Nama : Asnur Saputra

NIM : F1A220034
Kelas :B

UTS DAN UAS BIOSTATSTIKA

JAWABAN UTS :
1. Pengertian Statistik, Statistika dan Biostatika
Statistik adalah kumpulan angka-angka atau bukan angaka mengenai suatu
masalah yang diteliti sehingga dapat memberikan gambaran mengenai
masalah tersebut. Agar mudah dipahami kumpulan angka tersebut disusun
dan disajikan dalam bentuk tabel, grafik, yang biasaya berupa presentase,
rata-rata, dan sebagainya. Jadi statistik ini bagian dari hasil suatu fenomena
atau masalah yang diteliti.
Statistika adalah bagian dari keilmuan statistk yang mempelajari tentang
pengumpulan, pengelolaan, dan penganalisaan, penyajian, dan
penginterpretasian data yang diolah untuk dapat menarik kesimpulan terkait
fenomena yang digambarkan dalam data tersebut.
Biostatistika adalah terapan prinsip-prinsip statistika untuk pertanyaan-
pertanyaan dan atau masalah-masalah kedokteran, kesehatan masyarakat,
keperawatan komunitas, atau biologi atau hal-hal yang bersifat hidup (life
event). Nantinya data atau informasi yang berkaitan dengan masalah
kesehatan disusun dalam Statistik kesehatan atau biostatistik. Penerapan
ilmu biostatistika sangat bermanfaat untuk kepentingan administratif,
seperti merencanakan program pelayanan kesehatan, menentukan alternatif
penyelesaian masalah kesehatan, dan melakuka nanalisis tentang berbagai
penyakit selama periode waktu tertentu.
2. Design Penelitian dalam Biostatistika
Riset Eksperimental dapat digambarkan pada dua kelompok dimana
kelompok satu disebut control tanpa diberi perlakukan apapun sedangkan
pada kelompok kedua diberikan perlakuan (treatment) Diasumsikan kedua
kelompok ini sama
 Causal – Comparative Research disebut juga dengan penelitian sebab
akibat. Indipendent variable pada penelitian komperatif tidak bisa
dimanipulasi dan tidak bisa diberikan perlakuan (treatment). Penelitian
komperatif lebih terfokus pada dampak yang terjadi dengan mencari
penyebab dari dampak tersebut dan melihat perbedaan yang terjadi diantara
keduanya.
Correlational Research adalah penelitian kuantitatif. Penelitian ini
dialakukan untuk melihat hubungan diantara dua variabel. Korelasi tidak
menjamin adanya kausaliti (hubungan sebab akibat), tetapi kausal ini
menjamin adanya korelasi.
Penelitian survei termasuk ke dalam penelitian kuantitatif untuk meneliti
perilaku suatu individu atau kelompok. Pada umumnya penelitian survei
menggunakan kuesioner sebagai alat pengambil data. Penelitian survei
adalah penelitian yang mengambil sampel dari satu populasi dan
menggunakan kuesioner sebagai alat pengumpulan data yang pokok.
Action research merupakan penelitian yang berfokus langsung pada
tindakan sosial. Penelitian tindakan (action research) adalah penelitian
kualitatif maupun kuantitatif. Penelitian tindakan ini merupakan metode
yang didasarkan pada tindakan masyarakat yang seringkali diselenggarakan
pada suatu latar yang luas, seperti di rumah sakit, pabrik, sekolah, dan lain
sebagainya.
Case study research (Studi kasus) merupakan penelitian yang memusatkan
perhatian pada suatu kasus tertentu dengan menggunakan individu atau
kelompok sebagai bahan studinya. Penggunaan penelitian studi kasus ini
