 Dr. Nurvita Trianasari, S.Si, M.

Stat
 E-mail : vistat12@gmail.com
 nurvitatrianasari@telkomuniversity.ac.id
 Mobile : 081322892073
 BIOSTATISTIKA

PENDAHULUAN PELUANG
 ISTILAH PENTING

 Probabilitas – kesempatan yang mungkin muncul

dari suatu kejadian (selalu antara 0 dan 1)
 Kejadian (event) – Setiap hasil yang mungkin
muncul dari suatu variabel
 Kejadian Tunggal (single event) – Suatu kejadian
yang bisa digambarkan melalui karakteristik tunggal
 Ruang Sampel – kumpulan seluruh kejadian yang
mungkin terjadi
 Penilaian atas Probabilitas
 Terdapat tiga pendekatan yang dapat digunakan untuk
menilai probabilitas kejadian yang tidak pasti :
1. a priori classical probability
X banyaknya cara kejadian dapat terjadi
probabilitas kejadian  
T jumlah total keluaran

2. empirical classical probability

banyaknya kejadian yang diinginkan
probabilitas kejadian 
jumlah total keluaran yang diamati

3. subjective probability
Penilaian/pendapat individu mengenai probabilitas suatu kejadian
 Ruang Sampel
Ruang Sampel adalah kumpulan seluruh kejadian
yang mungkin keluar
Contoh: 6 sisi dadu

52 kartu
 Penggambaran Kejadian (Events)

 Tabel Kontingensi
As Bukan As Total

Hitam 2 24 26
Merah 2 24 26

Total 4 48 52

 Diagram Pohon Ruang

2 Sampel
Ruang 26
Sampel 24
Full Deck
of 52 Cards 26 2

24
 Kejadian (Events)
 Kejadian Tunggal (Simple event)
 Hasil yang mungkin muncul dari ruang sampel dengan
satu karakteristik
 Contoh: kartu merah yang muncul dari setumpuk kartu
 Kebalikan (complement) dari kejadian A (A’)
 Semua hasil yang muncul yang bukan bagian A
 Contoh: semua kartu yang bukan merah
 Kejadian yang berhubungan (Joint event)
 Terkait dengan dua karakteristik yang simultan
 Contoh: kartu as yang juga termasuk kartu merah
 Penggambaran Kejadian (Events)

 Diagram Venn
 misal A = kartu as
 misal B = kartu merah A ∩ B = as dan merah

A U B = as atau merah B
 Kejadian“Mutually Exclusive”

 Kejadian “Mutually exclusive”

 Kejadian yang tidak mungkin muncul secara
bersamaan
contoh:

A = ratu hati; B = ratu sekop

 Kejadian A dan B adalah “mutually exclusive”

 Kejadian “Collectively Exhaustive”

 Kejadian Collectively exhaustive

 Satu kejadian yang harus terjadi
 Kejadian yang muncul yang dapat mewakili seluruh
ruang sampel
contoh:
A = as; B = kartu hitam;
C = wajik; D = hati

 Kejadian A, B, C dan D adalah ‘collectively exhaustive’

(tidak ‘mutually exclusive’ – karena as juga bisa kartu
hati)
 Kejadian B, C dan D adalah ‘collectively exhaustive’
dan juga ‘mutually exclusive’
 Probabilitas
 Probabilitas merupakan pengukuran
numerik dari kejadian yang mungkin 1 Certain
muncul
 Probabilitas dari semua kejadian selalu
berjarak antara 0 dan 1
0 ≤ P(A) ≤ 1 untuk setiap kejadian A 0.5
 Jumlah dari probabilitas yang ‘mutually
exclusive’ dan ‘collectively exhaustive’
adalah 1
P(A)  P(B)  P(C)  1
Jika A,B dan C ‘mutually exclusive’ dan 0 Impossible
‘collectively exhaustive’
 Menghitung Probabilitas Joint dan
Marginal
 Probabilitas dari kejadian yang berhubungan (joint),
A dan B:
banyaknya kemungkinan muncul _ kejadian A dan B
P ( A dan B ) 
jumlah _ total _ keluaran

