BAB 2

TINJAUAN TEORI
2.1. ESTIMASI
2.1.1.

DEFINISI
Estimasi atau pendugaan adalah suatu proses yang menggunakan sampel
statistik untuk menduga atau menaksir parameter populasi yang tidak
diketahui. Estimasi merupakan pernyataan mengenai parameter populasi
yang tidak diketahui berdasarkan informasi dari sampel, dalam hal ini
sampel random, yang diambil dari populasi tempat sampel berasal. Jadi
dengan pendugaan tersebut, keadaan parameter populasi dapat diketahui.
Estimasi adalah suatu metode untuk memperkirakan nilai populasi
(parameter) dengan menggunakan nilai sampel (statistik). Taksiran dalam
praktik sehari-hari sifat populasi jarang diketahui oleh sebab itu digunakan
nilai-nilai statistik (nilai sampel). Nilai statistik yang digunakan untuk
menduga disebut estimator (penduga). Selain penduga parameter,
dikenal juga penduga statstik yaitu nilai-nilai atau angka-angka yang
diperoleh dari penduga parameter.
Teori estimasi memegang peran yang sangat penting dalam statistika
inferensial karena teori estimasi bersama-sama dengan pengujian hipotesis
merupakan dasar statistika inferensial yang dilandasi oleh teori peluang.
Dalam metode statistika, teori estimasi digunakan untuk menaksir
parameter populasi seperti rata-rata atau proporsivariabel tertentu yang
terdapat dalam populasi melalui perhitungan statistik sampel karena
perhitungan langsung pada seluruh populasi tidak mungkin dilakukan.
Di bidang kedokteran, teori estimasi digunakan untuk menaksir
banyaknya penderita penyakit tertentu di masa yang akan datang,

menaksirkan jumlah pengunjung atau menaksir prognosa suatu penyakit

dan lain-lain.
2.1.2.

ESTIMATOR YANG BAIK

Estimator ialah statistik sampel yang digunakan untuk menaksir
paremeter populasi. Misalnya, rata-rata sampel (x ) digunakan untuk
menaksir rata-rata populasi (), proporsi sampel (p ) untuk menaksir
proporsi populasi (p), dan jumlah sampel tertentu (x) untuk menaksir
jumlah ciri tertentu populasi (x).
Walaupun statistik sampel dapat digunakan sebagai estimator untuk
menaksir parameter populasi, tetapi tidak semua statistik merupakan
estimator yang baik. Olah karena itu, untuk menentukan statistik sebagai
estimator yang baik terdapat beberapa kriteria sebagai berikut :
1. Tidak bias
Merupakan salah satu kriteria estimator yang penting untuk
menentukan estimator yang baik. Suatu estimator dikatakan tidak bias
bila nilai hasil statistik sampel mempunyai nilai yang sama dengan
parameter populasi. Ini berarti, nilai-nilai statistik yang terletak diatas
nilai parameter populasi sama dengan nilai-nilai statistik yang terletak
dibawah nilai parameter. Misalnya, rata-rata sampel merupakan
estimator yang tidak bias, demikian pula dengan proporsi sampel serta
jumlah ciri tertentu sampel.
2. Efisien
Suatu estimator dikatakan efisien bila statistik sampel mempunyai
kesalahan baku yang kecil. Bila kita harus menentukan satu estimator
dari dua statistik maka statistik dengan kesalahan baku yang lebih kecil
kita ambil sebagai estimator karena statistik dengan kesalahan baku

yang lebih kecil mempunyai peluang yang besar untuk lebih mendakati
nilai parameternya.
Misalnya, kita akan menaksir rata-rata populasi melalui statistik ratarata dan median sampel. Dari distribusi rata-rata sampel diperoleh
kesalahan baku sebesar 1,03 , sedangkan kesalahan baku median
sebesar 1,64 maka dikatakan bahwa rata-rata merupakan estimator
yang lebih efisien dibandingkan median.
3. Konsisten
Bila besarnya sampel bertambah maka hampir dapat dipastikan bahwa
nilai statistik sampel akan lebih mendekati nilai parameter populasi,
estimator demikian disebut konsisten. Ini berarti bahwa dengan
estimator yang konsisten maka ketepatan akan meningkat dengan
sampel yang besar. Oleh karena itu, bila kita ingin meningkatkan
ketepatan

estimasi

terhadapap

parameter

populasi

dengan

meningkatkan sampel maka harus diperhatikan apakah estimator yang

dipilih merupakan estimator yang konsisten.
diperhatikan

maka

penambahan

jumlah

Bila hal ini tidak

sampel

tidak

akan

meningkatkan ketepatan taksiran.

Misalnya, rata-rata sampel merupakan estimator yang tidak bias
terhadap median populasi, demikian pula dengan median sampel, tetapi
bila jumlah sampel bertambah maka rata-rata sampel akan lebih
mendekati median populasi daripada median sampel. Dari hasil diatas
dapat dikatakan bahwa rata-rata merupakan estimator yang konsisten
untuk menaksir median populasi daripada median sampel.

2.2. ESTIMASI TITIK dan SELANG

2.2.1.

