SPECIAL TOPIC IN

PHARMACOECONOMICS
A P T . Y U L I A W A R D AT I , S . S I . , M M
POKOK PEMBAHASAN
❑ BUDGET IMPACT ANALYSIS

❑ MODELLING

❑SENSITIVITY ANALYSIS

❑STATISTIK
BUDGET IMPACT
ANALYSIS
Setelah suatu usulan teknologi kesehatan diteliti baik sisi luaran maupun aspek ekonominya dan
terbukti cost-effective, selanjutnya perlu dilakukan analisis dampak terhadap anggaran, seringkali
disebut sebagai budget impact analysis atau BIA. Sesuai tujuan menjelaskan implikasi usulan
teknologi baru, maka BIA harus mempertimbangkan perspektif penyan-dang dana (payer, bukan
societal), dalam hal ini BPJS atau Kemenkes.

BIA adalah estimasi konsekuensi finansial dari adopsi dan difusi dari teknologi baru (obat atau
alat kesehatan) pada periode tertentu. Menurut ISPOR “A BIA is defined as the best possible
estimation of the financial consequences for the budget holder resulting from the adoption and diffusion of a
new pharmaceutical drug or medical device over a well-defined time period”.
BIA berguna untuk perencanaan anggaran dan estimasi kebutuhan di tahun-tahun yang akan
datang (forecasting). Suatu kajian BIA bernilai bagi proses pengambilan keputusan, sehingga harus
transparan, logis dan mampu mengidentifikasi faktor-faktor apa yang diperhitungkan dalam
analisis, termasuk penyebab ketidak pastian (uncertainty) serta dapat diteri-ma akurasinya.
Mengapa suatu intervensi baru berdampak terhadap rencana anggaran ke depan?

Intervensi baru mungkin membutuhkan biaya lebih besar dari intervensi yang saat ini sudah
ada

Intervensi baru mungkin dapat menurunkan biaya akibat sakit oleh karena memberikan
manfaat klinis yang lebih baik kepada pasien daripada intervensi yang ada

Penurunan biaya akibat sakit akan menjadi penyeimbang bagi tingginya biaya intervensi baru

Penetapan waktu (timing) kapan perubahan intervensi dan biaya akibat sakit akan
memengaruhiwaktu perubahan anggaran
Mengapa perlu estimasi luaran pada BIA?

Untuk mengestimasi biaya intervensi agar tercapai luaran terse-but yang akan memengaruhianggaran

Untuk informasi bagi penentu kebijakan mengenai perencanaan pelayanan kesehatan yang berhubungan
dengan intervensi baru, misalnya meningkat atau menurunnya kunjungan ke poliklinik/ praktik dokter,
jumlah hari rawat dsb

Untuk informasi bagi penentu kebijakan mengenai manfaat kese-hatan pada tahun saat BIA dilakukan,
sebagai justifikasi yang obyektif untuk pengusulan peningkatan anggaran.
BIA bukanlah evaluasi ekonomi, akan tetapi menjadi bagian yang tidak terpisahkan dari hasil
evaluasi ekonomi suatu intervensi atau teknologi kesehatan yang diusulkan. Apabila hasil suatu
evaluasi ekonomi menyebut bahwa teknologi kesehatan yang baru tersebut cost-effective, pada
posisi harga saat ini atau pada harga yang diusulkan untuk digunakan pada paket manfaat, maka
selanjutnya BIA harus dilakukan.
Apabila teknologi baru tersebut tidak terbukti cost-effective, analisis threshold perlu dilakukan
untuk menilai apakah bila harga diturunkan akan memberi hasil value for money. Harga tersebut
bisa digunakan untuk negosiasi dan BIA yang dilakukan dengan menggunakan referensi data
harga tersebut.
Apabila target kelompok pasien pada teknologi dalam kajian teknologi berjumlah sedikit
(misalnya pada kasus pengobatan penyakit yang jarang) maka teknologi baru tidak cost-effective.
Meskipun demikian BIA tetap saja perlu dilakukan untuk memberi masukan kepada pengambil
keputusan yang mungkin merasa penting untuk mengembangkan suatu paket manfaat untuk
kelompok pasien yang rentan dengan penyakit yang jarang ditemu-kan di Indonesia.
Beda BIA dengan CEA

