Uji Hipotesis Beda rerata

sampel bebas dan

berpasangan
Ni Made Dian Kurniasari, SKM., MPH
dr. Tangking Widarsa, MPH
Dr. Ni Ketut Sutiari, SKM., M.Si
 Tujuan Pembelajaran
 menentukan jenis uji hipotesis perbedaan rerata yang
tepat sesuai dengan tujuan dan rancangan penelitian
kesmas.

 menganalisis, menyajikan dan memberikan

interpretasi hasil analisis perbedaan rerata hasil
penelitian kesehatan masyarakat.

Disebut juga compare meanParametrik:Sample bebas: independent t test (2 klp sample bebas tidak ada keterkaitan antar
sample misal laki-laki perempuan)Sample berpasangan: paired simple t test (terdapat 2 pengambilan data pada individu yang
sama misal one group pre post intervention test) Non parametric: Distribusi normal mann whitney uTidak normal : Wilcoxon
 UJI HIPOTESIS

POPULASI HIPOTESIS

UJI HIPOTESIS

SAMPEL DATA
HIPOTESIS STATISTIK ?
HIPOTESIS PENELITIAN

HIPOTESIS STATISTIK

Ho. Pernyataan negatif

tidak sesuai dengan
Tidak ada perbedaan harapan penelitian

Tidak ada hubungan

Ha: pernyataan alternatif
Ada perbedaan
Ada hubungan
 JENIS UJI HIPOTESIS
VARIABEL VARIABEL TERGANTUNG
BEBAS NOMINAL ORDINAL INTERVAL

NOMINAL •Chi-square •Chi-square •Uji t

•Regresi Logistk •Mann-Whitney •Anova
•Regresi •Wilcoxon
Poisson •Kruskal-Wallis

ORDINAL •Regres Logistik •Korelasi •Anova

Spearman rank •Regresi
•Chi-square
 UJI HIPOTESIS
HIPOTESIS PARAMETRIK NONPARAMETRIK

COMPARE •One Sample T Test •Sign Test

MEAN •Paired Samples T Test •Wilcoxon Test
•Idependent Samples T •Mann-Whitney
Test •Kruskal-Wallis
•Anova Test

COMPARE •Chi-square
RISK •Regresi Logistik
•Regresi Poisson
 Persyaratan Uji t (Uji Parametrik)

 Data berdistribusi normal untuk tahu data berdistribusi normal atau tidak,
dilaksanakan uji normalitas

 Uji Normalitas: Membandingkan distribusi data dengan

distribusi normal

 Jika data tidak berdistribusi normal  uji non parametrik

 Compare mean
One Sample T Test
Independent samples T Test
Paired samples T Test
One-way Anova
 MEMBANDINGKAN RERATA
untuk bisa melakukan komparasi mean,
maka data hrus numerik misal BB,TB, nilai
 Mean (rerata) variabel numerik gula darah
 Berat badan, kadar gula, konsentrasi zat aktif
 Skor pengetahuan

 Membandingkan rerata/mean
contoh kita punya 1 nilai rerata, dibandingkan
 1 sampel dengan suatu nilai standar dengan 1 nilai standar
UJI t
 2 sampel berpasangan misal dalam klp remaja kita ukur HB nya
pre pemberian tablet darah, setelah hari (t-test)
 2 sampel bebas ke 35 di cek hb ulang
misal remaja desa A dan remaja desa B, keduanya dicek kadar Hb

 > 2 sampel bebas UJI One-Way

Anova
 Langkah Uji Statistik
1. Evaluasi data cek apakah ada data yang missing/tidak

2. Review asumsi  berdistribusi normal atau tidak melakukan uji

normalitas)

3. Tentukan hipotesis statistik Jenis uji 1 atau 2 sisi

setelah data jelas distribusinya bagaimana, lalu dilanjutkan dengan uji
hipotesis sesuai dengan distribusi datanya

4. Pilih uji statistik

5. Hitung Nilai statistik
6. Tentukan nilai critical value
7. Tentukan keputusan
8. Kesimpulan
 ONE SAMPEL t- test

 Indikasi: Membandingkan rata-rata dari 1

kelompok sampel dengan nilai
standar/baku/ambang tertentu
 Misal:
 Membandingkan nilai rata-rata kadar Hb dengan standar
Hb normal yaitu 12mg/dL
 Membandingkan nilai kandungan zat aktif obat dengan nilai
yang tertera dalam label
 etc
 ONE SAMPEL t- test…cont’
 Persyaratan: Data berdistribusi normal
 Hipotesis rata-rata

