TABULASI SILANG

Oleh : Brodjol Sutijo

1. Pendahuluan Statistik deskriptif adalah metode statistik untuk menyajikan data dalam bentuk tabel atau grafik agar mudah difahami. Salah satu bentuk tampilan data adalah tabulasi silang. Tabulasi silang adalah merupakan satu bentuk distribusi frekuensi untuk dua variabel atau lebih. Tabulasi atau hasil statistic deskriptif dalam bentuk tabel untuk setiap data kuantitatif dapat dibuat dengan sangat mudah dalam waktu singkat. Akan tetapi, tidak semua pengolah data (penganalisis) mengetahui dengan baik bagaimana menyajikan tabulasi yang cocok agarsuatu laporan dapat berbobot. Apabila dalam analisis data variabel yang diamati adalah dua variabel atau lebih kita dapat melakukan analisis hubungan antara variabelvariabel tersebut. Berbicara tentang hubungan (asosiasi) antara dua variabel atau lebih adalah membahas tentang ada tidaknya hubungan dan hubungan kausal serta pengaruh faktor interaksi antara variabel bebas terhadap variabel tak bebas. Oleh karena dalam analisis data, pada umumnya peneliti cenderung akan memperhatikan sedemikian banyak variabel, maka pendekatan analisis asosiasi untuk multivariate, misalnya analisis tabulasi silang dengan menerapkan model log liniear menjadi sangat penting. Pada dasarnya analsis hubungan dengan tabel tabulasi silang dapat dilakukan pada setiap data survey, dengan catatan semua variabel numerik (skala interval dan rasio) ditransformasi menjadi variabel kategorik, misalnya variabel Pasangan Usia Subur (15-49 tahun) diubah menjadi variabel kelompok 5 tahunan, yaitu : kelompok I (15-19), kelompok II (20-24), kelompok III (25-29) sampai dengan kelompok VII (45-49).

1

Jika data dikategorikan dalam k kategori atau k kelas. yaitu : 2   i 1 k (ni  Ei ) 2 . … . maka dapat ditabelkan sebagai berikut : Kategori Proporsi Observasi Proporsi sampel 1 P10 n1 ˆ n P1  1 n 2 P20 n2 n ˆ P2  2 n … … … … K Pk0 nk n ˆ Pk  k n Total 1 n 1 Untuk mengetahui apakah nilai proporsi yang dihipotesakan (P10. Pk0) didukung oleh data. Hindu. kondisi produk (baik. P20. Katolik. Kristen. Ei dimana Ei = nPi0 ( nilai harapan kategori ke i) 2 . P20. P2 ≠ P20. Pk0. dan dilakukan observasi dengan mengambil sample sebanyak n.2. … . Uji Homogenitas Pada pengumpulan data sering dijumpai bahwa informasi yang berasal dari sampel mempunyai struktur yang paling sederhana. Budha). cacat) dll. … . Dengan mengambil hipotesis awal (H0) dan hipotesis alternative (H1) berikut : H0 : P1 = P10. sehingga data berupa frekuensi dari kelas tertentu. agama (Islam. P2 = P20. maka perlu dilakukan pengujian terhadap dugaan proporsi tersebut. maka setiap hasil observasi dapat dimasukkan dalam salah satu dari k kelas tersebut. Pk = Pk0 H1 : P1 ≠ P10. … . Pk ≠ Pk0 Statistik uji untuk hipotesis adalah Chi-square. Bila ada dugaan bahwa masing-masing kelas mempunyai proporsi P10. wanita). yaitu data diklasifikasikan atau dikategorikan dalam kelas-kelas. Contoh dari data yang berupa klasifikasi adalah jenis kelamin (pria.

133.584 11.H0 ditolak jika nilai statistik uji lebih besar dari nilai tabel Chisquare dengan derajat bebas (k-1) atau . mengingat nilai statistic uji lebih besar dari nilai chi-square tabel. proporsi penggemar berburu usia 20-24 : 25-29 : 30-34 : 35-39 : 40.067 25-29 721 0.87 3065.2 88.87 128.k-1. 3 . 0. Jika menggunakan nilai signifikansi H0 ditolak bila nilai signifikansinya kurang dari .133 Total 7664 1 7664 387.485 510.815.4 35-39 2568 0. Sehingga nilai harapan dan nilai statistik uji adalah : Usia Data Proporsi N. diketahui bahwa penggemar olahraga tembak dapat ditabelkan seperti di bawah : Usia Data 20-24 255 25-29 721 30-34 3256 35-39 2568 40864 Total 7664 Apakah perbandingan di atas dapat dipercaya ? Berdasarkan perbandingan di atas.389 (ni-Ei)2/Ei Nilai statistik uji adalah 385.133.4.487 24. Menurut data PERBAKIN.067.267 40864 0.6 2043. Contoh Ada dugaan bahwa kegemaran berburu (olahraga tembak) tergantung pada usia (20-24 : 25-29 : 30-34 : 35-39 : 40-) dengan perbandingan 1 : 2 : 6 : 4 : 2.adalah adalah 0.133 30-34 3256 0. 0.825 134.93 1021.267 dan 0. 0. Harapan 20-24 255 0.73 1021. sedangkan nilai Chi-square tabel adalah 25%.4 = 7. maka dapat disimpulkan bahwa dugaan perbandingan pengemar berburu tidak didukung oleh data.1.