BIA berbeda dengan CEA, BIA bukan analisis untuk menilai apakah suatu teknologi kesehatan
baru akan bermanfaat bagi masyarakat luas atau memiliki “value for money” (sepadan
pengorbanan sumber daya dibanding luarannya). Berikut perbedaan BIA dan CEA.
BIA merupakan bagian yang amat penting dari kajian ekonomi yang kom-prehensif terkait teknologi
kesehatan. Kebutuhan akan BIA makin meningkat bersama dengan kajian CEA, sebelum dapat
diformulasikan persetujuan atau inklusi dalam paket manfaat. BIA pada dasarnya menjelaskan kemung-
kinan terjadinya perubahan dari suatu intervensi atau pengobatan untuk penyakit tertentu serta perubahan
dari sisi biaya untuk mengatasi masalah tersebut.
Beda BIA dan CEA
MODELLING
PENGERTIAN
Pemodelan menyatakan perkembangan suatu perwakilan yang disederhanakan dari suatu sistem
(contohnya, suatu populasi)

Suatu model tertentu bisa jadi model analitik, visual atau keduanya.
Di dalam farmakoekonomi khususnya atau ekonomi kesehatan pada umumnya, model-model
analitik dapat digunakan untuk menempatkan dan menjawab pertanyaan-pertanyaan tentang
intervensi yang tak dapat dijawab langsung oleh uji coba klinik akibat kendala waktu dan
finansial.
Keunggulan
Dapat mendeskripsikan berbagai alternatif dari pilihan terapi pada suatu penyakit.

Dalam melakukan evaluasi beberapa alternatif pilihan terapi pada suatu populasi pasien, uji klinis
dihadapkan oleh beberapa kendala seperti keterbatasan waktu, keterbatasan sumber daya
pelaksana maupun subyek uji, etika penelitian dan juga biaya
Keunggulan
Di saat memperoleh luaran akhir dari suatu pilihan terapi tidaklah memungkinkan untuk
dilakukan dengan uji klinis (misalnya kematian pada pasien kanker dll). Model analisis keputusan
dapat menghubungkan luaran antara yang berasal dari uji kllinis atau studi observasional dengan
luaran akhir dan atau satuan utilitas yang universal seperti QALY’s
Dapat mencakup rentang waktu (time horizon) yang tidak terbatas, misalnya seumur hidup atau
bahkan beberapa generasi ke depan. Hal ini tidaklah memungkinkan untuk dilakukan dengan uji
klinis maupun studi observasional.

Luaran dari model analisis keputusan dengan mudah dipahami dan diaplikasikan oleh pengambil
kebijakan
Tahap dasar dalam penyusunan suatu analisis keputusan
:
1. Pernyataan masalah dan identifikasi pembuat
keputusan perspektif siapa yang akan diambil
2. Enumerasi jangka waktu aksi alternatif dan
konsekuensi masing-masing aksi yang mungkin
3. Pernyataan standar dimana hasil-hasil akhir akan
berharga dan alternatif-alternatif dibandingkan. Hal ini
diungkapkan secara khusus sebagai suatu sasaran atau
kelompok sasaran (contohnya biaya, keuntungan
kesehatan, laba) yang akan dioptimalkan
Analisis Keputusan
Analisis keputusan adalah suatu pendekatan kuantitatif untuk pembuatan keputusan dalam
ketidakpastian dimana semua elemen keputusan yang relevan-aksi alternatif, peristiwa
kesempatan (bersama-sama dengan probabilitas kejadiannya) dan konsekuensi akhir-secara
eksplisit dinyatakan di dalam suatu model
Model ini khususnya bisa berbentuk suatu pohon keputusan atau suatu diagram pengaruh dan
mengizinkan pembuat keputusan untuk menentukan secara sistematis nilai relatif jangka waktu
aksi alternatif.
4. Pemodelan keputusan :

a. Elaborasi suatu model struktur keputusan (mungkin menggunakan suatu pohon keputusan
atau suatu diagram pengaruh)

b. Spesifikasi konsekuensi masing-masing pilihan keputusan alternatif dan probabilitas

konsekuensi atau peristiwa tersebut

c. Pemberian nilai (contohnya biaya dan atau manfaat) pada masing-masing hasil akhir terakhir,
yang memasukkan preferensi pembuat keputusan
5. Identifikasi alternatif atau alternatif-alternatif terbaik

