Praktisi Kesehatan

STATISTIKA UNTUK
PRAKTISI KESEHATAN
STATISTIKA UNTUK
PRAKTISI KESEHATAN
IBNU FAJAR
ISNAENI DIN
ASTUTIK PUDJIRAHAJU
ISMAN AMIN
B. RUDY SUNINDYA
AAG. ANOM ASWIN
SUGENG IWAN
STATISTIKA UNTUK PRAKTISI KESEHATAN
Oleh: Ibnu Fajar
Isnaeni Din
Astutik Pudjirahaju
Isman Amin
B. Rudy Sunindya
AAG. Anom Aswin
Sugeng Iwan
Edisi Pertama
Cetakan pertama, 2009
Hak Cipta © 2009 pada penulis,

Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau
memindahkan sebagian atau seluruh isi buku ini dalam bentuk apapun, secara
elektronis maupun mekanis, termasuk memfotokopi, merekam, atau dengan
teknik perekaman lainnya, tanpa ijin tertulis dari penerbit.
Candi Gebang Permai Blok R No. 6

Yogyakarta 55511
Telp./Fax. : 0274-882262; 0274-4462135
Fax. : 0274-4462136
E-mail : info@grahailmu.co.id
Fajar, Ibnu, dkk

STATISTIKA UNTUK PRAKTISI KESEHATAN/Ibu Fajar, dkk
− Edisi Pertama – Yogyakarta; Graha Ilmu, 2009
xii + 150 hlm, 1 Jil. : 26 cm.
ISBN: 978-979-756-
1. Kesehatan I. Judul
KATA SAMBUTAN
Direktur Politeknik Kesehatan Depkes. Malang
D engan memanjatkan puji Syukur Alhamdulillah kehadirat Allah

SWT, karena dengan Rahmat dan Karunia-Nya penulisan Buku
Statistika untuk Praktisi Kesehatan. Semoga Sholawat dan
salam selalu terlimpah pada Rasululllah SAW, yang telah membawa kita
semua dari jaman jahiliyah menuju jaman yang terang benderang,
sehingga kita dengan mudah memperoleh ilmu.
Sesuai dengan Misi Politeknik Kesehatan Depkes Malang yaitu

mengembangkan budaya riset bagi civitas academika, maka keberadaan
Buku Praktis Statistika sangat tepat keberadaannya, karena dengan
penyajian yang sederhana seluruh civitas academica dengan mudah
dapat memahami statistika sebagai salah satu alat dalam membuat suatu
keputusan khususnya dalam bidang kesehatan yaitu keperawatan gizi
dan kebidanan.
Kolaborasi penyusunan buku Praktis statistika sangat tepat

dikembangkan untuk saling melengkapi dan sharing kemampuan dan
pengalaman diantara jurusan yang ada, tidak hanya dalam proses
pembelajaran di bangku kuliah tetapi juga pada masa yang akan datang
pada saat mengabdikan diri sebagai petugas kesehatan yang strategis di
masyarakat. Mudah-mudahan kerjasama semacam ini dapat ditiru oleh
bidang-bidang lain di lingkungan Politeknik Kesehatan Depkes Malang.
vi Statistika untuk Praktisi Kesehatan
Kepada Mahasiswa saya berharap kembangkan budaya riset mulai

sejak bangku perkuliahan dan bekerjasamalah dengan jurusan-jurusan
lain yang ada. Karena bekerja sendiri baik itu biasa, tetapi bekerjasama
secara kelompok itu luar biasa.
Kepada Tim Penyusun Buku ini kami ucapkan perhargaan yang

setinggi-tingginya, semoga pada edisi berikutnya dapat disempurnakan
sesuai dengan saran dan masukan dari pembaca. Semoga Buku ini dapat
bermanfaat bagi pembaca.
Malang, 18 Oktober 2008.
Direktur
Poltekkes Depkes Malang
ISNAENI DTN, SKM, MKes

NIP. 140 091 764
KATA PENGANTAR
D engan memanjatkan puji Syukur Alhamdulillah kehadirat Allah

SWT, karena dengan Rahmat dan Hidayah-Nya serta Semoga
Sholawat dan salam selalu terlimpah pada Rasululllah SAW,
penulis dapat menyelesaikan penyusunan Buku Statistika untuk Praktisi
Kesehatan. Banyak Ilmu yang diberikan pada manusia, namun sementara
ini Penulis hanya dapat menyumbangkan Buku kecil ini untuk
mempermudah proses penerimaan mahasiswa dalam mempelajari
Statistika.
Buku ini disusun terdorong dari pengalaman memberikan

perkuliahan dan pelatihan di beberapa institusi pendidikan baik negeri
maupan swasta yang menginginkan adanya intisari dari buku-buku yang
beredar selama ini. Banyak buku Statistika yang ada mulai dari
pendidikan, pertanian, sosial, ekonomi, teknik, dan lain sebagainya,
namun masih jarang yang secara spesifik membahas dalam bidang gizi,
kebidanan dan keperawatan khususnya.
Bentuk dan format buku ini dibuat sedemikian rupa sesuai dengan
kepraktisannya sehingga mudah dibawa, dipelajari didiskusikan dan
diterapkan dalam perkuliahan dan dalam rangka penyelesaian tugas akhir
baik Proposal maupun Karya Tulis Ilmiah, Skripsi, dan lain sebagainya.
Kemudahan buku ini karena disertai contoh-contoh dalam bidang yang
viii Statistika untuk Praktisi Kesehatan
spesisfik. Isi buku ini merupakan teori praktis contoh aplikasi sesuai
bidangnya.
Pada kesempatan yang baik ini ijinkan penulis menyampaikan

banyak terima kasih pada:
1. Prof.Dr. Kuntoro, MPH dan Prof. Drh. Sarmanu, MS selaku Konsultan
dalam penulisan buku ini.
2. Dr. Hari Basuki, dr, MKes dan Dr. Windu Purnomo, dr.MS. atas
bimbingan dan motivasinya yang diberikan selama ini
3. Dr. Priwisono Adi & Poedyasmoro, SKM selaku Mantan Direktur
Akademi Gizi Malang dan Ketua Jurusan Gizi Poltekkes Malang yang
telah mengarahkan penulis untuk mendalami Ilmu Statistika.
4. Direktur Poltekkes Malang yang telah memberikan kesempatan
untuk penyusunan Buku Praktis ini
5. Teman-teman sejawat yang tidak dapat kami sebutkan satu persatu
yang telah memotivasi terbitnya buku ini.
Kalimat, isi dan formatnya masih sangat sederhana, oleh karena

itu kritik yang membangun selalu kami terima dengan senang hati.
Mudah-mudahan pada edisi selanjutnya dapat lebih sempurna.
Semoga karya kecil ini dapat bermanfaat bagi Mahasiswa

kesehatan, Mahasiswa jurusan gizi, kebidanan, keperawatan maupun
para pengambil kebijakan di lapangan.
Malang, 18 Oktober 2008.
Penyusun
DAFTAR ISI
KATA SAMBUTAN DIREKTUR POLTEKKES MALANG v

KATA PENGANTAR vii
DAFTAR ISI ix
BAB I PERANAN STATISTIKA DALAM PENELITIAN 1
BAB II DATA PENELITIAN 7
BAB III TEKNIK PENGUMPULAN DATA 19
BAB IV TEKNIK PENGOLAHAN DATA 27
BAB V TEKNIK PENYAJIAN DATA 33
BAB VI TEKNIK SAMPLING 57
BAB VII ESTIMASI (PENAKSIRAN) 67
BAB VIII TEKNIK ANALISIS DATA 71
BAB IX UJI CHI KUADRAT (χ2) 79
BAB X FISHER’S EXACT TEST 89
BAB XI KORELASI SPEARMAN 95
BAB XII WILCOXON SIGNED RANK TEST 101
BAB XIII U-MANN WHITNEY 105
BAB XIV ANALISIS VARIAN RANKING SATU ARAH KRUSKAL-WALLIS 111
BAB XV FRIEDMAN TEST 115
x Statistika untuk Praktisi Kesehatan
BAB XVI ANALISIS KORELASI - REGRESI 119

BAB XVII UJI-T 127
BAB XVIII ANOVA SATU JALUR (ONE-WAY ANOVA) 137
DAFTAR PUSTAKA 145
TENTANG PENULIS 149
-oo0oo-
BAB I
PERANAN STATISTIKA
DALAM PENELITIAN
S ebelum kita membahas lebih jauh tentang peranan statistika dalam

penelitian kita perlu mengulas sedikit tentang pengertian penelitian
dan statistika itu sendiri.
Secara sederhana penelitian adalah suatu upaya mengetahui

melalui pencarian atau penyelidikan atau percobaan yang cermat yang
ditujukan pada penemuan atau penafsiran pengetahuan baru. Dalam
rangka mencapai tujuan memperoleh pengetahuan baru diperlukan
metode ilmiah yang merupakan suatu tata cara atau teknik yang
sistematik.
Disisi lain pengertian statistika perlu kita cermati karena kata

statistika berbeda dengan kata statistik. Kata statistik sering dipakai
untuk menyatakan kumpulan data, baik berbentuk bilangan atau bukan
bilangan yang disusun dalam bentuk tabel (daftar) dan atau diagram
(grafik) yang menggambarkan suatu persoalan. Sebagai contoh misalnya
kita mengetahui Statistik Penduduk. Statistik kesehatan, statistik
pendidikan, dan seterusnya.
Kata statistik juga mempunyai pengertian yang lain yaitu untuk

menyatakan ukuran yang diperoleh dari sampel (wakil dari kumpulan
2 Statistika untuk Praktisi Kesehatan
data mengenai sesuatu hal). contoh misalnya rata-rata (x) sedangkan

pada populasi (μ), standard deviasi (s) sedangkan pada populasi (σ).
Sedangkan kata Statistika mempunyai pengertian yang lebih luas

dari kata statistik yaitu pengetahuan yang berhubungan dengan cara-
cara pengumpulan data, pengolahan dan analisis data serta penarikan
kesimpulan berdasarkan kumpulan data dan analisis yang telah dilaku-
kan. Dalam Materi ini kita akan coba menguraikan peranan statistika
dalam penelitian.
Bagi seorang pengambil keputusan informasi yang akurat sangat

diperlukan untuk menunjang ketepatan keputusan yang diambil. Suatu
informasi pada umumnya dinyatakan dengan data yang diperoleh lewat
fakta empiris. Selanjutnya data yang ada perlu diolah agar mudah
dipahami oleh pengguna sebagai bahan yang membantu mengambil
keputusan lewat suatu proses dengan bantuan statistika.
Statistika seperti telah diuraikan tidak sekedar berkaitan dengan

angka-angka yang berbentuk tabel dan atau grafik, namun sebenarnya
jauh lebih dari itu yaitu suatu pengetahuan (metoda) yang sangat
penting dalam setiap tahap penelitian ilmiah yang meliputi pengumpulan
data, pengolahan dan penganalisisan data sampai pada penarikan
kesimpulan. Secara rinci peranan tersebut adalah:
a. Penyusunan Model
Suatu penelitian pada dasarnya dimulai dari adanya per-
masalahan. Gambaran permasalahan yang akan diteliti kadang-
kadang masih belum jelas. Untuk itu masalah penelitian perlu
dirancang dengan baik dan jelas, agar mempermudah dalam penen-
tuan populasi, penarikan sampel, pengumpulan data, pengolahan &
analisis sampai pada penarikan kesimpulan.
Dengan bantuan model matematika masalah akan lebih mu-

dah untuk dirumuskan, singkat, padat dan logis. Struktur masalah
akan lebih mudah dikuantifikasikan. Pemecahan masalah menurut
metode matematik dan pengujiannya dengan menggunakan sampel
Peranan Statistika dalam Penelitian 3
dapat dilanjutkan dengan metode statistika bahkan dapat dengan

bantuan komputer.
Disamping itu dengan model matematik ini dapat diketahui

apakah asumsi-asumsi yang dipersyaratkan oleh suatu uji statistik
dapat dipenuhi atau tidak.
b. Perumusan Hipotesis
Perumusan hipotesis secara umum ada 2 yaitu untuk uji
perbedaan dan uji hubungan. Pada dasarnya merupakan turunan
dari model matematik. Maka dipertimbangkan pengambilan keputus-
an (penolakan/penerimaan) hipotesis tersebut didasarkan pada teori
probabilitas yang merupakan dasar dari metode statistika.
c. Pengembangan Instrumen Pengumpulan data

Untuk mengumpulkan data yang akurat tentunya diperlukan
Instrumen pengumpulan data yang memenuhi syarat. Instrumen
tersebut harus memenuhi syarat reliabilitas (keterandalan) dan
validitas (kesesuaian). Peranan statistika diperlukan untuk menilai
apakah instrumen tersebut telah memenuhi atau masih memerlukan
perbaikan instrumen.
d. Pengumpulan Data (Data Collecting)

Statistika mempunyai peranan yang sangat penting dalam
rangka memperoleh data yang akurat. Dalam penentuan berapa
besar sampel yang harus diambil agar data yang diperoleh meng-
gambarkan populasi yang diwakilinya memerlukan rumus statistik
dengan berbagai tujuan dan persyaratan yang sesuai.
e. Pengolahan dan Analisis Data

Pada dasarnya ada 2 jenis analisis data statistik yaitu
statistika deskriptif dan statistika inferensial. Data yang telah ter-
kumpul perlu diolah (editing, coding dan tabulating) kemudian perlu
dikelompokkan sesuai dengan karakteristik data, kemudian di-
ringkaskan dengan tabel dan atau grafik agar memudahkan dalam
menginterpretasikan. Selanjutnya bisa ditarik kesimpulan. Kegiatan

tersebut memerlukan metode statistik tertentu agar generalisasi
yang diambil mendekati kebenaran ilmiah.
Metode statistik yang dipakai untuk meringkaskan dan meng-

gambarkan hal yang penting dari suatu fenomena disebut Statistika
deskriptif. Jadi dalam hal ini dapat digunakan untuk mengatur,
meringkas, menyajikan dan memberikan deskripsi data, dengan
tujuan agar data menjadi lebih mempunyai makna.
Pengaturan, peringkasan dan penyajian data secara umum

ada 2 yaitu dengan tabel (daftar) bisa berbentuk tabel distribusi
frekuensi/tabel silang, dan grafik (diagram) yang bisa berbentuk
histogram, diagram batang, diagram lingkar, piktogram, poligon,
dan sebagainya.
Penggambaran (deskripsi) data dapat dinyatakan dalam 2

cara yaitu ukuran pemusatan (central tendency) yang meliputi:
• Nilai rata-rata (Mean)

• Nilai yang paling sering muncul (Modus)
• Nilai/harga tengah (Median)
dan ukuran penyebaran (dispersion) yang meliputi:

• Rentang (Range)
• Simpangan baku (Standard deviasi)
• Varians
• Koefisien variasi, dan sebagainya
Penggunaan tabel/grafik dan ukuran yang ada tergantung pada

jenis data serta tujuan yang diinginkan.
Statistika inferensial dapat dipakai untuk mengevaluasi informasi

yang ada dalam data sehingga diperoleh pengetahuan baru. Mencari
hubungan sebab akibat antara variabel satu dengan variabel yang lain
untuk memperoleh pengetahuan baru memerlukan pengujian secara
statistik. Metode statistik yang diperlukan untuk hal demikian disebut
Statistika inferensial.
Peranan Statistika dalam Penelitian 5
Statistika inferensial digunakan untuk menyimpulkan tentang suatu

nilai parameter populasi berdasarkan nilai statistik sampel. Statistik
inferensial dibedakan menjadi 2 bagian yaitu:
1. Estimation (estimasi/penaksiran) yang terdiri dari point estimate dan

interval estimate.
2. Uji Hipotesis
Hipotesis berasal dari kata “hipo” (kurang/lemah) dan “tesis”

(pernyataan). Jadi hipotesis dapat diartikan sebagai pernyataan
tentatif karena belum dikonfirmasi kebenarannya. Jadi dalam hal ini
masih perlu konfirmasi data secara empiris.
Dengan perkataan lain hipotesis adalah jawaban sementara

terhadap suatu masalah atau kesimpulan sementara tentang hu-
bungan suatu variabel dengan satu atau lebih variabel lainnya
apabila hipotesisnya tentang adanya hubungan antar variabel.
Hipotesis diberikan dalam bentuk pernyataan. Hipotesis dapat

dinyatakan dalam dua bentuk yaitu: Hipotesis nol/nihil (Ho) dan
hipotesis alternatif (Ha). Hipotesis nol biasanya dinyatakan dengan
kalimat Tidak ada; misalnya Tidak ada hubungan/beda antara …dan
…, dan seterusnya. Sedangkan Hipotesis alternatif adalah kebalikan
dari hipotesis nol, sehingga pernyataannya adalah Ada
hubungan/beda antara … dan …, dan seterusnya.
Penerimaan suatu hipotesis nol merupakan akibat tidak

cukupnya data untuk memverifikasi, sedangkan penolakan hipotesis
nol akibat cukupnya bukti untuk menolaknya. Penolakan hipotesis
nol akan berakibat diterimanya hipotesis alternatif sehingga ke-
simpulan yang diperoleh akan berbunyi ada hubungan/beda antara
……………… dan ……………....
Penarikan kesimpulan dikatakan tepat apabila kita menerima

Ho karena memang Ho benar, atau menolak Ho karena memang Ho
salah. Dalam proses penarikan kesimpulan apabila kita menyimpul-
kan menolak Ho padahal Ho benar, maka kita telah melakukan

kesalahan atau kekeliruan tipe I (α). Disisi lain apabila kita me-
nyimpulkan menerima Ho padahal Ho salah maka kita telah melaku-
kan kesalahan tipe II (β). Nilai α disebut taraf nyata atau taraf
signifikansi yang biasanya ditetapkan sebesar 0,05 atau 0,01. Harga
(1 - β) disebut kekuatan uji, dengan demikian semakin kecil nilai β
maka kekuatan ujinya semakin besar.
Dalam rangka proses menarik kesimpulan melalui pengujian

hipotesis maka peranan statistika yaitu Uji Statistik sangatlah besar
(diperlukan). Berbagai uji statistik telah disediakan baik secara
manual maupun yang telah menggunakan paket program Komputer
tergantung pada keperluan masing-masing pengguna (peneliti).
Pemilihan uji statistik yang tepat akan berakibat pada penarikan
kesimpulan yang tepat pula, sehingga diperlukan kemampuan yang
lebih bagi seorang peneliti untuk memilih secara tepat uji statistik.
-oo0oo-
BAB II
DATA PENELITIAN
S alah satu peran Statistika adalah dalam proses pengumpulan

data yang merupakan tahapan dalam proses penarikan
kesimpulan untuk membuat suatu keputusan. Dalam beberapa
literatur (kepustakaan) banyak teknik pengumpulan data yang disajikan
kepada para pembaca, namun secara garis besar penulis lebih cenderung
mengelompokkan dalam 4 kelompok besar.
Suatu pengambilan keputusan yang baik adalah hasil dari penarikan

kesimpulan yang berdasarkan fakta/data yang akurat. Untuk mendapat-
kan data yang akurat tentunya diperlukan suatu alat ukur (instrumen)
yang memenuhi kaidah statistika. Alat ukur yang baik adalah alat ukur
yang valid (sesuai dengan yang diukur) dan reliabel (terandal).
Data merupakan kumpulan fakta yang diperoleh dari suatu

pengukuran. Statistik berkenaan dengan data (plural) dan tidak pernah
berkenaan dengan datum (singular). Sebagai contoh pengukuran kadar
haemoglobin dari suatu individu dan menghasilkan satu angka bukanlah
merupakan kajian statistika. Data mempunyai sifat informatif bila di-
peroleh dengan instrument yang valid dan reliabel, dikumpulkan secara
lengkap dan tepat waktu. Dengan demikian data yang informatif me-
menuhi syarat: completeness (kelengkapan), accuracy (keakuratan), dan
timeliness (tepat waktu).
Pada statistika inferensial atau induktif diperlukan statistika diskriptif

yang menggambarkan data yang telah terkumpul. Pengumpul data harus
betul-betul jujur yakni kebenarannya harus dapat dipercaya. Proses
pengumpulan data dapat dilakukan dengan jalan sensus yaitu semua
anggota populasi diukur/diamati atau dengan cara survey yang meng-
gunakan sampel (sebagian dari populasi).
Baik pada sensus ataupun survey banyak cara yang dapat di-
tempuh untuk mengumpulkan data yaitu:
1. Mengadakan penelitian langsung ke lapangan/laboratorium
2. Dengan mewawancarai/mengukur/mengamati obyek secara lang-
sung, sehingga mendapatkan data primer.
3. Mengumpulkan data dari sebagian atau seluruhnya data yang telah
dicatat atau dikumpulkan oleh orang lain atau Lembaga lain,
sehingga kita mendapatkan data sekunder.
Jenis Data
a. Menurut Skala pengukuran data:
• Skala Nominal
Disebut juga skala klasifikasi merupakan skala data yang
paling rendah tingkatannya, di mana angka digunakan hanya untuk
mengklasifikasikan (penggolongan) obyek. Sifat yang dimiliki hanya
sifat membedakan antara variasi obyek tersebut. Sebagai contoh
skala nominal adalah: nama kota, jenis kelamin, suku bangsa, dan
lain-lain.
• Skala Ordinal
Merupakan skala data yang lebih tinggi tingkatannya dari
skala nominal. Sifat skala data ini tidak hanya membedakan tetapi
juga antara variasi ada tingkatan misalnya dari rendah, sedang
sampai tinggi. Sebagai contoh skala ordinal adalah tingkat pen-
didikan, tingkat sosial ekonomi (pendapatan), dan lain-lain.
Data Penelitian 9
• Skala Interval
Merupakan skala data yang tidak hanya mempunyai sifat
membedakan dan tingkatan saja, tetapi juga mempunyai sifat
adanya jarak (interval) antara tingkatan obyek yang satu dengan
yang lain. Unit pengukuran dan titik nol dari skala interval ini adalah
arbitrer, oleh karena itu ukuran ini tidak memberikan informasi
tentang jumlah absolut atribut yang dimiliki suatu obyek (tidak
mempunyai nol mutlak). Sebagai contoh skala interval adalah
temperatur/suhu
• Skala Rasio
Merupakan skala data yang tidak hanya mempunyai sifat
membedakan, tingkatan dan jarak (interval) saja, tetapi juga
mempunyai sifat adanya jumlah absolut atribut yang dimiliki obyek
tersebut. Informasi tentang jumlah absolut tersebut diperoleh
karena pengukurannya dilakukan dari titik nol sejati. Dengan kata
lain skala rasio mempunyai nol mutlak). Sebagai contoh skala rasio
adalah Berat badan, tinggi badan, Kadar glukosa darah.
Skala Pengukuran
Sifat
Nominal Ordinal Interval Rasio
Membedakan Ada Ada Ada Ada
Tingkatan Tdk Ada Ada Ada Ada
Interval /Jarak
Tdk Ada Tdk Ada Ada Ada
yang Sama
Adanya Nol Mutlak
Tdk Ada Tdk Ada Tdk Ada Ada
/Kelipatan
b. Menurut Sifatnya:
• Data Kuantitatif adalah data yang dinyatakan dalam bentuk angka
(jumlah) dan dapat diukur besar kecilnya, Contoh: Tinggi badan,
Berat badan, tahan hidup lampu neon, dan lain-lain.
• Data Kualitatif adalah data yang dinyatakan dalam bentuk sifat

