N Poin Catatan

o
1 Manajemen dan Hal yang perlu diperhatikan :
Analisis Data 1. Data yang diambil : adalah sampel. Sampel representative dengan populasi. Ada 2
yang mempengaruhi agar sampel mempengaruhi populasi :
a. Jumlah sampel harus cukup (jangan terlalu sedikit/terlalu banyak karena bisa
tidak akurat). Secara teori : tergantung karakteristik populasi. Homogen  jlh
sampel bisa sedikit. Jika heterogen  sampel perlu banyak. Jumlah sampel
dihitung dengan rumus.
- 2 pertimbangan Rumus sampel yang benar  jenis data  katerogik/numerik.
Tujuan penelitian (descriptive (estimasi)/menguji hipotesis (ada hubungan)?)
b. Perhitungan sampel selain perhatikan jumlah sampel, juga perhatikan pemilihan
sampel.
- Pemilihan sampel  random
- Judul penelitian (kategorik/num), tujuan hipotesis/tidak? Jika multivariat ada
aturan lagi. Jumlah sampel tidak boleh dikit. Hitungan sampel itu minimal. Jika
sampai multivariat, ketika hitung sampel 100. Jika variabel ada 15. 1 variabel
diwakili 15 sampel. Dalam survey, sampel dinaikkan 150. Sebelum survey,
hitung analisis multivariat, tentukan variabel. Antisipasi jumlah sampel.
2. Menyusun kuisioner  harus tau definisi operasional (DO) dari variabel. Dari DO
baru diterjemahkan ke pertanyaan.
Contoh : DO : Diare itu BAB > 3 kali sehari
Pertanyaan : apakah ada keluarga yang BAB > 3 kali sehari?
Disini DO kurang lengkap karena BAB diare konsistensinya cair.
DO harus berdasarkan literatur (sesuai perkembangan terbaru). Lebih baik di dalam
DO diberi referensi.
3. Pengumpulan Data  ada wawancara, angket, observasi, pengukuran
4. Pengolahan data  t independent (entry ke bawah). T berpasangan (entry
kesamping)
5. Transformasi data : Penjumlahan dan pengelompokkan data
Variabel pengetahuan (tinggi rendah) , jumlah skor dulu baru dikelompokkan
6. Analsis Data. Kategorik : Persentase. Numerik : Mean dan SD.
- Salah analisis deskriptif/univariat : persentase tidak tepat? Perhatikan missing
data. Jangan ambil persentase pada data missing.
- Salah dalam pemakaian uji statistic (bivariat/multivariat)
7. Penyajian data :
- Pembuatan tabel/grafik salah
- Double penyajian (tidak boleh ada grafik setelah ada tabel)
- Interpretasi kurang tepat (1 kepuasan saja).
8. Pembahasan
- Hasil analisis jangan diulang. Yang diambil sig/tidak?Tidak usah dijelaskan OR/ p
value. Bandingkan dengan penelitian lain. Mengapa bisa terjadi? Mengapa tidak
signifikan? Sejalan dengan penelitian siapa? Argumentasi bagaimana?
9. Kesimpulan
- Kualitatif saja. Hindarkan p value dan OR.
- Bukan ringkasan
- Menjawab tujuan
10. Saran
- Sesuai dengan hasil penelitian
- Harus operasional
Coding 2 kelompok : 0, 1. Jika coding 1,2  dianggap numerik (stata)
Cara atasi entry data :
- Cek variasi data (sesuai yang seharusnya/tidak)  masing2 variabel keluarkan
distribusi frekuensinya.
- Membandingkan 2 variabel cek konsistensinya. Jika KB 20  alat 20.
- Cek tabel silang : contoh hubungan variabel umur dan jumlah anak.
4 ibu umur 19, jumlah anak 1  wajar.
2 ibu umur 15  jumlah anak 10  tidak wajar (kemungkinan salah input) Bisa jadi
umur 45. Bisa jadi jumlah anak 1.
 Dalam analisis  umur dikelompokkan.
Analisis data 

Makna analisis : Bayi di depok BBLR  kurang gizi

- Menguasai statistik
- Menguasai substansi : makna benar
- Menguasai program statistic
 Penyajian Data :

Tabel lengkap Who, What, Where, When

2 Penyusunan Kuisioner
Variabel

Angka kualitatif : oengetahuan, perasaan, sikap, motivasi  variabel sosial variabel

konsep  lebih sulit buat pertanyaanya.
Angka kuantitatif : Umur, berat badan

Sulitkah mengukur
variabel

Jenis Variabel

Pendidikan : untuk mengukur pendidikan, 1 pertanyaan saja cukup.

