Materi 12

Ratih SW
STATISTIKA NON PARAMETRIK
A. Capaian Pembelajaran :

1. Umum : Setelah menyelesaikan matakuliah ini mahasiswa akan dapat memahami tentang
program SPSS sebagai program dalam mengolah dan menganalisis data. Mahasiswa juga
dapat melakukan cara memasukkan data ke dalam program, mengolah dan menganalisis
data serta mampu melakukan interpretasi hasil analisis data.
2. Khusus
Mahasiswa mampu melakukan uji hubungan/perbedaan non parametric menggunakan
aplikasi komputer
B. Pokok Bahasan:
1. Uji Chi Square
C. Sub pokok bahasan :
1. Tujuan
2. Contoh Kasus
3. Interpretasi dalam laporan penelitian

D. Penyajian
Materi yang dibahas pada uji non parametric meliputi uji hubungan dan uji perbedaan
yang non parametrik. Data yang akan digunakan untuk uji non parametrik sebagai berikut :
1. Buat variabel sesuai soal di bawah ini dan input menggunakan SPSS

nama Jenis kelamin pendidikan Frek gosok gigi Plaks_pre Plaks_post Kejadian Karies
sumiyati 2 3 3 1.1 1.1 2
ratu 2 1 1 4.5 3 1
raja 1 1 2 2.3 2 2
juminten 2 2 3 1.2 1.1 2
bani 1 1 1 5.4 4 1
boni 1 3 2 3.1 2.5 2
vendy 2 3 2 2 1.5 2
siti 2 2 2 1.5 1.1 2
noer 1 2 2 4.1 4 1
sesil 2 1 3 5.2 4.2 1
agus 1 2 2 4.6 3 1
joko 1 3 2 2.3 2 2
nunung 2 2 2 3.4 3.1 2

1
 doyok 1 2 1 6 4 1
judit 1 1 2 3.7 3.1 2
imran 1 1 1 5.8 4 1
lukas 1 2 3 1.2 1.1 2
zen 2 2 3 1.6 1.3 2
lala 2 3 2 1.8 1.5 2
lia 2 1 1 5.3 3 1
ayla 2 1 2 3.2 2.1 2
susi 2 2 1 5.2 4 1
koko 1 2 3 2 1.2 2
Kim 2 3 2 3.4 3 2
jeros 1 3 1 5.7 4.2 1
adrian 1 3 2 2.1 1.3 2
clara 2 1 3 2 1.1 2
austin 1 1 1 6 5 1
helena 2 2 2 2.6 2.3 2

Keterangan :
Jenis Kelamin (1=L dan 2=P)
Pendidikan (1. SD, 2. SMP, 3. SMA)
Kejadian Karies : (1. Karies dan 2. tidak Karies)

Pendahuluan
Dalam penelitian kesehatan seringkali peneliti perlu melakukan analisis hubungan
variable katagorik dengan variable katagorik, uji yang digunakan adalah uji Kai Kuadrat (Uji
Chi Square). Variabel kategorik adalah variable yang diperoleh dari hasil
klasifikasi/penggolongan, misalnya : variable jenis kelamin, jenis pekerjaan, golongan darah,
pendidikan dan lain-lain. Dilain pihak variable numerik (misalnya pendapatan, umur, berat
badan dan lain-lain) dapat menjadi variable kategorik bila variabel tersebut sudah mengalami
pengelompokan.misalnya pendapatan ( Rp. 500.000, Rp. 750.000, dll)
Termasuk variable numeric, namun jika sudah diadakan pengelompokkan menjadi (<500.000
(rendah), 500.000 s/d 1.000.000 (sedang) dan > 1000.000 (tinggi) maka variable ini sudah
berjenis kategorik.
1. Tujuan uji Kai kuadrat
Tujuan dari digunakannya kai kuadrat untuk menguji perbedaan proporsi /persentase
antara beberapa kelompok data., dilihat dari segi datanya uji kai kuadrat dapat digunakan
untuk mengetahui hubungan antara variable kategorik dengan kategorik.
Contoh pertanyaan penelitian yang dapat dipecahkan dengan uji kategorik :

2
 Apakah ada perbedaan kejadian kecacingan ( kategori dengan klasifikasi ya dan tidak)
antara anak yang berasal dari keluarga dengan kondisi social ekonomi ( kategori
klasifikasi tinggi sedang dan rendah).

