Anda di halaman 1dari 40

DEPARTEMEN PENDIDIKAN NASIONAL FAKULTAS KEDOKTERAN Jurusan Kedokteran Umum UNIVERSITAS SYIAH KUALA Banda Aceh Tahun Ajaran

n : Semester : Kode Mata Kuliah : Judul Mata Kuliah : Jumlah SKS : Persyaratan Minimum : Referensi Utama : 1) Dr.Eko Budiarto Budiman,SKM, Biostatistika untuk Kedokteran dan Kesehatan Masyarakat, EGC, Jakarta, 2002 2) Bernard Rosner, Fundamentals of Biostatistics, 4th edition, Duxbury Press, USA, 1996. 3) Heri Purwanto, Pengantar Statistik Keperawatan, EGC, Jakarta, 1995 4) Sumber-sumber lain yang relevan. Lecture notes, reference books, LCD projector, computer with SPSS, Microsoft Excel, data from various sources. Dasar-Dasar Biostatistik 2009/2010

Teaching Materials / Equipment : Teaching-Learning Method: Dosen :

dr. M. Yani, M.Kes, PKK Munawar, M. App. Stats dr. Ti Laili Ibrahim, M. Kes, PKK dr. Nurjannah, MPH

Ruangan : Telephone / e-mail : Waktu Mengajar - Hari / Jam : Room : Praktikum Session Hari / Jam : Room : Tanggal Penting : Midtest : Penyerahan Project: Final Test : / / / / munawar.muchyen@gmail.com

TEACHING SCHEDULE WEEK LECTURE / TUTORIAL / ASSIGNMENT TOPIC Kuliah Pakar - Pengertian Statistik dan Pendahuluan - Pengumpulan dan penyajian Data - t dan z test - Chi Square LECTURER - Dr. M. Yani, M.Kes,PKK - Munawar, M. App.Stats

1 2/11/2009

Praktikum
WEEK 1 2 3 4 LECTURE / TUTORIAL / ASSIGNMENT TOPIC Tabulasi dan Penyajian Data t dan z Test Chi-square Vital Statistik dan Pengayaan LECTURER Munawar, M. App.Stats Munawar, M. App.Stats Munawar, M. App.Stats Munawar, M. App.Stats

Petunjuk Umum 1. Sistem Penilaian - Kehadiran : - Midtest : - Tugas : - Project : - Final Test : Test dilakukan dengan system Open Book. 2. Bila tidak hadir harus dengan alasan yang jelas, jika sakit harap menunjukkan surat dokter. 3. Tugas dikerjakan secara berkelompok, 1 kelompok terdiri dari 6 orang mahasiswa. 4. Plagiarisme adalah suatu pelanggaran serius, bagi yang melakukannya akan diberikan nilai E. 5. Project adalah tugas perorangan, maksimal 10 lembar dengan sistematika : - Pengantar - Data analysis dan Statistical methods - Pembahasan - Kesimpulan

Dasar-dasar Biostatistik Tujuan Pembelajaran : Mahasiswa diharapkan dapat: 1. Menyusun dan menyajikan Data 2. Menganalisa data dan menggunakan metode statistika yang tepat. 3. Mengenal dasar-dasar penggunaan program Microsoft Excel atau SPSS.

Bab I Dasar-dasar Biostatistik Statistika adalah : - sebuah kumpulan metode-metode yang digunakan untuk mengumpulkan, menganalisa, menyajikan dan menginterpretasikan data dan untuk membuat keputusan. - Focus dengan prosedur-prosedure untuk menganalisa data. - Sebuah ilmu yang berdasarkan inferensi pada data pengamatan dan pengambilan keputusan dari seluruh permasalahan dalam menghadapi ketidakpastian. - Statistika adalah sebuah teori dari informasi, dengan membuat inferensi sebagai tujuannya. Secara Umum Statistika terbagi dua: 1. Statistika Deskriptif : terdiri dari metode-metode untuk mengorganisir, menampilkan dan menjelaskan data dengan menggunakan table, grafik, dan kesimpulan dari pengukuran-pengukuran 2. Statistika Inferensial : terdiri dari metode-metode yang mengunakan informasi sample untuk membantu membuat sebuah keputusan sebuah populasi. Populasi dan sampel - Populasi : Ukuran yang lebih besar dari data adalah target dari yang kita minati, pengumpulan semua elemen (individual, item atau objek) yang merupakan karakteristik-karakteristik yang sedang kita pelajari. - Sample : sebuah irisan dari elemen-elemen yang dipilih dari populasi Parameter dan statistik - Parameter : Sebuah kesimpulan pengukuran secara menyeluruh (konstan) yang menjelaskan karakteristik-karakteristik tertentu dari sebuah populasi. - Statistik : sebuah kesimpulan pengukuran dari sebuah karakteristik numeric dari sebuah sample. Variabel adalah sebuah karakteristik yang sedang dipelajari yang diasumsikan mempunyai nilai berbeda untuk elemen yang berbeda. Variable

Quantitative Discrete Continous

Qualitative

Tipe-tipe Skala : 1. Nominal : terdiri dari sejumlah pengamatan yang dibuat dalam kategori yang spesifik. Contoh : Jenis kelamin, nomor telepon, jenis transportasi dan lain lain. 2. Ordinal : terdiri dari sejumlah pengamatan yang diranking atau diurutkan untuk menunjukkan tempat pertama, kedua dan seterusnya. Contoh : Tingkat pendidikan. 3. Interval : terdiri dari sejumlah pengamatan yang diukur pada skala yang dibuat yang mempunyai jarak yang sama antar nomor-nomor sehingga memberikan jarak yang sama pada nilai-nilai dari karakteristik yang sedang diukur, dan nilai nol pada skala ini tidak ada artinya (data tidak dapat dibandingkan). Contoh : Skala pada thermometer, IPK. 4. Ratio : pengamatan-pengamatan yang diukur pada skala yang dibuat yang mempunyai jarak yang sama antar nomor-nomor sehingga memberikan jarak yang sama pada nilainilai dari karakteristik yang sedang diukur, dan nilai nol pada skala ini berarti (data dapat dibandingkan). Contoh : Tinggi dan berat badan. Sumber Data: 1. Primer 2. Sekunder

