Uji Chi-Kuadrat (Chi-Square Test)

Chi-Square disebut juga dengan Kai Kuadrat. Chi Square adalah

salah satu jenis uji komparatif non parametris yang dilakukan pada dua
variabel, di mana skala data kedua variabel adalah nominal. (Apabila dari
2 variabel, ada 1 variabel dengan skala nominal maka dilakukan uji chi
square dengan merujuk bahwa harus digunakan uji pada derajat yang
terendah).
Uji chi-square merupakan uji non parametris yang paling banyak
digunakan. Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi
responden atau sampel yang digunakan besar, sebab ada beberapa syarat
di mana chi square dapat digunakan yaitu:
1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga
Actual Count (F0) sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja
yang memiliki frekuensi harapan atau disebut juga expected count
("Fh") kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misal 2 x 3, maka jumlah cell
dengan frekuensi harapan yang kurang dari 5 tidak boleh lebih dari
20%.
Uji Chi Kuadrat merupakan statistic yang digunakan untuk menganalisis
korelasi (hubungan) antar variabel dimana Variabel Independen (variabel
bebas)/”variabel yang mempengaruhi” dan Variabel Dependen (variabel
terikat)/”variabel yang dipengaruhi”, skala pengukurannya adalah
Diskret (nominal dan atau ordinal).

Ukuran keeratan table kontingensi - Koefisien Kontingensi C

Koefisien kontingensi C adalah suatu ukuran kadar asosiasi relasi antara
dua himpunan atribut. Ukuran ini berguna khususnya apabila kita hanya
mempunyai informasi kategori (skala nominal) mengenai satu diantara
himpunan-himpunan atribut atau kedua himpunan atribut tersebut. Yaitu,
pengukuran inidapat dipergunakan kalau informasi kita tentang atribut-
atribut itu terdiri darisuatu rangkaian frekuensi yang tidak berurut
(Siegel, S 1994: 243)
Dalam menggunakan koefisien kontingensi, tidak perlu membuat
anggapan kontinuitas untuk berbagai kategori yang dipergunakan untuk
mengukur salah satu atau kedua himpunan. Koefisien kontingensi, yang
dihitung dari suatutabel kontingensi, akan mempunyai haraga yang sama
bagaimanapun kategori-kategori itu tersusun dalam baris-baris dan

1|Page BIOSTATISTIKA
 kolom-kolom.
Untuk menghitung koefisien kontingensi antara skor-skor dua himpunan
kategori, misal A1, A2, A3,..., Ak dan B1 , B2 , B3 ,..., Br. Dapat menyusun
frekuensi-frekuensinya dalam suatu tabel kontingensi, pada tabel 2.1.
Dalam tabel semacamini dapat memasukkan frekuensi yang diharapkan
untuk tiap sel (Eij) denganmenentukan frekuensi manakah akan terjadi
seandainya tidak terdapat asosiasiatau korelasi antara kedua variabel.
Semakin besar perbedaan antara harga-harga sel yang diobservasi, makin
besar pula tingkat asosiasi antara kedua variable dan dengan demikian
semakin tinggi harga C.
Nilai C sayangnya tidak mencapai nilai maksimum 1,0, terutama yang
tertinggi yang dapat dicapai dalam tabel 2 × 2 adalah 0,707. Nilai C ini
dapat mencapai nilai yang mendekati 1,0 dalam tabel kontingensi dengan
lebih banyak kategori; misalnya, dapat mencapai maksimum 0,870 dalam
tabel 4 × 4. Oleh karena itu, seharusnya tidak digunakan untuk
membandingkan asosiasi dalam tabel yang berbeda jika mereka memiliki
jumlah kategori yang berbeda.

2|Page BIOSTATISTIKA
 Uji Chi-Kuadrat
Variabel Variabel Uji Statistik
independen dependen
Nominal Nominal Ukuran (2 x 2)  2 baris x 2 kolom
Nominal Ordinal Chi Square - Continuity Correction
Ordinal Nominal (Yates Test)
Ordinal Ordinal  Jika ada Expected Count ≥ 5
 Ukuran sampel (n) ≥ 40
 Tidak ada sel yang kosong (atau
bernilai 0)
Nominal Nominal Ukuran (2 x 2)  Fisher’s Exact Test
Nominal Ordinal  Jika ada Expected Count < 5
Ordinal Nominal  Ukuran sampel (n) ≥ 40
Ordinal Ordinal  Tidak ada sel yang kosong (atau
bernilai 0)
Nominal Nominal Ukuran lebih dari (2 x 2)  mis: 2 x 4;
Nominal Ordinal atau 3 x 2 dst
Ordinal Nominal Pearson Chi-Square atau Chi-Square
 Ukuran sampel (n) ≥ 40
 Tidak ada sel yang kosong (atau
bernilai 0)

Contoh:

3|Page BIOSTATISTIKA
 Variabel Independent  Asal Pembaca (1 : Kota; 2: Desa)
Variabel Dependent  Jenis Artikel Surat Kabar (1. News; 2; Sport;
Hiburan; 4. Iklan)
Hipotesis :
H0 : Tidak ada hubungan antara asal pembaca dengan jenis artikel surat
kabar
H1 : Ada hubungan antara asal pembaca dengan jenis artikel surat kabar

Ukuran table kontingensinya adalah 2 x 4:

Asal Jenis Artikel Surat Kabar Jumlah
Pembaca News Sport Hiburan Iklan
Kota 80 65 42 36 223
Desa 47 52 95 12 206
Jumlah 127 117 137 48 429

Observasi : Ekspektasi :
O11 = 80 (223 x 127)/429 = 66,02
O12 = 65 (223 x 117)/429 = 60,82
O13 = 42 (223 x 137)/429 = 71,21
O14 = 36 (223 x 48)/429 = 24,95
O21 = 47 (206 x 127)/429 = 60,98
O22 = 52 (206 x 117)/429 = 56,18
O23 = 95 (206 x 137)/429 = 65,79
O24 = 12 (206 x 48)/429 = 23,05
-------------- -----------------------------------
Σ 429 Σ 429

Rumus Chi-Square (Chi Kuadrat) dapat juga seperti:

 2  f 0  f e 2
fe
Dimana : fo = frekuensi observasi dan fe = frekuensi ekspektasi

Observasi (fo) Ekspektasi (fe) (fo – fe)2 (fo – fe)2/fe

O11 = 80 E11 =66,02 (80 – 66,02)2 = 195,4404 2,96
O12 = 65 E12 = 60,82 (65 – 60,82)2 = 17,4724 0,29

4|Page BIOSTATISTIKA
 O13 = 42 E13 = 71,21 (42 – 71,21)2 = 853,2241 11,98
O14 = 36 E14 = 24,95 (36 – 24,95)2 = 122,1025 4,89
O21 = 47 E21 = 60,98 (47 – 60,98) = 195,4404
2 3,20
O22 = 52 E22 = 56,18 (52 – 56,18)2 = 17,4724 0,31
O23 = 95 E23 = 65,79 (80 – 66,02)2 = 853,2241 12,97
O24 = 12 E24 = 23,05 (12 – 23,05)2 = 122,1025 5,30
================================================
Jumlah 41,90
Dari hasil di atas diperoleh Nilai χ hitung = 41,90.
2

Kemudian bandingkan dengan Chi-Square tabel, dengan db = (b-1)(k-1).

Db = (2 – 1)(4 – 1) = 3
χ2 tabel = χ2(5%, 3) = 7,815
Ternyata χ2 hitung = 41,90 > χ2(5%, 3) = 7,815, sehingga Hipotesis Nol
ditolak.

Hipotesis :
H0 : Tidak ada hubungan antara asal pembaca dengan jenis artikel surat
kabar
H1 : Ada hubungan antara asal pembaca dengan jenis artikel surat kabar
Kesimpulannya :
Ada hubungan antara asal pembaca dengan jenis artikel surat kabar

DB 𝛘2 (5%)
1 3.841
2 5.991
3 7.815
4 9.488
5 11.070
6 12.592
7 14.067
8 15.507
9 16.919
10 18.307

Bagaimana dengan tingkat keeratan hubungannya ?

Untuk melihat tingkat keeratan hubungan digunakan ukuran KOEFISIEN
KONTINGENSI.
Rumus Koefisien Kontingensi :
2
C
2  N
N = ukuran sampel; pada kasus di atas N = 429 dan 𝛘2hitung =41,90
Nilai C = Koefisien kontingensi

5|Page BIOSTATISTIKA
 2 41,90
C   0,089  0,298  0,3
 N
2
41,90  429
Selanjutnya nilai C dibandingkan dengan nilai Cmax.
Baris = 2 dan Kolom = 4; maka nilai minimum banyaknya Baris dan Kolom
adalah 2
Nilai m = nilai minimum banyaknya Baris dan Kolom
Nilai m = 2
m 1 2 1 1
Cmax     0,707
m 2 2
Perbandingan nilai C dan Cmax adalah :
C 0,3
  0,424
Cmax 0,707
Perbandingan nilai C dan Cmax adalah : 0,424 (cukup kuat)
Kesimpulan :
Ada hubungan yang cukup kuat antara asal pembaca dengan jenis artikel
surat kabar.

