,

1
 ANALISIS DATA
Agar analisis hasil penelitian
menghasilkan suatu informasi yang
benar, paling tidak ada empat tahapan
dalam pengolahan data yang harus
dilalui, yaitu :
1. Editing
Merupakan kegiatan untuk melakukan
pengecekan isian formulir atau kuesioner,
apakah jawaban yang ada di kuesioner sudah:

a. Lengkap, pertanayaan sudah terisi

jawabannya
b. Jelas, jawaban pertanyaan yang ditulis
apakah tulisannya cukup jelas terbaca
c. Relevan, jawaban yang tertulis apakah
relevan dengan pertanyaannya
 Konsisten, apakah antara
beberapa pertanyaan yang
berkaitan isi jawabannya
konsisten, misalnya antara
pertanyaa usia dengan pertanyaan
jumlah anak. Bila pertanyaan usia
terisi 15 tahun dan di pertanyaan
jumlah anak terisi 9, ini berarti
tidak konsisten.
2. Koding
Koding merupakan kegiatan erubah data
berbentuk hurup menjadi data berbentuk
angka / bilangan. Misalnya untuk variable
pendidikan dilakukan koding : 1 = SD, 2 =
SLTP, 3 = SMU dan 4 PT, jeis kelamin 1 =
laik-laki dan 2 = perempuan, dst.
Kegunaan dari koding adalah untuk
mempermudah pada saat analisis data
dan juga mempercepat pada saat entry
data (pemindahan data).
3. Proccesing

Setelah semua isian kuesioner terisi

penuh dan benar, dan juga sudah
melewati pengkodingan, maka langkah
selanjutnya adalah memproses data agar
dapat dinalisis. Pemrosesan data
dilakukan dengan cara memindahkan
data dari kuesioner ke table yang telah
disiapkan atau mengentry data dari
kuesioner ke paket program komputer.
4. Cleaning

 Cleaning (pembersihan data) merupakan

kegiatan pengecekan kembali data yang
sudah di masukkan ke dalam table atau di
entry dalam komputer apakah ada kesalahan
atau tidak.

 Kesalahan tersebut dimungkinkan terjadi

pada saat kita memindahkan data tersebut
atau meng-entry data ke komputer. Misalnya
untuk variable pendidikan ada data yang
bernilai 7, mestinya berdasarkan koding yang
ada pendidikan kodenya hanya antara 1 s/d 4
(1=SD, 2=SLTP, 3=SLTA, 4=PT).
Mengetahui adanya missing data

Cara mendeteksi adanya missing data adalah

dengan melakukan (distribusi frekuensi) dari
variable yang ada. Misalnya yang diolah 100
orang pasien, kemudian dikeluarkan variable
jenis kelamin dn pendidikan.

Jenis Kelamin Frekuensi

Pria 40
Wanita 60
Jumlah 100
JENIS DATA :
Menurut skala pengukurannya,
variable dibagi empat jenis yaitu :

1. Nominal :
Yaitu variable yang hanya dapat mmbedakan
nilai datanya dan tidak tahu nilai data yang
mana yang lebih tinggi atau rendah.
 Contoh :
Jenis kelamin, suku bangsa, agama dll.
j.k laki-laki tidak lebih tinggi dibandingkan
dengan j.k perempuan.
2. Ordinal :
Yaitu variable yang dapat membedakan nilai
datanya dan juga sudah diketahui tingkatan
lebih tinggi atau lebih rendah, tapi belum
diketahui besar beda antar nilai datanya.