1. Penyajian Data Teknik-teknik penyajian Data terdiri dari 3 bentuk : 1. Tulisan (textular) 2. Tabel (tabular) 3. Grafik, diagram atau gambar (graphic) Penyusunan Tabel 1. Berdasarkan Waktu 1.1 Tabel Jumlah Akseptor KB di daerah A 1990 1994 Tahun 1990 1991 1992 1993 1994 Jumlah Jumlah Akseptor 245 267 578 498 324 1.912

Sumber : Biostatistik Untuk Kedokteran dan Kesehatan Masyarakat

2. Berdasarkan besarnya angka Tabel Distribusi penyakit berdasarkan jenis kelamin di Rumah Sakit A. Jenis Kelamin Laki-laki Perempuan 415 410 400 330 200 54 85 15 1.260 829

Jenis Penyakit Saluran Napas Saluran Pencernaan Penyakit Kulit Penyakit Mata Jumlah

Jumlah 825 730 254 100 2.089

Sumber : Biostatistik Untuk Kedokteran dan Kesehatan Masyarakat Dari table di atas dapat diketahui jenis penyakit yang terbanyak adalah penyakit saluran napas dan penderita terbanyak adalah laki-laki. Tabel ini berguna untuk: 1. Penyusunan Prioritas. 2. Mengajukan usulan kebutuhan obat atau alat yang dibutuhkan Penyajian Data dalam bentuk grafik. Berbagai bentuk grafik : 1. Grafik Batang (Bar Diagram) 2. Grafik Lingkaran (Pie Diagram) 3. Grafik Garis (Line Diagram) 4. Grafik Pencar (Scatter Plot) 5. Grafik Model (Pictogram) 6. Grafik Peta (Map Diagram) 1. Grafik Batang
Tingkat Kelahiran 45 40 35 30 25 20 15 10 5 0 A Desa B

0/00

Tingkat Kelahiran

Histogram Umur 15-19 20-24 25-29 30-34 35-39 40-44 Jumlah Frekuensi 4 9 15 10 7 7 52

16 14 12 10 8 6 4 2 0 15-19 20-24 25-29 30-34 35-39 40-44

Frekuensi Poligon

2. Grafik Lingkaran (Pie Diagram) Jenis Penyakit Penyakit saluran napas Penyakit saluran pencernaan Penyakit kulit Penyakit mata Lain-lain Jumlah Perhitungan: Penyakit saluran napas Penyakit saluran pencernaan Penyakit kulit Penyakit mata Lain-lain Jumlah 500 200 200 50 50 1000 : 500 / 1000 x 360 = 180 : 200 / 1000 x 360 = 72 : 200 / 1000 x 360 = 72 : 50 / 1000 x 360 = 18 : 50 / 1000 x 360 = 18

Penyakit saluran napas Penyakit saluran pencernaan Penyakit kulit Penyakit mata Lain-lain

3. Grafik Garis Tahun 1990 1991 1992 1993 1994 Jumlah Kematian ibu 100 30 20 18 10 Kematian bayi 100 60 40 30 26

120 100 80 60 40 20 0 1990 1991 1992 1993 kematian bayi 1994

kematian ibu

Grafik frekuensi kumulatif (ogive) Dihasilkan dari data frekuensi distribusi kumulatif dan digunakan untuk mengetahui posisi individu dalam kelompok. Tekanan darah Sistolik (mmHg) 130 139 140 149 150 159 160 169 170 179 180 189 190 199 Jumlah Frekuensi 2 10 15 10 7 6 0 50 Frekuensi kumulatif < batas atas 0 2 12 27 37 44 50

Sumber : Biostatistik Untuk Kedokteran dan Kesehatan Masyarakat


60 50 40 30 20 10 0 129.5 139.5 149.5 159.5 169.5 179.5 189.5

Grafik garis patah-patah


35 30 25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12

10

Bab II Vital Statistik Statistik Kelahiran Statistik kelahiran menggambarkan kelahiran yang actual dari wanita dan bukan kapasitas wanita untuk melahirkan. 1. Angka kelahiran kasar (ALK) Crude Birth Rate (CBR) Merupakan angka yang menggambarkan angka kelahiran hidup dalam waktu satu tahun. Angka ini paling umum digunakan untuk menilai tingkat fertilitas penduduk. ALK = Jumlah kelahiran hidup dalam satu tahun x 100 Jumlah populasi pada tgl 1 juli

2. Angka fertilitas umum (AFU) General Fertility Rate (GFR) Merupakan indikator bagi tingkat kelahiran masyarakat, yaitu angka kelahiran yang dikaitkan dengan reproduktivitas wanita dengan status mampu hamil. Masa mampu hamil umumnya berkisar pada usia antara 15-49 tahun. AFU =
Jumlah kelahiran hidup dalam satu tahun x 100 Jumlah wanita dalam " masa mampu hamil "

3. Angka fertilitas spesifik-usia (AFS-U) Specific Fertility Rate - Age (SFR) Merupakan penentuan tingkat kelahiran masyarakat yang berasal dari wanita dalam masa hamil dengan spesifikasi batas usia tertentu. Spesifikasi dapat pula dilakukan pada ras, agama, status social, dan sebagainya. AFS-U = Jumlah kelahiran hidup dari wanita usia tertentu x 1000 Jumlah wanita usia tertentu

4. Angka fertilitas total (AFT) Total Fertility Rate (TFR) Merupakan penjumlahan dari angka fertilitas spesifik-usia untuk semua kelompok perhitungan dikalikan dengan interval usia. AFT = Jumlah (AFS-U x Interval) 5. Angka Fertilitas kumulatif (AFK) Cummulative Fertility Rate (CFR) Merupakan nilai kumulatif dari Angka fertilitas total.

