PEMANFAATAN “IT” PADA

ANALISIS DATA PENELITIAN

Pengantar Biostatistik_S2 Biomedik

Heri Wibowo
Departemen Parasitologi, FK Univ. Indonesia
Teknologi komputer dalam analisis data
penelitian

PROGRAM / SOFTWARE
 EPI INFO
 MedCalc
 Graphprism
 SPSS
 STATA
 CATmaker
Beberapa diantaranya terdapat pada situs
yang bisa diakses melalui fasilitas internet
Teknologi komputer dalam analisis
data penelitian
Manfaat,
 Mudah, Cepat dan Akurat
 Kemudahan yang tetap memerlukan
kecermatan  dapat menjadi pisau
bermata dua :
I Have good news and one bad news. The good one
is that statistical analysis is easy to perform
today. The bad one is that statistical analysis is
easy to perform today
Ruang lingkup & Tujuan
 Analisis data terhadap penelitian yang
memerlukan uji hipotesis

 Perlu pemahaman konsep uji hipotesis

 Mampu memilih jenis uji yang sesuai dengan set

data tertentu
 Mampu menginterpretasi hasil uji hipotesis dalam
penelitian analitik
UJI HIPOTESIS
Adalah prosedur statistika untuk
menunjukkan kesahihan suatu hipotesis
Hal ini dilakukan karena
 Penelitian dilakukan pada sampel
 Peneliti ingin menggeneralisasi hasil studinya
pada populasi
 Kelompok Karakteristik Contoh
subyek

Populasi Dibatasi oleh

karakteristik
Ibu hamil terinfeksi
malaria
target tertentu

Populasi Dibatasi tempat

dan waktu
Ibu hamil terinfeksi
malaria di RS A th
Validitas
eksterna terjangkau 2008

Sampel yg Dipilih secara

random
80 Ibu hamil
terinfeksi malaria
dikehendaki
Validitas
interna Sampel yg Subyek yg turut
sampai penelitian
72 ibu hamil
terinfeksi malaria
diteliti selesai

Validitas interna : Apakah asosiasi/perbedaan hanya dipengaruhi oleh variabel yg

diteliti (Bebas dari kesalahan acak, bias & perancu)
Validitas eksterna : Seberapa besar hasil penelitian pada sampel berlaku (Dapat
diterapkan) pada populasi
Uji hipotesis
Untuk menentukan apakah Perbedaan /asosiasi
pada sampel yang diteliti berlaku pula di populasi
(dengan tingkat kesalahan yang di tentukan peneliti)

 Dilakukan dengan pernyataan hipotesis nol 

tidak ada perbedaan/ hubungan
Analisis data yang
Diperoleh nilai “p”
diperoleh dari sampel

 Cukup bukti untuk menolak hipotesis nol  ada

perbedaan/ hubungan
Tipe kesalahan dalam uji Hipotesis

Keadaan pada  Kesalahan tipe I () :

populasi Jika variabel dalam sampel yang
diteliti terdapat
Ada beda Tidak ada beda asosiasi/perbedaan namun
sebenarnya asosiasi/perbedaan
Ho ditolak Power
/Ada beda
(1-)
 tersebut di populasi tidak ada
Uji hipotesis
pada sampel  Kesalahan tipe II () :
Jika variabel dalam sampel yang
Ho diterima  (1-)
diteliti tidak terdapat
/Tidak ada
beda asosiasi/perbedaan namun
sebenarnya asosiasi/perbedaan
tersebut di populasi ada

H0 = tidak terdapat perbedaan

H1 = Terdapat perbedaan
Penentuan nilai  dan  dalam
uji Hipotesis
Power : kemampuan suatu uji hipotesis untuk
menemukan perbedaan/asosiasi (Menolak Ho)
bila perbedaan /asosiasi di populasi memang
ada  besar power (1-)
Bila  ditentukan 10% maka Power = 90%  Uji hipotesis pada
sampel mempunyai peluang sebesar 90% untuk menemukan
perbedaan

Dalam penelitian umumnya ;

 berkisar 1%-5%
 berkisar 5% - 20% (Power 95%-80%)
Nilai “p” dalam uji hipotesis
Disebut sebagai batas kemaknaan dalam uji hipotesis
Langkah Uji hipotesis dimulai dengan pernyataan
“tidak terdapat perbedaan/hubungan”  Ho

Terima Ho Jika : T hitung < T tabel  p > 0,05  tidak berbeda

Jika
=5% Tolak Ho Jika : T hitung > T tabel  p < 0,05  Ada beda

Interpretasi nilai “p”