DEFINISI ESTIMASI TITIK

Titik estimasi merupakan salah satu cara untuk mengadakan estimasi
terhadap parameter populasi yang tidak diketahui. Titik estimasi ialah nilai
tunggal yang digunakan untuk mengadakan estimasi terhadap parameter
populasi. Pemakain titik estimasi untuk menaksir parameter populasi
sering tidak memuaskan karena dengan titik estimasi kita hanya dapat
mengetahui apakah estimasi tersebut benar atau salah. Misalnya, pada
contoh penderita rawat inap tersebut diperoleh rata-rata 28 penderita per
minggu dan kita katakan bahwa estimasi tersebut salah. Ini berarti bahwa
titik estimasi merupakan nilai taksiran yang kaku.
Oleh karena itu titik estimasi akan lebih bermanfaat bila disertai dengan
penyimpangan yang masih dapat diterima. Ini berarti bahwa perbedaan
dengan nilai titik estimasi tidak berpengaruh terhadap kesimpulan yang
kita buat. Titik estimasi yang dapat kita gunakan untuk mengadakan
estimasi parameter populasi ialah rata-rata sampel terhadap rata-rata
populasi, proporsi sampel terhadap proporsi populasi, jumlah variabel
tertentu yang terdapat dalam sampel untuk menaksir jumlah variabel
tersebut dalam populasi, dan varians atau simpangan baku sampel untuk
menaksir simpangan baku populasi.
Contoh :
Dari suatu penelitian terhadap suatu sampel Ibu Hamil di Kecamatan
Kejajar Kabupaten Wonosobo dari 108 orang ibu hamil diperoleh kadar
Hb rata-rat 8,5 g %. Jika kita menduga kadar Hb Ibu Hamil tersebut
dengan estimasi titik, maka kita akan mengatakan bahwa kadar Hb Ibu
Hamil di Kecamatan Kejajar Kabupaten Wonosobo adalah 8,5 g%.
Sesungguhnya nilai populasi atau dapat kita duga dari berbagai nilai
didalam sampel, misalnya nilai median atau nilai mode atau salah satu
nilai pengamatan, namun yang dikatakan tidak bias adalah nilai
mean.namun, estimasi titik ini memiliki kelemahan, yaitu kita tidak dapat
memastikan seberapa kuat kebenaran dugaan itu dan kemungkinan besar

akan salah. Kelemahan estimasi ini dapat dihilangkan dengan melakukan

estimasi selang atau interval estimation.

2.2.1.1. JENIS-JENIS ESTIMASI TITIK

1. Titik Estimasi Rata-rata (x ) Terhadap Rata-rata Populasi ()
Contoh :
Untuk membuat estimasi rata-rata tinggi badan Mahasiswa
Fakultas Kedokteran dilakukan pengambilan sampel sebanyak
20 orang dengan hasil sebagai berikut :
160, 161, 158, 157, 163, 171, 168, 166, 155, 173, 160, 165, 154,
156, 161, 162, 150, 53, 170, 164
x = 3227 / 20 = 161,4 cm
tinggi badan 161,4 cm merupakan titik estimasi terhadap tinggi
badan mahasiswa Fakultas Kedokteran
2. Titik Estimasi Proporsi Sampel ( p ) Terhadap Proporsi Populasi
(p)
Contoh :
Bila kita ingin mengetahui persentase penduduk suatu kota yang
menderita keratitis. Untuk itu, kita ambil sampel sebanyak 100
orang yang berkunjung ke Rumah Sakit Mata dan ternyata
terdapat 5 orang yang menderita penyakit keratitis. Dari hasil
tersebut dibuat taksiran bahwa 5% penduduk kota tersebut
menderita keratitis dengan perhitungan sebagai berikut.
Proporsi (p) = x/n
x : jumlah penderita keratitis yang ditemukan
n : jumlah sampel
p = 5/100 = 5%
3. Titik Estimasi Proporsi Sampel (x) Terhadap Ciri Tertentu
Dalam Populasi (X)
Titik estimasi jumlah ciri tertentu dalam variabel yang terdapat
pada sampel digunakan untuk mengadakan estimasi terhadap
jumlah ciri tersebut dalam populasi.
x = (1/f)x

x : jumlah kategori dalam variabel

f : n/N
n : banyaknya sampel
N : besarnya populasi
x : jumlah hasil (outcome) kategori yang ingin kita ketahui
jumlahnya
contoh :
Kita ingin mengetahui jumlah pengunjung wanita yang terdapat
di suatu rumah sakit. Diketahui jumlah penderita yang
berkunjung sebanyak 500 orang per minggu. Dari jumlah
tersebut diambil sebanyak 50 orang tersebut dan terdapat 10
orang penderita wanita.
f = n/N
= 50/500 = 1/10
x = (1/f)x
= (1/ 1/10) 10
= 100
4. Titik Estimasi Deviasi Standar Sampel (s) Terhadap deviasi
Standar Populasi ()
Untuk mengadakan estimasi terhadap kadar gula darah telah
dilakukan pemeriksaan gula darah puasa terhadap 35 orang
mahasiswa yang dianggap normal. Dari pemeriksaan tersebut
dihasilkan rata-rata 102 mg%. Dari hasil tersebut kita hitung
devisiasi standar menggunakan rumus berikut :
S=

Hasil s = 6,01 merupakan nilai estimasi devisiasi standar

terhadap gula darah populasi. Hasil ini tidak bias karena sebagai
penyebut digunakan koreksi n 1 .

2.2.2.

DEFINISI ESTIMASI SELANG

Dasar estimasi interval (estimasi selang) adalah bahwa sampel-sampel
yang diambil dari suatu populasi akan berdistribusi normal sekitar
dengan standar devisiasi sama dengan SE (sifat dan distribusi sampling).
Dengan ini kita menentukan batas minimum dan maksimum terletaknya
nilai . Jarak dari batas tertinggi dan terndah ini ditentukan sebagai
confident interval = confident limit , yaitu luas daerah di bawah kurva
normal ditentukan dengan persentase.
st Z /2 SE parameter st + Z / 2 SE, atau = Z
/2. SE di mana SE = /
keterangan :
st = nilai statistik (sampel = X )
Z = deviasi relatif (standar score, besarnya ditentukan oleh confident
interval)
SE = standar error
Parameter = nilai populasi yang diduga =
Atau
x - Z. SE x + Z. SE
Contoh :
Dari sampel random 100 orang ibu hamil yang diambil di Kecamatan
Kejajar Kabupaten Wonosobo didapat kadar Hb 9,6 g% dengan standar
deviasi 5 g%. Dengan tingkat kepercayaan 95% akan dihasilkan kadar Hb
ibu hamil di Kecamatan Kejajar Wonosobo adalah :
x = 9,6 g%
n = 100
= 5 g%
SE=

= 0,5 g%

Cl = 95% ( di dalam tabel Z, nilai Z- /2 = 1,96 )

