UJI HIPOTESIS

PERBEDAAN PROPORSI
Analisis Data
Univariat

• Melihat gambaran 1 variabel

Bivariat

• Melihat hubungan 2 vairabel (antara vairabel dependen dengan independen)

Multivariat

• Melihat faktor-faktor yang mempengaruhi dependen (penyakit)

• Melihat hubungan lebih dari 2 variabel

Independen Dependen
Jenis Analisis Data

Skala Pengukuran Kategori Numerik

T-test
Kategori Chi – Square
Anova
T-test
Numerik Regresi
Anova
JENIS dan FUNGSI UJI KAI KUADRAT

 1) Ada tidaknya asosiasi/hubungan antara 2 variabel

kategorik/nominal (independency test)
 Contoh: Studi yang bertujuan untuk melihat hubungan penggunaan
alkohol dan rokok pada ibu selama kehamilan dengan kejadian BBLR
(berat bayi lahir rendah)
 2) Apakah suatu kelompok homogen atau homogenitas antar sub
kelompok (homogenity test)
 Contoh: Studi yang bertujuan untuk melihat apakah ada perbedaan
sikap (setuju/tidak) terhadap kenaikan BBM (Bahan Bakan Minyak)
antara kelompok laki-laki dengan kelompok perempuan.
 3) Seberapa jauh suatu pengamatan sesuai dengan parameter yang
dispesifikasikan (Goodness of fit test).
 Contoh: Studi untuk melihat kesesuaian hasil suatu pengamatan
dangan suatu distribusi tertentu. Penentuan apakah suatu himpunan
data sesuai (fit) dengan model tertentu, misalnya hendak diketahui
apakah data yang kita miliki sesuai dengan distribusi normal, atau
apakah distribusi golongan darah hasil pengamatan sesuai/ konsisten
dengan suatu standar yang telah ditentukan sebelumnya.
DASAR UJI CHI SQUARE (X2)

 Analisis yang berbentuk data kategorik yaitu uji beda proporsi

 Membandingkan frekuensi yang diamati dengan yang
diharapkan
contoh nya : sebuah uang logam memiliki sisi M dan B
dilemparkan sebanyak 100 kali. Kalau uang logam tersebut
seimbang, permukaan B diharapkan keluar 50 kali. Tetapi
setelah diamati permukaan B keluar 60 kali.
Maka frekuensi yang diamati (observed) = 60
frekuensi yang diharapkan (expected) = 50
Jadi ada perbedaan antara yang diamati dan di harapkan.
 Makin besar perbedaan nilai observe dengan expected
maka kemungkinan perbedaan antara proporsi yang diuji
MENGHITUNG NILAI X2

 Dasar perhitungan nilai X2 adalah dengan membandingkan

antara frekuensi hasil pengamatan (Observed=O) dengan
frekuensi yang diharapkan (Expected = E). Nilai E dihitung
dengan cara:
 Nilai E = (Total Baris x Total Kolom) / Grand Total
 Sedangkan nilai X2 dihitung dengan rumus berikut:

(O  E ) 2
X 
2

E
Bermakna atau tidaknya, dapat dibandingkan dengan nilai pada tabel X2, pada nilai
alpha atau probabilitas tertentu dan derajat kebebasan (dk) atau degree of freedom yang
sesuai. Derajat kebebasan dapat dihitung dengan d k = (jumlah kolom-1) x (jumlah
baris-1).
 Nilai E11 pada sel a = (a+b) x (a+c) / (total)
 Nilai E21 pada sel c = (a+c) x (c+d) / (total)
 Nilai E12 pada sel b = (a+b) x (b+d) / (total)
 Nilai E22 pada sel d = (b+d) x (c+d) / (total)

Sakit Sehat Total

Ya a b a+b
Tidak c d c+d
Total a+c b+d
APLIKASI UJI CHI SQUARE

 Suatu survei dilakukan untuk melihat apakah ada perbedaan

proporsi hipertensi antara penduduk kota dengan desa. Wilayah
kota yg terpilih adalah Jakarta Pusat dan wilayah desa adalah
Kabupaten Cianjur. Sebanyak 410 penduduk Jakpus dipilih
dengan random, ada 62 orang (15.1%) yang hipertensi,
sedangkan dari 414 penduduk Cianjur yang dipilih dengan
random, ada 46 orang (11.1%) yang hipertensi. Buktikanlah
secara statistik apakah ada perbedaan proporsi hipertensi antara
penduduk Jakpus dengan Cianjur pada =5%?
 Hasil pengukuran terhadap tekanan darah (Hipertensi/Normal)
dan hasil pengamatan terhadap lokasi penduduk (Desa/Kota)
dapat disusun dalam suatu tabel yang mempunyai beberapa
kolom dan beberapa baris, tabel tersebut dinamakan tabel
silang/cross-tab (sering disebut juga tabel kontingensi). Dari soal
di atas akan kita buat tabel kontingensi sebagai berikut:
Tabel soal

