DAFTAR ISI

1 KONSEP DASAR ANALISIS DATA KATEGORI

1.1 Pengertian Analisis Data Kategori

Analisis data kategori adalah metode statistik yang digunakan untuk menganalisis data yang bersifat kategorikal, di mana observasi dikelompokkan ke dalam kategori-kategori tertentu. Data kategori berbeda dengan data numerik karena nilainya tidak memiliki makna kuantitatif, melainkan merepresentasikan kualitas atau atribut tertentu.

1.2 Karakteristik Variabel Kategori

Variabel kategori memiliki karakteristik utama sebagai berikut:

  1. Bersifat diskrit - Nilai-nilai variabel berupa kategori yang terpisah
  2. Tidak memiliki satuan ukuran - Kategori tidak dapat diukur secara kuantitatif
  3. Dapat berupa nominal atau ordinal:
    • Nominal: Kategori tanpa urutan (contoh: jenis kelamin, agama, status pernikahan)
    • Ordinal: Kategori memiliki urutan (contoh: tingkat pendidikan, status sosial ekonomi)

1.3 Contoh Penerapan dalam Penelitian

Bidang Contoh Penelitian Variabel Kategori
Kesehatan Hubungan merokok dengan kanker paru Status merokok (Ya/Tidak), Status kanker (Ya/Tidak)
Kesehatan Efektivitas vaksin COVID-19 Status vaksin (Ya/Tidak), Status infeksi (Ya/Tidak)
Pendidikan Pengaruh metode belajar terhadap kelulusan Metode belajar (A/B/C), Status kelulusan (Lulus/Tidak)
Sosial Hubungan pendidikan dengan partisipasi politik Tingkat pendidikan (SD/SMP/SMA/PT), Partisipasi (Ya/Tidak)
Ekonomi Faktor-faktor kepemilikan rumah Status pekerjaan, Status kepemilikan rumah (Milik/Sewa)

Sumber: Agresti, A. (2019). An Introduction to Categorical Data Analysis (3rd ed.). John Wiley & Sons.

2 TABEL KONTINGENSI

2.1 Definisi Tabel Kontingensi

Tabel kontingensi (cross-tabulation) adalah tabel yang menyajikan frekuensi bersama dari dua atau lebih variabel kategori. Tabel ini menunjukkan distribusi observasi berdasarkan kombinasi kategori dari variabel-variabel yang dianalisis.

2.2 Struktur Tabel Kontingensi

Untuk tabel kontingensi \(r \times c\) (r baris dan c kolom), struktur umumnya adalah:

Variabel X \(Y_1\) \(Y_2\) … \(Y_c\) Total Baris
\(X_1\) \(n_{11}\) \(n_{12}\) … \(n_{1c}\) \(n_{1.}\)
\(X_2\) \(n_{21}\) \(n_{22}\) … \(n_{2c}\) \(n_{2.}\)
… … … … … …
\(X_r\) \(n_{r1}\) \(n_{r2}\) … \(n_{rc}\) \(n_{r.}\)
Total Kolom \(n_{.1}\) \(n_{.2}\) … \(n_{.c}\) \(n\)

Dimana: - \(n_{ij}\) = frekuensi observasi pada baris ke-i dan kolom ke-j - \(n_{i.} = \sum_{j=1}^c n_{ij}\) = total baris ke-i - \(n_{.j} = \sum_{i=1}^r n_{ij}\) = total kolom ke-j - \(n = \sum_{i=1}^r \sum_{j=1}^c n_{ij}\) = total keseluruhan observasi

2.3 Konsep Distribusi dalam Tabel Kontingensi

2.3.1 Joint Distribution (Distribusi Bersama)

Distribusi bersama menunjukkan probabilitas suatu observasi berada pada kategori tertentu dari kedua variabel secara bersamaan.

\[P(X = i, Y = j) = \frac{n_{ij}}{n}\]

2.3.2 Marginal Distribution (Distribusi Marginal)

Distribusi marginal menunjukkan probabilitas suatu observasi berada pada kategori tertentu dari satu variabel, tanpa memperhatikan variabel lainnya.

\[P(X = i) = \frac{n_{i.}}{n} = \sum_{j=1}^c P(X = i, Y = j)\]

\[P(Y = j) = \frac{n_{.j}}{n} = \sum_{i=1}^r P(X = i, Y = j)\]

2.3.3 Conditional Probability (Probabilitas Bersyarat)

Probabilitas bersyarat menunjukkan probabilitas suatu observasi berada pada kategori tertentu dari satu variabel, dengan syarat variabel lainnya diketahui.

