JAWABAN UAS BIOSTATISTIK

NAMA: EMA SHAFITRI

NIM: 121STYC19
JAWABAN SOAL A
Uji Mann Whitney

• Alternatif lain uji T dua sampel bebas

• Perhitungannya berdasarkan frekuensi sampel

• H : Dua sampel bebas berasal dari populasi yg

0
identik atau mempunyai mean sama.

• H : Dua sampel bebas berasal dari populasi berbeda

1

R1 : Total peringkat salah satu sampel

Contoh:

Suatu perusahaan besar diduga menerapkan diskriminasi penggajian atas gender.

Sebanyak 24 sampel dari antara karyawan dan gajinya ditunjukkan tabel berikut:

Wanita 22.5 19.8 20.6 24.7 23.2 19.2 18.7

Pria 21.9 21.6 22.4 24.0 24.1 23.4 21.2

Wanita 20.9 21.6 23.5 20.7 21.6

Pria 23.9 20.5 24.5 22.3 23.6

Berdasarkan data di atas, apakah ada alasan untuk percaya pada taraf nyata 0.05 bahwa telah
terjadi diskriminasi penggajian berdasarkan gender?

Jawab:

• H : Tidak ada perbedaan antara rata-rata gaji wanita dengan rata-rata gaji
0
pria, atau rata- rata gaji wanita dan pria berasal dari populasi yang
berdistribusi sama, atau

 =
1 2

• H : Ada perbedaan antara rata-rata gaji wanita dengan

1
rata-rata gaji pria atau

 
1 2

•  = 0.05

Jenis F F F M F F F M M F F M

Gaji 18. 19. 19. 20. 20. 20. 20. 21. 21. 21. 21. 21.
7 2 8 5 6 7 9 2 6 6 6 9
Peri 1 2 3 4 5 6 7 8 10 10 10 12
Jawab:

• E(u) = (12X12)/2=72

• Var(U)=(12)(12)(25)/12=300

• U=12x12+(12x13)/2=105

• Z=(105-72)/300=1.91

: karena z < 1.96 dan z > -1.96, maka terima H

Keputusan hit hit 0
Rumus uji kruskal Wallis
H=12N(N+1)∑ki=1r2ini−3(N+1),

Sumber: statistik non parametrik untuk ilmu-ilmu sosial karangan Sidney siegel yang
diterjemahkan ke dalam bahasa Indonesia halaman 230.

Dimana;

k =  banyaknya sampel

ni= banyaknya kasus pada setiap sampel ke-i

N =  ∑ni= banyaknya seluruh kasus

Ri= total ranking untuk setiap sampel ke-i

∑ki=1= menunjukkan penjumlahan seluruh k sampel (kolom-kolom)

mendekati distribusi Chi square dengan db = k-1 untuk ukuran ukuran sampel
sebesar n yang cukup besar.

Contoh soal uji kruskal Wallis

Misalkan, seorang guru olahraga ingin mengetahui mengenai minat muridnya menjadi atlet
olahraga. Diasumsikan bahwa anak-anak yang memiliki minat baik di olahraga akan
mendapatkan nilai yang baik dan memiliki peluang untuk menjadi atlet olahraga yang lebih
besar. Terdapat tiga kelompok murid yang dibedakan berdasarkan minatnya yaitu, murid
yang hanya menyukai mata pelajaran ilmiah, murid yang menyukai pelajaran ilmiah dan
olahraga, dan murid yang hanya menyukai bidang olahraga. Guru tersebut pun mengambil 14
sampel anak yang dibagi menjadi 3 kategori di atas.

Data minat siswa dituliskan dalam tabel berikut (data fiktif) beserta score minatnya terhadap
olahraga.

olahraga ilmiah keduanya

96 82 115
128 124 149
83 132 166
61 135 147
101 109

Identifikasi:

1. Hipotesis

H₀ = tidak ada perbedaan antara nilai rata-rata kelompok murid dari ketiga kategori tersebut

H₁ = rata-rata nilai dari kelompok murid tersebut adalah berbeda

2. Uji statistik

Karena data yang digunakan adalah 3 kelompok independen sehingga diperlukan suatu uji
statistik untuk k sampel independen. Karena minat dapat diukur dengan skala data paling
sedikit tidak skala ordinal sehingga statistik pengujian kruskal Wallis cocok untuk kasus ini.

3. Tingkat signifikansi

Umumnya nilai Alpha ditetapkan sebesar 0,05, Dalam kasus ini kita juga menggunakan Apha
0,05. Dengan total sampel sebesar 14, dimana n₁=5, n₂=5 dan n₃=4.

4. Distribusi Sampling

K=3 ; nilai k di dapat dari banyaknya kelompok.