Lokasi hipertensi normal jumlah

Jakarta pusat 62 348 410

Cianjur 46 368 414

jumlah 108 716 824

Tentukan Ho dan Ha
Tingkat Kemaknaan 5%

 Ho: Hipertensi di Jakpus (15.1%) sama dengan di Cianjur

(11.1%)
Ha: Hipertensi di Jakpus (15.1%) tidak sama dengan Cianjur
(11.1%)
Uji statistik: Uji Chi-square X2 =  (O-E)2/ E

Hipertensi Normal

Jakarta Pusat E11 E12

Cianjur E21 E22

 O E (O-E)2 (O-E)2 /E

A 62 53.74 68.26 1.27

B 348 356.26 68.26 0.19

C 46 54.26 68.26 1.26

D 368 359.74 68.26 0.19

X2 = 2.91
 Lihat Tabel X2 (ada dua cara pengambilan keputusan)
 Cara pertama: Menggambarkan area penolakan:
pada  = 0.05 dan dk = (2-1)(2-1) = 1  X2 -tabel=
3.84
(gambarkan sebelah kiri 3.84 area ho gagal ditolak dan
sebelah kanan 3.84 area ho ditolak)
  X2 hitung = 2.91  X2-hitung jatuh pada area gagal
tolak Ho gagal ditolak
 Cara kedua: Menghitung nilai-P: Lihat tabel X2 :
 dengan nilai X2 -hitung= 2.91
dan dk = (2-1)(2-1) = 1
 nilai X2 p=3.841 (berada di 0.05 – 0.10) sehingga nilai p>
alpha 0.05 Ho gagal ditolak
Kesimpulan:
Tidak cukup bukti untuk menyimpulkan proporsi hipertensi penduduk kota
(Jakpus) tidak sama dengan penduduk desa (Cianjur) atau
dalam bahasa lain dapat disimpulkan proporsi kejadian hipertensi antara kota
dengan desa sama saja

Ho Gagal ditolak
Ho ditolak
2,91

3,84
Rumus menghitung X 2 tabel 2x2
•tabel kontingensi 2 x 2 (dua kolom dan 2 baris),
tersedia rumus untuk menghitung nilai X2 sebagai
berikut:
I II Total

A a b a+b

B c d c+d

Total a+c b+d N

N ( ad  bc ) 2
2 
( a  c ) * (b  d ) * ( a  b ) * ( c  d )
Contoh soal
 Soal pada halaman sebelumnya, suatu survei dilakukan untuk melihat
apakah ada perbedaan proporsi hipertensi antara penduduk kota
(Jakarta Pusat) dengan desa (Kab. Cianjur). Sebanyak 410 penduduk
Jakpus dipilih dengan random, ada 62 orang (15.1%) yang hipertensi,
sedangkan dari 414 penduduk Cianjur yang dipilih dengan random, ada
46 orang (11.1%) yang hipertensi.

824 (62 * 368  348 * 46 ) 2

 
2
 2.91
(108 ) * (716 ) * ( 410 ) * ( 414 )
SYARAT UJI KAI- KUADRAT
 Jumlah sampel >40
 Jumlah sampel antara 20 – 40 dan tidak ada
sel yang nilai E nya < 5 lebih dari 20% dari
total selnya
Untuk tabel >2x2, jika hal ini ditemui dalam
suatu maka dilakukan pengabungan sel.
Untuk tabel 2x2 solusi nya melakukan uji
“Fisher Exact”
TUGAS
 Suatu studi kecil dilakukan di satu rumah sakit guna melihat
perbedaan proporsi meningkatnya pengetahuan pada petugas
paramedis setelah diberi pelatihan, pada berbagai kelompok umur
petugas tersebut. Datanya adalah sebagai berikut :

