MAKALAH

BIOSTATISTIK TEORI ESTIMASI PENELITIAN

DI SUSUN OLEH
KELOMPOK IV :

YUSI NURSIAM
ILHAM SANJAYA

DOSEN PEMBIMBING :
DR. Ns. Meri Neherta, M.Biomed

PROGRAM STUDI MAGISTER KEPERAWATAN

FAKULTAS KEPERAWATAN
UNIVERSITAS ANDALAS
2019
 KATA PENGANTAR

Puji syukur kami haturkan atas kehadirat allah SWT. Dimana atas rahmat dan

karunia-Nya saya telah dapat menyusun Makalah ini yang berjudul Biostatistik Teori

Estimasi Penelitian. Dalam proses penyusunan makalah ini, penyusun mengalami

banyak permasalahan. Namun berkat arahan dan dukungan dari berbagai pihak akhirnya

makalah ini dapat diselesaikan. Oleh karena itu penyusun mengucapkan terima kasih

kepada dosen Mata perkuliahan Biostatistik, yaitu Ibu DR. Ns. Meri Neherta,

M.Biomed yang telah membimbing dalam penyusunan makalah ini.

Penyusun menyadari makalah ini belum sempurna, maka dari itu penyusun

berterima kasih apabila ada kritik dan saran yang membangun untuk penyempurnaan

makalah ini.

Akhir kata, semoga makalah ini dapat bermanfaat bagi kita semua khususnya

Program Studi Magister Keperawatan.

Padang September 2019

Penyusun
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Proses estimasi merupakan peristiwa yang dialami oleh setiap orang

dalam kehidupan sehari-hari. Minsalnya, bila kita akan menyeberang jalan dan

melihat ada kendaraan yang akan lewat maka kita akan membuat estimasi

tentang kecepatan kendaraan, lebar jalan, dan kecepatan kita untuk membuat

keputusan, apakah kita menyeberang atau menunggu sampai kendaraan lewat.

Estimasi demikian hanya didasarkan pada pengalaman atau tebakan saja.

Estimasi demikian sering digunakan oleh para manajer termasuk manajer

kesehatan. Minsalnya, bila seseorang manajer menghadapi peristiwa yang harus

diputuskan dengan segera, tetapi dengan informasi yang tidak lengkap atau

bahkan tidak terdapat informasi sama sekali maka dilakukan estimasi seperti kita

akan menyeberang jalan.

Bila waktu dan informasi cukup memadai maka dapat dilakukan estimasi

yang akurat dapat dipertanggung jawabkan dengan menggunakan teori yang

dikenal sebagai teori estimasi.teori estimasi memegang peran yang sangat

penting dalam statistika inferensial karena teori estimasi bersama-sama dengan

pengujian hipotesis merupakan dasar statistika inferensial yang dilandasi oleh

teori peluang. Dalam metode statistika, teori estimasi digunakan untuk menaksir

parameter populasi seperti rata-rata atau proporsi variabel tertentu yang terdapat

dalam populasi melalui perhitungan statistic sampel karena perhitungan

langsung pada seluruh populasi tidak mungkin dilakukan. Dibidang kedokteran

 teori estimasi digunakan untuk menapsirkan banyaknya penderita penyakit

tertentu dimasa yang akan datang, menapsirkan jumlah pengunjung atau

menapsirkan prognosa suatu penyakit dan lain-lain.

1.2 Tujuan Penulisan

1 Tujuan umum

Mahasiswa mampu memahami konsep dasar tentang Teori Estimasi dari

suatu penelitian.

2 Tujuan Khusus

a Mahasiswa Mampu memahami Istilah dan pengertian tentang Teori

Estimasi

b Mahasiswa mampu memahami Permasalahan Penaksiran di teori

Estimasi

c Mahasiswa mampu memahami pola umum penaksiran parameter di teori

Estimasi

d Mahasiswa mampu memahami dan menaksirkan rata-rata jika simpangan

baku di ketahui dari Estimasi

e Mahasiswa mampu memahami dan menaksirkan rata-rata jika simpangan

baku tidak di ketahui dari Estimasi

f Mahasiswa mampu memahami dan menaksirkan simpangan baku

 BAB II

TINJAUAN PUSTAKA

2.1. Pengertian Estimasi

Estimasi adalah suatu metode dimana kita dapat memperkirakan nilai

populasi (parameter) dengan menggunakan nilai sampel (statistik). Proses

estimasi merupakan peristiwa yang dialami oleh setiap orang dalam kehidupan

sehari-hari. Minsalnya, bila kita akan menyeberang jalan dan melihat ada

kendaraan yang akan lewat maka kita akan membuat estimasi tentang kecepatan

kendaraan, lebar jalan, dan kecepatan kita untuk membuat keputusan, apakah

kita menyeberang atau menunggu sampai kendaraan lewat. Estimasi demikian

hanya didasarkan pada pengalaman atau tebakan saja.

