Anda di halaman 1dari 18

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 χ 2 . Prosedur uji χ 2 yang paling sederhana adalah uji χ 2 menurut Pearson.

Tehnik uji Kai Kuadrat adalah memakai data diskrit dengan pendekatan

distribusi kontinyu (distribusi χ 2 ). 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)

R A

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 χ 2 menurut Pearson dilakukan dengan menjumlahkan selisih nilai observasi dengan nilai ekspektasi kuadrat relatif terhadap nilai ekspektasinya dan mencari nilai p, atau membandingkan nilai χ 2 untuk nilai tersebut dengan χ 2 tabel menggunakan distribusi χ 2 pada derajat kebebasan yang ada. Secara matematik χ 2 dituliskan:

2

χ

b k

yang ada. Secara matematik χ 2 dituliskan: 2 χ b k i=1 j=1 ( O ij

i=1 j=1

( O ij E ij ) 2
( O ij
E ij ) 2

E ij

dengan derajat kebebasan = (b-1) (k-1) dimana : O ij = nilai observasi E ij = nilai ekspektasi

b = jumlah baris

Contoh:

Terdapat tabel kontingensi :

dan k = jumlah kolom

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 (

3. Menghitung nilai ekspektasi

) misalnya 0,05Tentukan tingkat kemaknaan ( 3. Menghitung nilai ekspektasi O 1 1 = 30  E 1

O 11 = 30 E 11 = (100

O 12 = 70 E 12 = (100

O 21 = 20 E 21 = (200

O 22 = 180 E 22 = (200

= 16,7

250) / 300 = 83,3

50) / 300

50) / 300

= 33,3

250) / 300 = 166,7

R A

2

4.

Menghitung statistik uji:

χ 2

(30 16,7) 2 (70 83,3) 2 (20 33,3) 2 (180 166,7) 2
(30 16,7) 2
(70 83,3) 2
(20 33,3) 2
(180 166,7) 2

= 19,1

16,7

83,3

33,3

166,7

5.

Mencari nilai χ 2 tabel dengan derajat kebebasan (2-1) (2-1) = 1

diperoleh dari tabel χ 2 : 3,841

 

6.

Membandingkan nilai χ 2 hasil perhitungan dengan χ 2 tabel

( χ 2 = 19,2)

>

2

=0,05 = 3,841) Keputusan: Tolak Ho

= 0 , 0 5 = 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

hubungan antara kejadian ibu anemia denga bayi BBLR pada =0,05 Kesimpulan bahwa kejadian ibu anemia berhubungan

=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 χ 2 tidak dapat menentukan factor mana yang lebih beresiko, atau

intervensi mana yang lebih baik. Uji χ 2 juga tidak menentukan hubungan sebab akibat.

Uji χ 2 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:

χ 2

n (ad-bc) 2

kontingensi 2x2 dapat digunakan rumus: χ 2 n (ad-bc) 2 (a+b)(c+d)(a+c)(b+d) Pada contoh diatas jika dihitung

(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

R A

3

χ 2

n (ad-bc) 2

χ 2 n (ad-bc) 2 (a+b)(c+d)(a+c)(b+d) χ 2 300 (30*180 70*20) 2 = 19,2 (100)(200)(50)(250) Koreksi

(a+b)(c+d)(a+c)(b+d)

χ 2

300 (30*180 70*20) 2
300 (30*180 70*20) 2

= 19,2

(100)(200)(50)(250)

Koreksi Kontinuitas dari Yates

Yates (1934) mengusulkan koreksi perhitungan uji χ 2 karena distribusi χ 2 adalah distribusi kontinyu, sedangkan perhitungan nilai ekspektasi berdasarkan asumsi distribusi hipergeometrik. Koreksi perhitungan dilakukan dengan mengurangi hasil χ 2 dengan 0,5 seperti berikut:

χ 2

b k

hasil χ 2 dengan 0,5 seperti berikut: χ 2 b k i=1 j=1 [ 0,5 ]

i=1

j=1

[ 0,5 ] 2 O ij E ij
[
0,5 ] 2
O ij
E ij

E ij

Koreksi ini dilakukan karena penggunaan distribusi χ 2 untuk mendekati distribusi diskrit. Koreksi Yates ini memberikan nilai χ 2 yang lebih rendah sehingga nilai p lebih tinggi, yang berarti uji ini lebih berhati-hati dalam menolak hipotesis nol. Perhitungan χ 2 dengan koreksi Yates pada contoh diatas yaitu:

χ 2

[ 30 16,7 0,5] 2 [ 20 33,3 0,5] 2 [ 70 83,3 0,5] 2
[
30 16,7
0,5] 2
[
20 33,3
0,5] 2
[
70 83,3
0,5] 2
[
180 166,7
0,5] 2
[ 20 33,3 0,5] 2 [ 70 83,3 0,5] 2 [ 180 166,7 0,5] 2 16,7

16,7

17,7

33,3

83,3

166,7

n ( ad-bc 0,5 n ) 2
n (
ad-bc
0,5 n ) 2

Kalau koreksi Yates diterapkan pada tabel 2 2 maka persamaan akan menjadi:

χ 2

(a+b)(c+d)(a+c)(b+d)

Pada contoh diatas diperoleh hasil:

χ 2

300 ( 30*180 70*20 0,5*300 ) 2
300 ( 30*180 70*20
0,5*300 ) 2

= 17,8

(100)(200)(50)(250)

R A

4

Pada sampel yang cukup besar hasil perhitungan χ 2 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

kemaknaan ( ) misalnya 0,05 3. Menghitung nilai ekspektasi O 1 1 = 70  E

O 11 = 70 E 11 = (100

O 12 = 30 E 12 = (100

O 21 = 65 E 21 = (100

O 22 = 35 E 22 = (100

135) / 200 = 67,5 E 2 1 = (100 O 2 2 = 35  E 2 2 =

= 32,5

135) / 200 = 67,5 E 2 1 = (100 O 2 2 = 35  E 2 2 =

= 32,5

= (100 O 2 2 = 35  E 2 2 = (100 135) / 200

= (100 O 2 2 = 35  E 2 2 = (100 135) / 200

65) / 200

65) / 200

R A

5

4.

Menghitung statistik uji:

χ 2

(70 67,5) 2 (30 32,5) 2 (65 67,5) 2 (35 32,5) 2
(70 67,5) 2
(30 32,5) 2
(65 67,5) 2
(35 32,5) 2

= 0,57

67,5

32,5

67,5

32,5

5. Mencari nilai χ 2 tabel dengan derajat kebebasan (2-1) (2-1) = 1 diperoleh dari tabel χ 2 : 3,841

6. Membandingkan nilai χ 2 hasil perhitungan dengan χ 2 tabel

( χ 2 = 0,57) >

7. Kesimpulan :

2

=0,05 = 3,841) Keputusan: Gagal Tolak Ho

2 = 0 , 0 5 = 3,841)  Keputusan: Gagal Tolak Ho Tidak ada perbedaan

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:

χ 2

O 2

n
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

R A

6

Dengan menggunakan komputer diperoleh hasil:

Pendidikan terakhir ibu

Observed N

Observed N   Expected N SD 12 12.5 SMP 8 12.5 SMU 17 12.5 PT 13
 

Expected N

SD

12

12.5

SMP

8

12.5

SMU

17

12.5

PT

13

12.5

Total

50

Residual

-.5

-4.5

4.5

.5

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

pendidikan responden terdistribusi secara merata Ha : p1 p2 p3 p4 ¼ Tingkat pendidikan responden terdistribusi

p2

p3pendidikan responden terdistribusi secara merata Ha : p1 p2 p4 ¼ Tingkat pendidikan responden terdistribusi secara

responden terdistribusi secara merata Ha : p1 p2 p3 p4 ¼ Tingkat pendidikan responden terdistribusi secara

p4

responden terdistribusi secara merata Ha : p1 p2 p3 p4 ¼ Tingkat pendidikan responden terdistribusi secara

¼

Tingkat pendidikan responden terdistribusi secara tidak merata

2. Tingkat kemaknaan

3. Hasil perhitungan χ 2 = 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.

gagal ditolak, artinya proporsi pendidikan ibu sudah merata. = 0,05 4. PRINSIP DASAR UJI KAI KUADRAT.