Maka estimasi selang kadar Hb adalah :
9,6 1,96. 0,5 9,6 + 1,96 . 0,5

10

8,6 g% 10,6 g%
Berdasarkan nilai estimasi selang tersebut, dapat diartikan :

Kita yakin 95% bahwa kadar Hb ibu hamil di Kecamatan Kejajar

Kabupaten Wonosobo berkisar antara 8,6 g% sampai 10,6 g%

Kalau diambil berulang kali sampel yang besar 100, maka 95%
dari mean sampel tersebut berada pada 8,6 g% sampai dengan 10,6
g%.
Dengan estimasi selang kita mengakui bahwa dengan confident
interval 95%, 90% atau 99% kebenaran estimasi ini terbukti.
Dengan kata lain, sejatinya diakui kemungkinan (peluang) salah
adalah 100% - 95% = 5% atau 10% atau 1% di kenal sebagai
(alfa)

Pada contoh di atas dinyatakan standar deviasi di dalam populasi ()

diketahui. Umumnya jika kita mengambil suatu sampel, standar deviasi
populasi jarang diketahui. Jika sampel yang diambil ibu hamil di
Kecamatan Kejajar Kabupaten Wonosobo, bukan 100 orang tetapi 25 orang
ibu hamil saja dan tidak diketahui, maka distribusi sampling kita
asumsikan berdistribusi seperti distribusi student-t di mana untuk
menentukan
2.2.3.

INTERVAL ESTIMASI RATA-RATA

Interval

estimasi

rata-rata parameter populasi

dapat

dilakukan

berdasarkan besarnya sampel, simpangan baku populasi, dan besarnya

populasi. Oleh karena itu perhitungannya dibedakan menjadi seperti
berikut :

Populasi terbatas, devisiasi standar diketahui, sampel besar (n >

30)

Populasi terbatas, deviasi statndar tidak diketahui, sampel besar (n

> 30 )

Populasi terbatas, deviasi standar tidak diketahui, sampel kecil ( n

< 30)

Populasi tak terhingga diviasi standar diketahui sampel kecil (n <

30)

11

Populasi tak terhingga deviasi standar tak diketahui dan sampel

besar (n > 30)

Populasi tak terhingga deviasi standar tak diketahui dan sampel

kecil (n < 30)

Misalkan, kita ingin mengadakan estimasi terhadap tingkat kesembuhan

obat anti rheumatik maka diambil sampel sebanyak 100 orang penderita
yang diberi obat tersebut. Dari 100 orang tersebut diperoleh rata-rata
kesembuhan 14 hari. Dari perusahaan farmasi yang memproduksi obat
tersebut didapat informasi bahwa deviasi standar pada = 0,05 atau
derajat konfidensi 95% adalah 3 hari.
n = 100
x = 14 hari
= 3 hari dengan derajat konfidensi 95%
Z = 1,96
x = /

= 3/

= 0,3

interval konfidensi : x 1, 96 x
= 14 1,96 x 0,3
= 14 0,588
Dari hasil tersebut dapat disimpulkan bahwa kita 95% percaya bahwa
tingkat kesembuhan obat tersebut terletak antara 13,4 hari dan 14,6 hari.
Dalam praktik, kita sering menemukan besarnya deviasi standar populasi
yang tidak diketahui. Dalam hal ini, deviasi standar populasi dapat
diperkirakan berdasarkan perhitungan deviasi standar sampel dengan
rumus berikut :
=s= (
x = x (

)
)(

Interval Estimasi = x Z (s /

) x (

)(

12

Contoh :
Sebuah daerah yang terdiri dari 500 KK. Seorang dokter Puskesmas ingin
menaksir besarnya pendapatan per bulan per KK. Untuk itu diambil
sampel 50 KK dan diperoleh rata-rata penghasilan Rp 150.000,00 per
bulan dengan deviasi standar 25.000
Deviasi standar populasi tidak diketahui dan besarnya populasi terbatas
maka untuk menghitung interval konfidensi digunakan rumus :
N = 500 dianggap populasi terbatas
n = 50
s = 25.000
x =

X (

)
)

= 3536 x 0,95 = 3359,2

Bila derajat konfidensi yang diinginkan adalah 99% maka interval
konfidensi= x 2,58 x
Limit atas = 150.000 +(2,58 x 3359,2)
= 158.666,7
Limit bawah = 150.000 8666,7
= 141.333,3
Dari hasil tersebut dapat disimpulkan bahwa dokter tersebut 99% percaya
bahwa penghasilan penduduk daerah tersebut antara Rp.141.333,00 dan
Rp. 158.666,00 per bulan per KK.
2.3. ESTIMASI RATA-RATA dan PROPORSI
2.3.1.

DEFINISI ESTIMASI RATA-RATA

Estimasi rata-rata atau pendugaan rata-rata adalah pendugaan mengenai
nilai parameter yang sebenarnya berdasarkan informasi rata-rata sampel

13

Contoh :
Dari hasil penelitian mahasiswa terhadap 100 orang yang ditimbang berat
badannya diperoleh rata-rata berat badan = 45 kg dengan standar deviasi
() = 22 kg. Dengan CL 95% (z = 1,96), maka :
= 45 1,96 x 22/

= 40,68 kg 49,31. Artinya jika diambil

sampel berulang kali maka 95% nilai rata-rata berat badan terletak antara
40,68 kg sampai dengan 49,31 kg.
Rumus besar sampel untuk estimasi rata-rata
n=(Z

x )2

Contoh :
Tentukan besar sampel (n) yag harus diambil untuk meneliti waktu ratarata yang digunakan kader dalam melakukan penimbangan balita, jika
digunakan tingkat kepercayaan 95% dengan kesalahan duga (E) tidak lebih
dari 0,08 menit dan simpangan baku (s) 0,7 menit
1 = 95%, z /2 = 1,96 (tabel Z)
E= 0,08
S= 0,7
n=(Z

x )2

n = (1,96 x

)2

n = 294,1225 = 295
jadi besar sampel minimum yang harus diambil adalah 295 orang.