(bukan angka) dan tidak dapat diukur besar kecilnya, Contoh: Jenis
kelamin, bahasa, suku bangsa, dan lain-lain
• Data Semi Kuantitatif adalah data kualitatif yang dijadikan
kuantitatif dengan berbagai cara, misalnya diberi peringkat atau
score. Contoh: Prestasi Olahraga, Prestasi akademik, kebiasaan
makan
Suatu instrument pengukuran bisa merupakan suatu alat seperti

tensimeter, termometer, elektro kardiografi, elektro ensefalografi,
spirometer, audiometer, sound level meter, dan lain-lain. Di samping itu
suatu instrument pengukuran bisa merupakan suatu kuesioner yang
dirancang untuk mengukur sesuatu tanpa menggunakan alat secara
mekanik seperti termometer, dan lain-lain.
Validitas dari alat ukur biasanya sudah diketahui dengan melihat

sensitivitas dan spesifisitas yang tercantum pada alat tersebut atau pada
panduannya. “Sensitifitas” terkait dengan sampai seberapa jauh suatu
alat dapat mendeteksi seseorang individu mempunyai kelainan jika
memang individu tersebut mempunyai kelainan. Sedangkan spesifisitas
berkenaan dengan sampai seberapa jauh suatu alat ukur dapat
mendeteksi seorang individu tidak mempunyai kelainan jika memang
individu tersebut tidak mempunyai kelainan.
Validitas dari suatu kuesioner meliputi face validity, empirical

validity dan construct validity perlu ditetntukan. Dalam praktik face
validity berkenaan dengan sampai seberapa jauh suatu instrumen meng-
ukur apa yang seharusnya diukur menurut pertimbangan subyektif
peneliti. Selanjutnya dikonsultasikan pada para ahli yang sesuai dengan
bidangnya. Emperical validity berkenaan dengan hubungan antara
instrument dengan hasil pengukuran. Instrument dikatakan valid bila
terdapat hubungan yang kuat antara hasil pengukuran dengan hasil yang
diperoleh dengan gold standard. Construct validity berkenaan dengan
hubungan antara instrument pengukuran dengan kerangka teoritis umum
agar dapat ditentukan apakah instrument tersebut terkait dengan konsep
dan asumsi teoritis yang digunakan.
Data Penelitian 11
Validitas disebut juga kesahihan atau keakuratan yang menunjuk-

kan seberapa dekat alat ukur menunjukkan apa yang seharusnya diukur.
Sebagai salah satu contoh yaitu timbangan merupakan alat ukur yang
sahih atau valid untuk mengukur berat badan, tetapi lama tertawa bukan
merupakan ukuran yang sahih atau valid untuk kegembiraan seseorang.
Untuk menilai kesahihan alat ukur berskala numerik (kuantitatif)

dilakukan dengan membandingkannya dengan alat ukur yang baku
sebagai penera. Misalnya timbangan berat badan dibandingkan dengan
alat timbangan baku, kemudian dinyatakan sebagai selisih antara nilai
rata-rata nilai baku dengan nilai pengukuran yang diperoleh, dibagi
dengan nilai baku. Sedangkan untuk alat ukur berskala nominal dapat
dinilai dengan membandingkannya dengan alat diagnostik terbaik (gold
standrd) dan dinilai sensitifitas, spesifisitas dan nilai prediksinya.
Uji Validitas & Reliabilitas dalam Statistika Untuk Peneliti-

an (Sugiyono, 1999)
Untuk Menguji Validitas Butir-Butir Instrumen, Maka Setelah
Dikonsultasikan Dengan Ahli, Maka Selanjutnya Diujicoba, Dan Dianalisis.
Analisis Dilakukan Dengan Menghitung Korelasi Antar Skor Butir
Instrumen Dengan Skor Total. (Uji Statistik Korelasi Product Moment)
Face Validity merupakan uji validitas yang didasarkan kesepakatan

pakar, dimana instrumen dievaluasi minimal 4 pakar dengan asumsi bila
3 dari 4 pakar (75%) sepakat maka dianggap valid.
Empirical Validity yaitu membandingkan instrumen yang dibuat

dengan Gold standard, bisa menggunakan Uji Kappa atau Mc. Nemar
(Agreement test)
Construct Validity, menggunakan analisa faktor dengan cara

melihat korelasi masing-masing faktor terhadap variabel utama. Bila
faktor loading ≥ 0,5 maka dianggap valid. Perhitungan bisa mengguna-
kan SPSS atau USREL.
X1
X2
Construct
X3
X4
Sumber: Louise H. Kidder & Charles B. Judd. 1986. Research Methods In Social Relations
5th edition. New York; Holt, Rinehart and Winston.
Sedangkan Untuk Mengukur Reliabilitas

Secara Eksternal
1. Test-Retest (Stability)
2. Equivalent
3. Gabungan
Secara Internal
1. Spearman Brown (Split Half)
2. Kuder Richardson (Kr 20)
3. Kr 21
4. Analisis Varians Hoyt (Anova Hoyt)
5. Alfa Cronbach
Untuk meningkatkan validitas dapat dilakukan dengan cara:
a. Pemeriksaan tanpa setahu subyek (yang diteliti) yaitu pemeriksaan

tersamar (misalnya memeriksa seorang anak sambil diajak bermain),
b. Kalibrasi alat ukur, misalnya timbangan dikalibrasi setiap periode
waktu tertentu.
Data Penelitian 13
c. Melakukan pemeriksaan tanpa identitas yaitu melakukan pengukur-

an secara blind (buta) misalnya membaca hasil USG tanpa tahu
identitasnya.
Reliabilitas suatu instrument pengukuran dimaksudkan untuk

melihat sampai seberapa jauh instrument tersebut menunjukkan
konsistensi bila pengukuran dilakukan oleh orang yang sama pada saat
yang berbeda, atau oleh orang yang berbeda pada obyek yang sama.
Untuk menentukan reliabilitas suatu instrument pengukuran dalam ben-
tuk kuesioner bisa digunakan test-retest method, split half method,
parallelform method, sedangkan untuk alat digunakan test-retest
method.
Untuk menilai reliabilitas alat ukur yang berskala numerik

(kuantitatif) dapat dilakukan dengan menggunakan simpang baku
(standard deviasi) pada pengukuran yang berulang, kemudian dihitung
koefisien variasinya yang merupakan pembagian standard deviasi dengan
rata-rata hasil pengukurannya. Pengukuran yang memiliki koefisien
variasi yang kecil memiliki reliabilitas yang tinggi atau sebaliknya.
Sedangkan untuk menilai reliabilitas alat ukur yang berskala nominal
dengan menggunakan nilai kappa (derajat kesesuaian)
Untuk meningkatkan reliabilitas pengukuran dapat dilakukan:

a. standarisasi cara pengukuran,
b. pelatihan petugas pengukur,
c. penyempurnaan alat ukur,
d. otomatisasi alat ukur dan
e. mengulang pengukuran.
Pengukuran ataupun alat ukur pada umumnya dinyatakan kesahihannya

atau validitasnya dan reliabilitasnya baik, cukup atau kurang.
Contoh uji validitas:

Suatu instrumen penelitian untuk mengukur sikap responden
terhadap program gizi di Posyandu setelah diadakan wawancara
terhadap 15 responden diperoleh hasil sebagai berikut:
No. soal
total
Res 1 2 3 4 5 6 7 8 9 10
1. 1 3 2 1 3 2 3 1 3 3
2. 3 4 5 3 4 5 4 3 4 4
3. 2 3 2 2 3 2 3 2 3 3
4. 4 2 5 4 2 5 3 4 4 2
5. 3 3 3 3 3 3 2 3 3 3
6. 2 5 2 2 5 2 2 2 3 5
7. 5 4 5 5 4 5 4 5 5 4
8. 4 3 4 4 3 4 3 4 4 3
9. 3 2 3 3 2 3 3 3 4 2
10. 3 2 4 3 2 4 3 3 4 2
11. 4 5 3 4 5 3 3 4 3 5
12. 3 4 2 3 4 2 2 3 3 4
13. 2 3 2 2 3 2 2 2 3 3
14. 1 2 2 1 2 2 1 1 2 2
15. 2 2 1 2 2 1 1 2 1 2
Keterangan:
1 = sangat tidak setuju

2 = tidak setuju
3 = netral
4 = setuju
5 = samgat setuju
Untuk mengertahui apakah kuesdioner yang kita pakai sudah valid atau
tidak, maka setiap item ssoal dikrelasikan dengan totalnya, dengan
menggunakan rumus sebagai berikut:
Data Penelitian 15
nΣX.Y − ΣX.ΣY
r=
{nΣX − (ΣX) 2 }{nΣY 2 − (ΣY ) 2 }
2
Adapun langkah-langkahnyasebagai berikut:

1. korelasikan soal No. 1 dengan totalnya untuk mengetahui soal no 1
valid atau tidak.
2. buatlah tabel seperti di bawah ini.
Soal No, 1 Total

Resp. X2 Y2 X.Y
(X) (Y)
1. 1 22 1 484 22
2. 3 39 9 1521 117
3. 2 25 4 625 50
4. 4 35 16 1225 140
5. 3 29 9 841 87
6. 2 30 4 900 60
7. 5 46 25 2116 230
8. 4 36 16 1296 144
9. 3 28 9 784 84
10. 3 30 9 900 90
11. 4 39 16 1521 156
12. 3 30 9 900 90
13. 2 24 4 576 48
14. 1 16 1 256 16
15. 2 16 4 256 32
Jml 42 445 136 14201 1366
3. Kemudian hitung nilai korelasi (r) dengan rumus:
nΣX .Y − ΣX .ΣY
r =
2
{nΣX − (ΣX ) 2 }{nΣY 2
− ( ΣY ) 2 }
15 . 1366 − 42 . 445
r =
{15.(136) − (42)2 }.{15.(14201) − (445) 2 }
r = 0,73
4. Konsultasikan nilai r hitung terhadap r tabel. Cara mencari nilai r

adalahsebagai berikut:
df Tingkat
signifikansi
5% 1%
1 0,997 0,999
13 0,514 0,641
15 0,482 0,606
Apabila tabel r yang ada memberikan nilai df (dalam kolom 1)

maka nilai r tabel dilihat pada α = 0,05 dan df= n-2.
Sedangkan bila tabel r yang ada memberikan nilai n (dalam

kolom 1), maka nilai r tabel dilihat pada α = 0,05 dan n yang
sesuai.
n Tingkat signifikansi
5% 1%
3 0,997 0,999
15 0,514 0,641
17 0,482 0,606
Data Penelitian 17
5. Apabila nilai r hitung > r tabel maka soal no. 1 valid, sedangkan bila
r hitung < r tabel maka soal no 1 tidak valid (harus diganti).
Contoh uji reliabilitas:

Dari kasus contoh di atas maka untuk menguji reliabilitasnya bisa
digunakan rumus ”Alpha Cronbach” dengan rumus sebagai berikut:
⎛ k ⎞⎛⎜ Σs 2i ⎞
⎟
α =⎜ ⎟ 1− 2
⎝ k − 1 ⎠⎜⎝ s i ⎟
⎠
Di mana:
k = jumlah belahan item Æ 10: 5 = 2

s2 = Jumlah varian skor total.
s2i = varians responden untuk item ke i
-oo0oo-
BAB III
TEKNIK PENGUMPULAN DATA
S alah satu peran Statistika adalah proses pengumpulan data yang

merupakan tahapan dalam proses penarikan kesimpulan untuk
membuat suatu keputusan. Dalam beberapa literatur (ke-
pustakaan) banyak teknik pengumpulan data yang disajikan kepada para
pembaca, namun secara garis besar penulis lebih cenderung mengelom-
pokkan dalam 4 kelompok besar.
Suatu pengambilan keputusan yang baik adalah hasil dari

penarikan kesimpulan yang berdasarkan fakta/data yang akurat. Untuk
mendapatkan data yang akurat tentunya diperlukan suatu alat ukur
(instrumen) yang memenuhi kaidah statistika. Alat ukur yang baik adalah
alat ukur yang valid (sesuai dengan yang diukur) dan reliabel (terandal).
Data merupakan kumpulan fakta yang diperoleh dari suatu

pengukuran. Statistik berkenaan dengan data (plural) dan tidak pernah
berkenaan dengan datum (singular). Sebagai contoh pengukuran kadar
haemoglobin dari suatu individu dan menghasilkan satu angka bukanlah
merupakan kajian statistika. Data mempunyai sifat informatif bila
diperoleh dengan instrumen yang valid dan reliabel, dikumpulkan secara
lengkap dan tepat waktu. Dengan demikian data yang informatif
memenuhi syarat: completeness (kelengkapan), accuracy (keakuratan),
dan timeliness (tepat waktu).
Suatu instrumen pengukuran bisa merupakan suatu alat seperti

tensimeter, termometer, elektro kardiografi, elektro ensefalografi,
spirometer, audiometer, sound level meter, dan lain-lain. Di samping itu
suatu instrumen pengukuran bisa merupakan suatu kuesioner yang
dirancang untuk mengukur sesuatu tanpa menggunakan alat secara
mekanik seperti termometer, dan lain-lain.
Validitas dari alat ukur biasanya sudah diketahui dengan melihat

sensitivitas dan spesifisitas yang tercantum pada alat tersebut atau pada
panduannya. “Sensitifitas” terkait dengan sampai seberapa jauh suatu
alat dapat mendeteksi seseorang individu mempunyai kelainan jika
memang individu tersebut mempunyai kelainan. Sedangkan spesifisitas
berkenaan dengan sampai seberapa jauh suatu alat ukur dapat men-
deteksi seorang individu tidak mempunyai kelainan jika memang individu
tersebut tidak mempunyai kelainan.
Validitas dari suatu kuesioner meliputi face validity, emperical

validity dan construct validity perlu ditetntukan. Dalam praktik face
validity berkenaan dengan sampai seberapa jauh suatu instrumen meng-
ukur apa yang seharusnya diukur menurut pertimbangan subyektif pe-
neliti. Selanjutnya dikonsultasikan pada para ahli yang sesuai dengan
bidangnya. Emperical validity berkenaan dengan hubungan antara in-
strumen dengan hasil pengukuran. Instrumen dikatakan valid bila ter-
dapat hubungan yang kuat antara hasil pengukuran dengan hasil yang
diperoleh dengan gold standard. Construct validity berkenaan dengan
hubungan antara instrumen pengukuran dengan kerangka teoritis umum
agar dapat ditentukan apakah instrumen tersebut terkait dengan konsep
dan asumsi teoritis yang digunakan.
Validitas disebut juga kesahihan atau keakuratan yang me-

nunjukkan seberapa dekat alat ukur menunjukkan apa yang seharusnya
diukur. Sebagai salah satu contoh yaitu timbangan merupakan alat ukur
yang sahih atau valid untuk mengukur berat badan, tetapi lama tertawa
bukan merupakan ukuran yang sahih atau valid untuk kegembiraan
seseorang.
Teknik Pengumpulan Data 21
Untuk meningkatkan validitas pengukuran dapat dilakukan dengan

melakukan pemeriksaan tersamar (misalnya memeriksa seorang anak
sambil diajak bermain), Kalibrasi alat ukur, melakukan pengukuran
secara blind (buta) misalnya membaca hasil USG tanpa tahu identitasnya.
Pengukuran ataupun alat ukur pada umumnya dinyatakan kesahih-

annya atau validitasnya dan reliabilitasnya baik, cukup atau kurang. Agar
pemahamannya dapat dengan mudah diterima maka dapat digambarkan
sebagai berikut:
Alat ukur yang memiliki Validitas baik dan reliabilitas baik
Alat ukur yang memiliki Validitas baik sedang reliabilitas kurang baik
Alat ukur yang memiliki Validitas tidak baik sedang reliabilitas baik
Alat ukur yang memiliki Validitas tidak baik dan reliabilitas tidak baik
Reliabilitas suatu instrumen pengukuran dimaksudkan untuk

melihat sampai seberapa jauh instrumen tersebut menunjukkan kon-
sistensi bila pengukuran dilakukan oleh orang yang sama pada saat yang
berbeda, atau oleh orang yang berbeda pada obyek yang sama. Untuk
menentukan reliabilitas suatu instrumen pengukuran dalam bentuk kue-
sioner bisa digunakan test-retest method, split half method, parallelform
method, sedangkan untuk alat digunakan test-retest method.
Untuk meningkatkan reliabilitas pengukuran dapat dilakukan

dengan standarisasi cara pengukuran, pelatihan petugas pengukur, pe-
nyempurnaan alat ukur, otomatisasi alat ukur dan mengulang
pengukuran.
Instrumen pengumpulan data dapat dikelompokkan menjadi 4 yaitu:
1. Pengamatan (Observasi)
Suatu perbuatan jiwa yang aktif dan penuh perhatian untuk
menyadari adanya rangsangan atau gejala nyata. Pada pengumpulan
data dengan teknik observasi/pengamatan ini alat bantu yang digunakan
adalah: Daftar Cek, alat pemotret, alat perekam dan alat mekanik lain.
2. Wawancara
Suatu teknik pengumpulan data dimana peneliti mendapatkan
keterangan dari responden secara lisan melalui bercaka-cakap dengan
berhadapan muka dengan responden. Dalam pelaksanaan wawancara
pada umumnya dibantu dengan alat bantu kuesioner walaupun ada juga
yang tanpa menggunakan alat bantu.
Wawancara hanya dapat digunakan bila sumber data adalah

manusia (yang dapat mendengar dan berbicara). Wawancara adalah
teknik pengumpulan data dengan cara mengajukan pertanyaan lisan
(oral) kepada responden, baik secara perorangan maupun kelompok.
Wawancara dapat dibedakan atas dua macam yakni wawancara bebas
atau tidak terstruktur (high degree of flexibility atau unstructured) dan
wawancara terstruktur atau terpimpin (structured atau low degree of
flexibility)
Wawancara terstruktur:
• Pertanyaan tersusun rapi.
• Pewawancara tidak pengalaman dan paham.
Wawancara tak terstruktur:
• Tidak ada alat bantu.

• Pewawancara pengalaman dan sangat paham terhadap masalah
yang diteliti.
Cara membuat Pertanyaan:

a. Bahasa yang dipergunakan sedapat mungkin sederhana dan mudah
dipahami oleh responden.
b. Pertanyaan yang disusun harus dapat dianalisis, oleh karena itu
seluruh jawaban kuesioner baik yang tertutup, terbuka maupun
yang kombinasi sebaiknya dipersiapkan kode jawabannya.
c. Pertanyaan yang disusun haruslah jelas
d. Hindari pertanyaan yang mengarah pada masalah yang ganjil
e. Pertanyaan tidak terlalu luas, tetapi sebaiknya yang spesifik
f. Pertanyaan tidak boleh terlalu panjang.
g. Pertanyaan tidak boleh membimbing.
h. Hindari pertanyaan yang bersifat “ double negative “.
i. Kuesioner yang disusun jangan terlau banyak.
j. Hindari pertanyaan yang menyinggung pertanyaan.
k. Pertanyaan yang disusun sebaiknya membantu ingatan responden.
l. Hindari menyusun pertanyaan yang bersifat sugesti.
m. Mulai menyusun pertanyaan dengan yang mudah.
3. Angket
Merupakan teknik pengumpulan data melalui Formulir yang berisi
pertanyaan dan diajukan secara tertulis pada sekumpulan orang untuk
mendapatkan keterangan tentang masalah yang akan ditelitinya.
Ahli lain mengatakan bahwa angket adalah cara pengumpulkan

data dengan menggunakan daftar isian atau daftar pertanyaan yang
telah disiapkan dan disusun sedemikian rupa sehingga calon responden
hanya tinggal mengisi atau menandainya dengan mudah dan cepat.
(Sudjana, 1996). Pada umumnya angket berisikan pertanyaan berbentuk
pilihan. Calon responden hanya tinggal memilih jawaban yang disediakan
oleh peneliti.
Contoh:
1. Berapa jumlah anak Saudara:
a. tidak punya
b. 1 – 2 orang
c. 2 orang
2. Apakah Saudara ikut KB sekarang?

a. Ya
b. Tidak
3. Menurut pendapat Saudara, perlukan program KB dilestarikan

a. Perlu.
b. Tidak perlu.
c. Tidak peduli.
Jadi responden tinggal mencoret pilihan yang sesuai. Atau

menggunakan kotak hanya untuk di berikan tanda cek (V).
Beberapa pedoman dalam membuat pertanyaan angket dan cara-

cara mengajukannya adalah:
a. Siapkan dan rencanakan baik-baik segala sesuatu yang dibutuhkan
(bahan-bahan, tenaga, dan biaya)
b. Pertanyaan-pertanyaan harus singkat, jelas, tidak menimbulkan
macam-macam penafsiran dan mudah dimengerti.
c. Fokuskan/tujukan pertanyaan-pertanyaan kepada obyek atau
masalah yang sedang diteliti.
d. Ajukan pertanyaan-pertanyaan yang pantas, sopan dan usahakan
tidak akan menyinggung perasaan calon responden.
4. Pengukuran
Teknik pengumpulan data dimana peneliti melakukan pengukuran
(mengukur) orang/obyek mengenai sesuatu hal dengan mempergunakan
Alat Ukur kemudian dicatat.
Apabila teknik pengukuran dipilih sebagai cara pengumpulan data

maka perlu diperhatikan alat ukur atau alat periksa, apakah sesuai/tepat
yaitu alat yang memang ditujukan untuk mengukur apa yang akan diukur
dan spesifikasi ketelitian yang sesuai. Pada umumnya alat ukur untuk
keperluan penelitian sudah baku, sebagai salah satu contoh: Untuk
mengukur berat badan bayi menggunakan alat timbang bayi dengan
kapasitas 25 kg dan ketelitian dalam gram.
Pencatatan hasil pengukuran (pemeriksaan) perlu dilakukan

seobyektif mungkin, tidak sembarangan, sehingga tidak teliti atau
sebaliknya dilebih-lebihkan agar terkesan sangat teliti. Sebagai contoh:
• Berat badan bayi : 3 kg

• BB bayi : 3000,5 gram
• BB bayi : 3005,5000 gram
Sebaiknya hasil pengukuran BB bayi dinyatakan satu atau dua angka

dibelakang koma, dengan demikian dapat dinyatakan seperti 3,50 kg
atau 3,5 kg, tergantung kepada ketelitian alat ukur yang digunakan.
Dalam praktek pengelolaan dan pelayanan kebidanan pemilihan

dan penggunaan teknik pengumpulan data tidak digunakan hanya satu
teknik saja tetapi sering dijumpai dan lebih dianjurkan penggunakan
teknik yang sesuai dan saling melengkapi sehingga diharapkan data yang
diperoleh lebih baik. Merupakan teknik pengumpulan data melalui
Formulir yang berisi pertanyaan dan diajukan secara tertulis pada
sekumpulan orang untuk mendapatkan keterangan tentang masalah
yang akan ditelitinya.
-oo0oo-
BAB IV
TEKNIK PENGOLAHAN DATA
K egiatan statistika selanjutnya setelah mengumpulkan data adalah

pengolahan data. Kegiatan pengolahan data ini sangat penting
dan memerlukan ketelitian dan kecermatan dalam pelaksanaan-
nya. Pengolahan data adalah kegiatan merubah atau membuat seluruh
data yang dikumpulkan menjadi suatu bentuk yang dapat disajikan,
dianalisa dan ditarik suatu kesimpulan.
Secara umum kegiatan pengolahan data dapat dibagi dalam

beberapa tahapan (langkah-langkah pokok) yaitu:
1. Editing
Merupakan kegiatan memeriksa kembali kuesioner (daftar per-
tanyaan) yang telah diisi pada saat pengumpulan data. Kegiatan-kegiatan
yang dapat dilakukan meliputi:
a. Memeriksa apakah semua jawaban responden dapat dibaca
b. Memeriksa apakah semua pertanyaan yang diajukan kepada
responden telah dijawab.
c. Memeriksa apakah hasil isian yang diperoleh sesuai dengan tujuan
yang ingin dicapai oleh peneliti.
d. Memeriksa apakah masih ada kesalahan-kesalahan lain yang
terdapat pada kuesioner.
2. Coding
Merupakan kegiatan merubah data ke dalam bentuk yang lebih
ringkas dengan menggunakan kode-kode tertentu. Sebagai salah satu
contohnya adalah:
Variabel Tingkat Pendidikan : ……………kode: A
Sekolah Dasar : .…....1
Sekolah Menengah Pertama : ……..2
Sekolah Menengah Umum : ……..3
Dengan demikian apabila kita memiliki Responden dengan Pendidikan
Sekolah Menengah Umum, maka kita tidak perlu menuliskan keseluruhan
tetapi cukup dengan kode A3.
3. Pemasukan data
Setelah data diedit dan dilakukan pemberian kode (coding)
langkah selanjutnya adalah pemasukan data. Apabila kita menggunakan
komputer untuk pengolahan data, maka kita cukup membuat file dan
memasukkan satu persatu ke dalam file data komputer sesuai dengan
paket program Statistik komputer yang digunakan. Software program
statistik yang sering digunakan antara lain: SPSS, Microstat, EpiInfo,
Systat, Minitab, SAS, atau program Excell, Lotus dan lain lain.
Apabila kita menggunakan manual (tanpa komputer) maka

diperlukan kartu-kartu bantuan untuk proses selanjutnya yaitu tabulasi.
Pada proses ini diperlukan juga buku kode sebagai panduan bagi peneliti
untuk mengecek keterangan data yang dikode.
4. Tabulasi Data
Adalah proses pengolahan data yang bertujuan untuk membuat
tabel-tabel yang dapat memberikan gambaran statistik.
Cara PembuatanTabel Frekuensi & Tabel Silang

a. Tabulasi Langsung
• Menggunakan kuesioner Æ Tabel
• Sistim Tally (melidi)
Teknik Pengolahan Data 29
Kelemahan:
• Bila Sampel & Pertanyaan Æ
Maka Baris & kolom
• Kesalahan membaca
b. Kartu Tabulasi
• Buat Kartu Tabulasi
• Menggolongkan/mengelompokkan Kartu menurut Kategori Æ
Menghitung jumlah Kartu sesuai kategori.
c. Komputer
• Lebih cepat dan tepat
• Paket program:
SPSS, Excell, SAS, MYSTAT, SYSTAT, Epi Info, dan lain-lain
• Bisa Langsung analisis diskriptif & inferensial (Uji Statistik)
Contoh Tabulasi Langsung
No Nama Variabel/Pertanyaan
Ket
Kode Responden 1 2 3 4 . .
1
2
.
.
.
100
∑= ∑= ∑= ∑=
∑ => jumlahkan masing-masing jawaban
Contoh:
Kode 0 = 2
Kode 1 = 12
Kode 2 = 26
Kode 3 = 60
-------------------- +
100ds.
Analisis Penyajian Data Dalam Bentuk Tabel-tabel
1. Bila Ingin Menganalisis Hal Pada Baris (Membandingkan Dalam

