UKURAN SAMPEL,
POWER DAN UKURAN EFEK
Johan Harlan
Perhitungan Ukuran Sampel,
Power dan Ukuran Efek
Penulis : Johan Harlan
Oktober 2017
Johan Harlan
v
DAFTAR ISI
Kata Pengantar v
vii
Perhitungan Ukuran Sampel dan Analisis Power 24
dengan Stata
Contoh 4.2 25
viii
Kasus-Kontrol
Contoh 7.2 50
Kepustakaan 77
ix
Lampiran 1 79
Lampiran 2 81
Lampiran 3 83
x
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
BAB 1
DASAR-DASAR PERHITUNGAN
UKURAN SAMPEL
Pendahuluan
` Perhitungan ukuran sampel merupakan langkah penting dalam
perancangan studi untuk menjamin tercapainya tujuan penelitian secara
kuantitatif. Pada penelitian terhadap 113 makalah pada Index Medicus 3
dekade yang lampau, hanya 2 yang memuat perhitungan ukuran sampel dan
3 lainnya yang menyertakan perhitungan power. Pada saat ini. hampir semua
jurnal internasional yang kredibel mengharuskan disertakannya perhitungan
ukuran sampel pada naskah yang dikirim untuk dimuat dalam jurnal tersebut.
2
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
I = Zα 2 .SE ( y )
σ
= Zα 2 .
n
Diperoleh:
2
n=
( Zα 2 ) .σ 2
(1.1)
I2
2I : Lebar interval estimasi yang diinginkan
2
σ : Variansi populasi, diperoleh dari penelitian terdahulu atau studi
pendahuluan
Perhitungan ukuran sampel untuk estimasi interval biasanya tidak
tersedia pada program komputer dan harus dilakukan secara manual.
4
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
5
Bab 1 Dasar-Dasar
Dasar Perhitungan Ukuran Sampel
C = µ 0 + Zα . σ n = µ1 − Z β . σ n
Diperoleh:
2
n=
( Zα + Z β ) .σ 2
(1.2)
diff 2
diff : selisih minimum rerata nol dengan rerata alternatif yang diharapkan
dapat dideteksi; diff = µ1 − µ0
Perhatikan:
Sebagian besar kepustakaan menyatakan selisih minimum rerata yang
diharapkan dapat dideteksi dengan lambang d, tetapi dalam buku ini untuk
menghindari kerancuan, sesuai dengan nomenklatur Stata, lambang d (delta)
digunakan untuk menyatakan ukuran efek ((effect size; lihat penjelasan pada
Bab 2).
6
Bab 2 Analisis Power dan Ukuran Efek
BAB 2
ANALISIS POWER DAN
UKURAN EFEK
Analisis Power
Power adalah peluang untuk mendeteksi suatu efek, dengan syarat
efek itu ada (gambar 2.1).. Power seharusnya sudah dihitung pada tahap
perancangan studi sebelum penelitian dimulai, biasanya digunakan power
80%.
7
Bab 2 Analisis Power dan Ukuran Efek
tertentu akan dengan cepat pula menurunkan power. Penurunan power dapat
diperlambat dengan memperbesar ukuran sampel.
Ukuran Efek
Ukuran efek (effect size) adalah hasil perlakuan yang diungkapkan
dalam perbandingan antar kelompok (dengan dan tanpa perlakuan) ataupun
derajat asosiasi antar dua variabel terkait (dosis perlakuan dan respons).
Ukuran efek mengacu pada besar hasil yang terjadi atau akan ditemukan
dalam populasi. Estimasi ukuran efek mutlak diperlukan dalam interpretasi
hasil studi (Ellis, 2010).
8
Bab 2 Analisis Power dan Ukuran Efek
Terdapat berbagai ukuran efek, yang antara lain tergantung pada jenis
data dan macam analisis statistik yang digunakan. Sebagian ukuran efek tak-
terstandardisasi dan menggunakan satuan original (satuan data asal). Ukuran
efek ini terutama mudah dipahami dan bermanfaat bagi pembaca non-
statistik. Contoh ukuran efek demikian antara lain yaitu:
- Rerata
- Selisih antara dua rerata
- Median
- Koefisien regresi
Sebagian ukuran efek lain bersifat bebas-satuan (units-free) atau
terstandardisasi. Secara statistik, ukuran efek demikian lebih bermanfaat
karena akan dapat di-pooled dalam suatu analisis meta, dengan syarat semua
ukuran efek, baik yang sangat kecilpun tetap dipublikasikan. Beberapa di
antaranya yang ditampilkan pada Stata yaitu:
x1 − x2
- Cohen’s d = (2.1)
s*
dengan: s* =
( n1 − 1) s12 + ( n2 − 1) s22
n1 + n2 − 2
- Hedges’ g = Cohen’s d × c ( m ) (2.2)
dengan m = n1 + n2 − 2 dan
m
Γ
c ( m) = 2
m m −1
Γ
2 2
- Glass’s ∆ =
( xtreated − xcontrol )
scontrol
- Glass’s ∆1 =
( x1 − x2 ) (2.3)
s1
- Glass’s ∆ 2 =
( x1 − x2 ) (2.4)
s2
9
Bab 2 Analisis Power dan Ukuran Efek
Contoh 2.1:
. webuse depression
(Fictitious Depression Inventory data based on the
Beck Depression Inventory)
10
Bab 2 Analisis Power dan Ukuran Efek
Perhatian:
Perintah esize hanya dapat digunakan jika ada file data yang sedang
terbuka. Pada perhitungan ukuran sampel dengan perintah power (lihat bab-
bab berikut), dalam keadaan tidak ada file data yang terbuka, ukuran efek
akan selalu ditampilkan walaupun tidak diminta.
