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 )2
χ2
i=1 j=1 Eij

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) 70 (83,3) 100
Tidak 20 (33,3) 180 (166,7) 200
Jumlah 50 250 300

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 ( ) misalnya 0,05
3. Menghitung nilai ekspektasi
O11 = 30  E11 = (100 50) / 300 = 16,7
O12 = 70  E12 = (100 250) / 300 = 83,3
O21 = 20  E21 = (200 50) / 300 = 33,3
O22 = 180  E22 = (200 250) / 300 = 166,7

RA 2
4. Menghitung statistik uji:
(30 16,7)2 (70 83,3)2 (20 33,3)2 (180 166,7)2
χ2 = 19,1
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 = 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 ) 70 ( b ) 100 ( a+b )
Tidak 20 ( c ) 180 ( d ) 200 ( c+d )
Jumlah 50 ( a+c) 250 ( b+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

2
χ = 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 0,5 ]2
χ2
i=1 j=1 Eij

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 0,5]2 [ 20 33,3 0,5]2 [ 70 83,3 0,5]2 [ 180 166,7 0,5]2

2
χ
16,7 33,3 83,3 166,7

17,7

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

Pada contoh diatas diperoleh hasil:

300 ( 30*180 70*20 0,5*300 )2
2
χ = 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
Status Gizi
Jenis Baik Kurang Jumlah
Buruh Tani 70 30 100
Buruh Nelayan 65 35 100
Jumlah 135 65 200

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 ( ) misalnya 0,05
3. Menghitung nilai ekspektasi
O11 = 70  E11 = (100 135) / 200 = 67,5
O12 = 30  E12 = (100 65) / 200 = 32,5
O21 = 65  E21 = (100 135) / 200 = 67,5
O22 = 35  E22 = (100 65) / 200 = 32,5

RA 5
4. Menghitung statistik uji:
(70 67,5)2 (30 32,5)2 (65 67,5)2 (35 32,5)2
χ2 = 0,57
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 =0,05 = 3,841)  Keputusan: Gagal Tolak Ho
7. Kesimpulan :
Tidak ada perbedaan status gizi antara buruh tani di desa pegunungan dan buruh
nelayan di desa pantai.

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 n
E

Contoh kasus :
Peneliti ingin mengetahui apakah tingkat pendidikan responden terdistribusi secara
merata atau tidak. Data pengamatan:
Tabel 5. Data Pendidikan Responden
No Pendidikan No Pendidikan No Pendidikan No Pendidikan
Resp Resp Resp Resp
1. SD 14. SMP 27. SMU 40. PT
2. PT 15. SMU 28. SD 41. SD
3. SMP 16. SD 29. SMU 42. SMP
4. SMU 17. PT 30. SMU 43. SMU
5. SD 18. SMU 31. SD 44. SMP
6. PT 19. PT 32. SMP 45. SMU
7. SMU 20. PT 33. SMU 46. SD
8. SD 21. SD 34. SMP 47. PT
9. SMU 22. PT 35. SMU 48. SMU
10. SMU 23. SMP 36. SD 49. PT
11. SD 24. SMU 37. PT 50. PT
12. SMP 25. SD 38. SMU
13. SMU 26. PT 39. PT

RA 6
Dengan menggunakan komputer diperoleh hasil:

Pendidikan terakhir ibu

Observed N Expected N Residual

SD 12 12.5 -.5
SMP 8 12.5 -4.5
SMU 17 12.5 4.5
PT 13 12.5 .5
Total 50

Test Statistics

Pendidikan
terakhir ibu
Chi-Square a 3.280
df 3
Asymp. Sig. .350
a. 0 cells (.0%) have expected frequencies less than
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 :

2
O E
X2 df = (k-1)(b-1)
E

RA 7
Ket :
O= nilai observasi k=jumlah kolom
E =nilai expectasi (harapan) b=jumlah baris

Untuk mempermudah analisis kai kuadrat, nilai data kedua variabel disajikan
dalam tabel tabel silang.

Variabel I Variabel II Jumlah

Tinggi Rendah
Ya a b a+b
Tidak c d c+d
Jumlah a+c b+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

E
jumlah keseluruhan data

Misalkan mencari nilai expectasi untuk sel a adalah :

a b a c
Ea
N

Untuk Ea, Ec dan Ed dapat dicari dengan cara yang sama

Khusus untuk tabel 2x2 dapat dicari nilai X2 dengan menggunakan rumus :

N (ad bc)2
X2
(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 :
2
2 O E 0,5
X
E
Atau
2
N
N ad bc
2
X2
(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
Tidak Ya Total
Sumber air bersih Ada Count 99 34 133
di rumah % within Sumber
74.4% 25.6% 100.0%
air bersih di rumah
Tidak Count 53 39 92
% within Sumber
57.6% 42.4% 100.0%
air bersih di rumah
Total Count 152 73 225
% within Sumber
67.6% 32.4% 100.0%
air bersih di rumah