Tahapan membuat
pertanyaan

DK ini dari teori thesis, disertasi. Contoh definisi secara teori secara teori konsepsional.
 DK lebih abstrak dibanding DO.
Perilaku :
Langkah Pertanyaan
sederhana

Contoh variabel sederhana dengan pertanyaan > 1

Responden : Ibu yang mempunyai bayi berumur > 6 bulan karena ingin tahu history asi
eksklusif.
 Uji validitas untuk mengukur variabel konsep/kompleks.
Untuk variabel konsep : range pilihan jawaban biasanya sama karena nantinya akan di
scoring
Variabel sederhana tidak perlu uji validitas karena akan mengacaukan hasil

1 Populasi dan Sampel Bagaimana agar supaya sampel representative

a. Jumlah Sampel yang cukup
b. Pemilihan sampel dilakukan dengan benar
Jenis statistik 1. Statistik Deskriptif : Statistik yg kegiatannya hanya mendeskripsikan data
Contoh : kita survey tinggi badan pada 100 mhs fkmui. Setelah data hasil survey diolah
dan dianalisis,  rata2nya didapatkan 156 cm. Kemudian disimpulkan dari 100 mhs
fkmui yang diukur tinggi badannya menunjukkan rata-rata 156 cm.
 Tidak melakukan generalisasi
 Bisa berlaku di sampel maupun populasi
 Ukuran yang diambil dari sampel  Statistik (rata-rata dari data sampel)
 Ukuran yang diambil dari populasi  parameter (rata-rata data populasi)

2. Statistik Analitik/Inferensial/Induktif : Statistik yg kegiatannya sudah melakukan

generalisasi dari sampel ke populasi
 Sudah generalisasi sampel ke populasi  menyimpulkan dari kecil ke besar.
 Hanya berlaku di sampel
 Statistik analitik  hanya dapat digunakan di data sampel (dari statistic ke
parameter). Karena ingin memperkirakan data parameter/populasi  perlu ilmu
probabilitas/peluang  agar mendekati kebenaran.
Contoh : Survey berat badan pada sampel 75 mhs FKMUI. Setelah data hasil survey
diolah dan dianalis, misalnya dng dihitung rata2nya didapatkan 54 kg Kemudian
disimpulkan berat badan keseluruhan mahasiswa FKMUI rata-ratanya adalah 54 kg
Kesimpulan yang berlaku  untuk populasi, bukan pada sampel yang di survey.
Cth : survey kepuasan pasien diambil sampel sebanyak 10 pasien yang berobat di poli A di
RS X. Setelah datanya diolah dan dianalisis, didapatkan hasil bahwa persentase tingkat
kepuasan pasien adalah sebesar 60 %
 Tingkat kepuasan pasien yg berobat di Poli A RS X adalah 60 % : Statistik
Analitik/Inferensial/Deduktif
 Tingkat kepuasan pasien pada sampel 10 pasien yang berobat di poli A adalah 60 % :
 Statistik deskriptif
Parameter dan Statistik Parameter = ukuran yang dihasilkan dari data populasi
Statistik = ukuran yang dihasilkan dari data sampel

Contoh :
Nilai xb memperkirakan nilai µ (rata2 sampel digunakan untuk memperkirakan
rata2 populasi)
Induktif-Deduktif Menyimpulkan dari data khusus (sampel) ke - - umum (populasi)  INDUKTIF
Induktif  diambel sampel 100 untuk menggambarkan bayi seluruh depok.