11
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
BAB 3
UKURAN SAMPEL UNTUK
INFERENSI 1 RERATA
Diperoleh:
2
n=
( Zα 2 ) .σ 2
(3.1)
I2
2I : Lebar interval estimasi yang diinginkan
σ2 : Variansi populasi, diperoleh dari penelitian terdahulu atau studi
pendahuluan
Perhatikan:
- Dalam rumus perhitungan ukuran sampel untuk estimasi interval, selalu
digunakan Zα 2 dan bukan Zα .
- Umumnya perhitungan ukuran sampel untuk estimasi interval tidak
didapatkan dalam program komputer statistik.
13
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
Contoh 3.1:
α = 0.05 → Zα 2 = 1.96
σ 2 = 0.302 = 0.09
2I = 0.10 → I = 0.05
2
n=
( Zα 2 ) .σ 2
I2
2
=
(1.96 ) .0.09
= 138.2976 ≈ 139
0.052
Catatan:
- Jika populasi berhingga dan n N lebih besar daripada 5%, diperlukan
‘koreksi populasi berhingga’ (finite population correction; fpc), yaitu:
n
nc =
n −1
1+
N
Dengan asumsi penyederhanaan n – 1 ≈ n, diperoleh rumus ukuran
sampel minimum Isaac dan Michael untuk populasi berhingga:
nM =
N Zα ( 2 ) σ2
(3.2)
2
NI 2 + Zα ( 2) σ2
14
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
C = µ 0 + Zα . σ n = µ1 − Z β . σ n
sehingga:
2
n=
( Zα + Z β ) .σ 2
(3.3)
diff 2
15
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
Perhatikan:
- Jika dilakukan uji hipotesis (dan estimasi parameter), perhitungan ukuran
sampel semata-mata dilakukan atas dasar uji hipotesis.
Sintaks
Perhitungan Ukuran Sampel
power onemean m0 ma [, sd(numlist) alpha(numlist) power(numlist)
options]
m0 : rerata nol (rerata menurut hipotesis nol)
ma : rerata alternatif
Analisis Power
power onemean m0 ma [, n(numlist) sd(numlist) alpha(numlist)
options]
m0 : rerata nol (rerata menurut hipotesis nol)
ma : rerata alternatif
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
sd(numlist) : standar deviasi, default-nya adalah sd(1)
alpha(numlist) : tingkat signifikansi, default-nya adalah alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
onesided : uji satu-sisi, default-nya adalah dua sisi
16
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
Perhatikan:
- power dan beta tidak boleh dispesifikasikan secara bersama (hanya
salah satu yang dispesifikasikan), dengan hubungan power = 1 – beta.
- power (atau beta) hanya dispesifikasikan dalam perhitungan ukuran
sampel.
- n hanya dispesifikasikan dalam analisis power.
- Spesifikasi dengan nilai default tidak perlu dituliskan dalam perintah
Stata.
Contoh 3.2:
a. Perhitungan Ukuran Sampel dengan Stata
Study parameters:
alpha = 0.0100
power = 0.9000
delta = 0.5000
m0 = 1.0000
ma = 2.0000
sd = 2.0000
N = 55
Ukuran sampel yang dibutuhkan adalah 55. Ukuran efek (effect size)
adalah 0.50.
17
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
n=
( Zα + Z β ) .σ 2
d2
2
=
( 2.33 + 1.28 ) .4
= 52.1284 ≈ 53
12
c. Analisis Power
Study parameters:
alpha = 0.0100
N = 45
delta = 0.5000
m0 = 1.0000
ma = 2.0000
sd = 2.0000
18
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
Estimated power:
power = 0.8222
.
Ternyata dari power yang ditargetkan sebesar 0.9 (pada ukuran
sampel 55 orang), hanya tercapai sebesar 0.82 (pada ukuran sampel 45
orang). Tampak pula bahwa ukuran efek tetap 0.50, tak terpengaruh oleh
perubahan power.
19
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
BAB 4
UKURAN SAMPEL UNTUK
INFERENSI 1 PROPORSI
PQ
yaitu: I = Zα 2 .