 Ho: µ= nilai standar

 Ha: µ≠ nilai standar

 Contoh:
Apakah rata-rata tekanan intraokuler dari lansia sama
dengan 14?
 Ho: µ= 14
 Ha: µ≠ 14
 ONE SAMPEL t- test…cont’
 UJI STATISTIK

x  test .value
t
sd / n
rata2 menggunakan C! 95% karena
 CONFIDENCE INTERVAL rata-rata menggunakan alfa 5%

CI (1-) = beda ± t*df x sd/√n

standar eror

*dengan df yang benar dan  sesuai yang ditentukan

• Contoh:
Nilai rata-rata TIO dari 21 orang sampel lansia=15,6 dan
SD=3,38
15 .6  14
t   2,17
3,38 / 21

• Tentukan nilai cv pada tabel distribusi t pada df=n -1 dan α

tertentu  cv = 2.0860

• CONFIDENCE INTERVAL
CI (95%) = 1.6 ± 2,086 x 3,38/√21 0.06 – 3.14
 ONE SAMPEL t- test…cont’
 KESIMPULAN (dari contoh)
Ho ditolak bila:
 Nilai t hitung ≥ CV
 Nilai p≤ α
 Nilai CI tidak mencakup angka nol (0)
Berarti rata-rata berbeda dengan nilai standar
 Independent samples T Test

 Indikasi
 Membandingkan rerata dua kelompok
Misal: perbedaan rerata serum Fe antara tikus jantan dan betina,
Perbedaan rata-rata kadar Hb ibu hamil di Kota dan desa

populasi

random

S1 S2

Ho: 1-2=0
Uji : Independent samples t test (normal)
Kruskall-Wallis test (tdk normal)
 Ilustrasi
Sampel (X1) Sampel (X2)
1 3
3 6
5 9
Mean X1=3 Mean X2=6
Sd1= 2 Sd2=3
Ho: 1 - 2 =0
Uji t independent/Kruskal-Wallis
Penilain efek:
1. Beda mean mean difference
2. Effect size Eta2 = t2/(t2+n-1)
3. CI beda mean CI dari mean difference
4. Nilai p
 INDEPENDENT SAMPLES t-TEST
 Persyaratan: Data berdistribusi normal  uji normalitas dengan
Shapiro-Wilks

 Hipotesis
 Ho :µ1=µ2 atau Ho :µ1-µ2 =0
 Ha: µ1≠µ2 atau Ha :µ1-µ2≠0

 Contoh:

Apakah ada perbedaan kadar serum feritin antara tikus yang diberikan seredele dan
kontrol?

Berarti ada 2 kelompok; kelompok kontrol (1) dan perlakuan (2)

Hipotesis:

Ho :µ1=µ2 ; Ha :µ1 ≠ µ2
 Levene test
 Perbandingan 2 sampel bebas; perlu diketahui
perbandingan variance kedua kelompok (Homogen
atau Tidak) untuk mengetahui data mana yang akan kita baca

 Uji Homogenitas variance (Levene test)

 Hipotesis :

Ho : sd12 = sd22 sd kuadrat= nilai varian

Ha : sd12 ¹ sd22
 Levene Test
 Perhitungan:
F= SD12/SD22
Catatan: Nilai SD yang lebih besar sebagai pembilang

 Tentukan critical value:

 Dilihat di tabel Distribusi F, pada df=n-1 untuk numerator dan
denominator
 Kesimpulan:
 Bila nilai F hitung ≥ CV Ho ditolak (variance tidak homogen)
 Bila p> 0.05; variance homogen dan bila p≤ 0.05 maka variance
tidak homogen
 Interpretasi
 Practical significant
diukur dengan Effect Size (Eta2):
 small: koef Eta2 < 05;
 Medium: koef Eta2 0,5-0,79;
 large : Eta2 ≥ 0,8
 Statistical Significant
 diukur dari CI: signifikan bila nol d luar CI
 diukur dari nilai p: signifikan bila p ≤ 
 INDEPENDENT SAMPLES t-
TEST
 Perhitungan nilai statistik

VARIANCE VARIANCE TIDAK

HOMOGEN HOMOGEN

x1  x 2 x1  x 2
t t
2 2
SDp SDp 2
SD1 SD2
2
 
n1 n2 n1 n2
SDp2 = {(n1-1)SD12 + (n2-1)SD22}/(n1+n2-2)

 Confidence Interval
CI(1-) = x  x ± t
1 2 df x SE
Independent Sample t- test…cont’

