Novi Nurwahyuningsih (1805015008)

Biostatistik inferensial 2F

PENDAHULUAN

Statistik
Dalam arti sempit yaitu angka atau data.
Dalam arti luas yaitu prosedur atau metode dalam pengumpulan data. pengolahan data, analisis
data, dan penyajian data.
Skala pengukuran data dibagi menjadi 4 bagian :
1. Nominal
Data yang hanya bisa membedakan nilai datanya dan tidak tahu nilai data mana yang
lebih tinggi atau rendah.
Contoh: Jenis kelamin, Jenis warna, dsb.
2. Ordinal
Data yang membedakan satu sama yang lain dan mempunyai arti tingkatan (lebih rendah,
lebih besar).
Contoh: Tingkat pendidikan, status pekerjaan, dsb.
3. Interval
Data yang membedakan, mempunyai besaran/jarak/interval yang tetap antara satu data
dengan yang lainnya.
Ciri khasnya: Tidak mempunyai nol mutlak.
Contoh: Suhu
4. Rasio
Data yang membedakan, mempunyai arti tingkatan, mempunyai besaran/jarak tertentu antar
datanya.
Ciri khasnya: Mempunyai nilai mutlak(absolut)
Contoh:Tinggi badan, berat badan dsb.

Peran Statistik dalam Penelitian

1. Untuk menghitung besarnya sampel yang akan diteliti.
2. Alat untuk menguji validitas dan reliabitas intrumen.
3. Alat untuk pengolahan data.
4. Alat untuk analisis data.
5. Alat untuk penyajian data.
 Langkah-langkah Metode Statistik:

 Pembatasan masalah
 pengumpulan data
 pengolahan data
 analisis data
 penyajian informasi

Statistik terbagi menjadi 2 bagian, yaitu:

1. Statistik Deskriptif
2. Statistik Inferensial

Pengertian
Statistik Inferensial
Statistik yang digunakan oleh peneliti untuk menarik kesimpulan tentang
dunia atau untuk menguji hipotensis formal ( Chernick and Fris 2003)

Statistik
Inferensial :Statistik yang terdiri dari prosedur yang digunakan untuk membuat kesimpulan
tentang karakteristik populasi berdasarkan informasi pada sampel digambarkan
dari populasi tersebut ( Mendenhall et al., 2009 )

Statistik inferensial ada 2 macam. yaitu:

1. Parametrik test
Membutuhkan data bersifat kategorikal ( continuous data ) dan data harus
berdistribusi normal atau mendekati normal.

Beberapa syarat penggunaan uji parametrik :

1. Data harus berdistribusi normal.
2. Data bersifat numerik ( interval atau rasio ).

Contoh parametrik test :

→Pearson product moment ( r-test )
→Independent t - test
→Dependent t - test
→Anova ( analysis of variance)
 2. Non - parametrik test
Data bersifat kategorikal ( orginal atau nominal) dan data Tidak harus berdistribusi no
rmal. Biladatanya numerik, maka masih dapat dilakukan convert kenominal atau ordin
al.Namun perlu diingat, uji non parametrik tidak sekuat / setepat uji parametrik.

Beberapa syarat penggunaan non parametrik :

1. Data tidak harus berdistribusi normal ( boleh berdistribusi tidak normal)
2. Data bersifat kategorikal ( nominal atau ordinal )
3. Biasanya dipakai sebagai uji alternatif dari paramentik test ( bila
paramentrik test tidak memenuhi syarat ).
Contoh non parametrik test :
→Test Sperman (rho)
→Chi squere
→Fisher exact test
→Mc Nemar s test
→Mann Whitney
→Wilcoxon
→Kruskal walls
→Logistic regression

Populasi
Dalam statistik, term “populasi” tidak hanya merujuk pada orang atau makhluk hidup,
seperti
populasi penduduk Indonesia, populasi ayam di DKI Jakarta. Tetapi juga merujuk pada
populasi
objek atau event atau prosedur, termasuk juga jumlah suatu zat dalam urin, kunjungan ke
dokter, atau
tindakan operasi. Jadi, Populasi bisa berupa kumpulan makhluk hidup, sesuatu, kasus,
dsb.

Sampel
Kumpulan dari satuan/unit yang kita ambil dari populasi studi (n).

Syarat Sampel Random :

1.)Setiap unit/individu dalam populasi memiliki kesempatan yang sama untuk terpilih
sebagai sampel
2.)Harus secara akurat mewakili populasi di mana sampel
diambil à Representatif à menghindari
adanya penyimpangan atau bias
3.)Besarnya atau jumlahnya memadai.
 Beda Parameter dan Sampel
Parameter yaitu sejumlah angka yang menggambarkan populasi, sedangkan
Statistik yaitu sejumlah angka yang dihitung dari sampel.