Menyimpulkan dari data umum (populasi) ke - - khusus (sampel)  DEDUKTIF

Kalau tekanan darah >80 adalah hipertensi. Datang satu orang cek darah dan TD
170
Contoh dalam Penelitian : Dari banyak masalah yang ada  diambil 1-2 masalah :
Deduktif. Dari 1-2 masalah ini dilakukan survey dan analisis dan disimpulkan
untuk mewakili populasi  Induktif.
Jenis Statistik 1. STATISTIK PARAMETRIK  Statistik yg digunakan pada data yang berdistribusi
normal
Cth : uji t, uji anova, dll

2. STATISTIK NON PARAMETRIK  Statistik yg pada data yang distribusinya tidak

normal
Cth : uji wilxocon, uji mann whitney, dll

Aturan data normal dan tidak normal  salah satunya data jumlah sampelnya
sedikit maka cenderung tidak normal. Data banyak cenderung normal

Kalau bidang Kesmas  data banyak  umumnya data normal  analisis

menggunakan statistic parametric.
Data Data Harus akurat (memenuhi 2 aspek : validitas dan reliable).
1. Validitas : tepat atau cermat pengukuran
2. Reliabilitas : konsistensian pengukuran (cenderung ke alat ukur/cara
pengukuran). Data yang diulang-ulang hasilnya bagus  realiable.
Jenis Data 1. Rutin : Data yang rutin dikumpulkan (tiap minggu, tiap bulan, tiap tahun).
Contoh: laporan RS, Puskesmas Tiap bulan, tiap semester
2. Ad hoc : Data yang dibutuhkan sewaktu-waktu kalau ada kejadian khusus.
Contoh : Data survey KLB, Data survey bencana.
3. Primer : Data yang dikumpulkan langsung di lapangan oleh peneliti
4. Sekunder : Data yang sudah diolah oleh instansi tertentu  dianalisis. Data
yang tidak sesuai dengan tujuan kita, namun kita hanya menggunakannya.
Contoh : SDKI, Riskesdas
5. Individu : Data personal masing-masing orang (umur, Pendidikan, agama)
6. Agregat : Data kumpulan dari beberapa individu. Contoh penghasilan keluarga
(kumpulan dari beberapa individu dalam keluarga), data rasio tenaga
kesehatan dengan jumlah penduduk per kabupaten.
 7. Berkelompok (independent) : data tekanan darah orang kota dan orang desa,
data nilai statistic kelas A dan kelas B (responden beda antara kelompok 1 dan
2)
8. Berpasangan (dependent/pair) : Dari orang yang sama, diukur 2 kali. Contoh :
Tekanan darah seseorang sebelum dan sesudah sidang thesis
9. Cross-sectional/potong lintang : Data kepuasan pasien (diukur sekali)
10. Time Series/parallel : Data diukur beberapa kali
Variabel menurut Skala Nominal: isinya sederajat (jenis kelamin = pria, wanita)
Ordinal : Ada tingkatan, antar data selisihnya tidak diketahui (selisih/jarak tidak
jelas). Contoh : tingkat Pendidikan = sd, smp, sma
Interval : Ada tingkatan, ada jarak, tidak ada kelipatan. Tidak ada 0 mutlak
(Suhu= 20o,40o,80o)
Rasio : Ada tingkatan, ada jarak, ada kelipatan memiliki 0 mutlak (Berat badan =
40, 60, 60). Contoh : 60 kg adalah 2x dari 30x.
Variabel menurut sifat a. Kategorik/Kualitatif  berupa kata-kata (gabungan nominal dan ordinal)
b. Numerik/Kuantitatif  berbentuk angka
- Data Hasil pengukuran (kontinu) : rangkaian data, nilainya dapat
berbentuk decimal. Contoh : Berat Badan
- Data Hasil penghitungan (diskrit) : data yang berbentuk bilangan bulat.
Contoh : Jumlah anak, jumlah penderita TBC, Jumlah kecelakaan
Numerik  Gabungan interval dan rasio
Note :
Numerik dapat menjadi kategorik bila variable dikelompokkan
Contoh : BB 56 78 86 (numerik) : rasio