Contoh :
Pendidikan, pangkat, stadium penyakit, dll.
Pendidikan SD pengetahuannya lebih rendah
dibandingkan SLTP, namun demikian kita
tidak dapat seberapa besarnya perbedaan
pengetahuan antara SD dengan SLTP.
3. Interval :
Variabel yang dapat dibedakan, diketahui
tingkatannya dan diketahui juga besar beda
antara nilainya. Namun pada variable interval
belum diketahui kelipatan suatu nilai
terhadap nilai yang lain dan pada skala
interval tidak mempunyai titik nol mutlak.
 Contoh :
Variabel suhu, misalnya benda A suhunya 40
derajat dan benda B 10 derajat. Benda A
lebih panas dari benda B dan beda panas
antara A dan B adalah 30 derajat.
4. Rasio :
Yaitu variabel yang paling tinggi skalanya,
yaitu bisa dibedakan, ada tingkatan, ada
besar beda dan ada kelipatannya serta ada
titik nol mutlaknya.

Contoh :
Berat badan, tinggi badan, dll. Misalnya
Benda A beratnya 30 kg dan benda B
beratnya 60. Mka dalam hal ini dikatakan
bahwa A lebih ringan dari pada B selisih
beratnya 30 kg. Jadi berat B dua kali lebih
tinggi dibandingkan berat A. Berat 0 kg
berarti tidak ada bendanya (ini berarti ada
titik nol mutlaknya)
Pembagian Data
Dalam analisis seringkali digunakan
pembagian data / variable menjadi dua
kelompok, yaitu : data katagorik dan data
numerik.

Data Katagorik (Kualitatif)

Merupakan data hasil pengklasifikasian
atau penggolongan suatu data
Seperti : Jenis kelamin, jenis pekerjaan,
pendidikan
 Data diskrit
merupakan variable hasil dari
penghitungan
Misalnya : jumlah anak, jumlah pasien
tiap ruangan.

 Data kontinyu
merupakan variable hasil pengukuran
Misalnya : Tekanan darah, berat badan,
kadar Hb, dll.
 Variabel katagorik pada umumnya berisi
variable yang bersekala nominal dan ordinal.
Sedangkan variable numeric berisi variable
yang berskala interval dan rasio.

 Dalam analisis statistik, seringkali data numeric

dirubah kedalam data katagorik dengan cara
dilakukan pengelompokan / pengklasifikasian.
Misalnya variable berat badan data riilnya
merupakan data numeric, namun bila
dikelompokkan menjadi kurus (<50 kg), sedang
(50 – 60 kg) dan gemuk (>60 kg) maka jenis
variabelnya sudah berubah menjadi katagorik.
Tujuan Analisis Data, umumnya untuk :
1. Memperoleh gambaran/deskripsi
masing-masing variable
2. Membandingkan dan menguji teori atau
konsep dengan informasi yang
ditemukan.
3. Menemukan adanya konsep baru dari
data yang dikumpulkan.
4. Mencari penjelasan apakah konsep
baru yang diuji berlaku umum atau
hanya berlaku pada kondisi tertentu.
 Sejauhmana Analisis suatu penelitian akan
dilakukan tergantung dari :
A. Jenis Penelitian :
 Jika ingin mengetahui bagaimana pada
umumnya (secara rata-rata) pendapat
masyarakat akan suatu hal tertentu, maka
pengumpulan data dilakukan dengan survei.
Dari kasus ini maka dapat dilakukan analisis
data dengan pendekatan kuantitatif.
 Namun bila kita menginginkan untuk
mendapatkan pendapat/gambaran yang
mendalam tentang suatu fenomena, maka data
dapat dikumpulkan dengan FGD atau
observasi, maka analisisnya menggunakan
pendekatan analisis kualitatif.
B. Jenis Sampel
 Analisis sangat tergantung pada jenis sample yang
dibandingkan, apakah kedua sampel independen
atau dependen.

 Misalnya :
 Pada penelitian survei yang tidak menggunakan
sample yang sama, dapat digunakan uji statistik
yang mengasumsikan sample yang independen.

 Pada penelitian survei ingin mengetahui apakah ada

perbedaan berat badan bayi-bayi yang dilahirkan dari
ibu perokok dengan bayi-bayi yang ibunya tidak
merokok. Disini berarti ibu perokok dan kelompok ibu
tidak poerokok berisifat independen.