Estimasi demikian sering digunakan oleh para manajer termasuk manajer

kesehatan. Minsalnya, bila seseorang manajer menghadapi peristiwa yang harus

diputuskan dengan segera, tetapi dengan informasi yang tidak lengkap atau

bahkan tidak terdapat informasi sama sekali maka dilakukan estimasi seperti kita

akan menyeberang jalan.

2.2. Ciri-ciri Estimator yang Baik

1 Estimasi Parameter

Dalam estimasi nilai statistic yang dipakai untuk menduga nilai

populasi atau parameter di sebut Estimator. Hasil dari pendugaan disebut

dengan estimasi secara statistik (Statistical estimate). Estimator yang baik

haruslah mempunyai sifat dengan tidak bias, efisien, dan konsisten. Salah
 satu persoalan penting dalam inferensi statistic adalah estimasi parameter

populasi, atau ditingkat parameter (seperti mean populasi dan varians

populasi), dari statistic sampel, atau disingkat statistic untuk parameter

bersangkutan.

2 Estimasi Tak bias

Estimator yang tidak bias adalah estimator yang hasil estimasinya

mengandung nilai parameter yang diestimasi. Jika mean dari distribusi

sampling dari suatu statistic sama dengan parameter populasinya, maka

statistic tersebut dianamakan estimator tak bias dari parameter tersebut dan

nilainya disebut estimasi tak bias, jika sebaliknya maka statistiknya disebut

estimator bias dan nilainya disebut estimasi bias.

Contoh :

a Mean dari distribusi sampling mean µᵪ adalah µ yaitu mean

populasinya. Sehingga mean sampling χ adalah suatu estimasi tak

bias dari mean populasi µ Mean dari distribusi sampling varians

adalah :

𝑁−1 2
𝜇𝑠2 = 𝜎
𝑁

Dimana 𝜎 2 adalah varians populasi dan N adalah ukuran sampel.

Maka varians sampel s2 adalah estimasi bias dari varians populasi 𝜎 2

dengan menggunakan varians hasil modifikasi :

𝑁
𝑠2 = 𝑠2
𝑁−1

Dengan memperoleh µs = 𝜎 2 , sehingga s2 adalah estimasi bias dari 𝜎

dalam bahasa ekspetasi kita dapat mengatakan bahwa suatu statistik

 disebut tak bias jika ekpetasinya sama dengan parameter populasi

untuk statistic tersebut. Sehingga X dan s2 disebut tak bias karena

E(X) = 𝜎 dan E(s2) = 𝜎 2

3 Estimasi Efisien

Dikatakan efisien apabila hasil estimasi memakai nilai tersebut pada

rentang yang kecil saja sudah mengandung nilai parameter. Sementara itu,

yang dimaksud dengan konsisten adalah berapapun besarnya sampel pada

rentangnya akan mengandung nilai parameter yang sedang diestimasi. Jika

distribusi sampling dari dua statistic mempunyai mean (atau ekspetasi) yang

sama, maka statistic dengan varians yang lebih kecil disebut sebagai

estimator efisien dari mean, sementara kedua statistic yang satunya disebut

estimator tak efisien. Nilai dari kedua statistic masing-masing disebut

sebagai estimasi efisien dan estimasi tak efisien

Contoh :

Distribusi sampling dari mean dan median kedua-duanya mempunyai mean

yang sama yaitu mean populasinya dengan demikian populasi sampel lebih

kecil dari varians distribusi sampling median. Oleh karena itu mean

memberikan estimasi mean efisien dari mean populasi. Dari seluruh statistic

yang mengestimasi populasi, mean sampel memberikan estimasi yang

paling efisien.

Dalam prakteknya estimasi tidak efisien lebih serig digunakan

karena cara memperolehnya relative lebih mudah dari estimasi efisien.