Baris) Æ Dibuat Persentase Terhadap Kolom Masing-Masing.
2. Bila Ingin Menganalisis Hal Pada Kolom, Maka Dibuat Persentase
Terhadap Baris Masing-Masing
Contoh:
JENIS Efektifitas JUMLAH

KONTRASEPSI Baik Sedang Gagal
A 18 5 2 25
B 12 7 6 25
JUMLAH 30 12 8 50
Analisis Kolom
JENIS Efektifitas JUMLAH

A 72 % 20 % 8% 100 %
B 48 % 28 % 24 % 100 %
Teknik Pengolahan Data 31
Analisis Baris
JENIS Efektifitas
A 60 % 41,67 % 25 %
B 40 % 58,33 % 75 %
JUMLAH 100 % 100 % 100 %
-oo0oo-
BAB V
TEKNIK PENYAJIAN DATA
S ecara umum teknik penyajian data dikelompokkan menjadi 3

macam yaitu: 1) Bentuk tulisan (textular), 2). Bentuk Tabel
(Daftar), 3). Bentuk Grafik, dan 4). Bentuk Diagram. Teknik
penyajian ini penting karena pembaca akan memahami maksud dari hasil
laporan penelitian/kegiatan yang dibuatnya. Tenaga kesehatan umumnya
dan Bidan khususnya sering berhadapan dengan bentuk penyajian data
yang bermacam-macam, sehingga diperlukan suatu cara untuk
menyajikan data yang dapat memberikan informasi yang lengkap dengan
bentuk yang paling sederhana.
A. Penyajian Data dalam Bentuk Tulisan

Merupakan penyajian data dalam bentuk rangkaian kalimat untuk
menerangkan data/kumpulan data yang telah diperoleh. Penyajian dalam
bentuk tulisan ini pada umumnya sulit memberikan gambaran hasil
dengan cepat. Di samping itu sulit memberikan gambaran perbandingan.
Contoh:
Pengumpulan data yang dilakukan di Rumah Bersalin A di Kota
Malang Tahun 2000 menunjukkan bahwa dari 80 Ibu hamil yang
berkunjung ke Rumah Bersalin A di Kota Malang 48% berasal dari Kota
Pasuruan, 34% berasal dari Kota Blitar dan sisanya sebesar 18% berasal
dari Kota Malang.
B. Penyajian Data dalam Bentuk Tabel

Merupakan suatu bentuk penyajian data, di mana datanya disusun
dalam baris dan kolom sedemikian rupa sehingga dapat memberikan
perbandingan-perbandingan. Bentuk penyajian data seperti ini mampu
memberikan gambaran perbandingan-perbandingan atau perbedaan
suatu sifat-sifat obyek.
JUDUL TABEL
Judul Kolom
Judul Baris Sel-sel Sel-sel Sel-sel
Sel-sel Sel-sel Sel-sel
Sel-sel Sel-sel Sel-sel
Sumber: .....................................
Keterangan Tabel:
a. Judul Tabel ditulis di atas simetris sumbu Y dengan huruf kapital

tanpa penggalan kata secara singkat dan jelas tentang apa, macam
atau klasifikasi, di mana, kapan dan apabila ada cantumkan satuan
atau unit data yang digunakan.
b. Judul kolom ditulis singkat, jelas, dan diupayakan jangan memutus
(memenggal) kata.
c. Sel tempat penulisan angka atau data.
d. Catatan ditulis di bagian kiri bawah berguna untuk mencatat hal
penting dan perlu diberikan. Pada bagian tersebut juga terdapat
kata Sumber untuk menjelaskan dari mana data tersebut dikutip,
kalau tidak ada berarti pelopor ikut di dalamnya.
e. Selain nomor 1 – 4 di atas, perlu diperhatikan yaitu nama sebaiknya
disusun menurut abjad; waktu secara berurutan (kronologis) urutan
kepangkatan, urutan golongan pegawai, dan sebagainya. Contoh:
2001, 2002, 2003; Jenderal, Letjen, Brigjen; Golongan I, II, III, IV,
dan seterusnya; menempatkan data kategori disusun secara
Teknik Penyajian Data 35
sistematis, contohnya mulai dari data terbesar sampai data terkecil,

data keuntungan dilanjutkan data kerugian, dan sejenisnya.
1 Tabel Distribusi Frekuensi

Distribusi frekuensi adalah penyusunan suatu data mulai dari
terkecil sampai terbesar yang membagi banyaknya data ke dalam
beberapa kelas. Kegunaan data yang masuk dalam distribusi frekuensi
adalah untuk memudahkan data dalam penyajian, mudah dipahami dan
mudah dibaca sebagai bahan informasi, pada gilirannya digunakan untuk
perhitungan membuat gambar statistik dalam berbagai bentuk penyajian
data. Distribusi frekuensi terdiri dari dua, yaitu distribusi frekuensi
kategori dan distribusi frekuensi numerik.
Tabel distribusi frekuensi adalah tabel yang hanya menggambar-

kan 1 variabel.
Langkah teknik pembuatan tabel distribusi frekuensi dilakukan

sebagai berikut:
1. Urutkan data dari terkecil sampai terbesar
2. Hitung jarak atau rentangan (R), dengan rumus:
R = Data Tertinggi – Data Terendah
3. Hitung jumlah kelas (K), dengan rumus Strurges, yaitu:
Jumlah Kelas (K) = 1 + 3,3 log n
n = jumlah data
4. Hitung panjang kelas interval (P), Rumus:
Re n tan gan (R )
P=
Jumlah kelas (K )
5. Tentukan batas data terendah atau ujung data pertama, dilanjutkan

menghitung kelas interval. Caranya, menjumlahkan ujung bawah
kelas ditambah panjang kelas (P) dan hasilnya dikurangi 1 sampai
pada data akhir.
6. Buat tabel sementara (tabulasi data) dengan cara dihitung satu demi
satu yang sesuai dengan urutan interval kelas.
Tabel 1. Contoh Tabulasi Data
Interval Rincian Frekuensi (f)
Jumlah
7. Membuat tabel distribusi frekuensi dengan cara memindahkan

semua angka frekuensi (F).
Contoh:
Diketahui nilai ujian akhir Statistika di Jurusan Gizi – Politeknik
Kesehatan Depkes Malang Tahun 2008 yang diikuti oleh 70 mahasiswa,
diperoleh data:
70 70 71 60 63 80 81 81 74 74 66 66 67 67 67 68 76 76
77 77 77 80 80 80 80 73 73 74 74 74 71 72 72 72 72 83
84 84 84 84 75 75 75 75 75 75 75 75 78 78 78 78 78 79
79 81 82 82 83 89 85 85 87 90 93 94 94 87 87 89
1. Urutkan data dari terkecil sampai terbesar

60, 63
66, 66, 67, 67, 67, 68
70, 70, 71, 71, 72, 72, 72, 72, 73, 73, 74, 74, 74, 74, 74
75, 75, 75, 75, 75, 75, 75, 75, 76, 76, 77, 77, 77, 78, 78, 78, 78, 78, 79, 79
80, 80, 80, 80, 80, 81, 81, 81, 82, 82, 83, 83, 84, 84, 84, 84
85, 85, 87, 87, 87, 89, 89
90, 93, 94, 94
2. Hitung jarak atau rentangan (R), dengan rumus:

R = Data Tertinggi – Data Terendah
R = 94 – 60 = 34
3. Hitung jumlah kelas (K), dengan rumus Strurges, yaitu:

K = 1 + 3,3 log 70
K = 1 + 3,3 (1,845)
K = 1 + 6,0885 = 7,0887 ≈ 7
4. Hitung panjang kelas interval (P), Rumus:

34
P = Re n tan gan ( R ) = = 4,857 ≈ 5
Jumlah Kelas (K ) 7
5. Tentukan batas kelas interval panjang kelas (P)
( 60 + 5 ) = 65 - 1 = 64
( 65 + 5 ) = 70 - 1 = 69
( 70 + 5 ) = 75 - 1 = 74
( 75 + 5 ) = 80 - 1 = 79
( 80 + 5 ) = 85 - 1 = 84
( 85 + 5 ) = 90 - 1 = 89
( 90 + 5 ) = 95 - 1 = 94
6. Buat tabel sementara (tabulasi data) dengan cara dihitung satu demi
satu yang sesuai dengan urutan interval kelas.
Tabel 2. Distribusi Mahasiswa Jurusan Gizi – Politeknik Kesehatan

Depkes Malang berdasarkan Nilai Ujian Akhir Statistika Tahun 2008
Interval Rincian Frekuensi (f)

60 – 64 ll 2
65 – 69 llll l 6
70 – 74 llll llll llll 15
75 – 79 llll llll llll llll 20
80 – 84 llll llll llll l 16
85 – 89 llll ll 7
90 – 94 llll 4
Jumlah 70
7. Membuat tabel distribusi frekuensi dengan cara memindahkan

semua angka frekuensi (F).

Nilai Interval Frekuensi (f)

60 – 64 2
65 – 69 6
70 – 74 15
75 – 79 20
80 – 84 16
85 – 89 7
90 – 94 4
Jumlah 70
Pada umumnya, dalam penerapan hasil penelitian, penyajian data

sebagaimana disajikan pada Tabel 4 dapat disajikan sebagai berikut:

Jumlah Mahasiswa
Nilai Ujian Statistika n (%)
60 – 64 2 2,857
65 – 69 6 2,571
70 – 74 15 21,429
75 – 79 20 28,571
80 – 84 16 22,857
85 – 89 7 10,000
90 – 94 4 5,714
Jumlah 70 100,00
2. Tabel Silang (Cross Tabulation)

Tabel distribusi frekuensi dapat disajikan untuk dua variabel atau
lebih, yang selanjutnya disebut sebagai tabel silang (cross tabulation).
Tabel silang dapat disajikan menggunakan persentase pada Total Baris
atau persentase pada Total Kolom.
Tabel silang mempunyai bagian-bagian sebagai berikut:
a. Judul Tabel. Ditulis ditengah-tengah bagian teratas, dalam beberapa
baris. Secara singkat dan jelas dicantumkan: Apa, macam atau
klasifikasi, di mana, bilamana dan satuan atau unit data yang
digunakan. Tiap baris hendaknya melukiskan sebuah pernyataan
lengkap, dan sebaiknya jangan dilakukan pemisahan bagian kata
dan atau kalimat.
b. Judul kolom ditulis dengan singkat dan jelas, bisa dalam beberapa
baris. Usahakan tidak melakukan pemutusan kata. Demikian pula
dengan judul baris.
c. Sel tabel adalah tempat nilai-nilai data dituliskan.
d. Di kiri bawah tabel terdapat bagian untuk catatan-catatan yang
perlu.
e. Di bagian bawah tabel, juga terdapat Sumber, hal ini dimaksudkan
untuk menjelaskan dari mana data itu dikutip. Jika kalimat sumber
tidak ada, maka dianggap bahwa peneliti sendiri yang mengumpul-
kan data tersebut.
Disamping itu dalam membuat tabel perlu diperhatikan beberapa hal

sebagai berikut:
a. Nama sebaiknya disusun menurut abjad
b. Waktu disusun secara kronologis, sebagai contoh misalnya tahun
1995, 1997, 1999, 2001, dst
c. Kategori dicatat menurut kebiasaan, misalnya: Baik, sedang,
Kurang, Buruk; laki-laki dulu baru perempuan; Tinggi, sedang,
rendah, Besar baru kemudian kecil.
Semua hal tersebut diperlukan untuk lebih memudahkan pencarian,
pembacaan dan analisis selanjutnya.
Contoh:
Suatu penelitian dilakukan untuk mempelajari hubungan antara
Tingkat Konsumsi Zat Besi (Fe) dengan Status Anemia Ibu Hamil. Tabel
silang dari kedua variabel tersebut dapat disajikan menggunakan
persentase pada total baris (Tabel 5) atau menggunakan persentase
pada total kolom (Tabel 6).
Tabel 5. Distribusi Responden (Ibu Hamil) berdasarkan Tingkat

Konsumsi Zat Besi dan Status Anemia
Status Anemia
Tingkat Konsumsi
Tidak Anemia Anemia
Zat Besi
n % n %
Di Atas RDA 1 5,88 0 0
Normal 4 23,53 2 8,69
Defisit Tingkat Ringan 7 41,18 4 17,39
Defisit Tingkat Sedang 4 23,53 6 26,09
Defisit Tingkat Berat 1 5,88 11 47,83
Jumlah 17 100,00 23 100,00
Analisis menggunakan persentase pada Total Baris. Tabel 5

menunjukkan bahwa persentase responden dengan tingkat konsumsi zat
besi normal relatif banyak yang tidak menderita anemia (23,53%) di-
banding dengan responden yang menderita anemia (8,69%). Sedangkan,
persentase responden dengan tingkat konsumsi zat besi defisit (tingkat
ringan sampai berat) relatif banyak yang menderita anemia (91,31%)
dibanding dengan responden yang tidak menderita anemia (70,59%).
Bahkan, persentase responden dengan tingkat konsumsi zat besi defisit
tingkat berat relatif banyak yang menderita anemia (47,83%) dibanding
dengan responden yang tidak menderita anemia (5,88%).
Tabel 6. Distribusi Responden (Ibu Hamil) berdasarkan Tingkat

Konsumsi Zat Besi dan Status Anemia
Status Anemia
Tingkat Konsumsi Jumlah
Tidak Anemia Anemia
Zat Besi
n % n % n %
Di Atas RDA 1 100,00 0 0 1 100,00
Normal 4 66,67 2 33,33 6 100,00
Defisit Tingkat 7 63,64 4 36,36 11 100,00
Ringan
Defisit Tingkat 4 40,00 6 60,00 10 100,00
Sedang
Defisit Tingkat Berat 1 8,33 11 91,67 12 100,00
Analisis menggunakan persentase pada Total Kolom. Tabel 6

menunjukkan bahwa persentase responden dengan tingkat konsumsi zat
besi normal relatif banyak yang tidak menderita anemia (66,67%)
dibanding dengan responden yang menderita anemia (33,33%).
Sedangkan, persentase responden dengan tingkat konsumsi zat besi
defisit tingkat berat relatif banyak yang menderita anemia (91,67%)
dibanding dengan responden yang tidak menderita anemia (8,33%).
C. Penyajian Data dalam Bentuk Grafik

Grafik adalah lukisan pasang surutnya suatu keadaan dengan garis
atau gambar (tentang turun naiknya hasil statistik). Apabila data yang
disusun rapih berbentuk distribusi frekuensi dapat digambarkan dengan
cara membuat grafik, yaitu Histogram, Poligon Frekuensi dan Ogive.
1. Histogram
Histogram adalah grafik yang menggambarkan suatu distribusi
frekuensi dengan bentuk beberapa segi empat. Langkah-langkah mem-
buat histogram:
1. Buatlah absis dan ordinat
Absis adalah sumbu mendatar (X) menyatakan nilai Ordinat adalah
sumbu tegak (Y) menyatakan frekuensi
2. Berikan nama pada masing-masing sumbu dengan cara, sumbu

absis diberi nama nilai dan ordinat diberi nama frekuensi.
3. Buatlah skala absis dan ordinat
4. Buatlah batas kelas dengan cara:
a. Ujung bawah interval kelas dikurangi 0,5
b. Ujung atas interval kelas pertama ditambah ujung bawah
interval kelas kedua, dan dikalikan setengah
c. Ujung kelas atas ditambah 0,5. Perhitungan sebagai berikut:
60 – 0,5 = 59,5
(64 + 65) x ½ = 64,5
(69 + 70) x ½ = 69,5
(74 + 75) x ½ = 74,5
(79 + 80) x ½ = 79,5
(84 + 85) x ½ = 84,5
(89 + 90) x ½ = 89,5
(94 + 95) x ½ = 95,5
5. Membuat tabel distribusi frekuensi untuk membuat histogram

sebagaimana disajikan pada Tabel 7.
6. Membuat grafik histogram, sebagaimana disajikan pada Gambar 1.
Tabel 7. Distribusi Frekuensi Relatif Nilai Ujian akhir Statistika Mahasiswa

Jurusan Gizi – Politeknik Kesehatan Depkes Malang Tahun 2008
Nilai Batas Kelas Frekuensi (f)
59,5
60 – 64 64,5 2
65 – 69 69,5 6
70 – 74 74,5 15
75 – 79 79,5 20
80 – 84 84,5 16
85 – 89 89,5 7
90 – 94 95,5 4
Jumlah 70
25
20
Frekuensi
15
10
0
Nilai statistik
Gambar 1. Histogram Nilai Ujian Akhir Statistika Mahasiswa Jurusan Gizi

– Politeknik Kesehatan Depkes Malang Tahun 2008
2. Poligon Frekuensi
Poligon frekuensi adalah grafik garis yang menghubungkan nilai
tengah tiap sisi atas yang berdekatan dengan nilai tengah jarak frekuensi
mutlak masing-masing. Pada dasarnya pembuatan grafik poligon sama
dengan histogram, hanya cara membuat batas-batasnya yang berbeda.
Perbedaan antara histogram dan poligon adalah: (1) Histogram meng-
gunakan batas kelas sedangkan poligon menggunakan titik tengah, dan
(2) Grafik histogram berwujud segi empat sedang grafik poligon ber-
wujud garis-garis atau kurva yang saling berhubungan satu dengan yang
lainnya.
Berdasarkan hal tersebut di atas, maka poligon frekuensi dapat

dibuat dengan langkah-langkah sebagai berikut:
1. Buatlah titik tengah kelas dengan cara: Nilai yang terdapat di tengah
interval kelas atau nilai ujung bawah kelas ditambah nilai ujung atau
kelas dikalikan setengah, sebagai berikut:
(60 + 64) x ½ = 62
(65 + 69) x ½ = 67
(70 + 74) x ½ = 72
(75 + 79) x ½ = 77
(80 + 84) x ½ = 82
(85 + 89) x ½ = 87
(90 + 94) x ½ = 92
2. Buatlah tabel distribusi frekuensi untuk membuat histogram
Tabel 8. Distribusi Frekuensi Relatif Nilai Ujian akhir Statistika Mahasiswa

Nilai Titik Tengah Kelas Frekuensi (f)

60 – 64 62 2
65 – 69 67 6
70 – 74 72 15
75 – 79 77 20
80 – 84 82 16
85 – 89 87 7
90 – 94 92 4
Jumlah 70
3. Buatlah grafik poligon frekuensi dan keterangan lengkap,

sebagaimana disajikan pada Gambar 2.
3. Ogive
Ogive adalah distribusi frekuensi kumulatif yang menggambarkan
diagramnya dalam sumbu tegak dan mendatar atau eksponensial. Pada
dasarnya pembuatan grafik ogive tidak jauh berbeda dengan pembuatan
grafik poligon. Perbedaannya, (1) Ogive menggunakan batas kelas (batas
nyata) sedangkan poligon menggunakan titik tengah, (2) pada grafik
ogive menggambarkan distribusi frekuensi kumulatif kurang dari dan
distribusi frekuensi kumulatif atau lebih, serta distribusi frekuensi
kumulatif secara meningkat dengan menggunakan batas kelas (batas
nyata), sedangkan poligon mencantumkan nilai frekuensi tiap-tiap
variabel. Persamaannya, antara ogive dan poligon terletak pada gambar
grafik berwujud garis-garis atau kurve yang saling menghubungkan satu

titik dengan titik yang lainnya.
25
20
Frekuensi
15
10
0
57 62 67 72 77 82 87 92 98
Nilai Statistik
Gambar 2. Poligon Nilai Ujian Akhir Statistika Mahasiswa Jurusan Gizi –

Politeknik Kesehatan Depkes Malang Tahun 2008
Grafik ogive ini jarang dijumpai dalam suatu penelitian, walaupun

demikian grafik ogive berguna bagi sensus penduduk yang ingin
mengetahui perkembangan kelahiran dan kematian bayi, perancang
mode mengenai perkembangan penjualan modelnya, perkembangan dan
penjualan saham, dan lainnya. Berdasarkan hal tersebut di atas, maka
grafik ogive dapat dibuat dengan contoh sebagai berikut:
1. Grafik Ogive diambil dari tabel distribusi kumulatif kurang dari dan
distribusi frekuensi kumulatif atau lebih, sebagai berikut:
TABEL 9 TABEL 10
DISTRIBUSI KUMULATIF (KURANG DISTRIBUSI KUMULATIF (ATAU
DARI) LEBIH)
Nilai Ujian Akhir Statistika Nilai Ujian Akhir Statistika
Mahasiswa Jurusan Gizi – Politeknik Mahasiswa Jurusan Gizi – Politeknik
Kesehatan Depkes Malang Tahun Kesehatan Depkes Malang Tahun
2008 2008
Nilai fkum Nilai fkum
Kurang dari 60 0 60 Atau Lebih 70
80
70
60
Frekuensi
50
40
30
20
10
0
60 65 70 75 80 85 90 95
Nilai Statistik
Gambar 3. Ogive Nilai Ujian Akhir Statistika Mahasiswa Jurusan Gizi –

Politeknik Kesehatan Depkes Malang Tahun 2008
2. Grafik ogive diambil dari tabel distribusi frekuensi ditambah satu

kolom frekuensi meningkat dengan menggunakan batas kelas (batas
nyata), sebagai berikut:
Tabel 11. Distribusi Frekuensi Nilai Ujian akhir Statistika Mahasiswa

Nilai Batas Kelas Frekuensi (f) f Meningkat

59,5
60 – 64 64,5 2 2
65 – 69 69,5 6 8
70 – 74 74,5 15 23
75 – 79 79,5 20 43
80 – 84 84,5 16 59
85 – 89 89,5 7 66
90 – 94 95,5 4 70
80
60
Frekuensi
40
20
0
59.5 64.5 69.5 74.5 79.5 84.5 89.5 94.5
Nilai Statistik
Gambar 4. Ogive Distribusi Kumulatif Meningkat Nilai Ujian Akhir

Statistika Mahasiswa Jurusan Gizi – Politeknik Kesehatan Depkes Malang
Tahun 2008
Untuk membuat grafik dapat menggunakan software microsoft excell

dengan langkah-langkah sebagai berikut:
a. Membuat file data dengan program excell.