14

2.3.2.

DEFINISI ESTIMASI PROPORSI

Estimasi proporsi atau pendugaan proporsi adalah pendugaan dari proporsi
populasi yang tidak diketahui.
p Z / 2SE P p + Z / 2 SE =
q = 1- p
jika n < 30 gunakan Tabel T

Contoh :
Dari penelitian terhadap 100 orang secara acak diperoleh bahwa 7%
pengunjung Puskesmas adalah penderita DM. Dengan tingkat kepercayaan
90% berapa perkiraan proporsi penderita DM ?
p = 0,07, q = 1 0,07 = 0,93

SE =

= 0,025

0,07 1,645 . 0,025 P 0,07 + 1,645 . 0,025

0,029 P 0,11 , artinya jika diambil sampel secara berulang kali maka
90% nlai proporsi penderita DM terletak antara 0,029 (2,9%) sampai
dengan 0,11 ( 11%).
Rumus besar sampel untuk estimasi proporsi
n= (

)2

15

Contoh:
Tentukan besar sampel (n) yang harus diambil untuk mengetahui proporsi
balita gizi kurang dengan tingkat kepercayaan 99% dan kesalahan yang
mungkin terjadi tidak lebih dari 0,09
1 = 99%, z /2 = 2,58
E = 0,09
n= (

)2

n = 205,44 = 206
jadi besar sampel minimum harus diambil adalah 206 orang.
2.4. STATISTIK DESKRIPTIF
2.4.1.

DEFINISI
Merupakan suatu metode untuk memaparkan hasil-hasil penelitian yang
telah kita lakukan dalam bentuk statistik popular yang sederhana, sehingga
setiap orang dapat lebih mudah mengerti dan mendapatkan gambaran yang
jelas mengenai hasil penelitian. Statistika deskriptif adalah metode-metode
yang berkaitan dengan pengumpulan dan penyajian suatu gugus data
sehingga memberikan informasi yang berguna.
Statistika deskriptif hanya memberikan informasi mengenai data yang
dipunyai dan sama sekali tidak menarik inferensia atau kesimpulan apapun
tentang gugus induknya yang lebih besar. Contoh statistika deskriptif yang
sering muncul adalah, tabel, diagram, grafik, dan besaran-besaran lain di
majalah dan koran-koran. Dengan Statistika deskriptif, kumpulan data
yang diperoleh akan tersaji dengan ringkas dan rapi serta dapat
memberikan informasi inti dari kumpulan data yang ada. Informasi yang

16

dapat diperoleh dari statistika deskriptif ini antara lain ukuran pemusatan
data, ukuran penyebaran data, serta kecenderungan suatu gugus data
2.4.2.

FREKUENSI DISTRIBUSI
Pada suatu penelitian atau survey, seringkali terdapat data-data hasil
penelitian yang jumlahnya cukup besar dan membingungkan, sehingga
untuk

memudahkan

pengolahan

data,

kita

harus

melakukan

pengelompokan data menjadi beberapa kelompok atau kelas dalam suatu

format yang disebut sebagai tabel frekuensi atau frekuensi distribusi.
Tabel frekuensi dapat dibagi menjadi dua berdasarkan jenis data yang
kita pergunakan yaitu :
a

Frekuensi Distribusi Numerikal

Bila dalam pengelompokan frekuensinya terdiri dari data kuantitatif
yang menyatakan besar bilangan numerik

Frekuensi Distribusi Katagorikal

Bila dalam pengelompokkan frekuensinya terdiri dari data kualitatif
yang menyatakan jenis atau mewakili karateristik tertentu seperti
orang, jenis kelamin dan lain-lainnya.

2.4.2.1. Kelas Interval

Dalam keadaan tertentu, dimana batas antara nilai terendah dan
nilai tertinggi dari suatu set data cukup besar serta terdistribusi
secara merata, maka untuk memudahkan pengolahannya data
tersebut dibagi menjadi beberapa group data.
Contoh :
Dari hasil pemeriksaan tinggi badan 100 orang calon mahasiswa
Fakultas Kedokteran, ternyata tinggi badan terendah adalah
150cm dan paling tinggi adalah 172 cm. Supaya jelas dan mudah
dibaca kita dapat membuat tabel frekuensi dengan beberapa kelas
interval seperti tabel di bawah ini :

17

Tabel 1.1
No.

Tinggi Badan

150 154

20

155 159

35

160 164

25

165 169

15

170 174

Total

100

Ada beberapa petunjuk yang sering dipergunakan dalam memilih

kelas interval yaitu :

Jumlah kelas interval yang sering dipilih yaitu antara

1,2,3,4,5,10, dan 20.

Batas kelas dalam setiap interval dimulai dengan angka

kelipatan (k), misalnya kelas interval sengan k=5 maka
batas kelas dimulai dengan angka 5,10,15,20,25

Kadang-kadang jumlah kelas dapat ditentukan dengan

mempergunakan rumus range = nilai tertinggi dikurangi
nilai terendah dari data observasi dan dibagi dengan
angka kelipatan (k), dengan ketentuan angka jumlah kelas
hasil perhitungan harus mempunyai nilai bulat.

2.4.2.2. Batas Kelas (Class Limit)

Untuk keperluan perhitungan statistik, nilai atas dan nilai bawah
batas kelas yang sesungguhnya dalam setiap kelas interval perlu
diketahui yaitu dengan cara mengurangi nilai bawah dan
menambah nilai atas dengan angka 0,5.
Contoh :

18

Bila batas kelas adalah 95 99, maka nilai sesungguhnya adalah

94,5 99,5 dengan titik tengah atau midpoint adalah ( 94,5 +
99,5) / 2 = 97 cm
Gambar 1.1
94,5

95

96

True lower limit

97

98

midpoint

99

99,5

true upper limit

2.4.2.3. Frekuensi Kumulatif dan Relatif

Merupakan penambahan jumlah frekuensi dari setiap kelas
interval dengan jumlah frekuensi kumulatif kelas interval
sebelumnya, sedangkan frekuensi relatif merupakan persentase
dari masing-masing kelas seperti yang terlihat pada tabel
dibawah ini :
Tabel 1.2
No.

