BIOSTATISTIK

“Distribusi Sampling : Standar Error &Sentral Limit Theorem”

Dosen Pengampu:

Cau Kim Jiu, M.Kes., Ph.D

Disusun Oleh:

Lisa Ema Yulisti SR172110068

Tri Febrianti SR172110052
Ike Nurjanah SR172110070
Afrianto SR172110041
AgiEhsya Putra SR172110084

PROGRAM STUDI NERS

SEKOLAH TINGGI ILMU
KEPERAWATANMUHAMMADIYAHPONTIANAK
2020
 KATA PENGANTAR

Assalamu’alaikumWarahmatullahiWabarakatuh
Pujisyukur Kami panjatkankehadirat Allah AzzaWaJalla, ataslimpahanrahmat
dan hidayah-Nya, sehinggamakalahinidapatdiselesaikansebagaimanamestinya.
Shalawat dan salamtidakluput Kami kirimkanatasqudwahkitaRasulullah
Muhammad Shalallahu‘AlaihiWasallam, para sahabatnyasertaumatnya yang
senantiasailtizamdiataskebenaranhinggaakhir zaman.
Penulisan makalah ini disusun untuk melengkapi tugas matakuliah
Biostatistik pada Program Studi S1 Ilmu Keperawatan STIK Muhammadiyah
Pontianak. Dalam penyusunan makalah ini tidak banyakkesulitan yang
kamitemui, namun berkat bimbingan dan bantuandariberbagaipihak,
makalahinidapatterselesaikandenganbaik. Kami ucapkanterimakasihkepada :
1. Cau Kim Jiu, M.Kes., Ph.DselakuDosenPengampu yang telah bersedia
meluangkan waktu dan membimbing kami sehingga dapat menyelesaikan
makalah ini dengan baik.
2. Orang tua kami yang selalumendoakan kami.
3. Teman-teman kelompok atas kebersamaannya dalam penyusunan makalah
ini.
4. Dan kepada teman-teman lain yang telah membantu namun tidak dapat
disebutkan satu-persatu.
Kami menyadari bahwa dalam penyusunan dan penulisan makalah masih jauh
dari kesempurnaan. Karena itu saran yang konstruktif merupakan bagian yang tak
terpisahkan dan senantiasa Kami harapkan demi penyempurnaan makalah ini.
Akhirnya Kami berharap semoga makalah ini dapatbermanfaat. Amin
YaRabbilAlamin.
Wassalamu‘alaikumWarahmatullahiWabarakatuh
Pontianak, 09 Oktober2020

Penulis

i
 DAFTAR ISI

KATA PENGANTAR..............................................................................................i
DAFTAR ISI............................................................................................................ii
BAB I.......................................................................................................................1
PENDAHULUAN...................................................................................................1
A. LatarBelakang...........................................................................................1
B. RumusanMasalah......................................................................................3
C. Tujuan........................................................................................................3
BAB II......................................................................................................................4
PEMBAHASAN......................................................................................................4
A. Distribusi Sampling...................................................................................4
B. Standar Error.............................................................................................4
C. Central Limit Theorem..............................................................................5
BAB III..................................................................................................................14
PENUTUP..............................................................................................................14
A. Kesimpulan..............................................................................................14
B. Saran........................................................................................................14
DAFTAR PUSTAKA............................................................................................15
 BAB I
PENDAHULUAN

A. LatarBelakang

Statistik adalah fungsi observasi dalam suatu sampel random yang tidak
tergantung pada parameter yang tidak diketahui. Proses penggambaran
populasi berdasarkan data sampel memberikan kaitan yang erat dengan
statistik. Distribusi sampling adalah distribusi dari mean-mean yang diambil
secaraberulang kali dari suatu populasi. Bila pada suatu populasi tak
terhingga dilakukan pengambilan sampel secara acak berulang-ulang hingga
semua sampel yang mungkin dapat ditarik dari populasi tersebut. Sampel
yang diambil dari populasi terbatas dan sebelum dilakukan pengambilan
sampel berikutnya sampel unit dikembalikan kedalam populasi. Bila sampel-
sampel yang dihasilkan dihitung rata-ratanya maka akan menghasilkan nilai
rata-rata yang berbeda  hingga dapat disusun menjadi suatu distribusi yang
disebut distribusi rata-rata sampel. Bila dihitung deviasi standarnya
dinamakan deviasi standard distribusi rata-rata sampel atau kesalahan baku
rata-rata (standard error rata-rata).