Harapan (ni-Ei)2/Ei Jan-Mar 110 2 0.817 Okt-Des 80 1 0.2 60 0.67 Total 300 5 1 300 8.2 60 0.2 60 6. perbandingan .466) nilai signifikansinya 0. maka dugaan bahwa jumlah kelahiran periode Januari-Maret dua kali lebih banyak dari periode yang lain tidak didukung oleh data.0373 (lebih kecil dari 5%).833 Apr-Jun 57 1 0.Contoh : Jumlah pengeluaran untuk berobat di kesatuan ‘XYZ’ selama tahun 2008 jika dikelompokkan tiap tiga bulan ada dugaan bahwa pada periode Januari-Maret dua kali lebih banyak dibandingkan dengan periode yang lain. Sedangkan dalam suatu penelitian.466 Mengingat nilai statistic uji (8.15 Jul-Sep 53 1 0. Berdasarkan data administrasi kecamatan jumlah kelahiran selama tahun 2008 adalah : Periode Kelahiran Jan-Mar 110 Apr-Jun 57 Jul-Sep 53 Okt-Des 80 Total 300 Apakah dugaan tersebut didukung oleh data ? Data pengeluaran. 4 .4 120 0. Tabulasi Silang Pada pembahasan sebelumnya tiap obyek hanya diamati terhadap satu variabel kategori. 3. proporsi dan nilai harapan tiap sel dan nilai statistik uji adalah : Periode Kelahiran Perbandingan Proporsi N.

jika dilakukan analisis lebih lanjut. akan diperoleh informasi tentang ada tidaknya keterkaitan antara variabel kategori satu dengan variabel kategori yang lain dengan menggunakan uji independensi. Bentuk tabel tabulasi silang dari suatu observasi adalah sebagai berikut : Kategori I 1 1 2 … k Total n11 n21 … nk1 n.1 2 n12 n21 … nk1 n. pendidikan dan lain-lain. n2. status perkawinan. Pada Tabel tabulasi silang. Jika setiap obyek dilakukan observasi lebih dari satu variabel kategori. P2. Misalkan observasi terhadap karyawan perusahaan.2 5 … … Kategori II … … … L P1L P2L … P2L P. … nk.observasi terhadap obyek penelitian tidak hanya satu variabel akan tetapi lebih dari satu variabel. 1 Total . maka data hasil observasi dapat disajikan dalam bentuk tabel yang disebut Tabel tabulasi silang.1 2 P12 P21 … Pk1 P.L P1. n Total Proporsi masing-masing sel adalah : Kategori I 1 1 2 … K Total P11 P21 … Pk1 P. … Pk. variabel kategori yang dapat diobservasi adalah jenis kelamin.L n1.2 … … Kategori II … … … L n1L n2L … n2L n.

j  i.Jika kategori I (baris) dan kategori II (kolom) saling bebas.j Digunakan statistic uji    2 i 1 j 1 k L (nij  Ei j ) 2 Eij H0 ditolak jika nilai statistic uji lebih besar dari nilai Chi-square tabel .xP.(k-1)(L-1). D3 dan S1) mempunyai hubungan dengan jenis pekerjaan (Adm. j ˆ ˆ ˆ : Pij  Pi. x P. Teknisi) yang diharapkan. Penjualan.j) n n.  i. Operator. Dari sampel sebanyak 200 pencari kerja.j) Nilai harapan sel (i. Contoh: Suatu survey tentang ketenagakerjaan ingin mengetahui apakah tingkat pendidikan (SMP. j  n Nilai dugaan proporsi sel (i. n ˆ Nilai dugaan proporsi baris ke i : Pi.j H1 : Pij ≠ Pi. data hasil observasi dapat ditabelkan sebagai berikut : 6 . x P. j ˆ Nilai dugaan proporsi kolom ke j : P. P.j))adalah perkalian proporsi baris ke i dengan proporsi kolom ke j atau Pij=Pi. SMA. n n ˆ : Eij  nPij Untuk menguji hipotesis bahwa kategori baris dengan kategori kolom saling bebas dengan hipotesis alternative antara kategori baris dan kolom tidak saling bebas atau : H0 : Pij = Pi.j. maka nilai proporsi baris ke i kolom ke j (sel (i. n n.