 Menghitung probabilitas marginal (tunggal):

P(A)  P(A dan B1 )  P(A dan B 2 )    P(A dan B k )

 Dimana B1, B2, …, Bk adalah k ejadian ‘mutually exclusive’ dan

‘collectively exhaustive’
Contoh Probabilitas yang berhubungan
(Joint)

P(merah dan as)

banyaknya kartu As dan juga merah 2
 
jumlah seluruh kartu 52

Warna
Tipe Merah (B1) Hitam (B2) Total
As (A) 2 2 4
Bukan As 24 24 48
Total 26 26 52
 Contoh Probabilitas Marginal

P(As)
2 2 4
 P( As dan Merah)  P( As dan Hitam)   
52 52 52

Warna
Tipe Merah (B1) Hitam (B2) Total
As (A) 2 2 4
Bukan As 24 24 48
Total 26 26 52
 Menggunakan Tabel Kontingensi untuk
menggambarkan Probabilitas yang
berhubungan (joint)

Event
Event B1 B2 Total
A1 P(A1 dan B1) P(A1 dan B2) P(A1)

A2 P(A2 dan B1) P(A2 dan B2) P(A2)

Total P(B1) P(B2) 1

Joint Probabilities Marginal (Simple) Probabilities

 Hukum Umum

Hukum Umum:
P(A atau B) = P(A) + P(B) - P(A dan B)

Jika A dan B mutually exclusive, maka

P(A dan B) = 0, sehingga rumus menjadi simpel:

P(A atau B) = P(A) + P(B)

Untuk kejadian A dan B yang mutually
exclusive
 Contoh Penggunaan Hukum Umum

P(Merah atau As) = P(Merah) +P(As) - P(Merah dan As)

= 26/52 + 4/52 - 2/52 = 28/52

Jangan
menghitung
Color As Merah
Type Red Black Total dua kali!
Ace 2 2 4
Non-Ace 24 24 48
Total 26 26 52
 Contoh Penggunaan Hukum Umum

P(Wanita atau Pria) = P(Wanita) +P(Pria) – P(Wanita dan Pria)

= 2/26 + 24/26 - 0 = 26/26

Tidak Ada
irisan
Tipe Wanita dan
Tipe Wanita Pria Total Pria!
Wanita 2 0 2
Pria 0 24 24
Total 2 24 26
 Statistical Independence
 Dua kejadian yang independen,jika dan
hanya jika:

P(A | B)  P(A)
 Kejadian A dan B bersifat independen jika probabilitas
dari satu kejadian tidak dipengaruhi oleh kejadian yang
lain
 Contoh
Tidak Puas
TIPE TV Puas (A) Total
(A’)
Plasma (B) 64 16 80

Bukan
176 44 220
Plasma (B’)

Total 240 60 300

 Apakah Tipe TV yang dibeli dan

kepuasan pelanggan statistically
independent?
 BIOSTATISTIKA

Distribusi Probabilitas Diskrit

 Tujuan Kuliah
Pada Bab ini akan dipelajari:
 Sifat dari distribusi Probabilitas
 Menghitung expected value, varians, and
simpangan baku dari distribusi probabilitas
 Menghitung probabilitas distribusi binomial dan
Poisson
 Bagaimana menggunakan distribusi binomial dan
Poisson untuk memecahkan masalah bidang
Kesehatan dan Farmasi
 Pendahuluan Distribusi Probabilitas

 Random Variable (Acak)

 Menggambarkan nilai numerik yang
memungkinkan dari suatu kejadian
Random
Variables

Discrete Continuous
Random Variable Random Variable
 Variabel Acak Diskrit
 Hanya bisa mengasumsikan nilai-nilai yang
bisa dihitung
Contoh:

 Lempar dadu 2 kali

anggap X adalah berapa kali angka 4 muncul
(maka X bisa 0, 1, atau 2 kali)

 Lempar koin 5 kali.

anggap X adalah berapa kali gambar muncul
(maka X = 0, 1, 2, 3, 4, atau 5)
 Distribusi Probabilitas Diskrit

Eksperimen: Lempar 2 koin. X = # Gambar.