Contoh:
Jumlah
No. Tingkat Pendidikan Responden
n %
1 SD 58 19.86
2 SMP 76 26.03
3 SMA 123 42.12
4 PERGURUAN TINGGI 35 11.99
Total 292 100
b. Lakukan blocking pada data sel yang diinginkan (misal pada pada
sel SD sampai dengan 35) pada file excell.
c. Klik pada insert, chart, pilih jenis grafik yang diinginkan.
d. Klik next, pilih Column. Klik next, pilih Title ada beberapa pilihan:
• Chart Title untuk memberi judul grafik Æ ketik Distribusi
Tingkat Pendidikan Responden.
• Ketik pada (X) axis (keterangan sumbu X) Æ Tingkat
Pendidikan.
• Ketik pada (Y) axis (keterangan sumbu Y) Æ Jumlah.
e. Klik Axes Æ pilih Automatic.

f. Klik Gridlines untuk menampilkan garis pada gambar (pilih sesuai
keinginan).
g. Klik Legend untuk menampilkan legenda pada tabel (pilih sesuai
keinginan).
h. Klik Data Label Æ pilih Value.
i. Klik Data Table untuk menampilkan data tabel pada gambar grafik
(pilih sesuai keinginan).
j. Klik Next, pilih “ as object in sheet 1 “.
k. Klik Finish.
140
123
120
100
76
80
Jumlah 58
(orang) 60
35
40
20
0
SD SMP SMA PERGURUAN
TINGGI
Tingkat Pendidikan
Gambar 5.Distribusi Responden berdasarkan Tingkat Pendidikan
D. Penyajian Data dalam Bentuk Diagram

Diagram adalah gambaran untuk memperlihatkan atau
menerangkan sesuatu data yang akan disajikan.
1. Diagram Batang (Bar Chart)

Penyajian data jika berbentuk gambar akan lebih menarik dan
lebih menjelaskan lagi segala permasalahan yang akan disajikan secara
visual. Kegunaan diagram batang adalah untuk menyajikan data yang
bersifat kategori atau data distribusi.
Cara menggambar diagram batang yaitu diperlukan sumbu tegak

(vertikal) dan sumbu mendatar (horizontal) yang berpotongan tegak
lurus. Sumbu tegak maupun sumbu mendatar dibagi beberapa bagian
dengan skala nilai yang sama, walaupun demikian skala (ukuran) antara
sumbu tegak dengan sumbu mendatar tidak perlu dibuat sama, disesuai-
kan dengan penampilan diagramnya. Apabila diagram dibentuk berdiri
(tegak lurus), maka sumbu mendatar digunakan untuk menyatakan
atribut atau waktu, sedangkan nilai data (kuantum) dituliskan pada
sumbu tegak. Adapun letak batang satu dengan yang lainnya harus
terpisah dan serasi mengikuti tempat diagram yang ada.
Penyajian data berbentuk diagram batang ini banyak modelnya,

antara lain diagram batang satu komponen atau lebih, diagram batang
dua arah, diagram batang tiga dimensi, dan lain-lain sesuai dengan
variasinya atau tergantung kepada keahlian pembuat diagram.
Gambar 5 menyajikan contoh diagram batang estimasi prevalensi

diabetes mellitus di beberapa negara pada tahun 1995 – 2025.
1995 2000 2025

80 79.5
70 63.5
Estimated Prevalence
56
60
50 42.8 42.8
(Millions)
35.3 32.7
40 34.8 32.8
30.4
30.7 27.4
30 26.4
16.7
20 9.8 13.8
4
10 3.4
0
Af. Am. E.Med. Eu. S.E. As W
Negara
Gambar 6. Diagram Batang Diabetes Mellitus, Regional Estimate, 1995 –

2025
Gambar 6 menunjukkan bahwa sekilas terlihat terjadi penurunan

tingkat inflasi yang tajam dari Bulan Juli ke Agustus. Sebaliknya, dari
Bulan Agustus ke September juga terjadi lonjakan tingkat inflasi yang
cukup tinggi, yang meningkat terus sampai Bulan November.
Hal inilah yang menjadi keunggulan penyajian data dengan

diagram garis (line chart) dibandingkan jika data disajikan lewat se-
rangkaian angka, dimana perbedaan data tidak dapat dilihat secara
cepat. Selain itu, penyajian data menggunakan diagram garis sebagai-
mana disajikan pada Gambar 7 di atas langsung dapat dilihat bahwa
tingkat inflasi cenderung meningkat dari waktu ke waktu.
2. Diagram Garis (Line Chart)

Diagram garis digunakan untuk menggambarkan keadaan yang
serba terus-menerus. Misal, pergerakan indeks bursa saham, bursa
komoditas dunia, grafik kurs valuta, dan lain-lain. Cara menggambarkan
diagram garis ini pada intinya sama dengan menggambar diagram
batang. Gambar 6 menyajikan contoh diagram garis tingkat inflasi (%)
yang terjadi di Indonesia pada tahun 2001.
2.5
2
Tingkat Inflasi (%)
1.5
0.5
0
Ja. Feb. Mar. April Mei Jun Jul Augs Sep Okt Nov Des
Bulan
Gambar 7. Diagram Garis Tingkat Inflasi (%) di Indonesia Tahun 2001
3. Diagram Lambang
Diagram lambang atau dikenal dengan diagram simbol adalah
suatu diagram yang menggambarkan simbol-simbol dari data sebagai
alat visual untuk orang awam. Misal, data angkatan kerja digambarkan
orang, hutan produksi digambarkan pohon, data listrik digambarkan bola
lampu, kayu digambarkan batangan, dan lain-lain.
4. Diagram Lingkaran dan Diagram Pastel

Diagram lingkaran (Pie Chart) digunakan untuk penyajian data
berbentuk kategori dinyatakan dalam persentase. Jika pada diagram
batang (bar chart), setiap batang (bar) mewakili frekuensi tertentu dari
data, maka pada pie chart, frekuensi data dinyatakan dalam besar irisan
yang ada pada diagram. Pie chart sebenarnya mirip dengan histogram.
Gambar 8 berikut adalah contoh penyajian data menggunakan

diagram lingkaran (pie chart). Data yang disajikan adalah persentase KB
aktif yang menggunakan kontrasepsi dari dari Tahun 2004–2005, jumlah
yang menggunakan Pil 53,9%, Kondom 27%, Suntik 11,8%, IUD 27%,
dan yang menggunakan lain-lain 2,9%. Langkah-langkah membuat
diagram lingkaran (pie chart) adalah:
1. Buatlah lingkaran dengan jari-jari disesuaikan dengan kebutuhan.
2. Untuk kepentingan ini, data telah dinyatakan dalam persen. Oleh
karena itu, setiap 1% akan memerlukan 360o: 100 = 3,6o (ingat luas
lingkaran = 360o). Misal, data dinyatakan dalam jumlah orang, 60
orang maka setiap orang akan memerlukan luas 360o: 60 = 6o.
3. Menghitung luas yang diperlukan oleh sekelompok data dalam
lingkaran. Dalam hal ini terdapat lima luas yang jumlah keseluruhan
akaan sama dengan lingkaran. Luas kelompok yang menggunakan
kontrasepsi:
Pil : 53,9 x 3,6 = 194,04
Kondom : 4,4 x 3,6 = 15,84
Suntik : 11,8 x 3,6 = 42,48
IUD : 27 x 3,6 = 97,20
Lain-lain : 2,9 x 3,6 = 10,44
4. Selanjutnya, luas-luas kelompok data tersebut digambarkan dalam

lingkaran, dengan menggunakan busur derajat dapat mulai dari
sembarang titik. Jangan sampai terdapat sisa lingkaran, misalnya
jumlah luas dari setiap kelompok data tidak sampai 360.
Sedangkan diagram pastel adalah perubahan wujud dari model

diagram lingkaran disajikan dalam bentuk tiga dimensi, sebagaimana
disajikan pada Gambar 9.
IUD
Suntik 27.00%
11.80%
Kondom Lain-lain
4.40% 2.90%
Pil
53.90%
Gambar 8. Pie Chart Persentase Peserta KB Aktif menurut Metode

Kontrasepsi
IUD
Suntik 27%
12%
Kondom Lain-lain
4% 3%
Pil
54%
Gambar 9. Diagram Pastel (Pie Chart) Persentase Peserta KB Aktif

menurut Metode Kontrasepsi
5. Diagram Pencar
Diagram pencar atau disebut juga diagram titik (diagram sebaran)
adalah diagram yang menunjukkan gugusan titik-titik setelah garis
koordinat sebagai penghubung dihapus. Biasanya diagram ini digunakan

untuk menggambarkan titik data korelasi atau regresi yang terdiri dari
variabel bebas (independent vaviable) dan variabel terikat (dependent
variable). Contoh diagram ini menunjukkan adanya hubungan variabel X
dan Y.
Y
..........
..........
..........
..........
..........
..........
X
Hubungan Linier Positif (r = +1)
Gambar 10. Diagram Pencar Hubungan Variabel X dengan Y
Y
..........
..........
..........
..........
..........
..........
X
Hubungan Linier Negatif (r = -1)

..........
........... ..........
.......... .......... ..........
.......... .......... ..........
.......... .......... ..........
.......... ..........
..........
X
Tidak Ada Hubungan (r = 0)
-oo0oo-
BAB VI
TEKNIK SAMPLING
P opulasi seluruh subyek yang menjadi sasaran penelitian atau

kumpulan elemen yang menjadi dasar untuk inferensi atau
induksi. Sedangkan sampel adalah sebagian dari populasi atau
contoh dari suatu populasi.
Macam Teknik Sampling

a. Sampling Probabilitas
Sampling probabilitas (random) atau acak di mana setiap anggota
populasi mendapat kesempatan yang sama untuk menjadi sampel.
1. Simple Random Sampling

• Berhadapan dengan Populasi yang dianggap homogen
• Tersedia Daftar anggota Populasi (Sample Frame)
• Cara:
− Undian (lotere).
− Tabel bilangan random.
− Nomor Telephon
• Keuntungan:
− Estimator yang tdk bias.
− Pelaksanaan mudah
• Kelemahan:
− Sampel mengumpul di satu tempat atau menyebar.
− Kesulitan membuat Sample Frame
2. Sistematik Random Sampling

• Hampir sama dengan Simple R sampling
• Caranya:
− Sampel pertama dipilih secara random
− Sampel dipilih secara sistematis
• Berdasarkan besarnya interval (N/n).
• Cara ini biasanya menghasilkan sampling error lebih kecil dari
simple Random sampling Æ memencar di seluruh populasi.
3. Stratified Random Sampling

• Bila berhadapan dengan Populasi heterogen
• Populasi dibagi dalam strata-strata atau sub populasi yang
homogen atau relatif homogen, dan antar strata tidak
overlaping
• Dari masing-masing strata dipilih sub sampel secara random
(simple atau sistematik)
• Keuntungan:
− semua ciri-ciri populasi yang heterogen terwakili.
− Dimungkinkan diteliti adanya hubungan atau perbedaan
antar strata.
• Kelemahan:
− Sampel dapat menyebar dg jarah berjauhan.
− Perlu pengetahuan dasar/informasi untuk membuat strata.
4. Cluster Random Sampling

• Bila berhadapan dg populasi yang heterogen yang terdiri dari
cluster.
• Dari beberapa cluster dipilih secara random
• Keuntungan:
− Penyebaran unit populasi dapat dihindari
− Hanya diperlukan daftar sub sampel/cluster
Teknik Sampling 59
• Kelemahan:
− Sulit diperoleh cluster dengan heterogenitas yang benar-
benar sama, sehingga estimator dari sampel ini bias.
− untuk generalisasi kurang baik
5. Multistage Random Sampling

• Bila berhadapan dengan populasi yang sangat besar, heterogen
& secara geografis tersebar
• Merupakan kombinasi dari cara-cara random sampling yang
ada, dengan urutan yang bervariasi tergantung keadaan
populasinya.
Contoh: Propinsi Æ Kabupaten Æ Kecamatan Æ Desa
B. Non Probability Sampling

Sampling non probabilitas (non random) atau tidak acak di mana
tidak setiap anggota populasi mempunyai kesempatan yang sama untuk
menjadi sampel
1. Accidental Sampling Atau Convenience Sampling

• Teknik ini didasarkan pada yang kebetulan ada.
Contoh:
Penelitian tentang sikap Ibu terhadap kegiatan Posyandu, maka
sampelnya diambil hanya Ibu-ibu yang kebetulan datang ke
Posyandu, yang tidak datang tidak mempunyai kesempatan.
2. Purposive Sampling
• Didasarkan pada pertimbangan/kriteria peneliti sesuai maksud
dan tujuan.
• Cara ini cocok untuk studi kasus.
Contoh Penelitian tentang disiplin kerja bidan di suatu Rumah
Sakit, maka dicari bidan dengan kriteria tertentu.
3. Quota Sampling
• Didasarkan pada teknik pemilihan sampel dengan ciri-ciri
tertentu sampai pada jumlah tertentu yang diinginkan (kuota)
Contoh:
Sampel diambil dengan pertimbangan peneliti sebanyak 30
orang, karena dianggap cukup
4. Sampling Jenuh
• Adalah Sensus artinya seluruh Populasi diteliti.
• Teknik ini dilakukan karena jumlah populasi sedikit yakni
kurang dari 30
5. Snowball Sampling
• Teknik ini merupakan teknis sampling yang mula-mula kecil,
kemudian sampel yang terpilih disuruh mencari lagi sampel lain.
Penentuan Besar sampel (Sample Size)

Penentuan besar sampel sangat diperlukan dalam statistik inferen-
sial, mengingat peneliti tidak mungkin mengamati seluruh populasi. Besar
sampel yang dibutuhkan sangat bergantung pada:
a. Harga parameter yang diteliti (Rata-2 ( μ ) atau Proporsi (P).

b. α (alfa) dan β (beta) yang digunakan.
c. Penelitian Estimasi atau Uji Hipotesis
d. Besarnya penyimpangan yg ditolerir atau perbedaan yang
diharapkan (d).
e. Nilai Parameter Populasi yang diketahui
( σ (standard deviasi), μ (rata-rata), dan lain-lain)
1. Rumus Besar Sampel (Data Proporsi) untuk estimasi.
Zα 2 .ρ .q
n = (Populasi infinit)
d2
N .Zα 2 .ρ.q
n = (Populasi Finit)
d 2 (N − 1) + Zα 2 .ρ.q
Teknik Sampling 61
Keterangan:
N = Besar Populasi.
P = estimator proporsi populasi.
Q = 1 – p.
Zα = harga kurva normal sesuai α (tingkat kepercayaan).
d = beda antara proporsi di sampel dengan di populasi.
N = besar sampel.
Contoh
Di suatu propinsi diketahui prevalensi Anemia pada Ibu hamil 60 %.
Suatu Penelitian ingin dilakukan di kecamatan tersebut, berapa
besarnya sampel yang harus diambil bila diinginkan perbedaan
proporsi di populasi dengan di sampel tidak lebih dari 5 %
Jawab
Diketahui:
P = 60 % = (0,6) dan q = 1-0,6 = 0,4

Z α = 1,96; d = 5 %.
Zα 2 .ρ .q (1,96)2 x 0,6x 0,4

n = =
d2 (0,05)2
Contoh
Seorang Mahasiswa ingin melakukan penelitian tentang Status Gizi
Balita di suatu kecamatan yang mempunyai Balita 6.000 balita. Pada
penelitian nasional didapatkan anak berstatus gizi kurang 30 %.
Berapa besar sampel yang harus diambil bila tingkat
kepercayaannya 95 % dan tingkat kemamtapannya 5 %.
Jawaban
Diketahui:
N = 6000 Balita, p = 30 % (0,3) q = 1- p = - 0,3 = 0,7
Z α = 1,96 d = 0,05
N .Zα 2 .ρ.q 6000x 1,96 2 x 0,3x 0,7

n = =
d 2 (N − 1) + Zα 2 .ρ.q (0,05)2 (6000 − 1) + 1,962 x 0,3x 0,7
= 217,76 balita
Contoh
Dari 5000 keluarga transmigrasi ingin dilakukan penelitian tentang
perilaku di bidang kesehatan masyarakat. Berapa sampel yang
diperlukan bila kesalahan hasil sampel tidak melebihi 5 % dari
populasinya, pada tingkat kepercayaan 95 %
Jawab
Misalkan perubahan tingkah laku di bidang kesehatan setelah
keluarga yg ditransmigrasikan ke pemukiman yang baru mengalami
perubahan sebesar 50 %, maka
p = 0,5 dan q = 0,5, N = 5000 keluarga

Z α = 1,96 d = 0,05.
N .Zα 2 .ρ.q 5000x (1,96)2 x 0,5x 0,5

n = =
d 2 (N − 1) + Zα 2 .ρ.q (0,05)2 (5000 − 1) + 1,962 x 0,5x 0,5
=
357 orang
Beberapa Rumus Besar Sampel (Data Kontinyu)
Zα 2 .σ 2
n = (Populasi Infinit)
dx 2
N .Zα 2 .σ 2
n= (Populasi Finit)
dx 2 (N − 1) + Zα 2 .σ 2
Keterangan:
N = Besar Populasi
σ = standard deviasi Æ σ 2 = varians.
Zα = harga kurva normal sesuai α (tingkat kepercayaan).
Teknik Sampling 63
Dx = beda antara rata-rata di sampel dengan di populasi.

N = besar sampel.
Contoh Soal:
Untuk mengetahui manfaat OAD (Obat Anti Diabetic) tertentu
terhadap penurunan kadar gula darah. Andaikata σ 2 penurunan gula
darah tidak diketahui namun kepustakaan menyatakan bahwa penurunan
tsb mempunyai rentang 100 mg % dan yang kita menghendaki d = 10
mg %, berapa sampel yang diperlukan ?
Jawab
σ = Rentangan /4 = 100 mg % /4 = 25 mg %
σ 2 = (25)2 mg % = 625 mg %
α = 0,05 Z α = 1,96.
Zα 2 .σ 2 (1,96) 2 x625
n= = = 24 orang.
dx 2 (10) 2
• Selama 6 bulan penderita DM yang memenuhi syarat 100 (n), maka
dipilih 24 dari 100 secara random.
• Kemudian kita pilih random sistematik dengan interval pengambilan
100/24 = 5.
• Misal random pertama jatuh pada nomor 7, maka nomor sampel
berikutnya adalah,7+5=12, 12+5=17, dst.
Contoh soal
Mengetahui perbedaan serum creatinin pada penderita ginjal
menahun dengan orang normal. Andaikata kita tidak mengetahui
besarnya σ 2 namun kepustakaan ada rentangan 0,15 mg %. Selanjut-
nya digunakan α = 0,05 dan d = 0,01 mg %, berapa besar n ?
Jawaban
σ = Rentangan /4 = 0,15 mg % /4 = 0,0375 mg %.
σ 2 = (0,0375)2 = 0,00141
α = 0,05 Z α = 1,96.
Zα 2 .σ 2 (1,96) 2 x0,00141
n= = = 108,33 = 108 orang.
dx 2 (0,01) 2
2. Rumus Besar sampel untuk uji hipotesis
(Zα 2PQ + Zβ P1Q1 + P2Q 2 )2

n= (Data Proporsi)
(P1 − P2 )2
2
⎛ (Zα + Zβ )S ⎞
n = 2⎜⎜ ⎟
⎟ (Data kontinyu)
⎝ x1 − x 2 ⎠
Contoh:
Seorang mahasiswi kebidanan Poltekkes Malang Progsus
Pelayanan ingin meneliti tentang perbedaan kejadian diare antara bayi
yang lahir normal dengan yang lahir sectio caesaria.
Diketahui proporsi diare pada kelompok sectio caesaria = 0,7 dan

proporsi diare pada kelompok persalinan normal = 0,2. jika penelitian
menggunakan α= 0,05 dan β = 0,2 tentukan besar sampel minimal
yang ditentukan.
Jawab:
Diketahui
Z α = Deviat baku alpha = 1,96 (tingkat kepercayaan 95%).

Z β = Deviat baku beta= 0,842 (power test 80%).
Teknik Sampling 65
P1 =
Proporsi diare pada kelompok sectio caesaria = 0,7
Q1 =
1–P1: proporsi tidak diare pada kelompok Sectio Caesaria
=
0,3
P2 =
Proporsi diare pada kelompok persalinan normal = 0,2
Q2 =
1–P2: proporsi tidak diare pada kelompok persalinan
normal = 0,8
P1-P2 = Selisih proporsional minimal yang dianggap bermakna =
0,5
P + P2 0,7 + 0,2
P = Proporsi total = 1 = = 0,45
2 2
Q = 0,55
Rumus besar sampel yang digunakan
(Zα 2PQ + Zβ P1Q1 + P2Q 2 )2

n=
(P1 − P2 )2
(1,96 2x 0,45x 0,55 + 0,842 0,7 x 0,3 + 0,2x 0,8)2

n1 = n 2 =
(0,7 − 0,2)2
(1,96 0,495 + 0,842 0,37)2

n1 = n 2 =
(0,5)2
(1,96x 0,70 + 0,842x 0,61)2 (1,372 + 0,513)2

n1 = n 2 = =
(0,5)2 (0,5)2
3,55
n1 = n 2 = = 15 responden.
0,25
Contoh:
Seorang peneliti ingin mengetahui perbedaan kadar Placenta
Growth Factor (PGF) antara ibu hamil normal dengan ibu hamil yang
mengalami pre eklampsia. Dari studi pendahuluan diketahui bahwa
simpang baku gabungan adalah sebesar 40.
Peneliti menetapkan α = 5%, hipotesis satu arah, β = 10%, dan

perbedaan rerata minimal yang dianggap bermakna adalah 20. Rumus
besar sampel mana yang digunakan dan berapa besar sampel yang
diperlukan.
Jawab:
a. Menentukan rumus besar sampel.
Penelitian diatas adalah penelitian analitik numerik tidak
berpasangan. Dengan demikian, rumus besar sampel yang dipilih
adalah:
2
⎛ (Zα + Zβ )S ⎞
n1 = n 2 = 2⎜⎜ ⎟
⎟
⎝ x1 − x 2 ⎠
b. Menghitung besar sampel.
Kesalahan tipe I = 5%, hipotesis satu arah, Z α =1,64, kesalahan
tipe II = 10%, maka Z β =1,28. selisish minimal yang dianggap
bermakna ( x1 − x 2 ) = 20; simpang baku gabungan = 40.
2 2
⎛ (Zα + Zβ )S ⎞ ⎛ (1,64 + 1,28)x 40 ⎞
n1 = n 2 = 2⎜⎜ ⎟ = 2⎜
⎟ ⎟ = 69.
⎝ x1 − x 2 ⎠ ⎝ 20 ⎠
Dengan demikian, besar sampel minimal masing-masing kelompok

adalah 69 (kelompok kehamilan normal sebanyak 69, kehamilan
dengan pre eklampsia sebanyak 69).
-oo0oo-
BAB VII
ESTIMASI (PENAKSIRAN)
D alam statistika selain statistika Deskriptif juga dikenal

statististika inferensial. Perbedaan keduanya terletak pada
penggunaan sampel untuk generalisasi pada populasi. Pada
statistika inferensial sampel dapat digunakan untuk menyimpulkan pada
populasi dengan mempertimbangkan kesalahan tipe I ( α ) dan ke-
salahan tipe II ( β ). Statistika inferensial dikelompokkan menjadi 2 ba-
gian yaitu: estimasi dan Uji Hipotesis. Pada bagian ini akan dikaji estimasi
(penaksiran).
Estimasi merupakan penaksiran terhadap ukuran di populasi

dengan menggunakan nilai yang ada (diperoleh) dari sampel. Estimator
yang baik adalah apabila dihitung rata-ratanya dari semua sampel akan
memberikan nilai yang sama dengan parameter populasinya. Memberikan
ketepatan yang baik yaitu variabilitasnya kecil yang dapat dilihat dari
varians distribusi sampel.
Statistik sampel bisa berupa Mean, Median dan Modus. Estimator

yang baik memiliki ciri-ciri sebagai berikut:
1. Tidak bias: artinya nilai yang diestimasi semakin mendekati nilai

yang sebenarnya. Untuk mencapai hal tersebut dapat dilakukan
dengan mendekatkan besar sampel dengan besar populasi.
2. Efisien: artinya bila dilihat dari keruncingan (kurtosis) kurva yang

diperoleh, maka nilai penyebarannya semakin kecil merupakan
estimator yang efisien.
3. Konsisten: artinya bila dilihat dari kemencengan (skewness) distri-
businya. Semakin menceng distribusinya semakin tidak konsisten,
dan sebaliknya semakin tidak menceng semakin konsisten.
4. Cukup: artinya satu-satunya informasi yang sesuai dengan
parameter, misalnya x untuk menaksir μ .
Estimasi (penaksiran) ada 2 macam yaitu:
1. Point Estimate (Estimasi Titik).

Contoh: menaksir rata-rata tinggi badan mahasiswa perguruan tinggi di
Malang. Dapat ditaksir dengan menggunakan sampel yang dianggap
mewakili populasi.
Misalnya diambil sampel 25 orang diketahui rata-rata 168 cm dan

standard deviasi 4,5 cm.
Interval Estimate (Estimasi Selang)

Memerlukan derajat konfidens (zc)
Bila tingkat kepercayaan = 95 %, maka nilai zc = 1,96
Bila tingkat kepercayaan = 99 %, maka nilai zc = 2,58
Semakin besar derajat konfidens semakin besar keyakinan taksiran

benar.
Rumus Umum Estimasi Interval (Data Kuantitatif) jika N diketahui.
s N −n
X ± Zα x Æ n ≥ 30
n N
s N −n
X ± t (α ,dk =n −1) x Æ n<30
n N
Estimasi (Penaksiran) 69
Jika N tidak diketahui:
s
X ± Zα x Æ n ≥ 30
n
s
X ± t (α ,dk =n −1) x Æ n<30
n
Keterangan:
Z tabel, t tabel, s = standard deviasi.