Tinggi Badan

cf

fr (%)

150 - 154

20

20

20

155 159

35

55

35

160 164

25

80

25

165 169

15

95

15

170 174

100

n = 100

2.4.2.4. Penggambaran Grafik Tabel Frekuensi Kelas Interval

Seringkali disajikan dalam grafik bentuk batang dan garis yang
disebut sebagai histogram dan frekuensi poligon. Grafik
histogram sama seperti bar chart, namun setiap batang mewakili
kelas interval yang ada, sedangkan untuk grafik frekuensi

19

poligon menunjukkan titik tengah atau midpoint dari setiap kelas

interval.
Hasil penyebaran data dari setiap kelas interval ini, bila dibuat
grafik dapat membentuk bermacam-macam kurva seperti lonceng
atau simetris, melenceng ke arah kanan atau kiri, bentuk huruf J
atau U, bimodal, leptokurtosis dan platylkurtosi.
Gambar 1.2 (histogram)
DISTRIBUSI TINGGI CALON MAHASISWA
FAKULTAS KEDOKTERAN
35
30
25
20

Series 1

15

Column1
Column2

10
5
0
150 154

155 159

160 164

165 169

170 174

Gambar 1.3 (poligon)

40
35
30
25

Series 1

20

Column1

15

Column2

10
5
0
150 - 154 155 - 159 160 - 164 165 - 169 170 - 174

20

2.4.3.

MENGUKUR SENTRAL TENDENSI

Sentral tendensi adalah nilai yang representatif dalam suatu kelompok
observasi atau studi yang dikenal sebagai nilai mean, median dan mode.
2.4.3.1. Mean
Dalam kehidupan sehari-hari dikenal sebagai nilai rata-rata dari
satu set data observasi dan dipergunakan untuk keperluan test
statistik. Mean dari sederetan (sekelompok) angka (bilangan)
adalah jumlah dari keseluruhan angka (bilangan) yg ada, dibagi
dengan banyaknya angka (bilangan) tersebut.
Cara mencari Mean data tunngal

M x = Mean yg kita cari

x = jumlah dari skor (nilai2 yg ada )
N = number of cases (banyaknya skor2 itu sendiri)
Tabel 2.1
Perhitungan Mean nilai hasil UAS
dalam MA Biologi, Maternitas, Anak, KMB, fisiologi,
psychologi
seorang Mhs Stikes Yatsi
X=nilai
F
9

39= x

6=N

21

= 39 = 6,50
6

nilai rata2 6,50

Cara mencari Mean data kelompok

Pada perhitungan Mean metode ini terlebih dahulu dicari Nila
Tengah (Midpoint), setelah itu tiap2 midpoint dikalikan dg
rekuensi yg dimiliki oleh masing2 interval ybs.
Rumus:

M x = Mean yg kita cari

fx = jumlah dari hasil perkalian antara midpoint masing2
interval dg
frekuensinya
N = number of cases (banyaknya skor2 itu sendiri)
Tabel 2.2
Nilai hasil tes seleksi bidang studi Bhs Inggris
Dari 800 Mhs Yatsi
Interval
F
Nilai
75 79
8
70 74

16

65 69

32

60 64

160

55 59

240

50 54

176

45 49

88

40 44

40

35 39

32

30 34

22

Total

800=N

Cara mencari Mean data kelompok:

Menghitung nilai tengah (mid point) masing2 interval, diberi
lambang X
Memperkalikan frekuensi masing2 interval dg midpoint nya (f
dikalikan dg X) shg diperoleh fX
Menjumlahkan fX shg diperoleh fX
Menghitung Mean nya
Tabel 2.3
Perhitungan Mean Nilai hasil tes seleksi bidang studi Bhs Inggris
Dari 800 Mhs Yatsi
Interval nilai
F
X (midpoint)
fX
75 79

77

616

70 74

16

72

1152

65 69

32

67

2144

60 64

160

62

9920

55 59

240

57

13680

50 54

176

52

9152

45 49

88

47

4136

40 44

40

42

1680

35 39

32

37

1184

30 - 34

32

256

total

N = 800

fX = 43920

Maka Mean nya adalah :

= 43920 = 54,90
800

23

2.4.3.2. Median
Menunjukkan letak angka paling tengah pada suatu deratan
angka observasi.
Rumus :
Data tunggal

Md =

) th

Data kelompok

Md = Lm + n/2 cf x w
fm
Md : median
Lm : true lower limit atau batas bawah
n : total observasi
cf : frekuensi komulatif
fm : frekuensi tertinggi
w : besarnya interval
2.4.3.3. Mode

Data tunggal
Merupakan angka yang paling banyak dijumpai dalam data
observasi

Data kelompok
Merupakan angka midpoint dari kelas dengan frekuensi
paling tinggi

2.4.4.

MENGUKUR DISPERSI
Penyebaran atau variasi dari data nilai mean desebut dispersi.
2.4.4.1. Range
Adalah selisih antara nilai paling tinggi dan paling rendah dalam
suatu set observasi.

Data tunggal

24

Range = nilai paling tinggi nilai paling rendah

Data kelompok
Range = true upper limit true lower limit

2.4.4.2. Standar Deviasi

Merupakan deviasi atau penyimpangan dari nilai mean suatu
observasi atau studi.