2.3. Titik Estimasi proporsi sampel (p) terhadap proporsi populasi (P)

Contoh :

Bila kita ingin mengetahui persentase penduduk suatu kota yang menderita

keratitis. Untuk itu, kita ambil sampel sebanyak 100 orang yang berkunjung ke

rumah sakit mata dan ternyata terdapat 5 orang yang menderita penyakit

keratitis. Dari hasil tersebut dibuat taksiran bahwa 5% penduduk kota tersebut

menderita keratitis dengan perhitungan sebagai berikut.

Proposi (P) = 𝑥⁄𝑛

x= jumlah penderita keratitis yang ditemukan

n= besarnya sampel

𝑃 = 5⁄100 = 5%

2.4. Titik estimasi jumlah ciri tertentu sampel (x) terhadap ciri tertentu

dalam populasi (X)

Titik estimasi jumalh cirri tertentu dalam variabel yang terdapat pada sampel

digunakan untuk mengadakan estimasi terhadap jumlah cirri tersebut dalam

populasi.

Rumus : 𝑥 ′ = (1⁄𝑓)𝑥

x’ = jumlah kategori dalam variabel

f = n/N

n = banyaknya sampel

N = besarnya populasi

x = jumlah hasil (outcome) kategori yang ingin kita ketahui jumlahnya.

 minsalnya, kita ingin mengetahui jumlah pengunjung wanita yang

terdapat di suatu rumah sakit. Diketahui jumlah penderita yang berkunjung

sebanyak 500 orang per minggu. Dari jumlah tersebut diambil sebanyak 50

orang sebagai sampel dan dari 50 orang tersebut terdapat 10 orang penderita

wanita.

𝑛 50 1
𝑓= = =
𝑁 500 10

50
𝑛 = 1( ) × 10 = 100
500

100 orang pengunjung wanita digunakan sebagai titik estimasi terhadap

500 orang yang berobat kerumah sakit. Dengan kata lain, diestimasikan bahwa

dari 500 orang yang berobat kerumah sakit tersbut 100 orang diantaranya adalah

wanita.

2.5. Titik estimasi deviasi standar sampel terhadap deviasi standar populasi

(𝝈)

Untuk mengadakan estimasi terhadap kadar gula darah telah dilakukan

pemeriksaan gula darah puasa terhadap 35 orang mahasiswa yang dianggap

normal. Dari pemeriksaan tersebut dihasilkan rata-rata 102 mg% dari hasil

tersebut kita hidung deviasi standar menggunakan rumus berikut :

(𝑥 − 𝑥)2
𝑠 = √∑
𝑛−1

Hasil s = 6,01 merupakan nilai estimasi deviasi standar terhadap gula darah

populasi. Hasil ini tidak bias karena sebagai penyebut digunakan koreksi n-1.
2.6. Bentuk Estimasi

1 Estimasi titik (point Estimation)

Nilai statistic (nilai-nilai sampel) digunakan sebagai pendugaan nilai

parameter karena nilai-nilai ini merupakan estimator yang baik untuk

menduga atau mengestimasi nilai parameter.

Minsalnya nilai mean sampel dianggap sebagai nilai mean populasi. Dengan

bentuk µ diestimasi = χ dan s diestimasi = 𝜎

Estimasi dari suatu parameter populasi yang terdiri dari satu bilangan

tunggal yang disebut dengan estimasi titik (point Estimation) dari parameter

tersebut.

Contoh :

Dari suatu penelitian terhadapa suatu sampel ibu hamil di kabupaten Cianjur

dari 210 ibu didapatkan Hb rata-rata 7,2 gr%. Kalau kita menduga kadar Hb

ibu hamil di daerah Cianjur dengan estimasi titik, kita katakana kadar Hb ibu

hamil di Kab Cianjur adalah 7,5 gr %.

Sebetulnya nilai populasi atau µ bisa kita duga dari bermacam-macam

nilai dalam sampel seperti nilai median ataupun nilai mode atau salah satu

dari nilai pengamatan, namun yang dikatakan tidak bias adalah nilai mean.

Walaupun demikian, estimasi titik ini juga mempunyai kelemahan tertentu.