Pengolahan Data dengan SPSS:

Ukuran table kontingensi 2 x 4:
Asal Jenis Artikel Surat Kabar
Pembaca News Sport Hiburan Iklan
Kota 80 65 42 36
Desa 47 52 95 12

 Buka Program SPSS

 Klik Variable View, kemudian ketik seperti berikut:

 Pada Baris 1 atau ASALPEM, klik Values

Isi Value : 1 Label : Kota dan klik Add
Isi Value : 2 Label : Desa dan klik Add
Klik OK
 Pada Baris 2 atau ARTIKEL, klik Values
Isi Value : 1 Label : News dan klik Add
Isi Value : 2 Label : Sport dan klik Add
Isi Value : 3 Label : Hiburan dan klik Add
Isi Value : 4 Label : Iklan dan klik Add

6|Page BIOSTATISTIKA
 Klik OK
 Klik Data, pilih Weight Cases

 Centang Weight cases by masukkan FREQ ke Frequency Variable

 Klik OK
 Klik Data View ketik data seperti berikut :

Atau jika diaktifkan klik View, Value Labels

 Klik Analyze, Descriptive Statistics, Crosstabs

7|Page BIOSTATISTIKA
  Masukkan Asal Pembaca (ASALPEM) ke kotak Row(s) dan Jenis
Artikel Surat Kabar (ARTIKEL) ke kotak Column(s)
 Klik Statistics
 Centang Chi-Square, Contingency Coefficient
 Klik Continue
 Klik Cells, pada Percentages, centang Total
 Klik Continue
 Klik OK
Maka OUTPUTnya adalah sebagai berikut:

Crosstabs

Asal Pembaca * Jenis Artikel Surat Kabar Crosstabulation

Jenis Artikel Surat Kabar
News Sport Hiburan Iklan Total
Asal Kota Count 80 65 42 36 223
Pembaca % of Total 18.6% 15.2% 9.8% 8.4% 52.0%
Desa Count 47 52 95 12 206
% of Total 11.0% 12.1% 22.1% 2.8% 48.0%
Total Count 127 117 137 48 429
% of Total 29.6% 27.3% 31.9% 11.2% 100.0%

Chi-Square Tests
Asymptotic
Value df Significance (2-sided)
Pearson Chi-Square 41.915a 3 .000
Likelihood Ratio 43.054 3 .000
Linear-by-Linear Association 4.140 1 .042
N of Valid Cases 429
a. 0 cells (0.0%) have expected count less than 5. The minimum expected count
is 23.05.

8|Page BIOSTATISTIKA
 Symmetric Measures
Approximate
Value Significance
Nominal by Contingency Coefficient .298 .000
Nominal
N of Valid Cases 429

Dari Chi-Square Test di atas diperoleh Nilai 𝛘2 hitung atau Pearson Chi-
Square = 41,915.
Jika dibandingkan dengan Chi-Square tabel, dengan dk = db =(b-1)(k-1)
atau Db = (2 – 1)(4 – 1) = 3. 𝛘2 tabel = 𝛘2(5%, 3) = 7,815.
Ternyata 𝛘2 hitung = 41,915 > 𝛘2(5%, 3) = 7,815, maka Hipotesis Nol ditolak.
Jika pada dilihat dari Chi-Square Test diperoleh nilai p (Asymp.Sig. (2-
sided)) = 0,000. Nilai p ini < α = 5%, maka Hipotesis Nol ditolak.
Kesimpulan:
Ada hubungan antara asal pembaca dengan jenis artikel surat kabar yang
dibaca.
Bagaimana dengan tingkat keeratan hubungannya ?
Untuk melihat tingkat keeratan hubungan digunakan ukuran koefisien
kontingensi.
Pada symmetric measures diperoleh nilai koefisien kontingensinya
sebesar 0,298.
Selanjutnya nilai Cmax dengan baris = 2 dan kolom = 4; maka nilai minimum
banyaknya baris dan kolom adalah 2.
m 1 2 1 1
Cmax     0,707
m 2 2
Perbandingan nilai C dan Cmax adalah :
C 0,298
  0,421
Cmax 0,707
Perbandingan nilai C dan Cmax adalah : 0,421 berada pada rentang
“cukup kuat”
Kesimpulan adalah :
Ada hubungan yang cukup kuat antara asal pembaca dengan jenis artikel
surat kabar yang dibaca.

RANGKUMAN
1. Pearson Chi-Square (Chi-Square) jika ukuran tabel kontingensi lebih
dari 2 X 2 (misal : 2 x 4 atau 4 x 2 atau 3 x 3 atau …… dst)

 
2  f 0  f e 2
fe
2. Chi Square - Continuity Correction (Yates Test)
Jika ukuran tabel kontingensi hanya 2 X 2 dan Jika Expected Count ≥ 5
atau fe ≥ 5.