 Sedangkan untuk penelitian eksperimen yang sifatnya
pre dan post perlakuan tertentu
dilakukan pengukuran, maka uji yang digunakan
adalah uji statistik untuk data yang dependen.

 Misalnya :
 Suatu penelitian ingin mengetahui pengaruh pelatihan
manajemen terhadap kinerja petugas kesehatan antara
sebelum dengan sesudah mendapatkan pelatihan
manajemen.

 Dalam penelitian ini sample kelompok petugas

kesehatan bersifat dependen, karena pada kelompok
(orang) yang sama diukur dua kali yaitu yaitu pada
saat sebelum pelatihan (Pre test) dan sesudah
dilakukan pelatihan (Post test).
Jenis Data / Variabel.
Data dengan jenis katagorik berbeda
cara analisisnya dengan data jenis
numeric.

 Beberapa pengukuran / uji statistik

hanya cocok untuk jenis data tertentu.
Contoh :
 Nilai proporsi / persentase (pada analisis
univariat) biasanya cocok untuk menjelaskan
data berjenis katagorik, sedangkan untuk data
jenis numeric biasanya dapat menggunakan
nilai rata-rata untuk menjelasan
karakteristiknya.
 Untuk analisis hubungan dua variable (analisis
bivariat), uji chi Square hanya dapat dipakai
untuk mengetahui hubungan kategorik dangan
kategorik, sebaliknya untuk mengetahui
hubungan numeric dengan numeric digunakan
uji korelasi / regresi.
D. Asumsi Kenormalan
 Jenis analisis yang akan dilakukan
sangat tergantung dari bentuk distribusi
datanya. Bila distribusi datanya tidak
normal, maka sebaiknya digunakan
prosedur uji statistik non parametric.
Sedangkan bila asumsi kenormalan
dapat dipenuhi maka dapat digunakan
analisis menggunakan uji statistik
parametric
ANALISIS DESKRIPTIF
(UNIVARIAT)
Tujuan analisis ini adalah untuk menjelaskan /
mendeskripsikan karakteristik masing-masing
variable yang diteliti.

 Bentuknya tergantng dari jenis datanya :

a. Untuk data Numerik :

Digunakan nilai mean (rata-rata), median,
standar deviasi dll.
Contoh Penyajian dan Interpretasi data laporan
penelitian :
 Distribusi statistik deskriptif variable umur
responden tahun 2001

Mean
Variabel Sd Min-Mak 95% CI
Median

25,10
Umur 4,85 19 – 35 23,72 – 26,48
24,00
 Hasil analisis didapatkan rata-rata umur
ibu adalah 25,10 tahun (95% CI : 23,72 -
26,48), median 24,0 tahun dengan
standar deviasi 4,85 tahun. Umur
termuda 19 tahun dan umur tertua 35
tahun. Dari hasil estimasi interval dapat
disimpulkan bahwa 95 % diyakini bahwa
rata-rata umur ibu adalah diantara 23,72
tahun sampai dengan 26,48 tahun.
Untuk data katagori
 Tentunya hanya dapat menjelaskan angka / nilai
jumlah dan persentase masing-masing kelompok.
 Contoh : Penyajian dan Interpretasi Data
 Distribusi Responden Menurut Tingkat Pendidikan

Pendidikan Jumlah %
SD 12 24
SMP 8 16
SMA 17 34
PT 13 26
Jumlah 50 100
Distribusi tingkat pendidikan responden
hampir merata untuk masing-masing
tingkat pendidikan. Paling banyak
responden berpendidikan SMU yaitu 17
orang (34,0 %), sedangkan untuk
pendidikan SD, SMP dan PT masing-
masing 24,0 %, 16,0 %, dan 26,0 %.
Contoh lain :