Data tunggal
x2

Rumus: SD=
N
SD : standar deviasi
x2: jumlah semua
pengkuadratan
N
: number of cases
Data kelompok

deviasi

setelah

fx 2
Rumus: SD=
N
2.4.4.3. Percentile, deciles , quartiles

Percentiles

Rumus utk data tunggal:

n/100N - fkb
Pn = L +

fi
utk data kelompok:
n/100N - fkb
Pn = L +

xi
fi

mengalami

proses

25

Decile
Rumus decile:

Utk data tunggal:

n/10N - fkb
Dn = L +
fi

Utk data kelompok:

n/10N - fkb
Dn = L +

xi
fi

Dn = decile yg ke-n ( disini n dapat diisi dg bilangan: 1,

2, 3, 4, 5, 6, 7, 8, atau 9)
L

= lower limit (batas bawah nyata dari skor atau

interval yg mengandung decile ke-n)

N = number of cases
Fkb = frekuensi kumulatif yg terletak dibawah skor atau
interval yg mengandung decile ke-n
fi = frekuensi aslinya
i

= interval class

Quartiles
Utk data tunggal
n/4N - fkb
Qn = L +
fi

Utk dat kelompok

n/4N - fkb
Qn = L +

xi
fi

26

Qn = quartile yg ke-n. Krn titik quartile ada 3 buah, maka n

dapat diisi dengan bilangan 1, 2 dan 3
L = lower limit ( batas bawah nyata dr skor atau interval yg
mengandung Qn )
N = number of cases
Fkb = frekuensi kumulatif yg terletak di bawah skoir atau
interval yg mengandung Qn
fi

= frekuensi aslinya, yaitu frekuensi dari skor atau intrval

yg mengandung Qn

= interval class

2.5. STATISTIK INFERENSIAL

2.5.1.

DEFINISI
Statistik inferensial adalah teknik analisis da
ta yang digunakan untuk menentukan sejauh mana kesamaan antara
hasil yang diperoleh dari suatu sampel dengan hasil yang akan didapat
pada populasi secara keseluruhan. Jadi statistik inferensial membantu
peneliti untuk mencari tahu apakah hasil yang diperoleh dari suatu sampel
dapat digeneralisasi pada populasisi. Sejalan dengan pengertian statistik
inferensial menurut Creswell, Muhammad Nisfiannoor berpendapat bahwa
statistik inferensial adalah metode yang berhubungan dengan analisis data
pada sampel untuk digunakan untuk penggeneralisasian pada populasi.
Penggunaan statistic inferensial didasarkan pada peluang (probability) dan
sampel yang dipilih secara acak (random).
Oleh

karena

itu,

statistika

inferensial

disebut

juga statistik

induktif atau statistik penarikan kesimpulan. Dalam statistika inferensial,

kesimpulan dapat diambil setelah melakukan pengolahan serta penyajian
data dari suatu sampel yang diambil dari suatu populasi, sehingga agar
dapat memberikan cerminan yang mendekati sebenarnya dari suatu
populasi.

27

2.5.2.

KONSEP STATISTIK INFERENSIAL

Standard Error
Peluang setiap sampel sangat identik dengan populasinya sangat kecil
(nill)

meskipun

inferensi

sampel.Penerapan random

populasi

sampling tidak

didapat

dari

menjamin

informasi
karakteristik

sampel sama persis dengan populasi. Variasi prediksi antara mean

disebut sampling error. Sampling error ini tidak bisa dihindari dan ini
bukan kesalahan peneliti. Yang menjadi persoalah adalah apakah error
tersebut semata-mata hasil sampling error atau merupakan perbedaan
yang bermakna yang akan pula ditemukan pada papulasi yang lebih
besar.
Ciri standard error adalah bahwa error yang terjadi bisaanya
berdistribusi normal yang besarnya berbeda-bedadan error tersebut
cenderung membentuk kurva normal yang menyerupai lonceng. Faktor
utama yang mempengaruhi standard error adalah jumlah sampel.
Semakin banyak sampelnya, semakin kecil standard errornya. Ini
menunjukkan bahwasampel penelitian semakin akurat bila banyak
sampelnya.
Faktor utama yang mempengaruhi standard error adalah jumlah
sampel.

Semakin

banyak

sampelnya,

semakin

kecil standard

errormeannya yang berarti bahwa semakin kecil standard error-nya,

semakin akurat mean sampel untuk dijadikan estimator untuk mean
populasinya.

Pengujian Hipotesis
Pengujian hipotesis adalah proses pengambilan keputusan dimana
peneliti mengevaluasi hasil penelitian terhadap apa yang ingin dicapai
sebelumnya. Misalnya, kita ingin menerapkan program baru dalam
pelajaran membaca. Pada rencana penelitian dikemukanan hipotesis
penelitian yang memprediksi perbedaan skor siswa yang menjalni
program baru tadi dengan proglam lama, dan hipotesis nol (0), yang
memprediksikan skor kedua kelompok tidak akan berbeda. Setelah data
dihitung mean dan standar deviasinya dan hasilnya menunjukkan skor
siswa dengan program baru lebih tinggi (berbeda secara signifikan)

28

daripada siswa yang mengikuti program lama, maka hipotesis

penelitian diterima dan hipotesis nol ditolak. Yang berarti bahwa
program baru tersebut efektif untuk diterapkan pada program
membaca. Intinya, pengujian hipotesis adalah proses evaluasi hipotesis
nol, apakah diterima tau ditolak.

Uji Signifikansi
Uji signifikasi adalah cara mengetahui adanya perbedaan antara dua
skor. Signifikansi merujuk pada tingkat statistik dari probabilitas
dimana dengannya kita bisa menolak hipotesis nol. Uji signifikansi
dilakukan dengan menentukan tingkat probabilitas praseleksi yang
dikenal dengan tingkat signifikansi (). Tingkat probailitas ini
dijadikan dasar untuk menolak atau tidak menolak hipotesis nol.
Standar yang digunakan umumnya 0,05 kesempatan (5 dari 100).
Adapula yang menggunakan 0.01. Semakin kecil nilai probabilitasnya,
semakin kecil pula kemungkinan temuan tersebut diperoleh karena
disebabkan oleh peluang.

2.5.3.