11

STATISTIK KELAHIRAN JAKARTA BARAT Usia Wanita (thn) 15 19 20 24 25 29 30 34 35 39 40 49 Jumlah Jumlah populasi Wanita 220.100 209.500 170.100 139.100 135.400 261.700 1.135.900 Jumlah Lahir Hidup 21.790 37.051 22.135 9.246 3.739 1.044 95.005 AFS-U 99,0 176,9 130,1 66,5 27,6 4,0 AFK 495,0 1.379,5 2.030,0 2.362,5 2.500,5 2.540,5

Sumber : Biostatistik Untuk Kedokteran dan Kesehatan Masyarakat AFK = AFT1 + AFT2 + AFT

Statistik Kesakitan
Statistik kesakitan merupakan ukuran penting dalam mengevaluasi tingkat kesehatan masyarakat. Terbagi dalam dua istilah yaitu insidensi dan prevalansi. 1. Angka insidensi (AI) Angka insidensi penyakit adalah angka yang menggambarkan kejadian atau timbulnya suatu penyakit (kasus baru) dalam kurun waktu tertentu pada suatu masyarakat. Angka insidensi juga menunjukkan munculnya penderita dan cepat atau tidaknya suatu penyakit menyebar. AI = Jumlah kasus baru penyakit Z dalam satu tahun x 1000 jumlah populasi pada 1 juli

2. Angka prevalensi (AP) Angka prevalansi suatu penyakit adalah angka yang menunjukkan jumlah penderita penyakit tertentu pada waktu atau periode tertentu. Pada umumnya digunakan pada penyakit kronis. a. prevalansi pada waktu tertentu (AP-t) AP-t =
Jumlah semua kasus pada waktu tertentu. x 100 jumlah populasi saat tertentu

b. prevalansi pada periode tertentu

12

AP-p =

jumlah semua kasus pada periode tertentu x 100 jumlah populasi pada periode tertentu

3. Rasio fatalitas kasus (RFK) Merupakan angka yang digunakan untuk mengevaluasi keberhasilan program pengobatan terhadap wabah penyakit dalam suatu masyarakat. Angka ini juga menunjukkan probabilitas kematian yang disebabkan oleh wabah tertentu. RFK =
Jumlah kasus mati akibat penyakit tertentu x 100 Jumlah semua kasus

4. Rasio Imaturitas (RI) Rasio yang menunjukkan besarnya kelahiran premature yang terjadi pada suatu periode. RI = Jumlah seluruh kelahiran prematur pada suatu periode x 100 Jumlah bayi yang lahir pada suatu periode

5. Angka serangan sekunder (ASS) Merupakan insidensi suatu infeksi (penularan) pada populasi yang relative tertutup, sehingga diasumsikan seluruh anggota populasi melakukan kontak. ASS =
jumlah kasus sekunder dalam periode inkubasi penyakit x 100 Jumlah individu yang mengalami kontak

Statistik Kematian
Merupakan angka yang menggambarkan frekuensi relative terjadinya kematian pada periode dan populasi tertentu. 1. Angka kematian kasar tahunan (AMKT) Adalah angka yang menunjukkan besarnya peristiwa kematian secara umum dalam suatu populasi. Perlu diperhatikan pula karakteristik kesehatan suatu populasi. AMKT = Jumlah kematian dalam satu tahun x 1000 Jumlah populasi pada 1 juli

13

2. Angka kematian spesifik tahunan (AMST) a. Atribut individu: usia, jenis, kelamin, ras, agama, dsb. b. Penyebab kematian atau jenis penyakit. AMST = Jumlah kematian menurut spesifikasi dalam satu tahun x 1000 Jumlah populasi menurut kelompok

3. Angka mortalitas maternal (AMM) Adalah angka yang menunjukkan tingkat kematian ibu yang berkaitan dengan proses persalinan dan nifas. AMM =
Jumlah kematian puerpurial dalam satu tahun x 1000 Jumlah kelahiran hidup selama satu tahun

4. Angka mortalitas bayi (AMB) Infant Mortality Rate (IMR) Angka yang menunjukkan mortalitas individu dibawah satu tahun. Bila keadaan masyarakat tidak berubah, kematian bayai dapat dijadikan indikator kesehatan dan sanitasi.
Jumlah kematian individu usia

AMB = dibawah 1 tahun dalam periode satu tahun x 1000 Jumlah kelahiran hidup dalam satu tahun 5. Angka mortalitas orok (AMO) Neonatus Mortality Rate (NMR) Angka yang menunjukkan tingkat kematian individu dengan usia dibawah 28 hari.
Jumlah kematian individu usia AMO = dibawah 28 hari dalam periode satu tahun x 1000 Jumlah kelahiran hidup dalam satu tahun

6. Angka kematian janin (AMJ) Fetus Mortality Rate (FMR) Angka yang menunjukkan kematian individu sebelum persalinan atau bayi yang lahir pada kehamilan minggu ke-28 atau lebih. AMJ = Jumlah kelahiran janin mati dalam satu tahun x 1000 jumlah persalinan tahun tersebut

7. Rasio kematian janin (RMJ) Perbandingan antara kelahiran janin mati dengan janin yang hidup pada tahun atau periode yang sama.