Dalil Penting dari Statistik Inferens adalah Distribusi Sampel

↡
Distribusi Sampel:
Distribusi dari mean-mean sampel yang diambil secara berulang-ulang dari suatu
populasi.

Sifat- Sifat distribusi Sampel

Sifat distribusi Sampel disebut sebagai Central Limit Theorem (Theorema Limit
Pusat)

2
1. Jika sampel random diambil dari populasi normal dengan mean = µ dan varian 
distribusi sampel harga mean adalah x = µ dan varian 2/n = /√n (SEM)
SEM = Standar Error of Mean

2. Apabila populasi berdistribusi normal → distribusi sampel harga mean juga akan
Berdistribusi normal, maka berlaku persamaan Z

Z=x-µ
SE
3. Walaupun populasi berdistribusi sembarang, jika sampel diambil berulang-ulang maka
distribusi harga meannya akan membentuk distribusi normal

Distribusi sampel memperlihatkan hubungan antara probabilitas statistik dan nilai

statistik untuk semua sample size (sampel yang diambil) yang menggambarkan
populasi.

Pengambilan sampel pada populasi distribusi normal

1.Kesalahan baku (SE) lebih kecil dibandingkan dengan simpangan baku (sd)
populasinya.
2.Makin besar sample makin kecil kesalahan baku (SE).
Contoh Soal
1. Distribusi Kadar kolesterol serum untuk laki-laki usia 20 sampai 74 tahun di Indonesia
tahun 2000
menunjukkan bahwa mean untuk populasi adalah (µ) = 211 mg/100 ml dan standar
deviasi
(၈) = 46 mg/100 ml.
Jika kita memiliki sampel size = 25 orang dari populasi, berapa proporsi dari sampel
yang akan diambil untuk nilai mean 230 mg/100 ml atau lebih tinggi?

Jawaban
1. Z = X - µ
SE
SE = /√n = 46/√25 = 9.2 mg/100 ml
Z = X – 211
9.2

X = 230 → Z = 230 – 211

9.2
Z = 2.07

Atau Cara Lain:

Z = 2.07 →lihat pada tabel Distribusi Normal Standar à Didapat 0.4808
 Karena tabelnya distribusi Normal Standar
maka dihitung dengan cara : 0.5 – 0.4808 = 0.0192 = 1.9%

Interpretasinya:
(Hanya) 1,92% dari sampel laki-laki usia 20 sampai 74 tahun di Indonesia tahun 2000
memiliki Kadar kolesterol serum mean yang sama dengan atau lebih besar dari nilai
230 mg/100 ml.

SD (Standar Deviasi)
⟹Disebut juga Simpangan Baku
⟹Ukuran sebaran statistik yang paling lazim. SD mengukur bagaimana nilai-nilai data
tersebar.
⟹Atau Rata-rata jarak penyimpangan titik-titik data (nilai-nilai observasi) diukur dari
nilai rata-rata
data tersebut.
⟹SD = 0, berarti datanya homogen = sama
⟹Semakin kecil SD, semakin sempit rentang (beda) antara nilai tertinggi dengan nilai
terendah,
begitu sebaliknya.

Standard Error (SE)

Standard Error adalah standar deviasi dari rata-rata
Jika kita hitung nilai standar deviasi dari tiga buah nilai rata-rata, maka nilai standar devia
si dari nilai
rata-rata tersebut disebut sebagai standard error.

➣Nilai SE kecil berarti penyebaran mean/rata-rata sampel juga kecil maka estimasi
terhadap parameter populasi akan lebih tepat.
➣Bila nilai SE besar berarti penyebaran mean/rata-rata sampel juga besar maka estimasi
terhadap parameter populasi menjadi kurang tepat.
➣Nilai SE akan turun (semakin kecil) apabila jumlah sampel diperbanyak dan varians
atau SD sampel dikurangi.
➣SE mengukur presisi dari perkiraan parameter populasi.
➣Ukuran statistik ini dapat menunjukkan seberapa dekat nilai mean populasi dengan
nilai estimasi yang didapat dari nilai mean sampel.

Oleh karena itu, SE dapat digunakan untuk menentukan dan mengontrol jumlah
sampel.