Pengetahuan
Umur
Meningkat Tidak meningkat
< 30 tahun 35 30
≥ 30 tahun 32 45

a. Buat pernyataan hipotesis statistiknya, baik hipotesis nol maupun

hipotesis alternatifnya.
b. Lakukan uji statistik dan ambil kesimpulan pada tingkat kemaknaan
5%.
 Apakah kronisitas penyakit berbeda pada pasien laki dan
perempuan? Hal ini ingin dijawab dengan analisis pada data yang
terkumpul di satu rumah sakit, di mana kronisitas diukur
berdasarkan waktu perawatan dalam rawat jalan maupun rawat
inap, serta frekuensi kontak antara pasien dengan dokter.
Sakit Kronis
Jenis Kelamin
Ya Tidak
Laki-laki 19 77
Perempuan 33 61

a. Tetapkan hipotesis nol dan hipotesis alternatif yang sesuai untuk

masalah ini.
b. Hitung dan simpulkan uji statistik tersebut pada tingkat keyakinan
95%.
UJI BEDA MEAN
DUA SAMPEL
Pengantar
• dua kelompok data tersebut berasal dari
dua kelompok yang independen
• berasal dari dua kelompok yang
dependen/pasangan.
• Berdasarkan karakteristik data tersebut
maka uji beda dua mean dibagi dalam dua
kelopok, yaitu:
– uji beda mean independen
– uji beda mean dependen
UJI BEDA DUA MEAN INDEPENDEN
• Tujuan : untuk mengetahui
perbedaan mean dua kelompok data
independen
• Syarat/asumsi yang harus dipenuhi:
– Data berdistribusi normal/simetris
– Kedua kelompok data indenpenden
– Variabel yang dihubungkan berbentuk
numerik dan katagori (dengan hanya
dua kelompok)
• Dikatakan kedua kelompok data independen
bila data kelompok yang satu tidak
tergantung dari data kelompok kedua,
– misalnya membandingkan mean tekanan darah sistolik
orang desa dengan orang kota. Tekanan darah orang
kota independen (tidak tergantung) dengan orang desa.
Dilain pihak, kedua kelompok data dikatakan
dependen/pasangan bila kelompok data yang
dibandingkan datanya saling mempunyai
ketergantungan, misalnya data berat badan sebelum
dan sesudah mengikuti program diet berasal dari orang
yang sama (data sesudah dependen/tergantung dengan
data sebelum).
UJI BEDA DUA MEAN
INDEPENDEN
 UJI VARIAN/ UJI F
• Tujuan dari uji ini adalah untuk
mengetahui varian antara kelompok data
satu apakah sama dengan kelompok data
yang kedua.
• apakah data tersebut mempunyai varian
yang homogen atau heterogen.
• Jika Fhit > Ftab maka Varian Heterogen
• Jika Fhit < Ftab maka Varian Homogen
 F tabel
Langkah
1. Perhitungan nilai F

F =S12 / S22 Penyebut

Pembilang
2. Cari df.
df1 = n1-1 dan df2 = n2-1
2. Lihat tabel F
3. Varian yang lebih besar sebagai pembilang
4. varian yang lebih kecil sebagai penyebut.
Contoh soal
Seorang pejabat Depkes berpendapat bahwa
rata-rata nikotin yang dikandung rokok jarum
lebih tinggi dibandingkan rokok wismilak. Untuk
membuktikan pendapatnya kemudian diteliti
dengan mengambil sampel secara random 10
batang rokok jarum dan 8 batang rokok
wismilak. Hasil pengolahan data melaporkan
bahwa; rata-rata kadar nikotin rokok jarum
adalah 23,1 mg dengan standar deviasi 1,5 mg.
Sedangkan pada rokok wismilak rata-rata kadar
nikotinnya 20,0 mg dengan standar deviasi 1,7
mg. Berdasarkan data tsb ujilah pendapat
pejabat Depkes tsb dengan menggunakan alpha
5 %.
Jawab:
Langkah pertama adalah melakukan pemeriksaan
homogenitas varian kedua data dengan
menggunakan uji F.

• Perhitungan Uji F :
• F = (1,7) 2/ (1,5) 2 = 1,28

• df1 =8-1=7 dan df2 =10-1=9

• Dari nilai F dan kedua df tersebut kemudian
dilihat pada tabel F, df1=7 sebagai numerator,
dan df2=9 sebagai denominator.
• Numerator DF
• Denomi. DF Area 1234 5 6 7 8 12 dst
•

• 9 0.100 …… …… … … 2.51 .. ..
• 0.050 ......F=1.28 .. 3.29 .. ..
• 0.025 ...... .. .. 4.20 .. ..
• 0.010 ........ .. .. 5.61 .. ..
• 0.005 ........ .. .. 6.88 .. ..
• 0.001 ........ .. .. 10.70 .. ..