Besarnya kemungkinan untuk mendapatkan hasil
yang diperoleh bila hipotesis nol (Ho) benar
Nilai “p” dalam uji hipotesis
Status Malaria
Jumlah (%)
Positif(%) Negatif(%)
hamil 63 (42%) 87 (58%) 150 (100)
Wanita usia
produktif Tidak
23 (23%) 77 (77%) 100 (100)
hamil
86 164 250

X2 = 4,467, df = 1; p = 0.035

Makna p = 0.035 19%

Jika wanita hamil dan tidak hamil mempunyai kerentanan yang

sama terhadap infeksi malaria, maka terdapat kemungkinan
sebesar 0.035 (3,5%) untuk memperoleh perbedaan prevalensi
malaria sebesar 19% atau lebih
UJI satu arah & dua arah dalam
uji diagnosis
 Jika peneliti dalam menuangkan
hipotesis telah mempunyai dasar teori
yang kuat dan dapat menduga bahwa
faktor “x” akan menyebabkan efek
yang lebih kuat/lemah dari pada faktor
“Y”  Hipotesis satu arah,dan
sebaliknya jika belum diketahui bahwa
faktor “X” akan menyebabkan efek lebih
kuat/lebih lemah dari faktor “Y” 
Hipotesis dua arah
Pengkuran dalam penelitian
Pengukuran : Observasi fenomena
dengan maksud agar dapat dilakukan
analisis menurut aturan tertentu
Pengukuran tidak hanya yang
berkonotasi kwantitatif tetapi meliputi
juga sesuatu yang bersifat kwalitatif
spt : Anamnesis (penelitian klinis)
serta informasi yang diperoleh
melalui kuesioner.
Pengkuran dalam penelitian
Penting diperhatikan bahwa data diperoleh dari
hasil pengukuran yang memiliki RELIABILITAS &
VALIDITAS yang baik
 Reliabilitas (Keandalan); Reprodusibilitas;
Presisi
 Validitas (Sahih), menyatakan seberapa
dekat alat ukur menyatakan apa yang
diukur.
Pengkuran dalam penelitian
SKALA SIFAT CONTOH JENIS UJI
Kategorikal Tak dpt dimanipu- Non Paramerik
lasi scr matematik  Uji proporsi (X2)
 Mc Nemar
Nominal Bukan peringkat Gol. Darah, Sex,
Agama  Odd Rasio / OR
(Uji klinik)
Ordinal Peringkat Jenjang pdd, status
ekonomi  Risk Relative (RR)

Numerik Dpt dimanipulasi scr

matematik
Interval Peringkat dg interval Suhu, Koefisien Parametrik
& tidak punya “0” Inteligensi  Uji rerata: Uji t,
alamiah
Anova. Uji korelasi
Rasio Sama dg interval & Berat badan, kadar regresi
punya “0” alamiah gula darah dll Non-Parametrik
 Diskret
 Mann W, Wilcoxon,
 Kontinyu
Kruskall W
VARIABEL Penelitian
 Variabel Bebas= adalah variabel yang
dianggap menentukan variabel
tergantung (Sering disebut variabel
Independent /Prediktor /Kausa /Faktor/risiko)
 Variabel Tergantung= Variabel yang
nilainya meupakan hasil penelitian
(Sering disebut variabel dependent
/Outcome/Event/Efek)
Analisis pada Uji Hipotesis
 Univariat : analisis untuk mencari
deskripsi data (rerata, median, proporsi dll)
 Bivariat : Analisis terhadap 2 variabel
 1 variabel bebas & 1 variabel tergantung
 Multivariat : Analisis terhadap > 1
variabel bebas & > 1 variabel
tergantung
Jenis data & Uji hipotesis pada
analisis Univariat/ Bivariat
VARIABEL METODE
Bebas Tergantung
Nominal Nominal X2 (unrelated)
Mc Nemar (Related)
Regresi logistik/OR (Unrel)
Nominal Numerik  Parametrik : Uji t (Related &
Unrelated)
(Dikotom)  Non Parametrik
 U Mann W (Unrelated)
 Wilcoxon (Related)

Nominal (>2) Numerik Anova

Numerik Numerik Regresi / Korelasi

Jenis data & Uji hipotesis pada Multivariat :
>1 Variabel bebas dan 1 variabel tergantung

VARIABEL METODE
Bebas (>1) Tergantung

Nominal Numerik ANOVA

Numerik
Numerik Regresi multpel

Nominal
Nominal Regresi Logistik
&Numerik
Contoh tabel analisa :
Analisa 2 beda proporsi “unrelated”
( Uji X2 test )
Status Malaria
Jumlah (%)
Positif(%) Negatif(%)
hamil 63 (42%) 87 (58%) 150 (100)
Wanita usia
produktif Tidak 23 (23%) 77 (77%) 100 (100)
hamil
86 164 250

