,BVGJKC., C.gkuvlkncgivoljb.,vj - Kgulkjb.gkujbjgkdsjkrtluy

PERHITUNGAN
UKURAN SAMPEL,
POWER DAN UKURAN EFEK
Johan Harlan
Perhitungan Ukuran Sampel,
Power dan Ukuran Efek
Penulis : Johan Harlan
Cetakan Pertama, Oktober 2017
Disain cover : Joko Slameto
Diterbitkan pertama kali oleh Gunadarma

Jl. Margonda Raya No. 100, Pondokcina, Depok 16424
Telp. +62-21-78881112, 7863819 Faks. +62-21-7872829
e-mail : sektor@gunadarma.ac.id
Hak Cipta dilindungi undang-undang. Dilarang mengutip atau

memperbanyak dalam bentuk apapun sebagian atau seluruh isi
buku tanpa ijin tertulis dari penerbit.
KATA PENGANTAR
Perhitungan ukuran sampel pada saat ini telah menjadi keharusan
dalam penulisan setiap makalah ilmiah penelitian. Setiap jurnal ilmiah
kredibel akan mewajibkan makalah penelitian yang dikirim ke jurnal tersebut
untuk memuat perhitungan ukuran sampelnya.
Sebaliknya, tidak semua staf pengajar terutama para pemula,
memahami dengan baik prosedur perhitungan ukuran sampel. Hal ini
disebabkan perhitungan ukuran sampel sendiri merupakan proses yang rumit
dan seringkali tidak dibahas secara mendetil dalam pengajaran Statistika
yang mereka terima. Tidak ada rumus perhitungan sederhana yang berlaku
bagi setiap rancangan studi, begitu pula tidak setiap rancangan studi
perhitungan ukuran sampelnya dapat dinyatakan secara sederhana.
Dalam buku perhitungan ukuran sampel, power dan ukuran efek ini
akan dibahas sejumlah rumus yang relatif sederhana dan bersifat mendasar,
sehingga dengan menguasai prinsip-prinsip dalam isi buku ini pembaca
diharap dapat melaksanakan perhitungan ukuran sampel pada hampir semua
rancangan studi sederhana. Perhitungan ukuran sampel untuk rancangan
studi yang lebih canggih yang tidak diuraikan di sini dapat dicari
pembahasannya dalam buku-buku referensi yang tercantum dalam Daftar
Pustaka.
Setiap saran dan kritik yang bersifat membangun akan diterima
dengan tangan terbuka.
Oktober 2017
Johan Harlan
v
DAFTAR ISI
Kata Pengantar v
Daftar Isi vii
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel 1

Pendahuluan 1
Ukuran Sampel untuk Esmimasi Interval 3
Ukuran Sampel untuk Uji Hipotesis 5
Bab 2 Analisis Power dan Ukuran Efek 7

Analisis Power 7
Ukuran Efek 8
Contoh 2.1 10
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata 13

Ukuran Sampel untuk Estimasi Interval 13
Contoh 3.1 14
Ukuran Sampel untuk Uji Hipotesis & Analisis Power 15
Perhitungan Ukuran Sampel dan Analisis Power 16
dengan Stata
Contoh 3.2 17
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi 21

Contoh 4.1 22
vii
dengan Stata
Contoh 4.2 25
Bab 5 Ukuran Sampel untuk Inferensi 2 Rerata 27

dengan Stata
Contoh 5.1 30
Contoh 5.2 33
Bab 6 Ukuran Sampel untuk Inferensi 2 Proporsi 35

dengan Stata
Contoh 6.1 38
Contoh 6.2 41
Bab 7 Ukuran Sampel untuk Rancangan Studi 43

Epidemiologi
Ukuran Sampel untuk Estimasi Interval pada Studi 43
Potong-Lintang
Kohort
Contoh 7.1 47
viii
Kasus-Kontrol
Contoh 7.2 50
Bab 8 Ukuran Sampel untuk Analisis Variansi 51

Ukuran Sampel untuk Analisis Variansi 1-Arah 51
Contoh 8.1 52
Ukuran Sampel untuk Analisis Variansi 2-Arah 55
Contoh 8.2 56
Bab 9 Ukuran Sampel untuk Analisis Regresi 61

Linear
Ukuran Sampel untuk Analisis Regresi Linear 61
Sederhana
Contoh 9.1 62
Ukuran Sampel untuk Analisis Regresi Linear Ganda 66
Contoh 9.2 67
Bab 10 Ukuran Sampel untuk Analisis Regresi 73

Logistik
Ukuran Sampel untuk Analisis Regresi Logistik 73
Sederhana
Contoh 10.1 74
Ukuran Sampel untuk Analisis Regresi Logistik 75
Ganda
Contoh 10.2 76
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.
Hal yang perlu diperhatikan dalam perhitungan ukuran sampel antara

lain yaitu:
- Ukuran sampel tidak dihitung sebagai persentase tertentu terhadap

ukuran populasi.
- Tidak ada rumus ukuran sampel yang sederhana dan berlaku secara
universal untuk tiap rancangan studi.
- Tiap rancangan studi umumnya memiliki rumus perhitungan ukuran
sampel yang berbeda.
- Tidak semua rancangan studi memiliki rumus perhitungan ukuran sampel
yang sederhana dan mudah diaplikasikan
Pada sebagian rancangan studi, terutama analisis multivariat,

penentuan ukuran sampel biasa dilakukan dengan menggambarkan grafik
ukuran sampel-power untuk tingkat signifikansi tertentu. Dengan
menentukan power yang diinginkan, ukuran sampel dapat diperoleh dari
grafik tersebut. Contoh grafik power-ukuran sampel demikian untuk analisis
variansi diperlihatkan pada gambar 1.1 berikut. Penggunaannya juga tidak
sederhana, memerlukan prosedur ‘trial and error’ dalam pelaksanaannya.
1
Bab 1 Dasar-Dasar
Dasar Perhitungan Ukuran Sampel
Gambar 1.1 Grafik power-ukuran

ukuran sampel untuk analisis variansi
Beberapa rancangan studi, terutama yang menggunakan metode

estimasi maximum likelihood,, hanya menggunakan rule-of-thumb untuk
menentukan ukuran sampel, misalnya pada Structural Equation Modeling
digunakan sampel berukuran besar dengan n > 200, pada analisis multilevel
digunakan aturan 30/30 yaitu sampel paling sedikit terdiri atas 30 kelompok
dengan paling sedikit 30 individu per kelompok, sehingga didapat n > 900,
dan seterusnya.
Dalam buku ini pembahasan perhitungan ukuran sampel dan analisis

power dibatasi
tasi untuk beberapa rancangan studi yang perhitungan ukuran
2
sampelnya relatif sederhana dan mudah dikerjakan. Secara umum, ada 2

macam metode perhitungan ukuran sampel, yaitu:
1. Perhitungan ukuran sampel untuk pengestimasian interval parameter

populasi.
2. Perhitungan ukuran sampel untuk uji hipotesis dan pencapaian power
penelitian tertentu.
Ukuran Sampel untuk Estimasi