• Pada Tabel Distribusi F terdiri dari tiga bagian yaitu: DF

numerator, DF denominator dan Area.
• Bagian Area menunjukkan nilai aphanya atau nilai p. Nilai
area dimulai dari angka 0,100 turun sampai dengan angka
0,001, yang berarti bahwa semakin keatas nilai areanya
semakin besar nilai p-nya.
• Pada soal diatas diperoleh nilai F=1,28 dan terlihat angka
tsb terletak diatas angka 2,51 pada area 0,100 artinya nilai
P > 0,100, sehingga keputusannya :berarti varian kadar
nikotin rokok jarum sama dengan varian kadar nikotin
rokok wismilak.
 Uji-t independen
(Independent t-test)
Prosedur:
1. Uji kesamaan varian
2. Buat hipotesis dan tentukan arah uji
3. 1. Jika variannya homogen, maka:
Lakukan Uji-t independen dengan asumsi varian
homogen
4. 2. Jika variannya heterogen,
Lakukan Uji-t independen dengan asumsi varian
heterogen
5. Buat keputusan uji
6. Buat Kesimpulan
 Uji untuk Varian Sama
• uji beda dua mean biasanya menggunakan Uji t (T-
Test). Untuk varian yang sama maka bentuk ujinya sbb:
•
X1  X 2
T 
 1   1 
Sp     
 1  2
n n

Sp 2

 n1  1  S 1 2   n 2  1  S 2 2
 n1  n 2   2

• df = n1 + n2 -2
• Ket ;
• n1 atau n2 = jumlah sampel kelompok 1 atau 2
• S1 atau S2 = standar deviasi sampel kelompok 1 dan 2
Uji untuk Varian berbeda
2
 S1 2
  S2 2

 
  
  
 n 1   n 2 
df  
 S 2 
2
  S 2

2

  1 n     2 n  
 1  
   2  
 n1  1    n 2  1  
   
   
X1  X 2
T 
 S12   S 2 2 
   
 n  n 
 1   2 
Langkah selanjutnya adalah menguji perbedaan
mean kedua kelompok data tersebut dengan
menggunakan uji t untuk varian yang sama:
• Hipotesis :
• Ho : 1= 2 (mean
kadar nikotin jarum Sp2

1011,5  8 11,7
2 2
 2,53
sama dengan mean
kadar nikotin
10 8  2
wismilak) Sp  1,59
• Ha : 1 >2 (mean
kadar nikotin jarum
lebih tinggi 23,1 20
dibandingkan t  4,1
wismilak) 1 1
• Dengan Ha seperti 1,59 
diatas berarti ujinya 10 8
dengan one tail
(satu arah/satu sisi) df  10 8  2  16
• Perhitungan Uji t :
Kemudian dicari nilai p dengan menggunakan Tabel
distribusi t (lampiran tabel iv). Adapun cara
mencarinya adalah sbb:
• .10 .05 .025 .01 .005 -
• 1 … … … … …
nilai p
•
• 16 1.337 1.746 2.120 2.583 2.921 - .dst
• t=4,1

• Pada soal diatas diperoleh nilai t=4,1 dengan df=16, maka

nilai tsb terletak di sebelah kanan dari nilai 2,921 berarti nilai
p-nya adalah < 0,005 (oleh karena ujinya one tail maka nilai p
langsung dapat digunakan tidak perlu lagi dikalikan dua).
• Keputusan Uji Statistik:
• Hasil perhitungan menghasilkan nilai P < 0,005 yang
lebih kecil dari nilai alpha (0,05) -------- Ho ditolak.
• Sehingga dengan menggunakan alpha 5 % dapat disimupulkan
bahwa, secara statistik kadar nikotin jarum memang lebih
tinggi dibandingkan kadar nikotin rokok wismilak (P<0,005).
 Uji Beda Dua
Mean Dependen
PAIRED SAMPLE
UJI BEDA DUA MEAN DEPENDEN (PAIRED
SAMPLE)
• Tujuan : untuk menguji perbedaan
mean antara dua kelompok data
yang dependen
• Contoh kasus:
– Apakah ada perbedaan tingkat pengetahuan
antara sebelum dan sesudah dilakukan
pelatihan
– Apakah ada perbedaan berat badan antara
sebelum dan sesudah mengikuti program
diet
• Syarat :
– Distribusi data normal
– Kedua kelompok data dependen/pair
– Jenis variabel: numerik dan katagori (dua
kelompok)

d
T
Sd d
n
Contoh soal

• Seorang peneliti ingin mengetahui pengaruh Vitamin B12

terhadap penyakit anemia. Sejumlah 10 penderita diberi
suntikan vitamin B12 dan diukur kadar Hb darah sebelum
dan sesudah pengobatan. Hasil pengukuran adalah sbb:
• sebelum : 12,2 11,3 14,7 11,4 11,5 12,7 11,2 12,1
13,3 10,8
• sesudah : 13,0 13,4 16,0 13,6 14,0 13,8 13,5 13,8
15,5 13,2
• Coba anda buktikan apakah ada perbedaan kadar Hb
antara sebelum dan sesudah pemberian suntikan Vit. B12,
dengan alpha 5 %.
– Hipotesis :
– Ho :  = 0 (tidak ada perbedaan kadar Hb antara sebelum &
sesudah pemberian Vit B12)
– Ha :  > 0 (ada perbedaan kadar Hb antara sebelum &
sesudah pemberian Vit B12)
• Perhitungan Uji t :
• sebelum: 12,2 11,3 14,7 11,4 11,5 12,7 11,2 12,1 13,3 10,8
• sesudah: 13,0 13,4 16,0 13,6 14,0 13,8 13,5 13,8 15,5 13,2

