Modul Biostatistik Inferensial

MODUL PERKULIAHAN
Biostatistik Inferensial
FAKULTAS FARMASI DAN ILMU KESEHATAN

UNIVERSITAS SARI MUTIARA INDONESIA
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Taruli Rohana
FFIKes NERS MKK Sinaga
Visi Fakultas Visi Prodi

Menjadi Fakultas Farmasi dan Menjadi Program Studi Ilmu Keperawatan yang
Ilmu Kesehatan yang unggul, unggul, berkarakter, dan berdaya saing global khususnya
berkarakter, dan berdaya saing global bidang keperawatan kritis pada tahun 2038
khususnya bidang kesehatan
pada tahun 2038
2020 BIOSTATISTIKA – TARULI ROHANA SINAGA i

Kata Pengantar
Kemampuan analisis data baik analisa univariat, bivariat maupun

multivariat dirasakan sebagai hal yang mutlak untuk para calon tenaga
kesehatan/mahasiswa staf pengajar di Institusi Kesehatan maupun tenaga/staf
di Dinas Kesehatan. Sehubungan dengan hal tersebut perlu disusun sebuah
modul pembelajaran statistik kesehatan (biostatistik), dengan tujuan memberi
bekal pemahaman dan kemampuan mahasiswa dalam analisa statistik
inferensial (bivariat maupun multivariat).
Untuk mempermudah/memperlancar proses pembelajaran biostatistik
inferensial maka disusunlah modul ini. Mudah-mudahan modul ini dapat
membantu untuk mempermudah dalam memahami tiap-tiap sesi biostatistik
inferensial. Modul disusun dalam 2 (bagian) meliputi bagian pertama tentang
pengantar biostatistik inferensial dan bagian kedua tahapan analisis bivariate,
Terima kasih disampaikan kepada berbagai pihak yang telah
memberikan dorongan dalam penyusunan modul ini. Modul ini tetap tidak
terlepas dari ketidaksempurnaan. Untuk itu sangat diharapkan kritik dan saran,
demi kelengkapan dan kejelasan modul ini. Akhir kata semoga modul ini dapat
bermanfaat dan terima kasih atas partisipasi mahasiswa dalam pelaksanaan
proses pembelajaran biostatistik inferensial.
Medan, April 2020
Penyusun,
Taruli Rohana Sinaga
2020 BIOSTATISTIKA – TARULI ROHANA SINAGA i

Daftar Isi
Halaman
Kata Pengantar ……………………………………………………………………....... i
Daftar Isi ………………………………………………………………………... ii
BAB I Konsep,Teori dan Ruang Lingkup Biostatistik
Inferensial……………………………………………………………. 1
1.1 Definisi Statistik………………………………………………… 1
1.2 Penggolongan dan Jenis Statistik……………………………. 2
1.3 Pengertian Biostatistik…………………………………………. 3
BAB II Istilah-Istilah dan Simbol Dalam Biostatistik Inferensial………… 7
2.1 Skala Pengukuran……………………………………………... 7
2.2 Sumber Data……………………………………………………. 8
2.3 Tehnik Pengumpulan Data……………………………………. 9
2.4 Pengolahan Data………………………………………………. 9
2.5 Analisis Data……………………………………………………. 11
BAB III Kaidah dan Test Kemaknaan Dalam Biostatistik
Inferensial……………………………………………………………. 15
3.1 Nilai dan Test Kemaknaan…………………………………….. 17
BAB IV Konsep Uji Parametrik dan Non Parametrik……………………... 21

4.1 Pengertian Statistik Parametrik dan Non Parametrik………. 21
4.2 Syarat Uji Parametrik dan Non Parametrik………………….. 22
4.3 Uji Statistik Parametrik………………………………………… 22
4.4 Uji Statistik Non Parametrik…………………………………… 23
4.5 Menentukan Uji Statistk……………………………………….. 23
BAB V Konsep Dasar Analisis Bivariat……………………………………. 26
5.1 Perbedaan Suvstansi dan Perbedaan Statistik……………... 26
BAB VI Konsep Estimasi……………………………………………………. 29
6.1 Pendugaan Titik………………………………………………… 30
6.2 Pendugaan Interval…………………………………………….. 30
6.3 Pendugaan Parameter Populasi Dengan Sampel Besar….. 31
6.4 Pendugaan Parameter Populasi Dengan Sampel Kecil…… 33
BAB VII Konsep Uji Hipotesis……………………………………………….. 36
7.1 Pengertian Hipotesis (Hypothesis) Dan Jenis Hipotesis…… 36
7.2 Arah Dan Bentuk Uji Hipotesis………………………………... 38
7.3 Kesalahan Pengambilan Keputusan…………………………. 40
7.4 Menentukan Tingkat Kemaknaan…………………………….. 41
7.5 Jenis Uji Hipotesis……………………………………………… 41
7.6 Uji Beda Proporsi………………………………………………. 43
BAB VIII Uji Beda Dua Mean Independen dan Dependen (Uji t/T-test)…. 46
8.1Uji Beda Dua Mean Sampel Independen (Tidak
Berpasangan)…………………………………………………… 46
8.2 Uji Beda Dua Mean Sampel Dependen (Berpasangan)…… 48
BAB IX Uji Beda Lebih Dari Dua Mean ( Uji Anova)……………………... 53
BAB X Analisis Data Proporsi……………………………………………… 59
BAB XI Uji Chi – Square…………………………………………………….. 64
11.1 Uji Fisher Exact……………………………………………….. 65
BAB XII Uji Korelasi dan Regresi Linier Sederhana………………………. 69
12.1 Korelasi Product Moment……………………………………. 69
12.2 Langkah-langkah Menghitung Koefisien Korelasi Parsial... 70
2020 BIOSTATISTIKA – TARULI ROHANA SINAGA ii

12.3 Uji Korelasi Rank Spearman………………………………… 71
12.4 Uji Regresi Linier Sederhana……………………………….. 72
BAB XIII Uji Regresi Logistik Sederhana…………………………………… 77
13.1 Model Logostik………………………………………………… 80
13.2 Model Persamaan Regreso Logistik 81
Sederhana………………
BAB IV Populasi dan Sampel………………………………………………. 87
14.1 Populasi………………………………………………………... 87
14.2 Jenis Populasi…………………………………………………. 89
14.3 Sifat Populasi………………………………………………….. 90
14.4 Sampel…………………………………………………………. 90
14.5 Syarat Sampel Yang Baik……………………………………. 90
14.6 Alasan Menggnakan Sampel………………………………... 91
14.7 Tehnik Sampling………………………………………………. 92
14.8 Besar Sampel…………………………………………………. 95
14.9 Rumus Besar Sampel………………………………………… 96
2020 BIOSTATISTIKA – TARULI ROHANA SINAGA iii

BAB I :Konsep,Teori dan Ruang Lingkup Biostatistik Inferensial
POKOK BAHASAN :Konsep,Teori dan Ruang Lingkup Biostatistik Inferensial
DESKRIPSI SINGKAT POKOK BAHASAN:

Materi ini menjelaskan konsep, teori dan ruang biostatistik inferensial, manfaat
konsep dan teori biostatistik inferensial dalam penelitian kesehatan. Diharapkan
mahasiswa dapat memahami dan menjelaskan konsep, teori dan ruang lingkup
biostatistik inferensial.
METODE PEMBELAJARAN: Ceramah dan Diskusi
URAIAN MATERI:
KONSEP DASAR STATISTIK
1.1 Definisi Statistik

Kata statistik berasal dari bahasa latin yaitu status artinya negara. Metode
statistik ini dapat digunakan sebagai alat bantu untuk mengembangkan ilmu
pengetahuan serta dapat di aplikasikan terhadap berbagai disiplin ilmu seperti
ekonomi, manajemen, pertanian, serta ilmu bidang kedokteran, kesehatan
masyarakat, keperawatan, farmasi dan kebidanan.
Statistik merupakan ilmu yang mempelajari terkait dengan data dan sifat data
itu sendiri. Secara umum kegiatan statistik dimulai dari pengumpulan data,
pengolahan data, penyajian data, penganalisaan data, penarikan kesimpulan
serta pembuatan keputusan berdasarkan data yang diperoleh (Purwanto,
2012)
Statistik kesehatan merupakan ilmu yang mempelajari tentang data dan
informasi terkait masalah-masalah kesehatan. Statistik kesehatan dapat
digunakan untuk merencanakan program-program dalam pelayanan kesehatan,
membantu dalam menyelesaikan masalah-masalah kesehatan serta analisis
terhadap berbagai masalah kesehatan selama periode tertentu. Untuk statistik
kedokteran dapat digunakan untuk mengetahui informasi terkait dengan
masalah kedokteran seperti masalah angka kesakitan dan kematian akibat
penyakit tertentu. Dengan demikian informasi terhadap masalah kesehatan
tersebut dapat dimanfaatkan untuk perencanaan program pelayanan kesehatan
2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 1

dengan melakukan penelitian-penelitian sehingga digunakan untuk upaya
pencegahan dan pengobatan terhadap penyakit tertentu (Budiarto, 2002)
1.2 Penggolongan dan Jenis Statistik
Metode statistika telah digolongkan menjadi dua yaitu metode statistika
deskriptif dan metode statistika inferensia.
Statistika deskriptif merupakan kegiatan mulai dari pengumpulan data sampai
mendapatkan informasi dengan jalan menyajikan dan menganalisis data yang
telah dikumpulkan. Informasi yang didapatkan dari statistika deskripsi seperti
pemusatan data (mean, median, modus), penyebaran data (range, simpangan
rata-rata, varians dan simpangan baku).
Statistika inferensia mempelajari cara menganalisis data serta mengambil
kesimpulan (berkaitan dengan estimasi parameter dan pengujian hipotesis.
Metode ini sering disebut statistika induktif karena kesimpulan yang ditarik
didasarkan pada informasi dari sebagian data. Statistika inferensia dibagi dalam
dua kelompok yaitu statistika parametrik dan non parametrik.
Berdasarkan bentuk parameternya, jenis statistik terdiri dari statistik parametrik
dan statistik non parametrik. Statistik parametrik adalah merupakan statistik
dengan parameter populasi berdistribusi normal dan varians data bersifat
homogen. Statistik non parametrik adalah merupakan statistik dengan
parameter populasi tidak berdistribusi normal atau bebas dari persyaratan
tertentu dan varians data tidak harus homogen (Rachmat, 2013).
Gambar 1. Skema Penggolongan dan Jenis Statistik (Yuantari,S &

Handayani,S, 2016)

1.3 PENGERTIAN BIOSTATISTIK
Penggunaan metode statistik untuk memecahkan masalah kesehatan yang
unsur utamanya adalah manusia dikenal dengan Biostatistik. Biostatistika
merupakan ilmu terapan dari statistika dalam bidang biologi. Dalam
kenyataannya Biostatistika juga banyak digunakan dalam bidang kesehatan
dan kedokteran, karena keduanya memang terkait erat dengan bidang biologi.
Sedangkan statistika sebagai cabang ilmu matematika banyak digunakan
dalam pengambilan keputusan dan berkembang berdasarkan teori peluang
(probabilitas)
RUANG LINGKUP BIOSTATISTIK :
 Bidang Medis
 Bidang Kependudukan
 Kesehatan Lingkungan
 Keselamatan dan Kesehatan Kerja
 Kesehatan Reproduksi
 Epidemiologi
 Gizi Masyarakat
 Pendidikan Kesehatan dan Ilmu Perilaku
 Administrasi Kebijakan Kesehatan
FUNGSI STATISTIK
1. Sebagai alat bantu untuk mengumpulkan, mengolah, menganalisa dan
menyimpulkan hasil.
2. Statistika dapat meningkatkan efisiensi dengan membatasi dan
memastikan cara kerja dan cara pikir.
3. Statistika dapat meringkas hasil penelitian dalam bentuk yang sederhana
dan mudah dipahami.
4. Statistika dapat memberikan dasar untuk melakukan interpretasi dan
menarik kesimpulan.
5. Statistika dapat memberikan gambaran mengenai suatu peramalan untuk

waktu yang akan akan datang

6. Statistika dapat menguji/menganalisis faktor kausal dan perbedaan dari
sejumlah faktor yang kompleks dan rumit.
Biostatistik Induktif atau Biostatistik Inferensial Inferensial
Ilmu pengetahuan statistik yang bertugas mempelajari tata cara penarikan
kesimpulan mengenai keseluruhan populasi berdasarkan data hasil penelitian
pada sampel (bagian dari populasi) Berdasarkan asumsi yang mendasarinya,
statistik induktif dibedakan menjadi dua yaitu :
a. Statistik Parametrik. Pendugaan dan uji hipotesis dari parameter populasi
didasarkan anggapan bahwa skor-skor yang dianalisis telah ditarik dari suatu
populasi dengan ditribusi tertentu
b. Statistik Nonparametrik. Pendugaan dan uji hipotesis dari parameter
populasi anggapan bahwa skor-skor yang dianalisis telah ditarik dari suatu
populasi dengan bebas sebaran (tidak mengikuti distribusi tertentu).
RINGKASAN :
Penggunaan metode statistik untuk memecahkan masalah kesehatan yang
unsur utamanya adalah manusia dikenal dengan Biostatistik. Biostatistika
merupakan ilmu terapan dari statistika dalam bidang biologi.
RUANG LINGKUP BIOSTATISTIK :
 Bidang Medis
 Bidang Kependudukan
 Kesehatan Lingkungan
 Keselamatan dan Kesehatan Kerja
 Kesehatan Reproduksi
 Epidemiologi
 Gizi Masyarakat
 Pendidikan Kesehatan dan Ilmu Perilaku
 Administrasi Kebijakan Kesehatan

FUNGSI STATISTIK
1. Sebagai alat bantu untuk mengumpulkan, mengolah, menganalisa dan

menyimpulkan hasil.
2. Statistika dapat meningkatkan efisiensi dengan membatasi dan
memastikan cara kerja dan cara pikir.
3. Statistika dapat meringkas hasil penelitian dalam bentuk yang sederhana
dan mudah dipahami.
4. Statistika dapat memberikan dasar untuk melakukan interpretasi dan
menarik kesimpulan.
5. Statistika dapat memberikan gambaran mengenai suatu peramalan
untuk waktu yang akan akan datang
6. Statistika dapat menguji/menganalisis faktor kausal dan perbedaan dari
sejumlah faktor yang kompleks dan rumit.
Biostatistik Induktif atau Biostatistik Inferensial Inferensial
Ilmu pengetahuan statistik yang bertugas mempelajari tata cara penarikan
kesimpulan mengenai keseluruhan populasi berdasarkan data hasil penelitian
pada sampel (bagian dari populasi) Berdasarkan asumsi yang mendasarinya,
statistik induktif dibedakan menjadi dua yaitu :
a. Statistik Parametrik. Pendugaan dan uji hipotesis dari parameter
populasi didasarkan anggapan bahwa skor-skor yang dianalisis telah
ditarik dari suatu populasi dengan ditribusi tertentu.
b. Statistik Nonparametrik. Pendugaan dan uji hipotesis dari parameter
populasi anggapan bahwa skor-skor yang dianalisis telah ditarik dari
suatu populasi dengan bebas sebaran (tidak mengikuti distribusi
tertentu).
TEST/LATIHAN :
1. Jelaskan definisi tentang Ilmu Statistika?
2. Jelaskan pengertian dan tujuan Biostatistik
3. Jelaskan peranan statistik dalam penelitian

4. Jelaskan kegunaan statistik dalam bidang kesehatan
5. Apa saja ruang lingkup biostatistik
TUGAS:
Manfaat apa yang saudara dapatkan sebagai mahasiswa setelah mempelajari
konseo dan teori biostatistik inferensial, Jelaskan secara essay.
REFERENSI:
1. Luknis, S & Sutanto,P. Statistik Kesehatan, Salemba Medika, 2013.
2. Manton, R.F., et al Bimbingan Studi tentang Epidemiologi dan
Biostatistika, Jakarta, 2015.
3. Singgih Santoso, Menguasai Statistik Parametrik & Non Parametrik,
2015.
4. Statisik Untuk Kedokteran dan Kesehatan, M.Sopiyudin Dahlan, 2017.
5. Besar Sampel dan Pengambilan Sampel, M.Sopiyudin Dahlan, 2017.
6. Yuantari, C dan Handayani, S, Buku Ajar Biostatistik Deskriptif dan
Inferensial, 2016.
7. Mawarni, A, Buku Ajar Biostatistik Inferensial, FKM-UNDIP, 2017
8. Hulu, V & Rohana, S, Analisis Data Statistik Parametrik Aplikasi SPSS
dan STATCAL (Sebuah Pengantar Untuk Kesehatan), 2019.

BAB II :Istilah dan Simbol Dalam Biostatistik Inferensial
POKOK BAHASAN :Istilah-Istilah dan Simbol Dalam Biostatistik Inferensial

Materi ini menjelaskan tentang istilah-istilah dan symbol yang sering digunakan
dalam menerapkan biostatistik inferensial dalam penelitian kesehatan. Melalui
pertemuan ini diharapkan mahasiswa mampu memahami dan mengenal istilah
dan simbol yang sering diterapkan dalam mempelajari biostatistik inferensial
dan dapat menerapkan dalam penelitian.
URAIAN MATERI:
ISTILAH DAN SIMBOL DALAM BIOSTATISTIK INFERENSIAL

2.1 Skala Pengukuran
Penelitian yang dilakukan dengan teknik pengumpulan data melalui alat ukur
kuesioner, biasanya responden selalu memiliki jawaban yang berbeda-beda.
Penggunaan skala ukur berkaitan dengan jenis data yang digunakan. Secara
umum skala ukur yang digunakan dalam penelitian-penelitian kesehatan terdiri
dari skala nominal, skala ordinal, skala interval dan skala rasio. Berikut
penjelasan masing-masing skala ukur tersebut.