n
dengan Q = 1 − P, sehingga ukuran sampel minimum yang dibutuhkan
adalah:
2
n=
( Z a /2 ) PQ
(4.1)
2
I
Jika proporsi populasi P dan Q tak diketahui, dapat dilakukan
substitusi dengan estimasinya yaitu proporsi sampel p dan komplemennya q
yang diperoleh dari penelitian terdahulu atau studi pendahuluan:
2
n=
( Z a /2 ) pq
2
I
n=
( Zα 2 ) .0.25
(4.2)
I2
Contoh 4.1:
α = 0.10 → Zα 2 = 1.64
P = 0.7 Q = 0.3
2I = 0.10 I = 0.05
2
n=
( Zα 2 ) .PQ
=
2
(1.64 ) . ( 0.7 )( 0.3) = 225.9264 ≈ 226
I2 0.052
Dengan asumsi konservatif diperoleh:
2
n=
( Zα 2 ) .0.25
=
(1.64 )
2
.0.25
= 268.96 ≈ 269
I2 0.052
Catatan:
- Jika populasi berhingga dan n N lebih besar daripada 5%, diperlukan
‘koreksi populasi berhingga’ (finite population correction; fpc), yaitu:
n
nc =
n −1
1+
N
Dengan asumsi penyederhanaan n – 1 ≈ n dan α = 0.05 serta Zα 2 = 1.96
≈ 2, diperoleh rumus ukuran sampel minimum Slovin untuk populasi
berhingga:
N
nS = (4.3)
1 + Ndiff 2
22
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
23
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
Sintaks
Perhitungan Ukuran Sampel
power oneproportion p0 pa [, alpha (numlist) power(numlist)
options]
p0 : proporsi nol (proporsi menurut hipotesis nol)
pa : proporsi alternatif
Analisis Power
power oneproportion p0 pa [, n(numlist) alpha (numlist)
options]
p0 : proporsi nol (proporsi menurut hipotesis nol)
pa : proporsi alternatif
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
onesided : uji satu-sisi, default-nya adalah dua sisi
24
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
Contoh 4.2:
a. Perhitungan Ukuran Sampel dengan Stata
. power oneproportion 0.1 0.2, alpha(0.01) power(0.8) onesided
Estimated sample size for a one-sample
proportion test
Score z test
Ho: p = p0 versus Ha: p > p0
Study parameters:
alpha = 0.0100
power = 0.8000
delta = 0.1000
p0 = 0.1000
pa = 0.2000
N = 108
25
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
2
2.33 ( 0.1)( 0.9 ) + 0.84 ( 0.2 )( 0.8)
= = 107.1225 ≈ 108
0.12
c. Analisis Power
Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan
ukuran sampel n1, tetapi pada pelaksanaan penelitian hanya diperoleh
ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai.
Misalkan untuk contoh 3.2.a di atas, pada penelitian sesungguhnya
hanya dapat direkrut anggota sampel sebanyak 80 orang, maka power-nya
adalah:
. power oneproportion 0.1 0.2, n(80) alpha(0.01) onesided
Estimated power for a one-sample proportion
test
Score z test
Ho: p = p0 versus Ha: p > p0
Study parameters:
alpha = 0.0100
N = 80
delta = 0.1000
p0 = 0.1000
pa = 0.2000
Estimated power:
power = 0.6884
Dari power yang ditargetkan sebesar 0.8 (pada ukuran sampel 108
orang), hanya tercapai sebesar 0.69 (pada ukuran sampel 80 orang).
26
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
BAB 5
UKURAN SAMPEL UNTUK
INFERENSI DUA RERATA
σ2 σ2 2σ 2
= + =
n n n
2σ 2
SE ( y 1 − y2 ) =
n
27
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
C = 0 + Zα 2σ 2 n
C = diff − Z β 2σ 2 n
sehingga didapatkan:
0 + Zα 2σ 2 n = diff − Z β 2σ 2 n
Diperoleh ukuran sampel minimum 1 kelompok yang dibutuhkan
untuk mendeteksi perbedaan minimum sebesar diff = ( µ1 − µ2 ) pada uji
hipotesis H 0 : µ1 − µ2 < 0 vs H1 : µ1 − µ2 > 0, yaitu:
2
n=
(
2 Zα + Z β ) .σ 2
(5.1)
diff 2
Perhatikan:
28
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
Sintaks
Perhitungan Ukuran Sampel
power twomeans m1 m2 [, sd(numlist) alpha(numlist)
beta(numlist) options]
m1 : rerata kelompok kontrol (kelompok referensi)
ma : rerata kelompok eksperimental
Analisis Power
power twomeans m1 m2 [, n(numlist) sd(numlist)
alpha(numlist) options]
m1 : rerata kelompok kontrol (kelompok referensi)
ma : rerata kelompok eksperimental
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
sd(numlist) : standar deviasi, default-nya adalah sd(1)
sd1(numlist) : standar deviasi kelompok kontrol (jika standar
deviasi tak sama)
sd2(numlist) : standar deviasi kelompok eksperimental (jika
standar deviasi tak sama)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
29
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
Perhatikan:
- power dan beta tidak boleh dispesifikasikan secara bersama (hanya
salah satu yang dispesifikasikan), dengan hubungan power = 1 – beta.
- power (atau beta) hanya dispesifikasikan dalam perhitungan ukuran
sampel.
- Jika variansi kedua kelompok sama, spesifikasikan sd. Jika variansi
kedua kelompok tidak sama, spesifikasikan sd1 dan sd2.
- n hanya dispesifikasikan dalam analisis power.
- Spesifikasi dengan nilai default tidak perlu dituliskan dalam perintah
Stata.
Contoh 5.1:
a. Perhitungan Ukuran Sampel dengan Stata
Study parameters:
alpha = 0.1000
power = 0.7000
delta = 0.5000
m1 = 1.0000
m2 = 1.5000
sd = 2.0000
N = 210
30
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
n=
(
2 Zα + Z β ) .σ 2
=
2
2 (1.28 + 0.52 ) .4
= 103.68 ≈ 104
diff 2 0.52
c. Analisis Power
Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan
ukuran sampel n1, tetapi pada pelaksanaan penelitian hanya diperoleh
ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai.