biasanya difokuskan untuk menggali dan mengumpulkan data yang lebih
dalam terhadap obyek yang diteliti untuk dapat menjawab permasalahan
yang sedang terjadi.
Desain penelitian pada bidang kesehatan termasuk Observasional (Case
Series, Case Report, Crossectional, Case Control) serta Desain Experimental
sering digunakan oleh peneliti dalam mengungkap sebuah fakta dilapangan.
Fakta ini digunakan untuk membuat sebuah kebijakan intervensi kesehatan.
3. Regresi Logistik dan Regresi Poisson
Regresi Logistik adalah suatu metode analisis statistika untuk
mendeskripsikan hubungan antara peubah respon (dependent variable) yang
memiliki dua kategori atau lebih dengan satu atau lebih peubah penjelas
(independent variable) berskala kategori atau interval. Regresi Logistik
merupakan regresi non linear, digunakan untuk menjelaskan hubungan antara X
dan Y yang bersifat tidak linear, ketidak normalan sebaran Y, keragaman respon
tidak konstan yang tidak dapat dijelaskan dengan model regresi linear biasa
Regresi Poisson adalah model regresi nonlinear di mana variabel terikat
adalah data diskret bernilai nonnegatif mengikuti distribusi Poisson. Regresi
Poisson merupakan salah satu model statistika yang digunakan untuk
menganalisis hubungan antara variabel respon Y dengan variabel prediktor X,
dimana variabel Y berupa data diskrit dan variabel X berupa data diskrit,
kontinu, kategorik atau campuran
4. Penjelasan singkat mengenai :
Distribusi normal merupakan sebuah fungsi probabilitas yang menunjukkan
distribusi atau penyebaran suatu variabel. Fungsi tersebut umumnya
dibuktikan oleh sebuah grafik simetris yang disebut kurva lonceng (bell
curve). Saat menandakan distribusi yang merata, kurva akan memuncak di
bagian tengah dan melandai di kedua sisinya dengan nilai yang setara.
Distribusi Weibull adalah distribusi yang memiliki peranan yang penting
terutama pada persoalan keandalan (reliability) dan analisis rawatan
(mantainability). Distribusi Weibull sering dipakai sebagai pendekatan
untuk mengetahui karakteristik fungsi kerusakan karena perubahan nilai
akan mengakibatkan distribusi Weibull mempunyai sifat tertentu ataupun
ekuivalen dengan distribusi tertentu. Distribusi ini adalah distribusi
serbaguna yang dapat mengambil karakteristik dari jenis lain dari distribusi,
berdasarkan nilai dari bentuk parameter. Oleh karenanya, Weibull menjadi
sangat berguna terutama karena fleksibilitasnya mulai dari data yang sangat
tidak simetris sampai data yang mendekati distribusi normal (simetris).
 Distribusi eksponensial merupakan satu kasus khusus dari distribusi gama.
Digunakan untuk memodelkan kasus selang waktu antara dua kejadian dari
suatu peristiwa (waktu antara kedatangan). Dengan kata lain, distribusi ini
digunakan untuk memodelkan waktu tunggu sampai sebuah peristiwa
terjadi, dan juga untuk memodelkan waktu antar terjadi peristiwa
Distribusi Poisson merupakan suatu distribusi di mana kejadian tergantung
pada interval waktu tertentu atau di suatu daerah tertentu dengan hasil
pengamatan berupa variabel diskret. Interval waktu tersebut dapat berupa
semenit, sehari, seminggu, sebulan atau setahun.