Tabel 2.1 Skala Ukur
Skala Ukur Definisi Contoh

Nominal Merupakan skala ukur 1. Jenis kelamin (Laki-laki,
yang tidak memiliki perempuan)
tingkatan, nilainya sama 2. Agama (Islam, Kristen,
atau sederajat. Pada Katolik, Budha, Hindu)
skala nominal memiliki
beberapa kategorik akan
tetapi antara kategorik
tidak dapat diketahui
tingkat perbedaannya.
Ordinal Merupakan skala ukur 1. Pendidikan (SD, SMP,
yang memiliki SMA, PT)
urutan/tingkatan, nilainya 2. Pendapatan (Rendah,
bertingkat. Pada skala Menengah, Tinggi)
ordinal memiliki beberapa 3. Tekanan darah tinggi
kategorik akan tetapi (Rendah, Normal, Tinggi)
antara kategorik dapat
diketahui tingkat
perbedaannya.
Interval Merupakan skala ukur 1. Suhu
yang tidak memiliki nilai
nol alami. Pada skala
interval merupakan
variabel numerik karena
tidak memiliki kategori
variabel.
Rasio Merupakan skala ukur 1. Berat badan
yang memiliki nilai nol 2. Tinggi badan
alami. Pada skala rasio 3. Jarak
juga merupakan variabel
numerik karena tidak
memiliki kategori variabel.
2.2 Sumber Data
Sumber data sangat penting dalam menentukan masalah penelitian,

ketersediaan sumber data merupakan salah satu pertimbangan para peneliti
dalam menentukan masalah penelitian. Sumber data penelitian berarti dari
mana data penelitian dapat diperoleh, apakah berasal dari masyarakat atau

responden maupun dari fasilitas pelayanan kesehatan seperti rumah sakit,
puskesmas dan klinik. Untuk memperoleh data penelitian dapat dilakukan
dengan cara menggunakan kuesioner atau wawancara kepada responden serta
melalui kegiatan observasi. Jika dalam penelitian tertentu menggunakan alat
ukur seperti instrumen atau kuesioner dan wawancara dalam pengumpulan
data maka sumber data adalah responden atau masyarakat, dalam hal ini
responden yang menjawab pertanyaan peneliti baik secara tertulis maupun
lisan.
Menurut (Eryando Tris, Sipahutar Tiopan, 2017) secara umum sumber data
dapat berasal dari masyarakat dan fasilitas atau institusi pelayanan. Data yang
diperoleh dari masyarakat dapat berupa informasi yang terdapat dan diperoleh
secara langsung dari masyarakat. Sedangkan data yang diperoleh dari institusi
pelayanan dapat berupa keseluruhan hasil dari berbagai kegiatan pelayanan
kesehatan baik kegiatan pelayanan kesehatan yang dikumpulkan secara rutin
maupun tidak rutin.
2.3 Teknik Pengumpulan Data
Teknik pengumpulan data kesehatan sangat penting dalam melakukan

penelitian-penelitian kesehatan. Jika pengumpulan data dilakukan dengan
benar maka akan memberikan informasi menjadi sahih serta dapat dipercaya.
Oleh karena itu pengumpulan data penelitian kesehatan dapat dilakukan
dengan berbagai cara seperti pengumpulan data dengan teknik wawancara,
observasi, kuesioner dan seterusnya.
Menurut (Handini M.C, 2017), pengumpulan data penelitian terdiri dari dua
bagian yaitu teknik pengamatan dan teknik komunikasi. Pengumpulan data
dengan menggunakan teknik pengamatan dapat dilakukan dengan pengamatan
langsung kepada responden dan tidak langsung karena menggunakan alat
bantu seperti laboratorium. Pengumpulan data dengan menggunakan teknik
komunikasi dapat dilakukan dengan komunikasi langsung melalui wawancara
kepada responden dan tidak langsung dengan menggunakan kuesioner tertulis.
2.4 Pengolahan Data
Penggunaan pengolahan data sangat penting dalam melakukan analisis data
penelitian kuantitatif. Pengolahan data merupakan langkah-langkah yang

digunakan untuk menganalisis data yang sudah diperoleh setelah melakukan
penelitian. Misalkan seorang mahasiswa yang sedang penelitian dengan
skripsi, maka hasil penelitian atau data yang sudah diperoleh dari lapangan,
pasti diolah untuk mendapatkan informasi terkait dengan data yang sudah
diperoleh selama penelitian.
Perlu diketahui bahwa dalam melakukan pengolahan data harus sesuai dengan
kode yang diberikan terhadap masing-masing variabel misalnya jenis kelamin
yaitu laki-laki diberi kode 1 dan perempuan diberi kode 2.
Langkah – langkah pengolahan data penelitian adalah sebagai berikut :
1. Pemeriksaan data (Editing)
Proses editing ini merupakan proses dengan melakukan pemeriksaan data
yang telah diperoleh dari lapangan setelah melakukan penelitian.
Pemeriksaan data berupa buku register, daftar pertanyaan atau jawaban
responden terhadap angket yang sudah dijawab oleh responden selama
penelitian dilakukan.
2. Pemberian Kode (Coding)
Proses pemberian coding merupakan tahap pemberian kode jawaban
terhadap angket atau kuesioner yang sudah dijawab responden selama
penelitian berlangsung. Pemberian kode ini berupa angka sehingga lebih
mudah dan sederhana. Misalnya pendidikan yaitu tamat SD diberi kode 1,
tamat SMP diberi kode 2, tamat SMA diberi kode 3 dan tamat PT/Akademi
diberi kode 4.
3. Pemasukan data (Entry)
Proses entry data merupakan proses dengan mamasukkan atau
memindahkan jawaban responden atau kode jawaban terhadap masing-
masing variabel ke dalam media tertentu misalnya master data (master
tabel). Proses entry data ini dapat dilakukan dengan memanfaatkan
program Microsoft Office Excel, kemudian baru dilakukan transfering data ke
paket program komputer seperti software SPSS, STATCAL, STATA dan
sebagainya, hal ini sesuai dengan software statistik yang digunakan.

4. Pembersihan Data (Cleaning Data)
Proses cleaning data merupakan proses pengecekan kembali data yang
sudah dimasukkan dalam bentuk master data atau software statistik
misalnya SPSS, STATCAL dan STATA. Proses cleaning data ini bertujuan
untuk mengetahui apakah data yang sudah di entry terdapat kesalahan atau
tidak.
5. Penyusunan Data (Tabulating Data)
Proses penyusunan data ini merupakan proses penyusunan data
sedemikian rupa agar mudah dijumlahkan, disusun untuk disajikan dan
dianalisis. Penyusunan data dapat dilakukan dengan menyusun data dalam
bentuk tabel distribusi frekuensi, tabel silang dan sebagainya.
2.5 Analisis Data
Setelah data dikumpulkan dari lapangan melalui kegiatan penelitian, maka data
yang kumpulkan tersebut diproses dengan teknik pengolahan dan analisis data.
Secara umum analisis data penelitian terdiri dari analisis univariat, bivariat dan
multivariat.
1. Analisis univariat merupakan analisis yang bertujuan untuk mengetahui
distribusi frekuensi pada setiap variabel penelitian. Analisis univariat hanya
mendeskripsikan masing-masing variabel penelitian. Menurut (Gunarto, M,
2018) bahwa analisis univariat dilakukan jika yang dianalisis hanya satu
variabel. Ukuran nilai-nilai statistik deskriptif yang digunakan pada analisis
ini adalah ukuran pemusatan data (misalnya rerata, median dan modus),
ukuran penyebaran data (misalnya range, simpangan baku dan varians),
serta melalui tabel distribusi frekuensi, grafik atau histogram.
2. Analisis bivarat. Pada analisis ini digunakan untuk menguji hubungan antara
dua variabel, yaitu hubungan antara masing-masing variabel independen
dengan variabel dependen. Menurut (Gunarto, M, 2018) pada teknik analisis
bivariat digunakan jika terdapat dua variabel yang akan dianalisis.
3. Analisis multivariat. Analisis ini digunakan untuk melihat hubungan atau

pengaruh beberapa variabel independen secara bersama-sama terhadap

variabel dependen. Menurut (Gunarto, M, 2018) jika lebih dari dua variabel
yang dianalisis dalam suatu penelitian disebut dengan teknik multivariat.
Secara skematis tahapan analisis statistik diuraikan sebagai berikut
(Mawarni, A, 2016).
ANALISIS STATISTIKA
Univariat Bivariat Multivariat
Minimum Uji Hubungan: Uji Hubungan :

Maximum -Korelasi Pearson, - Kor Ganda
Mean/median Kor Spearman , Chi Square - Regres. Linear
/modus Uji Pengaruh : Ganda
Standar deviasi - Regresi Linear Sederhana, - Regr. Log.Ganda
Distribusi Frek , - Regresi Logistik Sederhana
Grafik Uji Beda :
- Uji t , Uji Z, Anova,
Mann Whitney, Uji tanda
• STATISTIKA
Parametrik Non Parametrik
-Skala pengukuran - Skala pengukuran

rasio /interval nominal/ordinal
- Sampel besar (n>= 30) - Sampel kecil ( n < 30)
- Distribusi normal - Bebas Distribusi
*Kor. Pearson * Kor.Rank, Chi Square

* Reg. Linear * Reg.Logistik
*Uji t * Uji Mann Whitney
* Anova, Manova * Kruskell Walls

Pertanyaan Penelitian
Hubungan Pengaruh Perbedaan
Hipotesis Hipotesis Hipotesis

Hubungan Pengaruh Perbedaan
Kor.Pearson Regresi Uji t, Uji Z

Kor Rank. -Linear Anova, Manova
Kor Ganda -Logistik Mann Whitney
Chi Square Uji tanda
RINGKASAN:
Beberapa istilah dan simbol yang digunakan dalam biostatistik inferensial yaitu,
skala pengukuran, sumber data, teknikpengumpulan data, pengolahan data,
analisa data, statistik parametrik, statistik non parametrik dan tahapan analisa
dalam statistik inferensial mulai dari analisis univariat, bivariat dan multivariat.
TEST/LATIHAN:
1. Uraikan klasifikasi data beserta contohnya
2. Jelaskan skala data dan berikan contohnya
3. Jelaskan beberapa metode dalam pengumpulan data
4. Jelaskan beberapa jenis penyajian data
5. Jelaskan prosedur pengolahan data
TUGAS :
Analisislah masing-masing metode dalam pengumpulan data, jelaskan
kelemahan & kelebihannya.

REFERENSI:
2015.
6. Yuantari, C dan Handayani, S, Buku Ajar Biostatistik Deskriptif dan
Inferensial, 2016.

BAB III : Kaidah dan Test Kemaknaan Dalam Biostatistik Inferensial
POKOK BAHASAN :Kaidah dan Test Kemaknaan Dalam Biostatistik Inferensial
Materi ini menjelaskan tentang kaidah-kaidah dan konsep test kemaknaan

dalam biostatistik inferensial. Melalui pertemuan ini diharapkan mahasiswa
mampu memahami kaidah-kaidah yang berlaku dalam mempelajari biostatistik
inferensial dan dapat menerapkan dalam penelitian serta konsep test
kemaknaan dalam biostatistik inferensial.
URAIAN MATERI:
KAIDAH DAN KONSEP TEST KEMAKNAAN

Permasalahan kesehatan masyarakat multifaktor penyebabnya. Oleh karena itu
diperlukan tools atau alat yang dapat membantu kita untuk memecahkan
masalah tersebut. Alat yang dimaksud adalah ilmu statistik yang dalam hal ini
statistik kesehatan atau disebut juga biostatistik khususnya dalam materi ini
biostatistik inferensial. . Kenapa perlu statistik dalam pemecahan masalah,
dapat diuraikan seperti skema berikut:

Mempelajari biostatistik inferensial/analitik beberapa hal pokok yang perlu
dipahami antara lain :
a. Cara menganalisi data
b. Pengambilan keputusan hasil uji
c. Berkaitan dengan sebagian analisis data sampai ke penarikan
kesimpulan mengenai keseluruhan data
d. Generalisasi data sampel terhadap populasi
e. Terdiri dari uji parametrik dan non parametrik
Berikut tampilan skematis jenis uji statistic inferensial baik uji parametrik
maupun non parametrik serta kelompok uji beda sebagai uji yang tergolong
dalam uji parametrik:
1.

3.1 Nilai Signifikansi /test kemaknaan (α)
Nilai α biasanya disebut derajat kemaknaan atau level signifikansi suatu
penelitian. Jika kita cermati secara lebih mudah maka nilai α sebenarnya identic
dengan kesalahan suatu penelitian. Suaru penelitian yang menggunakan α= 5
% artinya tingkat kesalahan penelitian tersebut 5%, secara sederhana bias kita
identikkan bahwa diantara 100 kejadian sebanyak 5 ada kejadian yang
menyimpang.
Hipotesis Nol Keputusan uji diterima Keputusan uji ditolak

Benar Benar Error tipe I(α)
Salah Error tipe II (β) Benar
• Error Tipe I, Keputusan uji menyatakan ada perbedaan yang pada

hakikatnya atau dipopulasinya tidak ada perbedaan.
• Error tipe II, Keputusan uji menyatakan tidak ada perbedaan yang pada
hakikatnya ada perbedaan
• 1-β= Power ( kekuatan ) uji
Nilai α adalah sama dengan nilah proporsi luas daerah penolakan terhadap
keseluruhan luas kurva. Berdasarkan table di atas α diartikan sebagai sebagai
kekeliruan untuk menolak hipotesis ternyata hipotesis tersebut benar. Besarnya
α ditentukan oleh peneliti. Lazimnya untuk penelitian social cebderung
menggunakan α 0,10 sampai dengan 0,05 atau lebih besar dari angka tersebut.

Untuk penelitian eksperimen atau di laboratorium diusahakan sekecil mungkin
misalnya 0,01 atau 0,001.
Pada uji dua sisi seperti pada penelitian kesehatan, maka secara otomatis nilai
α akan dibagi dua, untuk nilai kritis daerah sebelah kanan (positif) dan nilai kritis
sebelah kiri (negatif). Pada uji satu sisi nilai α tetap utuh, artinya daerah
penolakannya hanya pada sebelah kanan atau sebelah kiri. Pada saat uji dua
sisi, sisi sebelah kiri secara ototmatis nilai pada table menjadi negatif, demikian
halnya pada uji satu sisi sebelah kiri.
Pada uji satistik non parametrik dan anova selalu menggunakan uji dua sisi,
namun nilai α tidak perlu dibagi dua. Oleh karea itu pada saat melihat tabel dan
penentuan daerah penolakan digunakan satu sisi sebelah kanan, karena dalam
uji non parametrik dan anova ini tidak dikenal angka negatif.

RINGKASAN :
Kaidah-kaidah yang berlaku pada biostatistik inferensial menyangkut beberapa
hal yaitu :
a. Cara menganalisi data
b. Pengambilan keputusan hasil uji
c. Berkaitan dengan sebagian analisis data sampai ke penarikan
kesimpulan mengenai keseluruhan data
d. Generalisasi data sampel terhadap populasi
e. Terdiri dari uji parametrik dan non parametrik
Nilai α biasanya disebut derajat kemaknaan atau level signifikansi suatu
penelitian. Jika kita cermati secara lebih mudah maka nilai α sebenarnya identic
dengan kesalahan suatu penelitian. Suaru penelitian yang menggunakan α= 5
% artinya tingkat kesalahan penelitian tersebut 5%, secara sederhana bias kita
identikkan bahwa diantara 100 kejadian sebanyak 5 ada kejadian yang
menyimpang.

TEST/LATIHAN:
1. Sebutkan hal pokok yang perlu dipahami dalam biostatistik inferensial
2. Jelaskan konsep test kemaknaan
3. Sebutkan contoh uji beda non parametric
TUGAS:
Jelaskan perbedaan test kemaknaan 5%, 10%
REFERENSI:
2015.

6. Yuantari, C & Handayani, S, Buku Ajar Biostatistik Deskriptif dan
Inferensial, 2016.

BAB IV : Konsep Uji Parametrik dan Non Parametrik
POKOK BAHASAN :Uji Parametrik dan Non Parametrik

Materi ini menjelaskan tentang konsep uji parametrik dan non parametrik dalam
biostatistik inferensial. Melalui pertemuan ini diharapkan mahasiswa mampu
memahami konsep uji parametrik dan non parametrik serta dapat membedakan
uji apa yang akan diterapkan dalam penelitian.
URAIAN MATERI:
KONSEP STATISTIK PARAMETRIK DAN NON PARAMETRIK
4.1 Pengertian Statistik Parametrik dan Non Parametrik

Secara garis besar ilmu statistik dibagi menjadi dua yaitu:
a. Statistik parametrik
b. Statistik non parametrik
Statistik parametrik yaitu statistik yang digunakan untuk menguji hipotesis yang
variabelnya terukur, digunakan untuk menguji data dengan sebaran data
normal dengan skala data yang digunakan adalah interval dan rasio. Contoh uji
statistik parametrik yaitu uji-z, uji-t, korelasi pearson, anova dan lain
sebagainya. Adapun keunggulan statistik parametrik adalah hasil uji statistik
parametrik terhadap populasi tajam.
Statistik non parametrik yaitu statistik yang digunakan untuk menguji hipotesis
yang variabelnya tidak memiliki kepastian (standart), digunakan untuk menguji
data tanpa melihat sebaran data baik normal maupun tidak normal dengan
skala data yang digunakan adalah nominal dan ordinal. Contoh metode statistik
yang digunakan dalam statistik non parametrik yaitu Rank spearman, fisher
exact, chi square dan lain sebagainya. Adapu keunggulan statistik non
parametrik adalah tidak membutuhkan asumsi normalitas dan jumlah sampel
kecil (Yuantari, C dan Handayani, S, 2016).