Study parameters:
alpha = 0.1000
N = 190
31
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
N per group = 95
delta = 0.5000
m1 = 1.0000
m2 = 1.5000
sd = 2.0000
Estimated power:
power = 0.6692
I = Zα 2 . SE ( y 1 − y2 )
σ12 σ 22
dengan Var ( y 1 − y2 ) = +
n1 n2
32
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
σ2 σ2
2σ 2
Var ( y 1 − y2 ) = + =
n n n
2σ 2
SE ( y 1 − y2 ) =
n
2σ 2
sehingga: I = Zα 2
.
n
dan diperoleh ukuran sampel minimum yang dibutuhkan untuk 1 kelompok
pada estimasi interval selisih 2 rerata µ1 dan µ2 dengan lebar interval
maksimum yang diinginkan 2I, yaitu:
2
n=
(
2 Zα 2) .σ 2
(5.2)
2
I
Perhatikan:
- Untuk 2 kelompok, ukuran sampel seluruhnya adalah 2n.
2
σ̂ = s 2pooled =
( n1 − 1) s12 + ( n2 − 1) s22
n1 + n2 − 2
Contoh 5.2:
α = 0.05 → Zα 2
= 1.96
σ 2 = 752 = 5625
2I = 40 → I = 20
33
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
n=
(
2 Zα 2 ) .σ 2
2
I
2
2 (1.96 ) .5625
= = 108.045 ≈ 109
202
Ukuran sampel seluruhnya untuk 2 kelompok adalah:
2n = (2).(109) = 218
34
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
BAB 6
UKURAN SAMPEL UNTUK
INFERENSI DUA PROPORSI
P1Q1 PQ P Q + P2Q 2
= + 2 2 = 1 1
n1 n2 n
P1Q1 + P2Q 2
SE ( p1 − p2 ) =
n
35
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
2 PQ
SE ( p1 − p2 ) =
n
Misalkan C menyatakan nilai titik batas (titik kritis) penerimaan dan
penolakan hipotesis nol pada distribusi sampling ( p1 − p2 ) , maka dengan
merujuk H 0 :
2 PQ
C = 0 + Zα
n
P1Q1 + P2Q 2
C = diff − Z β
n
sehingga didapatkan:
2 PQ P1Q1 + P2Q 2
0 + Zα = diff − Z β
n n
2
Z 2 PQ + Z PQ + P Q
=
2 α β 1 1 2 2
dan diff 2 = ( P1 − P2 )
n
Diperoleh ukuran sampel minimum 1 kelompok yang dibutuhkan
untuk mendeteksi perbedaan minimum sebesar diff = ( P1 − P2 ) pada uji
hipotesis H 0 : P1 − P2 < 0 vs H1 : P1 − P2 > 0, yaitu:
36
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
2
Z 2 PQ + Z PQ + P Q
n=
α β 1 1 2 2
(6.1)
diff 2
Perhatikan:
- Nilai P1 dan P2 atau estimasinya diperoleh dari penelitian terdahulu
atau studi pendahuluan.
- Untuk uji 2-sisi, Zα diganti dengan Zα 2 .
- n adalah ukuran sampel 1 kelompok, sedangkan ukuran sampel 2
kelompok seluruhnya adalah 2n.
Sintaks
Perhitungan Ukuran Sampel
power twoproportions p1 p2 [, alpha (numlist) power(numlist)
options]
p1 : proporsi kelompok kontrol (kelompok referensi)
p2 : proporsi kelompok eksperimental
Analisis Power
power twoproportions p1 p2 [, n(numlist) alpha (numlist)
options]
p1 : proporsi kelompok kontrol (kelompok referensi)
p2 : proporsi kelompok eksperimental
37
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
onesided : uji satu-sisi, default-nya adalah dua sisi
Perhatikan:
- power dan beta tidak boleh dispesifikasikan secara bersama (hanya
salah satu yang dispesifikasikan), dengan hubungan power = 1 – beta.
- power (atau beta) hanya dispesifikasikan dalam perhitungan ukuran
sampel.
- n hanya dispesifikasikan dalam analisis power.
- Spesifikasi dengan nilai default tidak perlu dituliskan dalam perintah
Stata.
Contoh 6.1:
a. Perhitungan Ukuran Sampel dengan Stata
Study parameters:
alpha = 0.1000
power = 0.9000
delta = 0.4000 (difference)
p1 = 0.1000
p2 = 0.5000
38
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
N = 32
N per group = 16
2
Z 2 PQ + Z PQ + P Q
n=
α β 1 1 2 2
2
diff
2
2.33 2 ( 0.3)( 0.7 ) + 1.28 ( 0.1)( 0.9 ) + ( 0.5 )( 0.5 )
=
0.42
= 31.82 . . . ≈ 32
c. Analisis Power
Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan
ukuran sampel n1, tetapi pada pelaksanaan penelitian hanya diperoleh
ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai.