6. Analisis sensitivitas
DECISION TREE
Suatu bentuk umum model ekonomik kesehatan yang dapat memiliki kedua aspek analitik dan
visual. Suatu diagram pengaruh Dan diagram alir sering kali digunakan sebagai model-model
yang murni ketika model-model yang dibangun di dalam spreadsheets sering kali hanya berupa
model analitik.
Beberapa jenis simpul (nodes) yang biasa digunakan untuk menggambarkan suatu pohon
keputusan :

a. Simpul keputusan (decision nodes) : simpul ini biasanya ada di awal model dan biasanya
menggambarkan pertanyaan utama dari suatu analisis keputusan. Bentuk tanda kotak

b. Simpul kemungkinan (chances nodes) : simpul ini digunakan untuk menggambarkan

berbagai konsekuensi yang dapat terjadi sebagai akibat dari keputusan yang diambil
sebelumnya

c. Simpul akhir (terminal node) : menggambarkan luaran akhir dari suatu prognosis. Bentuk
tanda segitiga
Kelemahan :

1. Sulitnya memasukkan variabel waktu ke dalam model.

Contoh :

Model untuk pasien esofagitis tersebut, pasien yang mengalami kegagalan terapi pada 1 bulan
atau 12 bulan setelah pemberian terapi tidak dapat dibedakan. Integrasi dari variabel waktu ke
dalam model akan membuat model lebih kompleks dan sulit untuk dikembangkan
2. Untuk dapat menggambarkan model pohon keputusan secara lengkap, maka seluruh
kemungkinan prognosis dari suatu keputusan yang diambil harus diketahui.

Hal ini cukup sulit untuk dilakukan terutama jika luaran dari terapi atau penyakit yang dievaluasi
belum sepenuhnya dipahami atau bahkan mempunyai kemungkinan luaran dengan variasi yang
cukup tinggi.

Sebagai contoh adalah penyakit hipertensi yang mempunyai luaran klinis berupa stroke, serangan
jantung, gagal ginjal dll
3. Penyakit kronis atau penyakit degeneratif yang mempunyai kemungkinan untuk menimbulkan
gejala penyakit secara berulang juga tidak dapat digambarkan secara sempurna ke dalam
model pohon keputusan.

Contoh : Pada penderita stroke, pemberian terapi dapat mempunyai beberapa luaran seperti
sembuh, terkendali, gagal dan juga kematian.
Monte Carlo
Simulasi Monte carlo menyatakan penggunaan suatu komputer untuk mengevaluasi suatu model
secara berulang-ulang, biasanya untuk kuantifikasi baik level keyakinan dalam rekomendasi-
rekomendasi berbasis pada model tersebut (suatu bentuk analisis sensitivitas)
MODEL ANALITIK-suatu perwakilan matematik atau statistik dari realitas, dengan hasil akhir
antara dan/atau akhir (contohnya harapan hidup) yang merespon perubahan di dalam input
(contohnya, faktor-faktor resiko tertentu) dengan cara realistik; dan
MODEL VISUAL menggunakan simbol-simbol untuk mewakili peristiwa-peristiwa kunci, hubungan-
hubungan temporal dan/atau kausal dan ketergantungan dan hasil akhir
Keuntungan
Kemampuan untuk menggambarkan munculnya gejala yang berulang

Mampu mengintegrasikan pengaruh waktu ke dalam model

Mampu mengekstrapolasi efek jangka panjang dari suatu kondisi/penyakit dalam populasi
menggunakan data ini

Dapat digunakan untuk menggambarkan perjalanan penyakit kronis

Ada 2 cara yang biasa digunakan untuk mempresentasikan model Markov yaitu simulasi kohort
dan simulasi Monte Carlo.