4.2 Syarat Uji Statistik Parametrik Dan Non Parametrik
Dalam mengolah data diperlukan kejelian dalam pemilihan uji statistik yang
akan digunakan. Berikut beberapa syarat yang harus diperhatikan dalam
memilih uji:
a. Syarat uji statistik parametrik
1. Distribusi data normal
2. Sampel diambil secara random
3. Varians kelompok sama
4. Skala pengukuran interval/rasio
b. Syarat uji statistik nonparametrik
1. Distribusi data normal maupun tidak normal
2. Sampel diambil secara random maupun tidak
3. Variasi kelompok tidak sama
4. Skala pengukuran nominal/ordinal Jika salah satu syarat uji statistik
parametrik tidak dapat dipenuhi maka uji statistik harus menggunakan uji
statistik non parametrik.
4.3 Uji Statistik Parametrik
Keunggulan uji statistik parametrik:
a. Syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak
diuji dan dianggap memenuhi syarat, pengukuran terhadap data dilakukan
dengan kuat
b. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi
normal serta memiliki varian yang homogen.
Macam-macam uji statistik parametrik:
a. z-test
b. t-test
c. tes proporsi
d. uji korelasi pearson
e. analisis varian

4.4. Uji Statistik Non Parametrik
Keunggulan statistik non parametrik:
a. Asumsi uji nonparametrik lebih longgar, yaitu jika syarat uji parametrik tidak
dapat terpenuhi (misalnya distribusi data tidak normal) maka statistik
nonparametrik lebih sesuai digunakan
b. Perhitungannya dapat dilaksanakan dengan cepat dan mudah
c. Uji statistik nonparamterik dapat diterapkan jika menghadapi keterbatasan
data misalnya skala data lemah (nominal/ordinal)
d. Dengan jumlah sampel yang sedikit uji statistik nonparametrik lebih efisien.
Macam-macam uji statistik nonparametrik:
a. Uji tanda
b. Uji wilcoxon
c. Uji rank spearman
d. Uji kendall
e. Uji run
f. Uji median
g. Uji chi square
4.5 Menentukan Uji Statistik
Untuk memudahkan memilih uji statistik yang tepat untuk diaplikasikan kedalam
penelitian, dapat dilihat tabel dibawah ini.
Tabel 4.1 Jenis Uji Statistik
Macam Bentuk Hipotesis
Data Komparatif (2 Sampel) Komparatif (> 2 Sampel) Asosiasi
(Hubungan)
Related Independen Related Independen
Nominal Mc Nemar Fisher X2 untuk K sampel X2 untuk K Contingency
exactprobability Cohran Q sampel Coefficient C
Chi-Square
Ordinal Sign test Median test Friedman-two- Median Spearman rank
Wilcoxon matched Mann Whitney U way-anova extension correlation
Pairs test Krusskall wallis- Kendall tau
Kplmpgprpv one-way-anova
smirnov
Waldwoldfowizt
Interval, T test of related T test One way anova One way anova Pearson product
ratio (pair) independen Two way anova Two way anova moment
Partial correlation
Multiple
Correlation
Regresi

Untuk mempermudah menentukan uji beda (komparatif) dapat dilihat atbel
dibawah ini:
Tabel 4.2 Uji Beda/ Uji Komparatif
Jumlah Variabel Keterikatan Variabel Uji Parametrik Uji Non Parametrik
2 Variabel Independen Uji t-test (n kecil) Mann-Whitney/Uji Median

Uji Z ( n besar) Uji chi square
Related Paired T-test Sign test
Wilcoxon test
Uji mc-nemar
> 2 Variabel Independen Anova/uji F Kruskal wallis
Manova (Multivariat
Anova)
Related Repeated measure Friedman
Kedall’s w
Cohran’s Q
RINGKASAN :
Uji yang akan dibahas dalam bab ini adalah uji parametrik dan nonparametrik.
Kegunaan uji parametrik dan nonparametrik. Ketentuan dalam pemilihan uji
parametrik dan non parametrik.
TEST/LATIHAN:
1. Jelaskan perbedaan uji statistik parametrik dan nonparametrik

2. Sebutkan syarat yang harus dipenuhi untuk dapat menggunakan uji statistik
parametrik?
3. Jika syarat uji parametrik tidak terpenuhi apa yang harus dilakuka peneliti?
TUGAS:
Jelaskan Syarat yang harus dipenuhi untuk mengguinakan uji non parametrik.

REFERENSI:
2015.
Inferensial, 2016.

BAB V : Konsep Dasar Analisis Bivariat
POKOK BAHASAN :Konsep Dasar Analisis Bivariat

Materi ini menjelaskan tentang konsep konsep dasar analisis dalam biostatistik
inferensial. Melalui pertemuan ini diharapkan mahasiswa mampu memahami
konsep dasar analisis bivariat.
URAIAN MATERI:
ANALISIS BIVARIAT
Setelah diketahui karakteristik masing-masing variabel dapat diteruskan
analisis lebih lanjut. Pada analisis univariat, misalnya ada dua variabel : jenis
pembayaran berobat dan kepuasan pasien, kita hanya melakukan
pendeskripsian sendiri-sendiri untuk variabel jenis pembayaran dan kepuasan
pasien. Untuk variabel jenis pembayaran akan diketahui berapa persen yang
berobat dengan biaya sendiri dan berapa persen yang dibiayai askes. Begitu
juga untuk variabel kepuasan pasien, akan diketahui berapa persen yang puas
dan berapa persen yang tidak puas.
Apabila diinginkan analisis hubungan antara dua variabel, dalam contoh diatas
berarti kita ingin mengetahui hubungan jenis pembayaran dengan kepuasan
pasien, maka analisis dilanjutkan pada tingkat bivariat. Pada analisis bivariat
kita dapat mengetahui apakah ada perbedaan kepuasan pasien antara pasien
dengan membayar sendiri dengan pasien dengan biaya askes. Kegunaan
analisis bivariat bisa untuk mengetahui apakah ada hubungan yang siginifikan
antara dua variabel, atau bisa juga digunakan untuk mengetahui apakah
ada perbedaan yang signifikan antara dua atau lebih kelompok(sampel).
Tujuan Bivariat:
Mengetahui hubungan antara satu variabel dengan variabel lain
5.1 Perbedaan Substansi/Klinis dan Perbedaan Statistik
Perlu dipahami/disadari bagi peneliti bahwa berbeda bermakna/signifikan

secara statistik tidak berarti (belum tentu) bahwa perbedaan tersebut juga
bermakna dipandang dari segi substansi/klinis. Seperti diketahui bahwa

semakin besar sampel yang dianalisis akan semakin besar menghasilkan
kemungkinan berbeda bermakna. Dengan sampel besar perbedaan-perbedaan
sangat kecil, yang sedikit atau bahkan tidak mempunyai manfaat secara
substansi/klinis dapat berubah menjadi bermakna secara statitik. Oleh karena
itu arti kegunaan dari setiap penemuan jangan hanya dilihat dari aspek statistik
semata, namun harus juga dinilai/dilihat kegunaannya dari segi
klinis/substansi. Sebagai contoh ada studi eksperimen yang akan menguji dua
obat (katakanlah obat A dan Obat B) untuk mengathui pengaruhnya terhadap
penurunan tekanan darah. Kemudian obat A dan B diujicobakan pada dua
kelompok relawan penderita hipertensi. Hasil eksperimen didapatkan bahwa
rata-rata penurunan tekanan darah setelah minum obat A adalah 40 mmHg
dan pada kelompok yang minum Obat B rata- rata penurunannya 39 mmHg.
Kemudian dilakukan uji statistik dan hasilnya signifikan/bermakna (p value <
alpha), apa yang dapat disimpulkan dari temuan ini? Secara statistik memang
terjadi perbedaan bermakna, namun secara substansi tidaklah mempunyai
perbedaan yang berarti, oleh karena perbedaan mean penurunan tekanan
darah antara obat A dan B hanya 1 mmHg. Dengan hasil ini dapat disimpulkan
bahwa sebenarnya antara obat A dan B tidak ada perbedaan (sama saja)
kasiatnya.
RINGKASAN:
Perlu dipahami/disadari bagi peneliti bahwa berbeda bermakna/signifikan
secara statistik tidak berarti (belum tentu) bahwa perbedaan tersebut juga
bermakna dipandang dari segi substansi/klinis. Seperti diketahui bahwa
semakin besar sampel yang dianalisis akan semakin besar menghasilkan
kemungkinan berbeda bermakna. Dengan sampel besar perbedaan-perbedaan
sangat kecil, yang sedikit atau bahkan tidak mempunyai manfaat secara
substansi/klinis dapat berubah menjadi bermakna secara statitik. Oleh karena
itu arti kegunaan dari setiap penemuan jangan hanya dilihat dari aspek statistik
semata, namun harus juga dinilai/dilihat kegunaannya dari segi klinis/substansi.

TEST/LATIHAN:
1. Jelaskan apa yang dimaksud dengan analisis bivariat
2. Jelaskan tujuan analisis bivariat
TUGAS:
Telusuri sebuah penelitian yang analisisnya menggunakan analisis bivariate

(telusuri melalui jurnal).
REFERENSI:

2015.
Inferensial, 2016.

BAB VI : Konsep Estimasi
POKOK BAHASAN :Konsep Dasar Estimasi
Materi ini menjelaskan tentang konsep konsep estimasi, bentuk estimasi. Dan
ciri-ciri estimasi yang baik dalam biostatistik inferensial. Melalui pertemuan ini
diharapkan mahasiswa mampu memahami konsep dasar estimasi.
URAIAN MATERI:
ESTIMASI/PENDUGAAN/PERKIRAAN
Estimasi atau pendugaan atau perkiraan adalah suatu metoda , dimana kita
dapat menduga nilai/ karakteristik (parameter) populasi dari hasil sampel
(statistik). Estimasi atau pendugaan terbagi dua yaitu: estimasi titik dan estimasi
interval.
Pada bab ini akan mempelajari bagaimana cara melakukan pendugaan
parameter populasi berdasarkan statistik yang dihitung dari sampel. Cara
pengambilan kesimpulan tentang parameter yang pertama kali akan dipelajari
ialah sehubungan dengan cara-cara menaksir harga parameter. Harga
parameter yang sebenarnya tetapi tak diketahui itu akan ditaksir berdasarkan
statistik sampel yang diambil dari populasi yang bersangkutan. Penduga yang
baik adalah merupakan penduga tidak bias, harapan penduga sama dengan
yang diduga. Disamping itu penduga yang efisien, bila ada lebih dari satu
penduga maka yang mempunyai variasi paling kecil. Penduga yang konsisten
bila sampel diambil makin besar maka akan mendekati sesungguhnya. Adapun
simbol θ adalah penduga populasi. Berikut secara ringkas ditampilkan symbol
parameter di populasi dan nilai statistik pada sampel.
PARAMETER (POPULASI) STATISTIK (SAMPEL)
Rerata Populasi (µx) Rerata Sampel (X)
Varian Populasi (σx )
2
Varian Sampel (Sx2)
Standar Deviasi Populasi (σx ) Standar Deviasi Sampel (Sx)

6.1 PENDUGAAN TITIK
Dalam menentukan pendugaan ada dua jenis pendugaan yaitu pendugaan titik
dan pendugaan interval. Bila nilai parameter θ dari populasi hanya diduga
dengan memakai satu nilai statistik dari sampel yang diambil dari populasi
maka disebut pendugaan titik. Semakin dekat nilai penduga dengan nilai yang
diduga maka penduga akan semakin baik. Misalkan bila diambil sampel 100
mahasiswa didapatkan bahwa rata-rata berat badan mahasiswa Prodi
Kesehatan Masyarakat kadalah 45 kg sedangkan hasil pengambilan rata-rata
populasi mahasiswa Fakultas Farmasi dan Ilmu Kesehatan USM-Indonesia 46
kg. Sehingga ada dua nilai populasi dan sampel yang berbeda, ada keraguan
dalam menentukan rata berat badan mahasiswa yang sesungguhnya.
Pendugaan titik memiliki kelemahan dan sulit dipertanggungjawabkan secara
statistik. Contoh lain adalah misal dari suatu survey cepat yang terdiri dari 210
ibu hamil di kota Medan didapat rata-rata kadar Hb 9,5 gr%, maka disimpulkan
bahwa kadar Hb bumil di kota Medan adalah 9,5 gr%. Kelemahan pendugaan
titik ini adalah sering meleset / salah, tidak diketahui derajat kebenaran dari
pendugaan oleh karena itu digunakan estimasi selang atau interval.
6.2 PENDUGAAN INTERVAL

Bila nilai parameter θ dari populasi diduga dengan memakai beberapa nilai
statistik θ yang berada dalam suatu interval, sehingga dapat digambarkan
sebagai berikut : θ1 < θ < θ2, maka statistik θ disebut penduga interval. Contoh
: rata-rata berat badan mahasiswa Fakultas Kesehatan diduga memakai
interval 50< θ < 60, artinya ratarata berat badan mahasiswa terletak pada
interval tersebut. Kita dapat menduga juga bahwa berat badan mahasiswa
Fakultas Kesehatan antara 45< θ<65. Makin lebar interval, makin besar
kepercayaan atau keyakinan kita bahwa ratarata berat badan mahasiswa
terletak pada interval tersebut. Dalam praktiknya kita sebaiknya memakai suatu
interval yang sempit, tetapi mempunyai derajat kepercayaan atau derajat
keyakinan yang dapat diterima. Derajat penduga θ disebut koefisien
kepercayaan yang ditulis dengan α dimana 0< θ<1 dan dinyatakan dalam
bentuk probabilitas. Misalnya P (θ1< θ< θ2) = 0,95 artinya dengan probabilitas
0,95 bahwa sampel acak yang kita ambil akan menghasilkan suatu interval

θ1<θ<θ2 yang mengandung parameter θ dari populasi. Contohnya dalam berat
badan 50<θ<60 = 0,95; dalam statistika biasanya yang dipilih adalah interval
yang lebih pendek, tetapi dengan probabilitas yang tinggi atau dengan derajat
kepercayaan yang tinggi.
Konsep dari estimasi selang ini adalah bahwa semua sampel yang diambil dari
populasi akan berdistribusi normal (CLT) dengan simpangan baku SE. Interval
pendugaan adalah jarak luas kurva normal yang disebut sebagai derajat
kepercayaan “Confidence Interval” atau disingkat CI. Adapun estimasi selang
(pendugaan interval) untuk data numerik atau rata-rata (μ) seperti ulasan
berikut:
Rumus umum:
X- Z 1/2α SE≤ Parameter ≤ X + Z 1/2α SE
atau

ˆ  x  z1 / 2 SE
Untuk data kategorik pendekatannya selalu ke kurva normal dan symbol
pendugaan parameter proporsi yaitu π dengan ulasan sebagai berikut:
Dalam analisis univariabel maka X = np
Simpangan baku npq
Standar Error :
pq
SE 
n
Rumus umum:
ˆ  p  Z1/ 2 SE
atau
p.q
ˆ  p  Z1/ 2
n
6.3 PENDUGAAN PARAMETER POPULASI DENGAN SAMPEL BESAR
Bila pada suatu populasi diambil sampel acak yang besar, maka statistik θ akan
mempunyai distribusi normal, sehingga dapat ditansformasi menjadi distribusi
normal standar.

Penaksiran dilakukan diantara 2 nilai estimasi, ada batas bawah & batas atas
berdasarkan interval kepercayaan tertentu. Semakin tinggi interval kepercayaan
yg digunakan, maka interval semakin baik.
Interval kepercayaan 90% 1,64
Semakin sempit interval yang dihasilkan dalam estimasi, maka penaksiran
presisi (semakin tepat).
a. Contoh soal estimasi parameter rata-rata (μ)
Dari suatu penelitian di kota Medan sebanyak 144 ibu hamil didapat kadar Hb
mereka
X =9,5 gr%. Perkirakanlah atau dugalah di populasinya kalau selama ini
diketahui σ=2gr% pada CI 95%.
Penyelesaian :
μ = x ± z1/2α σ/√n
μ= 9.5 ± 1.96 x 2/√144
= 9.5 ± 0.3
= { 9.2 ; 9.8 } gr% ………CI 95%
Artinya : 95% kita dapat mempercayai bahwa rata-rata kadar HB ibu hamil di
kota Medan sesungguhnya berkisar antara 9.2 sampai dengan 9.8
gr%
b. Contoh soal estimas parameter proporsi (π)
Telah diambil secara random 50 orang mahasiswa Prodi Kesehatan
Masyarakat FFIKes USM-Indonesia, dan didapatkan 10 orang perokok,
perkirakanlah berapa proporsi perokok di populasinya? CI= 95%.

Penyelesaian :
P= 10/50= 0,20
0,2 x0,8
ˆ  0,2  1.96  0,2  0,11
50
=0,20,11={0,09 ; 0,31}……CI 95%
Hal ini berarti : 95% dapat diyakini bahwa proporsi perokok di Prodi Kesehatan
Masyarakat FFIKes USM-Indonesia berada antara 9% sampai dengan 31%.
6.4 PENDUGAAN PARAMETER POPULASI DENGAN SAMPEL KECIL

Pendugaan itu berlaku untuk populasi berdistribusi normal maupun tidak
normal. Jarang sekali variansi σ2 dari suatu populasi diketahui. Akan tetapi, bila
sampel yang kita ambil bersifat acak dan berukuran besar maka σ 2 dapat
ditaksir dengan variansi yang dihitung dari sampel, yaitu:
Dengan sampel yang besar, maka fluktuasi S2 tidak akan terlalu besar, artinya
nilai-nilai S2 tidak akan terlalu berbeda antara sampel yang satu dengan
sampel yang lain. Sehingga variasi σ 2 dari populasi dapat didekati dengan
variasi dari sampel, yaitu S2, karena S2 merupakan penduga yang baik untuk
σ2. Dalam hal ini, apapun distribusi populasinya, normal atau tidak normal,
maka statistik:
Dalam hal sampel yang kita ambil jumlahnya kecil, ternyata distribusi dari
statistik tersebut merupakan distribusi student yang ditulis t yaitu :
Contoh soal :

Suatu penelitian yang dilakukan terhadap 25 orang penderita penyakit jantung
koroner (PJK) terhadap kadar kolesterol mereka. Dari sampel tersebut
didapatkan rata-rata 210 gr/dl dengan simpangan baku/standar deviasi 50 gr/dl.
Berapakah kadar kolesterol pada penderita PJK pada 95% CI?
Penyelesaian:
Dalam kasus ini varian populasi tidak diketahui dengan demikian tidak dapat
dipakai distribusi Z dan harus dipakai distribusi t (Student)
 s
  x  t1/ 2
df n
 50
  210  2.064 x  210  20.64
25
μ= 210 ± 20,64
μ= { 189.36 ; 231.64} gr/dl………CI 95%
Maka dapat diartikan : 95% dapat dipercaya bahwa rata-rata kadar kolesterol
pada penderita PJK berada antara kisaran 189.36 sampai dengan 231.64 gr/dl
RINGKASAN:
Materi yang disajikan pada bab ini meliputi : populasi dan sampel, cara
menduga yang baik, pendugaan titik, pendugaan interval, pendugaan
parameter populasi dengan sampel besar dan kecil.
TEST/LATIHAN:
Rata-rata tekanan darah sistolik untuk 100 orang sehat didapatkan 73 mmHg
dan simpangan baku 11,6 mmHg. Hitunglah µ pada 95% confiden interval.
TUGAS:
1. Kadar Hb laki-laki dewasa normal diketahui 15gr/100ml dengan standar
deviasi 2 gr. Dari penelitian terhadap kelompok kerja tertentu diperoleh 25
orang pekerja tersebut dengan kadar HB = 16,0 gr/100ml. Tentukan berapa
kadar HB di populasi pekerja tersebut pada CI 95% dan bandingkan hasilnya
dengan kadar Hb laki-laki dewasa. Apa interpretasi saudara.