4 kemungkinan keluaran
Probability Distribution
A A X Probability
0 1/4 = 0.25
A G 1 2/4 = 0.50
2 1/4 = 0.25
G A
Probability

0.50

G G 0.25

0 1 2 X
 Variabel Acak Diskrit
 Expected Value (atau mean) dari distribusi
diskrit (Weighted Average)
N
  E(X)   Xi P( Xi )
i1

X P(X)
 Contoh: Lempar 2 koin, 0 0.25
X = # Gambar, 1 0.50
Hitung expected value dari X: 2 0.25
E(X) = (0 x 0.25) + (1 x 0.50) + (2 x 0.25)
= 1.0
 Variabel Acak Diskrit
(continued)
 Varians dari variabel acak diskrit
N
σ 2   [Xi  E(X)]2 P(Xi )
i1

 Simpangan baku dari variabel acak diskrit

N
σ  σ2   i
[X
i 1
 E(X)] 2
P(Xi )

where:
E(X) = Expected value of the discrete random variable X
Xi = the ith outcome of X
P(Xi) = Probability of the ith occurrence of X
 Variabel Acak Diskrit
(continued)

 Contoh: Lempar 2 koin, X = # Gambar,

Hitung simpangan baku(E(X) = 1)

σ  [X  E(X)] P(X )
i
2
i

σ  (0  1)2 (0.25)  (1 1)2 (0.50)  (2  1)2 (0.25)  0.50  0.707

Berapa kali gambar

muncul = 0, 1, or 2
 Distribusi Probabilitas
Probability
Distributions

Discrete Continuous
Probability Probability
Distributions Distributions

Binomial Normal

Poisson
 Distribusi Binomial
Probability
Distributions

Discrete
Probability
Distributions

Binomial

Poisson
 Formula Distribusi Binomial

n! X nX
P(X)  p (1-p)
X ! (n  X)!

P(X) = Kemungkinan X muncul dari n percobaan,

dengan probabilitas muncul X adalah p
Contoh: Lempar koin 3
dari setiap percobaan
kali, x = # Gambar:

X = berapa kali X muncul, n=3

(X = 0, 1, 2, ..., n) p = 0.5
n = banyaknya sampel(banyaknya jumlah 1 - p = (1 - 0.5) = 0.5
percobaan) X = 0, 1, 2, 3
p = Peluang X muncul
 Contoh:
Perhitungan distribusi binomial
Berapa probabilitas satu kali sukses dari 5 kali
percobaan bila peluang sukses adalah .1?
X = 1, n = 5, and p = 0.1

n!
P(X  1)  p X (1 p)n X
X!(n  X)!
5!
 (0.1)1(1 0.1)51
1! (5  1)!
 (5)(0.1)(0.9) 4
 0.32805
 Distribusi Binomial
 The shape of the binomial distribution depends on the
values of p and n
Mean P(X) n = 5 p = 0.1
.6
 Here, n = 5 and p = 0.1 .4
.2
0 X
0 1 2 3 4 5

.6
P(X) n = 5 p = 0.5
 Here, n = 5 and p = 0.5
.4
.2
0 X
0 1 2 3 4 5
 Karakteristik Distribusi Binomial

 Mean
μ  E(x)  np
 Varians and Simpangan Baku

σ  np(1 - p)
2

σ  np(1 - p)
Where n = jumlah sampel
p = peluang sukses
(1 – p) = peluang gagal
 Karakteristik Binomial
Examples
μ  np  (5)(0.1)  0.5
Mean P(X) n = 5 p = 0.1
.6
.4
σ  np(1- p)  (5)(0.1)(1  0.1) .2
 0.6708 0 X
0 1 2 3 4 5