JAWABAN UAS
1. Contoh soal dan pembahasan tentang :
Uji Chi-square (𝜒 2 )
Kita tahu bahwa peluang nampaknya salah satu permukaan dadu homogen
1
masing-masing adalah 6. Sebuah eksperimen telah dilakukan sebanyak 120

kali dengan sebuah dadu dan menghasilkan 16 muka bermata 1, 24 mata 2,

25 mata 3, 15 mata 4, 15 mata 5 dan 25 mata 6. Ujilah apakah dadu tersebut
homogen atau tidak !
Penyelesaian :
Dibuat hipotesis uji sebagai berikut :
1
𝐻0 = 𝑃1 = 𝑃2 = ⋯ = 𝑃6 = 6 Artinya dadu homogen

𝐻1 , 𝑝𝑎𝑙𝑖𝑛𝑔 𝑠𝑒𝑑𝑖𝑘𝑖𝑡 𝑎𝑑𝑎 𝑠𝑎𝑡𝑢 𝑃 ≠ 0 Artinya dadu tidak homogen

Jika 𝐻0 benar atau diterima yakni apabila dadu itu homogen dengan nilai
chi-square 𝜒 2 ℎ𝑖𝑡 < 𝜒 2 𝑡𝑎𝑏𝑒𝑙 . Kita harapkan akan didapat :
1
A1 : Muka dengan mata satu : 120 × 6 = 20
1
A2 : Muka dengan mata dua : 120 × 6 = 20
1
A3 : Muka dengan mata tiga : 120 × 6 = 20
1
A4 : Muka dengan mata empat : 120 × 6 = 20
1
A5 : Muka dengan mata lima: 120 × 6 = 20
 1
A6 : Muka dengan mata enam : 120 × 6 = 20

Jadi didapat ;
Muka A1 A2 A3 A4 A5 A6
Pengamatan 16 24 25 15 15 25
Diharapkan 20 20 20 20 20 20

Uji chi-square dilakukan dengan rumus berikut :

∑(ℎ𝑎𝑠𝑖𝑙 𝑦𝑎𝑛𝑔 𝑑𝑖𝑎𝑚𝑎𝑡𝑖 − ℎ𝑎𝑠𝑖𝑙 𝑦𝑎𝑛𝑔 𝑑𝑖ℎ𝑎𝑟𝑎𝑝𝑘𝑎𝑛)2
𝜒2 =
ℎ𝑎𝑠𝑖𝑙 𝑦𝑎𝑛𝑔 𝑑𝑖ℎ𝑎𝑟𝑎𝑝𝑘𝑎𝑛
∑(𝑂𝑖 − 𝐸𝑖 )2
𝜒2 =
𝐸𝑖
(16 − 20)2 (24 − 20)2 (25 − 20)2 (15 − 20)2
𝜒2 = + + +
20 20 20 20
(15 − 20)2 (25 − 20)2
+ +
20 20
16 36 25 25 25 25
𝜒2 = + + + + +
20 20 20 20 20 20
𝜒 2 = 0,8 + 1,8 + 1,25 + 1,25 + 1,25 + 1,25
𝜒 2 = 7,6
Jadi dengan 𝛼 = 0,05 dan db=k-1=5. Diperoleh nilai 𝜆2 𝑡𝑎𝑏𝑒𝑙 = 𝜆2 (0,05,5) =
11,1. Berdasarkan keputusan nilai 𝜒 2 ℎ𝑖𝑡 < 𝜒 2 𝑡𝑎𝑏𝑒𝑙 (7,6 < 11,1). Artinya
kita menerima H0 dan mengatakan bahwa dadu berasal dalam keadaan
homogen.
Uji T
Berikut merupakan tabel hubungan antara jenis pupuk nitrogen terhadap
hasil padi.
Plot Pupuk A (Y1) Pupuk B (Y2)
1 8 7
2 6 6
3 7 5
4 8 6
 5 6 5

Dengan tinggkat kepercayaan 95%, ambil kesimpulan dari data tersebut.