maka hipotesis awal ditolak.Pendidikan Adm.25 55 11.00 19.50 19.90 15. SMP SMA D3 S1 Total 5 6 8 24 43 Jenis Pekerjaan Penjualan Operator 6 10 35 4 55 7 30 20 2 59 Teknisi 22 14 7 0 43 Total 40 60 70 30 200 Nilai harapan (Eij) untuk tipa sel adalah : Pendidikan Adm.70 20.05 6.9 =16. Mengingat nilai statistik uji lebih besar dari nilai tabel.65 8. SMP SMA D3 S1 Total 8. sedangkan nilai Chi-square tabel 2 5%.45 43 40 60 70 30 200 Total Nilai statistic uji adalah 123.45 43 Jenis Pekerjaan Penjualan Operator 11.7106. Jika diolah dengan menggunakan program MINITAB : Input data : 7 .80 17.05 6.90 15.85 59 Teknisi 8.919.60 12.25 8. yang berarti antara tingkat pendidikan dengan jenis pekerjaan yang diharapkan ada keterkaitan atau ada hubungan.60 12.

50 30 50. P-Value = 0.33 7 10.00 200 100.Langkah pengolahan Data :  Stat > Tables > CrossTabulation and Chi-Square Hasil pengolahan adalah : Tabulated statistics: pendd.00 70 100.43 24 80.00 60 100.50 All 40 100.50 6 10. DF = 9.00 8 11.67 59 29.141.00 43 21.50 7 17.50 4 22 55. kerja Using frequencies in frek Rows: pendd 1 1 2 3 4 All 5 12.57 2 6.00 Pearson Chi-Square = 123.713.00 30 100.00 10 16.00 4 13.000 8 . P-Value = 0.50 Columns: kerja 2 3 6 15.00 14 23.67 35 50.00 0 0.33 55 27.00 20 28.000 Likelihood Ratio Chi-Square = 107.00 43 21. DF = 9.

Latihan Suatu penelitian tentang tingkat perkembangan wilayah yang dikategorikan dalam 4 kategori. Dalam hubungannya dengan partisipasi kerja dapat ditabelkan sebagai berikut : 9 .206 Q2=0. Pertanian.Bila antara kategori baris dengan kategori kolom ada hubungan atau ada asosiasi. q=min(k. 3. 2. Koefisien Cramer : Q1  2 n( q  1) . Pertanian. industri dan ketergantungan tinggi. Pertanian. industri dan ketergantungan rendah. Koefisien Cramer 2.2 Dari contoh di atas. Ukuran asosiasi dapat dicari dengan : 1.L) 2. Pertanian. Koefisien Pearson Q1=123. yaitu : 1. n. perdagangan.7106/(200x3) = 0. perdagangan dan industri tinggi dan ketergantungan rendah.1n. perdagangan dan industri rendah dan ketergantungan tinggi. Koefisien Pearson untuk tabel 2 x 2 Q3  (n11n22  n12 n21 ) n1. 4. n2. perdagangan. Koefisien Pearson : Q2  2 n 2 : 3.6182 4. maka perlu dihitung besarnya asosiasi antara kedua kategori tersebut. ukuran asosiasi antara tingkat pendidikan dengan jenis pekerjaan yang diharapkan adalah : 1.

100 Total 0 4 4 5 13 18 Berdasarkan tabel di atas apakat dapat dikatakan bahwa antara tingakt partisipasi kerja dan perkembangan wilayah ada hubungan ? jika ada hubungan tentukan besarnya ukuran tingkat hubungan tersebut ! DAFTAR PUSTAKA 1. USA Daniel. 2. John Wiley & Sons. 1997.W. N.. Hubungan Tingkat Kesejahteraan Masyarakat dengan Tingkat Partisipasi Angkata Kerja di Kabupaten Sidoarjo. PT Gramedia Jakarta..K. 4. 1989.J.. Bhattacharyya. 1996. W.. Metode Statistika dan Ekonometri. Statistical Concepts and Methods. Statistik Non Parametrik Terapan. 10 . 1995. Lyberty Yogyakarta. G. Awat. 3. Lemlit ITS Surabaya. Sutijo.TPAK (%) Tipe Perkembangan Wilayah 1 2 0 2 2 3 1 5 6 4 4 2 6 Total ≤ 75 75 . B.

Sign up to vote on this title
UsefulNot useful