TEORI ESTIMASI TERHADAP PARAMETER POPULASI

Jika kita memilih dua atau lebih random sampel dari populasi yang
sama, spintas kita akan menduga bahwa mean setiap random sampel ini
akan berbeda satu dengan yang lain serta tidak sama dengan mean
populasi yang ada. Namun, dalam kenyataannya apabila populasi
terdistribusi secara normal, maka mean setiap sampel akan ikut
terdistribusi secara normal pula tanpa tergantung dengan jumlah sampel
yang diambil. Sebaliknya apabila populasi tidak terdistribusi secara
normal, maka distribusi mean dari seluruh random sampel akan berangsurangsur mendekati distribusi normal seiring dengan bertambahnya jumlah
sampel.
Batasan-batasan :

Mean setiap sampel dengan ukuran tertentu = n yang diambil secara

random dari populasi sama, akan mempunyai mean yang sama dengan
mean populasi.

x =

29

Variance dari mean sampel akan sama dengan variance populasi dibagi
besar ukuran sampel = n

x =

Standar deviasi dari mean sampel akan sama dengan standar deviasi
populasi di bagi akar dari besar ukran sampel = n

x =
2.5.4.

TES HIPOTESIS TERHADAP PROPORSI

Disini lebih menitikberatkan dan dapat mengambil suatu keputusan
hanya dengan memakai data yang berasal dari sampel, walaupun nilai
sesungguhnya dari proporsi dapat sama, lebih besar atau lebih kecil dari
nilai konstan yang telah ditentukan.
Rumus :

(x ) npo
Z=
Npo ( 1- po )
Contoh :
Seandainya kita ingin membuktikan klaim para gizi yang menyatakan
bahwa 75% dari anak pra sekolah di banyak negara menderita diet
defisiensi protein, untuk ini dilakukan sampel survei pada 206 orang anak
dari total 300 orang anak pra sekolah, apakah ada perbedaan bermakna
antara Ho = 0,75 dengan H1 < 0,75 dengan level of significance ( ) =
0,01.
Jawab :
a

Ho : p = 0,75
H1 : p # 0,75

Level of significance () = 0,01

30

Test statistik
(x ) npo
Z=
Npo ( 1- po )

Ho ditolak bila
Z -2,33 atau Z 2,33

Komputasi
x = 206
Z=

n = 300

po = 0,75

)(

= - 2,47

Kesimpulan

Ho tidak dapat diterima karena nilai Z < - 2,33 , atau dengan kata lain
tidak mendukung pernyataan ahli gizi bahwa 75% anak pra sekolah di
banyak negara menderita defisiensi protein.

Untuk mengetahui apakah dua sampel proporsi atau lebih mempunyai

perbedaan yang bermakna secara statistik atau hanya oleh karena faktor
kebetulan saja, misalnya metode A berhasil mendeteksi suatu penyakit
kanker sebanyak 19 kali dari 60 percobaan, sedangkan metode B berhasil
mendeteksi sebanyak 31 kali dari 80 percobaan, bila dihitung maka
proporsi metode A adalah 19/60 = 0,32 dan proporsi B adalah 31/80 =
0,39, sekarang kita ingin mengetahui apakah ada perbedaan yang
signifikan antara kedua proporsi ini ?
Seandainya, kita menganggap bahwa Ho : p1 = p2 dan berasal dari
populasi yang sama maka kita dapat menghitung proporsi keseluruhan
atau p seperti pada tabel di bawah ini.

31

Tabel 3.1
percobaan

Metoda

Total

Berhasil

19 (21,6)

31 (28,8)

50

Tidak Berhasil

41 (38,4)

49 (51,2)

90

Total

60

80

140

P = 50/140 = 0,36
Jumlah frekuensi berhasil atau tidak berhasil dari masing-masing metode
telah diketahui, dan ini disebut sebagai frekuensi observasi (o). Namun
disamping itu bila ingin mempergunakan proporsi keseluruhan (p) maka
kita juga harus mengetahui frekuensi harapan atau expected frequencies
(e) yaitu dengan cara menghitung sebagai berikut :
Metode A
Berhasil

: 60 x 0,36 = 21,6

Tidak Berhasil : 60 21,6 = 38,4

Metode B
Berhasil

: 80 x 0,36 = 28,8

Tidak Berhasil : 80 28,8 = 51,2

Rumus:

X2 =

Perhitungan :

X2 =

X2 = 0,312 + 0,17 + 0,176 + 0,095 = 0,753

32

Kesimpulan :
Dengan demikian Ho tidak dapat ditolak, atau dengan kata lain tidak ada
perbedaan yang bermakna antara metode A dan Metode B dalam
keberhasilannya mendeteksi kanker.
2.5.5.

CHI SQUARE TEST ( TEST X KUADRAT )

Chi square test atau test x kuadrat berfungsi untuk tes data kualitatif
atau binomial, juga dapat dipakai untuk tes terhadap data multinomial serta
dapat menjawab pertanyaan apakah ada atau tidak ada asosiasi antara
suatu variabel dengan outcomes .
2.5.5.1.

Degree of Fredom pada Tes X Kuadrat

kebebasan pada test X kuadrat ditentukan oleh banyaknya kolom
(c) dan baris (b) pada contigency table dengan rumus :
df = ( c 1 ) ( r 1 )
rumus Test X Kuadrat

X2 =

keterangan : o = frekuensi observasi

e = frekuensi harapan
e = total baris x total kolom
grand total
2.5.5.2.

