ANALISIS ASOSIATIF

(NON PARAMETRIK)

GDE PALGUNA REGANATA

Sistematika
• Chi-Square dan Koefisien Kontingensi menggunakan table kontingensi
baris x kolom (b x k)
• Gunakan Chi-Square untuk hubungan antara dua variabel berskala
nominal
• Korelasi Spearman dan/atau Tau Kendall untuk hubungan antara dua
variabel berskala ordinal. Kelebihan Tau Kendall dapat digeneralisasi
untuk mencari hubungan secara parsia (Siegel, 1956).
Beda korelasi Spearman dan Tau Kendall
• Kendall's Tau: nilainya biasanya lebih kecil dari korelasi Spearman rho. Perhitungan
didasarkan pada pasangan yang bersesuaian dan tidak. Tidak sensitif terhadap
kesalahan. Nilai p lebih akurat pada ukuran sampel yang lebih kecil.
• Spearman rho: biasanya memiliki nilai lebih besar dari Kendall's Tau. Perhitungan
berdasarkan penyimpangan. Jauh lebih sensitif terhadap kesalahan dan perbedaan
data.
Keuntungan utama menggunakan tau Kendall adalah sebagai berikut:
• Distribusi tau Kendall memiliki sifat statistik yang lebih baik.
• Interpretasi tau Kendall dalam hal probabilitas mengamati pasangan yang setuju
(setuju) dan tidak setuju (bertentangan) sangat mengena.
• Dalam sebagian besar situasi, interpretasi Kendall's tau dan koefisien korelasi
Spearman sangat mirip dan dengan demikian selalu mengarah pada kesimpulan yang
sama.

Koefisien korelasi peringkat Spearman adalah koefisien yang lebih banyak digunakan
 Chi-Square
Uji  2 untuk dua sampel dimaksudkan untuk memeriksa homogenitas
(keserupaan) dari populasi-populasi asal kedua sampel itu diambil.
Secara aplikatif, digunakan untuk melihat hubungan antar dua variabel

Asumsi :
• Sampel-sampel yang diamati merupakan sampel acak yang diambil
dari populasi I dan populasi II
• Kedua sampel saling bebas
• Masing-masing subyek dalam populasi dapat diklasifikasikan ke
dalam salah satu dari dua karakteristik dan tidak tumpang tindih
 Fungsi Chi-Square
• Independence Test (ada tidaknya hubungan antara dua variabel )
2. Uji χ2 untuk homogenitas antar- sub kelompok (Homogenity
test).

3. Uji χ2 untuk Bentuk Distribusi (Goodness of Fit)

 STRUKTUR DATA
Adanya karakteristik yang diamati
Sampel Jumlah
Ya Tidak

1 A B A+B

2 C D C+D

Jumlah A+C B+D n

Hipotesis :
H0 : Populasi-populasi asal sampel homogen (tidak ada hubungan antara
variabel A dan B)
H1 : Populasi-populasi asal sampel tidak homogen (ada hubungan antara
variabel A dan B)

Statistik Uji:
n( AD  BC ) 2
 2

( A  C )( B  D)(C  D)( A  B )

2 2
• Daerah kritis : tolak Ho jika   , 1 atau Sig. < 0.05
Bagaimana jika ada sel dengan petak kecil?
 Teknik Chi-Square menganjurkan jika ada sel-sel yang berfrekuensi kecil (<5 kasus),
maka dilakukan koreksi YATES (terminology SPSS – Continuity Correction).
 koreksi YATES hanya berlaku untuk tabel 2x2
Contoh:
Kesukaan
Mhsa Mhsi Jml
MEMBACA
Suka 4 15 19
 Tidak suka 21 10 31

Jml 25 25 50
Koreksi YATES:
Kesukaan
Mhsa Mhsi Jml
MEMBACA
Suka 4,5 14,5 19
 Tidak suka 20,5 10,5 31

Jml 25 25 50

Hitung dengan rumus X2:

2
N (AD - BC)
X  2

(A  B) (C  D) (A  C) (B  D)
Bagaimana jika jumlah sampel <20?
• Gunakan Exact Fisher
• Hipotesis:
H0: Tidak ada hubungan antara dua variabel
H1: Terdapat hubungan antara dua variabel
• Statistik Uji:
Bagaimana jika datanya berpasangan?
• Gunakan McNemar test (mirip uji paired t)

• Hipotesis:
• H0: sebelum = setelah
• H1: sebelum ≠ setelah
Bagaimana jika df >1?
Bilamana kolom atau barisnya lebih besar dari 2 (df = >1), uji chi-square
TIDAK DAPAT digunakan jika:
 ≥20% sel yang ada memiliki frekuensi yang diharapkan (H ) <5
i
 Ada sel yang memiliki nilai frekuensi yang diharapkan (H ) <1
i