BB : <50, 50-70, > 70 (kategorik) : ordinal
LATIHAN 1. Lama dirawat pasien : 5, 8, 20 ..dst  Numerik (diskrit), Rasio (karena
adalah hari. 5 x 1 hari. 20  5 x4 )
2. Perjaan pasien : pns, abri, swasta  Kategorik, Nominal
3. Pendidikan perawat: d3, s1, s2  Kategorik, Ordinal
4. Lama kerja perawat : 5. 7. 10 … Numerik (diskrit), Rasio
5. Suku : Jawa, sunda, batak, …  Kategorik, Nominal
6. Unit tugas: gawat darura, poli, …  Kategorik, Nominal
7. Tahun lulus s1 : 2000, 2010, 2013  Numerik (diskrit), Interval
8. Gol Kepegawaian : gol 1, gol 2, gol 3 ..dst  Kategorik, Ordinal
9. Jumlah anak : 0, 2, 3, 5 …  Numerik (diskrit), Rasio
10. Tinggi badan : pendek (<150), ideal (150-160), jangkung (>160)  Kategorik,
Ordinal
11. Status kawin: BK, K  Kategorik, Nominal
12. Umur : 20, 24, 30, dst  Numerik (diskrit) , Rasio
Jenis Variabel 1. Independen-Dependen
Penelitian 2. Moderasi/Confounding : Variabel yang mempengaruhi
(memperkuat/memperlemah) variable independent-dependen. Biasanya
diganti perancu.
Contoh : Pengaruh motivasi dengan prestasi mahasiswa. Cara mengajar dosen
 pengaruh moderasi/confounding
3. Antara/Intervening  variable yang mempengaruhi hubungan independent
dan independent sehingga hubungannya menjadi tidak langsung Contoh :
Hubungan antara kualitas pelayanan (independent) dengan loyalitas
(dependen). Ada variable kepuasan konsumen sebagai variable intervening.
KUALITAS PELAYANAN ----- kepuasan konsumen ---- LOYALITAS
4. Kontrol : Variabel yang diharapkan berbentuk konstan  Intervensi atau
 eksperiment.
Metode Statistik Ada 4 langkah :
1. Pengumpulan Data  berdasarkan tujuan penelitian.
2. Pengolahan Data : editing, coding , processing, cleaning
3. Analisis Data. Jenis analisis :
a. Univariabel – analisis deskriptif
b. Bivariabel – menghubungkan 2 variabel  Uji anitain
c. Multvariabel –beberapa variable dianalisis bersamaan
4. Penyajian Data
a. Tekstular – penyajian dengan narasi
b. Tabular --- penyajian dengan tabel
c. Grafikal –penyajian dengan grafik/diagram
Var kategorik : bar, pie, pareto
Var numerik : histogram, polygon, garis/line, ogive, diagram
tebar/scatter plot
2 Peringkasan Data Peringkasan data  cara melakukan analisis data univariable atau analisis
deskriptif.
2 cara peringkasan data :
1. Ukuran Tengah
Ukuran Tengah untuk variable numerik  Mean, median, modus
Ukuran Tengah variabel numerik :
 Mean : semua data dilibatkan, perhitungan mudah, sangat dipengaruhi
angka ekstrem
Cocok digunakan sebagai peringkasan data jika tidak ada angka extrem
Z>±2.5  Extrem
 Median : Tidak terpengaruh angka ekstrem
Cocok digunakan sebagai peringkasan data jika ada angka extrem
 Modus : Nilai yang frekuensinya banyak (jarang digunakan)
Mean, Modus Median akan membentuk distribusi data
Ukuran tengah untuk kategorik  proporsi/persentase

2. Ukuran Variasi
Ditentukan karena ukuran tengah saja tidak cukup. Harus ada ukuran variasi
Ukuran Variasi variabel numerik :
 Range : Semakin besar range  semakin bervariasi.
Sangat dipengaruhi angka ekstrem
Kelemahannya hanya melibatkan nilai terkecil dan terbesar
 Varian dan standar deviasi
Varian (mengatasi kelemahan range) :
2
∑ ( x−x )
s2=
n−1
Standar Devasi/Simpangan Baku (mengatasi kelemahan varian yang
masih berbentuk kuadrat) :

