Menyajikan

Data
Sabarinah

2023

1
Bahasan

1. Tujuan penyajian data

2. Penyajian Teks
3. Penyajian Tabel
4. Penyajian Grafik
5. Eksplorasi data sederhana

2
1. Tujuan Penyajian Data
◦ Mempermudah menyimpulkan
◦ Menjadi alat komunikasi yg efektif
◦ Menyajikan data yg besar dengan efisien
◦ Menarik untuk membaca dan memahami

Tekstular: menjelaskan temuan, mengungkap adanya

kecenderungan, dan menyediakan informasi kontekstual

Tabular: menyajikan informasi individual, bisa dari aspek kuantitatif

maupun kualitatif, secara detil

Grafikal: alat visualisasi yg efektif, menyajikan data secara sekilas,

mengutarakan perbandingan, kecenderungan, dan hubungan 3
 2. Penyajian Teks
Menyajikan narasi berdasarkan hasil statistic deskriptif dan atau statistic inferens,
bersifat kontekstual.
Hindari redundancy dg moda penyajian lain → efisien
Contoh:

4
https://journal.fkm.ui.ac.id/kesmas/article/view/839/503

5
3. Penyajian Tabel
BOX HEAD

STUB Total
BODY TABEL

Total Grand Total

Catatan:
Sumber Data:

6
 Bagian-bagian Tabel
•Judul
▪ Letak di atas tabel. Ada nomor tabel. Judul merujuk ke angka/figur yg
disajikan. Jelas, singkat, what, when, where
▪Stub
▪ Kolom paling kiri, termasuk kepala kolom tersebut
▪ Memberi keterangan terinci ttg gambaran tiap baris
▪Box head
▪ Termasuk kepala kolom.
▪ Memberi keterangan terinci ttg gambaran tiap kolom
▪Body
▪ Berisi angka-angka
▪Catatan kaki
▪ Keterangan angka, satuan, sumber, dll
7
Jenis Tabel
❑Tabel Induk (Master/General Table)
❑Tabel Distribusi Frekuensi
❑Tabel Silang
❑Tabel Rangkuman/summary

8
 Tabel Master/Induk
No Urut ID Nama Umur Gender Pendidikan Marital
1 321008 Rini 24 P S1 B
2 321009 Budi 23 L S1 B
3 321010 Dina 26 P S2 B
4 321011 Dian 30 L D3 K
5 321012 Rita 25 P S1 K
No Urut ID Jml Pelatihan
6 321013 Ani 24 P D4 B
1 321008 2
7 321014 Atik 27 P S1 K
2 321009 3
8 321015 Tati 30 P S2 K 3 321010 2
9 321016 Badu 28 L D3 K 4 321011 4
10 321017 Dedi 30 L S1 B 5 321012 5
11 321018 Amri 31 L S2 B 6 321013 4
7 321014 3
8 321015 4
9 321016 2
10 321017 4
11 321018 3

9
 Tabel distribusi frekuensi
Mendeskripsikan sebaran data menurut satu variabel

Pasien
DBD

Angka 147
= jumlah
pasien
DBD

10
 Tabel distribusi frekuensi
Angka Tabel 3. Jumlah responden
2768 =
jumlah di empat rumahsakit di Jakarta, 2008
responden

Rumah Sakit n % % kumulatif

RS-1 1078 38,9 38,9
RS-2 568 20,5 59,5
RS-3 670 24,2 83,7
RS-4 452 16,3 100,0
Total 2768 100
11
 Tabel Distribusi Frekuensi
Tabel 1. Sebaran mahasiswa FKM
menurut umur di tahun 2021

Tabel 2. Sebaran mahasiswa FKM

menurut kelompok umur di tahun 2021
Umur Frekuensi
15-19 4
20-24 6
Jumlah 10

12
 Tabel Silang
Sajikan data berasal lebih dari satu variable
Hubungan? relationship, association, correlation, concordance, agreement….