Interval
Ukuran sampel di sini adalah ukuran sampel minimum yang
dibutuhkan dalam pengestimasian interval suatu parameter untuk mencapai
lebar interval yang dispesifikasikan. Perhitungan ukuran untuk estimasi
interval ini digunakan pada studi deskriptif dengan pengestimasian interval
parameternya tanpa uji hipotesis. Jika pada suatu studi dilakukan uji
hipotesis beserta pengestimasian interval, perhitungan ukuran sampelnya
dilakukan berdasarkan uji hipotesis.
Nilai-nilai yang perlu dispesifikasikan pada perhitungan ukuran

sampel untuk estimasi interval yaitu:
1. Tingkat keyakinan estimasi interval: Dianjurkan untuk secara rutin
menggunakan tingkat keyakinan 100 (1 − α ) % = 95%, kecuali jika ada
alasan tertentu.
2. Lebar interval estimasi maksimum yang dikehendaki: Dinyatakan
dengan simbol 2I.
3. Variansi data dalam populasi σ 2 (atau estimasinya): Diperoleh dari
penelitian terdahulu atau studi pendahuluan.
Misalkan akan dilakukan pengestimasian interval konfidensi
100 (1 − a ) % untuk rerata populasi µ . Contoh untuk α = 0.5 dan Zα 2 = 1.96
diperlihatkan pada gambar 1.2. Tampak interval konfidensi 95% untuk nilai
rerata yang diperlihatkan pada gambaran distribusi sampling y . Seandainya
estimasi interval dilakukan terhadap selisih dua rerata pada dua populasi,
3
Bab 1 Dasar-Dasar
gambaran distribusi tinggal diganti dengan distribusi sampling ( y1 − y2 ) .

Batas-batas interval dinyatakan dengan lambang [ yB ; y A ] ; yB dan y A
masing-masing
masing menyatakan batas bawah dan batas interval konfidensi
tersebut. Misalkan pula 2 I = y A − yB menyatakan lebar interval maksimum
yang diinginkan (= presisi,, lihat gambar 1.2), maka:
I = Zα 2 .SE ( y )
σ
= Zα 2 .
n
Gambar 1.2 Contoh interval konfidensi 95%
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
Ukuran Sampel untuk Uji

Hipotesis
Ukuran sampel di sini adalah ukuran sampel minimum yang
dibutuhkan untuk melaksanakan uji hipotesis pada tingkat signifikansi
tertentu dengan power yang dispesifikasikan. Perhitungan ukuran sampel
untuk uji hipotesis ini harus dilakukan pada setiap studi analitik dengan uji
hipotesis sebelum pengumpulan data dan pelaksanaan penelitian dimulai.
Nilai-nilai yang perlu dispesifikasikan pada perhitungan ukuran
sampel untuk uji hipotesis yaitu:
1. Tingkat signifikansi (kesalahan tipe I) uji hipotesis: Dianjurkan untuk

menggunakan α = 0.05.
2. Power uji hipotesis 100 (1 − β ) % atau kesalahan tipe II β : Biasanya
dipilih power 80%.
3. Selisih minimum antara rerata distribusi nol dengan rerata distribusi
alternatif yang diharapkan dapat dideteksi: diff = µ1 − µ0 .
4. Variansi distribusi nol dan distribusi alternatif (atau estimasinya;
umumnya diasumsikan sama untuk kedua distribusi: σ 0 = σ 1 = σ ).
Misalkan akan dilakukan uji hipotesis H 0 : µ < µ0 vs H1 : µ > µ0

yang secara praktis untuk perhitungan ukuran sampel dapat dinyatakan
sebagai H 0 : µ = µ0 vs H A : µ = µ1 , diff = µ1 − µ0 menyatakan besar
minimum selisih rerata distribusi nol dengan rerata distribusi alternatif yang
diharapkan dapat dideteksi. Pada gambar 1.3 berikut diperlihatkan contoh uji
hipotesis untuk 1 rerata dengan H 0 : µ = 180 vs H A : µ = 210; µ0 = 180
dan µ1 = 210, diff = 210 – 180 = 30; α = 0.05 dan β = 0.1; σ 0 = σ 1 = σ .
Dengan C menyatakan titik kritis uji hipotesis (batas penerimaan dan

penolakan hipotesis nol), tampak bahwa:
5
Bab 1 Dasar-Dasar
Gambar 1.3 Contoh gambar untuk uji hipotesis 1 rerata
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%.
Gambar 2.1 Power penelitian
Dalam pelaksanaan penelitian sesungguhnya, ukuran sampel yang

direncanakan karena satu dan lain hal mungkin tidak tercapai, sehingga
power yang direncanakan pun tak tercapai. Gambar 2.2 memperlihatkan
power curve, yaitu plot power terhadap diff (selisih efek minimum yang
hendak dideteksi). Tampak bahwa memperkecil diff pada ukuran sampel
7
tertentu akan dengan cepat pula menurunkan power. Penurunan power dapat
diperlambat dengan memperbesar ukuran sampel.
Gambar 2.2 Power curve
Analisis power dilakukan setelah penelitian dilakukan, yaitu jika

ukuran sampel yang diinginkan tidak tercapai, yaitu menghitung ulang power
sesuai dengan ukuran sampel yang sebenarnya diperoleh.
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
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
Cohen’s d, Glass’s ∆, dan Hedges’ g adalah ukuran efek

terstandardisasi antar 2-variabel kontinu. Point-biserial correlation adalah
ukuran efek antar 1 variabel kontinu dengan 1 variabel biner, misalnya antara
variabel independen kontinu dengan variabel dependen biner pada analisis
regresi logistik:
t
- rPB = (2.5)
2
t + df
t : statistik t untuk selisih rerata antar 2 kelompok

df : derajat bebasnya
Pada sebagian perhitungan ukuran sampel dengan Stata, ukuran efek

yang dinyatakan dengan delta langsung ditampilkan pada keluaran hasil
tanpa diminta.
Contoh 2.1:
. webuse depression
(Fictitious Depression Inventory data based on the
Beck Depression Inventory)
. esize twosample qu1, by(sex)
Effect size based on mean comparison
Obs per group:

Female = 712
Male = 288
-------------------------------------------------
Effect Size | Estimate [95% Conf. Interval]
------------+------------------------------------
Cohen's d | -.0512417 -.1881184 .0856607
Hedges's g | -.0512032 -.187977 .0855963
-------------------------------------------------
. esize twosample qu1, by(sex) all
10
Effect size based on mean comparison
Obs per group:

Female = 712
Male = 288
------------------------------------------------------
Effect Size | Estimate [95% Conf. Interval]
-----------------+------------------------------------
Cohen's d | -.0512417 -.1881184 .0856607
Hedges's g | -.0512032 -.187977 .0855963
Glass's Delta 1 | -.0517793 -.1886587 .0851364
Glass's Delta 2 | -.0499786 -.1868673 .086997
Point-Biserial r | -.0232208 -.0849629 .0387995
------------------------------------------------------
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
Ukuran Sampel untuk Estimasi Interval

Misalkan hendak diestimasi interval konfidensi 100 (1 − a ) % untuk
rerata populasi µ . Interval konfidensi yang akan diperoleh dinyatakan
dengan lambang [ yB ; y A ] ; yB dan y A masing-masing menyatakan batas
bawah dan batas interval konfidensi tersebut. Misalkan pula 2 I = y A − yB
menyatakan lebar interval maksimum yang diinginkan (= presisi, lihat
kembali gambar 1.2), maka:
σ
I = Z a /2 .
n
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
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
- Jika parameter yang akan diestimasi interval-nya lebih daripada satu,

untuk tiap parameter harus dilakukan perhitungan ukuran sampel sendiri-
sendiri, yaitu jika variansi dan/atau lebar interval untuk tiap parameter
tersebut tidak sama, dan ukuran sampel yang digunakan adalah ukuran
sampel yang terbesar.
14
Ukuran Sampel untuk Uji Hipotesis &

Analisis Power
Ukuran sampel minimum pada uji hipotesis adalah ukuran sampel
minimum yang dibutuhkan untuk mendeteksi selisih (minimum) nilai
parameter menurut hipotesis nol dan nilai parameter menurut hipotesis
alternatif pada uji hipotesis.
Pada uji hipotesis dua-sisi terhadap nilai rerata populasi dengan

hipotesis nol H 0 : µ = µ0 , besaran (minimum) yang diharapkan untuk
dideteksi adalah selisih nilai diff = µ1 − µ0 . Ukuran sampel minimum yang
diperlukan untuk mendeteksi perbedaan sebesar diff antara parameter
distribusi hipotesis nol dengan parameter distribusi hipotesis alternatif
ditentukan oleh:
a. Besar kesalahan tipe I (tingkat signifikansi; a ).
b. Power [1 – besar kesalahan tipe II; (1 − β ) ]
c. Besar selisih minimum antara parameter kedua distribusi yang hemdak
dideteksi: diff = µ1 − µ0
d. Variabilitas kedua distribusi (umumnya diasumsikan sama: σ 0 = σ 1 =
σ)
Dengan merujuk pada titik C sebagai titik kritis (batas penerimaan
dan penolakan hipotesis nol, lihat kembali gambar 1.3) pada distribusi
sampling y0 dan distribusi sampling y A , diperoleh:
C = µ 0 + Zα . σ n = µ1 − Z β . σ n
sehingga:
2
n=
( Zα + Z β ) .σ 2
(3.3)
diff 2
15
Perhatikan:
- Jika dilakukan uji hipotesis (dan estimasi parameter), perhitungan ukuran
sampel semata-mata dilakukan atas dasar uji hipotesis.
Perhitungan Ukuran Sampel dan

Analisis Power dengan Stata
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
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
. power onemean 1 2, sd(2) alpha(0.01) power(0.9) onesided

Estimated sample size for a one-sample mean
test
t test
Ho: m = m0 versus Ha: m > m0
Study parameters:
alpha = 0.0100
power = 0.9000
delta = 0.5000
m0 = 1.0000
ma = 2.0000
sd = 2.0000
Estimated sample size:
N = 55
Ukuran sampel yang dibutuhkan adalah 55. Ukuran efek (effect size)
adalah 0.50.
17
b. Perhitungan Ukuran Sampel Secara Manual:

α = 0.01 → Zα = 2.33
β = 1 – 0.9 = 0.1 → Z β = 1.28
σ 2 = 22 = 4
d=2–1=1
2
n=
( Zα + Z β ) .σ 2
d2
2
=
( 2.33 + 1.28 ) .4
= 52.1284 ≈ 53
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 45 orang, maka power-nya
adalah:
. power onemean 1 2, n(45) sd(2) alpha(0.01) onesided

Estimated power for a one-sample mean test
t test
Ho: m = m0 versus Ha: m > m0
Study parameters:
alpha = 0.0100
N = 45
delta = 0.5000
m0 = 1.0000
ma = 2.0000
sd = 2.0000
18
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

Misalkan hendak diestimasi interval konfidensi 100 (1 − a ) % untuk
proporsi populasi P . Interval konfidensi yang akan diperoleh dinyatakan
dengan lambang [ pB ; p A ] dan masing-masing menyatakan batas bawah
dan batas atas interval konfidensi tersebut. Misalkan pula 2I = p A − p B
menyatakan lebar interval maksimum yang diinginkan (= presisi), maka:
I = Zα 2 .SE (p)
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
Jika P dan Q tak diketahui, diberlakukan asumsi konservatif, P̂ = Q̂

= 0.5, sehingga:
21
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

Analisis Power
Untuk keperluan praktis perhitungan ukuran sampel, uji hipotesis H 0
: P < P0 vs H1 : P > P0 dituliskan sebagai:
H 0 : P = P0 vs H A : P = PA
P0 : proporsi menurut hipotesis nol;
PA : proporsi menurut hipotesis alternatif;
dan d = ( PA − P0 ) adalah selisih umum P0 dengan PA yang diharapkan dapat
dideteksi.
Misalkan C menyatakan nilai titik batas penerimaan dan penolakan
hipotesis nol, maka:
P0Q0
C = P0 + Zα .
n
dengan Q0 = 1 − P0 dan:
PAQA
C = PA − Z β .
n
sehingga didapatkan:
P0Q0 PQ
P0 + Zα . = PA − Z β . A A
n n
dan ukuran sampel minimum yang dibutuhkan untuk mendeteksi perbedaan
minimum sebesar diff = ( PA − P0 ) pada uji hipotesis H 0 : P < P0 vs H1 : P >
P0 adalah:
2
 Zα P0Q0 + Z β PAQA 
n=  2
 (4.4)
diff
Untuk uji 2-sisi, nilai Z a diganti dengan Z a/2.
23

Sintaks
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:
alpha(numlist) : tingkat signifikansi, default-nya adalah alpha(0.05)
24
Contoh 4.2:
. 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
Ukuran sampel yang dibutuhkan adalah 108, sedangkan ukuran efek

adalah 0.10.