Distribusi responden menurut

pola menyusui

Menyusui Frekuensi %

Eksklusivel 26 52,0

Tidak Eksklusive 24 48, 0

Total 50 100
 Distribusi pola menyususi responden
dapat dilihat pada table diatas. Hasil
penelitian dilaporkan bahwa responden
yang menyusui eksklusive sedikit lebih
banyak disbanding responden yang
menyusui tidak eksklusive, masing-
masing 26(52 %) dan 24(48 %).
ANALISIS HUBUNGAN
 Di bidang kesehatan sering kali harus
menarik kesimpulan apakah parameter
dua populasi berbeda atau tidak.
 Misalnya :
 Apakah ada perbedaan tekanan darah
penduduk dewasa orang kota dengan orang
desa ?.
 Apakah ada perbedaan berat badan antara
sebelum mengikuti program diet dengan
sesudahnya ?.
 Untuk uji statistik yang membandingkan mean
dua kelompok data ini disebut uji beda dua
mean. Pendekatan ujinya dapat menggunakan
pendekatan distribusi Z dan distribusi T. Tapi
yang paling sering digunakan adalah
pendekatan uji distribusi T.

 Sebelum kita melakukan uji statistik dua

kelompok data, kita perlu perhatikan apakah
dua kelompok data tersebut berasal dari dua
kelompok yang independen atau berasal dari
dua kelompok yang dependen.
Berdasarkan karakteristik data,
maka uji beda dua mean dibagi
dalam dua kelompok, yaitu :

 Uji beda dua mean independen (Uji T

independen)
 Syarat-syartnya :
 Data berdistribusi normal / simetris
 Kedua kelompok data independen
 Variabel yang dihubungkan berbentuk
numeric dan katagori
 Prinsip pengujian dua mean adalah
melihat perbedaan variasi kedua
kelompok data. Oleh karena itu dalam
pengujian ini diperlukan informasi apakah
varian kedua kelompok yang di uji sama
atau tidak.

 Untuk varian yang sama maka bentuk

ujinya adalah :
a. Uji Varian Yang Sama

X1 – X2
T = ------------------------------
Sp V(1/n1) + (1/n2)

(n1-1)S12 + (n2-1)S22
Sp2 = -----------------------------------
n1 + n2 – 2

df = n1 + n2 – 2
b. Uji Varian Berbeda

X1 – X2
T = ---------------------------------
V(S12/n1) + (S22/n2)

(S12/n1) + (S22/n2)
df = ----------------------------------------
[{(S12/n1)2/(n1-1)} + {(S22/n2)2/(n2-1)}]
Uji beda dua mean dependen
( Uji T dependen)
 Tujuan : untuk menguji perbedaan mean
antara dua kelompok data yang dependen.

 Contoh kasus :
Apakah ada perbedaan tingkat pengetahuan
antara sebelum dan sesudah dilakukan
pelatihan.

Apakah ada perbedaan berat badan antara

sebelum dan sesudah mengikuti program diet.
Syarat-syarat :
1. Distribusi data normal
2. kedua kelompok data dependen
3. Jenis variable : numeric dan kategori

Rumus Ujinya :
d
T = ----------------------
SD_d / Vn
d = rata-rata deviasi atau selisih sample 1 dan
sample 2
SD_d = standar deviasi dari deviasi atau selisih
sample 1 dan sample 2
Contoh : Uji t Independen
Dist. Rata-rata Kadar Hb Resp.
menurut pola menyusui.

