1

PENGANTAR BIOSTATISTIK
ILMU KEDOKTERAN DAN KESEHATAN

Oleh :
Mochammad Arief Tq
Fakultas Kedokteran UNS : 2014
 2

PENGANTAR BIOSTATISTIK
Oleh : Mochammad Arief Tq.

Pendahuluan
Biostatistik adalah suatu bidang ilmu kesehatan yang menyangkut (a)
Pengumpulan, penataan dan penafsiran data yang sering disebut sebagai
statistik deskriptif, misalnya mengukur tendensi sentral, simpang baku dan
sebagainya (b) penarikan inferensi (kesimpulan) tentang populasi
berdasarkan data yang diamati dalam sampel. Dengan demikian maka
inferensi statistik mencakup dua masalah yaitu membuat dugaan tentang
parameter populasi dan menguji hipotesis tentang karakteristik populasi.

A. Konsep dasar Biostatistik

Unit Pengamatan: atau unit observasi adalah sumber pengamatan misalnya
orang atau objek, istilah lainnya adala subjek atau individu.

Populasi: kelompok keseluruhan elemen penelitian atau orang. Populasi

dapat bersifat finit (bisa terhitung jumlahnya) dan infinit (tak bisa terhitung).
Setiap populasi mempunyai batasan berdasarkan tempat, waktu dan sifat
individu, misalnya semua wanita yang hamil di Indonesia pada tahun 2005.

Variabel: fenomena yang mempunyai variasi (misalnya berat badan, jenis

kelamin, kadar merkuri dalam darah, dsb)

Data: adalah sejumlah (set) hasil pencatatan nilai dari pengukuran variabel.

Parameter: ukuran yang digunakan untuk menggambarkan karakteristik

atau hubungan antar variabel populasi, misalnya mean, variant, koefisien
korelasi dan proporsi.

Probabilitas (peluang) frekuensi relatif atau peluang rata-rata terjadi suatu

peristiwa. Misalnya: peluang untuk mendapatkan bayi laki-laki pada
kehamilan pertama, peluang suatu obat lebih efektif daripada obat lainnya.

B. Statistik Deskriptif
Berkaitan dengan pengumpulan, penataan dan penafsiran data , misalnya
mengukur tendensi sentral, simpang baku dan sebagainya.
 3

Ukuran tendensi sentral : menggambarkan kecenderungan nilai-nilai

pengamatan memusat pada suatu titik. Tiga ukuran tendensi sentral yang
penting adalah: mean, median, dan mode. Mean adalah nilai rata-rata aritmatik
yang dihitung dengan menjumlahkan semua nilai dalam sampel dan
membaginya dengan besar sampel.

εx
X=
N

Σ(xi-x)2
SD =
n-1

Ukuran dispersi: ukuran yang menggambarkan sejauh mana nilai-nilai

pengamatan menyimpang dari meannya. Nilai dispersi yang penting adalah
varians dan akar varians atau simpang baku. Makin bear simpang baku main
lebar penyebarannya nilai-nilai pengamatan.

Median adalah nilai tengah, dan mode adalah nilai dengan frekuensi
terbanyak.

C. Statistik Inferensial
Problem pertama adalah sejauh mana memastikan bahwa perbedaan antara
dua atau lebih sampel benar-benar mencerminkan perbedaan dalam
populasi. Misalnya sejauh mana perbedaan tinggi badan rata-rata antara
laki-laki dan perempuan dalam sampel dapat mencerminkan perbedaan
rata-rata tinggi badan laki-laki dan perempuan dalam populasi? Secara
umum dapat dikatakan bahwa makin besar ukuran sampel makin kecil
kekeliruan membuat kesimpulan dari sampel tentang karakteristik populasi
atau variasi antar sampel akan makin kecil, presisi akan meningkat.

D. Uji Hipotesis
Hipotesis dapat diartikan sebagai pernyataan tentatif/sementara tentang
hubungan antar variabel yang menjadi permasalahan penelitian. Hipotesis
dapat dibedakan menjadi (1) hipotesis konseptual dan (2) hipotesis
operasional. Hipotesis konseptual merupakan solusi sementara terhadap
 4

masalah penelitian yang masih bersifat umum. Agar hipotesis konseptual ini
dapat diuji harus dideduksikan lebih dahulu menjadi hipotesis operasional.
Dengan kata lain operasionalisasi hipotesis disini berarti menjabarkan
hipotesis ke dalam variabel-variabel penelitian yang operasional dan
terukur. Hipotesis operasional inilah yang dapat dianalisis dengan uji
statistik yang sesuai. Oleh karena itu hipotesis operasional disebut juga
hipotesis statistik.
Langkah-langkah dalam uji hipotesis
Merupakan serangkain proses dari penyajian data sampai dengan penarikan
kesimpulan.