39
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
Study parameters:
alpha = 0.1000
N = 28
N per group = 14
delta = 0.4000 (difference)
p1 = 0.1000
p2 = 0.5000
Estimated power:
power = 0.8734
40
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
2I = p A − p B
I = Zα 2 . SE ( p A − pB )
1 1 + P2Q2
PQ
dan I = Zα 2 .
n
2
sehingga n=
( Zα 2 ) .[ PQ
1 1 + P2Q2 ]
(6.2)
I2
Contoh 6.2:
α = 0.05 → Zα 2
= 1.96
p1 = 64% p2 = 82%
q1 = 36% q2 = 18%
2I = 10% → I = 0.05
n=
( Zα 2 ) .[ PQ
1 1 + P2Q2 ]
I2
2
(1.96 ) . ( 0.64 )( 0.36 ) + ( 0.82 )( 0.18 )
=
0.052
= 580.8499 ≈ 581
Jumlah ini sangat besar dan sulit dicapai. Jika presisi diturunkan
menjadi 2I = 20% dan I = 0.10 maka:
2
(1.96 ) . ( 0.64 )( 0.36 ) + ( 0.82 )( 0.18 )
n=
0.102
= 145.21248 ≈ 146
41
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
BAB 7
UKURAN SAMPEL UNTUK
RANCANGAN STUDI
EPIDEMIOLOGI
43
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
n=
( Z a / 2 ) ( Prev )(1 − Prev ) (7.1)
I2
44
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
n=
( Zα 2 ) .0.25
(7.2)
I2
Kelompok D D Jumlah
E a b n1
E c d n2
a n1
RRˆ = (7.3)
c n2
Rasio risiko bukan suatu nilai proporsi (rasio antar 2 proporsi), juga
tidak berdistribusi normal (sangat menceng ke kiri). Untuk mengkonversinya
agar mendekati distribusi normal digunakan tranformasi logaritmanya. Plot
ln RR terhadap RR diperlihatkan pada gambar 7.1.
45
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
(
ln RRˆ + Zα 2 . SEˆ ln RRˆ )
Perhatikan bahwa karena tidak berdistribusi simetris, presisi bawah
estimasi interval RR tidak sama dengan presisi atasnya, yaitu I L ≠ I U ,
tetapi transformasi logaritmanya dapat dianggal sama, yaitu ln I L = ln I U .
Karena: I L = RR − RRL
46
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
n=
( Zα 2 ) . (1 − p1 ) p1 + (1 − p2 ) p2
(7.4)
2
ln (1 − ε )
Contoh 7.1:
α = 0.05 → Zα 2 = 1.96
p1 = 0.5 1 − p1 = 0.5
p2 = 0.2 1 − p2 = 0.8
ε = 0.25
Ukuran sampel minimum yang dibutuhkan untuk 1 kelompok adalah:
2
n=
( Zα 2 ) . (1 − p1 ) p1 + (1 − p2 ) p2
2
ln (1 − ε )
2
=
(1.96 ) .[ 0.5 0.5 + 0.8 0.2]
2
ln (1 − 0.25 )
= 232.09 . . . ≈ 233
47
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
ad
ORˆ = (7.5)
bc
Untuk mengkonversinya agar mendekati distribusi normal digunakan
tranformasi logaritmanya. Plot ln OR terhadap OR diperlihatkan pada
gambar 7.2
48
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
m =
( Zα 2 ) { ( ) ( )}
. 1 p1* 1 − p1* + 1 p2* 1 − p2*
(7.6)
2
ln (1 − ε )
p1* =
( ORˆ ) . p *
2
(7.7)
( ORˆ ) . p + (1 − p )
*
2
*
2
49
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
Contoh 7.2:
α = 0.05 → Zα 2 = 1.96
p1* =
( ORˆ ) . p *
2
( ORˆ ) . p + (1 − p )
*
2
*
2
=
( 2 ) . ( 0.25 ) = 0.40
( 2 ) . ( 0.25 ) + (1 − 0.25)
ε = 0.20
Ukuran sampel minimum untuk 1 kelompok adalah m 1 = m 2 = m ,
yaitu:
2
m =
( Zα 2 ) {
. 1 p1* 1 − p1* + 1 p2* 1 − p2*
( ) ( )}
2
ln (1 − ε )
=
(1.96 ) { }
. 1 ( 0.40 )( 0.60 ) + 1 ( 0.25 )( 0.75 )
2
ln (1 − 0.20 )
= 732.9377 . . . ≈ 733
m=
(1.96 ) {
. 1 ( 0.40 )( 0.60 ) + 1 ( 0.25 )( 0.75 ) }
2
ln (1 − 0.50 )
= 75.9599 . . . ≈ 76
50
Bab 8 Ukuran Sampel untuk Analisis Variansi
BAB 8
UKURAN SAMPEL UNTUK
ANALISIS VARIANSI
Model
Model analisis variansi 1-arah adalah:
Yij = µ + τ i + ε ij
Sintaks
Perhitungan Ukuran Sampel
power oneway m1 m2 [m3 . . . mJ] [, power(numlist) options]
mj : rerata kelompok ke-j; j = 1, 2, . . . , J
Analisis Power
power oneway m1 m2 [m3 . . . mJ], n(numlist) [options]
51
Bab 8 Ukuran Sampel untuk Analisis Variansi
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
varerror(numlist) : variansi galat (dalam-kelompok), default-nya
adalah varerror(1)
varmeans(numlist) : variansi rerata kelompok (antar-kelompok)
ngroups(#) : jumlah kelompok. Spesifikasi varmeans dan
ngroups pada opsi dapat menggantikan
meanspec (nilai-nilai rerata kelompok)
Contoh 8.1:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
m1 = 260 m2 = 289 m3 = 295
varerror = 4900
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2183
N_g = 3
52
Bab 8 Ukuran Sampel untuk Analisis Variansi
m1 = 260.0000