PERBEDAAN RUMUS VARIANS, SD, DAN SE

Varian = Var = ∑(xi – x)2

n–1

Standard error of mean

Standard Error (SE) dalam beberapa referensi disebut juga dengan Standard Error of
Mean
(SEM) adalah estimasi dari standar deviasi yang didapat dari mean-mean dari sejumlah
sampel yang menggambarkan populasi

➤SEM = SD(dari Mean)/√n = SE

Standard error untuk proporsi/prosentase

SE juga dapat dihubungkan dengan prosentase atau proporsi.Dalam hal ini, jumlah
sampel akan dipengaruhi oleh nilai standard error, tetapi jumlah variasinya
ditentukan oleh nilai dari prosentase atau proporsi dalam populasi itu sendiri sehingga
tidak dibutuhkan estimasi dari SD.
Jika p mewakili 100% maka 100 – p adalah nilai yang lainnya. Dengan demikian,
Rumus yang digunakan adalah
SE Prosentase =
√ p(100 – p)
n

Margin error
➤Margin Error adalah suatu tingkat ketidaksesuaian hasil statistik
dengan kenyataan di lapangan
➤Margin of Error ini dapat menunjukkan keakuratan dalam suatu penelitian/poling/
survei
➤Margin of Error = Critical value * Standard error
➤Critical value diambil dari nilai skor z, misalnya untuk tingkat kepercayaan 95% maka
didapat nilai skor Z adalah 1.96 (didapat dari tabel distribusi normal)

ESTIMASI
Estimasi merupakan ketrampilan untuk hidup (skill for life)
Jika Anda berangkat ke kampus untuk mengikuti kelas, Anda mengestimasi berapa lama
perjalanan dari tempat tinggal ke UHAMKA dengan menggunakan jenis kendaraan
tertentu. Dengan estimasi tersebut, Anda akan terhindar dari keterlambatan sampai di
kelas
Jika waktu dan informasi cukup memadai, maka estimasi yang akurat, menghasilkan uku
ran yang dapat dipertanggung jawabkan

Estimasi dalam Statistik

SAMPEL ⟹ POPULASI
Estimasi:
Metode memperkirakan nilai populasi (parameter) dengan memakai nilai sampel (statistik
) ⟹karena perhitungan langsung pada seluruh populasi tidak mungkin dilalukan
Dengan estimasi, tidak perlu mengambil sampel berulang kali utk mengetahui distribusi
samping.

Estimator
Merupakan Nilai statistik atau statistik sampel yang dipakai untuk menduga nilai populasi
(parameter).
Sifat estimator :
1. Tidak bias.
2. Efisien.
3. Konsisten.
Bentuk estimasi :
1. Estimasi Titik
Mengandung perhitungan angka tunggal untuk mengestimasi nilai parameter.
2. Estimasi Selang
Metode yang memberikan hasil perhitungan nilai berupa nilai jangkauan untuk
mengestimasi nilai parameter.

Rumus umum Estimasi Selang/Confidence Interval (CI)

St – Z ½α. SE ≤ parameter ≤ St + Z ½α. SE

Di mana:
St = nilai statistik (sampel = xbar)
Z1/2 α = deviasi relatif (standar score, ditentukan oleh confident
interval : Z1/2 α 95% = 1.96, Z1/2α 90% = 1.645
SE = standar d error (σ/√n)
Parameter = nilai populasi yg diduga (µ)
Atau
xbar – Z ½α.SE ≤ µ ≤ xbar + Z ½α.SE

Nilai Confidence Interval

•CI 99% → Z ½ α = ± 2.575
•CI 95% →Z ½ α = ± 1.96
•CI 90% → Z ½ α = ± 1.645
•CI 80% → Z ½ α = ± 1.28
•⇒Di dapat dari tabel distribusi Normal Standar

Distribusi student t
Ketika jumlah sampel tidak besar, dua aspek yang dapat berubah :
1)Standard deviasi sampel (s) ,
yang tunduk pada variasi sampel, mungkin tidak dapat diandalkan untuk mengestimas
i nilai standard deviasi populasi (σ)
2)Ketika distribusi di populasi tidak normal maka distribusi sample dari mean mungkin ju
ga tidak normal
SE = s/√n df = n – 1
 UJI HIPOTESIS
Uji hipotesis adalah suatu prosedur yang dilakukan dengan tujuan memutuskan apakah
ada perbedaan atau hubungan, cukup meyakinkan untuk ditolak atau tidak(gagal) ditolak.
Uji hipotesis di gunakan untuk mencapai keputusan tentang sesuatu populasi yang dinilai
dari sampel yang diambil dari populasi.Secara luas Uji hipotesis digunakan untuk
penelitian di bidang kedokteran, kedokteran gigi, kesehatan masyarakat, dan bidang
lainnya untuk menggambarkan keputusan dari populasi. Keyakinan untuk ditolak atau
tidaknya suatu hipotesis didasarkan pada peluang untuk memperoleh hubungan tersebut
secara kebetulan (by chance).