2. 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 :

X =∑
2 (O − E )2
E
DF=(k-1)(b-1)
Ket :
O= nilai observasi
E =nilai expectasi (harapan)
k=jumlah kolom
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 b 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
X2 =
jumlah keseluruhan data
Misalkan mencari nilai expectasi untuk sel a adalah :

Ea =
(a + b )(a + c )
(N )
Untuk Ea, Ec dan Ed dapat dicari dengan cara yang sama :

3
 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 :

X =∑
2 ( O − E − 0,5) 2

E
Atau
2
  N 
N  ad − bc −   
  2 
X2 =
(a + c)(b + d )(a + b)(c + d )

3. 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 E) kurang dari 1
b. Tidak boleh ada sel yang mempunyai nilai harapan (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.
4. Prosedur Penggunaan Kai Kuadrat
a. formulasikan hipotesis (Ho dan Ha)
b. Masukkan frekuensi observasi (O) dalam tabel silang.
c. Hitung frekuensi harapan (E) masing-masing sel.
d. Hitung X2 sesuai aturan yang berlaku :

4
 • Bila tabelnya lebih dari 2x2, gunakan uji kai kuadrat tanpa koreksi (Uncorrected).
• Bila tabelnya 2x2, tidak ada E<5, gunakan Kai Kuadrat Yate’s Correction.
• Bila tabelnya 2x2, ada sel yang E-nya<5, gunakan Fisher Exact
e. Hitung p value dengan membandingkan nilai X2 dengan tabel Kai Kuadrat
f. Keputusan :
• Bila p value ≤α, Ho ditolak, berarti data sampel mendukung adanya perbedaan
yang bermakna (signifikan).
• Bila p value >α, Ho gagal ditolak, berarti data sampel tidak mendukung adanya
perbedaan yang bermakna (signifikan).

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.
 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/ter-ekspose dan kode lebih
tinggi untuk kelompok tak/kurang berisiko.
 Kode rendah jika kejadian/penyakit yang diteliti ada dan kode tinggi jika
kejadian/penyakit tidak ada.
Misalnya kita ingin melakukan hubungan jenis pekerjaan (bekerja/tidak bekerja) dengan
perilaku menyusui (eksklusive/non eksklusive). Agar interpretasi tidak keliru, maka
sebaiknya anda melalukan melakukan pengkodean sesuai dengan ketentuan diatas, yaitu :

5
 variabel pekerjaan (kode 0 : untuk yang tidak bekerja dan kode 1: untuk yang bekerja)
variabel menyusui (kode 0:untuk yang eksklusive dan kode 1 : untuk yang tidak
eksklusive).
 Pembuatan presentase pada tabel silang harus diperhatikan agar supaya tidak salah
dalam menginterpretasi.
 Pada jenis penelitian survei /cros sectional atau cohort, pembuatan presentasenya
berdasarkan nilai dari variabel independen.
Contoh :
Pengetahuan
Pendidikan Rendah Tinggi Total
n % n % n %
SD 25 50 25 50 50 100
SMP 16 40 24 60 40 100
SMU 10 33.3 20 66,7 30 100
PT 5 20 20 80 25 100
Jumlah 56 38,7 89 61.3 145 100

Interpretasi sebagai berikut :

Dari 50 pasien yang berpendidikan SD ada sebanyak 25 (50%) pasien mempunyai

pengetahuan tinggi. Dari 40 pasien yang berpendidikan SMP ada sebanyak 24 (60%) yang
berpengetahuan tinggi. Dari 30 pasien yang berpendidikan SMU ada 20 (66,7%) yang
berpengetahuan tinggi. Dan dari 25 pasien yang tingkat pendidikannya PT ada sebanyak 20
(80%) yang berpengetahuan tinggi. Dari data terlihat ada kecenderungan bahwa semakin
tinggi pendidikan akan semakin tinggi pengetahuannya.

 Pada jenis penelitian kasus kontrol pembuatan presentasenya berdasarkan nilai dari
variabel dependen.

Contoh :
Kanker Rongga Mulut
Jenis Kelamin Ya Tidak Total
n % n % n %
Laki-laki 75 75 30 30 105 52.5
Perempuan 25 25 70 70 95 47,5
Jumlah 100 50 100 50 200
Interpretasi sebagai berikut :

6
Dari 100 pasien yang menderita kanker rongga mulut ada sebanyak 75 (75%) responden
berjenis kelamin laki-laki. Sedangkan pada kelompok yang tidak menderita rongga mulut,
ada sebanyak 30 (30%) responden berjenis kelamin laki-laki.
Contoh Kasus
Suatu penelitian cross sectional ingin mengetahui hubungan jenis kelamin (L/P) dengan
kejadian Karies (Y/T).