14

RMJ =

Jumlah kelahiran janin mati dalam satu tahun x 100 Jumlah kelahiran janin hidup pada tahun tersebut

8. Angka mortalitas perinatal (AMP) Angka yang menunjukkan tingkat kualitas perwatan ibu hamil dan bayi. Yaitu menghitung tingkat kematian janin pada akhir kehamilan (28 minggu lebih) dan kematian orok pada awal kelahiran (kurang dari 7 hari). Jumlah kematian janin dan jumlah kematian orok dalam satu tahun AMP = x 1000 Jumlah kematian janin dan kelahiran hidup dalam satu tahun 9. Rasio penyebab kematian (RPK) Perbandingan antara korban tewas akibat suatu penyakit dengan korban secara keseluruhan.
Jumlah kematian

RPK =

akibat penyakit tertentu dalam satu tahun x 100 Jumlah seluruh kematian dalam tahun tersebut

10. Rasio mortalitas proporsional (RMP) Rasio yang dijadikan standar perhitungan kesehatan masyarakat dalam suatau populasi dengan melihat lama usia hidup. RMP =
jumlah kematian individu usia 50 tahun ke atas Jumlah seluruh Kematian

15

Bab III Analisis Data 1. Ukuran Nilai Tengah Beberapa nilai tengah yang sering digunakan : - Rata rata hitung (arithmatic mean) Rata-rata ukur (geometric mean) Median Modus (mode)

Rata-rata Hitung (Mean)

Rata-rata hitung merupakan ukuran nilai tengah yang paling sering digunakan untuk menganalisis data.

(rumus 3.1)

Keterangan : . x = Hasil Pengamatan n = jumlah pengamatan

Contoh : Hasil pengukuran berat badan 10 orang penderita diabetes mellitus yang dirawat di suatu rumah sakit adalah sebagai berikut (dalam kilogram) : 16

65, 60, 55, 70, 67, 53, 61, 64, 75 dan 50 , dengan menggunakan rumus 3.1 diperoleh ratarata 62 kg.

Data disusun dalam distribusi yang tidak dikelompokkan

(rumus 3.2)

Keterangan : . x = Hasil Pengamatan f = frekuensi n = jumlah pengamatan Contoh: Distribusi frekuensi BB penyakit jantung koroner

Berat Badan (Kg) 43 50 55 60 62 63 65 67 68 69

f 4 4 1 2 1 1 3 2 1 1

fx 172 200 55 120 62 63 195 134 68 69 17

70 71 72 75 78 Jumlah

3 1 3 1 2 3 0

210 71 216 75 156 1.86 6

Data disusun dalam distribusi yang dikelompokkan

Rumus 3.2

Keterangan : . Nt = Nilai Tengah Frekuensi f = frekuensi n = jumlah pengamatan

18

Contoh : Berat Badan penderita penyakit jantung koroner di rumah sakit A (n = 30)

Berat Badan 41 45 46 50 51 55 56 60 61 65 66 70 71 75 76 80 Jumlah

f 4 4 1 2 5 7 5 2 30

Nt 43 48 53 58 63 68 73 78

fNt 172 192 53 116 315 476 365 156 1.845

Rata-rata hitung dengan pembebanan (weighted mean) Kelompok 1 2 ni 3 5 53,0 53,5 ni 159 267 19

3 Jumlah

10 18

54,9 161,3

549 975

Bila rata- rata kelompok dihitung tanpa pembebanan maka hasilnya adalah sebagai berikut :

Dari hasil kedua rat-rata tersebut ternyata rata-rata dengan beban mendekati rata-rata kelompok dengan n yang besar, sedangkan rata-rata tanpa beban akan mendekati rata-rata kelompok dengan n kecil.

Median

Median merupakan nilai tengah yang berbeda dengan rata-rata (mean) karena median hanya menyatakan posisi tengah dari sederetan angka hasil pengamatan sedemikian rupa sehingga membagi sama dua sama banyak. Ini berarti bahwa 50% nilai terletak di bawah median dan 50% nilai berada di atas median.

Me = (n + 1)/2(rumus 3.3)

Keterangan : Me = Median N = banyaknya pengamatan 20

Contoh : Misalkan kita akan mengukur Hb 5 orang wanita hamil yang datang ke bagian kebidanan Rumah sakit A dan kita akan menentukan nilai mediannnya.

Posisi median terletak pada (5+1)/2

Posisi median Kadar Hb(mg%)

1 8

2 9

3 10

4 11

5 12

Dari hasil perhitungan posisi median terletak pada posisi ketiga yang sesuai dengan kadar Hb 10mg%.

Bila data yang diperoleh merupakan bilangan genap, misalnya 6 orang maka posisi median terletak antara posisi ke-3 dan ke-4.

Posisi median Kadar Hb(mg%)

1 8

2 9

3 10

4 11

5 12

6 13

Sehingga nilai median adalah (10+11)/2 = 10.5 mg% Penghitungan median pada distribusi frrekuensi yang dikelompokkan Me = Me + i(Me fkum)/f (rumus 3.4) Keterangan : Me = Median Me = nilai sebelum median tercapai i = interval kelas Me = posisi median = n fkum = frekuensi kumulatif kurang dari tepi bawah sebelum median. f = frekuensi kelas dimana median berada. 21

Contoh : Berat badan 10 orang wanita hamil yang dating ke puskesmas A pada bulan September 2009 adalah sebagai berikut : Berat Badan (kg) 39,5 45,5 45,5 50,5 50,5 55,5 55,5 60,5 Jumlah f 4 2 2 2 1 0 fkum < batas atas 4 6 8 10