m2 = 289.0000
m3 = 295.0000
Var_m = 233.5556
Var_e = 4900.0000
N = 207
N per group = 69
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2183
N_g = 3
Var_m = 233.5556
Var_e = 4900.0000
53
Bab 8 Ukuran Sampel untuk Analisis Variansi
N = 207
N per group = 69
b. Analisis Power
Study parameters:
alpha = 0.0500
N = 171
N per group = 57
delta = 0.2183
N_g = 3
m1 = 260.0000
m2 = 289.0000
m3 = 295.0000
Var_m = 233.5556
Var_e = 4900.0000
Estimated power:
power = 0.7179
54
Bab 8 Ukuran Sampel untuk Analisis Variansi
Model
Model pada analisis variansi 2-arah adalah:
Yijk : respons pada subjek ke-k dalam sel perlakuan A ke-i dan
perlakuan B ke-j
µ : rerata menyeluruh (overall mean) rerata menyeluruh (overall
mean)
αi : efek perlakuan A ke-i
ε ijk : galat pada subjek ke-j dalam sel perlakuan A ke-i dan perlakuan B
ke-j
Sintaks
Perhitungan Ukuran Sampel
power twoway meanspec [, power(numlist) options]
meanspec adalah matriks yang memuat nilai-nilai rerata sel:
m1_1 m1_2 [ . . . ] \ m2_1 m2_2 [ . . . ] [\ . . . \ mJ_1 . . . mJ_K]
mj_k : rerata sel baris ke-j kolom ke-k; j = 1, 2, . . . , J dan k = 1, 2, . . . ,
K
55
Bab 8 Ukuran Sampel untuk Analisis Variansi
Analisis Power
power twoway meanspec, n(numlist) [options]
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
varerror(numlist) : variansi galat (dalam-kelompok), default-nya
adalah varerror(1)
varrow(numlist) : variansi yang ‘dijelaskan’ oleh efek baris
nrows(#) : jumlah baris
ncols(#) : jumlah kolom. Spesifikasi varrow, nrows, dan
ncols pada opsi dapat menggantikan
meanspec (nilai-nilai rerata sel)
Contoh 8.2:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
| Column
| 1 2 3
-------|-----------
Row 1 | 134 143 91
2 | 106 173 145
varerror = 1417
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2479
N_r = 2
N_c = 3
means = <matrix>
Var_r = 87.1111
Var_e = 1417.0000
N = 132
N per cell = 22
Study parameters:
alpha = 0.0500
power = 0.8000
57
Bab 8 Ukuran Sampel untuk Analisis Variansi
delta = 0.2479
N_r = 2
N_c = 3
Var_r = 87.1111
Var_e = 1417.0000
N = 132
N per cell = 22
b. Analisis Power
Study parameters:
alpha = 0.0500
N = 108
N per cell = 18
delta = 0.2479
N_r = 2
N_c = 3
means = <matrix>
Var_r = 87.1111
Var_e = 1417.0000
58
Bab 8 Ukuran Sampel untuk Analisis Variansi
Estimated power:
power = 0.7232
59
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
BAB 9
UKURAN SAMPEL UNTUK
ANALISIS REGRESI LINEAR
Model
Model analisis regresi linear sederhana adalah:
Yi = β 0 + β 1 X i + ε i
β0 : intersep; konstante
Sintaks
Perhitungan Ukuran Sampel
power oneslope b0 ba [, power(numlist) options]
b0 : kemiringan nol (nilai kemiringan menurut hipotesis nol)
ba : kemiringan alternatif (nilai kemiringan menurut hipotesis alternatif)
61
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
Analisis Power
power oneslope b0 ba, n(numlist) [options]
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
sderror(numlist) : standar deviasi suku galat model regresi, default-
nya adalah sderror(1)
sdx(numlist) : standar deviasi kovariat, default-nya adalah
sdx(1)
diff(numlist) : selisih kemiringan b0 dan ba, dispesifikasikan
untuk menggantikan ba
Contoh 9.1:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
b0 = 0 ba = 0.5
sdx = 1 sderror = 1
62
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.5000
b0 = 0.0000
ba = 0.5000
sdx = 1.0000
sderror = 1.0000
N = 34
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2500
b0 = 0.0000
ba = 0.5000
sdx = 1.0000
sderror = 2.0000
N = 128
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.1250
b0 = 0.0000
ba = 0.5000
sdx = 0.5000
sderror = 2.0000
N = 505
b. Analisis Power
64
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
Study parameters:
alpha = 0.0500
N = 400
delta = 0.1250
b0 = 0.0000
ba = 0.5000
sdx = 0.5000
sderror = 2.0000
Estimated power:
power = 0.7033
65
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
Model
Model pada analisis regresi linear ganda adalah:
Yi = β 0 + β 1 X1i + β 2 X 2i + . . . + β p X pi + ε i
β0 : konstante
Sintaks
Perhitungan Ukuran Sampel untuk Menguji Seluruh
