TUGAS MATEMATIKA FARMASI

ANALISIS DATA PENYEBARAN COVID-19

DI INDONESIA

OLEH :

AISYAH

1911013020

FARMASI B

FAKULTAS FARMASI
UNIVERSITAS ANDALAS
PADANG
2020
 B. OUTPUT/HASIL
a) UJI NORMALITAS
1. Variabel Waktu ( Jumlah Pasien Hari Ke- )

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
jumlah pasien hari ke- .065 50 .200* .956 50 .058

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Untuk melihat hasil uji normalitas pada variable waktu, kita melihat tabel Shapiro-Wilk. Pada
tabel tersebut, 𝒔𝒊𝒈 (𝒑) = 𝟎, 𝟎𝟓𝟖.
Artinya data terdistribusi NORMAL, karena nilai Sig (p) >0.05

2. Variabel p ( Pasien Positif )

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
pasien positif .192 50 .000 .823 50 .000

a. Lilliefors Significance Correction

Untuk melihat hasil uji normalitas pada variable waktu,kita melihat tabel Shapiro-Wilk. Pada
tabel tersebut, 𝒔𝒊𝒈 (𝒑) = 𝟎, 𝟎𝟎𝟎.
Artinya data terdistribusi TIDAK NORMAL, karena nilai Sig (p) <0.05

3. Variabel s (Pasien Sembuh )

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
pasien sembuh .233 50 .000 .748 50 .000
a. Lilliefors Significance Correction
Untuk melihat hasil uji normalitas pada variable waktu,kita melihat tabel Shapiro-Wilk. Pada
tabel tersebut, 𝒔𝒊𝒈 (𝒑) = 𝟎, 𝟎𝟎𝟎.
Artinya data terdistribusi TIDAK NORMAL, karena nilai Sig (p) <0.05
4. Variabel m (Pasien Meninggal )

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
pasien meninggal .195 50 .000 .817 50 .000
a. Lilliefors Significance Correction

Untuk melihat hasil uji normalitas pada variable waktu, kita melihat tabel Shapiro-Wilk. Pada
tabel tersebut, 𝒔𝒊𝒈 (𝒑) = 𝟎, 𝟎𝟎𝟎.
Artinya data terdistribusi TIDAK NORMAL, karena nilai Sig (p) <0.05

b.) HUBUNGAN WAKTU-PASIEN POSITIF

1. UJI KORELASI

Correlations
jumlah pasien
hari ke- pasien positif
jumlah pasien hari ke- Pearson Correlation 1 .918**
Sig. (2-tailed) .000
N 50 50
pasien positif Pearson Correlation .918** 1
Sig. (2-tailed) .000
N 50 50
**. Correlation is significant at the 0.01 level (2-tailed).
Pada tabel diatas 𝒌𝒐𝒆𝒇𝒊𝒔𝒊𝒆𝒏 𝑲𝒐𝒓𝒆𝒍𝒂𝒔𝒊 (𝒓) = 𝟎, 𝟗𝟏𝟖
Artinya kedua variabel memiliki hubungan yang cukup kuat. Karena jika 𝒓 semakin
mendekati 1 maka, hubungan variabel tersebut akan semakin kuat. Nilai r bernilai positif
artinya kurva naik ke atas.

2. UJI REGRESI ( LINEAR )

Model Summary

Model R R Square Adjusted R Square Std. Error of the Estimate

1 .918a .843 .839 829.909

a. Predictors: (Constant), jumlah pasien hari ke-

 Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -1516.107 238.300 -6.362 .000
jumlah pasien hari ke- 130.347 8.133 .918 16.027 .000
a. Dependent Variable: pasien positif
Pada tabel diatas 𝑹 𝒔𝒒𝒖𝒂𝒓𝒆 = 𝟎. 𝟖𝟒𝟑
Artinya variabel pasien positif sebanyak 84.30% dipengaruhi oleh variabel waktu dan
sisanya ( 15.7% ) dipengaruhi oleh factor lain yang tidak diketahui.