Misalnya, jika X1, X2,...Xn sampel random dengan ukuran n, maka rata -
rata sampel , varian sampel S2, dan standar deviasi sampel S semuanya
adalah statistik. Distribusi peluang suatu statistik disebut dengan distribusi
sampling. Distribusi sampling menjadi salah satu dasar dalam pengambilan
kesimpulan dengan data dalam jumlah besar. Menurut sifat distribusi
sampling, apabila sampel – sampel random diambil dari suatu populasi yang
berdistribusi sembarang dan mempunyai mean μ dan variansi 2, untuk n
besar (n > 30) maka distribusinya dapat dianggap mendekati normal dengan
mean μ = μ dan variansi 2 =atau Z = ( ) N(0, 1).

Teorema Limit Pusat merupakaninterpretasi yang sesuaidarisifatdistribusi

sampling. Syarat yang dapatdigunakanuntukmembuktikanbahwadistribusi

1
 2

sampling inimendekati normal yaknidengankekonvergenandalamdistribusi.

Dalam pembuktiannya, Teorema Limit Pusat juga menggunakan ke
konvergenan dalam distribusi. Dua definisi ke konvergenan dalam distribusi
dapat dipakai untuk membuktikan, salah satunya yaitu jika suatu distribusi
mempunyai Moment Generating Function atau fungsi pembangkit momen
maka hal tersebut dapat menentukan fungsi distribusi secara tunggal,
distribusi secara tunggal yang dimaksud adalah distribusi Normal. Nilai suatu
MGF ada jika nilai ekspektasinya terdefinisi atau ada, tetapi tidak berlaku
sebaliknya, jika ekspektasinya ada belum tentu nilai MGF-nyaada. (Rice,
1995 : 142).

Secara singkat bahwa semua distribusi yang memiliki sampel besar akan
cenderung mendekati distribusi normal apapun bentuk awal distribusi
populasinya. Teorema Limit Pusat sebagai pembuktian secara tidak langsung
dari pernyataan sebelumnya. Berdasarkan penelitian yang dilakukan oleh
Reshma R. Chavan yang menyatakan bahwa apabila dilakukan percobaan
dengan jumlah dadu sebanyak k, maka jumlahmatadadusecaraacak yang
muncul akan selalu mendekati distribusi normal. Dalamteoripeluang,
Teorema Limit Pusat mengatakan jika diberikan kondisi tertentu yang rata –
rata aritmatikanya terdiri dari rata – rata denganjumlahsampel yang besar,
kemudiandiiterasidarivariabel random yang salingbebas dan memiliki rata –
rata sertavariansi yang didefinisikanmakaakanterdistribusi normal tanpa
memperhatikan distribusi asal yang mendasarinya. Andaikan sampel – sampel
observasi dengan bilangan yang cukup besar, kemudian rata – ratanya
dihitung berkali - kali, maka rata –rata yang dihasilkan adalah acak dan tidak
tergantung satu sama lain serta akan terdistribusisesuaidengandistribusi
normal. (Chavan, 2014).
 3

B. RumusanMasalah

Dari latar belakangmasalah diatas,rumusan masalah yang dapat diambil

dari maklah ini adalah apa itu standar error dan teori limit pusat (Central
Limit Theorem).

C. Tujuan

1. Tujuan Umum
Untuk mendapatkaninformasi yang lebihmendalamtentangdistribusi
sampling, khususnyastandar error dan central limit theorem.
2. Tujuan Khusus
a. Mahasiswa dapat mengetahui pengertiandistribusi sampling.
b. Mahasiswa dapat mengetahui apa itu standar error.
c. Mahasiswa dapat mengetahuitentangteori limit pusat (central limit
theorem).
 4

BAB II
PEMBAHASAN

A. Distribusi Sampling

Distribusi sampling adalah distribusi dari mean-mean yang diambil

secara berulang kali dari suatu populasi. Bila pada suatu populasi tak
terhingga dilakukan pengambilan sampel secara acak berulang-ulang hingga
semua sampel yang mungkin dapat ditarik dari populasi tersebut. Sampel
yang diambil dari populasi terbatas dan sebelum dilakukan pengambilan
sampel berikutnya sampel unit dikembalikan ke dalam populasi.