2. Dari suatu penelitian dengan CI 95% didapatkan kadar kolesterol dengan
rata-rata (μ) : (125;165) mg/dl. Jelaskan apa makna angka tersebut.
REFERENSI:
2015.
Inferensial, 2016.

BAB VII : Konsep Uji Hipotesis
POKOK BAHASAN : Konsep Uji Hipotesis

Materi ini menjelaskan tentang konsep konsep hipotesis, arah atau bentuk uji
hipotesis dan mprosedur uji hipotesis. Melalui pertemuan ini diharapkan
mahasiswa mampu memahami konsep dasar uji hipotesis, arah atau bentuk
serta prosedur uji hipotesi serta jenis-jenis uji hipotesis.
URAIAN MATERI:
UJI HIPOTESIS/SIGNIFICANCE TESTING (TEST KEMAKNAAN)
Pengujian hipotesis membantu pengambilan keputusan dalam menolak atau
menerima suatu hipotesis yang diajukan. Keyakinan menolak atau menerima
berdasarkan pada besarnya peluang untuk memperoleh hubungan secara
kebetulan. Prinsip uji hipotesis adalah melakukan perbandingan nilai sampel
atau data hasil penelitian dengan nilai hipotesis atau nilai populasi yang
diajukan.
7.1 PENGERTIAN HIPOTESIS (HYPOTHESIS) DAN JENIS HIPOTESIS

Berasal dari bahasa Yunani, Hupo : sementara ;Thesis=pernyataan/dugaan.
Karena merupakan pernyataan sementara maka hipotesis harus diuji
kebenarannya. Hipotesis terbagi dua yaitu hipotesis penelitian (reseach
hypothesis) dan hipotesis statistik (Statistical hypithesis). Kriteria
menterjemahkan dugaan penelitian ke dalam hipotesis statistik dalam bentuk
H0 dan H1(Ha). H0 dan H1(Ha) ini bersifat komplementer artinya apa yang ada
dalam H0 tidak terdapat dalam H1 dan sebaliknya dalam notasi:
Hipotesis nol (Ho) menyatakan bahwa tidak ada perbedaan kejadian diantara
dua kelompok atau tidak ada hubungan antara satu variabel dan variabel yang

lain. Sedangkan alternatif (Ha) menyatakan bahwa terdapat perbedaan suatu
kejadian diantara dua kelompok atau terdapat hubungan satu variabel dengan
variabel yang lain (Yuantari, C & Handayani, S, 2016).
Hipotesis adalah anggapan dasar/asumsi atau dugaan mengenai sesuatu hal

yang harus dibuktikan kebenarannya. Hipotesis statistik merupakan anggapan
dasar/asumsi atau dugaan mengenai parameter populasi (khususnya nilai-nilai
parameter). Sedangkan pengujian hipotesis adalah prosedur untuk menentukan
apakah menerima atau menolak hipotesis yang dibuat.

Tujuan dari hipotesis adalah untuk menduga tentang karakter suatu populasi
didukung oleh informasi yang diperoleh dari data sampel atau tidak.
7.2 ARAH DAN BENTUK UJI HIPOTESIS

Bentuk hipotesis alternatif dapat menentukan arah uji statistik yaitu satu arah
(one tail) atau dua arah (two tail).
1. Satu arah dipilih bila hipotesis alternatif menyatakan bahwa terdapat
perbedaan satu sama lain lebih tinggi atau lebih rendah. Contoh hipotesis
penelitian:
 Pekerja perokok lebih cepat lelah dibandingkan yang tidak merokok
 Ada dugaan bahwa secara rata-rata tingkat partisipasi masyarakat
desa dalam pembangunan lebih tinggi dari pada rata-rata tingkat
partisipasi masyarakat kota.
Contoh hipotesis statistik:
Ho : μD ≥ μK dan Ha μD < μK, Perhatikan tanda lebih kecil pada Ha tanda
tersebut menunjukkan uji hipotesis satu arah, yaitu ke sebelah kiri.
2. Dua arah merupakan hipotesis alternatif yang hanya menyatakan perbedaan
tanpa melihat tinggi rendahnya perbedaan. Sebagai contoh hipotesis penelitian:
 Ada perbedaan tingkat kelelahan pada pekerja perokok dan tidak
perokok.
 Ada dugaan bahwa secara rata-rata tingkat partisipasi masyarakat desa
dalam pembangunan berbeda dengan rata-rata tingkat partisipasi
masyarakat.
Contoh hipotesis statistik :
Berdasarkan dugaan penelitian tsb kita bisa menterjemahkan dalam Ho dan Ha
seperti berikut:
Ho : μD = μK dan H1 μD ≠ μK
Tanda tidak sama dengan, menunjukkan uji hipotesis berlangsung dua arah,
yaitu sebelah kiri dan sebelah kanan yang artinya bahwa daerah dan titik kritis
ada disebelah kiri dan sebelah kanan.
Secara sistematis ujia satu arah baik kanan maupun kiri serta uji dua arah
ditampilkan sebagai berikut :

Beberapa contoh formulasi H0 dan Ha :
Ho:
 Obat A sama khasiatnya dengan obat B
 Tidak ada perbedaan lama penyembuhan memakai obat A atau obat B
 Tidak ada hubungan lama penyembuhan dengan dosis obat
 Tidak ada hubungan antara jumlah rokok yang dihisap dengan stadium Ca
paru

Ha:
 Obat A tidak sama khasiatnya dengan obat B
 Ada perbedaan lama penyembuhan memakai obat A dan obat B
 Ada hubungan lama penyembuhan dengan dosis obat
 Ada hubungan antara jumlah rokok yang dihisap dengan stadium Ca
paru
7.3 KESALAHAN PENGAMBILAN KEPUTUSAN

Membuktikan suatu hipotesis penelitian seyogianya yang diteliti adalah
populasi. Pada kenyataan yang diteliti sampel , karena itu akan terjadi
kemungkinan salah (Error). Dua macam Error yang dapat terjadi yaitu: Error
tipe I (α) dan Error tipe II (β). Kesalahan tersebut dapat terjadi dalam
pengambilan keputusan:
1. Kesalahan Tipe I (α) Kesalahan ini terjadi karena menolak Ho, padahal
sesungguhnya Ho benar. Hal ini berarti menyimpulkan adanya perbedaan
padahal sesungguhnya tidak ada beda. Peluang kesalahan tipe I atau α atau
tingkat kemaknaan (significance level), sebaliknya peluang untuk membuat
kesalahan tipe I adalah sebesar 1- α disebut tingkat kepercayaan (confidence
level).
2. Kesalahan Tipe II (β) Kesalahan ini terjadi karena tidak menolak Ho, padahal
sesungguhnya Ho salah. Hal ini menyimpulkan tidak ada perbedaan, padahal
sesungguhnya terdapat perbedaan. Peluang untuk membuat kesalahan tipe II
ini sebesar β. Peluang untuk tidak membuat kesalahan tipe II adalah sebesar I-
β, dan dikenal dengan tingkat kekuatan uji (power of the test).

7.4 MENENTUKAN TINGKAT KEMAKNAAN
Tingkat kemaknaan atau sering disebut nilai α, merupakan nilai yang
menunjukkan besarnya peluang salah dalam menolak hipotesis(Ho). Nilai α
merupakan nilai batas maksimal kesalahan menolak Ho. Bila Ho ditolak berarti
ada perbedaan atau ada hubungan. Penentuan nilai α bergantung pada tujuan
dan kondisi penelitian. Nilai α yang sering digunakan adalah 10%, 5% atau 1%
untuk bidang kesehatan masyarakat biasanya digunakan nilai α sebesar 5%.
LANGKAH-LANGKAH DALAM PENGUJIAN HIPOTESIS
1. Tetapkan dulu rumusan hipotesis dengan tepat, baik hipotesis nol (Ho)
dan hipotesis alternatif (Ha) apakah termasuk uji satu arah atau uji dua
arah.
2. Tetapkan taraf nyata α yang diinginkan sehingga dapat diperoleh nilai
kritis dalam tabel dengan demikian dapat digambarkan daerah
penolakan atau penerimaan Ho.
3. Tetapkan statistik uji yang cocok untuk menguji hipotesis nol. Rumus
statistik uji sangat tergantung pada parameter populasi yang diuji.
4. Hitunglah nilai statistik uji berdasarkan data & informasi yang diketahui
baik dari populasi maupun dari sampel yang diambil dari populasi.
5. Simpulkan tolak H0 bila nilai statistik uji jatuh atau terletak pada didaerah
penolakan H0 bilamana Zh > Zα atau Zh < - Zα untuk uji satu arah Zh >
Zα/2 atau Zh < - Zα/2 untuk uji dua arah.
7.5 JENIS UJI HIPOTESIS

Menguji Beda Mean Satu Sampel Bila nilai σ diketahui, digunakan uji Z dengan
rumus :
z=
Bila nilai σ tidak diketahui, digunakan dengan uji t dengan rumus:
t=

Keterangan
x : mean data sampel
μ : mean data populasi
σ : standar deviasi data populasi
s : standar deviasi data sampel
n : jumlah sampel yang diteliti
• Data Numerik/Kontinu
– Perbandingan antara satu sampel dengan populasi
– Perbandingan dua sampel
– Perbandingan lebih dari dua sampel
• Data Kategorik/Diskrit
– Perbandingan satu proprosi dengan populasi
– Perbandingan dua proporsi
– Perbandingan > dari dua proporsi
Contoh 1:
Suatu penelitian yang melibatkan 49 orang dari suatu etnis didapatkan rata-rata
kadar kolesterol mereka 215mg/dl. Kalau dipopulasi orang sehat rata rata
kolesterol μ =200mg/dl dan σ = 40 mg/dl, apakah kesimpulan peneliti
tadi?,pada α=0,05
Penyelesaian :
• Ho X = μ, Ha X ≠ μ……uji 2 sisi
• α=0,05
• Uji statistik…….karena σdiketahui=40mg/dl maka dilakukan uji Z
• Pv < α
• Keputusan uji Ho ditolak
• Kesimpulan: ada perbedaan yang bermakna kolesterol sampel dan populasi
x 215  200
z   2,63.... pv  0,0086
 40
n 49

Contoh 2:
Seorang dokter puskesmas mengambil secara random 25 ibu hamil, diukur
kadar Hb dan didapatkan rata-rata 10,5 gr%,dengan simpangan baku 2gr%.
Kalau diketahui kadar Hb bumil di populasi =11 gr%. Apakah kesimpulan dokter
tadi pada α= 0,05?
Penyelesaian:
• Ho X = μ, Ha X ≠ μ……uji 2 sisi
• α=0,05
• Uji statistik…….karena σ tidak diketahui maka dilakukan uji Tdengan df=24
• Pv > α
• Keputusan uji Ho diterima
• Kesimpulan: tidak ada perbedaan yang bermakna Hb sampel dan populasi
x   10,5  11
t   1.25tabel .t.. pv  0,10
S 2
n 25
7.6 UJI BEDA PROPORSI
p  p 
Z  
SE  (1   )
n
Contoh :
Suatu penelitian terhadap 50 Mhs ditanyakan apakah mereka merokok atau
tidak. Ternyata dari sejumlah itu yang perokok ada 15 orang. Kalau pada
masyarakat umum perokok ada 25% (π = 0.25) apa kesimpulan peneliti pada
α= 0.05 ?
Penyelesaian :
Proporsi perokok : x/n= 15/50 = 0,30.
 Ho p=π Ha p≠π
 α= 0.05
 Uji statistik ……Uji Z
 Uji Z didapatkan nilai z=0.816  pv=0.206x2=0,412
 pv >α…..Ho diterima
 Kesimpulan: tidak ada perbedaan proporsi perokok mahasiswa dengan
masyarakat umum

p  p 
Z 
SE  (1   )
n
0.3  0.25
Z  0.816
0.25 x0.75
50
RINGKASAN:
Pada bab hipotesis akan membahas tentang pengertian hipotesis dan prinsip
pengujiannya, bentuk uji hipotesis, identifikasi kesalahan pengambilan
keputusan, tingkat kemaknaan dalam pengujian hipotesis serta jenis-jenis
pengujian hipotesis.
TEST/LATIHAN:
Kepala Puskesmas di suatu kecamatan melaporkan bahwa rata-rata berat bayi
saat lahir tahun lalu adalah 3200 gram dengan standar deviasi 300 gram.
Kepala Puskesmas Sehat ingin menguji apakah ada perbedaan rata-rata berat
bayi tahun lalu dengan saat ini, untuk menguji hal tersebut diambil sampel
sebanyak 100 bayi dan diperoleh rata-rata beratnya 3265 gram. Buktikan
apakah ada perbedaan rata-rata berat bayi tahun lalu dengan saat ini (α : 5%)
TUGAS:
Berdasarkan hasil survei di suatu kota, dilaporkan bahwa 25% remaja merokok.
Saat ini dilakukan survei pada 250 remaja, ternyata ditemukan 100 remaja
merokok. Buktikan apaka persentase remaja merokok tahun ini lebih banyak
dibandingkan tahun lalu!
REFERENSI:
2015.

Inferensial, 2016.

BAB VIII : Uji Beda Dua Mean Independen dan Dependen (Uji t/T-test)
POKOK BAHASAN : Uji Beda Dua Mean (independen & Dependen)

Materi ini menjelaskan tentang uji beda dua mean baik independen maupun
dependen. Melalui pertemuan ini diharapkan mahasiswa mampu memahami
konsep dasar dan menerapkan uji beda dua mean independen dan dependen
atau yang di sebut juga uji t atau t-test.
URAIAN MATERI:
UJI BEDA DUA MEAN (UJI T) INDEPENDEN DAN DEPENDENDEN
8.1 Uji Beda Dua Mean Sampel Independen (Tidak Berpasangan)
Uji ini digunakan untuk menguji data yang saling independen (tidak
berpasangan) tujuanya yaitu untuk mengetahui ada atau tidaknya perbedaan
rerata antara dua buah data. Adapun syarat yang harus dipenuhi yaitu:
a. Data berdistribusi normal
b. Data dipilih secara acak
c. Data yang digunakan dengan skala interval/rasio
Dalam pengujian t-test dua sampel saling bebas atau dua sampel tidak
berpasangan/independen dapat dilakukan dengan 2 cara untuk memperoleh t-
hitung berdasarkan sama atau tidak sama jumlah sampel yaitu:
1. Varian populasi tidak diketahui, ukuran sampel sama dan varians
diasumsikan sama
Digunakan jika ukuran sampel (n) sama dan varian dianggap sama. Dengan
menghitung nilai t sebagai berikut :
2. Varian populasi tidak diketahui, ukuran sampel berbeda dan varians

diasumsikan sama.

Meskipun varian homogen namun ukuran sampel yang digunakan berbeda
maka menggunakan rumus t-hitung sebagai berikut:
Atau disederhanakan sebagai berikut :

x1  x2
t
s12 (n1  1)  s22 (n2  1) 1 1

n1  n2  2 n1 n2
Langkah-Langkah Uji:
1. Pastikan data dipilih secara acak dan berdistribusi normal
2. Tentukan apakah varian homogen atau heterogen
3. Tuliskan Ha dan Ho
4. Cari t-hitung atau z-hitung berdasarkan rumus yang sesuai
5. Tentukan taraf signifikan
6. Cari t tabel atau z tabel dimana df tergantung pada rumus yang dipilih
7. Tentukan kriteria pengujian kapan Ho diterima atau ditolak
8. Bandingkan t-hitung dengan t-tabel
9. Buatlah kesimpulan
Contoh:
Suatu penelitian terhadap kadar kolesterol dari Sampel yang diambil dari 20
orang penderita PJK dan 15 Orang penderita DM asumsi kedua populasi
mempunyai varian sama didapatkan :
X1(PJK)=215mg/dl S1(PJK)=50mg/dl
X2(DM)=230mg/dl,S2(DM)=45mg/dl
Penyelesaian:
1) Ho : Tidak ada perbedaan kadar kolesterol pend PJK dan DM
Ha : ada perbedaan kdr kolesterol PJK dan DM
2) batas kritis alfa =0,05
3) Uji statistik: uji t independen /tidak berpasangan (pooled t test)

x1  x2
t
s (n1  1)  s22 (n2  1) 1 1
2
1

n1  n2  2 n1 n2
215  230  15
t   0,9375
(50 2 x19)  (452 x14) 1 1 16

20  15  2 20 15
T= -0,9375 pv > 0,1

Keputusan uji pv > α Ho diterima
Kesimpulan :
Tidak ada perbedaan yang bermakna kadar kolesterol penderita PJK dengan
DM
8.2 Uji Beda Dua Mean Sampel Dependen (Berpasangan)
Dua sampel berpasangan disini diartikan sebagai sebuah sampel dengan

subjek yang sama namun mengalami dua perlakuan atau pengukuran yang
berbeda. Uji ini bertujuan untuk mengetahui apakah dua sampel berpasangan
mempunyai nilai rata-rata yang sama atau tidak. Adapun syarat yang harus
dipenuhi dalam melakukan uji ini adalah:
a. Satu sampel (setiap elemen memiliki 2 niali pengamatan, sebelum-sesudah)
b. Skala data interval/rasio
c. Distribusi data normal
Rumus yang digunakan sebagai berikut :

Langkah-Langkah Pengujian :
1. Tetapkan Ho dan H1
2. Tetapkan titik kritis yang terdapat pada tabel ‘t’
3. Tentukan daerah kritis dengan db=n-1
4. Tentukan t hitung dengan menggunakan rumus
5. Lakukan uji signifikansi dengan membandingkan t hitung dengan t tabel
Contoh :
Suatu uji coba model penyuluhan untuk meningkatkan pengetahuan
masyarakat telah dilaksanakan didapat data sebagai berikut :
No Pengetahuan Sebelum Penyuluhan (Pre) Pengetahuan Setelah Penyuluhan (Post)
1 30 34
2 29 29
3 26 29
4 29 32
5 28 28
6 32 32
7 30 33
8 28 28
9 28 29
10 26 30
11 29 30
12 27 27
Pada α = 5%, apakah kesimpulan peneliti tentang model penyuluhan dalam

meningkatkan pengetahuan masyarakat ?
Penyelesaian :
a. Hipotesis
Ho : Ppost = Ppre ; tidak ada perbedaan pengetahuan antara sebelum dan
setelah dilakukan penyuluhan
Ha : Ppost > Ppre ; ada peningkatan pengetahuan setelah dilakukan
penyuluhan dibanding sebelumnya
b. Nilai α
α = 5%

c. Rumus statistik penguji
d. Perhitungan Rumus :
No Pre Post d (post-pre) d2
1 30 34 4 16
2 29 29 0 0
3 26 29 3 9
4 29 32 3 9
5 28 28 0 0
6 32 32 0 0
7 30 33 3 9
8 28 28 0 0
9 28 29 1 1
10 26 30 4 16
11 29 30 1 1
12 27 27 0 0
JUMLAH 19 61
t=
t = 3,27
e. Df/db/dk Df = N – 1 = 12 – 1 = 11
f. Nilai tabel Nilai tabel pada tabel t distribusi student
Uji dua sisi, α = 5%, df = 11, nilai t tabel = 2,718
g. Menggunakan rumus t hitung = 3,27 > t table = 2,718 ; berarti Ho ditolak,
Ha diterima
h. Kesimpulan ada peningkatan pengetahuan setelah dilakukan penyuluhan
dibanding sebelumnya, pada α = 5%.