Simulasi kohort memberikan gambaran mengenai perpindahan individu di dalam populasi secara
proporsional dari satu kondisi (state) ke kondisi (state) yang lain secara teratur.
Simulasi Monte Carlo memberikan gambaran mengenai bagaimana individu yang ada dalam
populasi bergerak secara bebas selama berjalannya waktu (stochastic) atau yang biasa disebeut
Micro-simulation model atau patient-level simulation model/individual sampling/individual-based
transition-model/first-order Monte Carlo.
Langkah dalam Evaluasi
Farmakoekonomi
Present
Ask question

Conduct sensitvity
Describe analysis
alternatives

Conduct
Establish incremental
effectivenss analysis

Identify cost & Measure cost& Value cost & Apply

consequencess consequences consequence discounting
s
Langkah-langkah
Tetapkan tujuan evaluasi

(apa masalah yang ingin dijawab? Apa tujuan? Intervensi apa yang ingin dinilai, dibandingkan
dengan apa?)

Desain evaluasi : retrospektif?prospektif?

Tetapkan outcome (tergantung metode)

Hitung cost : perspektif siapa? Indirect, direct?

Kalkulasikan incremental effectiveness dan incremental cost

Putuskan : ICER (Incremental Cost Effectiveness Ratio)-> cost/DALY averted, cost/QALY gained
dsb
 ANALISIS
SENSITIVITAS
YULIA WARDATI, A.MD., S.SI., APT., MM
BIAS DALAM PENELITIAN
Adanya kemungkinan bias dalam studi farmakoekonomi dapat mengakibatkan keputusan yang
diambil menjadi tidak akurat.

Oleh karena itu, baik peneliti, pengembang model maupun pengambil kebijakan harus mampu
menganalisis kemungkinan munculnya bias dalam studi farmakoekonomi.
Salah satu faktor penyebab adanya bias dalam studi farmakoekonomi adalah adanya
ketidakpastian di dalam model itu sendiri maupun parameter yang digunakan.

Ketidakpastian ini dapat muncul pada studi farmakoekonomi yang berbasis uji klinis maupun
yang berbasis modeling
Menurut Briggs, terdapat 3 alasan utama mengapa peneliti perlu mengatasi ketidakpastian yang
muncul pada studi farmakoekonomi.

1. Model farmakoekonomi merupakan proses sintesis dari berbagai bukti ilmiah yang berasal dari
berbagai sumber, oleh karena itu, interaksi antar parameter tidak hanya berupa fungsi
penjumlahan, namun juga dapat berupa fungsi perkalian maupun fungsi kuadrat dari berbagai
parameter sehingga memunculkan ketidakpastian pada luaran yang dihasilkan dari suatu model
farmakoeokonomi
2. Ketidakpastian terhadap hasil dari studi farmakoekonomi dapat mengakibatkan kesalahan
dalam pengambilan keputusan

3. Sering kali perubahan atau pembatalan suatu keputusan yang salah membutuhkan biaya dan
mempunyai efek tidak baik dalam skala nasional.

Kajian farmakoekonomi memperhitungkan aspek ketidakpastian dan berbagai data yang

digunakan maupun dihasilkan.
Ketidakpastian timbul antara lain karena :

1. Kurangnya ketersediaan data, sehingga prediksi yang dihasilkan kurang tajam (precise)

2. Hasil kajian terhadap parameter umumnya berupa nilai diskrit (single point, misalnya rerata),
sementara dalam realita parameter tesebut berupa nilai kontinu yang terdistribusi acak
dalam suatu kisaran tertentu
Model analisis yang digunakan, misalnya yang terkait dengan metode pengkombinasian
parameter atau penggeneralisasian hasil kajian
PENGERTIAN
Analisis ini menguji perubahan nilai yang diharapkan dan rekomendasi ketika nilai-nilai yang tidak
pasti atau parameter-parameter tak dikenal divariasikan. (ISPOR)