Jawab :
Hipotesis awal
Ho : y1  y 2

Ha : y1  y 2
Nilai t hitungan
y1  7
s1  1
y 2  5,8
s 2  0,84
( y1  y 2 )
t hit 
2 2
s1 s
 2
n1 n2
(7  5,8)
t hit 
12 0,84 2

5 5
t hit  4,94
t tabel  t / 2 ( df )
t tabel  t 0, 05 / 2 ( n1 n 2 2 )
t tabel  t 0, 025(55 2 )
t tabel  t 0, 025(8)
t tabel  2,306

Terima Ho jika | t hit | t tabel , sebaliknya tolak Ho alias terima Ha jika

| t hit | t tabel . Karena nilai t hitungan (nilai mutlak/mengabaikan negatif)

lebih tinggi dari t tabel maka Ho ditolak, sehingga pupuk A tidak sama
dengan pupuk B, dan hasil padi pupuk A lebih tinggi dibandingkan dengan
pupuk B

.
2. Fungsi peluang binomial negatif dan model regresi poisson
Binomial negatif
Parameter berbeda dapat menghasilkan berbagai jenis distribusi binomial
negatif. Misalnya, dengan mengambil vi = a-1, Yi mengikuti sebuah distribusi
binomial negatif dengan rataan E (Yi) = µi dan variansi Var (Yi) = µi (1 + aµi),
di mana a menunjukkan parameter dispersi sehingga persamaan menjadi :

Pr(𝑌𝑖 = 𝑦𝑖 ) = ∫ Pr(𝑌𝑖 = 𝑦𝑖 ) | 𝑦𝑖 |𝜆𝑖 ) × 𝑓(𝜆𝑖 )𝑑𝜆𝑖

Γ(𝑦𝑖 + 𝑎−1 ) 𝑎−1 𝜇𝑖 𝑦𝑖

= ( ) ( )
Γ(𝑦𝑖 + 1)Γ(𝑎−1 ) 𝑎−1 + 𝜇𝑖 𝑎−1 + 𝜇𝑖
Γ(𝑦𝑖 + 𝑎−1 ) 𝑎𝜇𝑖 𝑦𝑖
= −1
( ) (1 + 𝑎𝜇𝑖 )− 𝑎−1
𝑦𝑖 ! Γ(𝑎 ) 1 + 𝑎𝜇𝑖
Jika 𝑎 sama dengan nol, rataan dan variansi akan sama, E(𝑌𝑖 ) = Var(𝑌𝑖 ), akan
menjadi distribusi Poisson. Jika 𝑎 > 0, variansi akan melebihi rataan, Var(𝑌𝑖 ) >
E(𝑌𝑖 ), dan distribusi memungkinkan overdispersi. Dalam tulisan ini, distribusi
akan disebut sebagai binomial negatif.
Regresi Poisson
Model regresi poisson dapat ditulis sebagai logaritma naturan (ln) dari nilai
ekspektasi dan bergantung pada variabel bebas Xi. Link function yang digunakan
dalam regresi poisson adalah ln sehingga :
ln 𝐸(𝑌) = 𝑦𝑖 𝑇 𝛽
Maka model regresi poisson ditulis :
𝑘

ln 𝜇𝑖 = 𝛽0 + ∑ 𝛽𝑗 𝑥𝑖𝑗
𝑗=1

atau :
𝑘

𝜇𝑖 = exp (𝛽0 + ∑ 𝛽𝑗 𝑥𝑖𝑗 )