9|Page BIOSTATISTIKA
 Rumus Chi Square - Continuity Correction (Yates Test)

Contoh :
Variabel independen  Tingkat Pengetahuan Ibu
(1 : Rendah 2: Tinggi)
Variabel dependen  Kejadian Ca Cervix
(1: Tidak terjadi Ca Cervix 2: Terjadi Ca Cervix)
Jika dibuat cross tabulation (tabulasi silang) maka bentuknya adalah:
Variabel “Tingkat Pengetahuan Ibu”  Skala data : ORDINAL
Variabel “Kejadian Ca Cervix”  Skala data : NOMINAL
Sehingga analisis hubungannya menggunakan Uji Chi-Square-Continuity
Correction
Tabel Kontingensi nya : 2 x 2
Tingkat Kejadian Ca Cervix
Pengetahuan Ibu
Tidak Terjadi (+) Terjadi (-)
Tinggi (+) O11 (+/+) O12 (+/-)
Rendah (-) O21 (-/+) O22 (-/-)
Aturan yang benar dari tabel Kontingensi : (2 x 2)
+/+ +/- atau -/- -/+
-/+ -/- +/- +/+
Contoh soalnya:
Tingkat Pengetahuan Ibu Kejadian Ca Cervix
Tidak Terjadi Terjadi
Tinggi 15 4
Rendah 3 18
Penyelesaiannya :
HIPOTESIS :
H0 : Tidak ada hubungan antara tingkat pengetahuan ibu dengan kejadian
Ca Cervix.
H1 : Ada hubungan antara tingkat pengetahuan ibu dengan kejadian Ca
Cervix.
Tingkat Kejadian Ca Cervix Jumlah
Pengetahuan Ibu Tidak Terjadi Terjadi
Tinggi 15 4 19
Rendah 3 18 21
Jumlah 18 22 40
Observasi : Ekspektasi :
O11 = 15 (19 x 18)/40 = 8,55
O12 =4 (19 x 22)/40 = 10,45
10 | P a g e BIOSTATISTIKA
 O21 =3 (21 x 18)/40 = 9,45
O22 = 18 (21 x 22)/40 = 11,55
-------------- -----------------------------------
40 40
Ternyata nilai Ekspektasi (Expected count) tidak ada yang < 5 atau
semuanya ≥ 5. Karena ukuran 2 x 2, maka gunakan rumus Chi Square
Continuity Correction – Yates Test.
Rumus Yates Test:
Tingkat Kejadian Ca Cervix Jumlah
Pengetahuan Ibu Tidak Terjadi Terjadi
Tinggi 15 (A) 4 (B) 19 (A+B)
Rendah 3 (C) 18 (D) 21 (C + D)
Jumlah 18 (A + C) 22 (B + D) 40 (N)
2 2
 N  40 
N  | AD  BC |   40 | (15)(18)  (4)(3) |  
2   2
 
2
( A  B)(C  D)( A  C )( B  D) (19)(21)(18)(22)
40| 270  12 | 20  40(238 2 ) 2265760
2
   14,34
158004 158004 158004

Dari hasil di atas diperoleh Nilai 𝛘2 hitung = 14,34.

Kemudian bandingkan dengan Chi-Square tabel, dengan dk = db =(b-1)(k-
1) atau Db = (2 – 1)(2 – 1) = 1
𝛘2 tabel = 𝛘2(5%, 1) = 3,841
Ternyata 𝛘2 hitung = 14,34 > 𝛘2(5%, 1) = 3,841, jadi Hipotesis Nol ditolak.
Kesimpulan:
Ada hubungan antara tingkat pengetahuan ibu dengan kejadian Ca Cervix.
Bagaiamana dengan tingkat keeratan hubungannya ?
Untuk melihat tingkat keeratan hubungan digunakan ukuran koefisien
kontingensi.
Koefisien Kontingensi :
2
C
2  N
N = ukuran sampel; pada kasus di atas N = 40 dan 𝛘2hitung =14,34
Nilai C = Koefisien kontingensi
2 14,34
C   0,264  0,51
 N
2
14,34  40
Selanjutnya nilai C dibandingkan dengan nilai Cmax.
Baris = 2 dan Kolom = 2; maka nilai minimum banyaknya Baris dan Kolom
adalah 2
Nilai m = nilai minimum banyaknya Baris dan Kolom
Nilai m = 2
m 1 2 1 1
Cmax     0,707
m 2 2

11 | P a g e BIOSTATISTIKA
 Perbandingan nilai C dan Cmax adalah :
C 0,51
  0,721
Cmax 0,707
Perbandingan nilai C dan Cmax adalah : 0,721 berada pada rentang “Kuat”
Kesimpulan akhir adalah :
Ada hubungan yang kuat antara tingkat pengetahuan ibu dengan kejadian
Ca Cervix. Semakin tinggi pengetahuan ibu semakin tidak terjadi Ca Cervix.
FAKTOR RESIKO