 Tentukan nilai CV dgn df= n1+n2-2

1t1  2t 2
 Bila variance unequal nilai CV=
1  2
 KESIMPULAN:
Ho ditolak bila:
 Nilai p≤ α
 Nilai CI tidak mencakup angka nol (0)
Berarti rata-rata berbeda dengan nilai standar
 UJI BEDA MEAN
BERPASANGAN &
ONEWAY-ANOVA

dr. Putu Ayu Swandewi A,MPH., PhD

Ni Made Dian Kurniasari, SKM., MPH
Dr. Ni Ketut Sutiari, SKM., M.SI
UJI BEDA MEAN SAMPEL BERPASANGAN
Paired samples T
Test-Wilcoxon Test
 Indikasi
 Membandingkan rata-rata 2 sampel berpasangan
 Rancangan pre-post
 Variabel tergantung skala numerikal
Misal: Efek 90 table Fe terhadap peningkatan Hb
(mg/dl) bumil

Pre Tx: 90 Post

test
test tablet Fe
Ho: d=0
Uji : Paired t test (normal)
Wilcoxon test (tdk normal)
 Misal:
 Apakah ada perbedaan nilai rata-rata kadar Hb sebelum
intervensi (Hbpre) dengan Hb setelah intervensi (Hbpost)
 Rancangan pre-test post-test
 Dua sisi
 Apakah intervensi ergonomi meningkatkan produktivitas
karyawan pabrik sepatu?
 Rancangan pretest dan posttest
 Satu sisi
 Membandingkan rata-rata kadar gula kasus dan kontrol
yang berpasangan
 Hipotesis myu difference/mean diference

2 SISI 1 SISI (tergantung tujuan) misal untuk tau apakah ada perbedaan setelah diberikan perlakuan

 Ho :µd=0 Ho: µd≥0 atau µd ≤0

 Ha: µd≠0 Ha: µd<0 atau µd > 0
 Ilustrasi
Pretest (X1) Post test (X2) Beda (d=X1-X2)

1 3 -2
3 6 -3
5 9 -4
Mean X1=3 Men X2=6 Mean d= Mean X1-
Sd1= 2 Sd2=3 Mean X2= -3
Penilain efek: Sd=1
1. Beda mean
2. Effect size Eta2 =
t2/(t2+n-1)
3. CI beda mean t-paired
4. Nilai p
 Interpretasi
 Practical significant
diukur dengan Effect Size (Eta2):
 small: koef Eta2 < 05;
 Medium: koef Eta2 0,5-0,79;
 large : Eta2 ≥ 0,8
 Statistical Significant
 diukur dari CI: signifikan bila nol d luar CI
 diukur dari nilai p: signifikan bila p ≤ 
 Contoh:
Apakah intervensi ergonomi meningkatkan produktivitas karyawan
pabrik sepatu?
Berarti ada variabel Pretest dan Postest . (d=pretest- postest)
Hipotesis:
Ho: µd≥0
Ha: µd<0
Jika diperoleh :
 Nilai p≤ α
 Nilai CI tidak mencakup angka nol (0)
Berarti: rata-rata beda tidak sama dengan nol atau ada
peningkatan nilai pre ke nilai post atau intervensi efektif.
 Latihan 2 sampel
berpasangan
 Analisis efek ekstrak seredelai
terhadap Hb sebelum (Hbpre) dan
Hb sesudah perlakuan (Hbpost)
 Data disimpan dalam file : Latihan
compare mean.sav
 Apakah ada peningkatan kadar Hb
pada tikus setelah diberikan
seredelai?
 Rancangan pre dan post test
 Hipotesis bila beda = pre – post
Ho: µd≥0 Ha: µd<0
 Step 1: uji normalitas
 Data hbpre dan hbpos harus diuji normalitas
dengan metode Shapiro-Wilks

 Cara:
analyze  descriptive statistics  explore 
dependent list hbpre dan hbpos  statistics :
descriptive di centang CI 95%  plots : boxplots
 dependent together  normality plots with test

Interpretasi:

Bila nilai p > 0,05  data berdistribusi normal

Bila nilai p ≤ 0,05  data tidak berdistibusi normal

 Hasil SPSS uji normalitas
 Akan disajikan tabel case processing summary dan
descriptive (anda dapat mengenali data dan
interpretasi secara deskriptif)

 Tabel test of Normality  baca yang Shapiro-Wilk

Interpretasi :
Nilai p hbpre 0.009 < 0.05  data tidak berdistribusi normal
Nilai p hbpos 0.100 > 0.05  data berdistribusi normal