Analisis persentase
◦ Bandingkan kategori baris pada figur % ke kolom
◦ Bandingkan kategori kolom pada figur % ke baris

Sesuaikan dg rancangan penelitian

◦ Eksperimen, Kohort
◦ Kasus-kontrol
◦ Potong lintang
13
 Tabel silang
Tabel 2. Pasien DBD menurut kelompok umur dan jenis kelamin, di RS A, th 1998

Umur (th) Laki Perempuan Jumlah

< 20 15 18 33

20-29 11 12 23

30 + 8 10 18

Jumlah 34 40 74

14
Analisis persentase
pada tabel silang
Tabel 2. Pasien DBD menurut umur dan jenis kelamin, di RS A, th 1998

Umur (th) Laki Perempuan Jumlah

< 20 15 (45,5%) 18 33 (100%)

20-29 11 (47.8%) 12 23 (100%)

30 + 8 (44.4%) 10 18 (100%)

Jumlah 34 40 74

Dari pasien DBD yg berumur <20 th, proporsi laki sebesar 46%.

15
Analisis persentase

Kejadian infeksi nosocomial ada 11,6%. Proporsi infeksi nosocomial di unit bedah (12,3%)
hampir sama dengan di unit Penyakit Dalam (11,0%)
16
 Persentase
apa
menurut
Analisis persentase
kategori
apa?
RUMAH SAKIT
Total
PROFESI RS-1 RS-2 RS-3 RS-4
Dokter 434 87 185 78 784
Dari 55,4 11,1 23,6 9,9 100,0
sampel 40,3 15,3 27,6 17,7 28,4
dokter, 15,7 3,2 6,7 2,8 28,4 Perawat yg
55% Perawat 592 398 357 281 1628 bekerja di
bertugas di 36,4 24,4 21,9 17,3 100,0 RS-1 ada
RS1 54,9 70,1 53,3 63,9 59,1 sebesar
21,5 14,4 13,0 10,2 59,1 21,5%
Dari Non Medis 52 83 128 81 344
sampel
Proporsidi 15,1 24,1 37,2 23,5 100,0
RS1, 40%
dokter di 4,8 14,6 19,1 18,4 12,5
adalah
RS1 1,9 3,0 4,6 2,9 12,5
dokter
sebesar Total 1078 568 670 440 2756
40% 39,1 20,6 24,3 16,0 100,0
100,0 100,0 100,0 100,0 100,0
39,1 20,6 24,3 16,0 100,0
17
 Hepatitis C
Total
PROFESI Negatif Positif
Dokter 775 9 784
98,85 1,15 100,00
28,56 21,43 28,45
28,12 0,33 28,45
Perawat 1602 26 1628
% Hep C
98,40 1,60 100,00
2,5
59,03 61,90 59,07
2
58,13 0,94 59,07
Non Medis 337 7 344 1,5

97,97 2,03 100,00 1

12,42 16,67 12,48 0,5
12,23 0,25 12,48 0
Total 2714 42 2756 Dokter Perawat Non medis

98,48 1,52 100,00 % Hep C

100,00 100,00 100,00

98,48 1,52 100,00

Hepatitis C lebih banyak didiagnosis pada petugas non-medis (2,03%)

dibandingkan dg pada perawat (1,6%) dan dokter (1,15%)
18
Tabel
rangkuman/
summary

19
Contoh table rangkuman

20
Konsep
3 Faktor
21
Heat map table
Density marks

Warna latar atau huruf

Makin gelap, makin berisiko

22
Tabel ini sudah benar?

23
Tabel ini sudah benar?

24
Tabel sajikan hasil kualitatif

25
4. Penyajian Grafik
❑ Seni
❑ Sajian u/ cepat ambil kesimpulan
❑ Jangan menyebabkan kesimpulan keliru
❑ Skala seimbang: absis dan ordinat
❑ Dimensi variabel
❑ Warna memperjelas perbandingan
◦ Hitam dan putih
◦ Polos dan bergaris arsir
◦ Warna Gradasi ? 26
 Grafik satu variabel