α = 0.01 → Zα = 2.33
β = 1 – 0.8 = 0.2 → Z β = 0.84
P0 = 0.1 Q0 = 0.9
PA = 0.2 Q A = 0.8
diff = 0.2 – 0.1 = 0.1
2
 Zα P0Q0 + Z β PAQA 
n=  2

diff
25
2
 2.33 ( 0.1)( 0.9 ) + 0.84 ( 0.2 )( 0.8) 
=  = 107.1225 ≈ 108
0.12
c. Analisis Power
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

Analisis Power
Misalkan hendak dilakukan uji hipotesis H 0 : µ1 − µ2 < 0 vs H1 :
µ1 − µ2 > 0. Untuk perhitungan ukuran sampel, uji hipotesis tersebut dapat
dituliskan sebagai:
H 0 : µ1 − µ2 = 0 vs H A : µ1 − µ2 = diff
dengan µ1 menyatakan rerata populasi pertama (populasi Y1 ); µ2

menyatakan rerata populasi kedua (populasi Y 2 ); dan diff = ( µ1 − µ2 ) adalah
selisih minimum yang diharapkan untuk dapat dideteksi.
Dengan asumsi σ 1 = σ 2 = σ , n1 = n2 = n; serta Y1 dan Y 2
independen, maka variansi distribusi sampling ( y 1 − y2 ) adalah:
Var ( y 1 − y2 ) = Var ( y 1 ) + Var ( y2 )
σ2 σ2 2σ 2
= + =
n n n
dan standard error ( y 1 − y2 ) adalah:
2σ 2
SE ( y 1 − y2 ) =
n
27
Misalkan C menyatakan nilai titik batas (titik kritis) daerah

penerimaan dan penolakan hipotesis nol pada distribusi sampling ( y 1 − y2 ) ,
maka dengan merujuk pada distribusi sampling H 0 :
C = 0 + Zα 2σ 2 n
sedangkan dengan merujuk pada distribusi sampling ( y 1 − y2 ) menurut H A

diperoleh:
C = diff − Z β 2σ 2 n
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:
- Nilai σ 2 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.
28

Sintaks
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:
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)
29
Perhatikan:
sampel.
- Jika variansi kedua kelompok sama, spesifikasikan sd. Jika variansi
kedua kelompok tidak sama, spesifikasikan sd1 dan sd2.
Stata.
Contoh 5.1:
. power twomeans 1 1.5, sd(2) alpha(0.10) power(0.7) onesided

Estimated sample sizes for a two-sample means
test
t test assuming sd1 = sd2 = sd
Ho: m2 = m1 versus Ha: m2 > m1
Study parameters:
alpha = 0.1000
power = 0.7000
delta = 0.5000
m1 = 1.0000
m2 = 1.5000
sd = 2.0000
Estimated sample sizes:
N = 210
30
N per group = 105
Ukuran sampel seluruhnya adalah 210 (105 dalam 1 kelompok) dan

ukuran efek adalah 0.50.

α = 0.10 → Zα = 1.28
β = 1 – 0.7 = 0.3 → Z β = 0.52
σ 2 = 22 = 4
diff = 1.5 – 1 = 0.5
2
n=
(
2 Zα + Z β ) .σ 2
=
2
2 (1.28 + 0.52 ) .4
= 103.68 ≈ 104
diff 2 0.52
c. Analisis Power

adalah:
. power twomeans 1 1.5, n(190) sd(2) alpha(0.10) onesided

Estimated power for a two-sample means test
t test assuming sd1 = sd2 = sd
Ho: m2 = m1 versus Ha: m2 > m1
Study parameters:
alpha = 0.1000
N = 190
31
N per group = 95
delta = 0.5000
m1 = 1.0000
m2 = 1.5000
sd = 2.0000
Estimated power:
power = 0.6692
Dari power yang ditargetkan semula sebesar 0.70 (pada ukuran

sampel 210 orang), hanya terjadi penurunan sedikit menjadi 0.669 (pada
ukuran sampel 190 orang).
Perhitungan ukuran sampel untuk estimasi interval 2 rerata relatif

jarang dikerjakan. Pada inferensi statistik untuk 2 rerata hampir selalu akan
dilakukan uji hipotesis (selain estimasi interval), karena itu ukuran sampel
yang dibutuhkan telah dihitung berdasarkan uji hipotesis.
Misalkan hendak diestimasi interval konfidensi 100 (1 − α ) % untuk

selisih 2 rerata populasi µ1 dan µ2 . Interval konfidensi yang akan diperoleh
dinyatakan dengan lambang [ yB ; y A ] ; yB dan yA masing-masing
menyatakan batas bawah dan batas atas selisih interval konfidensi tersebut.
Misalkan pula:
2I = y A − yB
menyatakan lebar interval maksimum yang diinginkan (= presisi), maka:
I = Zα 2 . SE ( y 1 − y2 )
σ12 σ 22
dengan Var ( y 1 − y2 ) = +
n1 n2
32
Jika diasumsikan σ 12 = σ 22 = σ 2 dan n1 = n2 = n, maka:
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.
- Nilai σ 2 atau estimasinya diperoleh dari penelitian terdahulu atau studi

pendahuluan dengan rumus:
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
Ukuran sampel minimum untuk 1 kelompok adalah:

2
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

Analisis Power
Misalkan hendak dilakukan uji hipotesis H 0 : P1 − P2 < 0 vs H1 :
P1 − P2 > 0. Untuk perhitungan ukuran sampel, uji hipotesis tersebut dapat
dituliskan sebagai:
H 0 : P1 − P2 = 0 vs H A : P1 − P2 = diff
dengan P1 menyatakan proporsi ‘sukses’ pada populasi pertama (populasi

Y1 ); P2 menyatakan proporsi ‘sukses’ pada populasi kedua (populasi Y 2 );
dan diff = ( p1 − p2 ) adalah selisih minimum yang diharapkan untuk dapat
dideteksi.
Dengan asumsi n1 = n2 = n; serta Y1 dan Y 2 independen, maka
variansi distribusi sampling ( p1 − p2 ) adalah:
Var ( p1 − p2 ) = Var ( p1 ) + Var ( p2 )
P1Q1 PQ P Q + P2Q 2
= + 2 2 = 1 1
n1 n2 n
dengan Q1 = 1 − P1 ; Q 2 = 1 − P2 ; dan standard error ( p1 − p2 ) adalah:
P1Q1 + P2Q 2
SE ( p1 − p2 ) =
n
35
Menurut H 0 : P1 = P2 , sehingga keduanya dapat disubstitusikan

oleh P , nilai rata-rata keduanya:
P1 + P2
P1 = P2 = P dan P =
2
sehingga standard error ( p1 − p2 ) menurut H 0 adalah:
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
sedangkan dengan merujuk pada distribusi sampling ( p1 − p2 ) menurut H A

diperoleh:
P1Q1 + P2Q 2
C = diff − Z β
n
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
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
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
Opsi:
alpha(0.05)
Perhatikan:
sampel.
Stata.
Contoh 6.1:
. power twoproportions 0.1 0.5, alpha(0.1) power(0.9) onesided

Estimated sample sizes for a two-sample
proportions test
Pearson's chi-squared test
Ho: p2 = p1 versus Ha: p2 > p1
Study parameters:
alpha = 0.1000
power = 0.9000
delta = 0.4000 (difference)
p1 = 0.1000
p2 = 0.5000
38
N = 32
N per group = 16
Ukuran sampel seluruhnya adalah 32 (16 dalam 1 kelompok),

sedangkan ukuran efek adalah 0.40.