𝑗=1

dengan i=1,2,..n;j=1,2,..p dan 𝛽0 𝛽𝑗 adalah parameter regresi yang tidak

diketahui dalam model dan harus diestimasi.
3. Overdispersi dan cara penanganannya
Overdispersi adalah kondisi pada saat variansi dari peubah respon lebih
besar dari nilai mean peubah respon. Overdispersi dapat terjadi karena
banyaknya jumlah pengamatan yang bernilai nol pada peubah respon. Fenomena
overdispersi dapat dijelaskan sebagai berikut :
𝑉𝑎𝑟(𝑦𝑖 ) > 𝐸(𝑦𝑖 )
Namun sebaliknya, data yang nilai variansi lebih kecil dari nilai mean
disebut dengan underdispersi. Salah satu akibatnya adalah simpangan baku dari
penduga parameter menjadi berbias ke bawah dan signifikansi dari peubah
penjelas menjadi berbias ke atas, sehingga menghasilkan kesimpulan yang tidak
valid.
Penanganan model yang dapat digunakan untuk mengatasi masalah
overdispersi pada regresi poisson adalah Regresi ZIP (Zero Expansion Poisson
Regression). Dalam regresi ZIP, ada dua parameter yang dapat diestimasi. yaitu,
parameter yang mewakili variabel yang mempengaruhi keadaan 0 dan parameter
yang mewakili variabel yang mempengaruhi keadaan Poisson. Kemudian juga
dapat dimanfaatkan untuk menganalisa data yang dibutuhkan.
Lambert (1992) menyatakan bahwa peubah respon 𝑌 = (𝑌1, 𝑌2, … , 𝑌n)′
yang saling bebas dalam regresi ZIP memiliki sebaran yaitu
𝑌i~ 0 dengan peluang 𝑝𝑖
𝑌i~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆i) dengan peluang 1 − 𝑝𝑖
Dalam hal ini berarti bahwa nilai nol diasumsikan muncul dengan peluang p
yang sering disebut structural zeros dan data cacah menyebar Poisson pada
parameter λ dengan peluang (1-p) yang disebut dengan sampling zeros (Jansakul
dan Hinde, 2002). Sehingga fungsi masa peluang Yi menyebar ZIP adalah
𝑝 + (1 − 𝑝)𝑒 −𝜆 , 𝑦𝑖 = 0
𝑃(𝑌 = 𝑦𝑖) = { 𝑒 −𝜆𝜆𝑦𝑖
(1 − 𝑝) 𝑦𝑖 = 1,2, … , 𝑑𝑎𝑛 0 ≤ 𝑝 ≤ 1
yi!

dengan paramaeter 𝜆 = (𝜆1, 𝜆2, … , 𝜆n)′ dan p = (𝑝1, 𝑝2, … , 𝑝n) dengan fungsi
penghubung :
ln(𝜆) = B𝛽
 dan
𝑝
𝑙𝑜𝑔𝑖𝑡(𝑝) = 𝐼𝑛 ( ) = 𝐺𝑦
1−𝑝
Dimana B dan G merupakan matriks kovariat . Jika B = G serta λ dan p tidak
memiliki hubungan fungsional, maka regresi ZIP membutuhkan parameter dua
kali lipat dibandingkan regresi Poisson. Nilai harapan dan ragam dari Y sebagai
berikut
𝐸(𝑌) = (1 − 𝑝)λ = μ
dan
𝑝
𝑉𝑎𝑟(𝑌) = μ + ( ) μ2
(1 − 𝑝)
Overdispersi pada Y terjadi jika sebaran dari marginal Y nilai p > 0 yang
mengindikasikan terjadi peningkatan nilai nol pada peubah respon Y dan pada
persamaan diaatas terlihat bahwa Var(Y) > E(Y) yang mengindikasikan bahwa
regresi ZIP dapat mengatasi overdispersi.
4. Mendeteksi Overdispersi pada kasus DBD Di Kota Kendari
Kondisi overdispersi dapat dilihat dari nilai variansi Y(variabel respon )
dan juga nilai taksiran dispersi yaitu nilai person chi-sqaure dan devians yang
dibagi dengan derajat bebas. Jika nilai tersebut lebih besar dari 1 maka terdapat
overdispersi pada data .
Tabel 4.1

Pada tabel diatas, overdispersi pada data Kasus DBD di Kota Kendari tahun
2022 dilihat dari nilai variansi Y yang lebih besar dari niai rataan
(172,273>11,45)
 Tabel 4.2

Selanjutnya kita melihat nilai deviance di regresi poisson. Diketahui nilai

deviance regression poisson sebesar 15,409 dengan derajat bebas 5. Rasio
deviance dengan derajat bebasnya yaitu 3,082 atau bernilai lebih dari 1
sehingga dapat disimpulkan bahwa telah terbukti ada overdispersi pada
data kasus banyaknya DBD di Kota Kendari 2022