BIOSTATISTIK

Dr. dr. Dedy Syahrizal, M.Kes

Bagian Biokimia Fakultas Kedokteran

Universitas Syiah Kuala
 Definisi
• STATISTIK
Cabang dari ilmu matematika yang mempelajari pengolaha data,
menarik kesimpulan-kesimpulan yang diteliti dan keputusan-
keputusan yang logik dari pengolahan data tersebut.

• BIOSTATISTIK
Metode statistik yang diterapkan pada ilmu-ilmu terkait kesehatan,
seperti kedokteran dan kesehatan masyarakat, untuk membantu
memahami tentang karakteristik populasi, dan hubungan/ pengaruh
variabel pada populasi
 KEGUNAAN BIOSTATISTIK
Biostatistik berguna untuk memberikan informasi tentang:
• Karakteristik populasi
• Berapa persen dari populasi yang menderita stunting?
• Berapa rata-rata kadar kolesterol pada kelompok obesitas?

• Hubungan/ pengaruh variabel pada populasi

• Apakah merokok berhubungan dengan peningkatan risiko penyakit
jantung koroner (PJK)?
• Apakah pemberian penyelesaian skripsi berhubungan dengan tingkat
stress mahasiswa?

Informasi itu berguna untuk membantu mengambil keputusan, membuat

perencanaan, atau memecahkan masalah
 Variabel, Data dan Informasi
• Variabel  sesuatu hal yang dapat kita ukur/ hitung
• Jenis kelamin
• Kadar gula darah

• Data  hasil perhitungan/pengukuran yang belum memberi makna

• Subjek A: Seks= laki-laki, TB= 170cm, BB=90kg, TDS= 150mmHg
• Subjek B: Seks= perempuan, TB=165cm; BB=55kg, TDS=120mmHg

• Informasi  Hasil analisis data sehingga memiliki makna yang berguna untuk
membuat keputusan
• Rata-rata TDS populasi obes= 150mmHg, populasi overweight= 140mmHg,
populasi normal= 120mmHg
• Rasio L:P di Indonesia=0.95, di India= 1.05
 Contoh “variabel”
• Untuk mengamati bayi baru lahir
 variabel yang akan diamati adalah berat badan, panjang badan
(nilai ini bervariasi antara satu bayi dengan bayi lainnya)
• Untuk menilai kinerja bidan
 variabel yang akan dinilai adalah kedisiplinan, pengetahuan, dll
Pengelompokan Data
1. Data Primer
Dikumpulkan secara langsung oleh peneliti

2. Data Sekunder
Diperoleh dari orang / tempat lain.
Misal : RM RS. Lebih hemat waktu, biaya, tenaga. Tetapi
kadang tidak lengkap / tidak sesuai
 Klasifikasi Data
• Data di bagi mejadi:
• Data kategorik (nominal dan ordinal)  kualitatif
• Data numerik (interval dan rasio) 
kuantitatif/kontinyu
Data Kategorik (Kualitatif)

• Nominal  memiliki kategori yang sederajat (ex: jenis kelamin

dll)
• Ordinal  memiliki kategori yang bertingkat (ex: tingkat
pendidikan dll)
• Berdasarkan jumlah :
• Dikotom  hanya mempunyai 2 kategori
• Polikotom  memiliki lebih dari dua kategori
Data Numerik (Kuantitatif)

• Rasio  Jika data memiliki nilai nol alami (ex: TB, BB, jarak)
• Interval  Jika data tidak memiliki nilai nol alami (ex: suhu)

• Diskrit  hasil perhitungan (ex: jumlah anak)

• Kontinyu  hasil pengukuran ( ex: berat badan)
Perubahan Skala Pengukuran
• Suatu variabel numerik dapat berubah menjadi kategorik  jika
diklasifikasikan menurut aturan tertentu