Jumlah pengamatan dari median = n = 5 Median terletak pada posisi ke-1 dan ke-2 Nilai sebelum median tercapai = 45,5 Interval kelas = 5 Frekuensi kumulatif kelas sebelum median = 4 Frekuensi kelas dimana median berada = 2 Me = 45,5 + 5(5-4)/2 = 45,5 + 2,5 Me = 48 kg Modus (mode) Modus merupakan salah satu ukuran nilai tengah yang dinyatakan dalam frekuensi terbanyak dari data kualitatif maupun kuantitatif. Contoh : Banyaknya kesalahan yang dilakukan oleh laboran disuatu rumah sakit A dalam melakukan penghitungan jumlah leukosit dalam darah selama 1 minggu. Minggu 1 2 3 4 Jumlah kesalahan 0 2 5 7 15 0 2 5 7 15 1 4 6 8 15 1 4 6 12 19

Dari hasil tersebut modusnya adalah 15 karena terjadi sebanyak 3 kali dan merupakan frekuensi terbanyak. Penghitungan Modus pada data distribusi frekuensi Bila data yang diperoleh berupa distribusi frekuensi yang telah dikelompokkan maka modusnya terletak pada interval kelas dengan frekuensi terbanyak. 22

Mo = LMo + (d1/(d1+d2)) i(rumus 3.5) Keterangan : Mo = Modus LMo = tepi bawah kelas dimana modus berada d1 = selisish antara frekuensi kelas modus dengan kelas tepat di bawahnya d2 = selisih antara frekuensi kelas modus dengan kelas tepat di atasnya i = lebar interval kelas modus Contoh ; Distribusi umur 80 orang penderita insufisiensi pembuluh darah koroner di Rumah Sakit A pada tahun 2009 Distribusi Umur 21 30 31 40 41 50 51 60 61 70 71 80 Jumlah Sehingga LMo = 40,5 d1 = 40 - 7 = 33 d2 = 40 10 = 30, i = 10 Mo Mo = 40,5 + 10 (33/(33+30)) = 40,5 + 5,2 = 45,7 tahun F 6 7 40 Modus 10 10 7 80

2. Dispersi (ukuran penyimpangan)

Variasi atau dispersi meliputi : 1. Dispersi Absolut : Rentang (range) Kuartil 23

Desil Persentil Deviasi rata-rata (mean deviation) Deviasi standar (standard deviation) Varians (variance)

2. Dispersi relative berupa koefisien variasi (coefficient of variation) Deviasi Standar (standard deviation) Varians : Deviasi Standar :

(rumus 3.6) (rumus 3.7)

Keterangan : = deviasi standar = rata-rata (populasi) = hasil pengamatan = banyaknya pengamatan Contoh : hasil pemeriksaan glukosa darah puasa 10 orang dewasa normal adalah sebagai berikut Glukosa darah 70 72 76 77 78 79 80 85 86 784 x-8,4 -6,4 -2,4 -0,4 0,6 1,6 2,6 6,6 7,6 (x- )2 70,56 40,96 5,76 0,16 0,36 2,56 6,76 43,56 57,56 230,40

= 784/10 = 78,4 mg% = 4,8 mg% bila data tersebut normal maka interval untuk glukosa darah adalah = 78,4 9,6 atau terletak antara 68,8 - 88 mg%.

24

BAB IV Pengujian Hipotesis (Uji t serta Uji z) Hipotesis Nol dan Hipotesis Alternatif Hipotesis selalau dinyatakan sebagai hipotesis nol (H0) yang berarti secara statistik tidak ada perbedaaan antara variable yang dibandingkan sama dengan nol (status quo). Bila dalam uji hipotesis kita menolak hipotesis berarti terdapat hipotesis lain yang diterima. Hipotesis lain ini disebut hipotesis alternative (Ha atau H1). Contoh : Dinyatakan bahwa rata-rata terdapat 50 orang penderita diare setiap bulan di desa A. Hipotesis nol Ho : = 50 penderita diare Untuk hipotesis alternative terdapat berbagai kemungkinan sebagai berikut : 1. Ha : 50 penderita diare (pengujian hipotesis dua pihak) 25

Titik kritis

Daerah penolakan Daerah penerimaan

Daerah penolakan

2. Ha : > 50 penderita diare (pengujian hipotesis satu pihak kanan)

Titik kritis

Daerah penolakan

Daerah penerimaan

3. Ha : < 50 penderita diare (pengujian hipotesis satu pihak kiri)

26

Titik kritis

Daerah penolakan Daerah penerimaan

Derajat kemaknaan (Significance level ) Derajat kemaknaan ialah batas untuk menerima atau menolak hipotesis nol yang dinyatakan dalam bentuk luas area dalam kurva distribusi normal. Derajat kemaknaan meliputi luas darea di luar daerah penerimaan atau disebut juga daerah penolakan. Area ini merupakan peluang untuk terjadinya kesalahan dalam menerima atau menolak hipotesis. Bila kita tentukan derajat kemaknaan sebesar 0,05 atau 5% dari seluruh luas kurva dan kita lakukan pengujian hipotesis sebanyak 100 kali maka akan terdapat 5 kali pengujian dengan nilai yang terletak di luar daerah penerimaan (derajat kemaknaan). Menentukan Derajat kemaknaan yang sering digunakan yaitu = 0,05 atau 0,01. Makin besar derajat kemaknaan maka makin sempit daerah penerimaan hipotesis, sehingga semakin sering kita menolak hipotesis walaupun hipotesis benar atau peluang untuk menolak hipotesis yang benar makin besar. Kesalahan ini disebut kesalahan tipe 1 () sebaliknya bila derajat kemaknaan kecil maka makin besar untuk menerima hipotesis yang sebenarnya salah. Kesalahan ini disebut kesalahan tipe 2 (). Kesalahan Tipe 1 dan 2 Hipotesis Kesimpulan Benar Salah Menerima Hipotesis Tak ada kesalahan Kesalahan tipe 2 () Menolak Hipotesis Kesalahan tipe 1 () Tak ada kesalahan Dalam pengujian hipotesis kita berusaha agar kedua kesalahan tersebut sekecil-kecilnya, tetapi antara kedua kesalahn tersebut terdapat hubungan timbale balik, artinya bila diperkecil maka 27

akan besar dan sebaliknya. Kesalahan tipe 2 diperkecil dengan memperbesar kesalahan tipe 1 atau jumlah sampelnya ditambah.