RINGKASAN:
Materi yang disajikan pada pokok bahasan ini meliputi uji beda dua mean
sampel berpasangan, uji beda dua mean sampel tidak berpasangan.
TEST/LATIHAN:
Penelitian terhadap pengetahuan 20 dokter terhadap penyakit Flu burung
didapatkan rata-rata skor pengetahuan 85 dan simpangan baku 12.
Penelitian yang samajuga dilakukan terhadap 25 orang bidan yang bertugas di
rumah sakit didapat rata-rata skor 78 dan simp baku 15.
Apakah kesimpulan dari peneliti pada α= 0,05
TUGAS:
Seorang dokter kebidanan ingin melihat efek pemberian tablet fe (zat besi)
terhadap ibu hamil. Untuk itu telah diambil secara random 10 bumil dan
memeriksa Hb sebelum pemberian fe dan sesudahnya. Data sebagai berikut :
No Kadar HB Sebelum Diberikan Tablet Kadar HB Sebelum Diberikan Tablet Fe
Fe
1 8.7 12
2 9.4 11.5
3 8.5 11.0
4 7.9 10.5
5 10 10
6 9.5 10.5
7 9.0 11.5
8 8.9 11
9 10 9.5
10 10.5 12,5
Pertanyaan :
Apa kesimpulan dokter tadi terhadap hasil pemberian fe terhadap ibu hamil
pada α= 0,05
Untuk ini dicari perbedaan rata rata dari sampel sebelum dan sesudah
pemberian tablet fe, selanjutnya dilakukan uji hipotesis untuk sampel
berpasangan.
REFERENSI:

3.
2015.
Inferensial, 2016.

BAB IX : Uji Beda Lebih Dari Dua Mean ( Uji Anova)
POKOK BAHASAN : Uji Beda Lebih Dari Dua Mean
Materi ini menjelaskan tentang uji beda lebih dari dua mean atau uji anova.
Analisis of varians (ANOVA)/uji anova digunakan jika ingin menguji rata-rata
kelompok lebih dari atau sama dengan tiga. Dalam analisis anova hanya
digunakan hipotesis dua arah yaitu apakah ada perbedaan rata-rata. Melalui
pertemuan ini diharapkan mahasiswa mampu memahami konsep dasar dan
menerapkan uji beda lebih dari dua mean/anova.
URAIAN MATERI:
UJI BEDA LEBIH DARI DUA MEAN/UJI ANOVA SATU ARAH

Analisis of varians (ANOVA) satu arah (one way anova) digunakan jika ingin
menguji rata-rata kelompok lebih dari atau sama dengan tiga. Dalam analisis
anova hanya digunakan hipotesis dua arah yaitu apakah ada perbedaan rata-
rata.
Berikut penjelasan mengapa menggunakan anova:
1. Mengetahui signifikansi perbedaan rata-rata (μ) antara kelompok sampel
yang satu dengan yang lain.
2. Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan
untuk berbagai bentuk percobaan yang lebih rumit. Selain itu, analisis ini
juga masih memiliki keterkaitan dengan analisis regresi. Akibatnya,
penggunaannya sangat luas di berbagai bidang, mulai dari eksperimen
laboratorium hingga eksperimen periklanan, psikologi, dan
kemasyarakatan.
Adapun syarat yang harus dipenuhi oleh uji anova yaitu:
1. Data berdistribusi normal, karena pengujiannya menggunakan uji F-
Snedecor.
2. Varians atau ragamnya homogen, dikenal sebagai homoskedastisitas,
karena hanya digunakan satu penduga (estimate) untuk varians dalam
contoh.

3.
4. Masing-masing contoh saling bebas/independen, yang harus dapat
diatur dengan perancangan percobaan yang tepat.
5. Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah).
Anova sendiri terbagi menjadi dua yaitu one way anova dan two way
anova.
6. One way anova untuk menguji perbedaan rata-rata lebih dari dua sampel
dimana dalam melakukan analisis hanya bisa satu arah. Maksud satu
arah ini hanya bisa menguji antar kelompok yang satu. Untuk lebih
jelasnya lihat.
Contoh Kasus Uji Anova Satu Arah:
Sampel Penurunan Berat Badan (Kg)
Metode 1 Metode 2 Metode 3 Metode 4
Sampel 1 4 8 7 6
Sampel 2 6 12 3 5
Sampe 3 4 - - 5
Terdapat 4 metode diet dan 3 golongan usia peserta program diet Berikut data
rata-rata penurunan berat peserta keempat metode dalam tiga kelompok umur.
Berdasarkan gambar di atas terlihat bahwa ada empat metode (kolom). Dari
empat metode itu dilakukan oleh beberapa orang tapi tiap metode dilakukan
oleh orang yang berbeda. Pada tabel diatas terlihat data diperoleh dari sampel
yang berbeda perlakuan antar kelompok karen itu kita hanya bisa
membandingkan antar metode tapi tidak bisa membandingkan antar orang
karena setiap orang tidak melakukan metode yang sama oleh karena itu
dikatakan satu arah saja.
Konsep uji Anova secara sederhana :
Adanya Varian populasi kalau asumsi ketiga obat tidak berbeda. (σ2 )
Varian ini dapat diestimasi melalui dua sumber yaitu :
σ2 between mean= σ2 B
σ2 within group= σ2 W

Uji anova adalah ratio antara kedua varian
 2b
F 2
 w
Rumus Grand Mean & Varian :
Grand mean:
{n1 x1  n2 x2  .....  nk xk }
xˆ 
n1  n2 ....nk
Varian betwen:
2 2 2
B 
2  1 1
{n ( x  x )  n (
2 2x  x )  ...n (
k kx  x )}
k 1
Varian within:
 2

{s 2
1 (n1  1)  s22 (n2  1)....sk2 (nk  1)}
N k
W
Contoh:
Ada tiga jenis obat yaitu obat A, B dan C yang diukur kemampuan obat tersebut
dalam menyembuhkan penyakit. Rata-rata dan standar deviasi ketiga obat
tersebut beserta jumlah masing-masing obat adalah :
Obat A Obat B Obat C
4 5 3
5 6 4
4 5 2
6 7 3
5 6 4
5 3
3
Xa: 4.8 Xb: 5.7 Xc: 3.1
Sa:0.84 Sb: 0.82 Sc;0.69
n=5 n=6 n=7

Ujilah apakah ada perbedaan ke tiga jenis obat tersebut dalam menyembuhkan
penyakit.
Penyelesaian:
Ho: Xa = Xb = Xc Ha : Xa≠ Xb ≠ Xc….min 1 pasang mean beda
Grand mean :
 (5 x 4.8)  (6 x5.7)  (7 x3.1)
x  4.4
567
Varian between :
{5(4.8  4.4) 2  6(5.7  4.4) 2  7(3.1  4.4) 2 22.77
 
2
  11.38
3 1
B
2
Varian within :
{0.84 2 (5  1)  0.82 2 (6  1)  0.69 2 (7  1) 9.041
 
2
  0.603
(5  6  7)  3
W
15
Nilai F= 11.38 / 0.603=18.87
Didalam uji F ada dua df
Df pembilang ( numerator) = k-1
Df penyebut (denominator)= N-k
Dari contoh didapat
df (numerator) ,3-1=2
Df denominator 18-3= 15
Untuk menentukan pv lihat tabel F pada contoh df (2 : 15) F= 18.87 maka
pv< 0.001……kecil dari 0.05
Kesimpulan : Ada perbedaan ke-3 jenis obat tersebut dalam menyembuhkan
penyakit
RINGKASAN:
Analisis of varians (ANOVA) uji anova digunakan jika ingin menguji rata-rata
kelompok lebih dari atau sama dengan tiga. Dalam analisis anova hanya
digunakan hipotesis dua arah yaitu apakah ada perbedaan rata-rata.

TEST/LATIHAN:
Suatu studi yang diberikan kepada tiga kelompok laki-laki yang overweight
Kelompok I 42 orang diberikan diet dan hasilnya setelah 1 tahun rata-rata
perbedaan berat mereka x = -7.2 kg S=3.7kg
Kelompok II 47 orang dengan olah raga dan pada akhir studi rata-rata
perbedaan berat mereka x = -4kg , S= 3.9kg
Kelompok III 45 orang tanpa diet dan olahraga tetapi hanya mengatur waktu
makan, didapat rata-rata perbedaan berat mereka x =0.6kg S= 3.7kg
Apakah ada perbedaan ketiga cara diatas α = o.o5 ?
TUGAS:
Sebuah penelitian tentang perbedaan kemampuan siswa dalam mempelajari
matematika yang didasarkan pada pengelompokan siswa menurut jenis
pekerjaan orang tua, diperoleh data sebagai berikut:
Peg. Negeri dan ABRI Guru Tani Buruh tani
70 80 75 65
60 85 80 70
75 75 80 75
65 90 80 60
65 85 70 60
90 75 75 75
85 85 70 75
90 95 60 75
75 90 75 70
70 100 95 65
Pertanyaan: Apakah hasil belajar siswa dalam bidang matematika berbeda

secara signifikan antara kelompok diatas

REFERENSI:
2015.
Inferensial, 2016.

BAB X : Analisis Data Proporsi
POKOK BAHASAN : Uji Beda Satu dan Uji Beda Dua Proporsi

Materi ini menjelaskan tentang uji beda satu proporsi dan uji beda dua proporsi.
Tujuan dan kegunaan uji ini adalah untuk menguji perbedaan proporsi
pernyataan / pendapat anggapan / standar / ketentuan baku / peraturan dengan
data hasil kenyataan di lapangan. Melalui pertemuan ini diharapkan
mahasiswa mampu memahami konsep dasar dan menerapkan uji beda satu
proporsi dan uji beda dua proporsi.
URAIAN MATERI:
UJI BEDA SATU DAN UJI BEDA DUA PROPORSI
Uji beda proporsi disebut juga uji beda data kategori. Konsep uji ini adalah :
Skala nominal, ordinal……data kategorikal
Misal : Jenis kelamin: laki & wanita…terdiri dari 2 (dua0 kategori dan Golongan
darah, O,A, B, AB terdiri dari 4 (empat) kategori
Secara deskriptif :
 Laki-laki….45 %
 Wanita……55 % yang diperhitungkan adalah persentase/
proporsi
Secara deskriptif laki-laki proporsinya 0.45
Distribusi data proporsi :
 Pendekatan data proporsi ke distribusi Normal:…..didalam distribusi
normal dikenal parameter nya μ dan σ atau kalau sampel ada X dan S
 Untuk data proporsi
 Mean = np
 Sim baku (S)= √n p (1-p) = √npq
Distribusi Sampling Data Proporsi
CLT
π = Pp Distribusi N(0,1)

Estimasi Data Proporsi :
Suatu penelitian terhadap 50 mahasiswa ditanyakan apakah mereka merokok
atau tidak. Ternyata dari sejumlah itu yang perokok ada 15 orang….p(perokok)
x/n= 15/50 = 0,30. Estimate lah perokok dipopulasi mahasiswa tersebut pada
CI = 95 %
Rumus :

  p  Z1/ 2 SE
 n=50
 p=0.30
 1-p= 0.70
 0.3 x0.7
  0.3  1.96
50
 π = 0,30 ± 0.13
 π = { 0.17 ; 0.43 } ..CI 95%
Artinya : 95% dapat dipercaya bahwa proporsi/persentase perokok di populasi
mahasiswa berada antara 17% sampai dengan 43%
Uji Hipotesis satu Proporsi dan Populasi
Dari contoh diatas didapat p=0.30. Kalau pada masyarakat umum perokok ada
25% (π = 0.25) apa kesimpulan peneliti pada α= 0.05 ?
Dilakukan uji hipotesis
Ho p=π Ha p≠π
α= 0.05
Uji statistik ……Uji Z
p  p 
Z  
SE  (1   )
n
0.3  0.25
Z   0.816
0.25 x 0.75
50

Uji Z didapatkan nilai z=0.816 pv=0.206x2=0,412
pv >α…..Ho diterima
Kesimpulan: tidak ada perbedaan proporsi perokok Mhs dengan Masy umum
Uji hipotesis 2 (dua) proporsi :
Misalkan Mahasiswa Prodi Kesehatan Masyarakat 50 orang perokok 15 Orang
Diambil lagi 75 mahasiswa ekonomi ternyata 35 orang perokok
Apakah ada perbedaan kedua kelompok tersebut dalam hal merokok pada α =
0.05? Disini terdapat dua proporsi perokok yaitu mahasiswa kesehatan
masyarakat ( p1=0.30) dan mahasiswa ekonomi (p2 = 0.47)
Penyelesaian :
Didalam Ho dikatakan tidak ada perbedaan proporsi perokok kedua Mhs
Berarti kita asumsikan berasal dari satu populasi maka kita dapat estimasi
proporsi populasinya adalah p’ = (x1 +x2) / (n1+n2)
Maka Standar Errornya (SE) adalah :
1 1
SE  p' (1  p ' ){  }
n1 n2
 Ho p1=p2 Ha p1≠ p2
 α= 0.05
 Uji statistik….Uji Z
p1  p2
Z
1 1
p ' (1  p ' )(  )
n1 n2
15  35 50
p'    0.4
50  75 125
0.3  0.47  0.17
Z   1.88
1 1 0.09
0.4 x0.6(  )
50 75
Pvalue =0.03
2xpv = 0.06……..pv>α……..Ho …diterima
Kesimpulan : tidak ada perbedaan proporsi perokok mahasiswa kesehatan
masyarakat dan mahasiswa ekonomi.
Estimasi perbedaan dua proporsi

Kalau dari permasalahan diatas mau ditentukan perbedaan proporsi tersebut di
populasinya. Hitunglah pada CI 95 % ?.
RUMUS :
 
{ 1   2 }  ( p1  p2 )  Z1/ 2 SE
RINGKASAN:
Materi ini menjelaskan tentang uji beda satu proporsi dan uji beda dua proporsi.
Tujuan dan kegunaan uji ini adalah untuk menguji perbedaan proporsi
pernyataan / pendapat anggapan / standar / ketentuan baku / peraturan dengan
data hasil kenyataan di lapangan. Melalui pertemuan ini diharapkan
mahasiswa mampu memahami konsep dasar dan menerapkan uji beda satu
proporsi dan uji beda dua proporsi.
TEST/LATIHAN:
Menurut pendapat pakar bahwa masyarakat yang mengikuti program keluarga
berencana baik secara mandiri atau ikut program pemerintah tidak melebihi
85% dari keseluruhan masyarakat. Pendapat tersebut diuji dengan mengambil
sampel 6800 masyarakat yang diidentifikasi keikutsertaannya terhadap program
keluarga berencana. Berdasarkan penelitian diperoleh data, bahwa sebanyak
5824 ikut program keluarga berencana dan 976 orang tidak ikut program
keluarga berencana. Selidikilah dengan α = 5%, apakah pendapat pakar
tersebut di atas benar ?
Penyelesaian :
a. Hipotesis:
Ho : π = 85% ; proporsi peserta keluarga berencana tidak beda dengan 85%
Ha : π ≠ 85%; proporsi peserta keluarga berencana beda dengan 85%
b. Nilai α = 5%
c. Rumus statistik penguji

p  p 
Z  
SE  (1   )
n
Nilai tabel Nilai tabel pada tabel Z kurva normal

Uji dua sisi α = 5% ≈ Z = 1,28
Z hitung = 1,5048 > Z tabel = 1,28
Kesimpulan : Proporsi peserta keluarga berencana beda lebih dari 85%, pada
α= 5%.
TUGAS:
Bayi yang sudah diimunisasi di Kecamatan Baru sebanyak 467 bayi dari total
542 bayi, sedangkan di Kecamatan Suka sebanyak 571 bayi telah diimunisasi
dari total 642 bayi. Selidikilah dengan α = 5%, apakah proporsi bayi yang telah
diimunisasi kedua kecamatan tersebut sama ?
REFERENSI:
2015.
Inferensial, 2016.
dan STATCAL (Sebuah Pengantar Untuk Kesehatan)

BAB XI : Uji Chi - Square
POKOK BAHASAN : Uji Chi-Square

Materi ini menjelaskan tentang uji chi-square. Materi yang disajikan pada pokok
bahasan ini meliputi uji chi square dan fisher exact. Melalui pertemuan ini
diharapkan mahasiswa mampu memahami konsep dasar dan menerapkan uji
chi-square.
URAIAN MATERI:
UJI CHI-SQUARE (X2)
Uji chi square sering disebut juga sebagai uji kai kuadrat. Uji ini merupaka salah
satu uji statistik nonparametrik. Uji chi square berguna untuk menguji hubungan
atau pengaruh dua buah variabel nominal dan mengukur kuatnya hubungan
anatara variabel satu dengan variabel nominal lainnya. (C=coefisien
contingency).
Chi square mempunyai ketentuan sebagai berikut:
1. Nilai chi square tidak pernah negatif, karena selisih dari frekuensi
pengamatan dan frekuensi harapan dikuadratkan.
2. Ketajaman dari distribusi chi square tidak tergantung pada ukuran sampel
tetapi tergantung pada banyaknya kategori yang digunakan.
3. Distribusi chi square bersifat menceng kanan (nilai positif), semakin
meningkat jumlah derajat bebas maka semakin mendekati distribusi normal.
Dengan rumus chi square :
(O  E ) 2
X 
2
E
Dimana:
X2 = nilai chi square
O = frekuensi yang diperoleh/diamati
E = Frekuensi yang diharapkan,

dengan :
Langkah-langkah/ prosedur uji chi square adalah sebagai berikut :

1. Letakkan frekuensi-frekuensi terobservasi dalam k kategori. Jumlah
frekuensi itu seluruhnya harus N, yakni banyak observasi-observasi
independen.
2. Dari H0 tentukan frekuensi yang diharapkan untuk tiap-tiap k sel itu. Jika
k>2, dan bila lebih dari 20% dari Ei kurang dari 5, gabungkanlah
kategori-kategori yang berdekatan apabila hal ini memungkinkan, dan
dengan demikian kita mengurangi harga k serta meningkatkan nilai
beberapa Ei. Apabila k=2, tes X2 untuk kasus satu sampel dapat
digunakan secara memadai hanya jika tiaptiap frekuensi yang
diharapkan adalah lima atau lebih.
3. Hitung nilai X2 dengan rumus Σ(Oi-Ei)2/Ei.
4. Tetapkan harga derajat bebas (db) =k-1
5. Dengan melihat tabel Chi square, tetapkan probabilitas yang dikaitkan
dengan terjadinya suatu harga yang sebesar nilai X 2 hitung untuk harga
db yang bersangkutan. Jika nilai ini sama atau kurang dari α, H0 ditolak.
11.1 FISHER EXACT

Merupakan salah satu uji nonparametrik yang digunakan untuk menganalisis
dua sampel independen yang berskala nominal atau ordinal jika kedua sampel
indpendennya berjumlah kecil (biasanya kurang dari 20). Data diklasifikasikan
kedalam dua kelompok yang saling bebas sehingga akan terbentuk tabel
kontingensi 2 x 2.