√
2

s=
∑ ( x− x )
n−1
Standar deviasi  nilai variasi data terhadap mean (rata-ratanya)
Jika data berdistribusi normal maka :
68% Data berada di kisaran mean ± 1*SD
 95% Data berada di kisaran mean ± 2*SD
99% Data berada di kisaran mean ± 3*SD

 Koefisien variasi (cov)  standar deviasi dibagi mean x 100%

Mengetahui perbedaan variasi 2 kelompok data dengan mean berbeda
s
cov= ∗100 %
x̄
Semakin besar cov  semakin bervariasi (heterogen)

Ukuran Variasi variabel kategorik  Hanya Satu yaitu Proporsi/persentase

Jika persentase antar kelompok seimbang  homogen

Jenis Distribusi Data 1. Distribusi Data Normal/Simetris  mean=modus=median (kurva distribusi

normal).
Skewness :
x−Mod 3( x−Med )
α= atau
SD SD
DISTRIBUSI NORMAL BILA SKEW = -2 s/d + 2

2. Distribusi Tidak Normal:

a. Melenceng Kiri (Skew to the left)  terjadi karena ada angka extrem
kecil
Mean<median<modus

b. Melenceng Kanan (Skew to the right)  terjadi karena ada angka extrem
besar. Mean>median>modus

Ukuran Posisi Ukuran Posisi hanya untuk variabel numerik

1. Kuartil (1/4). Masing-masing 25%. Q1, Q2, Q3
a. Hitung posisi quartil :
1
Q 1= (n+1)
4
2
Q 2= (n+1)
4
3
Q 3= (n+1)
4
b. Hitung Kuartilnya
2. Desil (1/10)
3. Persentil (1/100)
3 Penyajian Data a. Teks (Ada tema, data, opini)
b. Tabel.
Syarat tabel yang baik :
 - Memiliki judul (menjelaskan isi tabel, subjek, tempat dan waktu
- Memiliki nomor tabel
- Memiliki baris dan kolom
- Pengelompokkan sesuai data
- Singkatan yang ada sudah dijelaskan di catatan kaki
c. Grafik
Tabel Tabel Silang :
a. Cohort & Cross-sectional : Persen Baris
b. Case Control : Persen Kolom
Jenis penyajian data Poligon  titik tengah histogram yang dihubungkan dengan garis.
Grafik garis  Sumbu x adalah waktu
Ogive kumulatif yang bisa < atau >. Titik tengah adalah median.
Box plot  Mengetahui Quartil 1,2 3
Pareto chart  bar diurutkan dari tertinggi (besar) ke kecil. Untuk digunakan
dapat improvement dan kendali mutu
Scatter plot  numerik numerik. Melihat korelasi 2 variabel numerik.
X Chart  improvement dan gugus kendali mutu
4 Probabilitas Statistik Analitik/Inferensial/Induktif
1. Mutually Exclusive  peristiwa yang tidak dapat terjadi bersamaan.
P(A atau B) = P(A) + P(B)
P(A dan B) = 0
Contoh 1 : Pelemparan satu dadu, berapa peluang muncul sisi 4 atau sisi 5
P( 4 atau 5) = P (4) + P (5) = 1/6 + 1/6 = 2/6

Contoh 2 : Instalasi farmasi rumah sakit ingin mengetahui kemungkinan

dokter di poliklinik umum menulis resep Norvask atau Tensivask untuk
pasien hipertensi. Karena kedua obat tersebut berisi zat aktif yang sama,
yaitu anitaine, seorang dokter tidak mungkin menulis Norvask dan Tensivask
pada satu resep. Dari data penjualan selama 1 bulan lalu, terlihat Norvask
ditulis pada 115 resep dan Tensivask pada 76 resep, dari 1000 resep yang
masuk. Dengan demikian probabilitas dokter menulis Norvask atau
Tensivask pada resep adalah:
P (Norvask atau Tensivask) = P(Norvask) + P(Tensivask)
= 115/1000 + 76/1000 = 191/1000