\[P(Y = j | X = i) = \frac{n_{ij}}{n_{i.}} = \frac{P(X = i, Y = j)}{P(X = i)}\]

\[P(X = i | Y = j) = \frac{n_{ij}}{n_{.j}} = \frac{P(X = i, Y = j)}{P(Y = j)}\]

2.4 Contoh Tabel Kontingensi 2×2

Berikut adalah contoh tabel kontingensi untuk hubungan merokok dengan kanker paru:

Tabel 2.1: Hubungan Merokok dengan Kanker Paru

Status Merokok Kanker Paru Tidak Kanker Paru Total
Merokok 60 40 100
Tidak Merokok 20 80 100
Total 80 120 200

Perhitungan Distribusi:

Joint Distribution: - \(P(\text{Merokok, Kanker}) = 60/200 = 0.30\) - \(P(\text{Merokok, Tidak Kanker}) = 40/200 = 0.20\) - \(P(\text{Tidak Merokok, Kanker}) = 20/200 = 0.10\) - \(P(\text{Tidak Merokok, Tidak Kanker}) = 80/200 = 0.40\)

Marginal Distribution: - \(P(\text{Merokok}) = 100/200 = 0.50\) - \(P(\text{Tidak Merokok}) = 100/200 = 0.50\) - \(P(\text{Kanker}) = 80/200 = 0.40\) - \(P(\text{Tidak Kanker}) = 120/200 = 0.60\)

Conditional Probability: - \(P(\text{Kanker}|\text{Merokok}) = 60/100 = 0.60\) - \(P(\text{Tidak Kanker}|\text{Merokok}) = 40/100 = 0.40\) - \(P(\text{Kanker}|\text{Tidak Merokok}) = 20/100 = 0.20\) - \(P(\text{Tidak Kanker}|\text{Tidak Merokok}) = 80/100 = 0.80\)

3 UKURAN ASOSIASI

3.1 Odds

Odds adalah perbandingan antara probabilitas suatu kejadian terjadi dengan probabilitas kejadian tersebut tidak terjadi.

\[\text{Odds} = \frac{P(\text{Kejadian})}{P(\text{Tidak Kejadian})} = \frac{\pi}{1-\pi}\]

Contoh perhitungan dari tabel 2.1:

Odds kanker pada perokok: \[\text{Odds}_{\text{kanker}|\text{merokok}} = \frac{P(\text{Kanker}|\text{Merokok})}{P(\text{Tidak Kanker}|\text{Merokok})} = \frac{0.60}{0.40} = \frac{60}{40} = 1.5\]

Odds kanker pada tidak merokok: \[\text{Odds}_{\text{kanker}|\text{tidak merokok}} = \frac{P(\text{Kanker}|\text{Tidak Merokok})}{P(\text{Tidak Kanker}|\text{Tidak Merokok})} = \frac{0.20}{0.80} = \frac{20}{80} = 0.25\]

3.2 Odds Ratio (OR)

Odds Ratio adalah perbandingan odds antara dua kelompok. Untuk tabel \(2 \times 2\) dengan notasi:

Y=1 Y=2
X=1 \(a\) \(b\)
X=2 \(c\) \(d\)

\[OR = \frac{\text{Odds}_1}{\text{Odds}_2} = \frac{a/b}{c/d} = \frac{a \times d}{b \times c}\]

Interpretasi Odds Ratio: - OR = 1: Tidak ada asosiasi antara variabel - OR > 1: Asosiasi positif (faktor risiko) - OR < 1: Asosiasi negatif (faktor protektif)

Contoh perhitungan dari tabel 2.1: \[OR = \frac{60 \times 80}{40 \times 20} = \frac{4800}{800} = 6\]

Interpretasi: Odds terkena kanker paru pada perokok adalah 6 kali lebih besar dibandingkan dengan bukan perokok.

3.3 Relative Risk (RR)

Relative Risk adalah perbandingan probabilitas kejadian antara dua kelompok.

\[RR = \frac{P(\text{Kejadian}|\text{Kelompok 1})}{P(\text{Kejadian}|\text{Kelompok 2})} = \frac{a/(a+b)}{c/(c+d)}\]

Interpretasi Relative Risk: - RR = 1: Tidak ada perbedaan risiko - RR > 1: Kelompok 1 memiliki risiko lebih tinggi - RR < 1: Kelompok 1 memiliki risiko lebih rendah

Contoh perhitungan dari tabel 2.1: \[RR = \frac{60/100}{20/100} = \frac{0.60}{0.20} = 3\]

Interpretasi: Perokok memiliki risiko 3 kali lebih besar terkena kanker paru dibandingkan bukan perokok.

