswa 2
diminta untuk mengikat simpul tali seperti yang telah diajarkan.  𝛼 = 0.05
Data penelitian adalah sebagai berikut:
1
Metode Frekuensi
 Wilayah kritis: 𝑃 𝑋 ≤ 2 𝑝 = 2 < 0.05

Pertama Diajarkan 16  Statistik Uji:

Diajarkan Kedua 2 1
𝑃 𝑋 ≤ 2 𝑝 = 2 = 0.001
Total 18
 Kesimpulan:
Lakukan pengujian terhadap dugaan bahwa efek stress akan Tolak 𝐻0 , artinya efek stress akan mendorong mahasiswa
mendorong mahasiswa untuk mengikat simpul tali dengan metode
yang pertama diajarkan. untuk memilih metode yang pertama diajarkan.

Uji Binomial: Sampel Kecil Uji Binomial: Sampel Besar

 Jawab:  Jawab: Hampiran Normal

 Hipotesis:  Hipotesis:
1 1
𝐻0 ∶ 𝑝 = 2 𝐻0 ∶ 𝑝 = 2
1 1
𝐻1 ∶ 𝑝 > 𝐻1 ∶ 𝑝 <
2 2

 𝛼 = 0.05  𝛼 = 0.05
1  Wilayah kritis: 𝑍0.05 < −1.645
 Wilayah kritis: 𝑃 𝑋 ≥ 16 𝑝 = < 0.05
2
 Statistik Uji:
 Statistik Uji: 2.5−18(0.5)
𝑍= = −3.064 (sig.=0.001)
1 1 18(0.5)(0.5)
𝑃 𝑋 ≥ 16 𝑝 = = 1 − 𝑃 𝑋 ≤ 15 𝑝 = = 0.001
2 2  Kesimpulan:
 Kesimpulan: Tolak 𝐻0 , artinya efek stress akan mendorong mahasiswa
Tolak 𝐻0 , artinya efek stress akan mendorong mahasiswa untuk memilih metode yang pertama diajarkan.
untuk memilih metode yang pertama diajarkan.

Uji Binomial: Sampel Besar Uji Binomial: Sampel Kecil

 Jawab: Hampiran Normal  Jawab: SPSS

 Hipotesis:
1 Binomial Test
𝐻0 ∶ 𝑝 = 2 Observed Test Point
1 Category N
Prop. Prop. Probability
𝐻1 ∶ 𝑝 > 2
Group 1 0 2 .11 .50 .001
 𝛼 = 0.05
Wilayah kritis: 𝑍0.05 > 1.645
Var Group 2 1 16 .89

 Statistik Uji: Total 18 1.00
15.5−18(0.5)
𝑍= = 3.064 (sig.=0.001)
18(0.5)(0.5)
 Kesimpulan:  Kesimpulan:
Tolak 𝐻0 , artinya efek stress akan mendorong mahasiswa Tolak 𝐻0 , artinya efek stress akan mendorong mahasiswa
untuk memilih metode yang pertama diajarkan. untuk memilih metode yang pertama diajarkan.

Dr. Ngudiantoro | Analisis Data Kategorik 2

 Uji Binomial: Sampel Besar Uji Binomial: Sampel Kecil

 Contoh:  Jawab:
Suatu perusahaan otomotif memproduksi dua jenis mobil  Hipotesis:
1
minibus, yaitu mobil yang berbahan bakar bensin dan solar. 𝐻0 ∶ 𝑝 =
2
1
Perusahaan ingin mengetahui apakah masyarakat lebih senang 𝐻1 ∶ 𝑝 <
2
mobil berbahan bakar bensin atau solar. Berdasarkan 24
sampel yang dipilih secara acak, ternyata 19 orang memilih  𝛼 = 0.05
mobil berbahan bakar bensin dan 5 orang memilih mobil  Wilayah kritis: 𝑃 𝑋 ≤ 5 𝑝 =
1
< 0.05
berbahan bakar solar. Lakukan pengujian untuk mengetahui 2

apakah ada kecenderungan pemilihan mobil dengan bahan  Statistik Uji:

bakar tertentu oleh masyarakat. 1
𝑃 𝑋 ≤ 𝑝 = 2 = 0.003
 Kesimpulan:
Tolak 𝐻0 , artinya masyarakat memiliki kecenderungan
dalam memilih mobil, yaitu lebih memilih mobil yang
berbahan bakar bensin.