2. Non-Mutually Exclusive  peristiwa yang dapat terjadi bersamaan

P(A atau B) = P(A) + P(B) – P(A dan B)
P(A dan B) = P(A) x P(B)
Contoh : Pelemparan dadu dan koin dilempar, berapa peluang dadu muncul
sisi 4 atau koin muncul sisi angka
P(d4 atau koin a)= P(d4)+P(k a)-P(d4 dan k a)=1/6 + ½ - (1/6 x 1/2) = 1/6 +
3/6 – 1/12 = 4/6 – 1/12 = 8/12 – 1/12 = 7/12
Contoh 1 : Instalasi farmasi rumah sakit ingin mengetahui kemungkinan
dokter di poliklinik umum menulis resep ampisilin atau kloramfenikol. Dari
1015 resep yang masuk bulan sebelumnya, terlihat ampisilin ditulis pada
560 resep, kloramfenikol pada 312 resep dan kombinasi ampisilin
kloramfenikol ditulis pada 114 resep.
Berapa probabilitas ditulisnya ampisilin atau kloramfenikol pada resep ? 
P (ampisilin atau kloramfenikol) = P(ampisilin) + P(kloramfenikol) –
P(ampisilin dan kloramfenikol)
= 560/1015 + 312/1015 – 114/1015
 = 758/1015
 Contoh 2: 100 orang anak, 15 menderita diare, 10 orang menderita ISPA, 5
orang menderita diare & ISPA
P(diare)=0,15, P(ISPA)=0,10 P(diare dan ISPA)=0,05
Berapa peluang anak akan menderita diare atau ispa
P(diare atau ISPA) = P(diare) + P(ISPA)- P(diare dan ISPA)
P(diare atau ISPA) = 0,15 + 0,10 – 0,05 = 0,20
Cth : ada 21 mhs yg terdiri 9 mhs epid dan 12 mhs kesling. Mhs epid
diketahui ada 3 wanita dan 6 pria. Utk mhs kesling 4 pria dan 8 wanita
Bila dipilih seorang mhs, berapa peluang:
a. Mhs epid atau kesling - - - mutually = 9/21 + 12/21 = 21/21 = 1
b. Mhs kesling atau anita - - - - non mutually = 12/21 + 11/21 – (12/21 x
11/21) =23/21 – 132/441 = 23/21 – 6/21 = 17/21

Peluang Independen 1. Peluang Independen  tidak tergantung satu dengan lainnya

dan Dependen P(A dan B) = P(A) x P(B)
2. Peluang dependent (bersyarat/kondisional)  terjadi dengan syarat
peluang lain sudah terjadi duluan
P(A dan B) = P(A) x P(B|A)
P(B|A)  probabilitas bersyarat (conditional probability)  probabilitas
terjadinya B setelah A terjadi (dalam kondisi A)
Contoh :

Ada 2000 pasien di suatu RS

P(bedah) =1000/2000 p(infeksi І bedah)= 20/1000
Peluang (bedah dan infeksi) = P(bedah) x P(infeksi І bedah) = 1000/2000 x
20/1000 = 20/2000

Kombinasi Kombinasi : Urutan tidak dipentingkan

n!
nCr 
r!( n  r )!
n= jumlah data
r=jumlah pasangan
C= kombinasi

Contoh : 4 mhs dipilih 2 mhs utk bertugas. Brp pasangan kombinasi yg dihasilkan
Diket : n=4 r=2
4! 24
C= = =6
2! ( 4−2 ) ! 4
AB AC AD BC BD CD  Jika sudah ada AB, tidak perlu BA karena urutan tidak
dipentingkan.
Contoh : mencampur 2 warna.
Permutasi Permutasi : Urutan dipentingkan
n!
n Pr=
(n−r )!
Contoh : di data kombinasi (4 mhs)
Bila dipilih 2 mhs, berapa pasangan permutasinya
 4! 24
P= = =12
( 4−2 ) ! 2
AB AC AD BC BD CD BA CA DA CB DB DC
Contoh : Password
5 Distribusi Probabilitas