N = besar populasi, n= besar sampel
Rumus Umum Estimasi Interval (Data Kualitatif)
p (1 − p ) N − n
p ± Zαx Æ n ≥ 30
N N
p (1 − p ) N − n
p ± t (α ,dk =n −1) x Æ n<30
N N
Contoh soal:
Dari 3750 orang diambil sampel sebanyak 25 orang dan rata-2
tinggi badan 168 cm, simpangan baku = 4,5 cm. Berapa perkiraan rata-
rata tinggi badan di populasi bilamana kita inginkan besarnya konfidende
limits sebesar 95 %.
Jawab:
s N −n
X ± t (α = 0,025,dk = 24) x
n N
4 ,5 3750 − 25
168 ± 2.064 x
25 3750
168 ± 2.064 x 0,9x 0,9967

166,15 ≤ μ ≤ 169,85
Jadi estimasi rata-rata tinggi badan mahasiswa di populasi adalah 166,15

– 169,85 cm pada confidence interval (CI) 95%.
Contoh:
Diketahui dari 400 sampel bayi lahir cukup umur di suatu propinsi,
rata-rata berat badan lahir = 3250 gram dengan simpangan baku s =
250 gram. Populasi bayi tidak diketahui. Berapa perkiraan rata-rata berat
badan populasi bila confidence interval 95 %.
Jawab:
s
X ± Zα x
n
2500
3250 ± 1,96 x
400
3250 ± 1,96 x 1,25

3250 ± 24 ,5
3225,5g ≤ μ ≤ 3274 ,5g
Jadi perkiraan rata-rata berat badan lahir bayi populasi terletak pada
3225,5 – 3274,5 gram pada confidence interval 95%.
-oo0oo-
BAB VIII
TEKNIK ANALISIS DATA
A nalisis data penelitian secara umum dapat dikelompokkan dalam

2 macam yaitu analisis deskriptif dan analisis inferensial atau
induktif. Sebuah penelitian kadang hanya menggunakan analisis
deskriptif saja tanpa melakukan analisis inferensial. Penelitian lain bisa
saja menggunakan teknik analisis tidak hanya deskriptif tetapi juga
inferensial, hal ini tergantung kepada jenis penelitian yang dilakukan.
A. Kajian Pada Analisis Deskriptif

Pada penelitian yang bersifat deskriptif tidak ada hipotesa yang
akan diuji, sedangkan pada penelitian inferensial biasanya diikuti dengan
pengujian hipotesis. Kajian pada analisis deskriptif meliputi penataan,
peringkasan dan penggambaran. Penataan pada umumnya berupa tabel-
tabel baik tabel distribusi frekuensi maupun tabel silang yang melibatkan
2 atau lebih variabel. Peringkasan meliputi ukuran pusat dan ukuran
penyebaran. Ukuran pusat misalnya modus, median dan mean. Sedang-
kan ukuran penyebaran antara lain rentang, variansi, standard deviasi,
dan lain-lain.
Penggambaran data pada analisis deskriptif dapat berupa grafik

batang, grafik peta, grafik pie (lingkaran), histogram, poligon, ogive,
grafik garis dan diagram pencar (scatter diagram). Dalam menentukan
penataan, peringkasan dan penggambaran data hasil penelitian amat
bergantung pada jenis data penelitian yang diperoleh. Bagaimana

menentukan hal tersebut dapat dilihat pada lampiran.
1. Penataan
Untuk penyajian data dalam bentuk tabel dapat dilakukan dengan
tabel distribusi frekuensi yang hanya melibatkan satu variabel dan tabel
silang dengan 2 atau lebih variabel.
a. Tabel Distribusi Frekuensi

Apabila katagori dari variabel sudah ditentukan (baku) maka peneliti
langsung menyajikan katagori tersebut dalam bentuk tabel distribusi
frekuensi. Namun bila katagori dalam variabel itu belum ada maka
peneliti bisa menggunakan aturan sturges untuk menentukan
banyaknya klasifikasi/katagori dengan rumus
Banyak Kelas = 1 + 3,3 Log N, Dst
b. Tabel Silang Æ Melibatkan 2 Variabel Atau Lebih
Analisis Penyajian Data dalam Bentuk Tabel
Efektifitas
Jenis Kontrasepsi Jumlah
Baik Sedang Gagal
A 18 5 2 25
B 12 7 6 25
Jumlah 30 12 8 50
Analisis Kolom
Efektifitas
Jenis Kontrasepsi Jumlah
Baik Sedang Gagal
18 5 2 25
A
(72%) (20 %) (8 %) (100%)
12 7 6 25
B
(48 %) (28 %) (24 %) (100%)
Teknik Analisis Data 73
Berdasarkan tabel diatas dapat dinyatakan bahwa efektifitas yang

baik pada jenis kontrasepsi A sebesar 72% lebih tinggi dibanding
dengan kotrasepsi B sebesar 48%. Sedangkan efektifitas yang gagal
kontrasepsi B 24% lebih tinggi dari pada A sebesar 8%. Dengan
demikian efektifitas kontrasepsi A lebih baik daripada kontrasepsi B.
Analisis Baris
Efektifitas
Jenis Kontrasepsi
Baik Sedang Gagal
18 5 2
A
(60%) (41,67 %) (25 %)
12 7 6
B
(40 %) (58,33%) (75 %)
30 12 8
Jumlah
(100 %) (100%) (100%)
Pada tabel di atas dapat dinyatakan bahwa pada jenis kontrasepsi A

efektifitas yang baik sebesar 60% lebih tinggi daripada yang gagal
sebesar 25%, sedangkan pada kontrasepsi B efektifitas yang gagal
75% lebih tinggi dari yang baik sebesar 40%. Dengan demikian
efektifitas yang baik lebih banyak pada kontrasepsi A.
2. Peringkasan
a. Ukuran Nilai Tengah
1. Mean
2. Median
3. Modus
b. Ukuran Penyebaran
1. Banyak Data
2. Rentang
3. Standard Deviasi – Varians
4. Koefisien Variasi
c. Penggambaran
1. Grafik Titik
2. Grafik Garis
3. Diagram Batang (Bar Diagram)
4. Diagram Lingkaran (Pie Diagram)
5. Histogram
6. Piktogram
7. Ogive
8. Poligon Frekuensi, dan lain-lain
Peringkasan
Skala Data Penataan Penggambaran
Ukuran Ukuran
Tengah Penyebaran
Disparitas Grafik Batang
Nominal Tabel Modus frekuensi Grafik Peta
masing2 katagori Grafik Pie
Grafik Batang
Modus
Ordinal Tabel Rentang Grafik Peta
Median
Grafik Pie
Histogram
Rentang
Modus Poligon
Interval Varians
Tabel Median Ogive
/Rasio Std.Deviasi
Mean Grafik Garis
Dll
Scatter
B. Kajian Pada Analisis Inferensial

Pada analisis inferensial kita dihadapkan pada data yang didapat
dari sampel untuk digeneralisasi pada populasi. Untuk ini dalam peng-
ambilan keputusannya selalu dihadapkan pada kesalahan alfa untuk
penafsiran dan uji hipotesis untuk kesalahan beta, hal ini terjadi karena
kita tidak mengambil data pada seluruh populasi untuk uji hipotesis,
tetapi pada sebagian saja. Hal inilah yang merupakan munculnya
kesalahan. Umumnya penelitian mengutamakan kesalahan tipe satu (∝).
Pada penelitian laboratorium dimana variabel-variabel dapat dikontrol

dengan ketat, digunakan ∝ = 0,01, sedangkan pada penelitian sosial
yang variabel-variabel sulit dikontrol, digunakan ∝ = 0,05.
Teori Kesalahan Dalam Uji Hipotesis
Keadaan Sebenarnya
Kesimpulan
Benar Salah
Tdk Membuat Kesalahan Tipe Ii
Terima Ho
Kesalahan (β)
Kesalahan Tipe Ii Tdk Membuat
Tolak Ho
(α) Kesalahan
Pengertian α Dan β
• α adalah besarnya peluang menolak Ho pada sampel, padahal
dalam populasi Ho benar α = 0,05 (signifikansi atau tingkat
kepercayaan) artinya setiap 100 kali menolak Ho ada 5 kali menolak
Ho yang benar
• β adalah besarnya peluang menerima Ho yang salah β = 0,2 Î 1- β
= power uji artinya penelitian ini mempunyai kekuatan 80 % untuk
mendeteksi perbedaan itu, jika perbedaan di populasi memang ada.
Dasar Pemilihan Statistik Uji (Test Statistic).

Saat ini telah tersedia cukup banyak statistik uji baik berupa
Statistik uji Parametrik maupun Non Parametrik dengan berbagai ke-
lebihan dan kekurangannya. Statistik uji tersebut sudah banyak di-
lengkapi dengan paket program statistik yang hanya dalam beberapa
saat saja hasil penghitungan statistik uji dapat dikerjakan.
Namun walaupun demikian ternyata bahwa paket program kom-

puter masih belum mampu memilah dan memilih statistik uji yang tepat
untuk menganalisa data yang kita punyai. Kenyataan ini mengharuskan
kepada kita untuk memiliki kemampuan dalam memilih uji yang tepat,
sehingga kesimpulan yang diperoleh sesuai dengan tujuan yang

diharapkan berdasarkan data yang telah dikumpulkan.
Pemilihan statistik uji yang tepat akan sangat menentukan

terhadap kesimpulan yang diperoleh, sehingga kesimpulan yang ada
dapat dijadikan dasar untuk pengambilan keputusan. Oleh karena itu
dasar pertimbangan pemilihan uji harus diperhatikan. Beberapa hal yang
harus diperhatikan dalam pemilihan uji adalah sebagai berikut:
1. Tujuan Uji
Dalam uji hipotesis pada dasarnya ada 2 tujuan yang ingin dicapai
yaitu Uji perbandingan (perbedaan) dan Uji hubungan (korelasi).
Walaupun demikian ada yang menyebutkan uji hubungan berbeda
dengan uji pengaruh. Penulis lebih cenderung memasukkan uji
pengaruh mengelompokkan ke dalam uji hubungan (korelasi). Oleh
karena itu untuk pemilihan uji kita hanya menentukan apakah
termasuk Uji beda ataukah uji hubungan (korelasi).
2. Jenis data
a. Menurut Skala pengukuran data:
• Skala Nominal
• Skala Ordinal
• Skala Interval
• Skala Rasio
b. Menurut Sifatnya:
• Data Kuantitatif
• Data Kualitatif Dan
• Data Semi Kuantitatif
3. Sampel/Pengamatan Yang Diuji

Macam sampel/pengamatan yang akan diuji menentukan juga faktor
dalam pemilihan uji yang tepat. Karena ada sampel yang berkaitan
yaitu satu sampel diamati 2 kali (sampel terikat) karena pengamatan
sesudah tergantung pada pengamatan sebelumnya disamping itu
ada juga 2 sampel yang saling bebas. Untuk kedua kasus tersebut
statistik ujinya berbeda.
4. Jumlah sampel
Jumlah sampel harus dibedakan dengan besar sampel. Jumlah
sampel lebih mengarah pada kelompok yang ada pada sampel yang
menjadi sasaran penelitian, sedangkan besar sampel lebih mengarah
pada banyaknya elemen atau anggota pada sampel tersebut.
Dasar Pemilihan Uji
Sampel Jumlah Jenis Data

Tujuan Uji Bebas/ Kelompok Data Semi
Terikat Sampel Data Kuantitatif Data Kualitatif
Kuantitatif
Willcoxon sum rank
2 kel Two sample t test Chi square
Bebas test
> 2 kel Anova one way Kruskall wallis Chi square
Komparasi Willcoxon signed Mc. Nemar
2 pengamatan Paired t test
rank test
Tak bebas
>2
An0va two way Friedman test
Pengamatan Uji cochran
Korelasi
Korelasi spearman Koefisien kontingensi
Korelasi Terikat Product moment
(r s) (c)
(r)
Statistik uji Æ Satu Variabel Bebas
Variabel
Statistik uji
Independen Dependen
Chi Square
Nominal Nominal
(Exact Fisher)
Nominal Uji T Independen,
Numerik
(Dikotom) Berpasangan
Nominal
Numerik Anova
(> 2 Nilai)
Numerik Numerik Regresi/Korelasi
Statistik uji Æ Satu Variabel Bebas
Variabel
Statistik uji
Independen Dependen
Chi Square
Nominal Nominal
(Exact Fisher)
Uji T Independen,
Nominal (Dikotom) Numerik
Berpasangan
Nominal
Numerik Anova
(> 2 Nilai)
Numerik Numerik Regresi/Korelasi
-oo0oo-
BAB IX
UJI CHI KUADRAT (χ²)
U
ji ini digunakan untuk menguji perbedaan frekuensi antara dua
kelompok independen. Skala pengukuran data minimal ber-
skala nominal. Secara umum uji tentang perbedaan ini sama
artinya dengan uji hubungan antara dua buah variabel yang berskala
nominal atau ordinal yang dapat dihitung frekuensinya. Hubungan
tersebut dapat kita jelaskan dengan contoh sebagai berikut:
a. Ada hubungan antara kebiasaan tidak menyusui dengan kanker

payudara pada dasarnya sama artinya dengan ada perbedaan
frekuensi orang yang menderita kanker payudara akibat perbedaan
kebiasaan tidak menyusui.
b. Ada hubungan antara pengetahuan gizi dengan tingkat pengetahuan
zat gizi pada dasarnya sama artinya dengan ada perbedaan
tingkat konsumsi zat gizi akibat perbedaan pengetahuan gizi.
c. Ada hubungan antara tingkat konsumsi energi dengan status gizi
pada dasarnya sama artinya dengan ada perbedaan status gizi
akibat adanya perbedaan tingkat konsumsi.
Rumus yang digunakan adalah:
( Oij - Eij )²
χ² = ∑
Eij
Keterangan:
Oij = Jumlah observasi pada kasus-kasus yang dikategorikan
dalam baris ke-1 dalam kolom ke-j
Eij = Jumlah kasus yang diharapkan yang dikategorikan dalam
baris ke-1 dalam kolom ke-j.
Cara menghitung frekuensi yang diharapkan (Eij) adalah:
sub total baris (b ) × sub total kolom (k )

χ² =
Total (n )
b = menunjukkan penjumlahan semua nilai dalam baris ke-i.

k = menunjukkan penjumlahan semua nilai dalam kolom
n = menjumlahkan semua nilai pada sel tabel yang ada
Harga-harga yang dihasilkan dari rumus tersebut berdistribusi chi kuadrat

dengan derajad bebas (db) = (b – 1)(k – 1), di mana b = banyak baris
dan k = banyak kolom dalam table kontingensi.
Dengan perkataan lain untuk mendapatkan frekuensi yang

diharapkan bagi masing-masing sel (Eij) yaitu dengan mengalikan
(jumlah baris x jumlah dalam kolom) dibagi dengan jumlah total kasus.
Kapan Uji Chi Kuadrat Digunakan

Uji chi kuadrat ini menuntut syarat-syarat tertentu untuk dapat
digunakan. Uji ini menuntut frekuensi-frekuensi yang diharapkan (Eij)
tidak boleh terlalu kecil. Kalau tuntutan ini tidak terpenuhi, hasil-hasil uji
ini menjadi tidak berarti.
Uji Chi Kuadrat (χ2) 81
Untuk uji chi kuadrat dengan derajad kebebasan lebih besar dari 1
(table dengan baris lebih dari 2 dan atau kolom lebih dari 2) maka uji ini
dapat dilakukan jika:
a. Jumlah sel dengan frekuensi yang diharapkan kurang dari 5 tidak
boleh lebih dari 20 % dari jumlah seluruhnya, dan atau
b. Tidak satu sel pun boleh memiliki frekuensi yang diharapkan kurang
dari 1.
Selanjutnya
1. Kalau persyaratan itu tidak terpenuhi dengan data yang ada, maka
peneliti harus menggabungkan kategori-kategori yang berdekatan,
sehingga meningkatkan harga-harga Eij dalam berbagai sel.
Kemudian hasil penggabungan tersebut dilihat kembali apakah
persyaratan tersebut sudah memenuhi apa belum, kalau sudah
memenuhi dilanjutkan dengan menerapkan chi kuadrat sehingga
hasilnya dapat berarti.
2. Bila penggabungan kategori tersebut jumlah selnya mencapai 2 x 2,
syarat penggunaan chi kuadrat terpenuhi, maka penggunaan rumus
chi kuadrat sebaiknya menggunakan Yate’s correction, dengan
rumus sebagai berikut:
2
( [ Oij - Eij ] 0,5 )
χ2 = ∑ Eij
Keterangan:
Oij = Jumlah observasi pada kasus-kasus yang dikategorikan

dalam baris ke-i dan kolom ke-j
Eij = Jumlah kasus yang diharapkan yang dikategorikan dalam
baris ke-i dan kolom ke-j
Atau dengan menggunakan angka pada table 2 x 2 maka akan

didapatkan:
N [(a .d − b .c ) − 1 2 N ]
2
χ2 =
(a + b )(c + d )(a + c )(b + d )
3. Namun bila penggabungan kategori-kategori tersebut jumlah selnya

sampai mencapai 2 x 2 dan masih belum memenuhi syarat
penggunaan chi kuadrat (Rule of The Thumb) dimana frekuensi
harapan < 1 masih ada dan atau frekuensi harapan < 5 lebih dari 20 %,
maka gunakan Uji nyata dan Fisher (Fisher Exact Test)
Langkah-langkah pengujian hipotesis:

1. Tentukan Hipotesis
Ho: Tidak ada hubungan antara 2 variabel kategorik
H1: Ada hubungan antar 2 variabel kategorik
2. Gunakan uji statistik chi kuadrat (χ²)

3. Tentukan tingkat signifikansi ( α ) yang sesuai 0,01 atau 0,05
Titik kritis χ² pada α = 0,05 dan df = (b-1)(k-1)
4. Kriteria pengujian Ho:

Ho ditolak bila χ² hitung > χ² tabel ( α , df)
5. Perhitungan
a. Jika baris > 2 dan atau kolom > 2 dan chi kuadrat memenuhi
syarat maka gunakan rumus:
( Oij - Eij )²
χ² = ∑ Eij
b. Tabel 2 x 2 dan chi kuadrat memenuhi syarat maka gunakan

rumus:
2
( [ Oij Eij ] 0,5 )
χ2 =
hit ∑ Eij
Atau
N [(a .d − b .c ) − 1 2 N ]
2
χ2 =
hit
(a + b )(c + d )(a + c )(b + d )
6. Kesimpulan:
Apabila χ² hitung lebih besar dari χ² table, Ho ditolak maka dapat
disimpulkan ada hubungan antara dua variable kategorik pada α
yang sesuai.
Contoh 1.
Suatu penelitian ingin mengetahui hubungan merokok dengan
kejadian kanker paru-paru. Dua kelompok masing-masing 100 orang
diteliti sebagai kelompok kasus dan kelompok control. Data yang
diperoleh sebagai berikut:
Tidak
Merokok Jumlah
Merokok
Kanker 75 35 110
Tidak Kanker 25 65 90
Jumlah 100 100 200
Ujilah apakah ada hubungan antara merokok dengan kanker paru-paru

pada α = 0,05
Jawab:
1. Hipotesis:
H0: Tidak ada hubungan antara merokok dengan kejadian kanker
H1: Ada hubungan merokok dengan kejadian kanker
2. Uji statistic yang sesuai dengan uji chi kuadrat ( χ ²)
3. Tingkat signifikansi ( α ) = 0.05
Titik kritis χ ² (0,05 ; 1) = 3,84
4. Kriteria pengujian:
Ho ditolak bila χ ² hitung > 3,84
5. Perhitungan
Tidak
Merokok Jumlah
Merokok
Kanker 75 (a) 35 (b) 110
Tidak Kanker 25 (c) 65 (d) 90
Jumlah 100 100 200
N [(a .d − b .c ) − 1 2 N ]
2
χ2 =
(a + b )(c + d )(a + c )(b + d )
200[(75x 65 − 35x 25) − 1 2 x 200]

2
χ2 =
(75 + 35)(25 + 65)(75 + 25)(35 + 65)
200[(4875 − 875 ) − 100]

2
χ2 =
(110)(90)(100)(100)
3.042.000.000
χ2 =
99.000.000
χ 2 = 30.72
6. Kesimpulan
Karena χ2 hitung > 3,84 maka Ho ditolak, dan dapat disimpulkan
bahwa ada hubungan antara merokok dengan kanker paru-paru.
Contoh 2
Sebuah penelitian dilakukan untuk mengetahui apakah variable kejadian
infeksi ada hubungannya dengan konsentrasi vaksin yang diberikan. Hasil
pengamatan terhadap 420 balita didapatkan data sebagai berikut
Kejadian infeksi
Konsentrasi Jumlah
Ya Tidak
Rendah 128 85 213
Normal 66 78 144
Tinggi 26 37 63
Jumlah 220 200 420
Ujilah apakah ada hubungan antara variable konsentrasi vaksin dengan

kejadian infeksi pada α = 0.05
Jawab:
1. hipotesis:
Ho : tidak ada hubungan antara variable konsentrasi vaksin
dengan kejadian infesksi.
H1 : ada hubungan antara variable konsentrasi vaksin dengan
kejadian infesksi.
2. Uji yang digunakan adalah Uji chi kuadrat

3. tingkat signifikasi α = 0,05 dan df = (3-1) (2-1) Titik kritis χ²(0,05;
2) = 5,99
4. kriteria pengujian:
5. tolak Ho apabila χ² hitung > dari 5,99
6. perhitungan:
( Oij - Eij )²
χ² = ∑
Eij
E 1.1 = (213 × 220) / 420 = 111,6

E 1.2 = (213 × 200) / 420 = 101,4
E 2.1 = (144 × 220) / 420 = 75,4
E 2.2 = (144 × 200) / 420 = 68,6
E 3.1 = (63 × 220) / 420 = 33,0
E 3.2 = (63 × 200) / 420 = 30,0
Sel Oij Eij Oij-Eij (Oij-Eij)2 (Oij-Eij)2/ Eij

1.1 128 111,6 (128-111,6)= 16,4 268,96 2,41
1.2 85 101,4 (85-101,4)= 16,4 268,96 2,65
2.1. 66 75,4 (66-75,4)= 9,4 88,36 1,17
2.2. 78 68,6 (78-68,6)= 9,4 88,36 1,29
3.1. 26 33 (26-33)= 7 49 1,48
3.2. 37 30 (37-30)= 7 49 1,63
Jumlah 10,63
χ 2 = 10,63
hit
6. Kesimpulan:
Karena nilai χ² hitung > dari 5,99 maka Ho ditolak, dapat
disimpulkan terdapat hubungan antara konsentrasi vaksin dengan
kejadian infeksi pada α = 0,05
Koefisien kontingensi (C) adalah ukuran derajt hubungan/

asosiasi/ ependensi dari klasifikasi-klasifikasi dalam tabel kontingensi
yang terdiri dari garis dan kolom. Untuk menghitung koefisien
kontingensidiperlukan nilai X²hit, sehingga kalau nilai χ² hitung telah
bermakna maka nilai C juga bermakna
Perhitungan koefisien kontingensi (C) menggunakan rumus

sebagai berikut:
χ2
c =
χ2 + n
Di mana χ2 = nilai χ2hit.
Menurut Prof. Sujana dalam bukunya Metoda Statistika

halaman 282, dinyatakan bahwa agar supaya harga C yang
diperoleh dapat dipakai untuk menilai derajat asosiasi antara faktor,
maka harga C ini perlu dibandingkan dengan koefisien kontingensi
yang bisa terjadi. Harga C maksimal ini dihitung dengan rumus:
m −1
c maks = m
Di mana m = banyaknya baris/ kolom terkecil