RINGKASAN:
Uji chi square sering disebut juga sebagai uji kai kuadrat. Uji ini merupaka salah
satu uji statistik nonparametrik. Uji chi square berguna untuk menguji hubungan
atau pengaruh dua buah variabel nominal dan mengukur kuatnya hubungan
anatara variabel satu dengan variabel nominal lainnya. (C=coefisien
contingency).
Contoh :
Diketahui 3 (tiga) kelompok mahasiswa yang berasal dari fakultas yang
berbeda yaitu : FFIKes sebanyak 75 orang, FE (Fakultas Ekonomi) 100 orang,
dan FP (Fakultas Pendidikan) sebanyak 75 orang. Diukur kebiasaan mereka
meroko (perokok dan tidak perokok). Data hasil pengukuran/observasi dan nilai
expected (nilai harapan) kebiasaan merokok adalah sebagai berikut:
Mahasiswa Perokok Tidak Perokok Jumlah
O E O E
FFIKES 25 30 50 45 75
FE 45 40 55 60 100
FP 30 30 45 45 75
Grand Total 100 150 250
Penyelesaian :
Ho: Tidak ada perbedaan proporsi perokok antara mahasiswa FFIKes, FE, dan FP
Ha: Ada perbedaan proporsi perokok antara mahasiswa FFIKes, FE, dan FP
α = 0,05
Uji statistik Uji X2
Untuk data yang sudah ada didalam tabel untuk mencari nilai expected dari sel
E sel = (tot baris x tot kolom): grand totat ----- ini dikerjakan sesuai dengan df
Df (degree of freedom)/derajat bebas= (b-1) ( k-1)
Dari tabel (3x2) diatas maka didapat df =(3-1)x (2-1)=2
Untuk tabel tersebut:
E sel b1 k1 = (75x100)/250=30
E sel b2 k1 = (100x100)/250=40

Kebebasan mencari Expected sel (angak warna kuning) dengan jalan mengalikan
sub totat baris ,sub total kolom dibagi grand total hanya untuk 2 sel saja.
Untuk sel yang lain cukup dengan mencari selisih antara sub-sub total dengan nilai
Esel yang sudah dihitung.
Sel O E (O-E) (O-E)2 (O-E)2/E
B1k1 25 30 -5 25 0,83
B1k2 50 45 5 25 0,55
B2k1 45 40 5 25 0,62
B2k2 55 60 -5 25 0,42
B3k1 30 30 0 0 0
B3k2 45 45 0 0 0
----------------------------
Nilai X2 Hitung : 2,42
Dari nilai X2=2,42 didapat pv dengan melihat tabel X2 , df=2….pv >0,1
Keputusan uji pv > α…..Ho diterima
Kesimpulan: tidakada perbedaan yang bermakna proporsi perokok pada ketiga
fakultas tersebut ( FFIKES, FE dan FP)
TEST/LATIHAN:
1. Seorang pemilik pabrik berpendapat bahwa proporsi barang yang rusak,
yang berasal dari 3 buah mesn yaitu mesin A, B, dan C adalah sama. Untuk
menguji pendapat tersebut diambil 200 sampel acak yang terdiri dari 40
sampel produk mesin A, 40 sampel produk mesin B, dan 120 sampel produk
mesin C. Ternyata 5 sampel produk mesin A rusak, 15 sampel produk mesin
B rusak, dan 20 sampel produk mesin C rusak. Dengan menggunakan taraf
nyata 5%, ujilah pendapat pemilik pabrik itu.
2. Suatu penelitian ingin mengetahui apakah ada perbedaan antara proporsi
orang tua siswa di empat kota yaitu Medan, Lubuk Pakam, Tebing Tinggi dan
Langkat yang setuju dengan penyuluhan tentang Program Kebiasaan
Mencuci Tangan Pakai Sabun (CTPS) di sekolah menengah umum.
Respons 500 orang tua siswa yang diambil secara acak dari masing-masing
kota adalah sebagai berikut:

Kota Jenis Kelamin
Setuju Tidak Setuju
Medan 175 140
Lubuk Pakam 80 50
Tebing Tinggi 45 10
Langkat 40 70
TUGAS:
Dari suatu penelitian pada penderita penyakit jantung koroner dengan variabel
pendidikan dan kebiasaan merokok. Hasilnya disusun seperti tabel di bawah ini
Pendidikan Perokok Tidak Perokok Total
Tidak Sekolah 9 16 25
SD 15 7 32
SMP 12 12 24
SMA 1 8 9
Pergurun Tinggi 0 10 10
Total 37 63 100
Pertanyaan:
a. Dengan memakai α = 0,05, ujilah dengan menggunakan kai kuadrat
b. Apakah kesimpulan dari penelitian di atas?
REFERENSI:
2015.
Inferensial, 2016.

BAB XII : Uji Korelasi dan Regresi Linier Sederhana
POKOK BAHASAN : Uji Korelasi dan Regresi Linier Sederhana dan Penerapannya

Materi ini menjelaskan tentang Uji yang akan dibahas dalam bab ini adalah uji
korelasi Pearson Product Moment, Spearmen dan Regresi Linier Sederhana.
Melalui pertemuan ini diharapkan mahasiswa mampu memahami konsep dasar
dan menerapkan uji korelasi dan regresi linier sederhana.
URAIAN MATERI:
UJI KORELASI DAN REGRESI LINIER SEDERHANA
12.1 Korelasi Product Moment
Uji Korelasi Product Moment Kegunaan uji ini adalah untuk menyatakan ada
atau tidaknya hubungan antara variabel X dengan variabel Y. Atau untuk
menilai hubungan antara 2 (dua) variabel numerik. Untuk menyatakan besarnya
sumbangan variabel satu terhadap yang lainnya yang dinyatakan dalam
persen. Dengan syarat sebagai berikut:
 Data berdistribusi Normal
 Variabel yang dihubungkan mempunyai data linear.
 Variabel yang dihubungkan mempunyai data yang dipilih secara acak.
 Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek
yang sama pula (variasi skor variabel yang dihubungkan harus sama).
 Variabel yang dihubungkan mempunyai data interval atau rasio.
 Nilai r terbesar adalah +1 dan r terkecil adalah –1. r = +1 menunjukkan
hubungan positip sempurna, sedangkan r = -1 menunjukkan hubungan
negatip sempurna.
 r tidak mempunyai satuan atau dimensi. Tanda + atau - hanya menunjukkan
arah hubungan. Interpretasi nilai r adalah sebagai berikut:
r Interpretasi
0 Tidak Berkorelasi
0,01-0,20 Korelasi Sangat Rendah
0,21-0,40 Korelasi Rendah
0,41-0,60 Korelasi agak Rendah
0,61-0,80 Korelasi Cukup
0,81-0,99 Korelasi Tinggi
1 Korelasi Sangat Tinggi

Contoh formulasi uji korelasi :
– Apakah ada hubungan antara umur dan tekanan darah
– Hubungan TPA dengan IPK mahasiswa
– Hubungan antara tinggi badan dan FEV1(Force Expiratory Volume 1 dalam
menit)
12.1 Langkah-langkah Menghitung Koefisien Korelasi Parsial
a. Tulis Ho dan Ha dalam bentuk kalimat.
b. Tulis Ho dan Ha dalam bentuk statistik.
c. Buat tabel penolong sebagai berikut:
No Responden X X2 Y Y2 X.Y
1 X1 X12 Y1 Y12 XY1
2 2
. X. X. Y. Y. XY.
. X. X.2 Y. Y.2 XY.
N Xn Xn2 Yn Yn2 XYn
(ΣX)=… (ΣX )=….
2
(ΣY)=…. (ΣY )=…
2
(ΣXY)=….
d. Cari r hitung dengan rumus:

(  X ). (  Y )
(  XY ) 
r  n
 X   
2
  Y2 
 (  X 2
)   
. (  Y 2
)  
 n   n 
e. Tentukan taraf signifikansinya (α)

f. Cari r tabel dengan dk = n-2
g. Tentukan kriteria pengujian Jika -rtabel≤rhitung≤+rtabel, maka Ho diterima
h. Bandingkan t-hitung dengan t-tabel
i. Buatlah kesimpulan.
Contoh: Hubungan usia dengan lama hari rawat. Data lay-out adalah sebagai
berikut :
a. H0: Tidak terdapat huhungan antara usia dengan lama hari rawat
Ha: Terdapat hubungan antara usia dengan lama hari rawat
b. H0: r = 0
Ha: r ≠ 0
c. Tabel lay-out

Responden (X) Usia Y (Lama Hari Rawat) XY
1 20 5 100
2 30 6 180
3 25 5 125
4 35 7 245
5 40 8 320
(ΣX) = 150 (ΣY) = 31 (ΣXY) = 97=
(ΣX ) = 4750
2
(ΣY ) = 199
2
c. Cari r hitung :
(  X ).(  Y ) (150).(31)
(  XY )  (970) 
r n  5  0.97
   X  2
    Y  2
  150  
2
 31 2 
 ( X )   .  ( Y )    (4750)   .  (199)  
2 2
 n   n   5   5 
d. r hitung > r tabel, jadi H0 ditolak

e. Kasimpulan: Ada hubungan usia dengan lama hari rawat
12.3 Uji Korelasi Rank Spearman

Asumsi uji korelasi Spearman adalah:
(1) Data tidak berdistribusi normal
(2) Data diukur dalam skala ordinal.
Rumus uji korelasi spearman untuk jumlah sampel < = 30 adalah:
Langkah Uji:
1. Jumlahkan skor item-item di tiap variabel untuk mendapatkan skor total
variabel (misalnya cari skor total variabel X dengan menotalkan item-item
variabel X).
2. Lakukan rangking skor total x (rx) dan rangking skor total y (ry).
3. Cari nilai d yaitu selisih rx – ry .
4. Cari nilai d2 yaitu kuadrat d (selisih rx – ry).

Dengan demikian korelasi Spearman (rs) variabel x dengan variabel y dalam
contoh adalah 0,47. Nilai korelasi Spearman hitung ini (rs) lalu diperbandingkan
dengan Spearman Tabel (rs tabel). Keputusan diambil dari perbandingan
tersebut. Jika rs > rs tabel, H0 ditolak dan H1 diterima. Jika rs hitung <= rs
tabel, H0 diterima, H1 ditolak. Pengambilan keputusan dari contoh di atas
adalah karena rs hitung > rs tabel maka H0 ditolak dan H1 diterima. Artinya
terdapat hubungan antara variabel x dengan variabel y.
12.4 UJI REGRESI LINIER SEDERHANA

Analisis regresi digunakan untuk mengetahui variabel dependen/kriteria dapat
diprediksikan melalui variabel independen atau prediktor secara individual.
Dampak dari penggunaan analisis regresi dapat digunakan untuk memutuskan
apakah naik atau menurunkan keadaan variabel independen atau untuk
meningkatkan keadaan variabel dependen dapat dilakukan dengan
meningkatkan variabel independen atau sebaliknya. Korelasi & Regresi
keduanya mempunyai hubungan yang sangat erat. Setiap regresi pasti ada
korelasi, tetapi korelasi blum tentu dilanjutkan dengan regresi. Analisis regresi
dilakukan bila hubungan dua variabel berupa hubungan kausal atau fungsional.
Untuk menetapkan kedua variabel mempunyai hubungan kausal atau tidak,
maka harus didasarkan pada teori atau konsep-konsep tentang dua variabel.
Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal
antara satu variabel independen dengan satu variabel dependen
Persamaan Umum Rumus Regresi Linier :
Y = a + bX

Dimana :
Y = Subyek dalam variabel dependen yg diprediksi
a = harga y bila X=0
b = angka arah/koefisien regresi bila b(+) maka naik, bila (-) maka terjadi
penurunan
X = subyek pada variabel independen yang mempunyai nilai tertentu Untuk
menghitung nilai a dan b digunakan rumus :
b = n (ΣXY) – (ΣX) (ΣY)
n (ΣX2) – (ΣX)2
a = ΣY – b.ΣY
n n
Contoh:
Sebuah penelitian yang bertujuan untuk mengetahui hubungan antara
pengeluaran konsumsi (Y) dengan pendapatan keluarga (X). Untuk itu diambil
sampel acak sebanyak 10 keluarga untuk diwawancarai, dan dari hasil
penelitian itu diperoleh data sebagai berikut:
Konsumsi (Y) 5 6 8 9 10 12 12 14 15 20
Pendapatan (X) 6 8 10 12 13 17 20 22 24 28
Berdasarkan data tersebut:

1. Dugalah persamaan regresi populaisnya
2. Berikan intervensi terhadap nilai b yang diperoleh
3. Dugalah rata-rata pengeluaran konsumsi bila pendapatan seorang keluarga
18
Penyelesaian :
1. Persamaan regresi populasi akan diduga dengan persamaan regresi
sampelnya:
Xi Yi Xi2 Yi2 XiYi
6 5 36 25 30
8 6 64 36 48
10 8 100 64 80

12 9 144 81 108
13 10 169 100 130
17 12 289 144 204
20 12 400 144 240
22 14 484 196 308
24 15 576 225 360
28 20 784 400 204
20 12 400 144 240
22 14 484 196 308
24 15 576 225 360
28 20 784 400 560
Σ = 160 Σ = 111 Σ = 3046 Σ 1415 Σ = 2068
n = 10
x = Σ Xi
n
= 160/10 = 16
Y = Σ Yi
N
= 111/10 = 11,1
b = n (ΣXY) – (ΣX) (ΣY)

n (ΣX2) – (ΣX)2
= 10 (2068)-(160) (111)
10 (3046)-(160)2
= 0,60
a = Y-bX = 11.1- (0,60) (16)= 1,50
jadi persamaan regresi sampel sebagai penduga regresi populasinya adalah:

y = a + bx
= 1,5 + 0,6x
2. Nilai b = 0,6 memiliki arti bahwa bila pendapatan naik sebesar satu unit.
Maka rata-rata pengeluaran konsumsi naik sebesar 0,6 unit.
3. Bila X = 18 maka Y=....... Y = 1,5 + 0,6 x = 1,5 + 0,6 (18) = 12,3 Jadi bila
pendapatan keluarga 18, maka rata-rata pengeluaran konsumsinya
diharapkan sebesar 12,3
RINGKASAN:

beda korelasi Pearson Product Moment Spearmen dan Regresi Linier
Sederhana.
TEST/LATIHAN:
Sebuah sampel acak yang terdiri dari 6 pasangan data mengenai besarnya
pendapatan dan konsumsi bulanan dari 6 karyawan perusahaa swasta yang
bergerak di bidang pariwisata (dalam jutaa rupiah) adalah sebagai berikut:
Konsumsi 8 12 16 20 24 26
Pendapatan 7 9 12 14 13 15
Berdasarkan data tersebut:

a. Susunlah persamaan regresinya
b. Berikan intepretasi terhadap nilai koefisien regresinya
c. Taksirlah konsumsi seorang karyawan yang pendapatnya 23 juta rupiah
TUGAS:
Survei hubungan berat badan dengan tekanan darah pekerja di perusahaan X
didapatkan data sebagai berikut :
BB: 50 56 70 64 66 75 74 79 80 85
TD: 115 130 125 130 135 135 140 136 145 145
Berdasarkan data tersebut hitunglah :
a. Korelasi berat badan dengan tekanan darah
b. Hitung persamaan garis regresi, bila ada seorang berat badan 80 kg
prediksikan tekanan darahnya
REFERENSI:
2015.
Inferensial, 2016.