α = 0.01 → Zα = 2.33
β = 1 – 0.9 = 0.1 → Z β = 1.28
P1 = 0.1 Q1 = 0.9
P2 = 0.5 Q2 = 0.5
diff = 0.5 – 0.1 = 0.4
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

adalah:
39
. power twoproportions 0.1 0.5, n(42) alpha(0.1) onesided

Estimated power for a two-sample proportions
test
Pearson's chi-squared test
Ho: p2 = p1 versus Ha: p2 > p1
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

Seperti pada ukuran sampel untuk estimasi interval 2 rerata,
perhitungan ukuran sampel untuk estimasi interval dua proporsi juga relatif
jarang dikerjakan. Pada inferensi statistik untuk 2 proporsi hampir selalu juga
akan dilakukan uji hipotesis (selain estimasi interval), karena itu ukuran
sampel yang dibutuhkan telah dihitung berdasarkan uji hipotesis.
Misalkan hendak diestimasi interval konfidensi 100 (1 − α ) % untuk

selisih 2 proporsi populasi P1 dan P2 . Interval konfidensi yang akan
diperoleh dinyatakan dengan lambang [ pB ; p A ] ; pB dan p A masing-masing
menyatakan batas bawah dan batas atas selisih interval konfidensi tersebut.
Misalkan pula:
40
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
Jumlah ini lebih realistik dan lebih mungkin dicapai.
41
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
BAB 7
UKURAN SAMPEL UNTUK
RANCANGAN STUDI
EPIDEMIOLOGI
Tiga rancangan studi dasar Epidemiologi, ialah studi kohort, studi

kasus-kontrol, dan studi potong-lintang. Dalam bab ini akan dibahas
perhitungan ukuran sampel untuk ketiga rancangan studi tersebut, tetapi
hanya perhitungan ukuran sampel untuk estimasi interval bagi 2 ukuran khas
Epidemiologi, yaitu rasio risiko dan rasio odds. Dalam perhitungan ukuran
sampel untuk estimasi interval pada rancangan studi epidemiologi sering
didapatkan ukuran sampel yang sangat besar, sehingga biasa diperlukan
spesifikasi ulang parameter-parameternya. Perhitungan ukuran sampel untuk
uji hipotesis tidak lagi akan dibahas di sini, karena sama saja dengan materi
Bab 4 dan Bab 6 tentang ukuran sampel untuk 1 dan 2 proporsi.

pada Studi Potong-Lintang
Layout data pada studi potong-lintang (cross-sectional study) adalah
sebagai berikut (lihat Tabel 7.1, perhatikan bahwa dalam Epidemiologi biasa
digunakan lambang dan notasi yang berbeda pengertiannya dengan dalam
Biostatistika):
43
Tabel 7.1 Layout data pada studi potong-lintang

Kelompok D D Jumlah
E a b n1
E c d n2
Jumlah m1 m2 n
E : Kelompok terpajan (exposed); n 1 menyatakan jumlah subjek

terpajan
E : Kelompok tak-terpajan (non-exposed); n 2 menyatakan jumlah
subjek tak-terpajan
D : Kelompok sakit (diseased); m 1 menyatakan jumlah subjek sakit
D : Kelompok tidak sakit (non-diseased); m 2 menyatakan jumlah subjek
tidak sakit
Pada rancangan studi ini, diambil 1 sampel berukuran n, lalu

anggotanya masing-masing dialokasikan ke salah satu dari empat sel dalam
tabel di atas berdasarkan status sakit dan status terpajan masing-masing.
Umumnya ahli Epidemiologi menganggap studi potong-lintang bukan salah
satu bentuk studi analitik karena tidak ada 2 kelompok yang dapat
diperbandingkan. Biasanya studi potong-lintang hanya dianggap sebagai
salah satu bentuk survei.
Jika sampel diambil secara acak dari populasi, maka dapat diestimasi
prevalensi penyakit dalam populasi, yaitu:
M
Prev = 1
N
dengan estimasi titik:
m
ˆ = 1
Prev
n
Ukuran sampel untuk estimasi interval prevalensi dengan presisi 2I
adalah:
2
n=
( Z a / 2 ) ( Prev )(1 − Prev ) (7.1)
I2
44
Jika taksiran prevalensi tidak ada, dapat digunakan asumsi

konservatif:
2
n=
( Zα 2 ) .0.25
(7.2)
I2

pada Studi Kohort
Layout data pada studi kohort (cohort study) adalah sebagai berikut
(lihat Tabel 7.2) dengan nomenklatur yang sama seperti pada tabel 7.1:
Tabel 7.2 Layout data pada studi kohort
Kelompok D D Jumlah
E a b n1
E c d n2
Di sini diambil 2 sampel, sehingga ada dua kelompok perbandingan

yaitu kelompok terpajan yang berukuran n 1 , dan kelompok tak-terpajan
yang berukuran n 2 . Ukuran sampel seluruhnya adalah n 1 + n 2 .
Ukuran keeratan hubungan pajanan dengan penyakit adalah rasio

risiko, yaitu:
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
Gambar 7.1 Plot ln RR terhadap RR
Tampak bahwa RR tidak berdistribusi simetris, tetapi ln RR adalah

hampir simetris, sehingga dapat digunakan interval konfidensi (1 − α ) %
untuk ln RR, yaitu:
(
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 .
Misalkan I L = ε .RR → IˆL = ε . RRˆ
Karena: I L = RR − RRL
maka ln IˆL = ln RRˆ − ln RRˆ − Zα 2 .SEˆ ln RRˆ 

( )
 
IˆL = exp ln RRˆ − exp ln RRˆ − Zα 2 .SEˆ ln RRˆ 

( ) ( )
 
= RRˆ 1 − exp − Zα 2 .SEˆ ln RRˆ 
( )
 
Diperoleh: ε . RRˆ = RRˆ 1 − ( exp − Zα 2 .SEˆ ln RRˆ ) 

 
46
1 − ε = exp − Zα 2 .SEˆ ln RRˆ ( )

dan ukuran sampel minimum 1 kelompok adalah:
n1 = n 2 =
2
n=
( Zα 2 ) . (1 − p1 ) p1 + (1 − p2 ) p2 
(7.4)
2
ln (1 − ε ) 
Untuk ε , dapat dipilih 0.10, 0.20, 0.25, dan 0.50.
Perhatikan bahwa dari 3 parameter, p1 , p2 , dan RRˆ , hanya 2 yang

boleh dispesifikasikan ( RRˆ = p1 p2 ).
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
Ukuran sampel seluruhnya untuk dua kelompok adalah (2)(233) =