Menentukan Distribusi dan metode statistik yang digunakan (confidence interval) Populasi terbatas Menguji rata-rata populasi () diketahui, n > 30, distribusi normal tak diketahui, n > 30, distribusi normal n < 30, distribusi t Menguji proporsi populasi (p) n > 30, distribusi normal Populasi tak terhingga z zs ts

( zs)/n ( zs)/n ts

Pengujian Hipotesis Rata-rata dua pihak satu populasi dengan sampel Besar Contoh: Bagian penyediaan obat suatu rumah sakit memesan tetrasiklin kapsul dalam jumlah besar pada sebuah perusahaan farmasi. Dari perusahaan tersebut diperoleh informasi bahwa ratarata isi kapsul adalah 250 mg dengan kesalahan baku 2 mg. Pihak rumah sakit ingin menguji informasi tersebut pada derajat kemaknaan 0,05. Untuk keperluan tersebut diambil sampel sebanyak 100 kapsul dan diperoleh rata-rata 249,5 mg. Ho : = 250 mg Ha : 250 mg Diketahui : n = 100 kapsul = 2 mg = 249,5 mg = 0,05 x = 0,2 0,05 = 1,96 (dari table z) limit bawah : 250 - (1,96 x 0,2) = 249,6 mg 28

Limit atas : 250 + (1,96 x 0,2) = 250,4 mg Kriteria penerimaannya, H0 akan diterima jika hasil perhitungan terletak antara 249, 6 dan 250,4mg. Karena hasil perhitungannya lebih kecil dari limit bawah maka hipotesis ditolak pada = 0,05. Kesimpulannya isi kapsul tidak sama dengan 250mg.

= 249,5 mg 249,6 250 250,4

Soal di atas dapat juga diselesaikan dengan menggunakan distribusi z ( -)/x = (249,5 250)/0,2 = -2,5 Kriteria penerimaan H0 bila terletak antara -1,96 dan +1,96. Ternyata hasil perhitungan z terletak di luar kriteria tersebut yang berarti hipotesis nol ditolak pada derajat kemaknaan 0,05.

-1,96

1,96

Varian populasi tidak diketahui Bila simpangan baku populasi tidak diketahui maka dapat ditaksir dari simpangan baku sampel. x = Contoh : Hasil perhitungan simpangan baku populasi = 1,7 maka simpangan baku rata-rata populasi adalah 0,17 . 29

Limit konfidensi : Limit atas : 250 + 1,96 x 0,17 = 250,3 Limit Bawah : 250 - 1,96 x 0,17 = 249,7 Hasil perhitungan rata-rata sampel adalah 249,5. Ini berarti hipotesis ditolak pada = 0,05 dan secara statistik terdapat perbedaan yang bermakna atau isi rata-rata kapsul tetrasiklin tidak sama dengan 250mg.

Pengujian hipotesis rata-rata populasi satu pihak dengan sampel besar Varian populasi diketahui Sebuah rumah sakit memesan obat suntik dengan isi 4ml per ampul. Pihak industri farmasi memberikan informasi bahwa obat tersebut mempunyai varian 0,04ml. Untuk menguji informasi tersebut diambil sampel sebanyak 100 ampul dan diperoleh rata-rata 4,04ml, = 0,05. Karena obat tersebut bila diberikan lebih dari 4ml akan membahayakan penderita maka hipotesis dilakukan pihak kanan. H0: = 4ml Ha: > 4ml n = 100 2 = 0,04 atau = 0,02 z0,05 = 1,64 (dari tabel z) limit atas : 4 + 1,64 x 0,02 = 4,033 Kriteria penerimaan hipotesisnya adalah apabila rata-rata sampel lebih kecil dari 4,033. Ternyata rata-rata sampel = 4,04 berarti terletak di luar batas penerimaan atau hipotesis nol ditolak pada = 0,05. Dengan kata lain isi obat tersebut untuk setiap ampulnya lebih dari 4ml.

30

4,04 4,0 4,033

Dengan uji z

z = (4,04 - 4)/0,02 = 2

Ho akan diterima jika hasil perhitungan z lebih kecil dari 1,64. Hasil perhitungan z = 2 dan berarti terletak diluar batas penerimaan hipotesis atau hipotesis nol ditolak.

Pengujian satu pihak kiri

Sebuah rumah sakit memesan obat suntik dengan isi 2ml per ampul. Obat ini diberikan dengan dosis lebih dari 2ml tidak akan membawa pengaruh jelek pada penderita, tetapi bila dosisnya kurang pun tidak akan memberikan efek yang dikehendaki. Dari industry farmasi diperoleh informasi bahwa varian obat tersebut adalah 0,01. Pihak rumah sakit ingin menguji informasi tersebut dengan mengambil sampel sebanyak 50 ampul dan diperoleh rata-rata 1.995m. H0: = 2ml Ha: < 2ml n = 50 2 = 0,01 atau = 0,1 z0,01 = 2,33 (dari tabel z) x = = 0,1/ = 0,014 Limit bawah : 2 (2,33 x 0,014) = 1,967 31