Pola
Mean Sd Se Pv N
Menyusui

Eksklusive 11,034 1,074 0,2107 26

0,889
Tdk. Eksk. 10,987 1,297 0,2648 24
 Interpretasinya :

Rata-rata kadar Hb ibu yang menyusui

eksklusive adalah 11,034 gr % dengan standar
deviasi 1,074 gr %. Sedangkan untuk ibu yang
tidak eksklusive, rata-rata kadar Hbnya adalah
10,987 gr % degan standar deviasi 1,297 gr %.
Hasil uji statistik didapatkan nilai p=0,889,
berarti pada alpha 5 % terlihat tidak ada
perbedaan yang signifikan rata-rata kadar Hb
antara ibu yang menyusui dengan cara
eksklusive dengan tidak eksklusive.
Contoh : Uji t Dependen
Distribusi Rata-rata kadar Hb menurut
Pegukuran I dan Pengukuran II

Penguk. Hb Mean Sd Se Pv N

Penguk. I 11,012 1,174 0,1661

0,002 50
Penguk. II 10,674 0,999 0,1413
Interpretasi :

Rata-rata kadar Hb pada pengukuran

pertama adalah 11,012 gr % dengan standar
deviasi 1,174. Pada pengukuran kedua didapat
rata-rata kadar Hb adalah 10,674 gr % dengan
standar deviasi 0,999 gr %.
Terlihat nilai mean perbedaan antara
pengukuran pertama dan kedua adalah 0,30
dengan standar deviasi 0,73. Hasil uji statistik
didapatkan nilai p=0,002, maka dapat
disimpulkan ada perbedaan yang signifikan
antara kadar Hb pengukuran pertama dengan
pengukuran kedua.
 ANALISIS HUBUNGAN
KATEGORIK DENGAN KATEGORIK
 Seringkali dalam suatu penelitian, kita
menemui dta yang tidak dapat dinyatakan
dalam bentuk angka-angka pengukuran (data
numeric). Sebaliknya justru yang kita jumapai
adalah data hasil dari menghitung jumlah
pengamatan yang diklasifikasi atas beberapa
katagori. Data seperti ini ini disebut data
kategorik (kualitatif).
Misal :
 Jenis kelamin katagori  laki-laki dan
perempuan.
 Status merokok katagori  perokok berat
perokok ringan dan tidak perokok
 Dalam penelitian kesehatan seringkali
peneliti perlu melakukan analisis
hubungan variable katagorik dengan
variable katagorik.

 Uji statistik yang digunakan untuk

menjawab kasus tersebut adalah “ UJI
CHI SQUARE ATAU UJI KAI KUADRAT “
Misalnya :

 Kita ingin mengetahui hubungan jenis

pekerjaan dengan perilaku menyusui ibu,
apakah ada perbedaan proporsi kejadian
menyusui eksklusive antara ibu yang
bekerja dengan ibu yang tidak bekerja.
Dari contoh ini terlihat bahwa variable
jenis pekerjaan (bekerja/tidak bekerja)
merupakan variable katagorik , dan
variable perilaku menyusui
(eksklusive/tidak eksklusive) juga
merupakan variable katagorik.
 Variabel katagorik adalah bila variable tsb terbentuk dari
hasil klasifikasi / penggolongan.
Misalnya :
 Variabel jenis kelamin
 Jenis pekerjaan
 Golongan darah
 Pendidikan.

Dilain pihak variable numeric (misalnya berat badan,

umur, dll) dapat menjadi variable katagorik bila variable
tsb. Sudah mengalami pengelompokan. Seperti contoh
berikut :
 Variabel berat badan, bila masih riil (50 Kg, 63 Kg, dll) 
ini variable numeric, Tapi bila sudah dilakukan
pengelompokan menjadi <50 (kurus), 50 – 60 (sedang)
dan >60 (gendut), maka variable ini sudah berjanis
katagorikk.
Tujuan Uji Kai kuadrat (Chi Square)