• Suatu variabel kategorik dapat berubah menjadi numerik (ex: skor

kualitas hidup yang terdiri dari 36 pertanyaan yang masing-masing
bernilai 1 sampai 5, setiap pertanyaan adalah ordinal  ketika kita
semua pernyataan dijumlahkan  numerik)
Penyajian Data Katagorik
• Penyajian:
• Frekuensi
• Persentase
• Tabel (jumlah dan persentase)
• Grafik (batang)
Penyajian Data Numerik
• Penyajian
• Pemusatan : mean (distribusi normal) dan median (distribusi tidak
normal)
• Sebaran : simpang baku (distribusi normal). Minimal-maksimal
(distribusi tidak normal)
• Sebaran : Persentil
• Grafik : error bar (normal) dan box plot (tidak normal)
DATA KONTINU, HISTOGRAM, DAN
DISTRIBUSI NORMAL
UKURAN TENDENSI SENTRAL, KURVA
NORMAL, KURVA MIRING
 KURVA NORMAL
95% nilai-nilai terletak antara µ-2σ
dan µ+2σ
5% nilai-nilai terletak di luar antara µ-
2σ dan µ+2σ

Suatu data numerik dikatakan

berdistribusi normal apabila data-data
tersebut berada dalam cakupan kurva
normal
Untuk mengetahui suatu data
berdistribusi normal atau tidak dapat
menggunakan uji statistik seperti uji
Kolmogorov-smirnov atau Shapiro-wilk
PERSENTIL, SKOR STANDAR, DAN KURVA NORMAL
 Pengelompokan Statistika
1. Statistika Deskriptif
Statistika Deskriptif: statistika yang menggunakan data pada suatu
kelompok untuk menjelaskan atau menarik kesimpulan mengenai
kelompok itu saja

Cth :
Untuk menggambarkan karakteristik penduduk diperlukan data
seperti: umur, jenis kelamin, status perkawinan, dsb
Untuk menggambarkan karakteristik suatu penyakit digunakan
prevalensi, insidensi, rata-rata
2. Statistika Inferensial/ Analitik
Statistika yang menggunakan data dari suatu sampel untuk
menarik kesimpulan mengenai populasi dari mana sampel
tersebut diambil  proses generalisasi
Cth :
 Untuk menganalisa hubungan pertambahan berat badan Ibu
hamil dengan berat lahir bayi di daerah x diambil sampel di
RSUD x
 STATISTIK INFERENSIAL
Statistik inferensial
Metode statistik untuk menarik
kesimpulan tentang parameter
populasi menggunakan statistik
sampel:
1. Uji hipotesis – menguji signifikansi
statistik tentang beda/ hubungan/
pengaruh variabel
2. Estimasi (penaksiran) –
menaksir besarnya beda/
kekuatan hubungan/ pengaruh
variabel
 UJI HIPOTESIS DAN ESTIMASI
Uji hipotesis
 Apakah pemberian probiotik mempercepat episode diare pada balita
dengan signfikan secara statistik?
 Apakah penggunaan telepon seluler > 10 tahun berhubungan dengan
peningikatan risiko neuroma otak dengan signifikan secara statistik?

 Estimasi
• Berapa hari lebih pendek episode
diare pada balita yang diberi
probiotik?
• Berapa besar peningkatan risiko
neuroma otak pada pengguna
telepon seluler >10 tahun?
• Pada usia 35 tahun, berapa
probabilitas perokok untuk bisa
melangsungkan hidup sampai usia
70 tahun?
 UJI STATISTIK
Uji statistik:
Statistik
Prosedur formal untuk Parametrik
menguji secara
kuantitatif kesesuaian
antara hasil
pengamatan (data) dan
hipotesis
 Menolak hipotesis nol
 Mendukung hipotesis
nol
Jenis uji statistik:
1. Statistik parametrik
2. Statistik non-
parametrik
 STATISTIK PARAMETRIK
DAN STATISTIK NONPARAMETRIK
Statistik parametrik
 Prosedur pengujian hipotesis dan
estimasi dengan menggunakan
parameter mean dan asumsi
normalitas distribusi frekuensi
 Uji t, F (Anova)