Di bawah ini adalah daftar nilai C maks untuk berbagai m
m C maks
2 0.77
3 0.816
4 0.866
5 0.894
6 0.913
7 0.926
8 0.935
9 0.943
10 0.949
Semakin dekat harga Chit kepada Cmaks semakin besar derajat asosiasinya
Sebagai salah satu contoh penggunaan C adalah pada contoh no 1

diketahui nilai χ2hit adalah 30,72 maka koefisien kontingensi dapt kita
hitung sebagai berikut:
χ2
c = 2
χ +n
30,72
c = =0,36
30,72 + 420
Kalau dibandingkan nilai Chit = 0,36 dengan nilai Cmaks = 0,707 tampak
cukup besar derajat asosiasinya
-oo0oo-
BAB X
FISHER‘S EXACT TEST
U
ji ini merupakan komparasi proporsi dari 2 kelompok sampel.
Dalam penyajiannya uji ini berbentuk tabel 2 x 2 yg umumnya
mempunyai sampel kecil. Uji ini digunakan apabila penggunaan
chi-square test tidak memenuhi syarat yaitu masih ada sel dengan
frekuensi yang diharapkan kurang dari 5 lebih dari 20 % dari sel yang
ada.
Langkah-Langkah Pengujian
1. Tentukan Hipotesis:
Ho: tidak terdapat perbedaan proporsi antara 2 kelompok.
H1: terdapat/ ada perbedaan proporsi antar 2 kelompok.
2. Digunakan uji Eksak Fisher
3. Tentukan tk. significancy ( α ) dan besar sampel yg ada.
a. Ho ditolak apabila harga uji statistik p < α (cara I)
b. Ho ditolak apabila nilai C atau D ≤ harga kritis tabel (cara II)
5. Cara perhitungan:
Cara 1:
Tabel kontingensi 2 X 2
+ - Jumlah
Kel I A B A+B
Kel II C D C+D
Jumlah A+C B+D N
Harga p dihitung dengan rumus:
( A + B )! (C + D )! ( A + C )! (B + D )!
p =
N ! A!B !C !D !
Apabila dalam sel tabel terdapat nilai 0, maka harga p langsung bisa
dihitung dengan rumus tersebut. Namun jika tidak ada sel yg
mempunyai nilai 0, maka harga dicari pada semua kemungkinan
tabel yang ada.
Cara 2:
Apabila peneliti cukup puas dengan menggunakan tingkat signi-

fikansi dan bukannya harga p yang eksak, maka tabel 1 (sidney
siegal) pada lampiran digunakan. Dengan tabel 1 peneliti dapat
langsung menetapkan signifikansinya. Prosedurnya adalah:
a. masukkan frekuensi observasi pada tabel 2X2.

b. hitunglah jumlah nilai margin yaitu (A+B), (C+D), dan N.
c. lihat pada tabel harga (A+B) yg sesuai, kemudian lihat harga
(C+D) yg sesuai juga.
d. masukkan nilai A atau B dan lihat harga kritis sesuai dengan
tingkat signifikansinya.
e. apabila 7yg dimasukkan nial A, maka nilai tersebut kritis untuk
nilai C.
f. sedangkan bila yg dimasukkan nilai B, naka nilai tersebut kritis
untuk nilai D.
Fisher’s Exact Test 91
g. bandingkan nilai kritis pada tabel Fisher dengan nilai

sebenarnya dalam tabel pengamatan.
Ho ditolak bila pengamatan (C dan D) </≤ dengan harga kritis
tabel.
6. Kesimpulan
Apabila nilai p < α atau nilai (C/D) ≤ harga kritis tabel, maka Ho
ditolak. Dapat disimpulkan bahwa terdapat perbedaan proporsi
antara 2 kelompok.
Contoh:
Seorang peneliti ingin mengetahui apakah ada perbedaan proporsi
pasien yg menderita kanker paru-paru akibat kebiasaan merokok. Dari
pengumpilan data diperoleh hasil:
Merokok T. Merokok Jumlah

Kanker 10 0 10
T. Kanker 4 5 9
Jumlah 14 5 19
Ujilah pada α = 0,05
Jawab:
Ho: tidak terdapat perbedaan proporsi kanker antara merokok
dengan tidak merokok.
Hi: ada/terdapat perbedaan proporsi kanker antara merokok
dengan tidak merokok.
2. Digunakan uji eksak Fisher
3. Tentukan tingkat signifikansi ( α = 0,05) dan besar sampel = 19.
a. Ho ditolak apabila harga uji statistik p < α (Cara I)
b. Ho ditolak apabila niai C atau D < harga kritis tabel (cara II).
5. Perhitungan:
Cara 1:
Tabel kontingensi 2 X 2
Merokok t. merokok Jumlah

Kanker 10 0 10
t. kanker 4 5 9
Jumlah 14 5 19
Harga p dihitung dengan rumus:
( A + B )! (C + D )! ( A + C )! (B + D )!
p =
N ! A! B ! C ! D !
10! 9! 14 !5!
p =
19! 10! 9! 14! 5!
p = 0,0108
Cara 2:
Lihat tabel pd lampiran dan perhatikan kembali tabel kontigensi

pengamatan (observasi) pada soal:
Jumlah Tingkat kemaknaan

A atau B
ditepi kanan 0,05 0,025 0,01 0,005
A+B=10
10 5 4 3 3
C+D= 9
9 4 3 2 2
9 2 2 1 1
7 1 1 0 0
6 1 0 0 -
5 0 0
Pada tabel pengamatan ternyata nilai yg tepat adalah A = 10 jadi

nilai tersebut kritis untuk nilsi C. ternyata nilai C ≤ dari nilai kritis
tabel = 5 pada α = 0,05
Fisher’s Exact Test 93
6. Kesimpulan:
Karena nilai p < α (cara 1) dan nilai C ≤ harga kritis 5 ( α = 0,05)
(cara 2) ,maka Ho ditolak, dapat disimpulkan bahwa terdapat
perbedaan proporsi kanker antara pasien merokok dan pasien tidak
merokok.
-oo0oo-
BAB XI
KORELASI SPEARMAN
K oefisien korelasi ini merupakan suatu uji untuk mengukur

derajat keeratan suatu hubungan antar urutan jenjang suatu
hasil pengamatan suatu variabel dengan urutan jenjang hasil
pengamatan pada variabel yang lain. Pada pengujian ini data pada kedua
variabel paling rendah berskala ordinal atau semi kuantitatif. Disamping
itu uji ini bisa digunakan terhadap data kuantitatif atau interval/rasio
apabila persyaratan distribusi normal untuk data tersebut tidak dipenuhi.
Cara perhitungan:
a. Nilai masing-masing variabel (X dan Y) diganti dengan ranking dari
terkecil (nomor 1) sampai terbesar yaitu N.
b. Bila ada ties rankingnya merupakan rata-ratanya.
c. Hitung (di) dan ∑ di2 , di mana “di “ merupakan selisih ranking X
dan ranking Y yg sesuai pasangan.
d. Hitung nilai Γs dengan rumus sebagai berikut:
6Σdi 2
Uji Statistik : Γs = 1 −
n3 − n
e. bila ada ties dan proporsi ties besar, maka rumus uji statistik yg
digunakan adalah:
Σxi 2 + Σyi 2 − Σdi 2

Γs =
(Σxi 2 )(Σyi 2 )
dimana ties pd variabel X atau Y dikoreksi dengan nilai masing-

masing variabel adalah sebagai berikut:
n3 − n
∑ xi − ∑Txi
2
=
12
2 n3 − n
∑ yi =
12
− ∑Tyi
dimana
t 3 −t
T =
12
f. Nilai Γs berkisar antara –1 sampai dengan 1, semakin mendekati 1,

maka nilai Γs semakin tinggi.
Langkah – langkah Pengujian Signifikansi Γs:

Ho: p = 0 (tidak ada korelasi)
Hi: p ≠ 0 (ada korelasi 0)
2. Gunakan uji signifikansi koefisien korelasi Rank Spearman.
3. Tentukan taraf sugnifikansi ( α ) yang sesuai:
a. Bila n = 4 sampai 30 titik kritis dapat dilihat pd tabel P dari
buku statistik Non_ Parametrik Sidney Sigel.
b. Bila n ≥ 10 atau tidak dapat menggunakan tabel P maka
substitusikan Γs ke rumus t, Kemudian titik kritis dapat dilihat di
tabel t-student dengan df = n – 2, dengan rumus:
(n − 2)
t = Γs
1 − Γs 2
Korelasi Spearman 97
c. Bila ukuran sampelnya ≥ 30 (sampel besar) gunakan pen-

dekatan ke distribusi normal dengan rumus:
Z = Γs 1 − Γs
Titik kritis dapat dilihat di tabel Z

4. Kriteria Pengujian:
a. Ho ditolak bila Γs hitung > Γs tabel pada α yg sesuai.
b. Ho ditolak bila t_ hitung > t1 – ( α /2) atau t _hitung < -t α /2
c. Ho ditolak bila Z _hitung > Z1 – ( α /2) atau t _hitung < -Z
α /2.
5. Perhitungan Uji
6. Kesimpulan Pengujian
apabila Ho ditolak (p ≠ 0) berarti ada korelasi antara 2 variabel yg
di uji pada α yg sesuai.
Contoh Soal:
Kepala Puskesmas di suatu kecamatan Sumenep ingin meneliti
apakah ketrampilan kader pada saat pelatihan kader ada korelasi
(hubungan) dengan ketrampilan kader saat kegiatan Posyandu. Oleh
karena itu beliau memberikan nilai (score) pd penampilan para Kader Gizi
dengan menggunakan skala 0-100. Dari beberapa sampel kader yg
mengikuti suatu penelitian diperoleh data sebagai berikut:
Kader Gizi Nilai saat latihan Nilai saat kegiatan

A. 70 70
B. 10 10
C. 90 80
D. 55 40
E. 40 25
F. 30 15
G. 80 85
H. 50 25
Ujilah apakah ada korelasi antara ketrampilan kader gizi pada saat
pelatihan dan pada saat kegiatan di Posyandu pada α = 0,01.
Jawab:
1. Ho: p = 0 (tidak ada korelasi)
Hi: p ≠ 0 (ada korelasi)
2. Digunakan uji koefisien korelasi rank spearman
3. Taraf signifikansi 0,01 dengan besar sampel 8. Gunakan tabel
Spearman. Titik kritis Γs untuk n = 8 dan α = 0,01 adalah 0,833.
Ho ditolak apabila nilai Γs > 0,833
5. Perhitungan Γs:
Nilai Ranking Ranking

Nilai saat
saat saat saat di di2
pelatihan
kegiatan pelatihan kegiatan
A 70 70 6 6 0 0
B 10 10 1 1 0 0
C 90 80 8 7 1 1
D 55 40 5 5 0 0
E 40 25 3 3.5 -0,5 0,25
F 30 15 2 2 0 0
G 80 85 7 3 -1 1
H 50 25 4 3.5 0,5 0,25
Jumlah 2,5
6Σ(2,5)2
Γs = 1 −
83 − 8
Γs = 1 − 0,03 = 0,97
6. Kesimpulan:
Karena Γs hitung (0,97) > Γs tabel (0,833) maka Ho ditolak p ≠ 0.
Dapat disimpulkan bahwa terdapat korelasi (hubungan) yang tinggi
Korelasi Spearman 99
antara ketrampilan kader saat pelatihan dengan ketrampilan kader

pada saat pelaksanaan di Posyandu.
-oo0oo-
BAB XII
WILCOXON SIGNED RANK
TEST
U
ji Wilcoxon Signed Rank ini merupakan suatu uji untuk
membandingkan pengamatan sebelum dan setelah perlakuan.
Uji ini dipergunakan untuk menguji hipotesis perbedaan antara
2 pengamatan, dengan ketentuan:
1. Digunakan pada satu sampel.

2. Masing-masing sampel mempunyai 2 pengamatan. Sebagai contoh
sebelum dan setelah perlakuan.
3. Merupakan uji komparasi antara 2 pengamatan.
4. Skala data paling rendah Ordinal atau bisa digunakan terhadap data
kuantitatif atau interval/rasio apabila persyaratan distribusi normal
untuk data tersebut tidak dipenuhi.
Cara perhitungan:
a. Hitung perbedaan 2 nilai pengamatan dari n pasangan data
b. Bila pebedaan (d) = 0, tidak diperhitungkan
c. Buatlah rangking pada setiap beda pasangan data dari yang terkecil
sampai terbesar tanpa memperhatikan tandanya., Bila terdapat nilai
yang sama (ties), maka nilai rankingknya adalah rata-ratanya.
d. Buatlah kolom di kanan rangking dengan tanda positif (+) dan tanda
negative (-) pada ranking yang telah dibuat.
e. Tentukan jumlah ranking pada masing-masing tanda (symbol T

positif dibedakan dengan T negatif).
f. Bandingkan nilai T yang terkecil (T positif atau T negatif) dengan
nilai kritis dari tabel Wilcoxon Signed Rank Test.
g. Ho ditolak bila T terkecil kurang atau sama dengan T tabel pada
α yang sesuai.
h. Apabila ukuran sampel (n) lebih besar dari 25 gunakan pendekatan
distribusi normal.
T −μ
Z =
σ
dimana
n (n + 1)
μ=
4
n (n + 1)(2n + 1)
σ =
24
Langkah–langkah Pengujian
Ho: Tidak ada perbedaan ……. antara sebelum dan sesudah ….
Hi: Ada perbedaan …. antara sebelum dan Sesudah ……
2. Gunakan uji wilcoxon signed rank
3. Tingkat signifikansi 0,05
4. Titik Kritis pada tabel wilcoxon dengan n dan α yang sesuai
5. Pengujian:
Bila n < 25
Ho ditolak bila T terkecil < T tabel wilcoxon
Bila n ≥ 25
Ho ditolak bila Z-hitung > Z1 – ( α /2) atau t _hitung < -Z α /2.
6. Perhitungan Uji.
7. Kesimpulan Pengujian.
Wilcoxon Signed Rank Test 103
Contoh:
Seorang Mahasiswa Keperawatan Depkes Malang akan melakukan
penelitian dengan tujuan ingin mengetahui skor Motorik Kasar Anak
Balita sebelum dan sesudah diberikan permainan di Rumah Pintar Kota
Malang. Berdasarkan hasil penelitian didapatkan hasil sebagai berikut:
Anak Balita Sebelum Setelah

Permainan Permainan
A. 70 75
B. 77 80
C. 85 90
D. 55 60
E. 90 95
F. 65 70
G. 80 85
H. 50 65
I. 75 85
J. 88 92
Ujilah apakah ada perbedaan skor motorik kasar sebelum dan sesudah
permainan anak Balita di Rumah Pintar di kota Malang pada α = 0,05.
Jawab:
Ho : Tidak ada perbedaan skor motorik kasar Balita antara sebelum
dan sesudah mendapat permainan
Hi : Ada perbedaan skor motorik kasar Balita antara sebelum dan
sesudah mendapat permainan
2. Gunakan uji wilcoxon signed rank
3. Tingkat signifikansi 0,05
4. Titik Kritis pada tabel wilcoxon dengan n = 10 dan alpha 0,05 = 8
Bila n < 25
Ho ditolak bila T terkecil < 8
6. Perhitungan Uji
Anak Balita Seb Set Beda Rangking Tanda

+ -
A. 70 79 +9 7 7
B. 78 80 +2 1 1
C. 85 92 +7 5 5
D. 55 63 +8 6 6
E. 90 96 +6 4 4
F. 67 78 + 11 9 9
G. 80 85 +5 3 3
H. 50 65 + 15 10 10
I. 75 85 + 10 8 8
J. 88 85 -3 2 2
Jumlah T+=51 T- =2
7. Kesimpulan Pengujian
Karena nilai T - = 2 < T tabel.
Ho ditolak berarti ada perbedaan Skor motorik kasar antara sebelum

dan sesudah permainan. Berarti permainan Balita di Rumah Pintar
Kota Malang dapat meningkatkan skor motorik kasar Anak Balita.
-oo0oo-
BAB XIII
U-MANN WHITNEY
U
ji statistik dalam analisis statistika dibagi dalam 2 bagian yaitu
uji statistik parametrik dan uji statistik non parametrik. Uji
statistik parametrik memerlukan persyaratan distribusi sampel,
skala data kuantitatif, sedangkan uji statistik non parametrik tidak
memerlukan persyaratan demikian.
Uji statistik non parametrik U-Mann Whitney digunakan:

1. untuk uji perbedaan (komparasi) yang berhadapan dengan 2
kelompok sampel bebas (independen)
2. Masing-masing sampel mempunyai data minimal berskala ordinal
atau interval/rasio tetapi tidak berdistribusi normal.
Uji ini bisa digunakan sebagai alternatif Uji t test untuk 2 sampel bebas
bila persyaratan tidak terpenuhi.
Langkah-langkah dalam uji hipotesis:

1. Menyusun hipotesis
Ho: Tidak ada perbedaan antara data Kelompok A dan B
H1: Ada perbedaan antara data kelompok A dan B
2. Tentukan jenis uji statistik yang tepat digunakan
3. Tentukan tingkat signifikansi ( α ) untuk menentukan daerah
penolakan (titik kritis) yang sesuai.
Bandingkan nilai U hitung dengan nilai U pada tabel U Mann

Whitney yang sesuai dengan α dan n yang sesuai. (Bila n2 = 9 –
20)
Bila n1 dan n2 ≤ 8 gunakan tabel .. dengan membandingkan p value

dengan α
Ho ditolak bila U hitung > U tabel untuk n2 = 9-20
Ho ditolak bila p value < α untuk n 1 & n2 ≤ 8
5. Menghitung statistik uji
Cara:
a. Data dari n1 dan n2 digabungkan kemudian dirangking dari

nilai terkecil sampai ke-N (N = n1+n2)
b. Hitung nilai U dengan rumus:
U1 = n1.n2 + n2 (n2 + 1)/2 - ∑ R2
U2 = n1.n2 + n1 (n1 + 1)/2 - ∑ R1
R1 = Jumlah rangking untuk sampel 1
R2 = Jumlah rangking untuk sampel 2
c. Pilih dari U1 atau U2 nilai yang terkecil.
d. Bandingkan nilai U hitung dengan nilai U pada tabel U Mann
Whitney yang sesuai dengan α dan n yang sesuai. (Bila n2 =
9 – 20)
Bila n1 dan n2 ≤ 8 gunakan tabel dengan membandingkan p
value dengan α .
Bila n > 20 pakai pendekatan distribusi normal dengan rumus:
U −μ
Z =
σ
dimana
U-Mann Whitney 107
n1xn 2
μ=
2
n1xn 2 (n1 + n 2 + 1)
σ =
12
U = nilai U1 atau U2 yang terkecil.

6. Bila ada ties, pengaruh ties sangat kecil atau dapat diabaikan, tetapi
bila proporsi ties sangat banyak, maka gunakan rumus Z dengan
koreksi ties:
U −μ
Z =
σ
dimana
n1xn 2
μ=
2
⎧ n1xn 2 ⎫ ⎪⎧ N 3 − N ⎫⎪
σ = ⎨ ⎬⎨ − ∑T ⎬
⎩ N (N − 1) ⎭ ⎪⎩ 12 ⎪⎭
dimana
t 3 −t
T =
12
Dimana:
t = Jumlah data yang sama pada rank tertentu.
Contoh Soal:
Seorang Perawat melakukan penelitian dengan tujuan untuk
mengetahui perbedaan Skor Motorik Kasar Balita antara yang diasuh oleh
Ibu Balita dengan Baby Sister. Dari hasil pengumpulan data terhadap 10
Balita masing-masing kelompok diperoleh hasil sebagai berikut:
Ibu 50 70 80 80 90 90 91 95 95 98
BS 20 30 40 50 50 60 60 90 91 91
Pertanyaan: Apakah ada perbedaan skor motorik kasar Balita yang

diasuh oleh Ibu Balita dengan Baby Sister.
Jawab:
Ho : Tidak ada perbedaan skor motorik kasar antara balita yang
diasuh oleh Ibu balita dan Baby Sister.
H1 : Ada perbedaan skor motorik kasar antara balita yang diasuh
oleh Ibu balita dan Baby Sister.
2. Jenis uji statistik yang tepat digunakan adalah U-Mann Whitney
karena membandingkan 2 kelompok sampel bebas dan data berupa
skor.
3. Tingkat signifikansi ( α ) = 0,05 Æ 27
Ho ditolak bila U hitung > U tabel untuk n2 = 9-20
5. Menghitung statistik uji.
No Skor Baby Ibu

Motorik Kasar Sister Balita
1 20 1
2 30 2
3 40 3
4 50 5
5 50 5
6 50 5
7 60 7,5
8 60 7,5
9 70 9
10 80 10,5
11 80 10,5
U-Mann Whitney 109
No Skor Baby Ibu

Motorik Kasar Sister Balita
12 90 13
13 90 13
14 90 13
15 91 16
16 91 16
17 91 16
18 95 18,5
19 95 18,5
20 98 20
Jumlah R 76 134
n 10 10
U1 = n1.n2 + n2 (n2 + 1)/2 - Σ R2

U2 = n1.n2 + n1 (n1 + 1)/2 - Σ R1
U1 = 10 x 10 + 10 (10 + 1)/2 - 134
= 21
U2 = 10 x 10 + 10 (10 + 1)/2 - 76
= 79
U tabel dengan α = 0,05 Æ 27
U hitung 21 < U tabel 27 Æ Ho diterima.
6. Kesimpulan
Tidak ada beda skor motorik kasar Balita yang diasuh oleh Ibu Balita
dengan Baby Sister pada α = 0,05
-oo0oo-
BAB XIV
ANALISIS VARIAN RANKING
SATU ARAH
KRUSKAL-WALLIS
U
ji ini analog uji anova satu arah, digunakan bila:
• Berhadapan dengan k sampel bebas (k ≥ 3).

• Skala paling rendah ordinal.
• Untuk menguji hipotesis nol (Ho), bahwa k sampel
berasal dari populasi sama.
Cara:
1. Data k sampel Æ digabung, kemudian dirangking dari terkecil Æ ke
N.
2. Bila ada ties Æ dibuat rata-rata ranking.
3. Jumlah ranking masing-masing Æ Rj.
4. Rumus:
⎧ 12 ⎛ k Rj2 ⎞ ⎫
H =⎨ ⎜
⎜ ∑ ⎟ ⎬ − 3(N + 1)
⎟
⎩ N (N + 1) ⎝ j =1 n j ⎠ ⎭
dimana:
nj = ukuran sampel ke-j.

N = ∑ seluruh sampel n1 + n2 + …nj.
Rj= jumlah ranking dalam sampel ke-j.
j = 1,2, …k.
5. Apabila ada ties, maka nilai H harus dikoreksi.
H
Ho =
∑T
1−
N 3 −N
dimana:
T = t3 – t
t = jumlah nilai-nilai yang sama pada rank tertentu.
6. Titik kritis.
a. Bila k = 3 dan nj ≤ 5 Ætitik kritis Æ pada tabel O (Sidney
Siegel)
b. Bila k > 3 dan n > 5 maka distribusi H mendekati χ 2 dengan df
= k-1 Æ tabel χ 2.
7. Kriteria penolakan
a. Ho ditolak bila p ≤ α , untuk k=3 dan nj ≤ 5.
b. Ho ditolak bila H hit ≥ χ 2 tabel.
8. Uji perbandingan berganda Kruskall Wallis
ni ≠ nj
N (N + 1) ⎛⎜ 1 1 ⎞
⎟
R i − R j ≤ Ζ(1−[α / k (k −1)]) x⎜ + ' ⎟
12 n
⎝ i ni ⎠
ni = nj
k (N + 1)
R i − R j ≤ Ζ(1−[α / k (k −1)])
6
R= Rata-rata ranking. (W. Daniel, Statistik Non Parametrik Terapan.)
Contoh:
Ho: Tidak ada perbedaan pengaruh diet pada ke-3 kelompok.
H1: Paling sedikit ada 1 pasang kelompok yang berbeda.
Analisis Varian Ranking Satu Arah Kriskal Walis 113
Diet A Diet B Diet C

120 96 98
93 62 92
95 84 81
96 86 93
105 60 75
96 74 61
110 78 94
87
Diet A Diet B Diet C

120 (22) 96 (17) 98 (19)
93 (12,5) 62 (2) 92 (11)
95 (15) 84 (8) 81 (7)
96 (17) 86 (9) 93 (12,5)
105 (20) 60 (3) 75 (5)
96 (17) 74 (4) 61 (1)
110 (21) 78 (6) 94 (14)
87 (10)
n1=7 n2=7 n3=8
R1=124.5 R2=49,0 R3=79,5
⎧ 12 ⎛ k Rj2 ⎞ ⎫
H =⎨ ⎜
⎜ ∑n ⎟ ⎬ − 3(N + 1)
⎟
⎩ N (N + 1) ⎝ j =1 j ⎠ ⎭
⎧ 12 ⎛⎜ 124,5 2 492 79,5 2 ⎞⎟ ⎫
H =⎨ ⎜
+ + ⎬ − 3(23)
⎩ 22(23) ⎝ 7 7 8 ⎟⎠ ⎭
H = 10,38
H
Ho =
∑T
1−
N 3 −N
10,38
Ho =
(3 − 3) + (2 2 − 2)
2
1−
223 − 22
Ho = 10,41
χ 2tabel = χ (2k −1);α ) = χ 22;0 ,05) = 5,99
H1 > χ 2 tabel Æ Ho ditolak.
Æ paling sedikit ada 1 pasang yang berbeda.
Untuk melihat perbedaan:
Ri − Ri '
λ=
{N (N + 1)} ⎛⎜ 1 1 ⎞
x ⎜ + ' ⎟⎟
12 ⎝ ni ni ⎠
Bandingkan λ dengan titik kritis Ζ dengan α yang sesuai.
N .k (k + 1)
= Ζα / k (k −1)
6
20.(3)(3 + 1)
= Ζ0 ,05 / 3(2)
6
240
= Ζ0 ,0083 = 2,41 40 = 15,24
6
R A − RB = 38,5 − 29,5 = 9
R A − RC = 38,5 − 52 = 13,5
RB − RC = 29,5 − 52 = 22,5 > 15,24
Jadi yang berbeda Æ B dan C.