 Tujuan digunakannya uji kai kuadrat

adalah untuk menguji perbedaan
proporsi / persentase antara beberapa
kelompok data.
 Dilihat dari segi datanya, uji kai kuadrat
dapat digunakan untuk mengetahui
hubungan antara variable katagorik
dengan variable katagorik.
 Contoh pertanyaan penelitian untuk
kasus yang dapat dipecahkan oleh uji kai
kuadrat misalnya :
 Apakah ada perbedaan kejadian hipertensi antara
wanita dengan pria ?. Kasus ini berarti akan
menguji hubungan variable hipertensi (katagori
dengan klasifikasi ya dan tidak) dengan variable
jenis kelamin (katagori dengan klasifikasi pria dan
wanita)

 Apakah ada perbedaan kejadian anemi antara ibu

yang kondisi soseknya tinggi, sedang dan rendah
?. Pada ksus ini akan menguji hubungan variable
anemi (katagori dengan klasifikasi ya dan tidak)
dengan variable sosek (katagori dengan klasifikasi
rendah, sedang dan tinggi).
2. Prinsip Dasar Uji Kai Kuadrat.

Proses pengujian kai kuadrat adalah

membandingkan frekuensi yang terjadi
(observasi) dengan frekuensi harapan
(ekspekted). Bila nilai frekuensi observasi
dengan nilai frekuensi harapan sama,
maka dikatakan tidak ada perbedaan
yang bermakna (Signifikan). Sebaliknya,
bila nilai frekuensi observasi dan nilai
frekuensi harapan berbeda, maka
dikatakan ada perbedaan yang
bermakna (signifikan).
Pembuktian dengan uji kai kuadrat
dengan menggunakan Formula :
( O – E )2
X2 =  --------------
E

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

 Keterangan :
O = nilai observasi
E = Ekpektasi (harapan)
k = Jumlah kolom
b = Jumlah bris
Untuk mempermudah analisis kai kuadrat, nilai
data kedua variable disajikan dalam bentuk
table silang :
Variabel 2
Variabel 1 Jumlah
Tinggi Rendah
Ya a b a+b
Tidak c d c+d
Jumlah a+c b+d N
a,b,c,d merupakan nilai observasi, sedangkan
nilai ekspekasi (harapan) masing-masing sel
dicari dengan rumus :

Total barisnya x total kolomnya

E = ----------------------------------------------
Jumlah keseluruhan data

Misal untuk mencari nilai ekspektasi untuk sel a

adalah :
(a+b x (a+c)
Ea = -------------------
N
3. Keterbatasan Kai Kuadrat :

 Seperti kita ketahui, uji kai kuadrat

menuntut frekuensi harapan / ekspekted (E)
dalam masing-masing sel tidak boleh
terlampau kecil. Jka frekuensi sangat kecil,
penggunaan uji ini mungkin menjadi tidak
tepat. Oleh karena itu dalam penggunaan
kai kuadrat harus memperhatikan
keterbatan-keterbatasan uji ini. Adapun
keterbatan uji kai kuadrat adalah sbb:
1. Tidak boleh ada sel yang mempunyai nilai
harapan (nilai O) kurang dari 1

2. Tidak boleh ada sel yang mempunyai nilai

harapan (nilai E) kurang dari 5 lebih dari 20 %
dari jumlah keseluruhan sel.

Jika keterbatasan tersebut ternyata terjadi pada

saat uji kai kuadrat, peneliti harus menggabung
kan kategori-kategori yang berdekatan dalam
rangka memperbesar frekuensi harapan dari
sel-sel tsb. (penggabungan ini dapat dilakukan
untuk analisis table silang lebih dari 2 x 2).
 Apabila keterbatasan ii terjadi pada table
2 x 2 (ini berarti kita tidak bisa
menggabung kategori-kategorinya lagi),
maka dianjurkan menggunakan uji Fisher
Exact.
Prosedur Pengujian Kai Kuadrat :