Statistika non-parametrik
 Prosedur pengujian hipotesis dan
estimasi tanpa menggunakan
parameter mean maupun asumsi
normalitas distribusi frekuensi
(distribution-free statistics)
 Uji Chi Kuadrat, Mann-Whitney,
Wilcoxon, Kruskal-Wallis
PRINSIP UJI STATISTIK PARAMETRIK
Populasi biru (kanan)
memiliki mean > mean
populasi hijau (kiri)
Seberapa besar beda mean
disebabkan karena faktor
peluang (kebetulan)?
Lakukan uji statistik dan
lihat nilai p.
Contoh: Uji statistik yang
tepat untuk menguji beda
mean dua populasi dengan
distribusi frekuensi normal
adalah uji t
 HIPOTESIS
• Jawaban Sementara Terhadap Masalah Penelitian Yang Kebenarannya
Masih Harus Diuji Secara Empiris
• Hipotesis dalam statistika:
• Hipotesis komparatif (perbandingan/perbedaan)
• Hipotesis korelatif (hubungan/korelasi)
• Perbedaan jenis hipotesis akan menentukan perbedaan uji statistik yang
akan digunakan
• Contoh: (coba tentukan jenis hipotesanya)
• Perbandingan tingkat keasaman saliva pada lansia
• Hubungan motivasi belajar terhadap prestasi akademik mahasiswa
• Pengaruh pemberian ekstrak daunkelor terhadap pertumbuhan salmonella sp.
 PERBEDAN HIPOTESIS KOMPARATIF
DAN KORELATIF
Pembeda Hipotesis Komparatif Hipotesis Korelatif

1. Sifat Sifatnya membandingkan hingga Sifatnya mencari hubungan antara satu

diyakini didapati perbedaan antara variabel dengan variabel yang lain
yang dibandingkan

2. Luaran (output) Perbandingan/perbedaan rerata, Koefisien korelasi (r)

perbandingan/ perbedaan
proporsi,
Odds ratio, resiko relatif
3. Uji Statistik T-test dependent/independent, Pearson, spearman, eta, koefisien
mann whitney, Wilcoxon, kruskall kontingensi, korelasi gamma
wallis, annova, chi-square, fisher
exact test dll
 NILAI p
Nilai p ( p value) adalah probabilitas
untuk menarik kesimpulan SALAH
bahwa terdapat beda/ hubungan/
pengaruh sebesar atau lebih besar
daripada yang teramati, ketika Ho
benar ( tidak ada beda/ hubungan/
pengaruh)
Nilai p menunjukkan besarnya peran
peluang ( kebetulan. Makin kecil nilai
p, makin kecil beda/ hubungan/
pengaruh yang teramati terjadi karena
kebetulan
Jika nilai p≥α, maka beda itu secara
statistik tidak signfikan, peran peluang
besar
Jika nilai p< α, maka beda itu secara
statistik signfikan, peran peluang kecil
 PRECAUTION
Hasil uji statistik ditunjukkan oleh nilai p. Jadi
lihatlah selalu nilai p dari uji statistik apapun
Nilai p menunjukkan signifikansi statistik.
Signifikansi statistik mengandung makna konsistensi temuan
ketika temuan itu diulangi berkali- kali.
Contoh: Probiotik bisa memperpendek lama diare
sebesar 3 hari dengan p= 0. 002. Artinya, jika
penelitian ini diulangi 1000 kali, maka anda akan
menemukan 998 kali di antaranya memberikan
kesimpulan yang sama dengan kesimpulan anda. Temuan itu
baik karena menunjukkan konsistensi.
Penting
1. Jangan sekali kali mengebiri p=0.002 menjadi p<0.05 yang artinya
secara statistik signifikan pada α=0.05. Laporkan p apa adanya, 3
angka di belakang koma,
misalnya p=0.002. Ingat p=0.02 dan p=0.002 sama-sama p<0.05,
tetapi, p=0.002 lebih konsisten daripada p=0.02, informasi itu hilang
jika anda tuliskan p<0.05
2. Nilai p tidak menunjukkan validitas
(kebenaran) hasil penelitian!
LATIHAN
TERIMA KASIH