5. Daerah penolakan

Daerah penolakan adalah semua nilai H yang mungkin terjadi di bawah H-nol dengan nilai
kurang dari alpha=0.05.

Cara kerja dan penyelesaian.

 Membuat ranking untuk setiap observasi di dalam kelompok. Dalam pembentukan

ranking seluruh data digabungkan dan di rengking secara keseluruhan.
Olahraga Ilmiah keduanya
3 2 7
9 8 13
3 10 14
1 11 12
5 6
R₂=3
R₁=22 R₃=46
7

Setelah dilakukan perangkingan ke terhadap seluruh observasi di dalam kelompok masing-

masing, maka ranking untuk setiap observasi di dalam tabel pertama dituliskan persis seperti
pada tabel kedua diatas. Seluruh rangking pada kelompok masing-masing dijumlahkan dan
dihasilkan R₁R₂ dan R₃.

Setelah kita dapatkan nilai R₁R₂ dan R₃, selanjutnya kita dapat menghitung nilai H dengan
menggunakan rumus berikut:

H=12N(N+1)∑kj=1R2jnj−3(N+1), maka; H=1214(14+1)[(22)25+3725+4624]−3(14+1),

=6,4(H-hitung)

6. Keputusan

Dengan menggunakan tabel O, untuk n1=5,n2=5, dan n3 =4, maka H(tabel)≥H(hitung),

artinya kemungkinan kemunculan nilai-nilai di bawah H₀ sebesar < 0,049. Karena
kemungkinan tersebut lebih kecil dari nilai alpha=0,05 maka jelas keputusan kita dalam kasus
ini adalah menolak H₀ dan menerima H₁. Dalam kasus fiktif ini bisa kita simpulkn bahwa
memang tidak sama minat siswa menjadi atlet olaraga.

[alert-note]Dalam contoh ini kita menggunakan referensi dari buku Sidney siegel yaitu
menggunakan tabl O, dalam kasus lain akan kita bahas mengenai contoh uji kruskal Wallis
menggunakan perbandingan dengan tabel Chi square.[/alert-note] [irp posts=”1141″
name=”Pengertian, kegunaan dan jenis-jenis grafik dalam statistika”] [irp posts=”1188″
name=”Ukuran pemusatan: pengertian mean, median, dan modus dalam statistika”] [irp
posts=”303″ name=”Pengertian statistik deskriptif dan statistik inferensia”] [irp posts=”469″
name=”Panduan Uji Chi Square Untuk Kasus Satu Sampel”]

Mungkin contoh kasus ini tidak terlalu rasional, namun saya berharap anda paham maksud
dan bisa mengembangkan dengan contoh lain.
Perlakuan terhadap observasi yang sama dalam uji kruskal wallis

Dalam kasus tertentu, terkadang nilai observasi ada beberpa yang sama. Untuk memberi
rangking perlu membuat nilai rata-rata rangkingnya, sehingga observasi yang sama akan
memiliki ranking yang sama. Aturan pengurutan tetap seperti biasa, artinya yang di rata-
ratakan adalah rangking-rangking yang sama saja, misal rangking yang sama adalah rangking
2,3,4,5, maka rangking tersebut dijumlahkan dan dibagi jumlah rangking yang sama.
(2+3+4+5)/4=3.5.

Misalkan;

Observasi : 80,90,90,90,90,95

Rangking: 1, 3.5, 3.5, 3.5, 3.5, 6

Faktor koreksi untuk uji kruskal wallis

Peluang terjadinya rangking yang sama Dalam deretan observasi sangat besar, sehingga
dibutuhkan suatu koreksi untuk nilai H. Untuk melakukan koreksi terhadap nilai H yang
disebabkan oleh adanya ranking ranking yang sama maka rumus H standar yang digunakan di
atas dibagikan dengan;

1−∑TN3−N

Dimana,

T=t-1 (t menunjukkan observasi observasi yang berangka sama dalam serangkaian skor
berangkat sama)

Sehingga rumus H terkoteksi (H*) adalah;

H∗=12N(N+1)∑ki=1r2ini−3(N+1)1−∑TN3−N

Dengan faktor koreksi tersebut diharapkan dapat memberikan nilai yang lebih signifikan
dibandingkan tanpa adanya faktor koreksi.

uji wilcoxon untuk statistik non-parametrik

Contoh:
Seorang dokter ingin mengetahui pengaruh sebelum dan sesuah pemberian obat terhadap
kenaikan berat badan pasien (berat badan dalam satuan kg). Berikut data yang diperoleh

Dari data di atas, pasien pertama berat badan sebelum minum obat 60 dan sesudah minum
obat 62, dan seterusnya untuk pasien yang lain. Disini datanya sedikit dan kita anggap saja
tidak diketahui distribusi dari data, oleh karenanya kita dapat menggunakan uji non-
parametrik terhadap dua sampel yang berpasangan dari data di atas.