X2 = 4,467, df = 1; p = 0.035

Makna p = 0.035 19%

Jika wanita hamil dan tidak hamil mempunyai kerentanan yang
sama terhadap infeksi malaria, maka terdapat kemungkinan
sebesar 0.035 (3,5%) untuk memperoleh perbedaan prevalensi
malaria sebesar 19% atau lebih
 Contoh tabel analisa :
Analisa 2 beda proporsi “Related”
(Mc Nemar test)
Status Cacingan
Jumlah
Sesudah Pengobatan
(%)
 Positif(%)  Negatif(%)

Status 35 115 150

 Positif(%)
Cacingan (6,4%) (20,9%) (27,3%)
Sebelum
Pengobatan  Negatif(%) 10 390 400
(1,8%) (70,9%) (72,7%)

45 505 550
(8,2%) (91,8%) (100%)

19,1
Sample Size
Perkiraan Besar Sampel
 Jumlah subyek yang diperlukan dalam penelitian
 Penelitian klinis bermanfaat :
 Secara klinis penting
 Secara statistika bermakna
p sig

Perbedaan n>
Klinis >

Perbedaan
n<
Klinis <

p Un_sig

Too many subyects prove everything, too few subyects prove nothing
Perkiraan Besar Sampel
Faktor-faktor yang mempengaruhi Besar Sampel

 Effect Size (); perbedaan hasil klinis

 Besarnya (); kesalahan Tipe-I; Positif Semu
 Power (1-); = kesalahan Tipe-II; Negatif Semu
 Karakteristik data (SD;data numerik, Proporsi)
 Besar Sampel

Tujuan Perhitungan Besar Sampel ;

• Estimasi
• Uji Hipotesis
Besar sampel sampel tunggal
proporsi

Za (PQ)2
n=
(d)2

 Za = Lihat tabel, Tingkat kemaknaan berapa %

 P = Proporsi Kasus
 Q = 1-P
 d = Ketepatan absolut
Besar sampel uji hipotesis beda
proporsi (unrelated )

n
z 1 / 2 2P (1  P )  z1 P1 (1  P1 )  P2 (1  P2 ) 
2

( P1  P2 ) 2

 Untuk beda proporsi 2 kelompok

 P = (P1+P2)/2
 P1 dan P2 bergantung pada desain: Cross Sectional, Cohort, Case Control
 Cross sectional = Cohort.
 P1 = Proporsi Positif Pada Kelompok yang diamati
 P2 = Proporsi positif pada kelompok pembanding
 P1-P2 = beda minimal yang dianggap penting secara substansi
 n=Jumlah untuk masing-masing kelompok
P1 dan P2 pada eksperimen, kohort &
cross-sectional

Keluaran
Sebab + - Total
+ a b a+b
- c d c+d
Total a+c b+d a+b+c+d
Contoh : Ibu Hamil dengan infeksi malaaria
P1: Proposi Malaria pada ibu hamil
P2: Proposi Malaria pada ibu tidak hamil

 P1 = a/(a+b)
 P2 = c/(c+d)
P1 dan P2 pada kasus-kontrol

Keluaran
Sebab + - Total
+ a b a+b
- c d c+d
Total a+c b+d a+b+c+d
Contoh : Ibu hamil dengan kejadian infeksi Malaria
P1: Proporsi ibu anemia pada Malaria +
P2: Proporsi ibu anemia pada Malaria -

 P1 = a/(a+c)
 P2 = b/(b+d)
Contoh P1 dan P2
 “Hubungan antara Infeksi Malaria dengan
Anemia ”
 Desain kohort/cross sectional
 P1: Proposi Anemia pada subyek malaria+
 P2: Proposi Anemia pada subyek malaria-
 Desain kasus-kontrol
 P1: Proporsi subyek Malaria+ pada Anemia
 P2: Proporsi Subyek Malaria+ pada Anemia-
 Kesalahan penetapan P1 dan P2 sering
terjadi pada desain kasus-kontrol
Contoh Case Control & Cohort
 Suatu penelitian dilakukan untuk mengetahui
hubungan antara Infeksi malaria dengan anemia
 Asumsi untuk besar sampel:
 Proporsi Anemia pada subyek malaria + : 30%
 Proporsi Anemia pada subyek malaria -: 10%
  Peneliti menganggap beda minimal proporsi
anemia 20% antara subyek Malaria positif VS
subyek Malaria Negatif
 Derajat kemaknaan: 5%
 Kekuatan uji: 80%
 Maka P=(0,3+0,1)/2 = 0,2
Contoh Kohort