Uji Binomial: Sampel Kecil Uji Binomial: Sampel Besar

 Jawab:  Jawab:
 Hipotesis:  Hipotesis:
1
𝐻0 ∶ 𝑝 = 𝐻0 ∶ 𝑝 = 2
1
2
1
𝐻1 ∶ 𝑝 > 1
2 𝐻1 ∶ 𝑝 <
2
 𝛼 = 0.05
 𝛼 = 0.05
1
 Wilayah kritis: 𝑃 𝑋 ≥ 19 𝑝 = < 0.05  Wilayah kritis: 𝑍0.05 < −1.645
2
 Statistik Uji:  Statistik Uji:
1 1 5.5−24(0.5)
𝑃 𝑋 ≥ 19 𝑝 = 2 = 1 − 𝑃 𝑋 ≤ 18 𝑝 = 2 = 0.003 𝑍= = −2.654 (sig.=0.004)
24(0.5)(0.5)
 Kesimpulan:  Kesimpulan:
Tolak 𝐻0 , artinya masyarakat memiliki kecenderungan Tolak 𝐻0 , artinya masyarakat memiliki kecenderungan
dalam memilih mobil, yaitu lebih memilih mobil yang
dalam memilih mobil, yaitu lebih memilih mobil yang
berbahan bakar bensin.
berbahan bakar bensin.

Uji Binomial: Sampel Besar Uji Binomial: Sampel Kecil

 Jawab:  Jawab: SPSS

 Hipotesis:
1 Binomial Test
𝐻0 ∶ 𝑝 = 2 Observed Test Point
1 Category N
Prop. Prop. Probability
𝐻1 ∶ 𝑝 > 2
Group 1 0 5 .21 .50 .003
 𝛼 = 0.05
Wilayah kritis: 𝑍0.05 > 1.645
Var Group 2 1 19 .79

 Statistik Uji: Total 24 1.00
18.5−24(0.5)
𝑍= = 2.654 (sig.=0.004)
24(0.5)(0.5)
 Kesimpulan:  Kesimpulan:

Tolak 𝐻0 , artinya masyarakat memiliki kecenderungan Tolak 𝐻0 , artinya masyarakat memiliki kecenderungan
dalam memilih mobil, yaitu lebih memilih mobil yang dalam memilih mobil, yaitu lebih memilih mobil yang
berbahan bakar bensin. berbahan bakar bensin.

Dr. Ngudiantoro | Analisis Data Kategorik 3

 UJI CHI-KUADRAT Statistik Uji Chi-Kuadrat

 Sama seperti uji Binom, uji Chi-Kuadrat didasarkan pada  Untuk menguji kecocokan data hasil pengamatan dengan
skala pengukuran nominal. teori (yang diharapkan) digunakan persamaan:
 Pada uji Binom, variabel yang akan diuji bersifat 𝑘
𝑂𝑖 − 𝐸𝑖 2
dichotomous, tetapi pada uji Chi-Kuadrat bisa polychotomous 2 =
(lebih dari 2 kategori). 𝐸𝑖
𝑖=1

 Pada kasus data yang berasal dari satu sampel, uji atau
Chi-Kuadrat digunakan sebagai uji Kecocokan (Test of 𝑘
Goodness of Fit). 𝑂𝑖2
2 = −𝑁
𝐸𝑖
 Uji kecocokan digunakan untuk menguji apakah data hasil 𝑖=1
pengamatan memiliki kecocokan dengan yang diharapkan. dengan
𝑂𝑖 : frekuensi hasil pengamatan ke-i;
𝐸𝑖 : frekuensi harapan ke-i; dan
N : total frekuensi.

Uji Chi-Kuadrat Uji Chi-Kuadrat

 Jawab: SPSS  Jawab: SPSS

Var Var
Observed N Expected N Residual Observed N Expected N Residual
0 2 9.0 -7.0 0 5 12.0 -7.0
1 16 9.0 7.0 1 19 12.0 7.0
Total 18 Total 24

Test Statistics Test Statistics

Var Var
Chi-Square 10.889a Chi-Square 8.167a
df 1 df 1
Asymp. Sig. .001 Asymp. Sig. .004
a. 0 cells (0.0%) have expected a. 0 cells (0.0%) have expected
frequencies less than 5. The minimum frequencies less than 5. The minimum
expected cell frequency is 9.0. expected cell frequency is 12.0.