Prinsip Uji Hipotesis

⇓
Melakukan perbandingan antara nilai data sampel (data hasil penelitian) dengan nilai
hipotesis (nilai populasi).

Peluang diterima atau ditolaknya Hipotesis

Tergantung besar kecilnya perbedaan antara nilai sampel dengan nilai hipotesis. Bila
perbedaan cukup besar, peluang-peluang untuk menolak hipotesis pun besar. Begitu
sebaliknya.

Kesimpulan Yang di Dapat dari Pengujian Hipotesis:

1. Menolak hipotesis
2. Menerima hipotesis (gagal menolak hipotesis)⇒ Penelitian tidak cukup bukti untuk
menolak hipotesis, hingga disebut "gagal menolak hipotesis"

Jenis Hipotesis
1. Hipotesis nol (Ho)
Menyatakan tidak ada hubungan antara variabel satu (exposure) dengan variabel yang
lain(disease/outcome)
Contoh: Tidak ada hubungan antara jenis kelamin dengan tekanan darah.

2. Hipotesis Alternatif (Ha)

Menyatakan ada perbedaan sesuatu kejadian antara kedua kelompok
Contoh: Ada hubungan antara kebiasaan merokok pada ibu hamil dengan berat badan
bayi waktu lahir.
 Bentuk Uji Hipotesis atau dua sisi (two tail)
1. One tail

apabila hipotesis alternatif menyatakan adanya perbedaan dan ada pernyataan yang
mengatakan bahwa hal yang satu lebih rendah/tinggi daripada yang lain.
Contoh:
BB bayi dari ibu hamil yang merokok lebih kecil dibandingkan BB bayi dari ibu
hamil yang tidak merokok

2. Two tail

apabila hipotesis alternatif hanya menyatakan perbedaan tanpa melihat apakah ya

ng satu lebih tinggi/rendah daripada yang lain.
Contoh: BB bayi dari ibu hamil yang merokok berbeda dibandingkan BB bayi dari ibu ya
ng tidak merokok

Ada 2 jenis kesalahan pengambilan keputusan dalam uji statistik

1. Kesalahan tipe I (𝟃)
Kesalahan menolak Ho, padahal sesungguhnya Ho benar.
⇒Menyimpulkan adanya perbedaan, padahal sesungguhnya tidak ada perbedaan.

2. Kesalahan tipe II (ß)

Kesalahan tidak menolak Ho,padahal sesungguhnya Ho salah.
⇒Menyimpulkan tidak ada perbedaan, padahal sesungguhnya ada perbedaan.

Menentukan Tingkat Kemaknaan

➔Nilai yang menunjukkan besarnya peluang salah dalam menolak H0

➔Tingkat kemaknaan sering disebut dengan Nilai 𝟃 ⇒merupakan batas toleransi
peluang salah dalam menolak H0
➔merupakan nilai batas maksimal kesalahan menolak H0
➔Juga sebagai batas maksimal kita salah menyatakan adanya perbedaan/ada
hubungan
 Nilai PValue

Nilai Pvalue merupakan nilai yang menunjukkan besarnya peluang salah menolak
Ho dari data penelitian.
→Harapan kita nilai Pvalue adalah sekecil mungkin, sebab bila nilai Pvalue kecil maka
kita yakin bahwa adanya perbedaan pada hasil penelitian menunjukkan pula adanya
perbedaan di populasi
→Dengan kata lain kalau nilai Pvalue nya kecil maka perbedaan yang ada pada penelitian
terjadi bukan karena faktor kebetulan (by chance).
→Nilai Pvalue
adalah Jika didapat nilai Pvalue ≤  atau Pvalue ≤0.05 à Ho ditolak à menunjukkan
bahwa ada perbedaan atau ada hubungan antara kelompok yang diteliti.

Tentang PValue
⇒Pvalue, atau kemaknaan secara statistik, tidak mengukur besarnya suatu efek atau
pentingnya suatu hasil penelitian
⇒Kemaknaan statistik tidak sama dengan kemaknaan ilmiah
⇒Efek yang identik bisa saja menghasilkan p-values yang berbeda jika presisi hasil
pengukurannya berbeda
⇒Analisis data tidak boleh berhenti pada Pvalue
⇒Analisis data seharusnya menyertakan pula pendekatan lain untuk sampai pada suatu
kesimpulan .