Kelemahan estimasi titik adalah kita tidak dapat mengetahui berapa kuat

kebenaran dugaan kita tahu. Dan kemungkinan besar akan salah. Kelemahan

estimasi titik ini dapat dihilangkan dengan melakukan estimasi selang

(estimasi interval).
2 Estimasi interval

Estimasi dari suatu parameter populasi yang terdiri dari dua bilangan dimana

parameter tersebut diperkirakan terletak yang disebut dengan estimasi

interval dari parameter. Dasar estimasi interval ini adalah bahwa sampel-

sampel yang diambil dari suatu populasi akan berdistribusi (normal) pada

sekitar µ, dengan simpangan baku = SE (sifat dari distribusi sampling).

Dengan ini kita tentukan batas minimum dan maksimum terletak dinilai µ.

Jarak dari batas tertinggi dan terendah ditentukan sebagai confiden interval

yaitu luas daerah di bawah kurva normal ditentukan dengan persentase

minsalnya 90%, 95%, 99%

Rumus :

St – Z1/2α SE ≤ PARAMETER ≤ St + Z1/2α SE

Atau

X – Z.SE ≤ µ ≤ X + Z.SE

Keterangan :

St = Nilai Statistik (Sampel X)

Z = deviasi relative (standar score, besarnya ditentukan oleh confiden

interval)

SE = Standart Error

PARAMETER = nilai populasi yang diduga = µ

Contoh :

Dari suatu sampel random sebanyak 100 orang ibu hamil yang diambil dari

kabupaten Cianjur didapatkan Hb =9,6 gr%. Simpangan baku didalam

populasi 5 gr%. Dengan Confidien Interval 95% akan dihasilakn kadar Hb

ibu hamil di Kabupaten Cianjur adalah :

χ mean sampel = 9.6 gr%

n Sampel = 100

𝜎 = 5 gr%

SE = 5⁄√100 = 0.5 𝑔𝑟%

CI = 95%

Jawaban :

9.5 gr% - 1.96 x 0.5 gr% ≤ µ ≤ 9.5 gr% + 1.95 x 0.5 gr% 8.5 gr% ≤ µ ≤

10.48 gr%

Artinya :

1 Kita yakin 95% bahwa Hb ibu hamil di Cianjur terletak anatara 8.52 gr%

sampai 10.48 gr%

2 Kalau kita ambil berulang kali sampel yang besarnya 100 ibu di daerah

itu, maka 95% dari mean sampel-sampel tersebut berada pada nilai 8.52

gr% sampai 10.48 gr%

Dengan estimasi interval kita mengakui bahwa dengan confiden interval

95%, 90% ataupun 99% kebenaran taksiran ini benar. Dengan kata lain,

jujur diakui kemungkinan (peluang) salah adalah 100% - 95% = 5% atau

10% atau 1% (dikenal dengan sebagai α).

2.7. Estimasi keyakinan interval dari parameter populasi

Anggaplah µs dan αs adalah mean dan deviasi (error standar) dari distribusi

sampling dari suatu statistic S. maka, jika distribusi sampling S adalah kira-kira

normal ( n ≥ 30), kita dapat memperkirakan kemungkinan bahwa S akan terletak

dalam interval µs − αs sampai µs + αs, µs - 2αs atau µs - 3αs atau µs + αs berturut

turut sekitar 68.27%, 95.45% dan 99.73%. nilai kritis dilambangkan dengan Zc

Tingkat
99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
keyakinan
Zc 3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745

2.8. Interval keyakinan untuk mean

a Sampel besar (n ≥ 30)

Jika statistik S adalah Mean sampel (X) maka limit keyakinan 95% dan

99% untuk mengistemasi mean populasi µ adalah berturut-turut

diberikan oleh X ± 1.96αx dan X ± 2.58αx. secara lebih umum, limit-limit

keyakinan diberikan oleh X ± zcαc dimana zc yang bergantung pada

tingkat keyakinan tertentu yang diinginkan. Dapat dibaca dari tabel

diatas. Dengan menggunakan nilai-nilai dari αx. kita melihat bahwa limit

keyakinan untuk mean populasi ditentukan oleh :

𝜎 𝑁−𝑛
X + Zc menjadi √
√𝑛 𝑁−1

Jika sampling dilakukan tanpa penggantian dari suatu populasi yang

infinit atau jika sampling dilakukan dengan penggantian dari suatu

populasi finit N.
 b Sampel kecil (n < 30) dan normal populasi

Dalam kasus ini kita menggunakan distribusi t untuk memperoleh

tingkat keyakinan. Sebagai contoh, jika –t0.975 dan t0.975 adalah nilai dari T

dimana 2.5% dari luas areanya yang terletak dalam setiap ekor dari

distribusi t, maka interval keyakinan 95% untuk T diberikan melalui :