466.
47

pada Studi Kasus-Kontrol
Layout data pada studi kasus-kontrol (case-control study) adalah
sebagai berikut (lihat Tabel 7.3) dengan nomenklatur yang sama seperti pada
tabel 7.1:
Tabel 7.3 Layout data pada studi kasus-kontrol

Kelompok D D
E a b
E c d
Jumlah m1 m2
Di sini diambil 2 sampel, yaitu kelompok D yang berukuran m 1 dan

kelompok D yang berukuran m 2 . Dalam kedua kelompok perbandingan
didapatkan sejumlah subjek yang terpajan serta sejumlah subjek yang tak-
terpajan, sehingga di sini tidak dapat dilakukan estimasi rasio risiko. Yang
dapat diestimasi adalah pendekatannya, yaitu rasio odds. Ukuran sampel
seluruhnya adalah m 1 + m 2 .
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
Gambar 7.2 Plot ln OR terhadap OR

.
Dengan memisalkan I L = ε .OR dengan nilai-nilai ε merupakan
salah satu pilihan di antara 0.10, 0.20, 0.25, atau 0.50, diperoleh ukuran
sampel minimum 1 kelompok yaitu:
m1 = m 2 =
2
m =
( Zα 2 ) {  (  )  ( )}
. 1  p1* 1 − p1*  + 1  p2* 1 − p2* 

(7.6)
2
ln (1 − ε ) 
p1* adalah proporsi subjek yang terpajan dalam populasi sakit,

sedangkan p2* adalah proporsi subjek yang terpajan dalam populasi kontrol.
Dari 3 parameter, p1* , p2* , dan ORˆ , hanya 2 yang boleh dispesifikasikan.
Jika estimasi ORˆ dan p2* diketahui, p1* dihitung dengan persamaan:
p1* =
( ORˆ ) . p *
2
(7.7)
( ORˆ ) . p + (1 − p )
*
2
*
2
49
Contoh 7.2:
α = 0.05 → Zα 2 = 1.96
p2* = 0.25 ORˆ = 2.00
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
Ukuran sampel seluruhnya untuk dua kelompok adalah (2)(733) =

1466. Ukuran ini mungkin dianggap terlalu besar. Dengan respesifikasi ε =
0.50 diperoleh:
2
m=
(1.96 ) {
. 1 ( 0.40 )( 0.60 )  + 1 ( 0.25 )( 0.75 )  }
2
ln (1 − 0.50 ) 
= 75.9599 . . . ≈ 76
Diperoleh ukuran sampel 1 kelompok sebesar 76 dan untuk 2

kelompok adalah 152.
50
Bab 8 Ukuran Sampel untuk Analisis Variansi
BAB 8
UKURAN SAMPEL UNTUK
ANALISIS VARIANSI
Ukuran Sampel untuk Analisis Variansi

1-Arah
Model
Model analisis variansi 1-arah adalah:
Yij = µ + τ i + ε ij
Yij : respons pada subjek ke-j dalam kelompok perlakuan ke-i
µ : rerata menyeluruh (overall mean)
τi : efek perlakuan kelompok ke-i
ε ij : galat pada subjek ke-j dalam kelompok perlakuan ke-i
Sintaks
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
Opsi:
alpha(0.05)
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:
1) alpha = 5% power = 80%
m1 = 260 m2 = 289 m3 = 295
varerror = 4900
. power oneway 260 289 295, varerror(4900)

Estimated sample size for one-way ANOVA
F test for group effect
Ho: delta = 0 versus Ha: delta != 0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2183
N_g = 3
52
m1 = 260.0000
m2 = 289.0000
m3 = 295.0000
Var_m = 233.5556
Var_e = 4900.0000
N = 207
N per group = 69
Ukuran sampel seluruhnya adalah 207, dengan alokasi 69 pada

masing-masing dari 3 kelompok. Ukuran efek adalah 0.2183.
2) Jika meanspec (rerata tiap kelompok) tak diketahui, tetapi yang

dispesifikasi adalah varmeans(233.5556) dan ngroups(3),
maka:
. power oneway, varerror(4900) varmeans(233.5556)

ngroups(3)
Estimated sample size for one-way ANOVA

Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2183
N_g = 3
Var_m = 233.5556
Var_e = 4900.0000
53
N = 207
N per group = 69
Tampak bahwa hasil yang diperoleh sama dengan di atas.
b. Analisis Power
Misalkan dalam pelaksanaan studi hanya diperoleh ukuran sampel

171 subjek dengan 57 subjek untuk tiap kelompok.
. power oneway 260 289 295, varerror(4900) n(171)
Estimated power for one-way ANOVA

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
Diperoleh power sebesar 71.79%.
54
Ukuran Sampel untuk Analisis Variansi

2-Arah
Model
Model pada analisis variansi 2-arah adalah:
Yijk = µ + α i + β j + (αβ )ij + ε ijk
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
βj : efek perlakuan B ke-j
(αβ )ij : efek interaksi perlakuan A ke-i dan perlakuan B ke-j
ε ijk : galat pada subjek ke-j dalam sel perlakuan A ke-i dan perlakuan B
ke-j
Sintaks
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
Analisis Power
power twoway meanspec, n(numlist) [options]
Opsi:
alpha(0.05)
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:
| Column
| 1 2 3
-------|-----------
Row 1 | 134 143 91
2 | 106 173 145
varerror = 1417
. power twoway 134 143 91 \ 106 173 145,

varerror(1417)
56
Estimated sample size for two-way ANOVA

F test for row effect
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
Ukuran sampel seluruhnya adalah 132, teralokasi masing-masing

22 subjek pada tiap kelompok. Ukuran efek adalah 0.2479.
2) Nilai-nilai rerata sel (meanspec) dapat digantikan oleh varrow

= 87.1111, nrows = 2, dan ncols = 3.
. power twoway, varerror(1417) varrow(87.1111)

nrows(2) ncols(3)
Estimated sample size for two-way ANOVA
Study parameters:
alpha = 0.0500
power = 0.8000
57
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
Misalkan dalam pelaksanaan studi hanya diperoleh ukuran sampel

108 subjek dengan 18 subjek untuk tiap sel.
. power twoway 134 143 91 \ 106 173 145, varerror(1417) n(108)
Estimated power for two-way ANOVA

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
Estimated power:
power = 0.7232
59
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
BAB 9
UKURAN SAMPEL UNTUK
ANALISIS REGRESI LINEAR
Ukuran Sampel untuk Analisis Regresi

Linear Sederhana
Model
Model analisis regresi linear sederhana adalah:
Yi = β 0 + β 1 X i + ε i
Yi : respons pada subjek ke-i
β0 : intersep; konstante
β1 : kemiringan; koefisien regresi
Xi : nilai kovariat X pada subjek ke-i
εi : galat pada subjek ke-i
Sintaks
power oneslope b0 ba [, power(numlist) options]
b0 : kemiringan nol (nilai kemiringan menurut hipotesis nol)
ba : kemiringan alternatif (nilai kemiringan menurut hipotesis alternatif)
61
Analisis Power
power oneslope b0 ba, n(numlist) [options]
Opsi:
alpha(0.05)
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:
b0 = 0 ba = 0.5
sdx = 1 sderror = 1
. power oneslope 0 0.5
Estimated sample size for a linear

regression slope test
t test
Ho: b = b0 versus Ha: b != b0
62
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
Ukuran sampel yang dibutuhkan adalah 34 dengan ukuran efek