Koefisien Regresi
power rsquared R2T [, power(numlist) options]
R2T : koefisien determinasi model menurut hipotesis alternatif
Analisis Power
power rsquared R2T, n(numlist) [options]
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
ntested(numlist) : jumlah kovariat yang diuji, default-nya adalah
ntested(1)
ncontrol(numlist) : jumlah kovariat kontrol
Contoh 9.2:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
R-squared = 0.1
Diasumsikan hanya 1 kovariat yang akan diuji
Ukuran sampel yang dibutuhkan adalah:
Study parameters:
67
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
alpha = 0.0500
power = 0.8000
delta = 0.1111
R2_T = 0.1000
ntested = 1
N = 73
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.1111
R2_T = 0.1000
ntested = 3
N = 103
68
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.0588
R2_R = 0.1000
R2_F = 0.1500
R2_diff = 0.0500
ncontrol = 2
ntested = 1
N = 136
69
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.0588
R2_R = 0.1000
R2_F = 0.1500
R2_diff = 0.0500
ncontrol = 2
ntested = 3
N = 190
b. Analisis Power
Misalkan pada Contoh 9.2.a 2) di atas dalam pelaksanaannya hanya
diperoleh 87 subjek (seharusnya 103 subjek). Maka powernya adalah:
Study parameters:
alpha = 0.0500
N = 87
delta = 0.1111
R2_T = 0.1000
ntested = 3
70
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
Estimated power:
power = 0.7229
71
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
BAB 10
UKURAN SAMPEL UNTUK
ANALISIS REGRESI LOGISTIK
β0 : konstante
Telaah Teoretik
Umumnya untuk analisis multivariat, terutama yang menggunakan
metode estimasi maximum likelihood tidak cara sederhana untuk menghitung
ukuran sampel. Whittemore (1980) menghasilkan metode yang cukup rumit
yang menghasilkan sejumlah tabel ukuran sampel untuk analisis regresi
logistik, yang terbatas untuk respons jarang (small response). Hsieh (1989)
mengembangkannya menjadi rumus yang relatif lebih sederhana, yang masih
digunakan sampai saat ini.
73
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
2
Zα 2 + Z β .exp −b 2 4 (1 + 2 pˆ δ )
( )
n= 2
(10.1)
ˆ
pb
b : koefisien regresi; b = βˆ = ln ÔR
p : peluang Y = 1 (atau estimasinya) pada titik rerata X;
P Y = 1 E ( X )
δ =
( ) ( )
1 + 1 + b 2 exp 5b 2 4
(10.2)
1 + exp ( −b 2 4 )
Contoh 10.1:
α = 0.05 → Zα 2 = 1.96
β = 0.20 → Z β = 0.84
ÔR = 2 → b = ln 2 = 0.6931
p̂ = 0.2
Maka: δ =
( ) ( )
1 + 1 + b 2 exp 5b 2 4
1 + exp ( −b 2 4 )
=
( 2
) (
1 + 1 + ( ln 2 ) exp 5 ( ln 2 ) 4
2
)
(
1 + exp − ( ln 2 ) 4
2
)
= 1.960488 . . . ≈ 1.96
2
Zα 2 + Z β .exp −b 2 4 (1 + 2 pˆ δ )
( )
dan n=
ˆ 2
pb
2
1.96 + 0.84.exp − ( ln 2 ) 2 4 (1 + 2 ( 0.2 )(1.96 ) )
=
( )
2
( 0.2 )( ln 2 )
= 135.8393 . . . ≈ 136
74
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
Model
Model pada analisis regresi linear ganda adalah:
Yi
ln = β 0 + β 1 X1i + β 2 X 2i + . . . + β p X pi
1 − Yi
β0 : konstante
Telaah Teoretik
Metode perhitungan ukuran sampel untuk analisis regresi logistik
ganda ini dikembang oleh Hsieh et al (1998) sebagai kelanjutan metode
perhitungan ukuran sampel untuk analisis regresi logistik sederhana di atas,
terutama ditujukan untuk menguji 1 kovariat yang berada dalam model
bersama sejumlah kovariat lain.
Misalkan akan dilakukan analisis regresi logistik sederhana dengan
kovariat X1 . Dengan rumus (10.1) didapatkan ukuran sampel yang
dibutuhkan yaitu n1 . Maka ukuran sampel yang dibutuhkan untuk analisis
regresi logistik ganda dengan p kovariat adalah:
n1
nM = 2
(10.3)
1 − ρ1.23... p
75
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
2
ρ1.23... p : kuadrat koefisien korelasi ganda antara X1 dengan himpunan
{X 2 , X 3, . . . , X p} .
Contoh 10.2:
Misalkan analisis regresi logistik sederhana pada Contoh 10.1 akan
dilanjutkan dengan analisis regresi logistik ganda dengan penambahan 3
kovariat X 2 , X 3 , dan X 4 .
2
ρ1.234 = 0.60
n1
nM = 2
1 − ρ1.23... p
136
=
1 − 0.60
= 340
76
KEPUSTAKAAN
Bausell RB, Li Y-F. Power Analysis for Experimental Research: A
Practical Guide for the Biological, Medical and Social Sciences.
Cambridge: Cambridge University Press, 2002.
