Salim
DISTRIBUSI NORMAL
Oktavianus Ch Salim
Bagian Ilmu Kesehatan Masyarakat Fakultas Kedokteran Universitas Trsakti
ABSTRACT
The normal distribution is the most important of continuous distribution, used in statistical
application with shown as a bell shape curve, because many type of data are approximately
normally distribution, or can be transformed to another scala. This curve is symetric with the
highest point at the center and the total area under the curve is unity, because it is symetric, the
probability to the left of the mean is 1/2, as is the probability to the right of the mean. The mean is
thus the same as the median and the mode. One particular member of the family of normal
distribution is the standard normal curve, it has a mean of zero (Ơ= 0) and standard deviation of
one ( ơ = 1 ). (J Kedokter Trisakti 1999;18(2):107-111)
PENDAHULUAN
Data kuantitatip biasa dapat disajikan dalam tampak hanya sebagai sebuah kurva
bentuk suatu distribusi frekuensi atau semata. Kurva yang didapat secara teoritis
histogram. Bila data yang didapat makin menggambarkan distribusi sebagian besar
banyak dan intervalnya makin sempit, maka variabel yang bersifat kontinu. Salah satu
gambaran histogram akan terlihat sebagai bentuk kurva distribusi yang paling penting
suatu kurva yang halus. Selanjutnya kita adalah Distribusi Normal1,6,4. (Lihat gambar
dapat menggambarkan histogram tanpa 1).
terlihat gambaran batang-batangnya dan
Gambar 1
Salim
Gambar. 2
Salim
Distribusi normal ini menjadi sangat penting mendapatkan distribusi yang mendekati
karena banyak variabel kontinu seperti normal. Pada kenyataannya kita jarang
kadar kolesterol, tekanan darah, berat mengetahui bentuk distribusi dari populasi,
badan dan tinggi badan mempunyai distribusi untuk ini dibutuhkan satu patokan yang
yang mendekati distribusi normal, apabila praktis yang menyatakan bahwa sampel
distribusi data tersebut tidak mengikuti cukup besar untuk dapat menerapkan
distribusi normal maka perlu dilakukan 'central limit theorem'. Di sini kita
transformasi menjadi skala lain misal menjumpai apa yang disebut sebagai
dengan menggunakan logaritme atau akar HUKUM 30 yang mengatakan bahwa : "
sehingga distribusi data tersebut menjadi secara umum, satu sampel yang terdiri
mendekati normal. Sebagai ilustrasi : dari 30 atau lebih elemen dapat dikatakan
Menurut laporan dari 'Joint National cukup besar agar 'central limit theorem'
Committe on the Detection, Evaluation and dapat diberlakukan". Di sini dikatakan
Treatment of High Blood Pressure’ tahun 'secara umum' karena akan dibutuhkan
1988, diagnosa hipertensi pada orang jumlah sampel yang lebih besar untuk
dewasa (18 tahun atau lebih) ditetapkan bila mendapatkan suatu distribusi yang
tekanan diastolik 90 mmHg atau lebih. mendekati normal bila distribusi pada
Tekanan darah yang tergambar pada populasi sangat jauh dari normal; sebaliknya
program skrining masyarakat luas jumlah sampel yang lebih sedikit akan
biasanya terdistribusi secara simetris, kurva dibutuhkan bila distribusi populasi
bentuk lonceng. Masalah yang sering mendekati distribusi normal. Konsekwensi
dihadapi adalah menentukan titik potong dari ini sering timbul istilah sampel kecil
dimana seseorang dinyatakan menderita bila jumlah sampel kurang dari 30 dan
atau tidak menderita hipertensi. Untuk ini sampel besar bila jumlah sampel lebih
biasanya digunakan titik potong dimana besar dari 30. Penerapan hukum 30 ini juga
inferensi dari sampel pada populasi harus hati-hati karena pada prinsipnya bila
diperkirakan mencakup 95%, artinya kita ingin informasi lebih banyak, kita ambil
diharapkan 95% dari populasi dalam sampel yang lebih besar, sehingga ketidak
keadaan normotensive. pastian kita terukur dari standard deviasi)
Alasan lain yang mendasari pentingnya tentang parameter yang akan diestimasi
Distribusi Normal adalah ' Central Limit akan berkurang.
Theorem' yang menyebutkan bahwa ,
3,5
pengambilan sampel secara random dari Distribusi Normal Standar :
sebuah distribusi ( tanpa menghiraukan jenis
distribusinya ) maka distribusi dari Suatu distribusi yang paling penting,
sampel x akan mendekati distribusi normal, dengan mean = 0 dan standard deviasi = 1.
dan makin besar jumlah sampelnya Semua bentuk distribusi normal dapat
distribusi akan makin mendekati distribusi ditransformasikan (transformasi Z) ke
normal. Menjadi pertanyaan bagi kita standard distribusi normal ini, yang disebut
adalah, berapa jumlah sampel yang sebagai distribusi Z. Tranformasi ini
dibutuhkan sehingga kita dapat menghasilkan suatu deviasi standar normal
menggunakan theorem tersebut ? Ukuran atau nilai Z, yang menunjukan besarnya
dimana distribusi dari sampel mendekati penyimpangan nilai observasi terhadap nilai
distribusi normal tergantung pada bentuk mean (miu) dan dan dinyatakan dalam
distribusi dari populasi. Bila populasi standar deviasi, yang kita hitung dengan
terdistribusi secara normal, distribusi setiap cara :
ukuran sampel adalah tak selalu terlihat
normal terutama bila jumlah sampel kecil. x-P
Sebaliknya untuk populasi yang terdistribusi
Z = -------
sangat jauh dari normal, diperlukan jumlah
SD
sampel yang relatif lebih besar untuk
Salim
Salim
Gambar.3
Dari contoh-contoh diatas terlihat bahwa kita akan mempunyai distribusi normal pada
dapat menggunakan kurva normal untuk penarikan sampel berulang-ulang
menjawab berbagai pertanyaan tentang data
kuantitatif. Banyak variabel dalam bidang KESIMPULAN
kedokteran bila didapat dari kelompok
individu yang besar, akan dapat Distribusi Normal yang merupakan
digambarkan secara tepat dengan kurva suatu distribusi teoritis, yang tampaknya
normal. Implikasi penting dari hal-hal yang cukup sederhana, ternyata sangat berguna
telah dibahas di atas antara lain dalam dalam penelitian-penelitian epidemiologis
penghitungan 'confidence interval', karena terutama dalam menentukan batas-
pada dasarnya data yang menarik di bidang batas nilai standar parameter.
statistik (beda antara dua mean, proporsi)
DAFTAR PUSTAKA
1. Altman, G.D., Bland, J.M.,1995. The Normal New York: Freeman and Company, 80 - 5.
Distribution. BMJ., 310:298 . Rosner, B.1986. Fundamentals of
2. Bland, M. 1996. An introduction to medical Biostatistics, 2nd ed.Boston Duxbary Press,
statistics. 2nd ed. Oxford: Oxford University 102 - 110.
Press, 101 - 118. 5. Simpson, J., Berry, G. 1998. Normal
3. Essex-Sorlie, D.1995. Medical Biostatistics & Distribution. Dalam: Kerr C et al
Epidemiology. Connecticut: A Simon & ed's.Handbook of Public Health Methods.
chuster Company, 71 - 85. Sidney : The Mc Graw Hill Company. Inc, 212
4. Moore, D.S., Mc Cabe, G.P.1986 – 216. 70.
Introduction to the practice of Statistics,