deviasi  (13,0  12,2)  (13,4  11,3)  ...  18,6

d
 deviasi 18,6
  1,86
n 10
( x  x ) 2
SD _ d   0,598  0,60
n 1
1,86
t  9,80
0,60
10

• Kemudian dari nilai t tsb dicari nilai p dengan melalui tabel t

cuplikan Tabel t
• .10 .05 .025 .01 .005 nilai p
• 1 .. .. … .. ..
:
:
• 9 1.383 1.833 2.262 2.821 3.250 - t=9,8

• Dari soal diatas diperoleh t= 9,80 dan df=10-1=9, maka nilainya

di sebelah kanan dari nilai tabel 3,250(p=0,005) oleh karena
ujinya two tail maka nilai p = 0,005 x 2  Nilai P=0,01
• Keputusan Uji Statistik:
• Hasil perhitungan menghasilkan nilai P=0,01 < nilai  (0,05)
maka dapat diputuskan Ho ditolak. Sehingga dengan
menggunakan alpha 5 % dapat disimpulkan bahwa, secara
statistik ada perbedaan kadar Hb antara sebelum dan sesudah
diberi suntikan vitamin B12 (P<0,01).
 Tugas
Dua macam obat anti obesitas diberikan
kepada mereka yang berat badannya
overweight untuk jangka waktu 3 bulan.
Obat A diberikan pada 10 orang dan obat B
pada 11 orang. Hasil pengukuran penurunan
berat badan setelah 3 bulan adalah :
Obat A : 9 8 9 7 8 9 5 7 4 7
Obat B : 4 6 7 3 5 3 4 6 6 8 4
Ujilah apakah ada perbedaan dalam daya
menurunkan berat badan kedua macam obat
tersebut pada alpha 5%?
Data sampel terdiri atas 10 pasien pria mendapatkan
obat captopril dengan doses 6,25 mg. Pasien diukur
tekanan darah sistolik sebelum pemberian obat dan 60
menit sesudah pemberian obat. Peneliti ingin
mengetahui apakah pengobatan tersebut efektif untuk
menurunkan tekanan darah pasien-pasien tersebut
dengan alpha 5%. Adapun data hasil pengukuran
sebagai berikut:
Sebelum : 175 179 165 170 162 180 177 178 140 176
Sesudah : 140 143 135 133 162 150 182 150 175 160
Anova (analysis of varian),
Uji Beda Rata-rata >2 kelompok

Program Studi Kesehatan Masyarakat

Institut Kesehatan Indonesia
2018

1
 ANOVA
 Uji hipotesis perbedaan nilai rata-rata dari 2 atau lebih kelompok
independen
Contoh: Adakah perbedaan berat bayi lahir dari keluarga Sosek
tinggi dengan Sosek sedang dan Sosek rendah
 Asumsi Uji Anova:
1. Subjek diambil secara random dari populasi
2. Varian antar kelompok homogen
3. Nilai di populasi berdistribusi normal
4. Kejadian error terdistribusi sec. normal dan independen
 Ho: (Semua i adalah sama) 1   2   3
 HA: (Tidak semua i sama) atau
Setidaknya salah satu dari i berbeda dengan lainnya
 ANOVA
PROSEDUR UJI ANOVA:
1. Ho: (Semua  adalah sama) 1   2   3
Ha: (Tidak semua  adalah sama)
2. Tentukan tingkat kepercayaan (dengan  tertentu)
3. Test Statistik: Uji-F-Anova
4. Area penolakan: Ho ditolak jika
F hitung > F tabel (; df1=k-1; df2=N-k) atau p-value < 
5. Keputusan: Ho ditolak atau gagal ditolak
6. Kesimpulan: Ho gatol  Ho: Semua  sama.
Ho ditolak Ha: Tidak semua  adalah sama/
minimal salah satu  berbeda dengan lainnya
 ANOVA