D. Standar Error

Standar error adalah standard deviasi dari rata-rata. Bila kita mempunyai
beberapa kelompok data, misalnya tiga kelompok, maka kita akan
mempunyai tiga buah nila rata-rata. Bila kita hitung nilai standard deviasi dari
tiga buah nilai rata-rata tersebut, maka nilai standard deviasi dari nilai rata-
rata tersebut disebut nilai standar error. Simbol standar error untuk sampel

adalah atau kadang-kadang ditulis SE. Rumus menghitung nilai standar

error adalah sebagaiberikut :

Contoh:
Kita mempunyai data jumlahanakanpadivarietasPandan Wangi sbb:
Sampel I II III
1 28 30 36
2 32 30 40
3 15 27 31
4 21 22 26
5 22 24 30
6 17 20 24
 5

7 17 17 22
8 14 15 14
9 29 27 31
10 28 30 39
11 27 26 36
12 29 23 31
Rata-rata 23.25 24.25 30

Secarateori, standar error adalahstandardeviasidarinilai rata-rata. ai rata-

rata. Dari contoh di atas, nilai rata-rata ada 3 buah, yaitu 23,2524,2530.Oleh
karenanya, bila kita hitung nilai standar deviasi dari ketiga nilai tersebut,
maka nilai itu disebut juga nilai standar error dari keseluruhan data di atas
(lihatrumus). Namun, untuk keperluan praktis, maka perhitungan nilai standar
error tidak dihitung dari nilai rata-ratanya, keperluan praktis, maka
perhitungan nilai standar error tidak dihitung dari nilai rata-ratanya, tetapi
langsung dihitung dari keseluruhan data dengan rumus seperti di atas.

Nilai standar error data di atasadalah :

Untuk mencari nilai s2, lihat cara menghitung varians.

E. Central Limit Theorem

Central Limit Theorem (CLT) merupakan salah satuteorema paling

penting dalam matematikasttistik dan probabilitas. Teori ini digunakan
hamper disemua tempat dimana statistic matematika diterapkan. Kegunaan
teorem terletak pada kesederhanaan definisinya. Teorema limit sentral
menyatakan bahwa jika beberapa kondisi tertentu terpenuhi, maka distribusi
mean dari sejumlah variable random independent mendekati distribusi normal
dengan jumlah sampel mendekati takterhingga. Dengan kata lain, tidak di
perlukan informasi yang banyaktentangdistribusi actual variable, asalkan ada
 6

cukup sampel dari mereka, jumlah mereka dapat didistribusikan secara

normal.

Central Limit Theorem (CLT) adalah sebuah teorema yang menyatakan

bahwa kurva distribus sampling (untukukuransampel 30 ataulebih) akan
berpusat pada nilai parameter populasi dan akan memiliki semua sifat-sifat
distribusi normal.

Dasar dari Random Sampling adalah Central Limit Theorem. Central

Limit Theorem adalah sebuah teoristatistik di mana jika diambil banyak
sampel dari sebuah populasi dengan variansi data yang berhingga (finite),
mean darisampel yang diambil pada populasi yang sama akansesuaidengan
mean daripopulasi. Central Limit Theorem menunjukkan bahwa semakin
bertambahnya jumlah sampel yang diambil secara acak, maka distribusi
kemungkinan letak nilai mean dari sampel tersebut akan mengikuti distribusi
normal.

Asumsi distribusi normal dapat kita pakai ketika jumlah sampel yang kita
ambil sudah mencapai batas nilai tertentu. Jika distribusi normal dapat dicapai
dengan sampel yang kita ambil maka persamaan - persamaan ini menjadi
valid :
 7

Sx adalah eror dari mean

adalah standar devisi

n adalah jumlah sampel (tps)

moe = z ( Sx )

moe adalah margin of eror

z adalah nilai dari tabel distribusi normal sesuai dengan confidence level

Sx adalah standar eror dari mean

Dalam teori peluang, teorema limit pusat menyatakan bahwa purata

dariiterasipeubahacak dalam jumlah yang cukup besar, masing-masing
dengan nilai ekspektasi dan variansi yang terdefinisi denganbaik, akan
didistribusikan mendekati distribusi normal. Artinya, bila sampel diperoleh
berisi sejumlah besar observasi, dan masing-masing observasi didapatkan
dengan cara yang tidak tergantung satusama lain (independen), dan rata-rata
aritmetika (purata) dihitung dari nilai-nilai hasil observasi. Bila prosedur ini
dilakukan berkali-kali, teorema limit pusat menyatakan bahwa nilai purataini
akan didistribusikan menurut “kurvalonceng” (ataudistribusi normal).
 8

F. Menghitung Besar Sampel Penelitian

Cara menghitung rumus besar sampel penelitian suatu penelitian sangat
ditentukan oleh desain penelitian yang digunakan dan data yang diambil.
Jenis penelitian observasional dengan menggunakan disain cross-sectional
akan berbeda dengan case-control study dan khohor, demikian pula jika data
yang dikumpulkan adalah proporsi akan beda jika data yang digunakan
adalah data continue. Pada penelitian di bidang kesehatan masyarakat,
kebanyakan menggunakan disain atau pendekatan cross-sectional atau belah
lintang, meskipun ada beberapa yang menggunakan case control ataupun
khohor.