1. Formulasikan hipotesis (Ho dan Ha)

2. Masukkan frekuensi observasi (O) dalam table
silang
3. Hitung frekuensi harapan msing-masing sel
4. Hitung X2 sesuai dengan aturan yang berlaku :
 Bila tabelnya > 2 x 2, gunakan kai kuadrat tanpa
koreksi
 Bila tabelnya 2 x 2 gunakan kai kuadrat yate’s
correction
 Bila tabelnya ada sel yang nilai E-nya < 5 lebih dari
20 %, gunakan Fisher Exact.
5. Hitung p value dengan membandingkan nilai
X2 dengan table table kai kuadrat.
6. Keputusan :
* Bila p v < , Ho ditolak, berarti data sample
mendukung adanya perbedaan yang
bermakna
* Bila p v > , Ho Gatol, berarti data sample
tidak mendukung adanya perbedaan yang
Bermakna.
Contoh :

 Suatu studi melihat hubungan

penggunaan alcohol dan rokok pada ibu
selama kehamilan ( terhadap 11.127
wanita hamil) status alcohol dari ibu
hamil dikategorikan didalam 4 ( Tidak
minum, peminum ringan, sedang dan
berat) adapun status rokok dikategorikan
menjadi 2 ( perokok dan tidak perokok).
Seperti dibawah ini :
  Konsumsi Alkohol dan status perokok selama
kehamilan ibu ( Nilai Observasi )

Konsumsi Alkohol
Status
Tdk Pemi Pemi Pemi Jumlah
Merokok Pemi num num num
num Ringan Sedang Berat
1880 2048 194 76 4198
Perokok
44,78% 48,78% 4,64% 1,81% 100%

Tdk 6170 6170 6170 6170 6170

Perokok 61,91% 35,20% 2,48% 0,53% 100%
6170 6170 6170 6170 6170
Jumlah
55,45% 40,24% 3,29% 1,02% 100%
Nilai Harapan ( Ekspekted )

Konsumsi Alkohol
Status
Tdk Pemi Pemi Pemi Jumlah
Merokok
Pemi num num num
num Ringan Sedang Berat

Perokok 2327,8 1689,4 138,1 42,6 4198

Tdk
Perokok
3842,2 2788,9 227,9 70,4 6929

Jumlah 6170 4478 366 113 11127

Perhitungan X2

(1880 – 2327,8)2 (2048 – 2789,4)2 (194 – 138,1)2

X2 = ------------------------ + ------------------------ + --------------------- +

2327.8 1689,4 138,1

(76 – 42,7)2 (4290 – 3842,2)2 (2430 – 2788,5)2

------------------- + ------------------------- + ------------------------- +
42,7 3842,2 2788,5

(172 – 227,9)2 (137 – 70,4)2

---------------------- + -------------------- = 338,7
227,9 70,4
Pertanyaannya
 Apakah harga X2 sebesar 338,7 bermakna
?. Untuk itu ditentukan dengan
mencocokkan dengan table Distribusi Kai
Kuadrat dengan derajat bebas adalah :
 Df = (4 – 1 ) (2 – 1 ) = 3
 Ternyata : nilai X2 lebih kecil dari  (0,05)
 Kesimpulannya :
 Ho ditolak dengan p <  (0,05), Ada
hubungan antara kebiasaan minum alcohol
ibu selama kehamilan dengan kebiasaan
merokok.
Interpretasi data :
Dari 4198 orang ibu hamil yang perokok
mempunyai kebiasaan minum alcohol 48,78 %
peminum ringan, 4,64 % peminum sedang dan
hanya 1,81% peminum berat. Sedangkan pada
kelompok ibu hamil yang tidak perokok
mempunyai kebiasaan minum alcohol 35,20%
peminum ringan, 2,48% peminum sedang dan
hanya 0,53% yang peminum berat.
Dari hasil uji statistik diperoleh nilai X2 = 338,7
dengan nilai p=0,0000, maka dapat disimpulkan
ada perbedaan proporsi kejadian antara ibu hamil
yang perokok dengan ibu hamil yang tidak
perokok tentang kebiasaan mengkonsumsi
minuman yang beralkohol.