BAB XIII : Uji Regresi Logistik Sederhana
POKOK BAHASAN : Uji Regresi Logistik Sederhana dan Penerapannya

Regresi Logistik Sederhana. Melalui pertemuan ini diharapkan mahasiswa
mampu memahami konsep dasar dan menerapkan uji regresi logistik
sederhana.
URAIAN MATERI:
1. REGRESI LOGISTIK SEDERHANA
Analisis regresi logistik adalah salah satu pendekatan model matematis yang
digunakan untuk menganalisis hubungan satu atau beberapa variabel
independen dengan sebuah variabel dependen katagorik yang bersifat
dikotom/binary. Variabel katagorik yang dikotom adalah variabel yang
mempunyai dua nilai variasi, misalnya sakit-tidak Sakit, bayi BBLR dan Normal,
merokok dan tidak merokok, dan lain-lain.
Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis
variabel dependennya. Regresi linear digunakan apabila variabel dependennya
numerik , sedangkan regresi logistik diogunakan pada data yang dependennya
berbentuk katagorik yang dikotom.
Untuk memahami lebih jelas tentang regresi logistik coba kita lihat contoh
analisis penelitian yang mempelajari hubungan antara variabel umur dengan
kejadian penyakit jantung koroner. Pengamatan dilakukan pada 100 orang
sampel, didapatkan hasil :
No 1 2 3 4 5 6 7 8 9 10 11 … … 100
Umur 20 22 23 24 25 27 28 29 30 32 33 … … 70
PJK 0 0 1 0 0 1 0 1 1 0 0 … … 1
Nomor merupakan nomor urut responden dan PJK merupakan variabel

kejadian jantung koroner. Variabel PJK diberi kode 1 bila responden
menderita PJK dan diberi kode 0 bila mereka tidak menderita PJK.
Bila data tersebut kita perlakukan analisisnya menggunakan regresi linier,
misalnya dibuat penyajian dalam bentuk diagram tebar (Scatter Plot),
maka hubungannya tidak jelas terlihattebaran data pada Scatter Plot
membentuk dua garis yang sejajar. Diagram tebat menunjukkan adanya
kecenderungan kejadian penyakit jantung koroner yang lebih sedikit pada
responden yang berusia muda. Walaupun grafik tersebut telah dapat
menggambarkan/menjelaskan variabel dependen (kejadian PJK) yang cukup
jelas, namun grafik tersebut tidak mampu menggambarkan dengan lebih
tajam/jelas hubungan antara umur dangan kejadian PJK.
Untuk mempertajam analisis kita, sekarang dicoba untuk mengelompokkan

variabel independen (variabel umur) dan menghitung nilai tengah (dalam
hal ini menghitung proporsi) variabel dependen (variabel PJK) untuk setiap
kelompok variabel umur dan kejadian jantung dapat dilihat pada tabel berikut:
PJK Proporsi
Umur Jumlah
Tidak Ya Kejadian
20 – 29 10 9 1 0,10
30 – 34 15 13 2 0,13
35 – 39 12 9 3 0,25

40 – 44 15 10 5 0,33
45 – 49 13 7 6 0,46
50 – 54 8 3 5 0,63
55 – 59 17 4 13 0,76
60 – 69 10 2 8 0,80
Total 100 57 43 0,43
Pada tabel terlihat bahwa ada peningkatan proporsi kejadian jantung pada
kelompok umur semakin tua/lanjut. Kemudian kita coba sajikan data tersebut
dengan grafik dan hasilnya dapat dilihat pada grafik berikut:
Pada grafik terlihat jelas adanya peningkatan yang tidak linear antara proporsi
kejadian PJK dengan peningkatan umur. Diawali peningkatan yang
landai, kemudian meningkat tajam dan kemudian landai kembali, garis
tersebut menyerupai huruf S. Kalau kita cermati, pembuatan diagram tebar
tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada
analisis regresi linier, namun ada sedikit perbedaan hal dalam hal meringkas
variabel dependennya. Seperti kita ketahui bahwa pada regresi linier kita ingin
mengestimasi nilai mean variabel dependen berdasarkan setiap nilai variabel
independen. Nilai tersebut disebut sebagai mean kondisional yang
dinyatakan dengan E(Y/x), dengan Y sebagai dependen dan x sebagi
independen. E(Y/x) adalah nilai Y yang diharapkan berdasarkan nilai x.
misal Y variabel tekanan darah dan x variabel umur, maka untuk mengetahui
estimasi tekanan darah berdasarkan umu, dihitung rata-rata (mean) tekanan

darah pada masing-masing nilai umur. Pada regresi linier nilai E(Y/x) akan
berkisar antara 0 s.d ∞ (0 ≤ E(Y/x) ≤ ∞).
Pada regresi logistik dapat juga diperlakukan hal tersebut namun ada sedikit
perbedaan dalam menghitung rata-rata variabel dependennya (Y). oleh karena
pada regresi logistik dependennya adalah dikotom maka variabel
dependen dihitung bukan dengan mean namun menggunakan proporsi. Seperti
pada data di atas variabel Y kejadia PJK dan x variabel umur, maka untuk
mengetahui estimasi kejadian PJK berdasarkan umur, dihitung proporsi
kejadian PJK pada tiap kelompok umur. Pada regresi logistik, nilai E(Y/x) akan
selalu berada antara nol dan satu (0 ≤ E(Y/x) ≤ 1).
13.1 MODEL LOGISTIK

Model logistik dapat digambarkan sebagai berikut:
f(Z) merupakan propbabilitas kejadian suatu penyakit berdasarkan faktor

risiko tertentu. Misalnya probabilitas kejadian jantung pada umur tertentu.
Nilai Z merupakan nilai indeks variabel independen. Nilai Z bervariasi antara -∞
sampai +∞.
Bila nilai Z mendekati – ∞ maka f(– ∞) = 1 . =0
1 + e-(– ∞)
Bila nilai Z mendekati + ∞ maka f(+ ∞) = 1 . =1

1 + e-(+ ∞)
Fungsi Logistik dapat digambarkan sbb:

Terlihat bahwa fungsi f(Z) nilai berkisar 0 dan 1 berapapun nilai Z. kisaran
pada regresi logistik ini berari cocok/sesuai digunakan untuk model hubungan
yang variabel dependennya dikotom. Grafik f(Z) membentuk garis yang
berbentuk huruf S, ini berarti sesuai dengan contoh plot hubungan antara PJK
dengan umur pada kasus yang telah kita bahas di atas. Bentuk S ini
mencerminkan tentang pengaruh nilai Z pada risiko individu yang minimal
pada nilai Z rendah kemudian seiring dengan meningkatnya nilai Z risiko juga
semakin meningkat, dan pada ketinggian tertentu garisnya akan mendatar
mendekati nilai 1. Berdasarkan uaraian tersebut maka bila ingin mengestimasi
suatu probabilitas kejadian pada dependen yang dikotom maka model regresi
logistik adalah pilihan yang tepat.
13.2 MODEL PERSAMAAN REGRESO LOGISTIK SEDERHANA
Model logistik dikembangkan dari funsi logistik dengan nilai Z merupakan
penjumlahan linear konstanta (α) ditambah dengan β1X1, ditambah β2X2
dan seterusnya sampai βiXi. Variabel X adalah variabel Independen.
Z = α + β1X1 (Regresi logistik sederhana)
Z = α + β1X1 + β2X2 + … + βiXi (Regresi logistik berganda)
Bila nilai Z dimasukkan pada fungsi Z, maka rumus fungsi Z adalah :

Contoh :
Contoh studi follow up selama 9 tahun. Dalam studi ini dipelajari
mengenai hubungan antara kejadian penyakit jantung koroner (dengan nama
vaiabel PJK) dengan tinggi rendahnya kadar katekolamin dalam darah (nama
variabel KAT).
Pemberian kode nilai variabel adalah sbb:
Untuk variabel PJK Æ 1 = timbul penyakit jantung koroner
0 = tidak ada penyakit jantung koroner
Untuk variabel KAT Æ 1 = kadar katekolamin darah tinggi
0 = kadar katekolamin darah rendah
Pertanyaan:
a. Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai
risiko untuk terjadi PJK?
b. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai
risiko untuk terjadi PJK?
c. Bandingkan risiko terjadi PJK antara mereka yang kadar
katekolaminnya tinggi dengan yang kadar katekolaminnya rendah?
Jawab:
Dengan model regresi logistik maka pada soal tersebut modelnya adalah:
Nilai f(z) dapat diganti dengan P(X), maka rumusnya:

Misalkan didapatkan hasil analisis dengan paket program statistik sbb:
α = -3,911 dan β1 = 0,652, maka:
Dari model tersebut coba kita jawab pertanyaan di atas:

a. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi.
Oleh karena kadar katekolamin tinggi diberi angka 1, maka masukkan
nilai KAT=1 pada model di atas, hasilnya:
P(X) = 1 . = 0,037 atau sekitar 4%

1 + e-(-3,911 + 0,652*1)
jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah

mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up.
b. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah
Oleh karena kadar katekolamin rendah diberi angka 0, maka masukkan nilai
KAT=0 pada model di atas, hasilnya:
P(X) = 1 . = 0,019 atau sekitar 2%
1 + e-(-3,911 + 0,652*0)
c. Besar risiko kedua kelompok tersebut
Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh

secara direk. Arti dari angka di atas adalah mereka yang kadar

katekolaminnya tinggi mempunyai risiko terjadi PJK dua (2) kali lebih tinggi
dibandingkan mereka yang kadar katekolaminnya rendah.
Model regresi logistik dapat digunakan pada data yang dikumpulkan
melalui rancangan kohort, case control maupun cross sectional.
Pada rancangan kohort prospektif dapat digunakan untuk memperkirakan
risiko individual. Sedangkan pada rancangan case control dan cross
sectional tidak dapat digunakan untuk menghitung risiko individual karena β0
pada rancangan ini tidak sahih. Nilai β0 dapat dihitung/diestimasi bila
sampling fraction populasi yang disampel diketahui-kondisis ini hanya terjadi
pada rancangan kohort (keterangan: sampling fraction adalah proporsi
terpapar yang menjadi sakit atau tidak sakit). Namun dengan memperlakukan
rancangan case control dan cross sectional sebagai studi follow up, maka
dapat dihitung OR (Odds Ratio), yang merupakan perhitungan RR yang
indirek. Nilai OR yang merupakan yang merupakan perhitungan
eksponensial β dari persamaan garis regresi logistik.
Odds Ratio (OR) = exp(β) atau dapat ditulis OR = e(β)
Dengan demikian dapat disimpulkan bahwa Individual Risk (risiko

individu) hanya dapat diperoleh dari rancangan kohor prospektif.
Sedangkan pada rancangan case control, cross sectional tidak dapat
melakukan prediskis risiko individual. Pada rancangan case control dan cross
sectional dan cohort dapat dihitung nilai Odds Ratio (OR), yang merupakan
perhitungan RR indirek.
Pada rancangan kohort prospektif regresi logistik dapat digunakan untuk
memprediksi/menaksir probabilitas individu untuk sakit (atau meninggal)
berdasarkan nilai-nilai sejumlah variabel yang diukur padanya. Prediksi dapat
digunakan dengan model:
P(X) = 1 .
-(α + β1X1 + β2X2 + … + βiXi
1+e
RINGKASAN:

Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis
variabel dependennya. Regresi linear digunakan apabila variabel dependennya
numerik , sedangkan regresi logistik diogunakan pada data yang dependennya
berbentuk katagorik yang dikotom.
TEST/LATIHAN:
Apa perbedaan yang prinsip antara regresi linier sederhana dan regresi logistik
sederhana?
TUGAS:
1. Jelaskan makna dikotom dalam regresi logistik
2. Gambarkan model logistik
REFERENSI:

2015.

Inferensial, 2016.

BAB XIV : Populasi dan Sampel
POKOK BAHASAN : Populasi, Sampel dan Penerapannya

Materi ini menjelaskan tentang Uji yang akan dibahas dalam bab ini adalah
populasi dan sampel. Melalui pertemuan ini diharapkan mahasiswa mampu
memahami konsep dasar dan menerapkan konsep populasi dan sampel dalam
penelitian.
URAIAN MATERI:
POPULASI DAN SAMPEL
14.1 Populasi
Populasi dan sampel merupakan satu komponen yang sangat diperlukan.
Dalam menentukan populasi dan sampel penelitian, sudah barang tentu
haruslah sesuai dengan langkah-langkah yang ditentukan serta haruslah tepat
dan efisien. Kendala-kendala yang timbul selayaknya dapat diantisipasi oleh
peneliti. Oleh karenanya, dalam menentukan populasi dan sampel peneliti
hendaklah memperhatikan hal-hal yang memang berkaitan dengan populasi
dan sampel, sehingga didapatkan sampel yang tepat.
Populasi berasal dari kata bahasa inggris yaitu population, yang berarti jumlah
penduduk. Oleh karena itu, apabila disebutkan kata populasi, orang
kebanyakan menghubungkannya dengan masalah-masalah kependudukan. Hal
tersebut ada benarnya juga, karena itulah makna kata populasi sesungguhnya.
Kemudian pada perkembangan selanjutnya, kata populasi menjadi amat
populer, dan digunakan di berbagai disiplin ilmu.
Dalam metode penelitian kata populasi digunakan untuk menyebutkan
serumpun atau sekelompok objek yang menjadi sasaran penelitian. Oleh
karenanya, populasi penelitian merupakan keseluruhan (universal) dari objek
penelitian yang dapat berupa manusia, hewan, tumbuhan, udara, gejala, nilai,
peristiwa, sikap hidup, dan sebagainya, sehingga objek-objek ini dapat menjadi
sumber data penelitian.

Dalam suatu penelitian, banyaknya pengamatan yang diamati bervariasi;
mungkin sedikit, mungkin banyak tetapi terhingga, atau mungkin banyak tapi
tak terhingga. Misalnya dalam penggolongan darah siswa dalam lingkungan
sekolah, maka jumlah yang diamati pengamat sebanyak-banyaknyan hanya
sebatas jumlah siswa dalam lingkungan sekolah tersebut. Dalam hal ini akan
diperoleh data yang terhingga banyaknya. Contoh lain, jika kita dapat dapat
melemparkan sepasang dadu tak hingga kali; dan pada setiap kali mencatat
bilangan yang muncul akan didapat segugus nilai yang tak hingga
banyaknya. Keseluruhan pengamatan yang menjadi perhatian,baik yang
terhingga maupun yang tak hingga menyusun Populasi, Sampel, dan
Pengujian Normalitas Data (Teknik Sampling).
Dalam statistika, populasi adalah sekumpulan data yang mempunyai
karakteristik yang sama dan menjadi objek inferensi.
Statistika inferensi mendasarkan diri pada dua konsep dasar, populasi
sebagai keseluruhan data, baik nyata maupun imajiner, dan sampel, sebagai
bagian dari populasi yang digunakan untuk melakukan inferensi
(pendekatan/penggambaran) terhadap populasi tempatnya berasal. Sampel
dianggap mewakili populasi. Sampel yang diambil dari populasi satu tidak
dapat dipakai untuk mewakili populasi yang lain.
Suatu sensus dilakukan untuk mendapatkan karakteristik populasi secara
nyata. Karakteristik yang dimiliki oleh populasi dinamakan parameter.
Bagi suatu karakteristik yang dimiliki sampel (disebut statistik), nilai parameter
adalah nilai harapannya (expected value).
Populasi terdiri dari unsur sampling yaitu unsur/unsur yang diambil
sebagai sampel. Kerangka sampling (sampling Frame) adalah daftar semua
unsur sampling dalam populasi sampling. Unsur sampling ini diambil dengan
menggunakan kerangka sampling (sampling frame). Berdasarkan sifatnya,
populasi dibagi menjadi dua, yaitu populasi homogen dan populasi heterogen.
Populasi homogen adalah sumber data yang unsurnya memiliki sifat yang
sama dan tidak perlu mempersoalkan jumlahnya secara kuantitatif. Sedangkan
populasi heterogen yaitu sumber data yang unsurnya memiliki sifat atau
keadaan yang berbeda (bervariasi) sehingga perlu ditetapkan batas-batasnya

secara kualitatif dan kuantitatif. Banyaknya pengamatan atau anggota
suatu populasi disebut ukuran populasi. Misalnya ada 600 siswa disekolah itu
yang kita golongkan menurut golongan darahnya, maka dikatakan kita
mempunyai populasi berukuran 600. Bilangan-bilangan yang dituliskan pada
sekumpulan kartu, tinggi badan penduduk di suatu tempat, dan panjang ikan
disebuah danau adalah contoh populasi terhingga. Percobaan pelemparan
dadu yang disebutkan tadi termasuk contoh populasi tak hingga.
Menentukan populasi dipengaruhi oleh 4 (empat) faktor, yaitu: isi,
satuan,cakupan (scope), dan waktu. Misalnya: Suatu penelitian tentang
pendapatan keluarga petani di suatu Kabupaten A pada tahun 2015, maka
populasinya dapat ditetapkan dengan 4 (empat) faktor sebagai berikut:
Isi : Semua keluarga petani
Satuan : Petani penggarap/pemilik tanah
Cakupan (scope): Kabupaten A
Waktu : Tahun 2015
14.2 Jenis Populasi

Berdasarkan jenisnya, ada dua macam jenis populasi, yaitu populasi terbatas
dan populasi tidak terbatas (tak terhingga).
1) Populasi Terbatas :
Populasi terbatas mempunyai sumber data yang jelas batasnya secara
kuantitatif sehingga dapat dihitung jumlahnya.
Contoh : a. Jumlah penduduk kota Medan 2.300.000 jiwa.
b. Jumlah 1000 guru SD di Deli Serdang mengikuti pra jabatan.
2) Populasi Tak Terbatas:
Populasi tak terbatas yaitu sumber datanya tak dapat ditentukan batas-
batasnya sehingga relatif tidak dapat dapat dinyatakan dalam bentuk jumlah.
Contoh : Suatu percobaan seorang bandar akan melemparkan sepasang dadu
sampai tak terhingga kali lemparannya. Maka setiap kali mencatat sepasang
bilangan yang muncul akan mendapatkan sepasang nilai yang tak terhingga
pula.
14.3 Sifat Populasi

Berdasarkan sifatnya populasi dapat digolongkan menjadi populasi homogen
dan populasi heterogen.
a. Populasi homogen Populasi homogen adalah sumber data yang unsurnya
memiliki sifat atau keadaan yang sama
b. Populasi heterogen Populasi heterogen adalah sumber data yang unsurnya
memiliki sifat atau keadaan yang berbeda (bervariasi) sehingga perlu
ditetapkan batas-batasnya baik secara kuantitatif maupun secara kualitatif.
Dalam melaksanakan penelitian, walaupun tersedia populasi yang terbatas
dan homogen , ada kalanya peneliti tidak melakukan pengumpulan data
secara populasi. Tetapi mengambil sebagian dari populasi yang dianggap
mewakili populasi (representative). Hal ini berdasar pertimbangan yang logis,
seperti kepraktisan, keterbatasan biaya, waktu, tenaga dan adanya percobaan
yang bersifat merusak (destruktif).
14.4 Sampel
Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh
populasi. Sampel merupakan himpunan bagian dari populasi. Sampel
penelitian adalah sebagian dari populasi yang diambil sebagai sumber data
dan dapat mewakili seluruh populasi. Menurut Sugiyono 2008, sampel adalah
sebagian dari karakteristik yang dimiliki oleh populasi. Keuntungan dalam
menggunakan sampel yaitu: memudahkan peneliti, penelitian lebih efisien,
lebih teliti dan cermat dalam pengumpulan data, serta penelitian lebih efektif.
Sedangkan sampling adalah suatu proses memilih sebagian dari unsur
populasi yang jumlahnya mencukupi secara statistik sehingga dengan
mempelajari sampel serta memahami karakteristik-karakteristiknya (ciri-cirinya)
akan diketahui informasi tentang keadaan populasi.
14.5 Syarat Sampel Yang Baik
a) Akurasi atau ketepatan
Konsep ini mengacu pada tingkat ketidakadaan “bias” (kekeliruan) dalam
sample. Dengan kata lain makin sedikit tingkat kekeliruan yang ada dalam
sampel, makin akurat sampel tersebut. Tolok ukur adanya “bias” atau
kekeliruan adalah populasi.
b) Presisi