 Kesimpulan:  Kesimpulan:
Tolak 𝐻0 , artinya efek stress akan mendorong mahasiswa Tolak 𝐻0 , artinya masyarakat memiliki kecenderungan
untuk memilih metode yang pertama diajarkan. dalam memilih mobil, yaitu lebih memilih mobil yang
berbahan bakar bensin.

STRUKTUR TABEL KONTINGENSI TABEL KONTINGENSI 2x2

 Misalkan X dan Y menyatakan dua peubah kategori. Apabila X  Peubah respon memiliki 2 kategori (sukses atau gagal)  peubah
memiliki I kategori dan Y memiliki J kategori, maka akan terdapat biner
I x J kombinasi klasifikasi yang mungkin.
 Baris  grup/kelompok
 Pasangan peubah (X,Y) yang dipilih secara acak dari suatu populasi - Baris 1 : 𝜋1 (sukses), 1 − 𝜋1 (gagal)
yang memiliki distribusi peluang, dapat disajikan dalam suatu tabel
- Baris 2 : 𝜋2 (sukses), 1 − 𝜋2 (gagal)
yang memiliki I baris untuk kategori X dan J kolom yang
menyatakan kategori Y, sehingga banyaknya sel dalam tabel ada  Kolom  respon
sebanyak I x J.
Respon I Respon II Total
 Apabila setiap sel pada tabel yang berukuran I x J berisikan nilai Grup I
frekuensi hasil pengamatan, maka tabel tersebut dinamakan Tabel Grup II
Kontingensi atau Tabel Klasifikasi-Silang (Cross-Classification Table)
Total
yang berukuran I x J.

Dr. Ngudiantoro | Analisis Data Kategorik 4

 TABEL KONTINGENSI TABEL KONTINGENSI
METODE ANALISIS UJI EKSAK FISHER

 Uji Chi-kuadrat efisien jika ukuran contoh besar.  Didasarkan pada distribusi Hipergeometrik.
 Uji Chi-kuadrat tidak valid jika ukuran contoh relatif kecil (lebih dari
25% sel memiliki nilai harapan < 5).
 Apabila ukuran contoh kecil, inferensi dilakukan dengan melihat
exact distributions.
 Hipotesis nol pada uji Eksak Fisher adalah kedua peubah (baris dan
kolom) saling bebas.
 Uji Eksak Fisher berlaku untuk semua ukuran contoh (tidak hanya
untuk ukuran contoh kecil).
 Untuk ukuran contoh besar, uji Eksak Fisher memerlukan waktu
komputasi yang lama. P-Value yang dihasilkan akan mendekati
P-Value pada uji Chi-kuadrat.

Struktur Uji Eksak Fisher Tahapan Uji Eksak Fisher

Kolom 1 Kolom 2 Total  Hipotesis 𝐻0 : 𝑝1=𝑝2

Baris 1 a b a+b  Buat tabel-tabel kemungkinan yang lebih “ekstrim” dengan
Baris 2 c d c+d mengurangi pengamatan terkecilnya, tetapi jumlah baris dan
kolomnya harus tetap.
Total a+c b+d n
 Hitung semua nilai 𝑝𝑖 untuk seluruh kemungkinan tabel.
 Odds Rasio:  Tentukan 𝑃𝑣𝑎𝑙𝑢𝑒 = 𝑃1 + 𝑃2 + ⋯ + 𝑃𝑖
𝑎𝑑  Kesimpulan: tolak 𝐻0 jika 𝑃𝑣𝑎𝑙𝑢𝑒 < 𝛼 (uji 1 arah) atau 𝑃𝑣𝑎𝑙𝑢𝑒 < 𝛼 2
𝑂𝑅 = (uji 2 arah).
𝑏𝑐
 P-Value:
𝑎+𝑏 𝑐+𝑑
𝑎 𝑐 𝑎+𝑏 ! 𝑐+𝑑 ! 𝑎+𝑐 ! 𝑏+𝑑 !
𝑃= 𝑛 =
𝑎!𝑏!𝑐!𝑑!𝑛!
𝑎+𝑐

Contoh Uji Eksak Fisher

 Dilakukan penelitian untuk melihat hubungan antara pola diet

seseorang dengan jenis kelamin. Lakukan pengujian apakah
proporsi jenis kelamin pada yang melakukan diet dan yang
tidak diet sama atau tidak.