Contoh:
Hubungan antara Tingkat Pendidikan dengan Jenis Bacaan yang
Digemari (data buatan)

Jenis Bacaan SD SMP SMA D3 S1 Jml

 Hiburan 60 20 19 2 3 104
 Ilmu Pengt. Populer 61 76 79 69 43 328
 Ilmiah 4 4 2 4 4 18
Jumlah 125 100 100 75 50 450
Menghitung frekuensi yang diharapkan (Hi) :

Hubungan antara Tingkat Pendidikan dengan Jenis Bacaan

yang Digemari (data buatan)

Jenis Bacaan SD SMP SMA SM,D3 S1 Jml

 Hiburan 28,9 23,1 23,1 17,3 11,6 104
 Ilmu Pengt. Populer 91,1 72,9 72,9 54,7 36,4 328
 Ilmiah 5 4 4 3 2 18
Jumlah 125 100 100 75 50 450

Menurut Siegel (1956) agar kita dapat menguji dengan chi-

square, maka dilakukan penggabungan kategori-kategori yang
berdekatan (bisa menurut baris atau menurut kolom)
Penggabungan untuk kategori tingkat pendidikan  Rendah, Sedang, dan Tinggi

Hubungan antara Tingkat Pendidikan dengan Jenis

Bacaan yang Digemari (data buatan)

Jenis Bacaan Rendah Sedang Tinggi Jml

 Hiburan 80 19 5 104
 Ilmu Pengt. Populer 137 79 112 328
 Ilmiah 8 2 8 18
Jumlah 225 100 125 450
 Summary Chi-Square
 Untuk tabel kontingensi 2x2 yang memiliki sel dengan nilai frekuensi <5,
maka harus memakai koreksi Yates.
 Untuk tabel kontingensi yang memiliki df = >1, uji chi-square dapat
dipakai dengan syarat memenuhi ketentan sebagaimana dipersyaratkan
oleh Siegel.
 Bilamana besarnya N = 20 – 40, uji chi-square dapat digunakan JIKA nilai
seluruh frekuensi yang diharapkan (Hi) = ≥5. Jika ada sel yang nilai Hi-nya =
<5, maka uji chi-square tidak dapat digunakan, dan disarankan
menggunakan uji Fisher.
 Bilamana besarnya N = <20, gunakan uji Fisher untuk seluruh kasus.
 KOEFISIEN KONTINGENSI
• Koefisien Kontingensi adalah uji korelasi antara dua variabel yang
berskala data nominal
• Koefisien ini tidak dapat dihitung tanpa terlebih dahulu mengetahui
nilai dari chi-square
• Biasanya digunakan untuk melihat besarnya hubungan
HIPOTESIS:
H0 : C = 0.
H1 : C ≠ 0

STATISTIK UJI:

KRITERIA UJI:
Tolak H0 jika nilai Sig. < 0,05
 KORELASI TAU KENDALL
ASUMSI
A. Data yang tersedia merupakan sebuah sampel acak yang
terdiri atas n pasangan hasil pengamatan (Xi, Yi), entah
angka atau bukan angka.
B. Masing-masing pasangan hasil pengamatan diperoleh dari
dua pengukuran yang dilakukan terhadap amatan yang
sama.
C. Data sekurang-kurangnya diukur pada skala ordinal.
• HIPOTESIS: STATISTIK UJI:
A (Dua Sisi)
H0 : X dan Y saling bebas.
H1 : τ ≠ 0
B (Satu Sisi)
H0 : X dan Y saling bebas. KRITERIA UJI:
Tolak H0 jika nilai Sig. < 0,05
H1 : τ > 0
C (Satu Sisi)
H0 : X dan Y saling bebas.
H1 : τ < 0
 KORELASI RANK SPEARMAN
ASUMSI:
A. Sampel acak yang terdiri atas n pasangan hasil pengamatan numerik
atau nonnumerik.
B. Setiap pasangan hasil pengamatan, yang berasal dari dua pengukuran
terhadap objek atau individu yang sama.
C. Data minimal berskala ordinal
D. Jika data terdiri atas hasil-hasil pengamatan nonnumerik bukan angka,
data tersebut harus dapat diperingkat seperti yang telah dijelaskan
• HIPOTESIS: STATISTIK UJI:
A (Dua Sisi)
H0 : X dan Y saling bebas.
H1 : X dan Y memiliki hubungan
positif/negatif
B (Satu Sisi)
H0 : X dan Y saling bebas.
H1 : X dan Y memiliki hubungan positif
KRITERIA UJI:
C (Satu Sisi)
Tolak H0 jika nilai Sig. < 0,05
H0 : X dan Y saling bebas.
H1 : X dan Y memiliki hubungan negatif
LET’S TRY!!!