• Persamaan Linear 𝒚 = −𝟏𝟓𝟏𝟔. 𝟏𝟎𝟕 + 𝟏𝟑𝟎. 𝟑𝟒𝟕𝒙

3. UJI REGRESI (EKSPONENSIAL)

Model Summary and Parameter Estimates

Dependent Variable: pasien positif
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1
Linear .843 256.859 1 48 .000 -1516.107 130.347
Exponential .895 410.643 1 48 .000 5.790 .166
The independent variable is jumlah pasien hari ke-.
Pada tabel diatas 𝑹 𝒔𝒒𝒖𝒂𝒓𝒆 𝑬𝒙𝒑𝒐𝒏𝒆𝒏𝒔𝒊𝒂𝒍 = 𝟎. 𝟖𝟗𝟓
Artinya variabel pasien positif sebanyak 89.50% dipengaruhi oleh variabel waktu dan
sisanya ( 10.5% ) dipengaruhi oleh factor lain yang tidak diketahui.

• Karena R square Exponensial > R square Linear,maka persamaan yang lebih cocok
untuk hubungan Waktu-Pasien Positif adalah persamaan eksponensial.
• Persamaan Exponensial 𝒚 = 𝟓. 𝟕𝟗𝟎 × 𝒆𝟎.𝟏𝟔𝟔𝒙

c.) HUBUNGAN WAKTU-PASIEN SEMBUH

1. UJI KORELASI
Correlations
jumlah pasien hari ke- pasien sembuh
jumlah pasien hari ke- Pearson Correlation 1 .853**

Sig. (2-tailed) .000

N 50 50
pasien sembuh Pearson Correlation .853** 1

Sig. (2-tailed) .000

N 50 50
 **. Correlation is significant at the 0.01 level (2-tailed).
Pada tabel diatas 𝒌𝒐𝒆𝒇𝒊𝒔𝒊𝒆𝒏 𝑲𝒐𝒓𝒆𝒍𝒂𝒔𝒊 (𝒓) = 𝟎. 𝟖𝟓𝟑
Artinya kedua variabel memiliki hubungan yang cukup kuat. Karena jika 𝒓 semakin
mendekati 1 maka, hubungan variabel tersebut akan semakin kuat. Nilai r bernilai positif
artinya kurva naik ke atas.

2. UJI REGRESI ( LINEAR )

Model Summary

Model R R Square Adjusted R Square Std. Error of the Estimate

1 .853a .728 .722 108.849
a. Predictors: (Constant), jumlah pasien hari ke-

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Sig
Model B Std. Error Beta t .
1 (Constant) -158.073 31.255 -5.058 .00
0
jumlah pasien hari ke- 12.094 1.067 .853 11.337 .00
0
a. Dependent Variable: pasien sembuh
Pada tabel diatas 𝑹 𝒔𝒒𝒖𝒂𝒓𝒆 = 𝟎. 𝟕𝟐𝟖
Artinya variabel pasien sembuh sebanyak 72.80% dipengaruhi oleh variabel waktu dan
sisanya ( 27.2% ) dipengaruhi oleh factor lain yang tidak diketahui.

• Persamaan Linear 𝒚 = −𝟏𝟓𝟖. 𝟎𝟕𝟑 + 𝟏𝟐. 𝟎𝟗𝟒𝑥

3. UJI REGRESI ( EXPONENSIAL)

Model Summary and Parameter Estimates

Dependent Variable: pasien sembuh
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1
Linear .728 128.539 1 48 .000 -158.073 12.094
Exponentiala . . . . . . .
The independent variable is jumlah pasien hari ke-.
a. The dependent variable (pasien sembuh) contains non-positive values. The minimum value is 0. Log
transform cannot be applied. The Compound, Power, S, Growth, Exponential, and Logistic models cannot be
calculated for this variable.
 • Berdasarkan tabel diatas,uji regresi untuk menentukan persamaan exponensial tidak
dapat diterapkan. Dalam persamaan exponensial tidak boleh terdapat nilai non positif
dan nilai minimumnya 0.
• Pada data pasien sembuh terdapat data yang masih berjumlah 0. Jika nilai 0 di log kan
maka hasilnya adalah tak hingga. Sehingga data pasien sembuh tidak dapat memenuhi
syarat untuk membuat persamaan exponensial.
• Sehingga, persamaan yang cocok untuk hubungan Waktu-Pasien Sembuh
adalah PERSAMAAN LINEAR.