Sb 2
F 
Sw 2

Sw 
2  n1  1S 1  n 2  1S 2  ...  n k  1S k
2 2 2

N k
n1  x1  X 
 n 2  x 2  X   ...  n k  x k  X 
2 2 2

Sb 
2

k 1
n1  x1  n 2  x 2  ...  n k  x k
X 
N
Contoh 1 Aplikasi ANOVA
Lama tunggu (menit)
P.Dalam Bedah Kebidanan Total
10 5 8
9 8 7
7 8 8
9 5 7
10 7 6
9 6 9
8 6 8
9 8 9
8 6 10
7 6 5
n 10 10 10 30
mean 8,6 6,5 7,7 7,6
sd 1,1 1,2 1,5
x 86 65 77 228
x2 750 435 613 1798
Ho : Tidak ada perbedaan lama waktu tunggu di poli penyakit dalam,
bedah, dan kebidanan
Ha : Ada perbedaan lama waktu tunggu di poli penyakit dalam,
bedah, dan kebidanan
F =…
tabel
-  = 0.05
- Numerator = k –1 = 3 – 1 = 2
- Denominator = N – k = 30 – 3 = 27 (dekat 30)
F tabel = 3.32
F hitung = 6,81
Keputusan: Ho ditolak karena F hitung > F tabel
Nilai-p = …
- F = 6,81 (berkisar 6,35 – 8,77)
- Nilai-p = (Berkisar 0,005 – 0,001)
- Nilai-p < alpha (5%)  Ho ditolak
Simpulan: Ada perbedaan mean waktu tunggu
 Contoh 2 Aplikasi ANOVA

Suatu penelitian ingin mengetahui perbedaan kadar folat sel

darah pada tiga zat pembius (anestesi) yang berbeda. Data
yang berhasil dikumpulkan adalah sebagai berikut:
Kel 1 : 243 251 275 291 347 354 380 392
Kel 2 : 206 210 226 249 255 273 285 295 309
Kel 3 : 241 258 270 293 328
Coba buktikan apakah ada perbedaan kadar folat sel darah
pada ketiga kelompok tersebut dengan alpha 5%.
Multiple Comparison (posthoc test)
Dengan uji ANOVA saja kita belum tahu
kelompok mana yang berbeda,
apakah k1 dg k2, k1 dg k3, atau k2 dg k3
Untuk menjawab pertanyaan ini kita harus
melakukan uji banding ganda (multiple
comparison test)
Salah satunya : Bonferroni

xi  x j
tij 
1 1
2
Sw (  )
ni nj
df  n  k
Contoh 1 Aplikasi ANOVA
Contoh 1 Aplikasi ANOVA

t hit = 3.68 df = 27
P < 0,01 α* = 0,0167
P < α*  Ho ditolak

t hit = 1,58 df = 27
P > 0,1 α* = 0,0167
P >α*  Ho gagal ditolak

t hit = -2,11 df = 27
P > 0,2 α* = 0,0167
P >α*  Ho gagal ditolak
Contoh 2 Aplikasi ANOVA
Contoh 2 Aplikasi ANOVA

t hit = 2,71 df = 19
0,005<P < 0,01 α* = 0,0167
P < α*  Ho ditolak

t hit = 1,48 df = 19
P >0,05 α* = 0,0167
P >α*  Ho gagal ditolak

t hit = -0,33 df = 19
P > 0,1 α* = 0,0167
P >α*  Ho gagal ditolak
Suatu penelitian dilakukan untuk mengetahui hubungan kondisi
sosial ekonomi keluarga dengan berat badan bayi yang
dilahirkan. Penelitian dilakukan dengan menimbang berat badan
bayi (kg) pada 23 ibu yang baru melahirkan yang terbagi dalam
kelompok sosial ekonomi rendah, sedang, dan tinggi.
Adapun hasil nya sebagai berikut:
Sosek rendah : 2,4 3,0 2,1 3,0 3,4 2,3 2,3 2,5
Sosek sedang : 3,0 3,1 2,7 2,6 3,1 2,9 2,9
Sosek tinggi : 3,1 2,4 3,5 2,9 3,4 4,0 3,4 3,9
Pertanyaan :
a. Ujilah dengan alpha 5% apakah ada perbedaan berat badan
bayi di antara tingkat sosial ekonomi tersebut
b. Bila ada perbedaan , kelompok mana saja yang bebeda?
KORELASI – REGRESI
LINIER SEDERHANA
Analisis mengenai hubungan antara 2 variabel
membutuhkan data yang terdiri dari 2 kelompok hasil
observasi atau pengukuran.