Yang sama Æ A dan B ; A dan C.
-oo0oo-
BAB XV
FRIEDMAN – TEST
(Uji Friedman Two Way Analysis
Varian By Rank)
U
ji ini merupakan analog uji anova 2 arah (statistik parametrik).
”Uji eksperimen blok acak lengkap”. Uji ini berada peringkat
berhadapan dengan K sampel yang berpasangan (n = harus
sama). Digunakan bila anova pada statistik parametrik tidak memenuhi
syarat (distribusi normal) atau berhadapan dengan data minimal ordinal.
Cara Perhitungan
1. Data disusun menurut baris untuk blok 2 & kolom 2 untuk perlakuan
(tabel 2 arah).
Perlakuan
Blok
1 2 3 k
1 X11 X12 X13 X1k
2 X21 X22 X23 X2k
. . . . .
. . . . .
b (n) Xb1 Xb2 Xb3 Xbk
Nilai pengamatan dari masing2 blok (pengamatan) dari terkecil

sampai ke-K.
2. Hitung jumlah ranking-rangkingnya pada masing-masing kolom dari

simbol Rj (untuk cheking bila Rj sudah benar) termasuk
kemungkinan salah rangking besar.
Rj = 1 2 n [K (K + 1)]
Rumus statistik yang digunakan adalah:
⎧⎪ 12 k ⎫⎪
Xr 2 = ⎨
⎪⎩ b .k (k + 1)
∑ (Rj ) 2 ⎬ − 3b (k + 1)
j =1 ⎪⎭
Dimana: b = jumlah blok

k = jumlah perlakuan
3. Bila ada ties dlm satu blok, maka dicari rata2 rankingnya dengan
menggunakan rumus:
Xr 2
Xr 2 =
[
1 − ∑Ti / b .k (k 2 − 1 ]
dimana: Ti = ∑ ti³ - ∑ ti
ti = banyaknya nilai yg sama dlm pengamatan ke-i.
Untuk melihat perlakuan mana yang berbeda diperlukan uji friedman

lanjut dengan rumus sebagai berikut:
[Rj − Rj ] ≥ Ζ
'
α
k (k −1)
b .k (k + 1)
6
Caranya adalah dengan membandingkan rangking dari masing-

masing perlakuan. Bila perbedaan rangking antar perlakuan melebihi
atau sama dengan nilai, maka ada perbedaan antar perlakuan tsb.
Langkah-langkah pengujian
1. Tentukan hipotesis:
Ho: semua sampel berasal dari populasi yang sama.
Hi: semua sampel tidak berasal dari populasi yang sama.
2. Gunakan uji Xr² Friedman.

3. Tentukan taraf signifikansi ( α ) yg sesuai:
Titik kritis:
Friedman-Test (Uji Friedman Two Way Analysis Varian by Rank) 117
a. Bila k=3 dan b(N)= 2 sampai 9 i. k= 4 dan b(N)= 2 sampai4

b. dapat digunakan bila titik kritis tabel N pada buku statistik Non
Parametrik karangan Sidney Siegel.
c. Bila b(N) dan K tidak tercantum pada tabel N(Sidney.S) maka
gunakan tabel X² dengan df = K-1.
Kriteria penolakan
a. Ho ditolak bila P ≤ α
b. Ho ditolak bila Xr² > X² tabel untuk titik kritis 3b
5. Perhitungan uji.
6. Kesimpulan pengujian
Bila Ho ditolak berarti semua sampel tidak berasal dari populasi yang
sama. Untuk melihat perlakuan mana yang beda diperlukan uji
friedman lanjut dengan rumus sebagai berikut:
[Rj − Rj ] ≥ Ζ
'
α
k (k −1)
b .k (k + 1)
6
Caranya adalah dengan membandingkan rangking dari masing-

masing perlakuan. Bila perbedaan rangking antar perlakuan melebihi
atau sama dengan nilai:
b .k (k + 1)
Z =
6
maka ada perbedaan antar perlakuan tersebut
Contoh 1:
Suatu penelitian ingin menentukan apakah ada beda daya terima panelis
terhadap produk baru PMT ibu hamil yang telah dirancang oleh mhs
AkZiMa. Setelah dilakukan uji daya terima ternyata didapatkan score
daya terima sebagai berikut:
Produk PMT Ibu Hamil

Panelis
A B C
1 90 70 80
2 60 80 70
3 80 60 70
4 50 70 60
5 90 70 80
Jawab:
1. Ho : tidak ada perbedaan daya terima panelis terhadap ketiga
produk PMT Bumil.
Hi : ada perbedaan daya terima panelis terhadap produk PMT
Bumil.
2. Digunakan uji Xr² Friedman.
3. Taraf signifikansi 0,01 dengan n = 5 dan k = 3, dengan
menggunakan tabel N Buku Statistik Non Parametrik Karangan
Sidney Siegel.
4. Kriteria Pengujian: Ho ditolak bila nilai p pd hasil Xr²≤ α
5. Perhitungan:
Ranking
Panelis
A B C
1 90(3) 70(1) 80(2)
2 60(1) 80(3) 70(2)
3 50(1) 60(2) 70(3)
4 50(1) 70(3) 60(2)
5 90(3) 70(1) 80(2)
9 10 11
6. Kesimpulan:
Karena nilai p pd Xr2 (tabel N Sidney Siegel = 0,954 > α maka Ho
diterima, sehingga dapat disimpulkan bahwa ‘tidak ada perbedaan
daya terima panelis terhadap ketiga produk PMT Bumil tersebut
-oo0oo-
BAB XVI
ANALISIS KORELASI -
REGRESI
A nalisis korelasi digunakan untuk mempelajari hubungan

ketergantungan (interdependensi) antara 2 variabel atau lebih.
Analisis korelasi ini sering juga disebut sebagai analisis
pengukuran derajat hubungan antara 2 variabel atau lebih. Ukuran yang
digunakan untuk mengetahui derajat hubungan terutama untuk data
kuantitatif adalah koefisien korelasi. Sedangkan ukuran derajat hubungan
antara dua variabel yang terdiri dari data berbentuk kategori yang
disajikan dalam bentuk tabel kontingensi disebut koefisien kontingensi.
Jenis Analisis Korelasi

1. Menurut jenis datanya
a. Data Kuantitatif, dapat digunakan Uji Korelasi Hasil Kali Product
Momen dari Pearson (Simbol ”r”).
b. Data Kualitatif, dapat digunakan:
• Koefisien Kontingensi (Simbol C), ukuran derajat hubungan
ini dapat dihitung setelah kita melakukan Uji Khai Kuadrat
(χ2), hal ini karena perhitungan koefisien kontingensi
memerlukan nilai χ2.
• Koefisien Guttmann’s (λ)
c. Data Semi Kuantitatif, dapat digunakan:
• Koefisien korelasi dari Spearman (simbol rs).

• Koefisien korelasi dari Kendall.
2. Menurut Grafiknya.
a. Korelasi linear yaitu korelasi yang berbentuk garis lurus.
b. Korelasi Curve linear yaiu korelasi yang bukan berbentuk garis
lurus
3. Menurut Banyaknya Variabel
a. Korelasi sederhana yaitu korelasi yang mempelajari keter-
gantungan variabel. Contoh korelasi ini antara lain:
• Korelasi antara konsumsi protein (gr) dengan kadar
haemoglobin darah (gr %).
• Korelasi antara berat badan (kg) dengan kadar kolesterol
darah (mg %)
• Korelasi antara Prevalensi TGR SD (%) dengan prevalensi
TGR di masyarakat (%).
b. Korelasi berganda yaitu korelasi yang memperlajari
ketergantungan antara lebih dari 2 variabel.
Menurut Prof. Dr. Sudjana dalam Buku Metoda Statistika dinyatakan

bahwa analisis korelasi sukar untuk dipisahkan daripada analisis regresi.
Analisis regresi adalah analisis statistik yang memanfaatkan korelasi
antara 2 variabel atau lebih yaitu antara variabel bebas (independent)
dan variabel terikat (dependent). Pada analisis regresi kita akan tahu
hubungan antara variabel-variabel yang diketahui dengan variabel-
variabel yang akan diramalkan dalam bentuk persamaan matematis.
Variabel yang nilainya hendak diramalkan disebut variabel dependen
sedangkan variabel yang dipakai untuk membuat peramalan disebut
variabel independent.
Jika hubungan hanya antara 1 variabel dependen dan 1 variabel

independen saja disebut Analisis Regresi Sederhana, sedangkan jika nilai
variabel dependen diramalkan berdasarkan 2 atau lebih variabel inde-
penden disebut analisis regresi berganda (Multiple Regression Analysis)
Analisis Korelasi - Regresi 121
Djarwanto dalam buku ”Mengenal beberapa Uji Statistik dalam

Penelitian” menjelaskan bahwa untuk mengetahui apakah hubungan
antara dua variabel mempunyai hubungan linear atau bukan perlu
dideteksi dengan menggunakan diagam pencar atau Scatter Diagram. Di
bawah ini diberikan beberapa contoh Scatter diagram untuk berbagai tipe
hubungan.
Dalam analisis korelasi karakteristik ukuran hubungan meliputi 2

hal yaitu:
1. Arah dari hubungan (Direction) yaitu apakah positif atau negatif.

Suatu korelasi bernilai positif apabila meningkatnya satu variabel
diikuti dengan meningkatnya variabel yang lain. Sedangkan suatu
korelasi bernilai negatif bila meningkatnya nilai suatu variabel diikuti
dengan menurunnya variabel yang lain.
2. Kekuatan Hubungan (Strength) yaiotu seberapa kekuatan atau
keeratan hubungan yang nilai dinyatakan dengan simbol (r)
merupakan bilangan yang menunjukkan kuat lemahnya hubungan
antara 2 variabel dan besarnya berkisar antara 0 – 1, rumus
koefisien korelasi:
r =
{nΣX − (ΣX )2 }{nΣY 2 − (ΣY )2 }
2
Proses uji hipotesis koefisien korelasi dilakukan sebagai berikut:
1 Hipotesis
H0: ρ = 0
H1: ρ ≠ 0
2. Gunakan uji statistik t karena sampel kecil.
3. Tentukan taraf signifikansi 0,05 atau 0,01.
4. Tentukan nilai kritis (tabel t) dengan derajat bebas (df=n-2) dan
α = 0,05.
5. Kriteria penolakan H0.
H0 ditolak bila t hitung > t1-1/2α atau t hitung < -t1/2α.
6. Hitung harga t dengan rumus:
n −2
t =r
1−r2
7. Kesimpulan pengujian, dengan membandingkan harga uji statistik t

dengan nilai kritis t(α,dk) α = 0,05 dan dk = n-2, apabila H0 ditolak
maka ada korelasi antara dua variabel pada α = 0,05 dengan nilai
dan artinya sesuai hasil perhitungan.
Untuk sampel besar maka uji yang diguinakan adalah uji Z dengan
rumus sebagai berikut:
t
Ζ=
1
n −1
kemudian bandingkan dengan Z tabel α dan dk = n-2 apabila Z hitung

lebih dari z1-α/2 atau Z hitung kurang dari Zα/2 maka H0 ditolak (p ≠ 0)
yang berarti ada korelasi antara kedua variabel.
Untuk mengetahui persamaan regresi linear kita dapat menentu-

kan dengan beberapa cara yaitu:
1. Metode Tangan Bebas. Cara ini merupakan metode kira-kira yaitu
dengan memanfaatkan diagram pencar (scatter diagram). Pada
sumbu dasar diagram pencar merupakan nilai variabel bebas (X)
dan sumbu tegak merupakan nilai variabel terikat (Y). Persamaan
regresi linear ditarik dari letak titik-titik ysng sesui dengan
menggunakan persamaan 2 titik.
2. Metode Kuadrat Terkecil. Cara ini menggunakan prinsip bahwa
jumlah pangkat dua (kuadrat) jarak titik dengan garis regresi dibuat
sekecil mungkin.
Persamaan regresi sederhana secara umum adalah:
Y = a + bX
dimana:
Y = Variabel terikat.
X = Variabel bebas.
a = Konstanta.
b = slope/gradien.
Untuk mencari nilai a dan b dapat digunakan rumus:
(ΣY )(ΣX 2 ) − (ΣX )(ΣXY )

a =
nΣX 2 − (ΣX )2
n (ΣX .Y ) − (ΣX )(ΣY )

b =
nΣX 2 − (ΣX )2
Pada penelitian-penelitian yang lebih lanjut biasanya harga a dan b akan

diuji signifikansinya dengan menggunakan uji t. Namun hal ini tidak kita
lakukan dalam uraian ringkas ini.
Contoh Soal:
Seorang Ahli gizi ingin meneliti apakah ada korelasi antara Berat
Badan Ibu Hamil dengan Berat badan lahir bayi di suatu kecamatan. Oleh
karena itu dia mengumpulkan data di Puskesmas selama beberapa hari.
Dari beberapa sampel ibu yang melahirkan diperoleh data sebagai
berikut:
Berat Badan (kg)

Sampel
Ibu Bayi yang dilahirkan
1 45 3,0
2 55 3,5
3 48 2,8
4 55 3,3
5 40 2,5
6 53 2,9
Berat Badan (kg)

Sampel
Ibu Bayi yang dilahirkan
7 60 3,8
8 50 4,0
9 56 3,6
10 58 3,7
Ujilah apakah korelasi antara Berat Badan Ibu dengan berat badan lahir
bayi yang dilahirkan pada α = 0,05.
Jawab:
1. H0: ρ = 0 (tidak ada korelasi).
H1: ρ ≠ 0 (ada korelasi)
2. Digunakan uji koefisien korelasi product moment (r) dan dilanjutkan
dengan uji t.
3. Taraf signifikansi 0,05 dengan besar sampel = 10, titik kritis 2,23.
4. Kriteria pengujian H0:
H0 ditolak apabila nilai t hitung > 2,23 atau t hitung < -2,23
5. Perhitungan r =
BB Ibu BB Bayi yg
Sampel X2 Y2 X.Y
(X) dilahirkan (Y)
1 45 3,0 2025 9,00 135,0
2 55 3,5 3025 12,25 192,5
3 48 2,8 2304 7,84 134,4
4 55 3,3 3025 10,89 181,5
5 40 2,5 1600 6,25 100,0
6 53 2,9 2809 8,41 153,7
7 60 3,8 3600 14,44 228,0
8 50 4,0 2500 16,00 600,0
9 56 3,6 3136 12,96 201,6
10 58 3,7 3364 13,69 214,6
Σ 520 33,1 27388 111,73 1741,3
r =
{nΣX − (ΣX )2 }{nΣY 2 − (ΣY )2 }
2
10 . 1741,3 − 520 . 33,1

r =
{10.(27388) − (520)2 }.{10.(111,73) − (33,1)2 }
r = 0,73
selanjutnya nilai r kita lanjutkan dengan uji t
n −2
t =r
1−r2
10 − 2
t = 0,73
1 − (0,73)2
t = 2,57
6. Kesimpulan
Karena nilai t hitung (2,57) > t tabel (2,23) maka H0 ditolak ρ ≠ 0,
dapat disimpulkan terdapat korelasi (hubungan) yang kuat dan
positif antara Berat badan Ibu dengan berat badan lahir bayi pada
α = 0,05.
Persamaan regresinya adalah:
(ΣY )(ΣX 2 ) − (ΣX )(ΣXY )

a =
nΣX 2 − (ΣX )2
(33,1)(27388) − (520)(1741,3)
a =
10.(27388) − (520)2
a = 0,3
n (ΣX .Y ) − (ΣX )(ΣY )
b=
nΣX 2 − (ΣX )2
10.(1741,3) − (520)(33,1)
b=
10.(27388) − (520)2
b = 0,057
Y = 0,3 + 0,057X
artinya: setiap kenaikan 1 satuan (kg) berat badan ibu akan
menaikkan berat badan lahir bayi sebesar 0,057 kg.
-oo0oo-
BAB XVII
UJI-T
a. T-Test Berpasangan (Paired T Test)
U
ji statistik dalam Analisis statistika dibagi dalam 2 bagian yaitu
Uji statistik parametrik dan uji statistik non parametrik. Uji
statistik parametrik memerlukan persyaratan sebagai berikut:
1. Sampel yang digunakan berasal dari populasi dengan distribusi

normal
2. Skala pengukuran dari data minimal interval atau ratio atau data
kuantitatif, karena dalam perhitungannya melibatkan pengoperasian
matematik seperti penjumlahan, pengurangan, perkalian dan
pembagian.
Uji statistik paired t test adalah uji statistik parametrik yang

digunakan untuk menguji perbedaan dari data dependent (sampel
terikat). Data dependen adalah data yang berasal dari dua buah variabel
yang keberadaan variabel yang satu dipengaruhi oleh variabel yang lain,
misalnya:
• Berat badan Balita sebelum dan setelah pemberian PMT pemulihan.
Jadi berat badan setelah tergantung/terikat pada berat badan
sebelum PMT pemulihan.
• Tekanan darah Ibu hamil sebelum dan setelah mengikuti senam
kehamilan.
• Kadar Haemoglobin darah Ibu Hamil sebelum dan setelah pembelian

tablet Fe.

Ho : Tidak ada perbedaan antara data sebelum dan setelah
perlakuan/pengamatan.
H1 : Ada perbedaan antara data sebelum dan setelah
2. Tentukan jenis uji statistik yang tepat digunakan.
3. Tentukan tingkat signifikansi (α) untuk menentukan daerah
penolakan (titik kritis) yang sesuai. Caranya lihat pada tabel t (t
student) dengan memasukkan α dan df= n – 1.
Ho ditolak jika t hitung > t tabel pada α yang sesuai.
5. Menghitung statistik penguji.
Rumus untuk paired t-test adalah sebagai berikut:
d
th =
Sd
n
dimana
n
∑d i
d= i =1
n
Dan
n
∑ (d i − d )2
sd = i =1
n −1
6. Menarik kesimpulan
Apabila Hipotesis nol ditolak, maka berarti ada perbedaan antara
data sebelum dan setelah perlakuan/pengamatan.
Uji-T 129
Contoh:
Seorang Bidan di Desa ditugasi oleh Suatu Puskesmas untuk
memberikan PMT Pemulihan kepada Balita Gizi Kurang. Telah diambil
secara random 15 Balita dan data sebelum dan setelah pemberian PMT
tersebut adalah:
Balita BB Sebelum BB Setelah

(kg) (kg)
1 10,5 10,7
2 9,8 11,0
3 11,5 11,5
4 8,8 10,1
5 7,4 8,2
6 11,6 13,0
7 8,2 9,4
8 9,3 10,4
9 10,2 12,8
10 11,1 12,8
11 10,2 11,7
12 11,7 11,0
13 6,8 8,3
14 7,5 8,9
15 6,6 7,0
Pertanyaan: Apakah ada perbedaan berat badan sebelum dan setelah

pemberian PMT Pemulihan pada tingkat signifikansi (α) =
5 %.
Jawab:
1. Hipotesis
Ho : Tidak ada perbedaan antara data sebelum dan setelah
H 0 : μ 2 = μ1
H1 : Ada perbedaan antara data sebelum dan setelah perlaku-

an/pengamatan
H1 : μ2 ≠ μ1
2. Jenis uji statistik yang tepat digunakan sesuai dengan tujuan, jenis
sampel, jumlah sampel dan jenis data, maka ujinya adalah paired t
test.
3. Tingkat signifikansi ( α ) =0,05 dan df = n-1 = 14, jadi titik kritisnya
t = 2,145.
Ho ditolak jika t hitung > 2,145l atau – t hitung < - 2,145
5. Menghitung statistik penguji.
d
th =
Sd
n
BB Sebelum BB Setelah X2-X1

Balita (di)2
(X1) (X2) (di)
1 10,5 10,7 0,2 0,04
2 9,8 11,0 1,2 1,44
3 11,5 11,5 0 0
4 8,8 10,1 1,3 1,69
5 7,4 8,2 0,8 0,64
6 11,6 13,0 1,4 1,96
7 8,2 9,4 1,2 1,44
8 9,3 10,4 1,1 1,21
9 10,2 12,8 2,6 6,76
10 11,1 12,8 1,7 2,89
11 10,2 11,7 1,5 2,25
12 11,7 11,0 -,07 0,49
13 6,8 8,3 1,5 0,25
14 7,5 8,9 1,4 1,96
15 6,6 7,0 0,4 1,16
15,6 25,18
Uji-T 131
15, 6
dimana d = = 1, 04
15
25,18
dan sd = = 0,80
14
1, 04
th = = 5, 034
0,80
15
6. Kesimpulan
Karena t hitung (5,034) > t tabel (2,145) maka hipotesis nol ditolak,
maka berarti ada perbedaan antara Berat Badan sebelum dan
setelah pemberian PMT pemulihan.
b. T-Test Untuk 2 Sampel Bebas

Uji statistik t test untuk 2 sampel bebas adalah uji statistik para-
metrik yang digunakan untuk menguji perbedaan dari data independen
(sampel bebas). Data independen adalah dua data yang keberadaan
data/ variabel yang satu tidak dipengaruhi oleh variabel yang lain
(bebas/tidak terikat), misalnya:
• Berat badan Balita di Daerah IDT dan Non IDT. Jadi berat badan
dari Daerah IDT tidak tergantung/terikat pada berat badan dari
daerah non IDT.
• Tekanan darah Ibu hamil yang ikut Senam kehamilan dan yang tidak
mengikuti senam kehamilan.
• Kadar Haemoglobin darah Ibu Hamil dari yang mendapat tablet Fe
dan kontrol (yang tidak mendapat tablet Fe).

Ho: Tidak ada perbedaan antara data Kelompok A dan B.
H1: Ada perbedaan antara data kelompok A dan B.
2. Tentukan jenis uji statistik yang tepat digunakan
3. Tentukan tingkat signifikansi (α) untuk menentukan daerah

penolakan (titik kritis) yang sesuai.
a. Z Tabel:
Caranya lihat pada tabel distribusi Z
Contoh: Tentukan titik kritis pada uji Z dengan α = 0,05
z 1 2 3 4 5 6 7 8 9
0,0
…
1,9 0,475
Jadi luas 1 kurva normal = 1 unit. Karena tabel distribusi z

terbagi 2, maka luas separuh = 0,5. Untuk α = 0,05, berarti
bahwa luas daerah kurva = 0,5 – 0,025 = 0,475 terletak pada z
= 1,96 (dua arah) dan z = 2,58 (satu arah), Sehingga titik kritis
α = 0,05 = 1,96 (dua arah) dan 2,58 (satu arah)
b. Tabel t
Caranya lihat pada tabel t (t student) dengan memasukkan α
dan df= n1 +n2 – 2.
Contoh: Tentukan titik kritis pada uji t dengan n = 10 dan α =
0,05
Level of significance for one tailed test
0,10 0,05 0,025 0,01 0,005 0,0005
Df Level of significance for two-tailed test
0,20 0,10 0,05 0,02 0,01 0,001
1
…
9 2,262
Jadi titik kritisnya = 2,262.
Ho ditolak jika z hitung (t hitung) > z tabel (t tabel) pada α yang
sesuai
Uji-T 133
5. Menghitung statistik penguji

Rumus untuk paired t-test adalah sebagai berikut:
a. Bila variansi kedua Populasi sama
a.1 Bila besar sampel > 30
X1 − X 2
Zh =
Sp ( 1 + 1 )
2
n1 n2
( n1 − 1).S1 + ( n2 − 1).S 2
2 2
Sp =
2
n1 + n2 − 2
dimana S p = standard deviasi gabungan 1 dan 2

2
n1 = besar sampel 1.
a.2. Bila besar sampel < 30
X1 − X 2
th =
Sp ( 1 + 1 )
2
n1 n2
( n1 − 1).S1 + ( n2 − 1).S 2
2 2
Sp =
2
n1 + n2 − 2
dimana S p = standard deviasi gabungan 1 dan 2.