Batasan- batasan untuk Test X kuadrat

Pada contigency table 2 x 2, nilai frekuensi harapan tidak boleh
kurang dari nilai 5

Pada contigency table yang besar, nilai frekuensi harapan tidak

boleh ada nilai kurang dari 1 dan tidak boleh lebih 20% dari
seluruh sel pada contigency table mempunyai nilai frekuensi
harapan kurang dari nilai 5

Test X kuadrat dengan nilai frekuensi harapan kurang dari nilai 5

pada contigency table 2 x 2, dapat dikoreksi dengan memakia

33

rumus :

X2 =

((

Untuk tes X kuadrat dengan mempergunakan dua variabel

independen pada contigency table 2 x 2, dapat dilakukan secara
langsung tanpa perlu menghitung lagi frekuensi harapan dengan
mempergunakan rumus berikut ini :
Tabel 4.1
A

A+C

B+D

N= (A+C)+(B+D)
Rumus :

X2 = (

(
)(

)
)(

)(

2.6. HIPOTESIS
2.6.1.

DEFINISI
Pengujian hipotesis diawali dengan suatu pernyataan sementara yang
disebut hipotesis. Oleh karena itu, hipotesis secara umum dapat diartikan
sebagai kesimpulan sementara atau dugaan logis tentang keadaan populasi.
Hipotesis dapat ditentukan berdasarkan hasil penelitian atau pengalaman.
Misalnya, seorang dokter menyatakan bahwa penderita TBC di Indonesia
adalah 4% atau seorang dokter Puskesmas menyatakan bahwa rata-rata
jumlah pengunjung Puskesmas adalah 60 orang per hari.

34

Secara statistik, hipotesis menyatakan parameter populasi dari suatu

variabel yang terdapat dalam populasi dan dihitung berdasarkan statistik
sampel. Karena hipotesis hanya merupakan pernyataan sementara atau
dugaan logis maka hipotesis mungkin benar, tetapi mungkin juga tidak
benar.
Pengujian hipotesis dilakukan dengan membandingkan hasil statistik
sampel dengan nilai hipotesis. Bila perbedaan antara nilai statistik sampel
dengan nilai hipotesis cukup besar maka kita akan menolak hipotesis.
Sibaliknya, bila perbedaan tersebut kecil maka kita akan menerima
hipotesis tersebut. Dalam hal yang tidak pasti, hipotesis perlu diuji agar
dapat ditarik kesimpulan secara objektif menggunakan kriteria tertentu.
Kesimpulan dari pengujian hipotesis secara statistik hanya berupa
menerima atau menolak hipotesis dan ini tidak membuktikan kebenaran
hipotesis karena statistika sama sekali tidak melakukan pembuktian.
Pengujian hipotesis bertujuan untuk mengambil keputusan tentang
perbedaan antara nilai statistik sampel dengan nilai parameter populasi.
Dalam menguji hipotesis, kita harus membuat suatu pernyataan
sementara atau hipotesis terhadap nilai parameter populasi sebelum kita
mengambil sampel untuk menguji hipotesa tersebut. Hal ini berbeda
dengan teori estimasi, dimana kita menaksir nilai parameter populasi
melalui perhitungan statistik sampel. Pada pengujian hipotesis, parameter
yang akan kita uji disebut hipotesis nol.
Simbol yang digunakan untuk menyatakan hipotesis nol adalah H0.
Misalnya, kita menguji hipotesis yang menyatakan bahwa rata-rata
populasi adalah 500 maka kita tulis sebagai berikut:
H0 : = 500

35

Simbol diatas menyatakan bahwa 500 adalah hipotesis nol rata-rata

populasi. Bila nilai hipotesis rata-rata populasi dinyatakan dalam
perhitungan statistik maka hal diatas ditulis sebagai berikut :
H0
penulisan diatas menyatakan rata-rata nilai hipotesis ppulasi. Misalnya,
kita tulis H0 = 200 berarti kita mengatakan bahwa rata-rata nilai hipotesis
nol parameter populasi sama dengan 200.
2.6.2.

PROSEDUR PENGUJIAN HIPOTESIS

Agar pengujian hipotesis dapat dilakukan dengan baik maka hendaknya
mengikuti prosedur seperti berikut :
1.

Rumuskan dengan baik hipotesis penelitian agar dapat dihitung

statistik sampelnya, seperti rata-rata, proporsi:
Pengujian hipotesis dapat dilakukan terhadap satu populasi untuk
pengujian hipotesis rata-rata dua populasi. Misalnya, rata-rata tekanan
darah mahasiswa Fakultas Kedokteran sama dengan tekanan darah
petugas rumah sakit.
H0 : 1 = 2
1 = rata-rata tekanan darah mahasiswa
2 = rata-rata tekanan darah petugas
Rata-rata tekanan darah sampel mahasiswa dan petugas adalah x1 dan
x2 .

2.

Tentukan derajat kemaknaan atau kesalahan tipe 1 yang akan

digunakan. Penentuan ini harus dilakukan pada saat perencanaan.

36

Dalam bidang kedokteran, derajat kemaknaan yang lazim digunakan

adalah 0,05 dan 0,01
3.

Tentukan kesalahan tipe 2 atau . Biasanya penentuan ini dilakukan

pada saat menghitung besarnya sampel.

4.

Tentukan distribusi yang akan digunakan dalam perhitungan. Tentuka

metode statistik yang akan digunakan untuk menghitung statistik
sampel.

5.

Tentukan kriteria menerima atau menolak hipotesa nol pada derajat

kemaknaan yang telah ditentukan.

6.
2.6.3.

Buatlah kesimpulan yang tepat pada populasi yang bersangkutan.

HIPOTESIS NOL DAN HIPOTESIS ALTERNATIF

Hipotesis nol (Ho) adalah hipotesis yang menyatakan tidak ada
hubungan atau tidak ada perbedaan atau tidak ada pengaruh antara dua
variabel.
Contoh :

Tidak ada perbedaan berat badan bayi yang dilahirkan dari kelompok
ibu yang mengalami KEK (kurang energi kronik) dan normal ( tidak
KEK)

Tidak ada hubungan Lila (lingkar lengan atas) ibu dengan berat bayi
yang dilahirkan

Hipotesis alternatif (Ha) adalah hipotesis yang menyatakan ada

perbedaan suatu kejadian antar dua kelompok. Hipotesis alternatif
menyatakan ada hubungan satu variabel dengan variabel lainnya.

37

Contoh :
Ada perbedaan berat badan bayi yang dilahirkan dari kelompok ibu
yang mengalami KEK ( kurang energi kronik ) dan normal (tidak
KEK)
Ada hubungan lila (lingkar lengan atas) ibu dengan berat badan bayi
yang dilahirkan.