= 0,05

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 :

X

2

O
O
E 2
E
2

E

df = (k-1)(b-1)

R A

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 :

E

(harapan) masing-masing sel dicari dengan rumus : E totalbarisnyax total kolomnya jumlahkeseluruhan data

totalbarisnyax total kolomnya

jumlahkeseluruhan data

Misalkan mencari nilai expectasi untuk sel a adalah :

E a

a b a c N
a
b
a
c
N

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

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

X

2

N ad

(

dicari nilai X 2 dengan menggunakan rumus : X 2 N ad ( bc ) 2

bc

) 2

( a c
(
a
c

)(

b

)(dengan menggunakan rumus : X 2 N ad ( bc ) 2 ( a c )(

a

b
b

)(

c

)rumus : X 2 N ad ( bc ) 2 ( a c )( b )(

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 :

O E 0,5 2 X 2 E Atau 2 N N ad bc 2 X
O
E
0,5
2
X
2
E
Atau
2
N
N
ad
bc
2
X
2
(
a
c
)(
b
d
)(
a
b
)(
c
d
)

R A

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.

R A

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

independent

umumnya persentasenya berdasarkan nilai dari

(persentase menurut baris)

variabel

Pada jenis penelitian kasus kontrol pembuatan persentasenya berdasarkan nilai dari variabel dependen (persentase menurut kolom).

kasus kontrol pembuatan persentasenya berdasarkan nilai dari variabel dependen (persentase menurut kolom) . R A 10

R A

10

APLIKASI DENGAN SPSS

Contoh 1 :

Sumber air bersih

APLIKASI DENGAN SPSS Contoh 1 : Sumber air bersih Diare Variabel dependent  Data kategorik :

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

99 34 74.4% 25.6% 53 39 57.6% 42.4% 152 73 67.6% 32.4% Tidak Diare Ya

99

34

74.4%

25.6%

53

39

57.6%

42.4%

152

73

67.6%

32.4%

Tidak

Diare

Ya

Total

Sumber air bersih

di rumah

Total

Ada

Count

%

within Sumber

air bersih di rumah

Tidak

Count

%

within Sumber

air bersih di rumah

Count

%

within Sumber

air bersih di rumah

133

100.0%

92

100.0%

100.0%

 

225

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 :

R A

11

Chi-Square Tests

(2-sided)

Exact Sig.

(2-sided)

Pearson Chi-Square

Continuity Correction a

Likelihood Ratio

Fisher's Exact Test

Linear-by-Linear

Association

N of Valid Cases

Value

df

7.026 b

 

1

6.279

1

6.971

1

6.994

1

225

 
6.279 1 6.971 1 6.994 1 225   Exact Sig. (1-sided) Asymp. Sig. .008 .012

Exact Sig.

(1-sided)

Exact Sig. (1-sided)

Asymp. Sig.

.008

.012

.008

 

.009

.006

.008

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

Odds Ratio for Sumber

air bersih di rumah

(Ada / Tidak)

For cohort Diare = Tidak

For cohort Diare = Ya

N of Valid Cases

Value

2.143

1.292

.603

225

= Ya N of Valid Cases Value 2.143 1.292 .603 225 95% Confidence Interval Lower Upper
= Ya N of Valid Cases Value 2.143 1.292 .603 225 95% Confidence Interval Lower Upper

95% Confidence

Interval

Lower

Upper

1.214

3.782

1.056

1.581

.414

.878

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

R A

12

Pendidikan ibu * Diare Crosstabulation

Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
Diare 0 Tidak 1 Ya Total Pendidikan 0 SD Count 139 50 189 ibu Expected
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

Expected Count

% within Pendidikan ibu

152

73

225

152.0

73.0

225.0

67.6%

32.4%

100.0%

Chi-Square Tests

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases Value df 23.009 a 3
Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases Value df 23.009 a 3

Pearson Chi-Square

Likelihood Ratio

Linear-by-Linear

Association

N of Valid Cases

Value

df

23.009 a

3

21.802

3

10.919

1

225

Asymp. Sig.