Skala variabel Grafik

Numerik Histogram, Poligon, Ogive
Stem & leaf
Box-plot
Kategorik Diagram balok
Diagram Binka/ Pie
Peta

27
Histogram
Gambar 1. Sebaran ibu menurut umur (tahun)
Distribusi Umur Ibu, Survei Cepat KIA
Di Puskesmas X, tahun 1999
Cianjur, 1995

40
35
n
30
Persen

25
20
15
10
5
0
15-19 20-24 25-29 30-34 35-39 40-44 45-49 6

Umur (tahun) 5

1
Std. Dev = 197.65
Mean = 837.4

0 N = 18.00
600.0 700.0 800.0 900.0 1000.0 1100.0 1200.0 1300.0

Treadmill time in seconds

28
Histogram

29
Trik yg dapat membuat
kesimpulan keliru:
1. Memotong aksis Y
2. Y-axis tidak mulai dari nol.
3. Menaik turunkan aksis Y & X.
4. Tanpa label aksis.
5. Pakai data yg bias.
6. Pakai grafik yg rumit
7. Hilangkan data

30
Poligon

▪ Permukaan area frekuensi poligon sama luasnya dengan

histogram
▪ Melihat pola sebaran frekuensi
▪ Identifikasi titik-titik tengah kelas interval di bagian atas tiap bar pada
histogram. Hubungkan titik-titik sehingga membentuk garis → disebut
frekuensi poligon
▪ Frekuensi poligon harus tertutup di kedua ujungnya.

31
 Luasan yg sama

Poligon

32
Ogive
Grafik frekuensi kumulatif

Tinggi Badan Jumlah Orang Frekuensi Frekuensi

(Cm) Kumulatif  kumulatif 

130 – 0 0 100
140 – 6 6 100
150 – 22 28 94
160 – 39 67 72
170 – 25 92 33
180 – 7 99 8
190 - 200 1 100 1

Total 100

33
Contoh Ogive
120

100 100 100 99 100

94 92

80
72
67 <=
60
>=
40
33
28
20

6 8
0 0 1
130 – 140 – 150 – 160 – 170 – 180 – 190 - 200

34
Stem & Leaf
Batang Daun
1 2,4,5
2 0,1,1,3,5,6,7
3 2,4,5,5,6,6,6,8,9
4 3,4,4,6,6,7,7,9,9,9
5 1,3,4,5,6,7,8,9
6 1,3,4,4,6,8
7 0,1,4,5

35
 Stem and Leaf Plot
Histogram like picture
Tentukan stem/batang dan leaf/daun sesuai dg jumlah digit data
Contoh data:
42, 21, 46, 69, 87, 29, 34, 59, 81, 97, 64, 60, 87, 81, 69, 77, 75, 47, 73, 82, 91, 74, 70, 65, 86, 87,
67, 69, 49, 57, 55, 68, 74, 66, 81, 90, 75, 82, 37, 94

Contoh → data 2 digit. Digit 1 = puluhan - stem, digit 2 = satuan - leaf.

4 = puluhan → di stem
2 19 2 = satuan → di leaf
3 47
4 2679
5 975
6 940957986
7 7534045
8 717126712
9 7104
36
37
Box- (Whisker) plot

38
 Box-Whisker Plot
Box → Gunakan Q1, Q2, Q3
Untuk identifikasi data outlier → buat batas imajiner:
◦ Pagar dalam (inner fence) = 1,5*IQR dari Q1 atau Q3
◦ Pagar luar (outer fence) = 1,5*IQR dari Pagar dalam

Data yg ada di luar pagar dalam = Potential Outlier

Data yg ada di luar pagar luar = Extreme outlier
Garis Whisker → garis dari min ke max yg bukan outlier

39
 Q2

Jarak-Antar-Kuartil 1.5 IQR

(Inter-Quartile-Range)

Variasi

40
OF IF Q1 Q2 Q3 IF OF
Min Max

•Variasi high or low (lebar IQR)