𝑋−𝜇 𝑋−𝜇 (𝑋 − 𝜇)√𝑛

𝑇= = 𝐦𝐞𝐧𝐣𝐚𝐝𝐢 −𝑡0.975 < < 𝑡0.975
𝑆 𝑆 𝑆
√𝑛 √𝑛 − 1

Cara mendapatkan dan melihat µ dapat diperkirakan terletak dalam

interval adalah :

𝑆 𝑆
𝑋 − 𝑡0.975 < 𝜇 < 𝑋 + 𝑡0.975
√𝑛 √𝑛

Dengan keyakinan 95%. Secara umum limit keyakinan untuk mean

populasi ditentukan oleh :

𝑆
𝑋 ± 𝑡𝑐
√𝑛

Dimana nilai 𝑡𝑐 dapat dilihat pada tabel Nilai Persentil 𝑡𝑝 untuk distribusi

𝑡 student dengan v derajat kebebasan

Jadi, perbandingan antara sampel besar dan sampel kecil adalah sama

hanya saja yang lebih akurat adalah teori sampel besar karena didalam teori

sampel besar dan sampel kecil adanya terdapat kesamaan yaitu S sehingga

standart deviasi pada sampel tersebut dapat digunakan sebagai pengganti deviasi

standar populasi (yang biasanya tidak diketahui) sebagaimana yang tercantum

pada rumus pertama sampel kecil.

2.9. Interval keyakinan untuk proporsi

Minsalnya statistic S adalah proporsi dari “keberhasilan” dalam sampel dengan

ukuran n ≥ 30 yang diambil dari suatu populasi binomial dimana p adalah

proporsi keberhasilan (yaitu probabilitas keberhasilan). Maka limit keyakinan

untuk p dintukan oleh 𝑝 ± 𝑧𝑐 𝜎𝑝 , dimana P melambangkan proporsi keberhasilan

dalam sampel dengan ukuran n. dengan menggunakan nilai-nilai 𝜎𝑝 yang

𝑝𝑞 𝑝(1−𝑝)
diperoleh dari 𝜇𝑝 = 𝑝 𝐦𝐞𝐧𝐣𝐚𝐝𝐢 𝜎𝑝 = √ 𝑛 = √ dengan menggantikan
𝑛

𝜇𝑝 = 𝑝 dan 𝜎 =√𝑝𝑞 sehingga kita melihat limit keyakinan untuk proporsi

populasi ditentukan oleh :

𝑝𝑞 𝑝(1 − 𝑝)
𝑃 ± 𝑧𝑐 √ = 𝑃 ± 𝑧𝑐 √
𝑛 𝑛

Dalam kasus sampling dilakukan terhadap suatu populasi infinit atau jika

sampling dilakukan dengan penggantian dari suatu populasi finit. Dengan cara

yang sama, limit keyakinannya adalah :

𝑝(1 − 𝑝) 𝑁 − 𝑛
𝑃 ± 𝑧𝑐 √ √
𝑛 𝑁−1

Jika sampling dilakukan tanpa penggantian dari suatu populasi dengan ukuran

finit N tertentu. Perhatikan bahwa hasil-hasil ini diperoleh dari persamaan rumus

sampel besar dengan mengganti X dengan P dan 𝜎 dengan √𝑝𝑞

2.10. Interval keyakinan untuk selisih dan jumlah

Jika S1 dan S2 adalah dua sampel statistic dengan distribusi sampling kira-kira

normal, limit keyakinan untuk selisih dari parameter-parameter populasi untuk

S1 dan S2 ditentukan oleh :

𝑆1 − 𝑆2 ± 𝑧𝑐 𝜎s1 −s2 = 𝑠1 − 𝑠2 ± 𝑧𝑐 √𝜎𝑆21 + 𝜎𝑆22

Sementara limit keyakinan untuk jumlah dari parameter-parameter populasi

ditentukan oleh :