d.) HUBUNGAN WAKTU-MENINGGAL

1. UJI KORELASI

Correlations
jumlah pasien
hari ke- pasien meninggal
jumlah pasien hari ke- Pearson Correlation 1 .915**
Sig. (2-tailed) .000
N 50 50
pasien meninggal Pearson Correlation .915** 1
Sig. (2-tailed) .000
N 50 50
**. Correlation is significant at the 0.01 level (2-tailed).
Pada tabel diatas 𝒌𝒐𝒆𝒇𝒊𝒔𝒊𝒆𝒏 𝑲𝒐𝒓𝒆𝒍𝒂𝒔𝒊 (𝒓) = 𝟎. 𝟗𝟏𝟓
Artinya kedua variabel memiliki hubungan yang cukup kuat. Karena jika 𝒓 semakin
mendekati 1 maka, hubungan variabel tersebut akan semakin kuat. Nilai r bernilai positif
artinya kurva naik ke atas.

2. UJI REGRESI ( LINEAR )

Model Summary

Model R R Square Adjusted R Square Std. Error of the Estimate

1 .915a .838 .834 74.685

a. Predictors: (Constant), jumlah pasien hari ke-

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
 1 (Constant) -136.009 21.445 -6.342 .000

jumlah pasien hari ke- 11.524 .732 .915 15.746 .000

a. Dependent Variable: pasien meninggal

Pada tabel diatas 𝑹 𝒔𝒒𝒖𝒂𝒓𝒆 = 𝟎. 𝟖𝟑𝟖

Artinya variabel meninggal sebanyak 83.80% dipengaruhi oleh variabel waktu dan sisanya (
16.2% ) dipengaruhi oleh factor lain yang tidak diketahui.

• Persamaan Linear 𝒚 = −𝟏𝟑𝟔. 𝟎𝟎𝟗 + 𝟏𝟏. 𝟓𝟐𝟒𝒙.

3. UJI REGRESI (EXPONENSIAL)

Model Summary and Parameter Estimates

Dependent Variable: pasien meninggal
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1
Linear .838 247.923 1 48 .000 -136.009 11.524
Exponentiala . . . . . . .
The independent variable is jumlah pasien hari ke-.
a. The dependent variable (pasien meninggal) contains non-positive values. The minimum value is 0. Log
transform cannot be applied. The Compound, Power, S, Growth, Exponential, and Logistic models cannot be
calculated for this variable.

• Berdasarkan tabel diatas,uji regresi untuk menentukan persamaan exponensial tidak

dapat diterapkan. Dalam persamaan exponensial tidak boleh terdapat nilai non
positif dan nilai minimumnya 0.
• Pada data pasien meninggal terdapat data yang masih berjumlah 0. Jika nilai 0 di log
kan maka hasilnya adalah tak hingga. Sehingga data pasien sembuh tidak dapat
memenuhi syarat untuk membuat persamaan exponensial.
• Sehingga, persamaan yang cocok untuk hubungan Waktu-Pasien Meninggal
adalah PERSAMAAN LINEAR.
C. KESIMPULAN
1. Data yang terdistribusi normal hanya data variabel waktu
2. Persamaan linear Waktu-Pasien Positif adalah 𝑦 = −1516.107 + 130.347
3. Persamaan linear Waktu-Pasien Sembuh adalah 𝑦 = −158.073 + 12.094.
4. Persamaan linear Waktu-Pasien Meninggal adalah 𝑦 = −136.009 + 11524.