n

1,96 2 * 0,2(1  0,2)  0,84 0,3(1  0,3)  0,1(1  0,1) 
2

(0,3  0,1) 2
n  62 / kelompok

 Jadi sampel yang dibutuhkan 62 subyek Malaria dan

62 subyek sehat  Dibutuhkan jumlah sampel minimal
masing2 kelompok sebesar 62 subyek untuk melihat adanya
beda sebesar 20%
 Bukan berarti diambil sampel 124 Subyek  tidak
menjamin diperoleh 62 subyek Malaria+ dan 62
Subyek sehat
Contoh sample size untuk Cross
Sectional & Cohort
 Pada contoh ini P1-P2=20%
 Beda minimal proporsi anemia yang dianggap
bermakna 20% antara subyek malaria + vs subyek
sehat ( Malaria -)
  Jika nantinya ada beda anemia 20% atau lebih
pada n sampel yang diambil  Uji statistik
“signifikan”
  Jika nantinya ada beda anemia kurang dari 20%
pada n sampel yang diambil  Uji statistik “tidak
signifikan”
  Signifikan uji statistik dirancang berdasarkan
pengertian tentang substansi
 INGAT: Perbedaan berapapun dapat dirancang untuk
“signifikan” secara statistik asal jumlah sampel
terpenuhi
Contoh sample size untuk
Cross Sectional & Cohort
 Berapa sampel subyek yang perlu diambil
agar dapat diperoleh 62 subyek Malaria+ &
62 subyek normal ( Malaria-) ?
 Tergantung prevalensi Malaria di daerah
populasi target. Misal Prevalensi Malaria = 10%
 10% malaria+, 90% Malaria-
 Untuk mendapat 62
 100/10*62 = 620  akan diperoleh 62 subyek
Malaria+ & 558 subyek malaria-
 Dari 558 subyek sehat ( Malaria-) dapat dipilih
secara acak untuk mendapat 62 subyek.
Interval kepercayan (IK)
Beda dg uji hipotesis yg menentukan besarnya
kemungkinan memperoleh hasil bila hipotesis 0
benar. Pada IK kita mengestimasi suatu rentang
nilai yang ada populasi dengan dasar Nilai 1 pada
sampel yg mewakili populasi tsb
Rumus Umum :
IK = P + (z x SE)
P = Point estimate (Statistik yg diperoleh dari sampel). P
bisa Proporsi, rerata, beda rerata dst
Z  = Deviat baku normal untuk  sesuai IK yg diingnkan
IK95%,berarti  = 0,05,  Z  = 1,96
IK99%, berarti  = 0,01,  Z  = 2,576
SE = Standar error, yg besarnya dihitung dg rumus yg
berbeda utk setiap jenis statistik
Interval kepercayan (IK)
Contoh IK utk proporsi tunggal
Dari RS diperoleh data 100 pasien Ca mamae ternyata 30 persen pernah pakai pil KB.
Kita ingin memperkirakan berapa persen populasi target (semua pasien Ca mamae di
RS A) yg pernah menggunakan pil KB dg IK 95%

IK95% (P) = P = P+ Z pq  0,3 + 1,96 0,3x0,7 0,09

n 100
dari 0,3-0.09 sd 0,3+0,09  dari 0.21 – 0.39
IK99% dari 0,18 – 0,42
Conoh IK utk data numerik
Bila diketahui rerata umur 100 pasien Ca mamae 48,5 tahun dengan simpangan baku
(SD) = 7,6 tahun, berapa rerata umur pasien Ca. mamae dg IK95%

SD 7,6
SE (x) = n.  IK95% = 48,5 + 1,96 x 100 1,5

Interpretasi : Kita percaya 95% bahwa nilai rerata umur pasien Ca. mamae
yang berobat di RS A adalah antara 47 sampai 50 tahun
Interval kepercayan (IK)
IK untuk 2 beda rerata
 Rerata tekanan darah diastolik 50 dokter anestesi adalah 87
mm/hg (SD=5,2), Rerata tekanan darah diastolik 50 dokter
kulit&kelamin adalah 82 mm/hg (SD=4,7)  ada perbedaan
tekanan (87-82 = 5 mm/Hg)
Pertanyaan : Berapa perbedaan rerata tekanan darah dokter
anestesi dan doker kulit kelamin di populasi jika dianggap
sejumlah dokter tsb mewakili di populasinya.
 Jka dihitung setelah ditemukan (IK95%) punya nilai rentang
1 sampai 9 (Tidak mencakup angka 0), maka benar bahwa
dipopulasi terdapat perbedaan tekanan darah dr. anestesi dan
dr. kulit kelamin sebesar 5 mmHg dg kisaran antara 1 hingga 9
mm/hg
Two tailed test
 H0; X1=X2
 H1; X1 = X2

One tailed test

H0; X1 < X2
H1; X1 > X2