0.50.
2) Jika digunakan sderror = 2, maka
. power oneslope 0 0.5, sderror(2)

t test
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2500
b0 = 0.0000
ba = 0.5000
sdx = 1.0000
sderror = 2.0000

63
N = 128

0.25.
3) Jika digunakan sderror = 2 dan sdx = 0.5, maka:
. power oneslope 0 0.5, sderror(2) sdx(0.5)

t test
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

0.125.
b. Analisis Power
Misalkan dalam pelaksanaan studi terakhir dengan sderror = 2 dan

sdx = 0.5 hanya diperoleh ukuran sampel 400 subjek. Powernya adalah:
64
. power oneslope 0 0.5, sderror(2) sdx(0.5) n(400)

Estimated power for a linear regression slope
test
t test
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

Linear Ganda
Model
Model pada analisis regresi linear ganda adalah:
Yi = β 0 + β 1 X1i + β 2 X 2i + . . . + β p X pi + ε i
Yi : respons pada subjek ke-i
β0 : konstante
{β 1 , β 2 , . . . , β p } : himpunan koefisien regresi
{ X1i , X 2i , . . . , X pi } : nilai himpunan kovariat pada subjek ke-i
εi : galat pada subjek ke-i
Sintaks
Perhitungan Ukuran Sampel untuk Menguji Seluruh
Koefisien Regresi
power rsquared R2T [, power(numlist) options]
R2T : koefisien determinasi model menurut hipotesis alternatif
Perhitungan Ukuran Sampel untuk Menguji Himpunan

Bagian Koefisien Regresi
power rsquared R2R R2F, ncontrol(numlist) [power(numlist)
options]
R2R : koefisien determinasi model tereduksi
R2F : koefisien determinasi model penuh
66
Analisis Power
power rsquared R2T, n(numlist) [options]
Opsi:
alpha(0.05)
ntested(numlist) : jumlah kovariat yang diuji, default-nya adalah
ntested(1)
ncontrol(numlist) : jumlah kovariat kontrol
Contoh 9.2:
R-squared = 0.1
Diasumsikan hanya 1 kovariat yang akan diuji
Ukuran sampel yang dibutuhkan adalah:
. power rsquared 0.1
Estimated sample size for multiple linear

regression
F test for R2 testing all coefficients
Ho: R2_T = 0 versus Ha: R2_T != 0
Study parameters:
67
alpha = 0.0500
power = 0.8000
delta = 0.1111
R2_T = 0.1000
ntested = 1
N = 73

0.1111.
2) Sama seperti di atas, tetapi diasumsikan ada 3 kovariat yang akan

diuji.
. power rsquared 0.1, ntested(3)

regression
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.1111
R2_T = 0.1000
ntested = 3
N = 103
68
3) Akan diuji 1 kovariat dengan 2 kovariat kontrol
. power rsquared 0.1 0.15, ncontrol(2)

regression
F test for R2 testing subset of
coefficients
Ho: R2_F = R2_R versus Ha: R2_F != R2_R
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
4) Akan diuji 3 kovariat dengan 2 kovariat kontrol
. power rsquared 0.1 0.15, ncontrol(2) ntested(3)

regression
F test for R2 testing subset of
coefficients
Ho: R2_F = R2_R versus Ha: R2_F != R2_R
69
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:
. power rsquared 0.1, n(87) ntested(3)
Estimated power for multiple linear regression

Study parameters:
alpha = 0.0500
N = 87
delta = 0.1111
R2_T = 0.1000
ntested = 3
70
Estimated power:
power = 0.7229
Power penelitiannya sesungguhnya adalah 72.29%.
71
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
BAB 10
UKURAN SAMPEL UNTUK
ANALISIS REGRESI LOGISTIK

Logistik Sederhana
Model
Model pada analisis regresi logistik sederhana adalah:
Yi
ln = β 0 + β 1 Xi
1 − Yi
Yi : respons biner pada subjek ke-i
β0 : konstante
β1 : koefisien regresi logistik
Xi : nilai kovariat X pada subjek ke-i
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
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

Logistik Ganda
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
Yi : respons biner pada subjek ke-i
β0 : konstante
{β 1 , β 2 , . . . , β p } : himpunan koefisien regresi logistik
{ X1i , X 2i , . . . , X pi } : nilai himpunan kovariat pada subjek ke-i
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
2
ρ1.23... p : kuadrat koefisien korelasi ganda antara X1 dengan himpunan
sisa kovariat { X 2 , X 3 , . . . , X p } ; atau sama dengan koefisien

determinasi regresi (linear) X1 terhadap himpunan kovariat
{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
Ikhtisar Beberapa Rumus

Untuk estimasi interval parameter Untuk uji hipotesis
Satu sampel, respons kontinu
2 2
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
Beberapa Nilai Z untuk

α = 0.01 Zα 2 = 2.58 Zα = 2.33
α = 0.05 Zα 2 = 1.96 Zα = 1.64
α = 0.10 Zα 2 = 1.64 Zα = 1.28
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
Macam Ukuran Efek

Efek adalah hasil suatu intervensi yang terungkap pada perbandingan
antar grup atau derajat asosiasi antar dua variabel. Ukuran efek menyatakan
besar efek tersebut yang ditemukan dalam populasi. Besar dan arah efek ini
dalam populasi diestimasi dengan menggunakan sampel yang direkrut sesuai
persyaratan dengan ukuran sampel yang memadai.
Ellis (2010) membedakan macam ukuran efek menjadi dua kelompok

besar:
1. Ukuran perbedaan grup (famili d):
a. Perbedaan grup dengan respons biner
b. Perbedaan grup dengan respons kontinu
2. Ukuran asosiasi (famili r):
a. Indeks korelasi
b. Indeks proporsi variansi
Daftar selengkapnya ukuran efek menurut klasifikasi tersebut dimuat

pada tabel III.1 dan III.2 berikut.
83
Tabel III.1 Ukuran perbedaan grup: Famili d
a) Perbandingan grup dengan respons biner