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. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 7.026b 1 .008
Continuity Correctiona 6.279 1 .012
Likelihood Ratio 6.971 1 .008
Fisher's Exact Test .009 .006
Linear-by-Linear
6.994 1 .008
Association
N of Valid Cases 225
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
Value Lower Upper
Odds Ratio for Sumber
air bersih di rumah 2.143 1.214 3.782
(Ada / Tidak)
For cohort Diare = Tidak 1.292 1.056 1.581
For cohort Diare = Ya .603 .414 .878
N of Valid Cases 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 Total
Pendidikan 0 SD Count 139 50 189
ibu Expected Count 127.7 61.3 189.0
% within Pendidikan ibu 73.5% 26.5% 100.0%
1 SLTP Count 9 21 30
Expected Count 20.3 9.7 30.0
% within Pendidikan ibu 30.0% 70.0% 100.0%
2 SLTA Count 3 2 5
Expected Count 3.4 1.6 5.0
% within Pendidikan ibu 60.0% 40.0% 100.0%
3 Perguruan tinggi Count 1 0 1
Expected Count .7 .3 1.0
% within Pendidikan ibu 100.0% .0% 100.0%
Total Count 152 73 225
Expected Count 152.0 73.0 225.0
% within Pendidikan ibu 67.6% 32.4% 100.0%

Chi-Square Tests

Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 23.009a 3 .000
Likelihood Ratio 21.802 3 .000
Linear-by-Linear
10.919 1 .001
Association
N of Valid Cases 225
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 Total
didikbaru 0 SD Count 139 50 189
Expected Count 127.7 61.3 189.0
% within didikbaru 73.5% 26.5% 100.0%
1 SLTP Count 9 21 30
Expected Count 20.3 9.7 30.0
% within didikbaru 30.0% 70.0% 100.0%
2 SLTA & PT Count 4 2 6
Expected Count 4.1 1.9 6.0
% within didikbaru 66.7% 33.3% 100.0%
Total Count 152 73 225
Expected Count 152.0 73.0 225.0
% within didikbaru 67.6% 32.4% 100.0%

Chi-Square Tests

Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 22.400a 2 .000
Likelihood Ratio 20.894 2 .000
Linear-by-Linear
12.728 1 .000
Association
N of Valid Cases 225
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 Total
didikbaru2 0 SD Count 139 50 189
Expected Count 127.7 61.3 189.0
% within didikbaru2 73.5% 26.5% 100.0%
1 SLTP,SLTA & PT Count 13 23 36
Expected Count 24.3 11.7 36.0
% within didikbaru2 36.1% 63.9% 100.0%
Total Count 152 73 225
Expected Count 152.0 73.0 225.0
% within didikbaru2 67.6% 32.4% 100.0%

RA 14
 Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 19.333b 1 .000
Continuity Correctiona 17.663 1 .000
Likelihood Ratio 18.092 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear
19.248 1 .000
Association
N of Valid Cases 225
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 Total
Ada jamban 0 Ada Count 146 66 212
di rumah Expected Count 143.2 68.8 212.0
% within Ada
68.9% 31.1% 100.0%
jamban di rumah
1 Tidak Count 6 7 13
Expected Count 8.8 4.2 13.0
% within Ada
46.2% 53.8% 100.0%
jamban di rumah
Total Count 152 73 225
Expected Count 152.0 73.0 225.0
% within Ada
67.6% 32.4% 100.0%
jamban di rumah

RA 15
 Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 2.883b 1 .090
Continuity Correctiona 1.940 1 .164
Likelihood Ratio 2.689 1 .101
Fisher's Exact Test .125 .085
Linear-by-Linear
2.870 1 .090
Association
N of Valid Cases 225
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:
Keaktifan kader
Sosial ekonomi Kurang Baik Jumlah
Kurang 10 35 45
Baik 44 81 125
Jumlah 54 116 170

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 Kurang Sedang Baik Jumlah
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 Ya Tidak Jumlah
Bukan perokok 11 58 69
Perokok ringan 36 26 62
Perokok berat 39 10 49
Jumlah 86 94 180

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

RA 17
 18. Tidak bekerja ya 43. Tidak bekerja ya
19. Bekerja tidak 44. Bekerja tidak
20. Bekerja tidak 45. Tidak bekerja ya
21. Bekerja tidak 46. Bekerja tidak
22. Bekerja ya 47. Tidak bekerja ya
23. Tidak bekerja tidak 48. Tidak bekerja ya
24. Bekerja tidak 49. Bekerja tidak
25. Tidak bekerja ya 50. Bekerja 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