•Distribusi data simetris (posisi Q2)
•Identifikasi outliers / extreme values/ pencilan
41
42
Diagram Pie

tidak

ya

44
Diagram Pie
Penyebab kematian ibu masih trias klasik:
perdarahan, eklampsi dan infeksi (MoH, 2007)

45
Diagram Balok/Bar diagram

46
 Pareto Chart
140 100

Persen
90
120
80
100 70

80 60
50
60
40
Jumlah kasus

40 30
40
36 20
20 Si Si
Si In25fek ste ste 10
ste 18 m m Ne Ke
0 m si pe 10 pe op10 ce0
sir & nc la lak
ku pa rna
la ra fas ern sm aa
si sit an aa a n
n

Penyebab kematian

47
Pictograf

48
Peta

49
Peta
50
Grafik ≥ 2 variabel
Variabel 1 Variabel 2 Grafik
Numerik Numerik Diagram Tebar / Scatter plot
Kategorik Kategorik Diagram Balok / Bar plot
Kategorik Numerik Box plot
Interval plot
K/N Waktu Garis – trend
Control chart
K/N > 2 variabel Radar

51
Scatter Plot

Usia LHR Probabilitas

20 5 80
30 6 85
25 5 85
35 7 60
40 8 40

2D

52
Bubble plot

Usia LHR Probabilitas

20 5 80
30 6 85
25 5 85
35 7 60
40 8 40

3D
53
Diagram Balok/Bar diagram

54
Box plot

55
Box plot
Kepatuhan institusi terhadap standar pelayanan
kesehatan maternal (rataan median total skor faskes)

Antenatal Persalinan normal Pascasalin

57
Bag plot –
Boxplot bivariat

58
Bar w/
Whisker

59
Interval Plot

60
61
Grafik Radar

62
Grafik Garis
450
400 390
350
334
300 307
Target RPJMN
250
228 226
200
150
100 102
Target MDGs
50
0

Gambar 1. Angka Kematian Ibu per 100.000 kelahiran hidup

Sumber: Bappenas (2010).

63
 Control-Chart 12.06

9.86

Rata-rata (hari)
7.65

Lama perawatan

5.44 Batas atas = 8.74

80

Rata-rata = 7.65
Rate kematian (per 1000 pasien)

60 3.24 Batas bawah = 6.56

1 2 3 4 5 6 7 8

Nomor dokter
40
Sigma level: 3
Kematian (/1000)

Batas atas = 64
20
Rata-rata = 44

0 Batas bawah = 24
1 3 5 7 9 11 13 15 17 19 21 23 25 27
2 4 6 8 10 12 14 16 18 20 22 24 26 28

Nomor RS
Sigma level: 3

64
6
5
Gambar
4 2D or 3D?
3 Series 1
2 Series 2
Series 3
1
0
Category Category Category Category 5
1 2 3 4
4

3 Series 1
2 Series 2
Series 3
1

0
Category Category Category Category
1 2 3 4
65
Sales
Gambar
1st Qtr 2D or 3D ?
2nd Qtr
3rd Qtr
4th Qtr
Sales

1st Qtr
2nd Qtr
3rd Qtr
4th Qtr

66
67
5. Eksplorasi data sederhana
Tujuan
Melihat kualitas data
Melihat pola sebaran data

Manfaat:
Memperbaiki kualitas data
Memilih teknik statistic inferens yg
tepat 68
Cara eksplorasi data
1. Distribusi data: table dan grafik
◦ Variasi
◦ Simetris
◦ Pencilan/outliers

2. Figur Statistik
◦ Ukuran pusat
◦ Ukuran variasi

3. Data hilang 69
Lihat distribusi data

70
Lihat figur statistik

71
Data menyebar simetris → mean == median == modus
➢statistic inferens → statistic parametrik

Data menyebar tidak simetris

➢statistic inferens → statistic non-parametrik

72
 Hampir selalu terjadi

Akibat data hilang?