Jenis Kelamin Kejadian Karies

Variabel bebas : Jenis Kelamin ( L/P)

Variabel Terikat : Kejadian Karies (y/t)
Tabel ukuran 2x 2
Hipotesis :
Ada hubungan yang signifikan antara jenis kelamin dengan kejadian Karies

Langkah-langkahnya sebagai berikut :

 Aktifkan “indeks plaks”
 Dari menu utama klik analyze, pilih descriptive, pilih crosstab
 Masukkan variabel jenis kelamin sebagai variabel independent pada box ROWS.
 Pada box column diisi variabel dependennya, yaitu kejadian karies pada box COLUMN

Gambar 11 Tampilan Crosstabs

7
 Klik Options : klik pilihan Chi Square dan klik pilihan Risk

Gambar 12 Tampilan Crosstabs:statistics

 Klik Continue
 Klik Cells : klik bagian Count, pilih observed dan percentage, klik row

Gambar 13 Tampilan Crosstabs: cell display

 Klik Continue
 Klik OK

8
Pada tabel di atas tampak tabel silang antara jenis kelamin dengan kejadian karies dengan
dijumpai angka pada masing-masing selnya. Angka yang paling atas adalah jumlah kasus
masing-masing sel, angka yang kedua adalah persentase menurut baris (karena berasal
dari penelitian cross sectional) sedang untuk penelitian kasus kontrol menggunakan
persentase kolom.
Sebagian besar responden yang berjenis kelamin Laki-laki sebanyak 7 dari 14 (50%)
mengalami Karies. Sedangkan responden yang berjenis kelamin Perempuan 4 dari 15
(26,7% ) megalami Karies Gigi.

Hasil uji Chi Square dapat dilihat dari kotak chi square test. Dari print out muncul
dengan beberapa bentuk/angka sehingga menimbulkan pertanyaan “ angka mana
yang kita pakai ?”, apakah Pearson, Continuity Corection, Likelihood atau fisher ?
Aturan yang dipakai pada uji Chi Square adalah sebagai berikut :
1. Pada table 2x2 dijumpai nilai E(harapan) kurang dari 5, maka uji yang digunakan
adalah : Fisher Exact.
2. Pada table 2x2 dan tidak ada nilai E (harapan) kurang dari 5 maka uji yang dipakai
sebaiknya Continuity Corection.
3. Bila lebih dari 2x2, misalnya 3x2, 3x3, dll, maka digunakan uji Pearson Chi Square,
jika E kurang dari 5 <= 20%.

9
 4. Uji Likelihood Ratio dan Linear-by-linear Assosiation, biasanya digunakan untuk
keperluan lebih spesifik misalnya untuk analisis stratifikasi pada bidang epidemiologi
dan juga mengetahui hubungan linier antar dua variabel katagorik, sehingga kedua
jenis ini jarang digunakan.
Hasil di atas, berarti menggunakan uji chi square yang sudah dilakukan koreksi
(Continuity Corection) dengan p value dapat dilihat di kolom asymp. Sig dan terlihat p-
valuenya sebesar 0,362 (>0.05) berarti tidak ada perbedaan indeks plaks berdasarkan
pendidikan

 Uji chi Square hanya dapat digunakan untuk mengetahui ada/tidaknya hubungan dua
variabel, sehingga uji ini tidak dapat digunakan untuk derajat/kekuatan hubungan dua
variabel.
 Untuk mengetahui besar kekuatan hubungan banyak metodenya tergantung latar belakang
disiplin keilmuannya.
 Untuk ilmu sosial dengan melihat nilai koefisien Phi, Koefisien Kontingensi dan
Cramer’s V.
 Sedang bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR(cros
sectional dan Case control) atau RR(Cohort).
Pada hasil di atas nilai OR terdapat pada baris Odds Ratio yaitu 2,750 (95% CI:0,583-
12,976). Sedangkan nilai RR terdapat pada baris for cohort 1,875 (95% CI:0,697-5,042).
Pada data ini berasal dari penelitian coss sectional maka kita dapat menginterpretasi nilai OR
=2,75>1 tetapi CI melewati 1 berarti bukan faktor risiko kejadian Karies.
Pada crosstab nilai OR akan keluar bila tabel silang 2x2 , bila tabel silang lebih dari 2x2 nilai
OR dapat diperoleh dari regresi logistik sederhana dengan cara membuat dummy variabel.
Catatan :

10
Perlu diketahui bahwa dalam mengeluarkan nilai OR atau RR harus hati-hati, jangan sampai
terjadi kesalahan pengkodean. Pemberian kode harus ada konsistensi antara variabel
independen dan variabel dependen. Untuk variabel independen kelompok yang berisiko
diberi kode rendah dan kode tinggi untuk kelompok yang tidak berisiko. Pada variabel
dependen kode rendah jika kejadian yang menjadi fokus penelitian adadan kode tinggi jika
kejadian yang menjadi fokus penelitian tidak ada.
Sebagai contoh data di atas pegkodean adalah sebagai berikut : 0 untuk ibu tidak bekerja dan
1 untuk ibu bekerja, dan ibu yang menyusui eksklusive 0 dan non eksklusive 1.
Penyajian Dan Interpretasi Di Laporan Penelitian
Tabel 1.Distribusi Responden Menurut Jenis Kelamin dan Kejadian Karies