μ  np  (5)(0.5)  2.5 P(X) n = 5 p = 0.5

.6
.4
σ  np(1- p)  (5)(0.5)(1  0.5) .2
 1.118 0 X
0 1 2 3 4 5
 Tabel Binomial
n = 10
x … p=.20 p=.25 p=.30 p=.35 p=.40 p=.45 p=.50
0 … 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010 10
1 … 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098 9
2 … 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439 8
3 … 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172 7
4 … 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051 6
5 … 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461 5
6 … 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051 4
7 … 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172 3
8 … 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439 2
9 … 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098 1
10 … 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0
… p=.80 p=.75 p=.70 p=.65 p=.60 p=.55 p=.50 x

Examples:
n = 10, p = 0.35, x = 3: P(x = 3|n =10, p = 0.35) = 0.2522
n = 10, p = 0.75, x = 2: P(x = 2|n =10, p = 0.75) = 0.0004
 Distribusi Poisson
Probability
Distributions

Discrete
Probability
Distributions

Binomial

Poisson
 Distribusi Poisson

 Penggunaan distribusi poisson dipakai ketika:

 Jumlah sampel sangat besar (n sangat besar)

 P < 0.1, np < 5
 Rata-rata/mean/expected value dari suatu kejadian
adalah  (lambda)
 Formula Distribusi Poisson

 x
e 
P( X) 
X!
where:
X = jumlah kejadian yang diharapkan
 = expected value
e = natural logarithm (2.71828...)
 Karakteristik Distribusi Poisson

 Mean
μλ
 Variance and Standard Deviation

σ2  λ
σ λ
where  = expected number of events
 Tabel Poisson


X 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90

0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066

1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Example: Find P(X = 2) if  = 0.50

e  λ λ X e 0.50 (0.50)2
P(X  2)    0.0758
X! 2!
 Grafik Probabilitas Poisson
0.70

Graphically: 0.60

 = 0.50 0.50

= P(x) 0.40

X 0.50
0.30
0 0.6065
0.20
1 0.3033
2 0.0758 0.10

3 0.0126 0.00
0 1 2 3 4 5 6 7
4 0.0016
5 0.0002 x
6 0.0000
P(X = 2) = 0.0758
7 0.0000
 Bentuk Distribusi Poisson

 The shape of the Poisson Distribution

depends on the parameter  :

0.70
 = 0.50 0.25
 = 3.00
0.60
0.20
0.50

0.15
0.40

P(x)
P(x)

0.30 0.10

0.20
0.05
0.10

0.00 0.00
0 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12

x x
 Distribusi Probabilitas Kontinyu
 Variabel Acak Kontinyu merupakan variabel yang
diasumsikan memiliki nilai kontinyu (nilai yang tak
hingga)
 Tingkat ketebalan suatu produk
 Waktu yang dibutuhkan untuk menyelesaikan pekerjaan
 Suhu ruangan
 Tinggi badan

 Dapat digunakan untuk setiap nilai, tergantung dari

kemampuan suatu alat ukur menghitung secara
akurat
 Distribusi Probabilitas Normal

Distribusi probabilitas kontinu yang terpenting di bidang

statistik adalah Distribusi Normal.

Ciri-cirinya :
Kurva berbentuk lonceng
Rata-rata, Median dan Modus benilai sama (= Md= Mo)
Kurva berbentuk simetris
Kurva normal berbentuk asimptotis
Kurva mencapai puncak pada saat X= 
Luas daerah di bawah kurva adalah 1, ½ di sisi kanan nilai tengah dan
½ di sisi
kiri.
Lokasi sebuah distribusi normal ditentukan oleh rata-rata, . Dispersi atau
sebarannya ditentukan oleh standar deviasi, σ
Secara teori, variabel acak memiliki jarak tak hingga: -  to + 
Distribusi Probabilitas Normal

0.4
0.3
dnorm(x)