a. Rumus Sampel Penelitian Cross-sectional

Untuk penelitian survei, biasanya rumus yang bisa dipakai menggunakan

proporsi binomunal (binomunal proportions). Jika besar populasi (N)
diketahui, maka dicari dengan menggunakan rumus berikut:

Rumus Sampel Cross Sectional

Dengan jumlah populasi (N) yang diketahui, maka peneliti bisa

melakukan pengambilan sampel secara acak). Namun apabila besar
populasi (N) tidak diketahui atau (N-n)/(N-1)=1 maka besar sampel
dihitung dengan rumus sebagai berikut :

Rumus Lemeshow Besar Sampel Penelitian

 9

Keterangan :

n = jumlah sampel minimal yang diperlukan

= derajat kepercayaan

p = proporsi anak yang diberi ASI secara eksklusif

q = 1-p (proporsi anak yang tidak diberi ASI secara eksklusif

d = limit dari error atau presisi absolut

Jika ditetapkan =0,05 atau Z1- /2 = 1,96 atau Z2

1- /2 = 1,962 atau dibulatkan menjadi 4, maka rumus untuk besar N yang

diketahui kadang-kadang diubah menjadi:

Penyederhanaan Rumus Lemeshow Atau Disebut Rumus Slovin

Contoh Rumus Rumus Besar Sampel Penelitian

Misalnya, kita ingin mencari sampel minimal untuk suatu penelitian

mencari faktor determinan pemberian ASI secara eksklusif. Untuk
mendapatkan nilai p, kita harus melihat dari penelitian yang telah ada
atau literatur. Dari hasil hasil penelitian Suyatno (2001) di daerah
Demak-Jawa Tengah, proporsi bayi (p) yang diberi makanan ASI
 10

eksklusif sekitar 17,2 %. Ini berarti nilai p = 0,172 dan nilai q = 1 – p.
Dengan limit dari error (d) ditetapkan 0,05 dan nilai Alfa = 0,05, maka
jumlah sampel yang dibutuhkan sebesar:

Contoh Rumus Sampel Cross Sectional

= 219 orang (angka minimal)

Jika tidak diketemukan nilai p dari penelitian atau literatur lain, maka
dapat dilakukan maximal estimation dengan p = 0,5. Jika ingin teliti teliti
maka nilai d sekitar 2,5 % (0,025) atau lebih kecil lagi. Penyederhanaan
Rumus diatas banyak dikenal dengan istilah Rumus Slovin.

b. Rumus Sampel Penelitian Case Control dan Kohort

Rumus yang digunakan untuk mencari besar sampel baik case control
maupun kohort adalah sama, terutama jika menggunakan ukuran
proporsi. Hanya saja untuk penelitian khohor, ada juga yang
menggunakan ukuran data kontinue (nilai mean).Besar sampel untuk
penelitian case control adalah bertujuan untuk mencari sampel minimal
untuk masing-masing kelompok kasus dan kelompok kontrol. Kadang
kadang peneliti membuat perbandingan antara jumlah sampel kelompok
kasus dan kontrol tidak harus 1 : 1, tetapi juga bisa 1: 2 atau 1 : 3 dengan
tujuan untuk memperoleh hasil yang lebih baik.

1. Rumus Sampel minimal Besar Sampel Penelitian Case Control

 11

Adapun rumus yang banyak dipakai untuk mencari sampel minimal

penelitian case-control adalah sebagai berikut:

Besar Sampel Penelitian

2. Rumus Sampel minimal Besar Sampel Penelitian Kohor

Pada penelitian khohor yang dicari adalah jumlah minimal untuk

kelompok exposure dan non-exposure atau kelompok terpapar dan
tidak terpapar. Jika yang digunakan adalah data proporsi maka untuk
penelitian khohor nilai p0 pada rumus di atas sebagai proporsi yang
sakit pada populasi yang tidak terpapar dan p1 adalah proporsi yang
sakit pada populasi yang terpapar atau nilai p1 = p0 x RR (Relative
Risk).