Odds Ratio  adalah ukuran asosiasi paparan (faktor resiko) dengan

kejadian penyakit;
Sebagai contoh: “Pengaruh Rokok terhadap penyakit kanker pada Pria Usia
di atas 50 tahun”
Odds ratio  Sebarapa besarkah pengaruh rokok terhadap penyakit kanker
pada Pria Usia di atas 50 tahun?
Bisa 2 kali lipat atau 3 kali lipat atau…… dibanding dengan pria usia di atas
50 tahun dan tidak merokok.
Nilai O11 = n11 = 15; O12 = n12 = 4; O21 = n21 = 3 dan O22 = n22 = 18
Sehingga Odds Ratio:
n11 x n22 (15)(18)
OR    22,5
n12 x n21 (4)(3)
Tingkat pengetahuan ibu yang tinggi memungkinkan tidak akan terjadi Ca
Cervik 22,5 kalinya dibanding tingkat pengetahuan ibu yang rendah.
Pengolahan Data dengan SPSS :
Hubungan Tingkat Pengetahuan Ibu dengan Kejadian Ca Cervix
Tingkat Kejadian Ca Cervix
Pengetahuan Ibu Tidak Terjadi Terjadi
Tinggi 15 4
Rendah 3 18

 Buka Program SPSS

 Klik Variable View, kemudian ketik seperti berikut:

 Pada Baris 1 atau PENGETAHUAN, klik Values

Isi Value : 1 Label : Tinggi dan klik Add
12 | P a g e BIOSTATISTIKA
 Isi Value : 2 Label : Rendah dan klik Add
Klik OK
 Pada Baris 2 atau CACERVIX, klik Values
Isi Value : 1 Label : Tidak Terjadi dan klik Add
Isi Value : 2 Label : Terjadi dan klik Add
Klik OK
 Klik Data, pilih Weight Cases

 Centang Weight cases by masukkan FREQ ke Frequency Variable

 Klik OK
 Klik Data View ketik data seperti berikut :

Atau jika diaktifkan klik View, Value Labels

 Klik Analyze, Descriptive Statistics, Crosstabs

13 | P a g e BIOSTATISTIKA
  Masukkan Tingkat Pengetahuan Ibu (PENGETAHUAN) ke kotak
Row(s) dan Kejadian Ca Cervix (CACERVIX) ke kotak Column(s)
 Klik Statistics
 Centang Chi-Square, Contingency Coefficient dan Risk
 Klik Continue
 Klik Cells, pada Counts, centang Expected (selain Observed)
 Klik Continue
 Klik OK
Maka OUTPUTnya adalah sebagai berikut:
Tingkat Pengetahuan Ibu * Kejadian Ca Cervix Crosstabulation
Kejadian Ca Cervix
Tidak Terjadi Terjadi Total
Tingkat Tinggi Count 15 4 19
Pengetahuan Ibu Expected Count 8.5 10.5 19.0
Rendah Count 3 18 21
Expected Count 9.5 11.6 21.0
Total Count 18 22 40
Expected Count 18.0 22.0 40.0

Chi-Square Tests
Asymptotic
Significance (2- Exact Sig. Exact Sig. (1-
Value df sided) (2-sided) sided)
Pearson Chi-Square 16.851a 1 .000
Continuity Correctionb 14.340 1 .000
Likelihood Ratio 18.269 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear 16.430 1 .000
Association
N of Valid Cases 40
a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 8.55.
b. Computed only for a 2x2 table

14 | P a g e BIOSTATISTIKA
 Symmetric Measures
Approximate
Value Significance
Nominal by Contingency Coefficient .544 .000
Nominal
N of Valid Cases 40

Risk Estimate
95% Confidence
Interval
Value Lower Upper
Odds Ratio for Tingkat 22.500 4.337 116.726
Pengetahuan Ibu (Tinggi
/ Rendah)
For cohort Kejadian Ca 5.526 1.890 16.161
Cervix = Tidak Terjadi
For cohort Kejadian Ca .246 .101 .597
Cervix = Terjadi
N of Valid Cases 40

Dari table tabulasi tingkat pengetahuan ibu dan kejadian Ca Cervix, tidak
terdapat nilai expected count (hitungan ekspektasi) yang kurang dari 5,
sehingga uji chi-square yang digunakan adalah Uji Koreksi Yates
(Continuity Correction).
HIPOTESIS :
H0 : Tidak ada hubungan antara tingkat pengetahuan ibu dengan kejadian
Ca Cervix
H1 : Ada hubungan antara tingkat pengetahuan ibu dengan kejadian Ca
Cervix
Dari hasil di atas pada Continuity Correction diperoleh Nilai 𝛘2 hitung =
14,34.
Jika dibandingkan dengan Chi-Square tabel, dengan dk = db =(b-1)(k-1)
atau Db = (2 – 1)(2 – 1) = 1, 𝛘2 tabel = 𝛘2(5%, 1) = 3,841
Ternyata 𝛘2 hitung = 14,34 > 𝛘2(5%, 1) = 3,841, jadi Hipotesis Nol ditolak.
Jika dilihat nilai p (Asymptotic Significance (2-sided))pada Continuity
Correction diperoleh nilai p = 0,000. Nilai p ini < α = 5%, maka Tolak H0
Kesimpulan:
Ada hubungan antara tingkat pengetahuan ibu dengan kejadian Ca Cervix.
Bagaimana dengan tingkat keeratan hubungannya ?
Untuk melihat tingkat keeratan hubungan digunakan ukuran koefisien
kontingensi.
Dari symmetric measures diperoleh koefisien kontingensi = 0,544
Selanjutnya nilai C dibandingkan dengan nilai Cmax, dengan baris = 2 dan
kolom = 2; maka nilai minimum banyaknya baris dan kolom adalah 2.
Nilai m = 2
m 1 2 1 1
Cmax     0,707
m 2 2
Perbandingan nilai C dan Cmax adalah :