𝑆1 + 𝑆2 ± 𝑧𝑐 𝜎s1 +s2 = 𝑠1 + 𝑠2 ± 𝑧𝑐 √𝜎𝑆21 + 𝜎𝑆22

Dengan syarat sampel-sampel tersebut adalah independen. Sebagai contoh , limit

keyakinan untuk selisih dari dua mean populasi, dalam kasus dimana populasi

tersebut infinit dan memiliki deviasi standar yang telah diketahui, 𝜎1 dan 𝜎2

ditentukan oleh :

𝜎12 𝜎22
𝑋1 − 𝑋2 ± 𝑧𝑐 𝜎X1 −X2 = 𝑋1 − 𝑋2 ± 𝑧𝑐 √ +
𝑛1 𝑛2

2.11. Estimasi kemungkinan maksimum

Meskipun limit keyakinan berguna untuk menentukan suatu parameter populasi,

seringkali lebih mudah untuk memiliki estimasi tunggal atau titik. Untuk

memeperoleh estimasi “terbaik” semacam ini. Kita menggunakan teknik yang

dikenal sebagai metode kemungkinan maksimum dari Fisher.

Untuk mengilustrasikan metoded tersebut, kita mengamsumsikan bahwa

populasi memiliki suatu fungsi kepadatan yang mengandung suatu parameter

populasi, minsalnya , yang harus ditentukan dengan menggunakan suatu

statistic tertentu. Kemudian fungsi kepadatan dapat dilambangkan sebagai

𝑓(𝑥, 𝜃). Dengan mengamsumsikan bahwa terdapat n pengamatan yang

independen, X1…,Xn fungsi kepadatan gabungan untuk pengamatan ini adalah :

𝐿 = 𝑓(𝑥1 , 𝜃), 𝑓(𝑥2 , 𝜃), … , 𝑓(𝑥𝑛, 𝜃)

Yang disebut kemungkinan. Kemungkinan maksimum dapat diperoleh

dengan menentukan turunan dari L terhadap 𝜃 dan menyatakannya sama dengan

nol. Dalam hal ini, akan lebih mudah untuk terlebih dahulu menghitung

logaritma dan menentukan turunannya. Penyelesaian dari persamaan ini, untuk 𝜃

dalam bentuk 𝑥𝑘 , dikenal sebagai estimator kemungkinan maksimum dari 𝜃.

Metode tersebut dapat digeneralisasi. Dalam kasus diamana terdapat

sejumlah parameter, kita menghitung turunan parsial terhadap setiap parameter,

menyamakan dengan nol dan menyelesaikan permasamaan-persamaan yang

bermunculan secara simultan.

 BAB III

PENUTUP

A Kesimpulan

Bila waktu dan informasi cukup memadai maka dapat dilakukan estimasi

yang akurat dapat dipertanggung jawabkan dengan menggunakan teori yang

dikenal sebagai teori estimasi.teori estimasi memegang peran yang sangat

penting dalam statistika inferensial karena teori estimasi bersama-sama dengan

pengujian hipotesis merupakan dasar statistika inferensial yang dilandasi oleh

teori peluang. Dalam metode statistika, teori estimasi digunakan untuk menaksir

parameter populasi seperti rata-rata atau proporsi variabel tertentu yang terdapat

dalam populasi melalui perhitungan statistic sampel karena perhitungan

langsung pada seluruh populasi tidak mungkin dilakukan. Dibidang kedokteran

teori estimasi digunakan untuk menapsirkan banyaknya penderita penyakit

tertentu dimasa yang akan datang, menapsirkan jumlah pengunjung atau

menapsirkan prognosa suatu penyakit dan lain-lain.

 DAFTAR PUSTAKA

Spiegel Murray R dkk. 2004. Probabilitas dan Statistik Schaum’s. Jakarta : Erlangga

Nursalam. 2016. Metodologi Penelitian Ilmu Keperawatan dengan pendekatan Praktis.

Jakarta: Salemba Medika

Notoatmodjo Soekidjo. 2002. Metodologi penelitian Kesehatan.

Jakarta: PT Rineka Cipta

Dahlan Sopiyudin. 2009. Statistik untuk Kedokteran dan Kesehatan.

Jakarta: Salemba Medika

Hastono Sutanto P. 2010. Statistik Kesehatan. Jakarta Utara: PT Raja Grapindo Persada

Budiarto Eko. 2002. Biostatistika Untuk Kedokteran dan Kesehatan Masyarakat.

Jakarta : EGC