Kejadian Karies
Status Karies Tidak karies Total OR 95% CI p value
pekerjaan n % n % n %
L 7 50 7 50 14 100 2,750 (0,583-12,976) 0.362
P 4 26,7 11 73,3 15 100
Jumlah 11 37,9 18 62,1 29 100

Sebagian besar responden yang berjenis kelamin Laki-laki sebanyak 7 dari 14 (50%)
mengalami Karies. Sedangkan responden yang berjenis kelamin Perempuan 4 dari 15
(26,7%) megalami Karies Gigi. Hasil uji chi square yang sudah dilakukan koreksi (Continuity
Corection) dengan p value = 0,362 (>0.05) berarti tidak ada perbedaan indeks plaks
berdasarkan pendidikan. OR=2,750 (>1) (95% CI:0,583-12,976), karena melewati angka 1
maka jenis kelamin bukan faktor risiko kejadian Karies
Contoh 2. tabel tidak sama 2x2
Suatu penelitian cross sectional ingin mengetahui hubungan jenis kelamin (L/P) dengan
kejadian Karies (Y/T).

Pendidikan Kejadian Karies

Variabel bebas : Pendidikan (SD, SMP, SMA)

Variabel Terikat : Kejadian Karies (y/t)

 Aktifkan “indeks plaks”

 Dari menu utama klik analyze, pilih descriptive, pilih crosstab
 Masukkan variabel pendidikan sebagai variabel independent pada box ROWS.

11
 Pada box column diisi variabel dependennya, yaitu kejadian karies pada box COLUMN

Gambar 14 Tampilan Crosstabs

 Klik Options : klik pilihan Chi Square dan klik pilihan Risk

Gambar 15 Tampilan Crosstabs:statistics

 Klik Continue
 Klik Cells : klik bagian Count, pilih observed dan percentage, klik row

12
 Gambar 16 Tampilan Crosstabs: cell display
 Klik Continue
 Klik OK

Sebagian besar responden yang berpendidikan SD (50%) mengalami Karies, sedangkan

yang berpendidikan SMP (18,2% ) mengalami Karies Gigi dan yang berpendidikan SMA
(12,5%) mengalami Karies Gigi.

13
Hasil uji Chi Square dapat dilihat dari kotak chi square tes, ditemukan ada 88,9% E<5 berarti
tidak memenuhi syarat untuk uji Chi Square. Jadi dapat dilakukan penggabungan kategori
menjadi 2x2 atau dikeluarkan Fisher Exact.
1. Penggabungan kategori
 Rencanakan dulu kelompok yang akan digabung misalnya untuk pendidikan
Coding
SD dan SMP (kode 1)
SMA (kode 2)
 Lakukan transform recode dulu
 Analyze, recode into difference variable
 Pindahkan pendidikan ke numeric variable dan output diberi nama kat_didik keudian
klik change.

Gambar 17 Tampilan recode into difference variabel

 Klik old and new value
 Klik range pada old value, ketik 1 through 2, value pada new value ketik 1,
kemudial klik add
 Klik pada old value , all other value dan pada new value ketik 2


Gambar 18 Tampilan recode into difference variables: old and new value

14
 Klik continue
 Klik OK
 Pindah ke variabel view, value label diisi 1 SD-SMP dan 2 SMA
 Klik Analyze, descriptive, crosstab ganti veriabel bebas (row) dengan kat didik,
pastikan pada cell percentage disi row dan statistics di centang chi square dan risk
 Continue
 OK

15
 Hasil tabel silang resonden yang berpendidikan SD-SMP 47,5% mengalami Karies
dan yang berpendidikan SMA 12,5% mengalami Karies. Hasil uji Fisher exact
diperoleh p value=0,110 (>0,05) artinya tidak ada hubungan antara pendidikan
dengan kejadian Karies

2. Fisher Exact
 Ulangi analyze, descriptive, crosstab, klik exact test dan centang Exact

Gambar 19 Tampilan Crosstabs: exact test

 Klik Continue
 Klik OK

Yang dibaca Fisher exact p=0,218(>0,05) artinya tidak ada perbedaan indeks plaks
berdasarkan pendidikan
Catatan : penyajian sama dengan uji hubungan jenis kelamin dengan kejadian Karies
Gigi

16
III. Penutup
1. Tes Formatif
Lakukan uji perbedaan dengan menggunakan variable yang ada pada latihan 1
2.Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data sudah terekam
3.Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen memberi contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.

17