1
KORELASI

Biostatistik Dasar-martya 2
Menilai hubungan 2 variabel numerik
 Contoh:
1. Apakah ada hubungan antara umur
dengan tekanan darah sistolik
2. Apakah ada hubungan antara income
keluarga dengan IP mhs
3. Apakah ada hubungan antara umur
pasien dengan lama hari rawat

 Diagram tebar (scatter-plot)

Sumbu X  Variabel Independen
Sumbu Y  Variabel Dependen

Biostatistik dasar 3
HUBUNGAN DUA VARIABEL KONTINU
 Hubungan X dan Y searah (positif) linier
 Bila nilai X naik, maka nilai Y juga naik dan bila nilai X turun, maka
nilai Y juga turun
 Hubungan X dan Y berlawanan arah (negatif) linier
 Bahwa arah hubungan antara variabel X dengan variabel Y adalah
berlawanan arah (negatif) dan linier. Dalam hal ini bila nilai X naik,
maka nilai Y juga turun
 Hubungan X dan Y bentuk kuadrat
 Menunjukkan hubungan antara variabel X dengan variabel Y yang
berbentuk kuadrat.
 Tidak ada hubungan antara X dan Y
 Menunjukkan pola yang tidak teratur, sehingga dikatakan tidak ada
hubungan antara variabel X dengan variabel Y

Biostatistik dasar 4
Diagram pencar dari variabel X dan Y

Y
Y

X
X
Hubungan X dan Y
Hubungan X dan Y berlawanan arah
searah positif linear (negatif) linier

Biostatistik dasar 5
Diagram pencar dari variabel X dan Y

Y Y

X X

Hubungan X dan Y bentuk Tidak ada hubungan X dan

kuadrat Y

Biostatistik dasar 6
KEKUATAN HUBUNGAN
 Kekuatan hubungan tergambar pula pada diagram
tebar, yaitu bila tebaran titik-titik merapat
membentuk garis lurus.
 Bila titik-titik menebar tepat pada satu garis lurus
(semua titik berada pada satu garis lurus), maka
kekuatan hubungan antara kedua variabel
tersebut sangat sempurna.
 Kekuatan hubungan dapat dikuantifikasi melalui
suatu koefisien yang dikenal sebagai Koefisien
Korelasi (dari Pearson).
Biostatistik dasar 7
Ukuran Hubungan 2 Var
 Pearson’s Correlation Coefficient ( r )
 Kekuatan hubungan
 Berkisar antara 0 dan 1
 0= tidak ada hubungan linier antara Var x dg
VarY
 1= hubungan kedua variabel linier sempurna
 Yang sering berada antara 0 dan 1
Arah hubungan
 Ditandai oleh + dan –
 + = Hubungan direct: korelasi positif yang
berarti semakin besar nilai X semakin besar
juga nilai Y
 - = Hubungan terbalik ( inverse): korelasi
negatif berarti kenaikan variabel X diikuti
penurunan var Y atau sebaliknya
 Y Y Y

r =1 r =1 r=0

X X X
Koesfisien korelasi Koesfisien korelasi Koesfisien korelasi
positif Sempurna negatif Sempurna
r=0

Biostatistik dasar 10
 Y
Y

0< r <1
0< r <1

X
Koefisien Korelasi Negatif
X
Koefisien Korelasi Positif

Biostatistik dasar 11
Koefisien Korelasi Pearson (r)
 Koefisien r akan berkisar antara 0 sampai 1.
 Besaran koefisien ini menunjukkan kekuatan hubungan, yaitu
 Bila r = 0, berarti tidak ada hubungan linier.
 Bila r = 1 berarti hubungan linier sempurna.
 makin mendekati angka 1, berarti semakin kuat
hubungannya, dan
 mendekati angka 0 semakin lemah hubungannya.
 Yang perlu diperhatikan adalah bila r kecil, tidak berarti
tidak ada hubungan antara kedua variabel, namun
mungkin hubungan berbentuk non-linier misalnya lengkung
parabolik, atau lengkung eksponensial.

Biostatistik dasar 12
Koefisien Korelasi Pearson (r)

 xy 
 x  y 
r n
 ( x )   ( y ) 
   
2 2

  x  n   y  n 
2 2

  