kriteria penerimaan hipotesis nol adalah apabila nilai hasil perhitungan lebih besar dari 1,967. Ternyata rata-rata sampel = 1,995. Dengan hasil tersebut, hipotesis nol diterima pada = 0,01. Kesimpulannya kita percaya 99% bahwa isi ampul tersebut adalah 2ml. Uji hipotesis tersebut dapat juga ditentukan dengan mengunakan uji z. Pengujian hipotesis rata-rata populasi dua pihak dengan sampel kecil Penelitian dalam bidang kedokteran varian populasinya sering tidak diketahui dan biasanya menggunakan sampel kecil karena kasusnya yang jarang atau karena biaya penelitian yang terbatas. Contoh : Seorang dokter puskesmas menyatakan rata-rata per bulan ia merujuk ke rumah sakit kabupaten sebanyak 40 orang. Kita ingin menguji pernyataan dokter tersebut pada = 0,05. Untuk itu diambil sampel secara acak sebanyak 5 bulan dan diperoleh rata-rata 39 orang dengan varian 4 orang. Hipotesis tersebut hanya dapat diselesaikan dengan distribusi t karena sampel kecil dan deviasi standar populasi () tidak diketahui. Untuk varian populasi dapat ditaksir dengan varian sampel (s). H0: = 40 orang Ha: 40 orang n=5 s2 = 4 atau s = 2 t0,05;4 = 2,776 (dari tabel t) sx = 2/ = 0,89 dk = n-1 = 5-1 = 4

Limit bawah ; 40 2,776 x 0,89 = 37,53 Limit atas : 40 + 2,776 x 0,89 = 42,47 Kriteria penerimaan hipotesis nol adalah apabila rata-rata sample terletak antara 37,53 dan 42,47. Karena hasil perhitungan rata-rata = 39 maka hipotesis diterima pada derajat kemaknaan 0,05. Ini berarti kita 95% percaya bahwa dokter tersebut merujuk penderita 40 orang per bulan.

= 39 32

37,53

40

42,47

Soal di atas dapat juga diselesaikan dengan menggunakan distribusi t t =( -)/sx = (39 40)/0,89 = -1,124 Kriteria penerimaan H0 bila terletak antara -2,776 dan +2,776. Ternyata hasil perhitungan t terletak di antara kriteria tersebut yang berarti hipotesis nol terima pada derajat kemaknaan 0,05.

-2,776 Varian populasi diketahui

2,776

Pengujian hipotesis dilakukan dengan rumus z walaupun sampel kecil, tetapi varian diketahui dan dianggap bahwa sampel berdistribusi normal.

Membandingkan dua rata-rata berpasangan (paired t test) Untuk membandingkan dua rata-rata dari data yang berpasangan dengan sampel kecil dan simpangan baku populasi yang tidak diketahui dapat digunakan distribusi t Contoh : Suatu uji klinis dilakukan untuk mengetahui efektifitas obat penenang yang baru pada 10 orang penderita psikoneuretik. Setiap penderita mendapatkan pengobatan dengan obat baru selama satu minggu dan satu minggu dengan placebo. Setelah selesai pengobatan dilakukan evaluasi menggunakan skor kecemasan dengan nilai 0-30. Hasil evaluasi No 1 2 Skor Kecemasan Obat Plasebo 19 22 11 18 Selisih d -3 -7 d2 9 49 33

3 4 5 6 7 8 9 10

14 17 23 11 15 19 11 8

17 19 22 12 14 11 19 7 -13

-3 -2 1 -1 1 8 -8 1

9 4 1 1 1 64 64 1 20 3

x =

s2 = 186,1/9 = 20,68 = 1,438

H0 : 1 = 2 Ha : 1 2 t = -1,30/1,438 = -0,90 df = 9, t0,05,9 = 2,262 karena t hitung berada di dalam area penerimaan maka H0 diterima, dengan kata lain obat tersebut tidak efektif. Untuk data yang cukup besar dapat digunakan uji z untuk membandingkan rata-rata dua populasi. Untuk membandingkan lebih dari dua rata-rata populasi dapat digunakan Anova (analysis of variance).

Pengujian Hipotetis Selisih rata-rata dua pihak pada sampel kecil Varian kedua populasi sama, tetapi tidak diketahui Dua macam obat anti obesitas diberikan pada orang dengan over weight untuk jangka waktu 3 bulan. Obat pertama diberikan kepada 10 orang Obat kedua diberikan kepada 9 orang. Ingin diuji apakah terdapat perbedaan dalam menurunkan berat badan pada kedua macam obat tersebut dengan derajat kemaknaan 0,05. Obat pertama dapat menurunkan berat badan 9,6 kg dan obat kedua menurunkan berat badan 10kg.

34

s12 = 16 n1 = 10 Hipotesis statistik : H0 : 1 = 2 Ha : 1 2 = 0,05

s12 = 9 n2 = 9

dk = (n1+n2 2) = 17

Bila simpangan baku tidak diketahui dan sampelnya kecil maka digunakan distribusi t dan simpangan bakunya ditaksir dari simpangan baku sampel, tetapi karena tidak diketahui maka harus dihitung simpangan baku gabungan :