(1) Pengumpulan Data

Merupakan hasil pencatatan pengukuran terhadap variabel
penelitian. Untuk memilih uji statistik yang sesuai perlu diketahui
skala pengukuran variabel yang akan dianalisis (nominal, ordinal,
interval atau rasio).
(2) Pemahamam Asumsi
Merupakan persyaratan yang harus dipenuhi ketika akan
menggunakan uji statistik. Misalnya uji statistik parametrik
mempersyaratkan data yang terdistribusi normal. Uji statistik
parametrik umumnya memiliki asumsi yang lebih banyak daripada
nonparametrik namun generalisasinya menjadi lebih terbatas tetapi
kuasa statistiknya menjadi lebih kuat.

(3) Hipotesis Statistik (Ho)

Dalam analisis statistik dikenal istilah hipotesis nol (Ho) dan hipotesis
alternatif (H1). Misalnya suatu penelitian ingin membandingkan
efektifitas antara suatu vaksinasi secara intradermal dengan secara
intramuskuler. Ketika kita berasumsi bahwa kedua metode pemberian
itu akan menghasilkan titer antibodi yang sama baiknya maka asumsi
itu disebut hipotesis nol. Tetapi ketika kita berasumsi bahwa metode
intradermal lebih baik daripada intramuskuler atau sebaliknya maka
kita telah membuat pernyataan yang disebut hipotesis alternatif.
Hipotesis nol umumnya merupakan hipotesis hipotesis yang dicoba
untuk ditolak, hipotesis alternatif merupakan hipotesis yang dicoba
untuk tidak ditolak (diterima). Notasi hipotesis dalam uji binomial
adalah sebagai berikut:
(a) Dua sisi : Ho : p=po H1 : p=po
 5

(b) Satu sisi : Ho : p<po H1 : p>po

atau : Ho : p>pl H1 : p<

(4) Pengambilan Keputusan Statistik

Nilai-nilai statistik akan terletak dalam garis horizontal suatu kurva
distribusi uji statistik. Dalam kurva distribusi uji statistik ada 2
daerah yaitu (1) daerah penolakan Ho dan (2) daerah penerimaan
Ho. Ho ditolak bila hasil perhitungan nilai statistik uji dari sampel
merupakan salah satu nilai yang terletak dalam daerah penolakan.
Sebaliknya bila Ho tidak ditolak, bila nilai statistik uji yang dihitung
dari sampel merupakan salah satu dari nilai-nilai di dalam daerah
penerimaan. Kesimpulannya, bila Ho ditolak maka H1 benar.
Sebaliknya bila Ho tidak ditolak kesimpulannya Ho mungkin benar.

(A)
0,05
(B) Daera
0,05

Sifat daerah penolakan dipengaruhi oleh pernyataan hipotesis

alternatif. Jika H1 menunjukkan arah perbedaan maka uji yang
digunakan adalah uji satu sisi. Sebaliknya jika H1 tidak
menunjukkan arah perbedaan maka uji yang digunakan adalah uji
dua sisi. Luas daerah penolakan antara uji satu sisi dan dua sisi
adalah sama yang berbeda adalah letak daerahnya. Pada uji satu sisi
(one side test) daerah penolakan terletak pada salah sisi kurva
distribusi. Probabilitas untuk memperoleh suatu nilai statistik pada
daerah penolakan itu lebih kecil atau sama dengan . Pada uji dua sisi
 6

(two side test) daerah penolakan terletak pada kedua sisi kurva
distribusi. Probabilitas untuk memperoleh satu nilai statistik pada
salah satu sisi daerah penolakan itu lebih kecil atau sama dengan
1/2 .
Keputusan statistik akan berupa menolak atau tidak menolak Ho.
Ho ditolak jika nilai statistik uji (dari perhitungan dalam sampel)
terletak di dalam daerah penolakan dan Ho tidak ditolak bila nilai
statistik uji terletak dalam daerah penerimaan.