Jika nilai p adalah data kontinue (misalnya rata-rata berat badan,

tinggi badan, IMT dan sebagainya) atau tidak dalam bentuk proporsi,
 12

maka penentuan besar sampel untuk kelompok dilakukan

berdasarkan rumus berikut:

Rumus Sampel Case Control dan Kohort 2

Contoh Kasus Rumus Besar Sampel Penelitian

Contoh kasus, Misalnya kita ingin mencari sampel minimal pada

penelitian tentang pengaruh pemberian ASI eksklusif dengan terhadap
berat badan bayi. Dengan menggunakan tingkat kemaknaan 95 % atau
Alfa = 0,05, dan tingkat kuasa/power 90 % atau ß=0,10, serta kesudahan
(outcome) yang diamati adalah berat badan bayi yang ditetapkan
memiliki nilai asumsi SD=0,94 kg, dan estimasi selisih antara nilai mean
kesudahan (outcome) berat badan kelompok tidak terpapar dan kelompok
terpapar selama 4 bulan pertama kehidupan bayi (U0 – U1) sebesar 0,6
kg (mengacu hasil penelitian Piwoz, et al. 1994), maka perkiraan jumlah
minimal sampel yang dibutuhkan tiap kelompok pengamatan, baik
terpapar atau tidak terpapar adalah:

Contoh Hitung Sampel Case Control dan Kohort

= 51,5 orang atau dibulatkan: 52 orang/kelompok

Pada penelitian khohor harus ditambah dengan jumlah lost to follow atau
akalepas selama pengamatan, biasanya diasumsikan 15 %. Pada contoh
diatas, maka sampel minimal yang diperlukan menjadi n= 52 (1+0,15) =
59,8 bayi atau dibulatkan menjadi sebanyak 60 bayi untuk masing-
masing kelompok baik kelompok terpapar ataupun tidak terpapar atau
total 120 bayi untuk kedua kelompok tersebut.

c. Penelitian Eksperimental
 13

Menurut Supranto J (2000) untuk penelitian eksperimen dengan

rancangan acak lengkap, acak kelompok atau faktorial, secara sederhana
dapat dirumuskan:

(t-1) (r-1) > 15

dimana : t = banyaknya kelompok perlakuan

j = jumlah replikasi

Contoh Kasus Rumus Besar Sampel Penelitian Eksperimen

Contohnya: Jika jumlah perlakuan ada 4 buah, maka jumlah ulangan

untuk tiap perlakuan dapat dihitung:

(4 -1) (r-1) > 15

(r-1) > 15/3

r>6

Untuk mengantisipasi hilangnya unit ekskperimen maka dilakukan

koreksi dengan 1/(1-f) di mana f adalah proporsi unit eksperimen yang
hilang atau mengundur diri atau drop out.
 BAB III
PENUTUP

A. Kesimpulan
Berdasarkan pembahasan yang telah dijelaskan pada bab II dapa ditarik
kesimpulan bahwa :

1. Distribusi sampling adalah distribusi dari mean-mean yang diambil secara

berulang kali dari suatu populasi. Bila pada suatu populasi tak terhingga
dilakukan pengambilan sampel secara acak berulang-ulang hingga semua
sampel yang mungkin dapat ditarik dari populasi tersebut.
2. Standar error adalah standard deviasi dari rata-rata. Bila kita mempunyai
beberapa kelompok data, misalnya tiga kelompok, maka kita akan
mempunyai tiga buah nila rata-rata.
3. Central Limit Theorem (CLT) merupakan salah satuteorema paling
penting dalam matematikasttistik dan probabilitas. Teori ini digunakan
hamper disemua tempat dimana statistic matematika diterapkan. Kegunaan
teorem terletak pada kesederhanaan definisinya.

G. Saran
Diharapkan bagi pembaca dapat memahami tentang Distribusi Sampling :
”Standar Error &Sentral Limit Theorem”. Namun jika ada kekurangan dalam
penjelasan makalah ini kami mohon maaf kritik dan saran sangat kami perlukan.

14
 DAFTAR PUSTAKA

Mulyono. 2016.”Peran Pendidikan Keluarga di Era

Digital.”http://jateng.tribunnews. com/2016/04/12/forum-guru-peran-
pendidikan-keluarga-di-era-digital. Diunduhtanggal01 Mei 2020.

Santosa, T. Elizabeth. 2016. “Era Digital, Orang TuaButuhIlmu agar Tak Salah
MendidikAnak. http://edupost.id/parenting/era-digital-orang-tua-butuh-
ilmu-agar-tak-salah-mendidik-anak/. Diunduhtanggal 01 Mei 2020.

Rahmat. 2018. Pola Asuh Yang Efektif Untuk Mendidik Anak Di Era Digital.
Jurnal Pendidikan dan KebudayaanMissio (10) 2.137-273.

Putra. 2019. Model Pengasuhan Keluarga Dalam Mengurangi Penggunaan Media

Sosial Pada Anak. 343.

15