4 PERHITUNGAN MANUAL

4.1 Kasus Penelitian

Sebuah penelitian dilakukan terhadap 200 responden untuk mengetahui hubungan antara kebiasaan merokok dengan kejadian kanker paru. Data yang diperoleh sebagai berikut:

Status Merokok Kanker Paru Tidak Kanker Paru Total
Merokok 60 40 100
Tidak Merokok 20 80 100
Total 80 120 200

4.2 Langkah 1: Membuat Tabel Kontingensi

Tabel kontingensi telah dibuat seperti di atas dengan: - \(a = 60\) (Merokok & Kanker) - \(b = 40\) (Merokok & Tidak Kanker) - \(c = 20\) (Tidak Merokok & Kanker) - \(d = 80\) (Tidak Merokok & Tidak Kanker)

4.3 Langkah 2: Menghitung Probabilitas Bersyarat

Untuk kelompok perokok: \[P(\text{Kanker}|\text{Merokok}) = \frac{60}{100} = 0.60\] \[P(\text{Tidak Kanker}|\text{Merokok}) = \frac{40}{100} = 0.40\]

Untuk kelompok tidak merokok: \[P(\text{Kanker}|\text{Tidak Merokok}) = \frac{20}{100} = 0.20\] \[P(\text{Tidak Kanker}|\text{Tidak Merokok}) = \frac{80}{100} = 0.80\]

4.4 Langkah 3: Menghitung Odds

Odds kelompok perokok: \[\text{Odds}_{\text{perokok}} = \frac{P(\text{Kanker}|\text{Merokok})}{P(\text{Tidak Kanker}|\text{Merokok})} = \frac{0.60}{0.40} = \frac{60}{40} = 1.5\]

Odds kelompok tidak merokok: \[\text{Odds}_{\text{tidak merokok}} = \frac{P(\text{Kanker}|\text{Tidak Merokok})}{P(\text{Tidak Kanker}|\text{Tidak Merokok})} = \frac{0.20}{0.80} = \frac{20}{80} = 0.25\]

4.5 Langkah 4: Menghitung Odds Ratio

Menggunakan rumus perbandingan odds: \[OR = \frac{\text{Odds}_{\text{perokok}}}{\text{Odds}_{\text{tidak merokok}}} = \frac{1.5}{0.25} = 6\]

Menggunakan rumus langsung: \[OR = \frac{a \times d}{b \times c} = \frac{60 \times 80}{40 \times 20} = \frac{4800}{800} = 6\]

Interpretasi: Odds terkena kanker paru pada perokok adalah 6 kali lebih besar dibandingkan dengan bukan perokok.

5 ANALISIS MENGGUNAKAN R

5.1 Membuat Tabel Kontingensi

# Membuat tabel kontingensi menggunakan matrix
data <- matrix(c(60, 40, 20, 80), 
               nrow = 2, 
               byrow = TRUE)

# Memberikan nama baris dan kolom
rownames(data) <- c("Merokok", "Tidak Merokok")
colnames(data) <- c("Kanker Paru", "Tidak Kanker Paru")

# Menampilkan tabel kontingensi
print("Tabel Kontingensi:")
## [1] "Tabel Kontingensi:"
print(data)
##               Kanker Paru Tidak Kanker Paru
## Merokok                60                40
## Tidak Merokok          20                80

5.2 Menghitung Probabilitas Bersyarat

# Menghitung probabilitas bersyarat berdasarkan baris (status merokok)
prob_bersyarat <- prop.table(data, 1)
print("Probabilitas Bersyarat P(Kanker|Status Merokok):")
## [1] "Probabilitas Bersyarat P(Kanker|Status Merokok):"
print(round(prob_bersyarat, 4))
##               Kanker Paru Tidak Kanker Paru
## Merokok               0.6               0.4
## Tidak Merokok         0.2               0.8

5.3 Menghitung Odds dan Odds Ratio

# Ekstrak nilai dari tabel
a <- data[1, 1]  # Merokok & Kanker
b <- data[1, 2]  # Merokok & Tidak Kanker
c <- data[2, 1]  # Tidak Merokok & Kanker
d <- data[2, 2]  # Tidak Merokok & Tidak Kanker

# Menghitung odds
odds_perokok <- a / b
odds_tidak <- c / d

# Menghitung odds ratio
odds_ratio <- (a * d) / (b * c)

# Menampilkan hasil
cat("Odds Perokok:", odds_perokok, "\n")
## Odds Perokok: 1.5
cat("Odds Tidak Merokok:", odds_tidak, "\n")
## Odds Tidak Merokok: 0.25
cat("Odds Ratio:", odds_ratio, "\n")
## Odds Ratio: 6
# Menghitung interval kepercayaan 95% untuk odds ratio
log_or <- log(odds_ratio)
se_log_or <- sqrt(1/a + 1/b + 1/c + 1/d)
ci_lower <- exp(log_or - 1.96 * se_log_or)
ci_upper <- exp(log_or + 1.96 * se_log_or)

cat("\nInterval Kepercayaan 95% untuk Odds Ratio:\n")
## 
## Interval Kepercayaan 95% untuk Odds Ratio:
cat("Batas Bawah:", round(ci_lower, 3), "\n")
## Batas Bawah: 3.187
cat("Batas Atas:", round(ci_upper, 3), "\n")
## Batas Atas: 11.295