E. Tingkat Kemaknaan ( )
Tingkat Kemaknaan ) merupakan nilai probabilitas tertentu yang dipakai
sebagai patokan penolakan atau penerimaan Ho, misalnya 0,01 atau 0,05.
Jadi jika kita temukan suatu nilai statistik uji lebih kecil atau sama dengan
maka secara probabilitas kita menolak Ho. Oleh karena itu demi alasan
objektivitas maka nilai hendaknya sudah ditentukan sebelum data
terkumpul. Penetapan besar kecilnya nilai harus mempertimbangkan
kemaknaan praktis hasil penelitian kelak. Kemaknaan praktis berkaitan
dengan dampak yang akan ditimbulkan akibat hasil penelitian itu. Bila hasil
suatu penelitian menyangkut pertimbangan yang fatal maka kita hendaknya
tidak menggunakan nilai yang besar, demikian sebaliknya. Karena
semakin besar nilai akan semakin mudah kita menolak Ho (daerah
penolakan lebih luas) atau semakin mudah kita menerima hipotesis
alternatif.
F. Probabilitas Pasti (p)
Suatu laporan hasil penelitian perlu mencantumkan nilai probabilitas pasti
(p) dari temuan penelitian. Nilai ini menunjukkan probabilitas untuk
memperoleh nilai sebesar atau lebih dari nilai statistik hitung (teramati)
hanya karena kebetulan. Makin besar nilai statistik uji kemaknaan yang kita
dapatkan, makin kecil nilai p. konsekuensinya bila nilai p lebih kecil atau
sama dengan maka keputusan statistiknya kita menolak Ho. Misalnya
sebuah studi menemukan bahwa hubungan antara kebiasaan minum jamu
X pada saat kehamilan dengan suatu kelainan kongenital, bermakna dengan
p=0,001. Artinya terdapat 1 diantara 1000 hasil penelitian tersebut terjadi
hanya karena kebetulan.

G. Kesalahan Pengambilan Keputusan Statistik

 7

Terdapat dua bentuk kesalahan ketika kita mengambil keputusan untuk Ho.
Pertama kesalahan tipe I; yaitu menolak Ho yang sesungguhnya Ho benar.
Probabilitas terjadinya kesalahan tipe satu disebut . Makin besar makin
besar pula kemungkinan kita membuat kesalahan menolak Ho secara keliru.
Kedua kesalahan tipe II; yaitu menolak Ho yang sesungguhnya Ho salah.
Probabilitas terjadinya kesalahan tipe II disebut β. Makin besar β makin
besar pula kemungkinan kesalahan tidak menolak Ho secara keliru.

Tabel : empat kemungkinan dalam uji hipotesis

Kesimpulan Uji Sesungguhnya

Statistik Ho Benar H1 Benar
Tidak menolak Ho Benar Kesalahan Tipe II (β)
(tidak bermakna secara Ho benar dan kita tidak H1 benar tetapi kita tidak
statistik) menolak Ho menolak Ho

Menolak Ho Benar
(bermakna secara Ho benar tetapi kita H1 benar dan kita
statistik) menolak Ho menolak Ho

Kuasa Statistik(P)
Adalah probabilitas untuk menolak Ho ketika sesungguhnya Ho memang
salah. Dengan kata lain kemampuan untuk mendeteksi adanya perbedaan
bermakna antara kelompok-kelompok yang diteliti ketika perbedaan itu
memang ada. Ditulis dengan :
Kuasa (P) = 1 – β (Kesalahan Tipe II)

Misalnya untuk b sebesar 0,20 artinya ada peluang sebesar 20% untuk
membuat kesalahan tidak menolak Ho padahal Ho salah atau H1 benar.
Maka kuasa dalam penelitian itu sebesar 1 – 0,20 = 0,80. Dengan kuasa
sebesar 0,80 berarti penelitian ini mempunyai kemampuan sebesar 80 persen
untuk dapat mendeteksi perbedaan antara kelompok yang diteliti jika
memang terdapat perbedaan.