Pada kasus ini kita tidak perlu melihat perbedaan berat badan, Karena perbedaan di hitung
dengan nilai (Y - X), dimana Y= Sesudah, sedangkan X= Sebelum. Tetapi kita fokus pada
naik atau turunnya berat badan secara signifikan setelah minum obat. 
Sebelum dimasukkan datanya kedalam program spss, kita buat terlebih dahulu hipotesisnya
yaitu:

H0: Tidak terdapat kenaikan berat badan pasien yang bermakna antara sebelum dan sesudah
minum obat
H1:  Terdapat kenaikan berat badan pasien yang bermakna antara sebelum dan sesudah
minum obat

Pengujian Statistik:
Jika Z hitung < Z tabel atau  nilai sig  > 0.05, maka H0 diterima
Jika Z hitung > Z tabel atau nilai sig < 0.05, maka H0 di tolak, jadi terimalah H1
Langkah-langkah menggunakan SPSS:
1. Buka program spss sampai muncul seperti gambar berikut:

2. Sebelah kiri bawah ada dua pilihan yaitu: data view dan variabel view
3. klik variabel view untuk menentukan variabel data
4. Isi variabel view (baris pertama pada kolom name ketik Sebelum, pada kolom decimal
ganti 2 menjadi 0, pada label ketik Sebelum minum obat dan baris kedua pada kolom name
ketik Sesudah, pada kolom decimal ganti 2 menjadi 0, pada label ketik Sesudah minum obat)
sedangkan pada kolom lain abaikan saja. Jika sudah terlihat seperti gambar berikut:
5.  Selanjutnya klik data view ada disebelah kiri variabel view. Lalu isikan data Anda pada
kolom Sebelum dan Sesudah. Jika sudah maka perlihat seperti gambar berikut:

6. Perhatikan pada menu bar paling atas silahkan pilih Analyze--->  Nonparametric Test--->
Legacy Dialog---> 2 Related Samples.... atau seperti gambar berikut:

 7. Setelah di klik 2 Related Samples... maka muncul seperti gambar berikut:
8. Pada kotak Test Pairs: masukkan Sebelum minum obat ke dalam kolom Variable 1 dan
Sesudah minum obat masukkan ke dalam kolom Variable 2, lalu pada Test Type centang
Wilcoxon. atau terlihat seperti pada gambar berikut:

 9. Jika sudah, langkah terakhir klik OK. Berikut hasil outputnya
10. Interpretasi hasil
* Tabel Ranks
Pada tabel Ranks kita dapat mengetahui nilai selisih (nilai beda +/-). Misalnya pada data baris
pertama pada soal nilainya 60-62= -2, 56-60=-4 dan seterusnya. Setelah di hitung nilai selisih
kemudian di beri ranking dari nilai kecil sampai ke yang besar. Sehingga di dapat pada kolom
(N di tabel Ranks) diperoleh ranks negative ada 4 data dan ranks positive ada 12 data
(4+12=16), sedangkan Ties itu dikarenakan ada data yang sama pada baris ke 9 dan 10 (nilai
77 pada soal). Jadi jumlah keseluruhan data adalah 4+12+2=18 data. Kemudian kita dapat
mengetahui Mean Rank dan Sum of Rank dari banyaknya data negative Ranks dan Positive
Ranks.
* Tabel Test Statistics 
Pada tabel Test Statistics di dapat nilai Z hitung adalah -2.628, sedangkan nilai Z tabel
diperoleh dari tabel Z dengan alpha 5% atau 0.05 nilainya sekitar -1.645 (tanda negatif
disesaikan saja tergantung output dari Z hitung). Sedangkan pada nilai Asymp. Sig (2-tailed)
diperoleh 0.09. 

Karena Z hitung > Z tabel yaitu -2.628 > -1.645 atau nilai sig 0.009 < 0.05 sesuai dengan
pengujian statistik yang kita gunakan maka H0 di tolak, Jadi terimalah H1
Kesimpulan:
Terdapat kenaikan berat badan pasien yang bermakna antara sebelum dan sesudah minum
obat 
UJI FRIEDMAN
Pengujian dengan uji Friedman sama sepertidalam uji analisis dua arah dalam statistik
parametrik. Uji ini diperkenalkan oleh Milton Friedman tahun 1937 dan termasuk dalam uji
nonparametrik yang tidak membutuhkan asumsi distribusi normal dan varians populasi tidak
diketahui.  Skala data yang digunakan dapat berupa ordinal. Uji Friedman merupakan
alternatif yang dilakukan apabila pengujian dalam ANOVA tidak terpenuhi asumsi-asumsi
seperti tersebut di atas. Setiap sampel mendapatkan perlakukan yang berbeda (repeated
measurement). Pegambilan data pada setiap sampel dilakkan sebelum (pre test) dan sesudah
(post test).