Biostatistik dasar 13
INTERPRETASI KOEF. KORELASI
 Kekuatan hubungan:
r < 0.4 : Lemah
0.4< r <0.8 : Sedang
r > 0.8 : Kuat
 Korelasi tidak selalu berarti hubungan sebab akibat
(causality)
 Korelasi yang lemah tidak selalu berarti tidak adanya
hubungan
 Korelasi yang kuat tidak selalu berarti adanya garis
lurus
Biostatistik dasar 14
KOEFISIEN DETERMINASI (r2)
 Koefisien R-kuadrat (r2), dapat diartikan sebagai
besarnya proporsi variasi variabel Y yang dapat
dijelaskan oleh variabel X.
 Apabila variasi Y dapat dijelaskan 100% oleh
variabel X, berarti X memang memegang peran
dalam perubahan nilai Y, atau dapat dikatakan
sebagai penentu variabel Y.
 Dapat diperhatikan bahwa bila besar koefisien r = 1,
maka r2 = 100%. Ini berarti apabila terjadi perubahan
nilai X, maka nilai Y pasti akan berubah.
Biostatistik dasar 15
 Subjek (X) Usia (Y) Lama hari rawat X.Y
1 20 5
2 30 6
3 25 5
4 35 7
5 40 8
(X) = 150 (X) = 31 (XY) = 970
(X2) = 4750 (Y2) = 199
(  X ).(  Y ) (150).(31)
(  XY )  (970) 
r n  5  0.97
 X   
2
 Y 
2
 150  
2
 31 
2

 ( X )   .  ( Y )    (4750)   .  (199)  
2 2

 n   n   5   5 
Biostatistik dasar 16
 Nilai r = 0,97 mempunyai hubungan yang
kuat antara variabelnya
 Koefisien determinasi = (r2)=(0,97)2 =0,9409=
94,09% yang artinya variasi umur pasien
terhadap lamanya rawat sebesar 94,09% dan
sisanya 5,91% dijelaskan oleh faktor lain di
luar variabel

Biostatistik dasar 17
REGRESI LINEAR

Biostatistik Dasar-martya 18
Regresi
 Garis regresi adalah garis lurus atau garis linier yang
merupakan garis taksiran atau perkiraan untuk mewakili pola
hubungan antara variabel X dengan variabel Y
 Variabel X disebut variabel bebas
 Variabel Y disebut variabel tak bebas
 Variabel X sebagai prediktor (variabel yang dipakai untuk
memprediksi nilai Y)
 Variabel Y sebagai diprediksi atau sebagai variabel terikat
 Persamaan regresi yang paling baik adalah regresi yang
mempunyai total kuadrat kesalahan atau total kuadrat selisih
yang paling minimum

Biostatistik dasar 19
Regresi
 Persamaan garis regresi

Yˆ  a  bX
y  x 
a  b 
n  n 
 (  x )(  y ) 
(  xy )   
b  n 
 (  x ) 2

(  x )  
2

 n 
Biostatistik dasar 20
• Untuk memprediksi  Metoda Least Square
(Persamaan garis dibuat sedemikian rupa sehingga
jumlah kuadrat dari selisih nilai observasi dengan
nilai pada garis adalah minimum)
 Y adalah nilai Y yang diprediksi
 a adalah intercept dan b adalah slope
 a adalah perbedaan besarnya rata-rata variabel
Y ketika variabel X=0
 b mengukur kemiringan garis, yaitu perkiraan
besarnya perubahan nilai variabel Y bila nilai X
berubah satu unit pengukuran
Biostatistik dasar 21
Subjek X Y X.Y

1 X1 X12 Y1 Y12 XY1

. X. X. 2 Y. Y. 2 XY.

. X. X. 2 Y. Y. 2 XY.

n Xn Xn2 Yn Yn2 XYn

(X) = … (X2) … (Y)… (Y2)… (XY) = …

Biostatistik dasar 22
Hubungan antara usia terhadap lamanya hari rawat
Subjek (X) Usia (Y) Lama hari rawat X.Y

1 20 5

2 30 6

3 25 5

4 35 7

5 40 8

(X) = 150 (Y) = 31 (XY) = 970

(X2) = 4750 (Y2) = 199

Biostatistik dasar 23
 Lama hari rawat (Y) = a + bXi
Yˆ  a  bx
 (x)(y )  (150) * (31)
(xy )    (970) 
b  n  5  0,16
 ( x ) 
2
 (150) 
2

( x )  
2

 (4750)   
 n   5 
y   x  31  150 
a   b   0 ,16    1, 4
n  n  5  5 
Y  a  bx
Y  1, 4  0 ,16 usia
Biostatistik dasar 24
Kesimpulan
 Dapat diartikan bahwa bila pasien yang dirawat
usianya lebih tua satu tahun, maka kemungkinan
lama-hari-rawatnya akan lebih lama 0.16 hari.
 Pasien usia 40 tahun dapat diperkirakan lama hari
rawatnya dengan menghitung dari persamaan regresi
linier di atas yaitu = 1.4 + 0.16 (40) = 7,8 hari.
Sedangkan pasien usia 30 tahun = 1.4 + 0.16 (30) =
6.2 hari. Selisih lama hari rawat pada kedua pasien
adalah 1.6 hari, untuk selisih usia 10 tahun.
Biostatistik dasar 25