Uji kai kuadrat (dilambangkan dengan "χ2" dari huruf Yunani
"Chi" dilafalkan "Kai") digunakan untuk menguji dua
kelompok data baik variabel independen maupun dependennya berbentuk kategorik
atau dapat juga dikatakan sebagai uji proporsi untuk dua peristiwa atau lebih,
sehingga datanya bersifat diskrit. Misalnya ingin mengetahui hubungan antara
status gizi ibu (baik atau kurang) dengan kejadian BBLR (ya atau tidak).
Tujuan Uji
kai Kuadrat adalah untuk menguji perbedaan Proporsi / persentase antara dua atau beberapa kelompok data.
Dilihat dari segi datanya uji kai kuadrat dapat digunakan untuk mengetahui hubungan
antara variabel katagorik dengan variabel katagorik.
Suatu
variabel disebut katagorik bila isi variabel tersebut terbentuk dari hasil
klasifikasi / penggolongan, misalnya variabel sex, jenis pekerjaan, golongan
darah, pendidikan dll.
Di lain
pihak variabel numerik (misalnya berat badan, umur dll) dapat masuk/dapat
menjadi variabel katagorik bila variabel tersebut sudah mengalami pengelompokan.
Contoh variabel “berat badan”, bila
nilainya masih riil ( mis: 45kg, 50kg, 63kg dst) maka masih termasuk variabel
numerik, namun bila sudah dilakukan pengelompokan menjadi (<50 kg (kurus),
50-60 kg (sedang) dan > 60 (gemuk) maka variabel tersebut sudah berjenis
katagorik.
Contoh
pertanyaan penelitian untuk kasus yang dapat dipecahkan oleh uji kai kuadrat
misalnya:
1. Apakah ada
perbedaan kejadian hipertensi antara wanita dan pria? Kasus ini berarti à menguji
hubungan variabel hipertensi (katagori dengan klasifikasi “ya” dan “tidak”)
dengan variabel jenis kelamin (katagori dengan klasifikasi “wanita” dan “pria”)
2. Apakah ada
perbedaan kejadian anemia antara ibu yang kondisi soseknya tinggi, sedang dan
rendah? Pada kasus ini akan menguji hubungan variabel anemia katagori dengan
klasifikasi “ya” dan “tidak”) dengan variabel Sosek (katagori dengan
klasifikasi “rendah”, “sedang” dan “tinggi”).
Prinsip
Dasar Uji Kai Kuadrat
• Proses
pengujian kai kuadrat adalah membandingkan frekuensi yang terjadi (observasi)
dengan frekuensi harapan (ekspektasi).
• 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:
DF= (K-1) (N-1)
|
Keterangan
O : Nilai
Observasi
E : Nilai
Ekspektasi (Harapan)
k : Jumlah
Kolom
b : Jumlah
Baris
Untuk mempermudah analisis kai kuadrat, nilai data variabel disajikan dalam bentuk tabel silang:
2x2, 3x2 atau 3x4 dst.
Keterbatasan
Kai Kuadrat
1. Tidak boleh
ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1.
2. Tidak boleh
ada sel yang mempunyai nilai harapan (nilai E) kurang dari 5, lebih dari 20%
dari jumlah sel.
3. Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat, peneliti
harus
menggabungkan katagori-katagori yang berdekatan dalam rangka memperbesar
frekuensi harapan dari sel-sel tersebut (penggabungan ini dapat dilakukan untuk
analisis tabel silang lebih dari 2 x 2, misalnya 3 x 2, 3 x 4 dsb).
Penggabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan
makna.
4. Andai saja
keterbatasan tersebut terjadi pada tabel 2 x 2 (ini berarti tidak bisa
menggabung katagori-katagorinya lagi), maka dianjurkan menggunakan uji Fisher’s
Exact
Untuk
mengetahui besar/kekuatan hubungan dilihat dari besarnya nilai OR (Odd Ratio).
Untuk mencari OR dengan formula, OR= a.d/b.c àkhusus untuk
tabel 2x2.