Formula uji Friedman

Rumus Uji Friedman

Dimana :

   = Nilai khai-kuadrat jenjeng dua arah Friedman

n      = jumlah sampel
k      = banyaknya kelompok sampel
1,3, 12 = konstanta
Contoh kasus.
Suatu metode diet penurunan berat badan yaitu meode DASH (Dietary Approaches to Stop
Hipertension) diuji coba terhadap 10 orang sebagai sampel. metode ini bertujuan menurunkan
tekanan darah. Pelaku diet tidak berpantang terhadap makanan dan hanya memperbanyak
sayuran dan buah-buahan. Untuk menguji apakah metode ini efektif menurunkan berat badan,
dilakukan uji coba terhadap 10 orang. Pengukuran berat badan dilakukan sebelum program
diet, 1 minggu melakukan program diet DASH dan 2 minggu kemudian. Apakah terdapat
perbedaan antara ketiga kelompok sampel tersebut? Data sampel sebagai berikut :

Data Sampel

Langkah-langkah dalam SPSS

Pada langkah pertama, akan diuji normalitas data dengan uji Kolmogorov Smirnov. Hasilnya
sebagai berikut.

Uji Normalitas

Pada tabel uji Kolmogorov-Smirnov di atas, nilai signifikansi pada sampel sebelum diet
sebesar (0.152), minggu 1 (0.002) dan minggu 2 (0.200). Hanya kelompok sampel sebelum
diet dan sampel minggu 2 yang berdistribusi normal sedangkan kelompok sampel minggu 1
tidak berdistribusi normal. Oleh karena tidak terpenuhi asumsi normal pada semua kelompok
sampel maka digunakan uji Friedman.
Langkah-langkah

  Analyze Pilih Nonparametrics kemudian K Related  Samples

 Masukkan variabel Sebelum diet, Minggu 1 dan Minggu 2 ke Test Variables
 Pada pilihan test type centang pilihan Friedman
 Pada menu Statistics, centang pilihan Descriptive, kemudian OK

Langkah Uji Friedman

 Hasil Output SPSS sebagai berikut.

Nilai Mean Rank

Nilai rata-rata rank berat badan merupakan nilai bukan sebenarnya, tetapi dilakukan rangking
terhadap data aktual. Nilai mean rank sebelum diet sebesar 2.40 pada minggu 1 nilai mean
rank turun menjadi 2.25 sedangkan pada minggu 2 nilai mean rank turun lagi menjadi 1.35.
 Nilai Chi-Square

Hasil uji Friedman, nilai chi-square sebesar 6,973. Nilai df=2 (k-1), dimana k adalah
banyaknya kelompok sampel yaitu 3 sampel, sedangkan nilai signifikansi p-value 0,031.
Karena nilai p-value 0,031 lebih kecil dari 0,05 maka kesimpulannya adalah terdapat
perbedaan nilai rata-rata rank antara sebelum diet, diet minggu 1 dan diet minggu 2.
Untuk menguji atau membandingkan antara 2 kelompok, misalnya sampel sebelum diet
dengan diet minggu 1, sebelum diet dan minggu 2 atau diet minggu 1 dengan minggu 2 dapat
dilakukan dengan uji Post Hoc

JAWABAN SOAL B

Uji Chi Square Perbedaan Tingkat Disiplin Berdasarkan Jenis Kelamin Di Rumah Sakit A
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Kedisiplinan laki-laki
14 87.5% 2 12.5% 16 100.0%
Kedisiplinan wanita.

KEDISIPLINAN LAKILAKI * KEDISIPLINAN WANITA Crosstabulation

KEDISIPLINAN WANITA Total
 22 23 24
KEDISIPLINAN 24 Expected Count .1 .7 .2 1.0
LAKILAKI % within KEDISIPLINAN LAKILAKI 0.0% 0.0% 100.0% 100.0%
25 Expected Count .3 2.9 .9 4.0
% within KEDISIPLINAN LAKILAKI 25.0% 75.0% 0.0% 100.0%
26 Expected Count .6 6.4 1.9 9.0
% within KEDISIPLINAN LAKILAKI 0.0% 77.8% 22.2% 100.0%
Total Expected Count 1.0 10.0 3.0 14.0
% within KEDISIPLINAN LAKILAKI 7.1% 71.4% 21.4% 100.0%

Chi-Square Tests
Value df Asymp. Sig. (2-sided)
a
Pearson Chi-Square 7.013 4 .135
Likelihood Ratio 7.217 4 .125
Linear-by-Linear Association .013 1 .909
N of Valid Cases 14
a. 8 cells (88.9%) have expected count less than 5. The minimum expected count is .07.