Sensitivity analysis is techinque used to test robustness of an economic evaluation results and
conclusions by varying underlying assumptions, key estismates or parameters ( Dr Asrul, USM
Malaysia)
Agar ketidakpastian yang ada dapat diperhitungkan dengan baik, dampak dari unsur
ketidakpastian harus diidentifikasi, dinilai dan diinterpretasi terutama untuk parameter yang
paling dominan pada hail kajian. Untuk menganalisis dampak ketidakpastian, lazim digunakan
analisis sensitivitas. Terdapat beragam metode analisis sensitivitas, mulai dari yang sederhanan
seperti analisis sensitivitas satu arah, analisis sensitivitas dua arah atau lebih, analisis ambang
batas (thresold analysis) dan analisis skenario, sampai kompleks semacam simulasi Monte Carlo
dan analisis bootstrapping.
Metoda yang paling sederhana, analisis sensitivitas satu arah, dilakukan dengan mengubah nilai
suatu variabel dalam kisaran yang memungkinkan dengan menjaga nilai variabel lainnya konstan.
Hasil metoda analisis sensitivitas satu arah ini sering ditampilkan dalam diagram tornado,
dimana variabel yang berdampak paling besar ditempatkan di puncak diagram, dan seterusnya
sampai ke bawah sesuai urutan besarnya dampak.

Contoh : Tarif diskon dapat divariasikan dari 0-6%.

Analisis sensitivitas satu arah (One Way Sensitivity Analysis)

Tujuan utama adalah untuk mengetahui parameter mana yang paling berpengaruh terhadap
luaran studi dalam hal ini adalah (dalam hal ini adalah ICER).

Analisis ini dilakukan dengan cara mengganti nilai input parameter satu-satu kemudian dilihat
bagaimana perubahan dari luaran yangdiukur.
Proses penggantian nilai ini dilakukan secara manual kemudian hasilnya dibandingkan dengan
nilai ICER dari base-case. Nilai perhitungan yang merupakan hasil penggantian setiap nilai dari
input parameter tersebut biasanya disajikan dalam bentuk diagram tornado (tornado diagram).
A : Umur pasien

B : Probabilitas reaksi kebalikan : 3-11%

Laju diskon : 0-6%

Persentase dari pemberian obat bersama-sama Y : 6-25%

Persentase dengan kormobiditas X : 3-15%

Contoh Diagram Tornado
Faktor-faktor kunci yang mempengaruhi ICER
pengobatan A terhadap B

11,500 USD 25,000 USD

E
Analisis Sensitivitas Probabilistic

(Probabilistic Sensitivity Analysis)

PSA dilakukan dengan prinsip atau metode simulasi Monte Carlo yaitu mengambil nilai yang
berada pada rentang tertentu pada parameter input secara acak dan memasukkan ke dalam
model untuk menghitung nilai ICER baru secara simultan. Yang dimaksud simultan adalah
pengambilan nilai acak dari setiap parameter dilakukan bersamaan sehingga nilai ICER yang
dihasilkan merupakan kombinasi dari berbagai nilai acak dari setiap parameter pada model.
 STATISTIKA
DALAM
FARMAKOEKONOMI

YULIA WARDATI, A.MD., S.SI., APT., MM

Statistik dapat dijelaskan sebagai studi bagaimana mengumpulkan, mengorganisir, menganalisis
dan menginterpretasikan informasi, khususnya informasi numerik.

Pada kebanyakan situasi kehidupan nyata, pertanyaan-pertanyaan penting yang akan

dialamatkan melibatkan informasi yang tidak lengkap

Proses penggambaran yang baik, kesimpulan yang handal yang berasal dari informasi yang tidak
lengkap merupakan pusat bagi studi statistik
 Tahap Pemilihan Analisis Statistik
Pengujian hipotesis statistik yang akan digunakan tergantung dari tujuan penelitian. Jika penelitian
menggunakan desain kuantitatif, tujuan penelitiannya kurang lebih sekitar ini :

a. Melihat apakah ada perbedaan rata-rata

b. Melihat apakah ada hubungan

c. Melihat apakah ada pengaruh

A. Melihat apakah ada perbedaan
rata-rata
Misal, makanan tertentu menunjukkan perbedaan berarti secara statistika dilihat dari
pengaruhnya pada tambahan bobot mencit.
B.Melihat apakah ada hubungan
Dalam biologi, kita sering menjumpai dua peubah atau lebih yang jelas berkaitan atau saling
bergantung.