2
X1 − X 2
Zh =
Sp ( 1 + 1 )
2
n1 n2
b. Bila varians kedua populasi tidak sama

a.1. Bila besar sampel > 30
X1 − X 2
Zh =
2 2
S1 S 2
+
n1 n2
a.1.2Bila besar sampel < 30
X1 − X 2
th =
2 2
S1 S 2
+
n1 n2
6. Menarik kesimpulan
Apabila Hipotesis nol ditolak, maka berarti ada perbedaan antara 2
kelompok data tersebut.
Contoh:
Seorang Bidan di Desa di Suatu Puskesmas ingin mencoba 2
produk Makanan Formula kepada Balita Gizi Kurang selama 3 bulan.
Telah diambil secara random 11 Balita untuk Makanan jenis A dan 10
Balita untuk makanan jenis B. Data selengkapnya adalah:
Balita Penambahan BB Penambahan BB Mak.

Mak. A (kg) B (kg)
1 3,1 2,7
2 3,0 2,9
3 3,3 3,4
4 2,9 3,2
5 2,6 3,3
6 3,0 2,9
7 3,6 3,0
8 2,7 3,0
9 3,8 2,6
Uji-T 135
Balita Penambahan BB Penambahan BB Mak.

Mak. A (kg) B (kg)
10 4,0 3,7
11 3,4
Pertanyaan: Apakah ada perbedaan berat badan Balita yang diberi

Makanan Jenis A dan BB Balita yang diberi Mak. Jenis B
pada tingkat signifikansi ( α ) = 5 %.
Jawab:
1. Hipotesis
Ho : Tidak ada perbedaan antara BB Balita Kelompok A dan
Kelompok B.
H 0 : μ 2 = μ1
H1 : Ada perbedaan antara BB kelompok A dan Kelompok B
H1 : μ2 ≠ μ1
2. Jenis uji statistik yang tepat digunakan, sesuai dengan tujuan, jenis
sampel, jumlah sampel dan jenis data, maka ujinya adalah two
sample t test.
3. Tingkat signifikansi ( α ) =0,05 dan df = n1 + n2 -2 = 19, jadi titik
kritisnya t = 2,09.
Ho ditolak jika t hitung > 2,09 atau – t hitung < - 2,09
5. Menghitung statistik penguji
Diketahui:
X1 = 3,22 dengan S12 = 0,1996
X 2 = 3,07 dengan S 2 2 =0,1112

2
dan S p = 0,158
3, 22 − 3, 07 = 0,862
th =
0,158( 1 + 1 )
11 10
6. Kesimpulan
Karena t hitung (0,862) < t tabel (2,09) maka hipotesis nol diterima,
maka berarti tidak ada perbedaan antara Berat Badan kelompok A
dan kelompok B.
-oo0oo-
BAB XVIII
ANOVA SATU JALUR
(ONE WAY – ANALYSIS OF
VARIAN)
A nava atau Anova adalah anonim dari Analisis Varian terjemahan

dari Analysis of Variance, sehingga banyak orang yang
menyebut-nya dengan ANOVA. Anova merupakan bagian dari
metode analisis statistik yang tergolong analisis komparatif
(perbandingan) lebih dari dua rata-rata.
Tujuan dari uji Anova Satu Jalur ialah untuk membandingkan lebih
dari dua rata-rata. Sedangkan, gunanya untuk menguji kemampuan
generalisasi. Maksudnya, dari signifikansi hasil penelitian (Anova Satu
Jalur). Jika terbukti berbeda, berarti kedua sampel tersebut dapat
digeneralisasikan artinya (data sampel dianggap dapat mewakili
populasi).
Anova pengembangan atau penjabaran lebih lanjut dari uji-t (t-

hitung ). Uji-t atau uji-Z hanya dapat melihat perbandingan dua kelompok
data saja. Sedangkan Anova Satu Jalur lebih dari dua kelompok data,
contoh:
1. Perbedaan prestasi belajar Statistika antara mahasiswa Tugas
Belajar (X1), Izin Belajar (X2), dan Umum (X3).
2. Motivasi kerja pegawai Diklat dari Eselon I (X1), Eselon II (X2),
Eselon III (X3), Eselon IV (X4), dan Eselon V (X5).
Anova lebih dikenal dengan uji-F (Fisher Test), sedangkan arti variasi
atau varian itu asal-usulnya dari pengertian konsep “Mean Square” atau
Kuadrat Rerata (KR), rumus sistematisnya:
JK
KR =
db
Di mana: JK = Jumlah Kuadrat (Some of Square)

db = Derajat Bebas (Degree of Freedom)
Misal, Data Anova:
A1 A2 A3 Ai Keterangan
x x x x a. Jumlah group A (variabel

x x x x bebas) lebih dari dua.
x x x x b. Jumlah sampel dalam setiap
group tidak selalu sama dan
. . . . sebaiknya jumlah sampel
. . . . antar group jangan terlalu
n1 n2 n3 ni jauh.
c. Group A mempunyai
persyaratan lain jenis data
berdistribusi normal
(menunjukkan gejala
normal), data dipilih secara
acak dan datanya sejenis
(homogen).
d. Data yang terdapat pada
setiap group interval atau
ratio.
Menghitung Nilai Anova atau F (F-hitung) dengan rumus:
V A KR A JK A : db A Varian Antar Group

F Hitung = = = =
V D KR D JK D : dbD Varian Dalam Group
Varian Dalam Group dapat juga disebut Varian Kesalahan (Varian Galat).
Lebih lanjut dapat dirumuskan:
JK A = ∑
(∑ X Ai )2 − (∑ X T )2 untuk dbA = A – 1
n Ai N
JK D = ∑ X T
2
−∑
(∑ X Ai )2 untuk dbD = N – A
n Ai
dimana:
(∑ X T )2 : sebagai Faktor Koreksi

N
N : Jumlah keseluruhan sampel (jumlah kasus dalam
penelitian)
A : Jumlah keseluruhan group sampel
Langkah-langkah Uji Anova Satu Jalur (One Way – Anova)

1. Sebelum Anova dihitung, asumsikan bahwa data dipilih secara
random, 2. berdistribusi normal, dan variannya homogen.
3. Buatlah hipotesis (Ha dan H0) dalam bentuk kalimat.
4. Buatlah hipotesis (Ha dan H0) dalam bentuk Statistik.
5. Buatlah daftar statistik induk.
6. Hitunglah Jumlah Kuadrat Antar Group (JKA) dengan rumus:
( X ) ( X ) ⎡( X ) ( X ) ( X )
2 2
JKA = ∑ ∑ Ai − ∑ T = ⎢ ∑ A1 + ∑ A2 + ∑ A3
2 2 2⎤
⎥−
(∑XT )2
nAi N ⎢ nA1 nA2 nA3 ⎥ N
⎣ ⎦
6. Hitunglah derajat bebas Antar group dengan rumus: dbA = A – 1

7. Hitunglah Kuadrat Rerata Antar Group (KRA) dengan rumus:
JK A
KR A =
db A
8. Hitunglah Jumlah Kuadrat Dalam antar Group (JKD) dengan rumus:
JKD = ∑XT −∑
2 (∑XAi )2
nAi
⎡( X )2 ( X )2 ( X )2 ⎤
( 2 2
= ∑XA1 + ∑XA2 + ∑XA3 − ⎢
2
⎢ nA1
)
∑ A1 + ∑ A2 + ∑ A3 ⎥
nA2 nA3 ⎥
⎣ ⎦
9. Hitunglah Derajat Bebas Dalam Group dengan rumus: dbD = N – A

10. Hitunglah Kuadrat Rerata Dalam antar Group (KRD) dengan rumus:
JK D
KR D =
dbD
11. Carilah Fhitung dengan rumus:

KR A
F Hitung =
KR D
12. Tentukan taraf signifikansinya, misal α = 0,05 atau α = 0,01

13. Cari FTabel dengan rumus: FTabel = F(1-α)(dbA, dbD)
14. Buat Tabel Ringkasan Anova
TABEL 1 Ringkasan One Way - Anova
Sumber Jumlah Derajat Kuadrat F Hitung Taraf

Varian Kuadrat Bebas Rerata Signifik
(SV) (JK) (db) (KR) ansi (ρ)
Antar Group
(∑XAi)2 −(∑XT )2 A–1 JK A KR A α
(A)
∑ nAi N db A KR D
Dalam
2 (∑XAi)2 N–A JK D - -
Group (D)
∑XT −∑ nAi dbD
Total
2 (∑XT )2 N–1 - - -
∑XT − N
15. Tentukan kriteria pengujian: Jika F Hitung ≥ F Tabel atau p value < α
maka tolak H0 berarti signifikan, dan Konsultasikan antara F Hitung
dengan F Tabel kemudian bandingkan.
16. Buat Kesimpulan.
Contoh:
Peneliti ingin mempelajari perbedaan prestasi belajar untuk Mata
Kuliah Dasar-dasar Statistika antara Mahasiswa Tugas Belajar, Izin
Belajar, dan Umum. Data diambil dari nilai Ujian Tengah Semester (UTS)
sebagai berikut:
Tugas (A1) = 6 8 5 7 7 6 6 8 7 6 7 = 11 orang
Belajar
Izin (A2) = 5 6 6 7 5 5 5 6 5 6 8 7 = 12 orang
Belajar
Umum (A3) = 6 9 8 7 8 9 6 6 9 8 6 8 = 12 orang
Buktikan, apakah terdapat perbedaan prestasi belajar atau tidak ?
Langkah-langkah Penyelesaian:
1. Diasumsikan bahwa data dipilih secara random, berdistribusi normal,
dan variannya homogen.
2. Hipotesis (Ha dan H0) dalam bentuk kalimat:
Ha : Terdapat perbedaan prestasi belajar yang signifikan antara
mahasiswa Tugas Belajar, Izin Belajar, dan Umum.
H0 : Tidak terdapat perbedaan prestasi belajar yang signifikan
antara mahasiswa Tugas Belajar, Izin Belajar, dan Umum.
3. Hipotesis (Ha dan H0) dalam bentuk statistik:
Ha : A1 ≠ A2 ≠ A3
H0 : A1 = A2 = A3
4 Daftar Statistik Induk
Nilai Mata Kuliah Dasar-dasar Statistika

(UTS)
No. A1 A2 A3
1 6 5 6
2 6 9
3 5 6 8
4 7 7 7
5 7 5 8
6 6 5 9
7 6 5 6
8 8 6 6
9 7 5 9
10 6 6 8
11 7 8 6
Statistik 12 - 7 8 Total (T)
n 11 12 12 N = 35
Σx 73 71 90 234
2 493 431 692 1616
Σx
6,64 5,92 7,5 6,69
x
(∑ x )2 484,45 420,08 675 1564,46
n Ai
Varian (S2) 0,85 0,99 1,55 1,13
5. Menghitung Jumlah Kuadrat Antar Group (JKA) dengan rumus:

(∑ X Ai )2 − (∑ X T )2
JK A = ∑ n Ai N
⎡ (73 ) (71) + (90 )2 ⎤⎥ − (234 )2 = 1579 ,53 − 1564 ,46 = 15,07
2 2
=⎢ +
⎣⎢ 11 12 12 ⎥⎦ 35
6. Menghitung derajat bebas Antar Group (dbA) dengan rumus:

dbA = A – 1 = 3 – 1 = 2 dimana, A: Jumlah Group A
7. Menghitung Kuadrat Rerata Antar Group (KRA) dengan rumus:

JK A 15,07
KR A = = = 7,54
dbA 2
8. Menghitung Jumlah Kuadrat Dalam Group (JKD) dengan rumus:
JKD = ∑XT −∑
2 (∑X Ai )2
nAi
⎡ (73)2 (71)2 (90)2 ⎤
= (493 + 431 + 692) − ⎢ + + ⎥ = 1616 − 1579,53 = 36,47
⎣⎢ 11 12 12 ⎥⎦
9. Menghitung derajat bebas Dalam Group (dbD) dengan rumus:
dbD = N – A = 35 – 3 = 32
10. Menghitung Kuadrat Rerata Dalam antar Group (KRD) dengan

rumus:
JK D 36,47
KRD = = = 1,14
dbD 32
KR A 7,54
11. F Hitung dengan rumus: F Hitung = = = 6,61
KR D 1,14
12. Taraf signifikansi sebesar α = 0,05
13. F Tabel dengan rumus:
FTabel = F(1-α)(dbA, dbD)
FTabel = F(1 – 0,05)(2 ; 32)
FTabel = F(0,95)(2 ; 32)
FTabel = 3,30
Cara mencari: Nilai FTabel = 3,30 dan arti angka FTabel = F(0,95)(2 ; 32)
0,95 : Taraf kepercayaan 95% atau taraf signifikan 5%
Angka 2 : Pembilang atau hasil dari dbA
Angka 32 : Penyebut atau hasil dari dbD
Apabila angka 2 dicari ke kanan dan angka 32 ke bawah, maka akan

bertemu dengan nilai FTabel = 3,30. Untuk taraf signifikansi 5%
dipilih pada bagian atas dan 1% dipilih pada bagian bawah.
14. Tabel Ringkasan Anova
TABEL 2 Ringkasan One Way - Anova
Sumber Jumlah Derajat Kuadrat F Hitung Taraf

Varian Kuadrat Bebas Rerata Signifikansi
(SV) (JK) (db) (KR) (ρ)
Antar Group 15,07 2 7,54 6,61 < 0,05
(A) FTabel =
3,30
Dalam Group 36,47 32 1,14 - -
(D)
Total 51,54 34 - - -
15. Kriteria pengujian: Jika F Hitung ≥ F Tabel atau p value < α maka tolak
H0 berarti signifikan.
Setelah dikonsultasikan dengan Tabel F kemudian dibandingkan
antara F Hitung dengan F Tabel ternyata F Hitung > F Tabel atau 6,61 > 3,30
maka tolak H0 berarti signifikan.
16. Kesimpulan: H0 ditolak dan Ha diterima.

Jadi, terdapat perbedaan prestasi belajar untuk Mata Kuliah Dasar-
dasar Statistika yang signifikan antara Mahasiswa Tugas Belajar, Izin
Belajar, dan Umum.
Selanjutnya, untuk mengetahui lebih lanjut taraf-taraf perlakuan

mana yang berbeda digunakan Uji Lanjut (Post Hoc Multiple Com-
parisons), antara lain Least Significance Difference/LSD atau Beda Nyata
Terkecil/BNT, Duncan Multiple Range Test/DMRT, Prosedur Tukey, dan
Uji Scheffe.
-oo0oo-
DAFTAR PUSTAKA
Alder H.L & Roessler E.B, (1964). Introduction to Probabilitynand

Statistics, Third Edition, Freeman and Company W.H. San
Fransisco
Bradley, J.V. (1968). Distribution-Free Statistical Test, Prentice-Hall, Inc,
Englewood Clifffs, New Jersey.
Covhran W.G. (1972). Sampling Techniques, Second Edition, Wiley
Eastern Private Limited, New Delhi.
Conover, W.J, (1980). Practical Nonparametric Statistic, John Wiley &
Sons New York.
Creswell, J.W, (2003). Research Design, Second Edition, SAGE
Publications, Thousand oaks, California
Daniel, WW (1989). Biostatistics: A Foundation for Analysis in the Health
Sciences, Fourth Edition. New York: John Wiley & Sons.
Daniel WW (1989) Statistika NonParametrik Terapan (Terjemahan), PT
Gramedia, Jakarta.
Departemen Kesehatan RI (1999). Metodologi Penelitian Kesehatan,
WHO-PT Gramedia Printing Group, Jakarta.
Djarwanto Ps (1996). Mengenal Beberapa Uji Statistik Dalam Penelitian,

Liberty ,Yogyakarta.
Diaz AG, Philips, DT, (1995). Principles Of Experimental Design and
Analysis, Chapman and Hall, New York.
Federer W.T. (1995). Experimental Design, Theory and Application,
Oxford & IBH Publishing Co.
FKM UI (1984). Biostatistik untuk Ilmu-ilmu Kesehatan, Jurusan
Kependudukan dan Biostatistik, Jakarta.
Healey J.F. (1990). Statistics: A Tool for Social Reasearch, Second
Edition, Wadsworth Publishing Company, Belmont, California
Hinkelmann K, and Kempthorne O, (1993). Design and Analysis of
Experiments, Volume I, New York: John Wiley & Sons.
Kempthorne, Oscar (1974). The Design and Analysis, Wiley Eastern
Private Limited, New Delhi
Lewis-Beck, M,S (1993). Basic Statistics, SAGE Publications-Toppan
Publishing, Singapore.
Milton JS and Arnorld J.C. (1995) Introduction To Probability and
Statistics, Third Edition, Boston: Mc.Graw Hill.
Moh. Nazir (1999). Metode Penelitian, Ghalia Indonesia, Jakarta.
Montgomery DC (1984). Design and Analysis of Experiments, Third
Edition, New York: John Wiley & Sons.
Muhammad Zainuddin (2000). Metodologi Penelitian, Unair Surabaya.
Ostle, B. (1963). Statistics in Research, New Delhi: The Iowa State
University Press, Ames Iowa.
Polllet & Nasrullah (1994). Penggunaan Metode Statistika untuk Ilmu
Hayati, Gadjah Mada University Press.
Rosner, Bernard (1990). Fundamentals Of Biostatistics,PWS-KENT
Publishing Company, Boston, Massachusetts
Saifuddin Azwar (2003). Penyusunan Skala Psikologi, Pustaka Pelajar
Offset, Jakarta.
Daftar Pustaka 147
Sarmanu & Kuntoro, dkk. (2002). Modul Pelatihan Metodologi Penelitian

Statistika dan Komputer Bagi Calon Peneliti Kabupaten Manggarai,
Lembaga Penelitian, Unair Surabaya.
Siegel, Sidney (1997). Statistik Non Parametrik untuk Ilmu-ilmu Sosial, PT
Gramedia Jakarta.
Siegel S and Castellan NJ (1992). Non Parametric Statistic For Behavioral
Sciences, New York: Mc.Graw-Hill Book Company.
Singgih Santoso (2002). Buku Latihan SPSS Statistik Parametrik. PT Elex
Media Komputindo, Jakarta.
Singgih Santoso (2002). Buku Latihan SPSS Statistik Non Parametrik, PT
Elex Media Komputindo, Jakarta.
Snedecor G.W. & Cochran W.G.(1962). Statistical Methods, The Iowa
State University Press, Ames, Iowa, USA.
Soekijo Notoatmodjo (2002). Metodologi Penelitian Kesehatan, PT Rineka
Cipta, Jakarta
Sopiyudin Dahlan (2005). Besar Sampel dalam Penelitian Kedokteran dan
Kesehatan, PT Arkans, Jakarta.
Snedecor, G.W. (1962). Statistical Methods, USA The Iowa State
University Press Ames Iowa.
Sudigdo S & Sofyan Ismael (1995). Dasar-Dasar Metodologi Penelitian
Klinis, FKUI, Jakarta.
Sudjana (1996). Metoda Statistika , PT Tarsito Bandung
Sugiyono (2006). Statistika untuk Penelitian, CV Alfabeta, Bandung.
Suharsimi Arikunto (2002), Prosedur Penelitian, suatu Pendekatan
Praktek, PT Rineka Cipta, Jakarta.
Tanoe, 1990. Statistika. Akademi Gizi Malang.
Volicer B.J. (1984). Multivariate Statistics for Nursing Research, Grune &
Stratton, Inc. Orlando, Florida, USA.
Walpole RE (1995). Pengantar Statistika, PT Gramedia, Jakarta.
Walpole R.E (1995). Ilmu Peluang dan Statistika untuk Insinyur dan
Ilmuwan, Penerbit ITB Bandung.
Wijaya (2000). Statistika Non Parametrik (Aplikasi Program SPSS),
Alfabeta, Bandung.
Yamane, T (1973). Statistics, An Introductory Analysis, Third Edition,
New York: Harper & Row Publisher Inc.
-oo0oo-
TENTANG PENULIS
Mohon dilengkapi dengan Biodata penulis

dalam Bentuk Sebuah Narasi

Praktisi Kesehatan

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Praktisi Kesehatan

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA UNTUK

Hak Cipta © 2009 pada penulis,

Candi Gebang Permai Blok R No. 6

Fajar, Ibnu, dkk

D engan memanjatkan puji Syukur Alhamdulillah kehadirat Allah

Sesuai dengan Misi Politeknik Kesehatan Depkes Malang yaitu

Kolaborasi penyusunan buku Praktis statistika sangat tepat

Kepada Mahasiswa saya berharap kembangkan budaya riset mulai

Kepada Tim Penyusun Buku ini kami ucapkan perhargaan yang

Malang, 18 Oktober 2008.

ISNAENI DTN, SKM, MKes

D engan memanjatkan puji Syukur Alhamdulillah kehadirat Allah

Buku ini disusun terdorong dari pengalaman memberikan

Pada kesempatan yang baik ini ijinkan penulis menyampaikan

Kalimat, isi dan formatnya masih sangat sederhana, oleh karena

Semoga karya kecil ini dapat bermanfaat bagi Mahasiswa

Malang, 18 Oktober 2008.

KATA SAMBUTAN DIREKTUR POLTEKKES MALANG v

BAB XVI ANALISIS KORELASI - REGRESI 119

S ebelum kita membahas lebih jauh tentang peranan statistika dalam

Secara sederhana penelitian adalah suatu upaya mengetahui

Disisi lain pengertian statistika perlu kita cermati karena kata

Kata statistik juga mempunyai pengertian yang lain yaitu untuk

data mengenai sesuatu hal). contoh misalnya rata-rata (x) sedangkan

Sedangkan kata Statistika mempunyai pengertian yang lebih luas

Bagi seorang pengambil keputusan informasi yang akurat sangat

Statistika seperti telah diuraikan tidak sekedar berkaitan dengan

Dengan bantuan model matematika masalah akan lebih mu-

dapat dilanjutkan dengan metode statistika bahkan dapat dengan

Disamping itu dengan model matematik ini dapat diketahui

c. Pengembangan Instrumen Pengumpulan data

d. Pengumpulan Data (Data Collecting)

e. Pengolahan dan Analisis Data

menginterpretasikan. Selanjutnya bisa ditarik kesimpulan. Kegiatan

Metode statistik yang dipakai untuk meringkaskan dan meng-

Pengaturan, peringkasan dan penyajian data secara umum

Penggambaran (deskripsi) data dapat dinyatakan dalam 2

• Nilai rata-rata (Mean)

dan ukuran penyebaran (dispersion) yang meliputi:

Penggunaan tabel/grafik dan ukuran yang ada tergantung pada

Statistika inferensial dapat dipakai untuk mengevaluasi informasi

Statistika inferensial digunakan untuk menyimpulkan tentang suatu

1. Estimation (estimasi/penaksiran) yang terdiri dari point estimate dan

Hipotesis berasal dari kata “hipo” (kurang/lemah) dan “tesis”

Dengan perkataan lain hipotesis adalah jawaban sementara

Hipotesis diberikan dalam bentuk pernyataan. Hipotesis dapat

Penerimaan suatu hipotesis nol merupakan akibat tidak

Penarikan kesimpulan dikatakan tepat apabila kita menerima

kan menolak Ho padahal Ho benar, maka kita telah melakukan

Dalam rangka proses menarik kesimpulan melalui pengujian

S alah satu peran Statistika adalah dalam proses pengumpulan

Suatu pengambilan keputusan yang baik adalah hasil dari penarikan

Data merupakan kumpulan fakta yang diperoleh dari suatu

Pada statistika inferensial atau induktif diperlukan statistika diskriptif

• Data Kualitatif adalah data yang dinyatakan dalam bentuk sifat

Suatu instrument pengukuran bisa merupakan suatu alat seperti

Validitas dari alat ukur biasanya sudah diketahui dengan melihat

Validitas dari suatu kuesioner meliputi face validity, empirical

Validitas disebut juga kesahihan atau keakuratan yang menunjuk-

Untuk menilai kesahihan alat ukur berskala numerik (kuantitatif)

Uji Validitas & Reliabilitas dalam Statistika Untuk Peneliti-

Face Validity merupakan uji validitas yang didasarkan kesepakatan

Empirical Validity yaitu membandingkan instrumen yang dibuat