Kasus
|
Efek
|
|
Efek +
|
Efek -
|
|
Terpapar
|
Sel a
|
Sel b
|
Tdk Terpapar
|
Sel c
|
Sel d
|
Untuk mencari nilai OR pada tabel lebih dari 2x3 harus dilakukan
dengan membuat “Dummy variable”
Dalam melakukan uji variabel, sebelumnya kita harus membuat
Hipotesis kemudian di buktikan (pengujian Hipotesis)
Hasil uji hipotesis akan ada 2 kemungkinan
1. Menolak
hipotesis
2. Menerima
hipotesis (dalam arti,Gagal menolak hipotesis)
Dalam pengujian hipotesis dijumpai dua jenis hipotesis yaitu hipotesis
nol (Ho) dan hipotesis alternatif (Ha).
• Hipotesis
Nol (Ho).
Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian
antara kedua kelompok. Atau hipotesis yang menyatakan tidak ada hubungan antara
variabel satu dengan variabel lainnya
• Hipotesis
Alternatif (Ha).
Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara
kedua kelompok. Atau hipotesis yang menyatakan ada hubungan antara variabel
satu dengan variabel lainnya
Keputusan Uji Statistik
a) Bila nilai p
≤ α, maka keputusannya adalah Ho ditolak
b) Bila nilai p
> α, maka keputusannya adalah Ho gagal ditolak
Ket :
• Nilai α
= 0,05 (standar)
• Nilai pà merupakan
nilai yang menunjukkan besarnya peluang salah menolak H0 dari data penelitian.
PROSDUR UJI
KAI KUADRAD DI SPSS
Sebelum anda melakukan uji kaikuadrat, anda harus mempunyai data
yang harus anda uji. Sebagai latihan, silakan anda download disini
Misalnya kita ingin menguji, apakah terdapat hubungan antara
pekerjaan ibu dengan jenis pemberian Asi Secara Eksklusif ?
Dari pertanyaan penelitian ini maka Hipotesis yang dapat kita buat
adalah:
H0:
Tidak ada hubungan antara pekerjaan ibu
dengan jenis pemberian Asi Secara Eksklusif
Ha:
ada hubungan antara pekerjaan ibu dengan jenis pemberian Asi Secara
Eksklusif
Langkah
Uji,
1. Pastikan anda berada pada data editor.
2. Dari menu SPSS,
klik “Analyze”, kemudian pilih “Descriptive statistic”, lalu pilih “Crosstab”,
sesaat akan muncul menu Crosstabs
3. Dari menu
crosstab, ada dua kotak yang harus diisi, pada kotak “Row(s)’ diisi variabel
independen (variabel bebas), dalam contoh ini variabel pekerjaan masuk
ke kotak “Row(s)”.
4. pada kotak
“Column(s)” diisi variabel dependennya, Mis : variabel “Jenis Pemberian ASI”
masukan ke kotak “Column(s)”.
5. Klik
option “Statistics..”, klik pilihan “Chi Square” dan klik pilihan “Risk”
6.
Klik “Continue”
7.
Klik option “Cells”, bawa bagian “Percentages” dan klik “Row”
8.
Klik “Continue”
9.
Klik “OK”
Seketika akan muncul Output hasil Uji
Dari Output terlihat ada 4 tabel yang ditampilkan yaitu
1. Case
Processing Summary
Tabel ini
menunjukan apakah data yang kita input ada yang missing atau tidak, jika ada
data yang missing maka perlu dilakukan croscek lagi untuk diperbaiki.
2. Tabel silang
variabel /Crosstabulation
Pada tabel
ini menunjukan ada sebanyak 18 (72,0%) ibu yang tidak bekerja dan menyusui bayi
secara eksklusif. Sedangkan diantara ibu yang bekerja, ada 8 (32,0%) yang
menyusui secara eksklusif.
3. Tabel ke 3
adalah Chi-Square Tests
Tabel ini
menunjukan nilai uji chi-squere (p value)
Untuk menentukan nilai P = Aturan yang
berlaku pada Chi Square adalah sbb:
1. Bila pada 2
x 2 dijumpai nilai Expected (harapan) kurang dari 5, maka yang digunakan adalah “Fisher’s Exact Test”
2. Bila tabel 2
x 2, dan tidak ada nilai E < 5, maka uji yang dipakai sebaiknya “Continuity
Correction (a)”
3. Bila
tabelnya lebih dari 2 x 2, misalnya 3 x 2, 3 x 3 dsb, maka digunakan uji “Pearson
Chi Square”
4. Uji “Likelihood Ratio” dan “Linear-by-Linear Assciation”,
biasanya digunakan
untuk keperluan lebih spesifik, misalnya analisis stratifikasi pada bidang
epidemiologi dan juga untuk mengetahui hubungan linier dua variabel katagorik,
sehingga kedua jenis ini jarang digunakan.