Kriteria kedua sampel yang baik adalah memiliki tingkat presisi estimasi.
Presisi mengacu pada persoalan sedekat mana estimasi kita dengan
karakteristik populasi. Presisi=standard error, nilai rata-rata populasi dikurangi
nilai rata-rata sampel
14.6 Alasan Menggunakan Sampel:
(a) Populasi demikian banyaknya sehingga dalam prakteknya tidak
mungkin seluruh elemen diteliti.
(b) Keterbatasan waktu penelitian, biaya, dan sumber daya manusia,
membuat peneliti harus telah puas jika meneliti sebagian dari elemen
penelitian.
(c) Penelitian yang dilakukan terhadap sampel bias lebih reliabel daripada
terhadap populasi–misalnya, karena elemen sedemikian banyaknya maka
akan memunculkan kelelahan fisik dan mental para pencacahnya sehingga
banyak terjadi kekeliruan (Uma Sekaran, 1992).
(d) Jika elemen populasi homogen, penelitian terhadap seluruh elemen
dalam populasi menjadi tidak masuk akal, misalnya untuk meneliti kualitas
jeruk dari satu pohon jeruk.
Sampel yang baik harus dapat mewakili keseluruhan populasi dan hasil
penelitian dapat diterapkan keseluruh populasi. Misalnya saja, dalam usaha
menetukan umur rata-rata suatu lampu pijar tertentu, adalah tidak mungkin
untuk menguji semua lampu pijar kalau kita masih ingin menjualnya. Biaya
yang lebih besar sering menjadi faktor penghalang untuk mengamati semua
anggota populasi. Oleh karena itu, kita terpaksa menggantungkan pada
sebagian anggota populasi untuk membantu kita menarik kesimpulan
mengenai populasi tersebut.
Teknik (metode) penentuan sampel yang ideal memiliki ciri-ciri dapat
memberikan gambaran yang akurat tentang populasi, dapat menentukan
presisi, sederhana sehingga mudah dilaksanakan, dan dapat memberikan
keterangan sebanyak mungkin dengan biaya murah.
Jumlah/Besar sampel perlu mempertimbangkan hal-hal sebagai berikut:
a) Derajat keseragaman (degree of homogenity)
b) Presisi yang dikehendaki dari penelitian

c) Rencana analisis
d) Tenaga, biaya dan waktu
e) Besar populasi
Kalau kita menginginkan kesimpulan dari contoh terhadap populasi
menjadi sah, kita harus mendapatkan contoh yang mewakili. Prosedur
pengambilan contoh yang menghasilkan kesimpulan konsisten yang terlalu
tinggi atau terlalu rendah mengenai suatu ciri populasi dikatakan berbias.
Untuk menghilangkan kemungkinan bias ini, kita perlu mengambilcontohacak
sederhana. Contoh acak sederhana adalah suatu contoh yang dipilih
sedemikian rupa sehingga setiap himpunan bagian yang berukuran n dari
populasi tersebut mempunyai peluang terpilih yang sama. Untuk populasi
terhingga yang kecil, proses pengambilan contoh acak sederhana relatif
mudah; namun dengan semakin besarnya populasi, proses ini menjadi
semakin rumit.
14.7 Teknik Sampling
Teknik pengambilan sampel atau teknik sampling adalah suatu cara
pengambilan sampel yang representatif dari populasi. Teknik sampling
merupakan suatu cara untuk menentukan banyaknya sampel dan pemilihan
calon anggota sampel, sehingga setiap sampel yang terpilih dalam penelitian
dapat mewakili populasinya (representatif) baik dari aspek jumlah maupun dari
aspek karakteristik yang dimiliki populasi. Untuk menentukan sampel dalam
penelitian, terdapat berbagai teknik sampling yang digunakan. Apabila semua
anggota populasi dipilih menjadi anggota sampel, maka proses ini disebut
sensus (sampeljenuh). Secara skematis, macam teknik sampling dapat dilihat
pada gambar berikut:

Dari gambar tersebut terlihat bahwa teknik sampling pada dasarnya
dikelompokkan menjadi dua yaitu Probability Sampling (Random) dan
Nonprobability Sampling (Non Random).
a. Probability Sampling
Probability sampling adalah teknik pengambilan sampel yang memberikan
peluang yang sama bagi setiap unsure (anggota) populasi untuk dipilih menjadi
anggota sampel.
Jenis-jenis Probability sampling:
1) Simple Random Sampling
Simple random sampling ialah cara pengambilan sampel dari anggota
populasi secara acak tanpa memperhatikan strata (tingkatan) yang ada dalam
anggota populasi tersebut. Hal ini dilakukan apabila anggota populasi dianggap
homogen (sejenis).Pengambilan sampel acak sederhana dapat dilakukan
dengan cara undian, memilih bilangan dari daftar bilangan secara acak, dsb.
2) Proportionate Stratified Random Sampling
Proportionate Stratified Random Sampling ialah pengambilan sampel dari
anggota populasi secara acak dan berstrata secara proporsional. Dilakukan
ini apabila ada anggota populasi yang tidak sejenis (heterogen). Pengambilan
sampel dilakukan secara acak dengan memperhatikan strata yang ada. Artinya
setiap strata terwakili sesuai proporsinya.
3) Disproportionate stratified random sampling
Disproportionate stratified random sampling ialah pengambilan sampel dari
anggota populasi secara acak dan berstrata tetapi ada sebagian data yang
kurang proporsional pembagiannya. Dilakukan ini apabila anggota populasi
heterogen. Teknik ini digunakan untuk menentukan jumlah sampel dengan
populasi berstrata tetapi kurang proporsional, artinya ada beberapa kelompok
strata yang ukurannya kecil sekali.
4) Area sampling
Area sampling ialah teknik sampling yang dilakukan dengan cara
mengambil wakil dari setiap wilayah atau daerah geografis yang ada. Teknik ini
digunakan untuk menentukan jumlah sampel jika sumber data sangat luas.

Pengambilan sampel didasarkan daerah populasi yang telah ditetapkan.
Misalnya dari 27provinsi diambil 10 provinsi secara random/acak.
b. Non Propability Sampling
Adalah teknik pengambilan sampel yang tidak memberi
peluang/kesempatan sama bagi setiap unsur atau anggota populasi untuk
dipilih menjadi sampel.
Jenis-jenis Non Probability Sampling
1) Sampling Sistematis
Sampling Sistematis adalah teknik pengambilan sampel berdasarkan urutan
dari anggota populasi yang telah diberi nomor urut.
2) Sampling Kuota
Sampling Kuota adalah teknik untuk menentukan sampel dari populasi yang
mempunyai ciri-ciri tertentu sampai jumlah (kuota) yang diinginkan.
3) Sampling insidental
Sampling insidental adalah teknik penentuan sampel berdasarkan
kebetulan, yaitu siapa saja yang secara kebetulan/incidental bertemu dengan
peneliti dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan
ditemui itu cocok sebagai sumber data.
4) Sampling Purposive
Sampling Purposive adalah teknik penentuan sampel dengan pertimbangan
tertentu. Misalnya akan melakukan penelitian tentang kualitas makanan, maka
sampel sumber datanya adalah orang yang ahli makanan. Sampel ini lebih
cocok digunakan untuk penelitian kualitatif, atau penelitian-penelitian yang tidak
melakukan generalisasi. Teknik ini dibagi dua, Yaitu:
1. Judgment Sampling, Sampel dipilih berdasarkan penilaian peneliti bahwa

dia adalah pihak yang paling baik untuk dijadikan sampel penelitiannya.
2. Quota Sampling, Teknik sampel ini adalah bentuk dari sampel
distratifikasikan secara proposional, namun tidak dipilih secara acak
melainkan secara kebetulan saja.
5) Sampling Jenuh

Sampling Jenuh adalah teknik penentuan sampel bila semua anggota
populasi digunakan sebagai sampel. Hal ini sering dilakukan bila jumlah
populasi relative kecil, kurang dari 30 orang, atau penelitian yang ingin
membuat generalisasi dengan kesalahan yang sangat kecil.
6) Snowball Sampling
Snowball Sampling adalah teknik penentuan sampel yang mula-mula
jumlahnya kecil, kemudian membesar. Penentuan sampel yang mula-mula
jumlahnya kecil, kemudian sampel itu disuruh memilih teman-temannya untuk
dijadikan sampel. Cara ini banyak dipakai ketika peneliti tidak banyak tahu
tentang populasi penelitiannya. Dia hanya tahu satu atau dua orang yang
berdasarkan penilaiannya bisa dijadikan sampel. Karena peneliti menginginkan
lebih banyak lagi, lalu dia minta kepada sampel pertama untuk menunjukan
orang lain yang kira-kira bisa dijadikan sampel. Demikian seterusnya, sehingga
jumlah sampel semakin banyak. Ibarat bola salju.Ibarat bola salju yang
menggelinding yang lama-lama menjadi besar.
14.8 Besar Sampel
Besar Sampel, tergantung dari :
 Jenis Penelitian
o Eksplorasi awal
o Generalisasi harus representatif
 Skala ukur variabel dependen
o Kategorikal/proporsional
o Kontinyu (interval)
 Presisi
o Selisih nilai yang akan diperoleh dg nilai sebenarnya yang masih
bisa diterima
Rumus Besar Sampel mana yang dipakai? Jenis pertanyaan penelitian
membantu pemilihan rumus besar sampel.
14.9 RUMUS BESAR SAMPEL :

Z1-α/2 dan Z1-β
 Dalam perhitungan sampel kesalahan tipe I Z1-α/2
 Besarnya nilai Z1-α/2 tergantung pada besarnya α

Nilai Z1-α/2 :
Kesalahan Z1-α/2
(α , β)
Dua arah Satu arah
1% 2,81 2,57
5% 1,96 1,64
10% 1,64 1,44
15% 1,44 1,28
20% 1,28 0,84
1. Deskripsi Kategori :
Parameter dari kepustakaan: Proporsi (P)
Contoh:
Meneliti prevalensi anemia di suatu daerah, maka nilai yang harus dicari adalah
prevalensi anemia (P) dari penelitian sebelumnya (kepustakaan).
Jika tidak ada, gunakan nilai P = 0,5 → besar sampel maksimal (P x Q = max)
Parameter yang ditetapkan peneliti: Presisi (d)
Contoh :
Prevalensi gizi buruk adalah 30% (kepustakaan). Peneliti menetapkan selisih
nilai yang akan diperoleh dg nilai sebenarnya yang masih bisa diterima adalah
5%. Presisi: 5%
Rumus :
Contoh 1: Kepustakaan ada, dengan prevalensi 20%-80%

Seorang peneliti ingin mengetahui prevalensi diare di Kabupaten A. Diketahui
bahwa prevalensi dari penelitian sebelumnya 20%. Apa rumus yang digunakan
dan berapa besar sampel yang diperlukan untuk meneliti prevalensi diare di
Kabupaten A?

Diketahui:
Prevalensi diare sebelumnya 20%
Peneliti menetapkan tk.kepercayaan 95%
α = 5% → Z1-α/2=1,96
Presisi (d) = 10%
Contoh 2: Kepustakaan ada, dengan prevalensi <20% atau >80%

Seorang peneliti ingin mengetahui prevalensi kebutaan di Kabupaten A. Dari
kepustakaan diperoleh bahwa prevalensi kebutaan adalah 5%. Apa rumus yang
digunakan dan berapa besar sampel yang diperlukan untuk meneliti prevalensi
kebutuaan di Kabupaten A?
Diketahui:
Prevalensi kebutaan = 5%
α = 5% → Z1-α/2=1,96
Presisi (d) = 4%
Apakah besar sampel 114 valid untuk digunakan?

Syarat: P x n > 5
Bila prediksi peneliti benar, maka peneliti memperoleh prevalensi pada sampel
sebesar 5% ± 4%. Sehingga prevalensi minimal didaparkan min 1% - maks 9%
Jika dihitung nilai P x n, didapat nilai min. 1% x 114=1,14 (<5) dan maks 9% x
114=10,26.

Jadi, besar sampel 114 tidak boleh digunakan. Apa yang harus dilakukan?
Tetapkan nilai d yang lebih kecil lagi, mis: d=2%
Contoh 3: Prevalensi tidak diketahui

Seorang peneliti ingin mengetahui prevalensi status gizi di
Kabupaten A. Apa rumus yang digunakan dan berapa besar sampel
yang diperlukan untuk meneliti prevalensi status gizi di Kabupaten A
bila belum diketahui data sebelumnya?
Diketahui:
Prevalensi = 50%
α = 5% → Z1-α/2=1,96
Presisi (d) = 10%
2. Deskripsi Numerik :
Parameter dari kepustakaan: SD (S)
Contoh:
Meneliti rerata kadar Hb wanita hamil di suatu daerah. Maka nilai yang harus
dicari adalah standar deviasi (S) dari penelitian sebelumnya (kepustakaan).
Jika dalam kepustakaan diperoleh kdr Hb = 10±2, maka nilai S = 2
Jika tidak ada, disarankan melakukan penelitian pendahuluan (10-20 subjek)
Parameter yang ditetapkan peneliti: Presisi (d)
Selisih yang masih bisa diterima antara rerata sesungguhnya.
Contoh:
jika peneliti menetapkan selisih yang masih bisa diterima sebesar 0,5 mg/dL,
maka presisinya = 0,5 mg/dl

Rumus :
Contoh 1: Simpangan Baku diketahui

Seorang peneliti ingin mengetahui rerata kadar Hb pada ibu hamil di Kabupaten
A. Berdasarkan penelitian sebelumnya, rerata dan SD Hb adalah 10±4 g/dl. Tk.
95% dan presisi 1. Besar sampel yang diperlukan untuk meneliti kadar Hb di
Kabupaten A?
Contoh 2 : Simpangan Baku tidak diketahui

Seorang peneliti ingin mengetahui rerata skor kualitas hidup pada lansia di
Medan. Apa rumus yang digunakan dan berapa besar sampel yang diperlukan
untuk meneliti skor kualitas hidup orang lansia di Medan?
Lakukan pilot studi pada 20 lansia di Medan. Dari 20 subjek ini peneliti
mendapatkan skor sebesar 70±30. S=30
TK = 95%, nilai presisi (d) = 10
RINGKASAN:
Materi ini menjelaskan tentang Uji yang akan dibahas dalam bab ini adalah
popu;asi dan sampel. Melalui pertemuan ini diharapkan mahasiswa mampu
memahami konsep dasar dan menerapkan konsep populasi dan sampel dalam
penelitian meliputi tehnik pengambilan sampel dan perhitungan besar sampel.

TEST/LATIHAN:
1. Jelaskan tentang populasi dan sampel
2. Sebutkan dan jelaskan sampel berdasarkan jenis dan sifatnya
TUGAS:
1. Seorang peneliti ingin mengetahui berapa proporsi balita di daerah A yang
telah mendapat vaksinasi polio. Tingkat kepercayaan yang dikehendaki
sebesar 95% dan ketepatan absolut yang diinginkan sebesar 10%.
Berapakah besar sampel minimal yang diperlukan?
2. Dinas kesehatan kota Medan melakukan survei prevalensi infeksi
tuberkulosis pada anak balita di kota Medan. Berdasarkan hasil survei
prevalensi yang sudah dilakukan di kota lain, peneliti memperkirakan
prevalensi infeksi tuberkulosis sebesar 15% (data fiktif). Ketepatan absolut
yang diinginkan adalah 5% dari prevalensi sebenarnya. Tingkat kepercayaan
yang digunakan adalah 95%. Berapa jumlah balita yang dibutuhkan sebagai
sampel?
REFERENSI:
2015.

Inferensial, 2016.


Modul Biostatistik Inferensial

Diunggah oleh

Informasi Dokumen

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

Modul Biostatistik Inferensial

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PERKULIAHAN

FAKULTAS FARMASI DAN ILMU KESEHATAN

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Visi Fakultas Visi Prodi

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA i

Kemampuan analisis data baik analisa univariat, bivariat maupun

Medan, April 2020

Taruli Rohana Sinaga

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA i

BAB IV Konsep Uji Parametrik dan Non Parametrik……………………... 21

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA ii

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA iii

POKOK BAHASAN :Konsep,Teori dan Ruang Lingkup Biostatistik Inferensial

DESKRIPSI SINGKAT POKOK BAHASAN:

KONSEP DASAR STATISTIK

1.1 Definisi Statistik

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 1

Gambar 1. Skema Penggolongan dan Jenis Statistik (Yuantari,S &

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 2

5. Statistika dapat memberikan gambaran mengenai suatu peramalan untuk

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 3

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 4

1. Sebagai alat bantu untuk mengumpulkan, mengolah, menganalisa dan

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 5

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 6

POKOK BAHASAN :Istilah-Istilah dan Simbol Dalam Biostatistik Inferensial

DESKRIPSI SINGKAT POKOK BAHASAN:

METODE PEMBELAJARAN: Ceramah dan Diskusi

ISTILAH DAN SIMBOL DALAM BIOSTATISTIK INFERENSIAL

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 7

Skala Ukur Definisi Contoh

2.2 Sumber Data

Sumber data sangat penting dalam menentukan masalah penelitian,

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 8

Teknik pengumpulan data kesehatan sangat penting dalam melakukan

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 9

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 10

2.5 Analisis Data

3. Analisis multivariat. Analisis ini digunakan untuk melihat hubungan atau

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 11

Univariat Bivariat Multivariat

Minimum Uji Hubungan: Uji Hubungan :

Parametrik Non Parametrik

-Skala pengukuran - Skala pengukuran

*Kor. Pearson * Kor.Rank, Chi Square

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 12

Hubungan Pengaruh Perbedaan

Hipotesis Hipotesis Hipotesis

Kor.Pearson Regresi Uji t, Uji Z

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 13

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 14

POKOK BAHASAN :Kaidah dan Test Kemaknaan Dalam Biostatistik Inferensial

DESKRIPSI SINGKAT POKOK BAHASAN:

Materi ini menjelaskan tentang kaidah-kaidah dan konsep test kemaknaan

KAIDAH DAN KONSEP TEST KEMAKNAAN

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 15

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 16

Hipotesis Nol Keputusan uji diterima Keputusan uji ditolak

• Error Tipe I, Keputusan uji menyatakan ada perbedaan yang pada

• 1-β= Power ( kekuatan ) uji

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 17

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 18

Hipotesis Nol Keputusan uji diterima Keputusan uji ditolak

2020 BIOSTATISTIKA – TARULI ROHANA SINAGA 19

Kor. Pearson Kor.Rank, Chi Square