RD Risk Difference:
Selisih probabilitas terjadinya suatu peristiwa/respons antar 2-grup.
RR Risk Ratio atau Rate Ratio:
Perbandingan probabilitas terjadinya suatu peristiwa/respons pada
suatu grup dengan probabilitas serupa pada grup lainnya.
OR Odds Ratio:
Perbandingan odds terjadinya suatu peristiwa/respons pada suatu
grup dengan odds serupa pada grup lainnya.
b) Perbandingan grup dengan respons kontinu

d Cohen’ d:
Selisih rerata tak-terkoreksi antar 2-grup, terstandardisasi
berdasarkan standar deviasi pooled.
∆ Glass’ delta:
Selisih rerata tak-terkoreksi antar 2-grup, terstandardisasi
berdasarkan standar deviasi grup kontrol
g Hedges’ g:
Selisih rerata terkoreksi antar 2-grup, terstandardisasi berdasarkan
standar deviasi pooled tertimbang.
PS Probabilitas superioritas:
Probabilitas sebuah nilai acak dari satu grup lebih besar daripada
nilai acak serupa dari grup lainnya
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
b) Indeks proporsi variansi

r2 Koefisien determinasi:
Untuk regresi bivariat
R2 Koefisien determinasi ganda (tak-terkoreksi):
Untuk analisis regresi ganda
2 Koefisien determinasi ganda suaian (adjusted R-squared):
adj R
Suaian terhadap ukuran sampel dan jumlah prediktor
f Cohen’ f:
Kuantifikasi dispersi rerata pada tiga/lebih grup dalam ANOVA
f2 Cohen’ f kuadrat:
Alternatif R 2 pada analisis regresi ganda
η2 Eta kuadrat atau rasio korelasi (tak-terkoreksi):
Untuk ANOVA
ε2 Epsilon kuadrat:
Alternatif tak-bias untuk η 2
ω2 Omega kuadrat:
Alternatif tak-bias untuk η 2
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:
1. Koefisien korelasi rank Spearman

2
6∑  R ( X i ) − R (Yi ) 
ρ=1− (III.1)
(
n n2 − 1 )
R ( Xi ) : Ranking X i
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
4. Koefisien kontijensi Pearson:

2
χ uji
C= 2
(III.4)
n + χ uji
Digunakan untuk tabel kontijensi yang lebih besar daripada 2×2.
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)
6. Goodman and Kruskal’s lambda:

C−D
λ= (III.6)
C+D
C : jumlah pasangan konkordan
D : jumlah pasangan diskordan
Seperti tau Kendall, tetapi pasangan ties tidak dihitung pada
denominator.
7. Koefisien determinasi ganda suaian:

2 SSE df
adj R = 1 − (III.7)
SSTo ( n − 1)
SSE : Jumlah kuadrat galat (error sum of squares)
SSTo : Jumlah kuadrat total (total sum of squares)
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_
11. Epsilon kuadrat:

SSTr − dftr MSE
ε2 = (III.11)
SSTo
dftr : derajat bebas perlakuan
MSE : kuadrat rerata galat (error mean square)
12. Omega kuadrat:

SSTr − dftr MSE
ω2 = (III.12)
SSTo + MSE
SSE : jumlah kuadrat galat (error sum of squares)
88

,BVGJKC., C.gkuvlkncgivoljb.,vj - Kgulkjb.gkujbjgkdsjkrtluy

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

,BVGJKC., C.gkuvlkncgivoljb.,vj - Kgulkjb.gkujbjgkdsjkrtluy

Diunggah oleh

Hak Cipta:

Format Tersedia

PERHITUNGAN

Cetakan Pertama, Oktober 2017

Disain cover : Joko Slameto

Diterbitkan pertama kali oleh Gunadarma

Hak Cipta dilindungi undang-undang. Dilarang mengutip atau

Daftar Isi vii

Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel 1

Bab 2 Analisis Power dan Ukuran Efek 7

Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata 13

Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi 21

Bab 5 Ukuran Sampel untuk Inferensi 2 Rerata 27

Bab 6 Ukuran Sampel untuk Inferensi 2 Proporsi 35

Bab 7 Ukuran Sampel untuk Rancangan Studi 43

Bab 8 Ukuran Sampel untuk Analisis Variansi 51

Bab 9 Ukuran Sampel untuk Analisis Regresi 61

Bab 10 Ukuran Sampel untuk Analisis Regresi 73

Hal yang perlu diperhatikan dalam perhitungan ukuran sampel antara

- Ukuran sampel tidak dihitung sebagai persentase tertentu terhadap

Pada sebagian rancangan studi, terutama analisis multivariat,

Gambar 1.1 Grafik power-ukuran

Beberapa rancangan studi, terutama yang menggunakan metode

Dalam buku ini pembahasan perhitungan ukuran sampel dan analisis

sampelnya relatif sederhana dan mudah dikerjakan. Secara umum, ada 2

1. Perhitungan ukuran sampel untuk pengestimasian interval parameter

Ukuran Sampel untuk Estimasi

Nilai-nilai yang perlu dispesifikasikan pada perhitungan ukuran

gambaran distribusi tinggal diganti dengan distribusi sampling ( y1 − y2 ) .

Gambar 1.2 Contoh interval konfidensi 95%

Ukuran Sampel untuk Uji

1. Tingkat signifikansi (kesalahan tipe I) uji hipotesis: Dianjurkan untuk

Misalkan akan dilakukan uji hipotesis H 0 : µ < µ0 vs H1 : µ > µ0

Dengan C menyatakan titik kritis uji hipotesis (batas penerimaan dan

Gambar 1.3 Contoh gambar untuk uji hipotesis 1 rerata

Gambar 2.1 Power penelitian

Dalam pelaksanaan penelitian sesungguhnya, ukuran sampel yang

Gambar 2.2 Power curve

Analisis power dilakukan setelah penelitian dilakukan, yaitu jika

Cohen’s d, Glass’s ∆, dan Hedges’ g adalah ukuran efek

t : statistik t untuk selisih rerata antar 2 kelompok

Pada sebagian perhitungan ukuran sampel dengan Stata, ukuran efek

. esize twosample qu1, by(sex)

Effect size based on mean comparison

Obs per group:

. esize twosample qu1, by(sex) all

Effect size based on mean comparison

Obs per group:

Ukuran Sampel untuk Estimasi Interval

- Jika parameter yang akan diestimasi interval-nya lebih daripada satu,

Ukuran Sampel untuk Uji Hipotesis &

Pada uji hipotesis dua-sisi terhadap nilai rerata populasi dengan

Perhitungan Ukuran Sampel dan

. power onemean 1 2, sd(2) alpha(0.01) power(0.9) onesided

Estimated sample size:

b. Perhitungan Ukuran Sampel Secara Manual:

Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan

. power onemean 1 2, n(45) sd(2) alpha(0.01) onesided

Ukuran Sampel untuk Estimasi Interval

Jika P dan Q tak diketahui, diberlakukan asumsi konservatif, P̂ = Q̂

Ukuran Sampel untuk Uji Hipotesis &

Untuk uji 2-sisi, nilai Z a diganti dengan Z a/2.

Perhitungan Ukuran Sampel dan

Estimated sample size:

Ukuran sampel yang dibutuhkan adalah 108, sedangkan ukuran efek