Lihat
data hilang
(missing
data/values)
✓Keterwakilan sampel
✓Bias (seleksi,pengukuran, perbandingan)
✓Kesimpulan keliru
✓Statistical power of study
73
Mengapa data hilang

Proses pengumpulan data:

oSubyek menolak terlibat dalam penelitian (eg topik /pertanyaan sensitif)
oSubyek tidak dapat terlibat dalam penelitian (eg cuaca, kecelakaan,
factor peneliti, factor subyek)
oSubyek tidak ditemukan atau hilang atau tidak dapat ditindak lanjuti;
oSalah dalam pengisian form/kuesioner/angket
Rancangan studi & manajemen data:
oDurasi studi terlalu lama
oStruktur form kuesioner/angket (NA or 999)
oKesalahan dalam input data/data entry

74
Data hilang
populasi
aaabbbcccdddeee
sampel

Laporkan berapa % data hilang?

abcde abc . .
Berpengaruh kpd keterwakilan sampel
thd populasinya
Bias seleksi → Generalisasi?

75
Data hilang
Bagaimana
mengenali data •Distribusi frekuensi tiap variable
hilang?

Berapa data •Rule of thumb ?

hilang yg dapat •< 5% → bias minimal
ditoleransi? •>20% → bias serius

Bila data hilang •Hilangkan variable, atau kasus

cukup banyak
jumlahnya, apa yg •Ganti data hilang dengan nilai 76

lain yg mendekati = imputasi

harus dilakukan?
 DD9. Besar Rata-rata penghasilan utama per bulan
Frequency Percent Valid Percent
Cumulative Percent
Valid 10000 1 0,033 0,087 0,087
15000 1 0,033 0,087 0,174
25000 1 0,033 0,087 0,262
40000 1 0,033 0,087 0,349
50000 5 0,167 0,436 0,785
60000 2 0,067 0,174 0,959
80000 1 0,033 0,087 1,046
90000 1 0,033 0,087 1,133
100000 18 0,600 1,569 2,703
117000 1 0,033 0,087 2,790
Missing = 60,4% 120000 3 0,100 0,262 3,051
125000 1 0,033 0,087 3,139
130000 1 0,033 0,087 3,226
150000 13 0,434 1,133 4,359

Apakah ada beda karakteristik 3000000 15 0,500 1,308 96,949

3200000 1 0,033 0,087 97,036
antara kasus dg missing & 3500000 7 0,233 0,610 97,646
4000000 10 0,334 0,872 98,518
tidak? 4250000 1 0,033 0,087 98,605
4500000 1 0,033 0,087 98,692
5000000 10 0,334 0,872 99,564
7000000 1 0,033 0,087 99,651
8000000 1 0,033 0,087 99,738
10000000 2 0,067 0,174 99,913
15000000 1 0,033 0,087 100,000
Total 1147 38,259 100,000
Missing 98 40 1,334
System 1811 60,407
Total 1851 61,741
Total 2998 100
77
Interpretasi hasil penyajian data
❖ Interpretasi tidak mengulang sajian data dalam table atau grafik
❖ Lihat angka relative yang menonjol → paling rendah (kecil), atau
paling tinggi (banyak)
❖ Lihat kecenderungan → naik, atau turun, atau tetap?
❖ Nilai pusat (mean, median, proporsi) variable pertama menurut nilai
kategori variable yg kedua
❖ Grafik bivariat (misal diagram tebar) → kecenderungan hubungan
positif atau negative atau tidak ada hubungan
78
Tugas kelompok
▪ Dengan data dari semua variable yang sudah dikumpulkan di
kelas (data kelas) dan juga data kelompok (jadi memakai dua
set data, dan ada dua macam hasil), lakukan penyajian data
dengan table dan grafik, serta buat interpretasinya untuk
masing-masing variable (kecuali Identitas). Sila memakai
aplikasi apapun (excel, spss, stata, dll).
▪ Laporan disubmit oleh setiap individu berdasarkan hasil
diskusi kelompok.
79
Three words of description of statistics: population, sample and variable

80