0.2
0.1
0.0

-4 -2 0 2 4

Kurva normal
Distribusi Probabilitas Normal

Distribusi Normal

0.5
0.4
0.3
dnorm(x, 5, 1)

0.2
0.1
0.0

0 2 4 6 8 10

Kurva normal dengan simpangan baku sama

Distribusi Probabilitas Normal

Distribusi Normal

1.5
1.0
dnorm(x, 0, 0.25)

0.5
0.0

-4 -2 0 2 4

Kurva normal dengan mean sama tapi standar deviasi

berbeda
Distribusi Probabilitas Normal

0.8
0.6
dnorm(x, 1, 0.5)

0.4
0.2
0.0

-6 -4 -2 0 2 4

Kurva normal dengan mean dan standar deviasi

berbeda
 Distribusi Probabilitas Normal
Luas Daerah Dibawah Kurva Normal
Luas daerah kurva normal antara x = a dan x = b dinyatakan sbb:
b b  x 
1
1 2   2
P(a  x  b)  f(x)dx 
2 2
e
 dx
a a
0.4
0.3
dnorm(x)

0.2
0.1
0.0

-4 -2 0 2 4

Gambar : Luas daerah P(a<x<b)= luas daerah di

arsir
 Distribusi Probabilitas Normal
Rumus umum dari fungsi rata-rata probabilitas normal

1 (1/2)[(X μ)/σ]2
f(X)  e
2π

dimana e = angka konstan matematika 2.71828

π = angka konstan matematika 3.14159
μ = rata-rata populasi
σ = deviasi standar populasi
X = berbagai nilai dari variabel kontinu
 Distribusi Probabilitas Normal Baku
• Distribusi probabilitas normal apapun dapat
diubah menjadi distribusi probabilitas normal baku
dengan mengurangkan rata-ratanya dari setiap
pengamatan dan membagi selisihnya dengan
standar dviasinya. Hasilnya disebut nilai Z
 Nilai Z adalah Jarak yang bertanda antara sebuah
nilai X yang dipilih dari rata-rata,  , dibagi dengan
standar deviasinya,  .
 Nilai rata-rata distribusi Z selalu = 0 dan simpangan
baku= 1
 Perlu transformasi dari nilai X menjadi nilai Z
 Distribusi Probabilitas Normal Baku

 Rumus Normal Baku (Z)

X μ
Z
σ
Dimana :
X = nilai beberapa pengamatan atau pengukuran tertentu
 = rata-rata distribusi
 = standar deviasi
 Distribusi Probabilitas Normal Baku
Contoh 1:
 Gaji mingguan para pekerja pada industri farmasi
mengikuti distribusi probabilitas normal dengan rata-rata
$1.000 dan standar deviasi $100. Berapa nilai z untuk
gaji, sebut saja X, untuk seorang pekerja yang
mendapatkan $1.100 per minggu? Berapa nilai z untuk
seorang pekerja yang mendapatkan $900 per minggu?
 Distribusi Probabilitas Normal Baku
Jawab :
 nilai z untuk dua nilai X ($1.100 dan $900) adalah
 Untuk X = $1.100 ;
Z = $1.100-$1.000 = 1,00
$100
 Untuk X = $900 ;
Z = $900-$1.000 = -1,00
$100
Nilai Z = 1,00 menunjukkan bahwa upah mingguan $1.100
adalah satu standar deviasi diatas rata-rata, dan nilai z -1,00
menunjukkan bahwa upah $900 adalah satu standar deviasi
dibawah rata-rata. Perhatikan bahwa kedua gaji tersebut
berjarak sama ($100) dari rata-rata.
 Aturan Empiris Distribusi Probabilitas
Normal Baku

Melalui aturan umum dapat ditentukan bahwa

distribusi nilai dari sekitar rata-rata adalah:

f(X)
μ ± 1σ berada sekitar 68%
dari nilai X
σ σ

μ- μ μ+ X
1σ 68.26%
1σ
Distribusi Probabilitas Normal Baku

 μ ± 2σ meliputi sekitar 95% nilai X

 μ ± 3σ meliputi sekitar 99.7% nilai X

2σ 2σ 3σ 3σ
μ x μ x
95.44% 99.73%
Distribusi Probabilitas Normal Baku
Membandingkan Nilai X dan Z