(2-sided)

.000

.000

.001

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

R A

13

didikbaru * Diare Crosstabulation

didikbaru

Total

Total

30

30.0

100.0%

6

6.0

100.0%

0 SD

Count

Expected Count

% within didikbaru

Diare

0 Tidak

1

Ya

139

50

189

127.7

61.3

189.0

73.5%

26.5%

100.0%

9

21

20.3

9.7

30.0%

70.0%

4

2

4.1

1.9

66.7%

33.3%

152

73

152.0

73.0

67.6%

32.4%

1

SLTP

Count

 

Expected Count

 

%

within didikbaru

2

SLTA & PT

Count

 

Expected Count

 

%

within didikbaru

 

Count

225

 

Expected Count

225.0

%

within didikbaru

100.0%

Chi-Square Tests

Value

Asymp. Sig.

df

(2-sided)

Pearson Chi-Square

Likelihood Ratio

Linear-by-Linear

Association

N of Valid Cases

22.400 a

2

.000

20.894

2

.000

12.728

1

.000

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

0

SD

Count

Expected Count

%

within didikbaru2

Diare

0 Tidak

1

Ya

139

 

50

127.7

 

61.3

73.5%

 

26.5%

1

SLTP,SLTA & PT

Count

   

Expected Count

   

% within didikbaru2

   

Count

   

Expected Count

   

% within didikbaru2

13

23

24.3

11.7

36.1%

63.9%

152

73

152.0

73.0

67.6%

32.4%

% within didikbaru2 13 23 24.3 11.7 36.1% 63.9% 152 73 152.0 73.0 67.6% 32.4%
% within didikbaru2 13 23 24.3 11.7 36.1% 63.9% 152 73 152.0 73.0 67.6% 32.4%
% within didikbaru2 13 23 24.3 11.7 36.1% 63.9% 152 73 152.0 73.0 67.6% 32.4%
% within didikbaru2 13 23 24.3 11.7 36.1% 63.9% 152 73 152.0 73.0 67.6% 32.4%
% within didikbaru2 13 23 24.3 11.7 36.1% 63.9% 152 73 152.0 73.0 67.6% 32.4%

Total

189

189.0

100.0%

36

36.0

100.0%

225

225.0

100.0%

didikbaru2

Total

R A

14

Chi-Square Tests

 

Asymp. Sig.

Exact Sig.

Value

df

(2-sided)

(2-sided)

19.333 b

1

17.663

1

18.092

1

19.248

1

Pearson Chi-Square

Continuity

Correction a

Likelihood Ratio

Fisher's Exact Test

Linear-by-Linear

Association

N of Valid Cases

225

Exact Sig.

(1-sided)

Exact Sig. (1-sided)

.000

.000

.000

 

.000

.000

.000

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

0

Ada

Count

   

Expected Count

%

within Ada

jamban di rumah

Diare

0 Tidak

1

Ya

146

66

143.2

68.8

68.9%

31.1%

1

Tidak

Count

   

Expected Count

   

% within Ada

   

jamban di rumah

   

Count

   

Expected Count

   

% within Ada

   

jamban di rumah

6

7

8.8

4.2

46.2%

53.8%

152

73

152.0

73.0

67.6%

32.4%

  jamban di rumah 6 7 8.8 4.2 46.2% 53.8% 152 73 152.0 73.0 67.6% 32.4%
  jamban di rumah 6 7 8.8 4.2 46.2% 53.8% 152 73 152.0 73.0 67.6% 32.4%
  jamban di rumah 6 7 8.8 4.2 46.2% 53.8% 152 73 152.0 73.0 67.6% 32.4%
  jamban di rumah 6 7 8.8 4.2 46.2% 53.8% 152 73 152.0 73.0 67.6% 32.4%
  jamban di rumah 6 7 8.8 4.2 46.2% 53.8% 152 73 152.0 73.0 67.6% 32.4%

Total

212

212.0

100.0%

13

13.0

100.0%

225

225.0

100.0%

Ada jamban

di rumah

Total

R A

15

Chi-Square Tests

Exact Sig.

(2-sided)

Pearson Chi-Square

Continuity Correction a

Likelihood Ratio

Fisher's Exact Test

Linear-by-Linear

Association

N of Valid Cases

Value

df

2.883 b

 

1

1.940

1

2.689

1

2.870

1

225

 
1.940 1 2.689 1 2.870 1 225   Exact Sig. (1-sided) Asymp. Sig. (2-sided) .090

Exact Sig.

(1-sided)

Exact Sig. (1-sided)

Asymp. Sig.

(2-sided)

.090

.164

.101

 

.125

.085

.090

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.

R A

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

nilai pengetahuan gizi antara murid SD favorit dan SD non favorit? Gunakan = 5%. 3. Suatu

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

R A

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.

R A

18