Laki-laki Perempuan Total

Diet 9 6 15
Tidak Diet 3 4 7
Total 12 10 22

Dr. Ngudiantoro | Analisis Data Kategorik 5

Dr. Ngudiantoro | Analisis Data Kategorik 6
 UKURAN ASOSIASI PADA TABEL KONTINGENSI

A. Ukuran Beda dan Ukuran Rasio

Ukuran asosiasi merupakan indeks yang mengkuantifikasikan hubungan antar

peubah. Pada inferensi tabel kontingensi, meskipun kita sudah mendapat keputusan ada
tidaknya asosiasi menggunakan uji Chi-kuadrat, namun statistik uji tersebut tidak
dilengkapi suatu ukuran keeratan hubungan antara dua peubah. Koefisien korelasi Pearson
hanya berlaku untuk skala selang.

Beberapa ukuran yang dapat digunakan untuk melihat faktor resiko untuk dua
peubah yang skalanya nominal atau ordinal antara lain:

1. Selisih Resiko (Risk Difference).

2. Rasio Resiko (Risk Ratio).
3. Odds Ratio.

Pada tabel kontingensi 2x2,

Y

1 2
1 𝑛11 𝑛12 𝑛1.
X
2 𝑛21 𝑛22 𝑛2.
 𝑛.1 𝑛.2 n

Misalkan π adalah peluang kejadian sukses dan 1 – π adalah peluang kejadian gagal.

Y
1 2
1 1 1 − 1
X
2 2 1 − 2

Misalkan 1 adalah peluang atau resiko untuk subjek yang terpapar dan 2 untuk
subjek yang tidak terpapar. Sebagai contoh, 1 adalah peluang subjek terkena kanker paru
jika diketahui subjek merokok, dan 2 adalah peluang subjek terkena kanker paru jika
diketahui subjek tidak merokok. Selisih resiko, rasio resiko dan odds ratio akan dijelaskan
berdasarkan 1 dan 2 di atas. 1

Dr. Ngudiantoro | Ukuran Asosiasi

 Selisih resiko didefinisikan sebagai 𝑅𝐷 = 1 − 2 , yaitu selisih antara dua peluang
1 dan 2 . Karena 1 = 𝑅𝐷 + 2 , maka selisih resiko mengukur perubahan pada skala
aditif. Jika 𝑅𝐷 > 0, paparan berkaitan dengan kenaikan peluang terkena penyakit.
Sebaliknya jika 𝑅𝐷 < 0, maka paparan berkaitan dengan penurunan peluang terkena
penyakit, dan jika 𝑅𝐷 = 0, maka paparan tidak berkaitan dengan penyakit tersebut.

Rasio resiko didefinisikan sebagai rasio antara dua peluang, yaitu 𝑅𝑅 = 1 ⁄2 .
Karena 1 = 𝑅𝑅2 , maka rasio resiko mengukur perubahan pada skala multiplikatif. Jika
RR > 1, maka paparan berkaitan dengan kenaikan peluang terkena penyakit. Jika RR < 1,
maka paparan berkaitan dengan penurunan probabilitas terkena penyakit, dan jika RR = 1,
maka paparan tidak berkaitan dengan penyakit tersebut.

Odds merupakan representasi alternatif untuk peluang. Odds  didefinisikan

sebagai
π
 = 1−π , untuk π ≠ 1

Meskipun peluang dan odds merepresentasikan informasi yang sama, tetapi nilai rentang 

tidak sama dengan π, dimana 0 ≤ π ≤ 1 dan  > 0. Apabila didefinisikan 1 = 1−1 dan
1
2
2 = 1− , maka Odds ratio adalah rasio antara dua odds 1 dan 2 , sehingga
2

1 1 (1 − 2 )
𝑂𝑅 = =
2 2 (1 − 1 )

Odds ratio (OR) mirip dengan rasio resiko (RR) dalam hal perubahannya yang diukur
secara multiplikatif. Interpretasi nilai OR juga ekivalen dengan RR.

