Pendahuluan

Dalam berbagai bidang penelitian seperti kesehatan, ekonomi, dan ilmu sosial, peneliti sering menghadapi data yang berbentuk kategori. Data kategori merupakan data yang nilainya berupa label atau kelompok tertentu dan bukan nilai numerik kontinu. Contoh variabel kategori antara lain jenis kelamin, status merokok, status penyakit, tingkat pendidikan, dan status pekerjaan.

Analisis data kategori bertujuan untuk memahami hubungan antara variabel kategorikal. Salah satu metode paling umum yang digunakan adalah tabel kontingensi. Tabel ini menyajikan frekuensi gabungan dari dua atau lebih variabel kategori sehingga memungkinkan peneliti untuk mempelajari hubungan atau asosiasi antar variabel tersebut.

1 Definisi Tabel Kontingensi

Tabel kontingensi adalah tabel yang menyajikan frekuensi gabungan dari dua atau lebih variabel kategori. Tabel ini digunakan untuk menggambarkan distribusi data dan mempelajari hubungan antara variabel kategorikal.

Secara umum tabel kontingensi digunakan untuk:

  • Menyajikan distribusi frekuensi gabungan
  • Menghitung probabilitas bersama (joint probability)
  • Menghitung distribusi marginal
  • Menghitung probabilitas bersyarat
  • Mengukur kekuatan hubungan antar variabel

Jika terdapat dua variabel kategori masing-masing dengan dua kategori maka tabel yang dihasilkan disebut tabel kontingensi 2×2.

2 Contoh Tabel Kontingensi

Misalkan dilakukan simulasi penelitian mengenai hubungan antara status merokok dan kanker paru.

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

Struktur umum tabel kontingensi 2×2 dapat dituliskan sebagai berikut:

Y = 1 Y = 0 Total
X = 1 \(a\) \(b\) \(a+b\)
X = 0 \(c\) \(d\) \(c+d\)
Total \(a+c\) \(b+d\) \(n\)

Total observasi:

\[ n = a + b + c + d \]

3 Ukuran Asosiasi

Ukuran asosiasi digunakan untuk mengukur kekuatan hubungan antara dua variabel kategori.

Odds

Odds merupakan rasio antara peluang kejadian dengan peluang tidak terjadinya kejadian.

\[ Odds = \frac{P}{1-P} \]

Dalam tabel kontingensi:

\[ Odds_1 = \frac{a}{b} \]

\[ Odds_0 = \frac{c}{d} \]

Odds Ratio

Odds Ratio membandingkan odds antara dua kelompok.

\[ OR = \frac{Odds_1}{Odds_0} \]

Substitusi menghasilkan:

\[ OR = \frac{a/b}{c/d} \]

Sehingga diperoleh:

\[ OR = \frac{ad}{bc} \]

Interpretasi:

  • \(OR = 1\) menunjukkan tidak ada asosiasi
  • \(OR > 1\) menunjukkan hubungan positif
  • \(OR < 1\) menunjukkan hubungan negatif

Relative Risk

Relative Risk membandingkan probabilitas kejadian pada dua kelompok.

\[ RR = \frac{P(Y=1|X=1)}{P(Y=1|X=0)} \]

Substitusi probabilitas:

\[ RR = \frac{\frac{a}{a+b}}{\frac{c}{c+d}} \]

Jika nilai RR lebih besar dari 1 maka kelompok pertama memiliki risiko lebih tinggi.

4 Contoh Perhitungan Manual

Gunakan data simulasi berikut:

Kanker Tidak Kanker
Merokok 60 40
Tidak Merokok 20 80

Total sampel:

\[ n = 60 + 40 + 20 + 80 = 200 \]

Probabilitas Bersyarat

\[ P(Kanker|Merokok)=\frac{60}{60+40}=0.6 \]

\[ P(Kanker|TidakMerokok)=\frac{20}{20+80}=0.2 \]

Odds

\[ Odds_1=\frac{60}{40}=1.5 \]

\[ Odds_0=\frac{20}{80}=0.25 \]

Odds Ratio

\[ OR=\frac{60\times80}{40\times20} \]

\[ OR=\frac{4800}{800}=6 \]

Interpretasi:

Nilai Odds Ratio sebesar 6 menunjukkan bahwa individu yang merokok memiliki peluang enam kali lebih besar mengalami kanker paru dibandingkan individu yang tidak merokok.

Analisis Menggunakan R

data <- matrix(c(60,40,20,80),
               nrow = 2,
               byrow = TRUE)

rownames(data) <- c("Merokok","Tidak Merokok")
colnames(data) <- c("Kanker","Tidak Kanker")

data
##               Kanker Tidak Kanker
## Merokok           60           40
## Tidak Merokok     20           80