H. Pemilihan Uji Statistik Yang Sesuai

Untuk memilih uji statistik yang sesuai perlu dipikirkan beberapa
pertimbangan berikut.
(1) Uji Parametrik dan Non parametrik
 8

Setiap uji statistik mempersyaratkan sejumlah asumsi yang harus

dipenuhi. Makin banyak asumsi yang bisa dipenuhi akan semakin
kecil kesalahan dalam menarik inferensi ke populasi dan makin besar
kuasa statistiknya (1 – β) akan tetapi semakin sempit generalisasi
penerapannya. Uji parametrik (misalnya uji t dan uji F) memiliki
asumsi yang lebih banyak daripada uji nonparametrik untuk
penggunaan yang sama. Karena uji parametrik umumnya
menerapkan lebih banyak asumsi daripada uji nonparametrik. Oleh
karena itu jika data yang dianalisis memenuhi semua asumsi,
penggunaan uji statistik parametrik merupakan pilihan utama.
Misalnya uji t memiliki beberapa asumsi yang harus dipenuhi agar
memiliki kuasa yang besar, misalnya : (a) pengamatan dilakukan
secara independen (b) sampel berasal dari populasi yang terdistribusi
normal (c) dalam analisis dua kelompok, populasi-populasi asal
sampel harus memiliki varians yang sama atau setidaknya dalam
skala rasio atau interval. Akan tetapi tidak semua data penelitian
dapat memenuhi sejumlah asumsi di atas sehingga perlu ada
pemecahannya. Salah satu alternatif adalah penggunaan uji statistik
nonparametrik. Uji nonparametrik dapat memiliki kuasa statistik
yang sebanding dengan uji parametrik asal ukuran sampelnya besar
(Bhisma, 1996).

(2) Klasifikasi variabel yang akan dianalisis

Bila data diukur dalam skala interval atau rasio parameter-parameter
yang menggambarkan populasi seperti mean, median, mode dan
simpang baku bisa dihitung. Metode analisis data yang
menggunakan parameter-parameter populasi disebut statistik
parametrik. Sebaliknya bila datanya hanya terukur dalam skala
nominal atau ordinal sebagian besar parameter populasi tidak dapat
dihitung khususnya mean. Yang bisa dihitung adalah frekuensi tiap-
tiap kategori (atribut) dari data nominal. Disini metode analisis
statistik untuk mencari perbedaan populasi adalah dengan
membandingkan karakteristik populasi secara umum, tanpa
tergantung pada parameter-parameter populasi atau statistik sampel.
Metode yang tidak berdasarkan atas parameter populasi disebut
metode statistik non-parametrik.
 9

PENGANTAR APLIKASI PROGRAM STATISTIK

Metode statistik untuk uji hipotesis yang sering digunakan dalam bidang
kedokteran dan kesehatan, umumnya dapat dikelompokkan berdasarkan
asumsi banyaknya variabel dan skala pengukurannya.

Tabel 1 : Metode statistik untuk uji hipotesis dengan satu variabel bebas
berdasarkan skala pengukurannya.
Variabel Bebas Variabel Tergantung Metode Statistik

Nominal Nominal Kai-kuadrat (1)

Uji Pasti Fisher (2)
Nominal dikotomik Numerik Uji-t independen (3)
berpasangan (4)
Nominal polikotomik Numerik Anova (5)
Numerik Numerik Regresi/korelasi (6)

Contoh :
(1) Uji independent Kai-kuadrat : suatu penelitian ingin mengetahui
pengaruh pemakaian estrogen (nominal) terhadap kejadian kanker
endometrium (nominal). Kedua sampel bersifat independen.
(2) Uji dependen Kai-kuadrat (Mc Nemar) : misalnya untuk menganalisis
hasil pengukuran variabel pada subjek yang sama sebelum dan setelah
intervensi.
(3) Uji Pasti Fisher : digunakan bila frekuensi harpan dalam salah satu sel
tabel kontigensi nilainya < 5. Misalnya ingin diteliti kemungkinan
hubungan antara kematian karena penyakit cerebrovaskuler (PCV)
dengan konsumsi tinggi garam. Dihasilkan tabel kontingensi sebagai
berikut:
 10

Konsumsi Garam
Tinggi Rendah

PCV 4 26

Sebab
kematian

Non PCV 2 18

Dari 4 sel terdapat 2 sel yang berisi frekuensi kejadian kurang dari 5
sehingga uji Fisher merupakan alternatif yang bisa digunakan.