7 9 X (μ = 7, σ = 2)

0 1.0 Z (μ = 0, σ = 1)

Distribusinya sama, namun skala berbeda. Kita dapat menyelesaikan

masalah melalui nilai semula (X) atau nilai standar (Z)
 Distribusi Probabilitas Normal Baku

Menghitung Probabilitas dengan mengukur luas area

yang berada dibawah kurva

f(X) P (a ≤ X ≤ b)
= P (a < X < b)
(probabilitas dari setiap
angka adalah 0)

a b X
Distribusi Probabilitas Normal Baku

Total area dibawah kurva adalah 1.0, kurva berbentuk simetrik,

sehingga setengah diatas rata-rata, setengah dibawah

f(X) P(  X  μ)  0.5 P(μ  X   )  0.5

μ X
P(   X   )  1.0
 Distribusi Probabilitas Normal Baku

Menghitung Luas di Bawah Kurva Normal dengan menggunakan tabel:

P( 0 ≤ z ≤ a )= nilai tabel a

P( z ≥ a )= 0.5 - nilai tabel a

P( z ≥ -a ) = 0.5 + nilai tabel -a

P( z ≤ a )= nilai tabel a + 0.5

P( a1 ≤ z ≤ a2 )= nilai tabel a2 - nilai tabel a1

P( a1 < z < a2 )= nilai tabel a2 + nilai tabel a1

 Distribusi Probabilitas Normal Baku

Contoh 2 :
 Dari 500 daun teh yang di petik dari kebun XYZ menunjukan Dari
hasil pengamatan bahwa rata-rata panjang daun teh tersebut 151
mm dengan standard deviasi sebesar 15 mm. Dengan asumsi
bahwa panjang daun-daun yang diamati tersebut berdistribusi
normal, diantara daun-daun yang diamati tersebut, berapa yang
memiliki panjang antara 120 mm sampai dengan 155 mm?
 Distribusi Probabilitas Normal Baku

 Jawab :
 n = 500; rata-rata = 151; s = 15
 Untuk menghitung jumlah daun yang memiliki panjang antara 120
mm sampai dengan 155 mm nilai probabilitas terlebih dulu dihitung
dengan formulasi :

 Jumlah daun yang memiliki panjang 120 mm sampai dengan 155

mm = (0,60)(500) = 300 lembar
 Distribusi Probabilitas Normal Baku

Contoh 3 :
 Nilai rata-rata hasil ujian suatu matakuliah adalah 65,dengan varians
36. Salah satu ketentuan agar peserta mendapat nilai A, jika
angkanya minimal 75. Peserta ujian akan mendapat nilai B, jika nilai
angkanya paling sedikit 60 dan kurang dari 75.Bila diketahui
pencaran nilai peserta ujian mendekati distribusi normal, maka bila
diambil seorang peserta ujian secara acak, tentukan probalitas
bahwa ia adalah peserta ujian yang mendapat nilai A ?
 Distribusi Probabilitas Normal Baku

 jawab :
 µ = 65
 σ² = 36 sehingga σ = 6
 Probabilitas mendapat nilai A dapat dihitung sebagai berikut :
Distribusi Probabilitas Normal Baku
 Latihan

Soal :
Sebuah penelitian terbaru mengenai gaji per jam
perawat dirumah sakit menunjukkan rata-rata
gaji per jam adalah $20,5 dengan standar
deviasi $3,50. Asumsikan distribusi gaji per jam
mengikuti distribusi probabilitas normal. Jika kita
memilih seorang perawat secara acak berapa
probabilitas perawat itu mendapatkan:
a. Antara $20,50 dan $24,00 per jam?
b. Lebih dari $24,00 per jam?
c. Kurang dari $19,00 per jam?
tERiMa KaSih