Sehingga

s2 = 12.7 maka s = 3,56

= 3.56 t0,05,17 = 2,11

= 1,636

limit konfidensi : Batas Bawah : 0 2,11 x 1,636 = -3,440 Batas Atas : 0 + 2,11 x 1.636 = 3,440 Ho akan diterima jika selisih rata-rata perhitungan terletak antara -3,440 dan 3,440. Selisih ratarata = 10 9,6 = 0.4 Hiipotesis diterima pada derajat kemaknaan 0,05, artinya tidak terdapat perbedaan dalam menurunkan berat badan pada kedua macam obat tersebut. Soal tersebut dapat juga diselesaikan dengan distribusi t 35

t= = (9,6 10)/1,63 = -0,245 Ho akan diterima apabila perhitungan terletak antara -2,11 dan + 2,1. Kesimpulan Ho diterima pada = 0,05 artinya tidak terdapat perbedaan antara 2 macam obat anti obesitas tersebut. Varian kedua populasi tak diketahui dan tidak sama Bila populasi berdistribusi normal maka varian populasinya dapat ditaksir dari varian sampel. Rumus t tidak dapat langsung digunakan karena ini hanya merupakan pendekatan saja, tetapi harus dihitung dahulu dengan menggunakan rumus berikut : t 0,05 = t1 = nilai pada table t dengan = 0,05 dan dk = n1 - 1 t2 = nilai pada table t dengan = 0,05 dan dk = n2 1 criteria penolakan hipotesis nol bila t > t 0,05 Contoh : Sepuluh orang penderita disentri diberikan kloramfenikol 3 x 500 mg per hari dengan kesembuhan rata-rata 7 fhari dengan deviasi standar 2 hari. Lima belas orang penderita disentri yang lain diberikan tetrasiklin 3 x 500mg dengan rata-rata kesembuhan 6 hari dengan deviasi standar 1,5 hari. Jika ingin diuji apakah terdapat perbedaan antara efek kloramfenikol dan tetrasiklin terhadap penyakit disentri pada derajat kemaknaan 0,05. Diketahui : n1 = 10 s1 = 2 dk = 9 n2 = 15 s2 = 1,5 dk = 14

Hipotesis statistik : H0 : 1 = 2 Ha : 1 2 = 0,05

36

= 1,35 t0,05,9 = 2,262 t0,05,14 = 2,145 t0,05 = (2,62 x 4/10 + 2,145 x 2,25/15)/(4/10+2,25/15) = 2,23 Ternyata t = 1,35 < t0,05 = 2,23. Jadi hipotesis diterima pada derajat kemaknaan 0,05. Kesimpulannya tidak ada perbedaan antara kloramfenikol dan tetrasiklin dalam pengobatan disentri.

Bab V Chi Square Chi-square (2) Pengujian dengan chi kuadrat dapat digunakan untuk menguji proporsi perbedaan parameter 2 populasi atau lebih. Ketentuan pemakaian : 1. Jumlah sampel cukup besar (berdistribusi normal) 2. Pengamatan bersifat independent (unpaired) 3. Digunakan pada data deskrit (data frekuensi atau kategori) 37

4. Pada derajat kebebasan sama dengan 1 nilai ekspektasi tidak boleh < 5. (over estimate) Derajat kebebasan (dk) dk = (jumlah baris 1) (jumlah kolom - 1) Contoh : Seorang dokter rumah sakit menyatakan bahwa frekuensi anemia pada ibu hamil di rumah sakit A sama dengan di rumah sakit B dan sama dengan rumah sakit C. pernyatan tersebut akan diuji pada derajat kemaknaan 5%. Rumah Sakit A B C Jumlah Anemia 20 25 35 80 Tidak Anemia 30 15 25 70 Jumlah 50 40 60 150

Nilai Hasil pengamatan = O (observed) Nilai Ekspektasi = E (Expected) Menghitung nilai Ekspektasi E1 = (50x80)/150 = 26,6 E2 = (50x70)/150 = 23,3 E3 = (40x80)/150 = 21,3 dan seterusnya

Contoh : dari persoalan di atas kita kan menguji pernyataan kepala rumah sakit tersebut maka : H0 Ha O 20 30 25 15 35 25 : f1 = f2 = f3 : f 1 f2 f3 E (O-E) 26,6 -6,6 23,3 6,7 21,3 3,7 19,3 -4,3 32 3 28 -3 (O-E)2 43,56 44,89 13,69 18,49 9 9 (O-E)2/E 1,64 1,93 0,64 0,96 0,28 0,32 5,77 38

Pada table 3x2 tersebut, dk = (3 1) (2 1) = 2 ) 0,05;2 = 5,991 (dari table Daerah penolakan hipotesis jika nilai hitung lebih besar dari tabel, karena hitung = 5,77 < tabel = 5,991 berarti terima H0, dengan kata lain tidak ada perbedaan jumlah penderita anemia di ketiga rumah sakit tersebut. Chi-square untuk pengujian independensi Sebuah penelitian dilakukan oleh seorang kepala rumah sakit untuk mengetahui apakah ada hubungan antara tingkat pendidikan dengan kelas ruang rawat inap. Untuk itu diambil sampel sebanyak 200 orang. Kelas Ruang 1 2 3 Jumlah H0 Ha SD 20 40 10 70 Pendidikan SMP SMA 25 15 15 10 10 15 50 40 Jumlah PT 20 5 15 40 80 70 50 200

: variable 1 dan variable dua bersifat independen : variable 1 dan variable dua bersifat dependen

O E (O-E) (O-E)^2 (O-E)^2/E 20 28 -8 64 2,29 25 20 5 25 1,25 15 16 -1 1 0,06 20 16 4 16 1,00 40 24,5 15,5 240,25 9,81 15 17,5 -2,5 6,25 0,36 10 14 -4 16 1,14 5 14 -9 81 5,79 10 12,5 -2,5 6,25 0,50 10 17,5 -7,5 56,25 3,21 15 10 5 25 2,50 15 10 5 25 2,50 39

30,40 Pada table 3x4 tersebut, dk = (3 1) (4 1) = 6 ) 0,05;6 = 12,59 (dari table Daerah penolakan hipotesis jika nilai hitung lebih besar dari tabel, karena hitung = 30,40 > tabel = 12,59 berarti tolak H0, dengan kata lain terdapat hubungan antara tingkat pendidikan dengan kelas ruang rawat inap.

40