(4) Uji t-independen : membandingkan nilai rerata (mean) dari 2

kelompok data. Misalnya untuk mengetahui apakah ada perbedaan
kadar kolesterol darah (numerik) antara kelompok penderita
hipertensi dan normotensi (nominal) dari dua sampel independen.
(5) Uji t-dependen : penelitian ingin mengetahui adanya perbedaan
kadar Hb antara anak bergizi buruk dan bergizi baik. Penetapan
subjek anak bergizi baik dan buruk dilakukan secara matching
(berpasang) terhadap umur dan jenis kelaminnya.
(6) Uji Anova (analysis of variance): digunakan untuk membandingkan
ada tidaknya perbedaan nilai rerata (mean) untuk lebih dari 2
kelompok secara sekaligus. Anova satu jalur digunakan bila variabel
bebas diklasifikasikan dengan satu parameter saja (misalnya status
gizi). Anava 2 jalur digunakan bila variabel bebasnya diklasifikasikan
dengan 2 parameter misalnya status gizi dan jenis kelamin.
 11

(7) Korelasi dan regresi : digunakan untuk memperoleh hubungan

antara 2 variabel yang berskala numerik. Misalnya antara kadar Hb
dan Ureum darah pada penderita gagal ginjal kronik. Pada uji korelasi
untuk mengetahui ada tidaknya hubungan antara 2 variabel numerik.
Uji regresi lebih bersifat meramalkan/prediksi nilai variabel
tergantung berdasarkan hasil pengukuran variabel bebas yang lebih
mudah/murah.
Persamaan garis regresi secara umum : y = ax + b
(y : variabel tergantung, x : variabel bebas, a : koefisien regresi, b :
konstanta)
Contoh :
Korelasi antara kadar tripsin serum (v tergantung numerik) dan kadar
ureum (v bebas numerik) dinyatakan dalam persamaan regresi
Y = 2,6x + 3
Bila kadar ureum 50 mg/dl maka kadar tripsin serum adalah =
2,6. 50 + 3 = 133 unit

Tabel 2 : Metode Statistik untuk uji hipotesis dengan lebih dari satu variabel
bebas
Variabel Bebas >1 Satu Variabel Metode Statistik
Tergantung
Numerik Numerik Regresi multiple
Nominal dan numerik Nominal dikotomik Regresi logistik

Contoh :
1. Regresi Multiple : untuk memperoleh persamaan regresi guna
memprediksi tekanan ventrikel kanan (numerik) pada pasien pasien
stenosis pulmonal, melalui pengukuran sumbu QRS (numerik),
tingginya gelombang R di V1 (numerik) dan tingginya gelombang S di V
6 (numerik).
 12

Persamaan regresi multipel dengan satu variabel tergantung berskala

numerik dengan lebih dari 1 variabel bebas berskala numerik.

Y = b1X1 +b2X2 + b3X3 + .... + ....

Contoh :
Peneliti ingin memperoleh persamaan regresi untuk memprediksi
tekanan ventrikel kiri (variabel tergantung, numerik) dengan mengukur
sumbu QRS (v bebas numerik), tingginya gelombang R di V1 (V bebas
numerik). Dengan memasukkan semua data di atas yang diperoleh dari
hasil pengukuran semua pasien (sampel) dan bantuan komputer
diperoleh persamaan regresi berikut:
Y = 0,6X1 + 0,4X2 – 2X3 + 12
(Y: tekanan ventrikel, X1 sumbu QRS, X2 tinggi gel. R di V1 dan X3
tinggi gelombang S di V6). Bila pasien dengan stenosis pulmonal dengan
sumbu QRS 130°, gelombang R di V1 = 20 mm, gelombang R di V6 = 12
mm, maka dapat diprediksikan bahwa tekanan ventrikel kanan (y).
y = (0,6.130) + (0,4.20) – (2.12) + 12 = 74 mmHg

2. Regresi Logistik : misalnya ingin memperoleh persamaan regresi untuk

memprediksi peluang pasien masuk ICU untuk hidup (v. tergantung,
skala nominal), berdasarkan usia (V. bebas skala numerik), skor analisis
gas darah (v, bebas numerik), skor klinis (v, bebas numerik), kategori
diagnosis (v, bebas ordinal), status infeksi (v, bebas nominal) dari 100
pasien.
Y = 1 / (1+e- (b1x1 + b2x2 + b3x3 + .... + a))

(Y: peluang untuk hidup, e : bilangan natural 2,718, b koefisien regresi, x

variabel bebas)