Untuk desain penelitian cohort dan prospekstif atau follow-up, diasumsikan bahwa
peluang marginal X adalah tetap, dengan menganggap bahwa X adalah peubah penjelas
atau peubah paparan (exposure) dan Y adalah respon, dengan 𝑗|𝑖 adalah peluang bersyarat.
Untuk menyederhanakan penulisan, maka 1|1 ditulis sebagai 1 , dan 1|2 ditulis sebagai
2 .

Y

1 2
1 1|1 1|2 1
X
2 2|1 2|2 1

Penduga titik untuk RD adalah

̂ = ̂ 1 − ̂ 2 2
𝑅𝐷

dengan ̂ 1 = 𝑛11 ⁄𝑛1. dan ̂ 2 = 𝑛21 ⁄𝑛2.

Dr. Ngudiantoro | Ukuran Asosiasi

 ̂ adalah
Galat baku (standard error) untuk 𝑅𝐷

1 (1 − 1 ) 2 (1 − 2 )
(̂ 1 − ̂ 2 ) = √ +
𝑛1 𝑛2

Selang kepercayaan (1 − )100% untuk 𝑅𝐷 adalah

(̂ 1 − ̂ 2 ) ± 𝑍𝛼⁄ ̂(̂ 1 − ̂ 2 )

2

Penduga titik untuk RR adalah

̂ 1
̂ =
𝑅𝑅
̂ 2

̂ adalah
Galat baku (standard error) untuk log 𝑅𝑅

(1 − 1 ) (1 − 2 )
̂) = √
(log 𝑅𝑅 +
1 𝑛1 2 𝑛2

Selang kepercayaan (1 − )100% untuk 𝑅𝑅 adalah

̂ ± 𝑍𝛼⁄ 
log 𝑅𝑅 ̂)
̂(log 𝑅𝑅
2

Penduga titik untuk OR adalah

𝑛11 𝑛22
̂ =
𝑂𝑅
𝑛12 𝑛21

Apabila ada 𝑛𝑖𝑗 = 0, maka

(𝑛11 + 0.5)(𝑛22 + 0.5)

̂ =
𝑂𝑅
(𝑛12 + 0.5)(𝑛21 + 0.5)

̂ adalah
Galat baku (standard error) untuk log 𝑂𝑅

1 1 1 1
̂)=√
(log 𝑂𝑅 + + +
𝑛11 𝑛12 𝑛21 𝑛22

Selang kepercayaan (1 − )100% untuk 𝑂𝑅 adalah

3
̂ ± 𝑍𝛼⁄ 
log 𝑂𝑅 ̂)
̂(log 𝑂𝑅
2

Dr. Ngudiantoro | Ukuran Asosiasi

B. Ukuran Keeratan

1. Koefisien Phi

Merupakan ukuran asosiasi dua peubah dikhotomi. Koefisien Phi () mengkoreksi
Chi-kuadrat secara proporsional terhadap n. Koefisien Phi () dihitung dengan persamaan

2
=√
𝑛

atau

𝑎𝑑 − 𝑏𝑐
=
√(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)

Jika 𝑏 = 0 atau 𝑐 = 0 maka  = 1, berarti hubungan antara kedua peubah sempurna.

Sebaliknya, jika 𝑎𝑑 = 𝑏𝑐 maka  = 0, berarti antara kedua peubah tidak memiliki
hubungan sama sekali.

2. V Cramer

Merupakan modifikasi Phi untuk ukuran tabel yang lebih besar. V Cramer dihitung
dengan persamaan

2
𝑉=√
𝑛(𝑘 − 1)

dengan k adalah nomor baris atau kolom yang lebih kecil.

3. Koefisien Kontingensi (Contingency Coefficient)

Koefisien kontingensi adalah metode yang digunakan untuk mengukur keeratan

hubungan (asosiasi atau korelasi) antara dua peubah yang keduanya bertipe data nominal
(kategorik). Koefisien kontingensi C diperoleh dari persamaan

2
𝐶=√
𝑛 + 2

Kelebihan dari koefisien kontingensi C yaitu mampu mengakomodasi berbagai bentuk 4

data.

Dr. Ngudiantoro | Ukuran Asosiasi