15 | P a g e BIOSTATISTIKA
 C 0,544
  0,769
Cmax 0,707
Perbandingan nilai C dan Cmax adalah : 0,769 berada pada rentang “Kuat”
Kesimpulan akhir adalah :
Ada hubungan yang kuat antara tingkat pengetahuan ibu dengan kejadian
Ca Cervix. Semakin tinggi pengetahuan ibu semakin tidak terjadi Ca Cervix.
Faktor Resiko:
Dari Risk Estimate diperoleh Odd Ratio Pengetahuan Ibu (Tinggi/Rendah)
= 22,50. Dengan demikian tingkat pengetahuan ibu yang tinggi
memungkinkan tidak akan terjadi Ca Cervik 22,5 kalinya dibanding
tingkat pengetahuan ibu yang rendah.

3. Uji Fisher’s Exact

VARIABEL VARIABEL UJI STATISTIK
INDEPENDEN DEPENDEN
Nominal Nominal Ukuran (2 x 2)  Fisher’s Exact Test
Nominal Ordinal  Jika ada Expected Count < 5
Ordinal Nominal  Ukuran sampel (n) ≥ 40
Ordinal Ordinal  Tidak ada sel yang kosong (atau
bernilai 0)

Soal Latihan :
JENIS TERAPI TINGKAT KESEMBUHAN
Sembuh Tidak Sembuh
TERAPI 9 2
TIDAK TERAPI 3 7
Apakah ada hubungan antara terapi dengan tingkat kesembuhan?
HIPOTESIS :
H0 : Tidak ada hubungan antara terapi dengan tingkat kesembuhan
H0 : Ada hubungan antara terapi dengan tingkat kesembuhan

JENIS TERAPI TINGKAT KESEMBUHAN

Jumlah
Sembuh Tidak Sembuh
TERAPI 9 2 11
TIDAK TERAPI 3 7 10
Jumlah 12 9 21

Observasi : Ekspektasi :
O11 =9 (11 x 12)/21 = 6,29
O12 =2 (11 x 9)/21 = 4,71
O21 =3 (10 x 12)/21 = 5,71
O22 =7 (10 x 9)/21 = 4,29
-------------- -----------------------------------

16 | P a g e BIOSTATISTIKA
 ∑21 ∑21
Ternyata nilai Ekspektasi (Expected count) ada yang nilai < 5 yaitu pada
sel 1.2 (nilai 4,71) dan sel 2.2 (nilai 4,29). Karena ukuran 2 x 2 dan ada
nilai ekspektasi (expected count) ada nilai yang < 5, maka digunakan
rumus Chi Square Fisher Exact Test.
Rumus Uji Fisher’s Exact :

( A  B)!(C  D)!( A  C )!( B  D)!

P( A, B ,C , D ) 
N!( A)!( B)!(C )!( D)!

A = 9; B = 2; C = 3; dan D = 7 serta N = 21.

Contoh : 5! = 5.4.3.2.1 = 120 (tanda ! = dibaca factorial)
12! 12.11.10.9.8.7.6.5.4.3.2.1 12.11.(10)!
Contoh :   12.11  132
10! 10.9.8.7.6.5.4.3.2.1 10!

JENIS TERAPI TINGKAT KESEMBUHAN

Jumlah
Sembuh Tidak Sembuh
TERAPI 9 (A) 2 (B) 11 (A+B)
TIDAK TERAPI 3 (C) 7 (D) 10 (C+D)
Jumlah 12 (A+C) 9 (B+D) 21 (N)

Langkah 1 :
JENIS TERAPI TINGKAT KESEMBUHAN
Jumlah
Sembuh Tidak Sembuh
TERAPI 9 (A) 2 (B) 11 (A+B)
TIDAK TERAPI 3 (C) 7 (D) 10 (C+D)
Jumlah 12 (A+C) 9 (B+D) 21 (N)

( A  B )!(C  D)!( A  C )!( B  D)!

P( A, B ,C , D ) 
N !( A)!( B )!(C )!( D)!
(11)!(10)!(12)!(9)! (12)!(9)!(11)!(10)!
  
21!(9)!(2)!(3)!(7)! 21!(9)!(7)!( 2)!(3)!
(12)!(11.10.9.8.7!)(10.9.8.7.6.5.4.3!)