Sebagai contoh, kita mungkin menemukan hal yang memperlihatkan adanya suatu kenaikan atau
pertambahan pada peubah X yang dibarengi dengan pertambahan yang berpadanan pada
peubah Y, atau sesuatu penurunan pada ternyata bertalian dengan penurunan pada Y.
Bila dapat ditunjukkan bahwa perubahan pada satu peubaha bagaimanapun bertalian dengan
perubahan pada peubah yang lain, maka kedua peubah itu dapat dikatakan berkorelasi.

Korelasi dapat positif jika X dan Y keduanya bertambah atau negatif jika satu peubah bertambah
sementara peubah lainnya berkurang. Sebaliknya, jika perubahan pada X dan perubahan pada Y
tidak berkaitan sama sekali tidaklah terdapat pertalian, dan karenanya tidak terdapat korelasi
antara kedua peubah itu.
Misal ingin mengetahui hubungan antara jenis kelamin dan toko online yang sering dikunjungi.
Mungkin wanita lebih banyak mengunjungi toko online di facebook daripada pria, sementara pria
lebih banyak mengunjungi kaskus daripada wanita
C. Melihat apakah ada pengaruh
Misal kita ingin melihat apakah kepuasan mempengaruhi loyalitas. Ini berarti kita ingin melihat
apakah kepuasan terhadap suatu produk membuat loyalitas terbentuk. Kita juga bisa melihat
apakah pengaruhnya positif (makin puas membuat makin loyal)
Data time series
Data time series adalah data yang mempunyai jarak waktu tertentu, bisa harian, bulanan, tahunan
dalam kuartal atau bahkan dalam jam, menit atau detik.

Misal data penjualan minimart se Indonesia setiap bulan dalam dua tahun terahir.
Data cross section
Data cross section menggambarkan keadaan data pada suatu waktu tertentu. Di data cross
section tidak ada satuan waktu seperti hari, bulan, tahun, jam, menit, detik,dll..

Misal data penjualan 16 toko minimart se Indonesia pada bulan Desember 2019
Variabel
Segala sesuatu yang mempunyai nilai yang berbeda di setiap obyek.

Misal tinggi badan pasti berbeda untuk setiap orang, jumlah helai rambut di semua orang, warna
kulit dll
Konstan
Jumlah kepala yang hanya satu buah untuk setiap orang

Jumlah presiden direktur hanya satu orang pada setiap perusahaan

Pengukuran
Adalah pemberian angka kepada suatu variabel sehingga variabel tersebut bisa dibedakan antar
obyek.

Misal jumlah karyawan yang dihitung dengan jumlah orang, jumlah laba yang dihitung dengan
satuan rupiah
Skala pengukuran
Skala pengukuran adalah tingkat pengukuran.

Ada 4 tingkatan (dari rendah sampai tinggi) yaitu skala nominal, ordinal, interval dan rasio.
Skala nominal adalah skala pengukuran dimana angka diberikan kepada variabel hanya sebagai
label sehingga besar kecilnya angka tidak berarti angka lebih besar mempunyai nilai atau derajat
lebih tinggi daripada angka yang lebih kecil. Contoh : jenis kelamin, pria=0, wanita=1
Skala ordinal adalah skala pengukuran dimana angka yang diberikan ada tinggi rendahnya atau
urutan, namun jarak tinggi rendahnya tidak bisa dijelaskan.