Untuk mengetahui adanya nilai E kurang
dari 5, dapat dilihat pada footnote dibawah kotak Chi-Square Test, dan tertulis
diatas nilainya 0 cell (0 %) berarti pada
tabel silang diatas tidak ditemukan ada nilai E < 5. Dengan
demikian kita menggunakan uji Chi Square yang sudah dilakukan koreksi (Continuity
Correction) dengan p value dapat dilihat pada kolom “Asymp. Sig” dan terlihat p valuenya = 0,011.
Berarti kesimpulannya ada perbedaan
perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja.
Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan
perilaku menyusui eksklusif.
Tabel ke 4
adalah Risk Estimate
Nilai pada
Tabel ini ada dua yaitu nilai OR dan RR.
Kedua nilai ini menunjukan kekuatan hubungan.
Pada hasil
di atas nilai OR terdapat pada baris Odds ratio yaitu 5,464 (95% CI: 1,627 –
18,357). Sedangkan nilai RR terlihat dari baris For Cohort yaitu besarnya 2,250
(95% CI: 1,209 – 4,189).
Ket :
• Jika jenis
penelitian Crosectional dan Kasus Kontrol, kekuatan hubunga dilihat dari nilai
OR
• Sedangkan
untuk jenis penelitian Kohort, Kekuatan hubungan dilihat dari nilai Kohort (RR)
• Pada data
ini berasal dari penelitian Cross Sectional maka kita dapat
menginterpretasikan nilai OR=5,464 sbb: Ibu yang tidak bekerja mempunyai
peluang 5,46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja.
Tabel 5.1
Hubungan antara pekerjaan
dengan jenis pemberian Asi pada Ibu di Puskesmas Kecamatan X Tahun 2019
Pekerjaan
|
Jenis Pemberian Asi
|
P Value
|
OR
95% Cl
|
|||||
Non Eksklusif
|
%
|
Eksklusif
|
%
|
Total
|
%
|
|||
Bekerja
|
17
|
68,0
|
8
|
32,0
|
25
|
100,0
|
0,011
|
5,464
(1,627-18,357)
|
Tidak Bekerja
|
7
|
28,0
|
18
|
72,0
|
25
|
100,0
|
||
Total
|
24
|
48,0
|
26
|
52,0
|
50
|
100,0
|
||
Hasil
analisis hubungan antara pekerjaan
dengan jenis pemberian Asi pada Ibu di Puskesmas Kec. X tahun 2019,
diketahui bahwa pada kelompok ibu yang bekerja, ada sebanyak 68,0 % yang
memberikan Asi secara tidak eksklusif. Sementara pada kelompok ibu yang tidak
bekerja, ada sebanyak 28,0% memberikan Asi secara tidak eksklusif.
Hasil
uji statistik didapatkan nilai p=0,011 yang artinya P<0,05 sehingga H0
ditolak dan Ha Diterima. Dengan demikian dapat disimpulkan ada hubunagn antara pekerjaan
dengan jenis pemberian Asi pada Ibu di Puskesmas Kec. X tahun 2019
Hasil
uji pula diperoleh nilai OR sebesar 5,464 (1,627-18,357 yang artinya ibu yang bekerja mempunyai peluang 6 kali untuk tidak
memberikan asi eksusif dibandingkan dengan ibu yang tidak bekerja.
Sebagai
latihan, jawablah pertanyaan penelitian berikut
1. Apakah
terdapat Hubungan antara tingkat pendidikan dengan jenis pemberian ASI? (Tingkat
pendidikan dikategorikan menjadi rendah dan tinggi)
2. Apakah
terdapat hubungan antara umur dengan jenis pemberian ASI
Umur kategori (<25 tahun dan ≥25 tahun)
Perintah !
1. Analisis
univariat (data kategorik dan data numerik)
2. Analisis
bivariat uji kai kuadrat