(21.20.19.18.17.16.15.14.13.(12)!)(7!)(3!)( 2)
(11.10.9.8)(10.9.8.7.6.5.4) (11.10.9)(10.3)
 
(21.20.19.18.17.16.15.14.13)( 2) (21.19.17.15.13)
29700
  0,0224543258
1322685
Dari langkah 1 diperoleh nilai P0 = 0,0224543258

17 | P a g e BIOSTATISTIKA
 Langkah 2 :
JENIS TERAPI TINGKAT KESEMBUHAN
Jumlah
Sembuh Tidak Sembuh
TERAPI 10 (A) 1 (B) 11 (A+B)
TIDAK TERAPI 2 (C) 8 (D) 10 (C+D)
Jumlah 12 (A+C) 9 (B+D) 21 (N)

( A  B )!(C  D )!( A  C )!( B  D )!

P( A, B ,C , D ) 
N !( A)!( B )!(C )!( D )!
(11)!(10)!(12)!(9)! (12)!(10)!(9)!(11)!
  
21!(10)!(1)!( 2)!(8)! 21!(10)!(8)!(1)!( 2)!
(9)(11.10.9.8.7.6.5.4.3)

( 21.20.19.18.17.16.15.14.13)
(9)(11.9) 891
 
( 21.19.17.3.2.13) 529074
 0,001684074
Dari langkah 2 diperoleh nilai P1 = 0,001684074

Langkah 3 :
JENIS TERAPI TINGKAT KESEMBUHAN
Jumlah
Sembuh Tidak Sembuh
TERAPI 11 (A) 0 (B) 11 (A+B)
TIDAK TERAPI 1(C) 9 (D) 10 (C+D)
Jumlah 12 (A+C) 9 (B+D) 21 (N)

( A  B )!(C  D )!( A  C )!( B  D )!

P( A, B ,C , D ) 
N !( A)!( B )!(C )!( D )!
(11)!(10)!(12)!(9)! (10)!(12)!
  
21!(11)!(0)!(1)!(9)! 21!
(12)!(10)!

(21.20.19.18.17.16.15.14.13.(12)!)
(10.9.8.7.6.5.4.3.2.1)

(21.20.19.18.17.16.15.14.13)
(9.8) 72
   0,0000340217
(19.3.17.4.3.14.13) 2116296

Dari langkah 2 diperoleh nilai P2 = 0,0000340217

Karena sudah tercapai sel yang bernilai 0 maka langkah penyelesaian
terakhir pada langkah ke-2.

18 | P a g e BIOSTATISTIKA
 Nilai P = P0 + P1 + P2 = 0,0224543258 + 0,001684074 + 0,0000340217 =
≈ 0,024172422 ≈ 0,024.
Dari SPSS Nilai P = (Exact Sig. (1-sided)) = 0,024

HIPOTESIS :
H0 : Tidak ada hubungan antara terapi dengan tingkat kesembuhan
H1 : Ada hubungan antara terapi dengan tingkat kesembuhan
Ternyata nilai p = 0,030 < 0,05 (0,050), maka Tolak H0.
Kesimpulan : Ada hubungan antara terapi dengan tingkat kesembuhan

Pengolahan Data untuk Uji Fisher’s Exact menggunakan SPSS

 Buka Program SPSS
 Klik Variable View, kemudian ketik seperti berikut:

 Pada Baris 1 atau B, klik Values

Isi Value : 1 Label : Terapi dan klik Add
Isi Value : 2 Label : Tidak Terapi dan klik Add
Klik OK
 Pada Baris 2 atau K, klik Values
Isi Value : 1 Label : Sembuh dan klik Add
Isi Value : 2 Label : Tidak Sembuh dan klik Add
Klik OK
 Klik Data, pilih Weight Cases

 Centang Weight cases by masukkan FREQ ke Frequency Variable

 Klik OK
 Klik Data View ketik data seperti berikut :

19 | P a g e BIOSTATISTIKA
 Atau jika diaktifkan View, Label tampilan sebagai berikut:

 Klik Analyze, Descriptive Statistics, Crosstabs

 Masukkan Jenis Terapi (B) ke kotak Row(s) dan Tingkat

Kesembuhan (K) ke kotak Column(s)
 Centang Chi-Square, Contingency Coefficient dan Risk
 Klik Continue
 Klik Cells, pada Counts, centang Expected (selain Observed)

20 | P a g e BIOSTATISTIKA
  Klik Continue dan klik OK
Diperoleh OUTPUT sebagai berikut:

Jenis Terapi * Tingkat Kesembuhan Crosstabulation

Tingkat Kesembuhan
Sembuh Tidak Sembuh Total
Jenis Terapi Count 9 2 11
Terapi Expected Count 6.3 4.7 11.0
Tidak Count 3 7 10
Terapi Expected Count 5.7 4.3 10.0
Total Count 12 9 21
Expected Count 12.0 9.0 21.0