Binomial Poisson Normal

2 outcome (sehat/sakit) 2 outcome (sehat/sakit) Data Numerik
Untuk variabel Untuk variabel
kategorik kategorik
Untuk peristiwa yang Untuk peristiwa yang
sering terjadi (peluang jarang terjadi (peluang
besar) > 0,05 besar) ≤ 0,05
Jumlah sampel kecil Jumlah sampel besar
(n<30)
Pendekatan binomial ke
normal  jumlah
sampel besar, peluang
besar
Contoh Binomial :
Hasil survey menghasilkan bahwa proporsi melahirkan cesar di rumah sakit
adalah 40 %. Bila dipilih 5 pasien yang akan melahirkan, hitung peluang:
a. 3 pasien melahirkan cesar
b. Tidak ada yg melahirkan cesar
c. Kurang dari 3 pasien melahirkan cesar
d. Maksimal 3 pasien cesar
e. Lebih dari dua pasien melahirkan cesar
Diket: n=5 p=0,40
Dengan table sbb: n=5 p=0,40 (tabel binomial ada di hal 191)
a. P3 = p3-p2= 0,913 – 0,683 = 0,230 p1=p1-p0= 0,337-0,078= 0,259
b. P0 = 0,078 p (< 2) = p2=0,337 p(≤2)
=p2=0,683
c. P(< 3) =P2= 0,683 p4=p4-p3 = 0,990-0,913=0,077
d. P( ≤ 3) = P=3 0,913 p(≥2) = 1-p1 = 1-0,337= 0, 663
e. P (> 2)=p3+p4+p5
= 1 – p(2 kebawah)
= 1- 0,683 = 0,317

Contoh Poisson : Balita sakit jantung

Misal : diketahui peluang meninggal akibat corona adalah 4 %. Bila diambil
sampel 50 pasien corona
Berapa peluang:
a. Dua pasien meninggal
b. Kurang dari 3 meninggal :
c. Maksimal 3 meninggal,
d. Lebih dari 2 meninggal,
e. Minimal 4 meninggal

Hitung lamdanya:
 ‫ = ג‬n p = 50 x 0,04 = 2,0
a. Peluang dua pasien meninggal adalah
P2 = p2-p1 =0,677-0,406= 0,271(27,1 %)
b. Peluang kurang dari 3 pasien meinggal P(<3) = P2 = 0,677 (67,7 %)
c. Maksimal 3 meninggal = P (≤3) = P=3 = 0, 857
d. P(>2) = 1-(P2) = 1-0,677 = 0,323
e. P(≥4) = 1-P3 = 1-0,857 = 0,143

Pendekatan Binomial Contoh : hasil survey di RS diketahui 30% adalah memakai Askes. Kalau dalam
ke normal satu hari pasien yang datang adalah 300 orang. Berapakah probabilitasnya yang
memakai Askes Kurang dari 75 orang
N=300, p=0,30 q=1-0,3 = 0,7 xb=np =300 x 0,3 = 90
S=√ 300 x 0,3 x 0,7= 7,9
Z=(75-90)/7,9 = -1,80 p= 0,3699
P ( Z < -1,80)= 0,5 – 0,3699 = 0,1301
Jadi peluang yang memakai askes kurang dari 75 org = 0,1301

6 Distribusi Sampling Dari mean-mean sampel  Teori limit pusat :

1. Bila suatu populasi diambil sampel berulang ulang maka:
a.Rata-rata dari mean2 sampel akan sama dengan rata2 data Populasi (μ)
μx = μ
b. Standar deviasi mean2 sampel (SE) akan sama dengan standar deviasi
populasi dibagi dengan akar dari jumlah sampel
SE = σ/√n bisa juga : SE = S /√n SE = standan Error
2. Pada populasi berdist normal maka mean-mean sampel juga akan normal.
Sedangkan pada populasi tidak normal , kalau jumlah sampelnya cukup besar
maka mean-mean sampel juga akan berdistribusi normal. Sehingga akan dapat
diketahui nilai Z dari mean-mean sampel (Z distribusi sampling) sbb:
X–μ X-μ X-μ
Z = ------------ atau Z = ------------ atau Z = ---------
SE σ/√n S /√n
X = rata2 data sampel μ = rata2 data populasi n=jumlah sampel
Nilai σ = standar deviasi populasi, bila tidak diketahui bisa diganti S (standar
deviasi sampel)