Chow S-C, Shao J, Wang H. Sample Size Calculations in Clinical
Research, 2nd Ed. Boca Raton: Chapman & Hall, 2008.
Cumming G. Understanding the New Statistics: Effect Sizes, Confidence
Intervals, and Meta-Analysis. New York: Routledge, 2012.
Ellis PD. The Essential Guide to Effect Sizes: Statistical Power, Meta-
Analysis, and the Interpretation of Research Results. Cambridge:
Cambridge University Press, 2010.
Hsieh FY. Sample size tables for logistic regression. In Statistics in
Medicine, Vol 8, pp 795-802, 1989.
Hsieh FY, Bloch DA, Larsen MD. A simple method of sample size
calculation for linear and logistic regression. In Statistics in Medicine,
Vol 17, pp 1623-1634, 1998.
Lemeshow S, Hosmer Jr DW, Klar J, Lwanga SK. Adequacy of Sample
Size in Health Studies. Chichester: John Wiley & Sons, 1990.
Machin D, Campbell MJ, Tan SB, Tan SH. Sample Size Tables for Clinical
Studies, 3rd Ed. Chichester: Wiley-Blackwell, 2009.
Murphy KR, Myors B, Wolach A. Statistical Power Analysis: A Simple
and General Model for Traditional and Modern Hypothesis Tests,
4th Ed. New York: Routledge, 2014.
Ryan TP. Sample Size Determination and Power. Hoboken, New Jersey:
John Wiley & Sons, 2013.
StataCorp LLC. Stata Power and Sample-Size Reference Manual:
Release 15. College Station, Texas: Stata Press, 2017.
Whittemore AS. Sample size for logistic regression with small response
probability, SIAM Institute for Mathematics and Society. Stanford,
California: Stanford University, 1980.
77
Lampiran 1
n=
( Zα 2 ) .σ 2
n=
( Zα + Z β ) .σ 2
I2 diff 2
Satu sampel, respons biner
2 2
( Z a /2 ) PQ Zα P0Q0 + Z β PAQA
n=
I2 n=
diff 2
Dua sampel, respons kontinu
2 2
n=
2 Zα( 2 ) .σ 2
n=
(
2 Zα + Z β ) .σ 2
2
I diff 2
Dua sampel, respons biner
2 2
n=
( Zα 2 ) .[ PQ
1 1 + P2Q2 ]
Z 2 PQ + Z PQ + P Q
α β 1 1 2 2
I 2 n =
diff 2
Studi potong-lintang, estimasi interval prevalensi
2
n=
( Z a / 2 ) ( Prev )(1 − Prev )
I2
Studi kohort, estimasi interval RR
2
n=
( Zα 2 ) . (1 − p1 ) p1 + (1 − p2 ) p2
2
ln (1 − ε )
Studi kasus-kontrol, estimasi interval OR
m =
( Zα 2 )
2
{
. 1 p1* 1 − p1* + 1 p2* 1 − p2*
( ) ( )}
2
ln (1 − ε )
p1* =
( ) ORˆ . p* 2
( ORˆ ) . p + (1 − p )
*
2
*
2
79
Lampiran 2
1 − β = 0.70 Z β = 0.52
1 − β = 0.80 Z β = 0.84
1 − β = 0.90 Z β = 1.28
81
Lampiran 3
83
Tabel III.1 Ukuran perbedaan grup: Famili d
84
Tabel III.2 Ukuran asosiasi: Famili r
a) Indeks korelasi
r Koefisien korelasi produk momen Pearson
ρ Koefisien korelasi rank Spearman
τ Tau Kendall
rPB Koefisien korelasi poin-biserial
φ Koefisien phi:
Untuk tabel kontijensi 2×2
C Koefisien kontijensi Pearson:
Untuk tabel kontijensi
V Cramer’s V
λ Goodman and Kruskal’s lambda
85
Sebagian di antara ukuran efek di atas merupakan ukuran yang sudah
lazim dikenal (RD, RR, OR; serta r, r 2 , dan R 2 ) ataupun telah dibahas pada
Bab 2 (d, ∆, g, dan rPB ). Rumus untuk beberapa ukuran lainnya yaitu:
R (Yi ) : Ranking Yi
n : Ukuran sampel
2. Tau Kendall:
nc − nd
τ= (III.2)
n ( n − 1) 2
nc : jumlah pasangan konkordan (concordant)
nd : jumlah pasangan diskordan (discordant)
n : ukuran sampel
3. Koefisien phi:
2
χuji
φ= (III.3)
n
2
χuji : statistik penguji pada uji khi-kuadrat untuk tabel kontijensi
2×2
n : Ukuran sampel
86
5. Cramer’s V:
2
χuji
V= (III.5)
n ( q − 1)
q : min(r ; c)
r : jumlah baris (row)
c : jumlah kolom (column)
8. Cohen’s f:
dftr
f =
n
( )
Fuji − 1 (III.8)
9. Cohen’s f kuadrat:
R2
f2 = (III.9)
1 − R2
87
10. Eta kuadrat:
SSTr
η2 = (III.10)
SSTo
Untuk analisis variansi 1-arah:
SSTr : jumlah kuadrat perlakuan (treatment sum of squares)
SSTo : jumlah kuadrat total (total sum of squares_
88