5.4 Uji Chi-Square

# Melakukan uji chi-square
chi_test <- chisq.test(data, correct = TRUE)
print(chi_test)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  data
## X-squared = 31.688, df = 1, p-value = 1.811e-08
# Menampilkan frekuensi harapan
print("Frekuensi Harapan (Expected Frequencies):")
## [1] "Frekuensi Harapan (Expected Frequencies):"
print(round(chi_test$expected, 2))
##               Kanker Paru Tidak Kanker Paru
## Merokok                40                60
## Tidak Merokok          40                60

5.5 Visualisasi Data

# Membuat data frame untuk visualisasi
df_plot <- data.frame(
  Merokok = c("Merokok", "Merokok", "Tidak Merokok", "Tidak Merokok"),
  Kanker = c("Kanker Paru", "Tidak Kanker", "Kanker Paru", "Tidak Kanker"),
  Frekuensi = c(60, 40, 20, 80)
)

# Membuat barplot
ggplot(df_plot, aes(x = Merokok, y = Frekuensi, fill = Kanker)) +
  geom_bar(stat = "identity", position = "dodge") +
  geom_text(aes(label = Frekuensi), 
            position = position_dodge(width = 0.9), 
            vjust = -0.5) +
  labs(title = "Distribusi Kanker Paru Berdasarkan Status Merokok",
       x = "Status Merokok", 
       y = "Frekuensi",
       fill = "Status Kanker") +
  theme_minimal()

6 INTERPRETASI HASIL

6.1 Interpretasi Statistik

Berdasarkan analisis yang telah dilakukan:

  1. Probabilitas Bersyarat:
    • Probabilitas perokok terkena kanker paru = 0.60 (60%)
    • Probabilitas bukan perokok terkena kanker paru = 0.20 (20%)
    • Terdapat perbedaan sebesar 40% antara kedua kelompok
  2. Odds Ratio (OR):
    • Nilai OR = 6.00
    • Interval Kepercayaan 95% = (3.19, 11.30)
    • Karena OR > 1 dan interval kepercayaan tidak mencakup angka 1, maka hubungan ini signifikan secara statistik
    • Interpretasi: Odds terkena kanker paru pada perokok adalah 6 kali lebih besar dibandingkan bukan perokok
  3. Uji Chi-Square:
    • Nilai Chi-Square = 32.00
    • Derajat bebas = 1
    • p-value = 1.54e-08 (< 0.05)
    • Kesimpulan: Terdapat hubungan yang signifikan antara status merokok dengan kejadian kanker paru pada taraf signifikansi 5%

6.2 Interpretasi Substantif

Dalam konteks kesehatan masyarakat, hasil analisis ini memberikan bukti empiris bahwa:

  1. Merokok sebagai Faktor Risiko: Merokok terbukti menjadi faktor risiko utama untuk kanker paru. Perokok memiliki risiko 3 kali lebih tinggi (berdasarkan RR) dan odds 6 kali lebih besar (berdasarkan OR) untuk terkena kanker paru.

  2. Implikasi Klinis: Temuan ini mendukung perlunya skrining kanker paru yang lebih intensif pada populasi perokok.

  3. Implikasi Kebijakan: Hasil ini memperkuat dasar bagi kebijakan pengendalian tembakau, seperti:

    • Peringatan kesehatan pada kemasan rokok
    • Larangan iklan rokok
    • Penyediaan layanan berhenti merokok
    • Kebijakan kawasan tanpa rokok

  4. Edukasi Masyarakat: Penting untuk terus melakukan edukasi tentang bahaya merokok, mengingat besarnya risiko yang ditimbulkan.

6.3 Kesimpulan

Berdasarkan analisis data kategori yang telah dilakukan, dapat disimpulkan bahwa:

  1. Terdapat hubungan yang signifikan antara kebiasaan merokok dengan kejadian kanker paru (p-value < 0.05).

  2. Perokok memiliki odds 6 kali lebih besar untuk terkena kanker paru dibandingkan bukan perokok.

  3. Risiko relatif perokok terkena kanker paru adalah 3 kali lebih tinggi dibandingkan bukan perokok.

  4. Hasil ini konsisten dengan literatur epidemiologi yang menyatakan merokok sebagai faktor risiko utama kanker paru.