Dari tabulasi silang (2 x 2) di atas, terdapat nilai ekspektasi (expected

count) yang lebih kecil dari 5, yaitu pada silang terapi dan tidak sembuh
sebesar 4,7 dan pada silang tidak terapi dan tidak sembuh sebesar 4,3,
sehingga penyelesaiannya menggunakan uji Exact Fisher (Fisher’s Exact
Test)

Chi-Square Tests
Asymptotic
Significance (2- Exact Sig. Exact Sig. (1-
Value df sided) (2-sided) sided)
Pearson Chi-Square 5.743a 1 .017
Continuity Correctionb 3.822 1 .051
Likelihood Ratio 6.034 1 .014
Fisher's Exact Test .030 .024
Linear-by-Linear 5.470 1 .019
Association
N of Valid Cases 21

21 | P a g e BIOSTATISTIKA
 HIPOTESIS :
H0 : Tidak ada hubungan antara terapi dengan tingkat kesembuhan
H1 : Ada hubungan antara terapi dengan tingkat kesembuhan
Pada Fisher’s Exact Test diperoleh nilai p (Exact Sig.(1-sided)) = 0,024, nilai
p ini < 0,05 (0,050), maka Tolak H0.
Kesimpulan : Ada hubungan antara terapi dengan tingkat kesembuhan

Symmetric Measures
Approximate
Value Significance
Nominal by Contingency .463 .017
Nominal Coefficient
N of Valid Cases 21

Untuk melihat tingkat keeratan hubungan digunakan ukuran koefisien

kontingensi. Nilai C = 0,463 kemudian dibandingkan dengan nilai Cmax.
m 1 2 1 1
Cmax     0,707
m 2 2
Perbandingan nilai C dan Cmax adalah :
C 0,463
  0,655
Cmax 0,707
Perbandingan nilai C dan Cmax adalah : 0,655 berada pada rentang “Kuat”
Kesimpulan akhir adalah :
Ada hubungan yang kuat antara antara terapi dengan tingkat kesembuhan
Semakin sering lakukan terapi maka tingkat kesembuhan semakin tinggi.

Selanjutnya nilai Odds Ratio:

Risk Estimate
95% Confidence Interval
Value Lower Upper
Odds Ratio for Jenis Terapi 10.500 1.360 81.053
(Terapi / Tidak Terapi)
For cohort Tingkat Kesembuhan 2.727 1.017 7.317
= Sembuh
For cohort Tingkat Kesembuhan .260 .070 .970
= Tidak Sembuh
N of Valid Cases 21

Selanjutnya nilai Odds Ratio (terapi/tidak terapi) = 10,5

Maknanya adalah melakukan terapi secara rutin akan meningkatkan
kesembuhan sebesar 10,5 kalinya dibandingkan dengan tidak melakukan
terapi.

22 | P a g e BIOSTATISTIKA
KEPUSTAKAAN
Agung, I.G.N. 2006. Statistika: Penerapan Model Rerata Sel Multivariat dan Model
Ekonometri dengan SPSS. Jakarta: Yayasan Sad Satria Bhakti.
Antara, N.S. 2012. Pengolahan dan Analisis Data. Universitas Udayana, Bali.
Dahlan, Sopiyuddin. 2014. Statistik untuk Kedokteran dan Kesehatan. Jakarta,
Salemba Medika.
Gall, M.D, Joyce P. Gall, Walter R. Borg. 2007. Educational Research: An
Introduction, Eighth Edition. New York: Pearson.
Irianto, Agus, 2007, Statistik, Konsep Dasar dan Aplikasinya. Jakarta : Kencana
Kuzma. J. W., (1984). Basic statistical for health sciences. California Mayfield
Publishing Company
Moore, D, S., (2000). The Basic practice of statistics. New York: W.H. Freeman and
Company.
Pagano M., Gouvreau K, 1992, Principles of Biostatistics. Duxbury Press, California.
Pagano, M., Gauvreau,K., and Mattie, H., 2022. Principles of Biostatistics 3rd
Edition, Chapman and Hall.
Sabri, L & Hastono, S.P.,(2007). Statistik Kesehatan. Jakarta: PT Raja Grafindo
Persada.
Salkind, N.J. (2000). Statistics for people who hate statistics. USA: Sage
Publications
Stern, R., Coe, R., Allan, E., and Dale, I., 2004. Good Statistic Practice for Natural
Resources Research, London UK: CABI Publishing.
Sudjana, 2000. Metode Statistika. Bandung: Tarsito.
Supranto,J. 2004. Analisis Multivariat Arti dan Interpretasi. Jakarta : Rineka Cipta
Weiss, Neil A, 2004. Elementary Statistics, 6 ed. Boston: PWS Kent.

23 | P a g e BIOSTATISTIKA