Standar Error Standar deviasi dari rata-rata pada distribusi sampel - - - menghasilkan standard
error (SE)
SE merupakan standar deviasi nilai rata-rata sampel dari nilai rata-rata populasi
SE menggambarkan variasi nilai rata-rata sampel jika sampel diambil berulang-
ulang
INGAT: SE berbeda dengan standar deviasi (S)
SE = σ/√n bisa juga : SE = S /√n

Semakin kecil SE  semakin baik karena nilainya akan semakin dekat dengan
populasi
Cara memperkecil SE ?
 -memperbesar jumlah sampel
-memperkecil standar deviasi populasi atau sampel

Standar deviasi ada 3 :

S : Standar deviasi/simpangan baku sampel
σ : Standar deviasi/simpangan baku populasi
SE : Standar deviasi dari distribusi sampling

Contoh Kasus Distribusi sampling

Dari suatu populasi orang sehat yang cukup besar diketahui kadar kolesterol,
rata2nya μ=200 mg/dl dengan standar deviasi (σ) = 40 mg/dl
Bila diambil dari populasi tersebut sampel yang besarnya n=100 orang,
Berapakah probabilitas dari sampel (100 org) tsb akan menghasilkan/
mempunyai rata-rata kadar kolesterol lebih dari 205 mg/dll
Diketahui : µ = 200 X = 205 ∂ = 40 n=100
x̄−μ 205−200 5
Z= = = =1 , 25
SE 40 4
√ 100
Z = 1,25 p tab = 0,3944
P (x>205) = P(Z>1,25) = 0,5 – 0,3944 = 0,1056
Jadi dari sampel tsb, probalitas manghasilkan rata2 kolesterol lebih dari 205
mg/dl adalah 0,1056

Perbandingan Distribusi Probabilitas Normal (probalitas dari nilai individu)

Distribusi Normal dan x−μ x−x
Distribusi Sampling Z= =
σ S
Distribusi Sampling (probailitas dari nilai sampel)
x̄−μ
Z=
SE
SE = σ/√n bisa juga : SE = S /√n

Contoh kasus :
 Contoh Distribusi Normal
Laporan tahunan RS ‘Sayang Ibu’ menyatakan bahwa rata-rata berat badan bayi
adalah 3000 gram dengan standar deviasi sebesar 500 gram.
Hitunglah probabilitas berat badan bayi saat lahir lebih dari 3500 gram?

 Contoh Distribusi Sampling

Laporan tahunan RS sayang Ibu menyatakan bahwa rata2 berat badan bayi
adalah 3000 gram dan standar deviasi sebesar 500 gram. Jika diambil sampel
sebanyak 49 bayi dari RS tsb
Hitunglah probabilitas sampel tsb akan mendapatkan nilai rata-rata berat badan
bayi lebih dari 3500 gram:

Distribusi sampling Contoh

 untuk variabel Suatu survei di Kabupaten X pada tahun 2020 melaporkan bahwa prevalensi
kategorik Anemia pada ibu hamil adalah sebesar 40%. Bila diambil sampel secara acak
sebanyak 400 ibu hamil di Kabupaten X tersebut.
Berapa probabilitas dari sampel tsb akan mendapatkan proporsi anemia pada ibu
hamil antara 35% s/d 45% ?
Diketahui: P = 40% =0.40 n= 400,
Probabilitas sampel mempunyai proporsi anemia antara 35% sampai 45%?
0 , 35−0 , 40
Z 1= =−2 , 04

√ 0 , 40∗(1−0 , 40 )
400
0 , 45−0 , 40
Z 1= =2 , 04

√ 0 , 40∗(1−0 , 40 )
400

Lihat tabel Z arsir tengah

Z  p = 0.4793
1 = -2,04
Z  p = 0.4793
2 = 2.04
P = 0,4793 + 0,4793= 0.9586
Jadi peluang sampel akan menghasilkan persentase anemia antara 35% s/d
45% adalah 0,9586 (95,86 %)
7 Estimasi Semakin tinggi tingkat kepercayaan  Interval semakin lebar
Uji hipotesis  menguji perbedaan atau hubungan antara 2 fenomena.
Fenomena ada di populasi, tapi melihatnya di sampel.