Contoh : staf=1. supervisor=2, manajer=3, direksi=4

Skala interval mempunyai tinggi rendah dan jarak, namun skala interval tidak mempunyai nol
mutlak. Jika mempunyai tinggi rendah, jarak dan nol mutlak, berarti skalanya rasio

Contoh : suhu dalam Celcius, nol celcius bukan berarti tidak ada suhu, namun hanya titik beku air
di tekanan udara sebesar 1 atmosfer. Ini berarti nol celcius bukan nilai mutlak

Contoh lain : Skala likert (kontroversi ada yang menganggap skala interval, ada yang
ordinal,referensi bahwa skala likert adalah skala interval adalah buku Marketing Research oleh
Naresh Kumar Malhotra)
 Statistik Non parametrik dan
parametrik
Parametrik

a. Sampel minimum 30 orang/responden/perusahaan/observasi

b. Skala pengukuran interval atau rasio

c. Data terdistribusi normal

Uji signifikansi
Uji ini adalah menguji apakah data atau fakta yang kita dapatkan pada sampel mencerminkan
keadaan yang sama di populasi

Misal dalam sampel yang kita ambil, terlihat bahwa rata-rata gaji pria lebih kecil dari gaji wanita.
Namun ada kemungkinan bahwa ada kesalahan dalam pengambilan sampel atau sampel yang
kita ambil kebetulan gaji karyawan-karyawan pria lebih kecil dari wanita. Berapa besar
kemungkinan fakta ini benar-benar terjadi di populasi?
Besarnya kemungkinan fakta ini juga terjadi di populasi inilah yang diwakili oleh tingkat
keyakinan (confidence level). Jika anda yakin 95% fakta ini benar (bahwa memang di populasi,
gaji pria lebih rendah dari wanita), tingkat keyakinan anda 95%, tingkat signifikansi adalah 5%
atau 0,05.

Fungsi tingkat signifikansi pada uji signifikanis adalah jika nanti setelah dihitung oleh SPSS, nilai
signifikansinya di bawah 5%, hipotesis nol (H0) tentang sampel akan ditolak
H0 atau hipotesis nol adalah sebuah pernyataan tentang populasi sesuai dengan tujuan kita.

Jika tujuannya mengetahui apakah ada perbedaan, H0 nya adalah tidak ada perbedaan

Jika tujuannya mengetahui apakah ada hubungan H0 nya adalah tidak ada hubungan

Jika tujuannya mengetahui apakah ada pengaruh, H0 nya adalah tidak ada pengaruh
Jika nanti nilai signifikansinya lebih kecil dari 5%, pernyataan “tidak ada beda” ditolak atau
dianggap tidak benar. Kesimpulannya “ada beda”
Tahap Pemilihan Uji Beda
Jika tujuan penelitian kita adalah ingin meihat apakah ada perbedaan, uji statistik yang kita pilih
adalah uji beda.

Tahap :

1. Apakah akan menggunakan uji beda parametrik atau non parametrik?

2. Apakah akan menggunakan uji beda sampel independen atau sampel berhubungan?

3. Apakah jumlah kelompoknya (atau variabel) ada dua atau lebih dari dua?
Uji Beda Parametrik dan Non
Parametrik
Apakah sampelnya minimal ada 30 responde/subyek/pengamatan?

Apakah variabel yang ingin diuji mempunyai skala interval atau rasio?

Apakah variabel yang ingin diuji terdistribusi normal?

Jika salah satu saja dari pertanyaan di atas dijawab tidak analisis data statistik yang digunakan
adalah uji beda non parametrik.
Sampel Independen dan
Berhubungan
Sampel independen adalah jika kita ingin mengetahui perbedaan antara dua kelompok atau lebih

Contoh : ingin mengetahui perbedaan gaji antara karyawan pria dan wanita. Variabel yang ingin
diuji adalah gaji dan jenis kelamin adalah kelompoknya.

Sampel berhubungan adalah jika kita ingin mengetahui perbedaan antara dua variabel yang ingin
diuji

Contoh : jika ingin mengetahui perbedaan antara gaji awal dan gaji sekarang, kita inign
mengetahui perbedaan antara 2 variabel : gaji awal dan gaji sekarang
Jumlah Kelompok
Contoh 2 kelompok : perbedaan gaji antara karyawan pria dan wanita

Contoh 3 kelompok : staf, supervisor dan manajer

 Parametrik Non Parametrik

Independen 2 kelompok Uji T sampel Uji Mann Whitney

independen

> 2 kelompok Anova Satu Arah Uji Kruskal Wallis

Berhubungan 2 kelompok Uji T sampel Uji Wilcoxon

berhubungan

> 2 kelompok Anova Repeated Uji Friedman

Measures