Untuk hbpre dan hbpos kita akan coba dengan uji parametrik dan
uji nonparamaterik
 Hasil SPSS uji
normalitas…
 Akan disajikan gambar plots dan boxplot
 Bila berdistribusi normal sebaran titik akan cenderung
berdekatan dengan garis diagonal (normality plots).
 Boxplot disajikan sehingga anda dapat mengetahui
sebaran data secara visual.
Step 2: uji parametrik perbedaan mean
sampel berpasangan
Uji t berpasangan : Paired Sample T-Test

 Caranya:
 analyze  compare mean  paired samples
T Test  variable hbpre ke Variable1 ;
variable hbpos ke Variable2  option (jika
ingin mengganti CI = 95% atau 99%)  OK
Interpretasi:
Deskriptif Practical Statistical
significant significant

Rerata Beda rerata CI beda

hbpre mean

Rerata Eta2= t2/(t2 + n – Nilai p

hbpos 1)
Hasil SPSS Uji Paired T-test
 Akan disajikan tabel paired samples statistics,
membantu anda mengetahui tendensi sentral
dan sebaran data
 Akan disajikan Paired Sample Correlations
 Disajikan tabel hasil Paired Samples T-Test
 Interpretasi
 Deskriptif  rata-rata hpre dan hbpos, dengan SD.

Practical significant
 Beda Rerata : (pre-pos) = - 6.8 (beda ≠ nol, lebih tepatnya
beda < 0  ada peningkatan)
 Efek size : Eta2 = -6.82/(-6.82 + 21-1) = 0.70 (sedang)
 Berarti ada peningkatan yang sedang pada kadar Hb tikus
setelah diberikan ekstrak seredelai

Statistical Significant
 95% CI -0.93 − -0.44
 Nilai CI tidak mencakup angka nol (0)
 Berarti ada peningkatan kadar Hb yang signifikan secara
statistik setelah tikus diberikan ekstrak seredelai

 Nilai p
 Nilai p≤ α ; maka Ho ditolak  berarti ada peningkatan kadar
Hb yang signifikan secara statistik setelah tikus diberikan ekstrak
seredelai
 Step 2: uji nonparametrik perbedaan mean
sampel berpasangan
Uji nonparametri: Sign rank atau Wilcoxon

 Caranya:
analyze  non parametrik test legacy dialogs
 2 related samples  variable hbpre ke
Variable1 ; variable hbpos ke Variable2  type
test : Wilcoxon  option (descriptive and
quartiles OK
 Interpretasi:
Deskriptif Practical Statistical
significant significant

Rerata Beda rerata Nilai p

hbpre

Rerata Eta2= t2/(t2 + n Nilai p

hbpos – 1)
 Hasil SPSS Uji Wilcoxon Sign
Rank Test
 Akan disajikan tabel ranks, membantu anda
mengetahui deskriptif hasil perangkingan.

 Akan disajikan tabel Test Statistics

Interpretasi : ada peningkatan yang signifikan secara

statistik pada kadar Hb tikus setelah diberikan ekstrak
seredelai.
Step 4: membuat grafik mean
 Membuat grafik (bar) mean habpre dan hbpos
 Caranya:
Graph  legacy dialogs  bar  simple  summaries of
separate variables  bars represent : mean (hbpre) dan
mean (hbpos)  change statistic : mean   OK
UJI BEDA MEAN >2 SAMPEL BEBAS
One-way Anova -Kruskall-Wallis Test
 Indikasi
 Membandingkan rerata lebih dari
dua kelompok
Misal: perbedaan rerata serum Fe antar dosis
populasi

random

S1 S2 S3

Ho: 1=2=3
Uji : One-way Anova (normal)
Kruskall-Wallis test (tdk normal)
 Perhitungan Jumlah Kuadrat
(Sum Square)
Cara menghitung Sum-Square
1. Hitung SST (total sum square) = jumlah kuadrat dari
deviasi nilai setiap sampel terhadap rerata keseluruhan

(
SST = å Xi - X )
2

2. Hitung SSA = jumlah kuadrat dari deviasi nilai setiap

rerata kelompok terhadap rerata keseluruhan

( X -X )
2

SSA = å n j j

3. Hitung SSW = SST - SSA

 Cara menghitung varian dan Ratio
Varian (VR)
Cara menghitung Varian
1. Hitung MSA = varian antar kelompok
MSA = SSA / (k -1)

2. Hitung MSW = varian dalam kelompok (error term)

MSW = SSW / (n - k)
Cara menghitung Varian Ratio
1. Hitung VR = MSA/MSW
 Perhitungan
Sumber Sum of square df Mean Variance
variasi square ratio

MSA
SSA   n j ( x j  x )
between k-1 MSA=
group
2
SSA/(k-1)
VR 
j 1 MSW
k nj

Within SSW   ( xij  x j )2 N-k MSW=

j 1 i 1
group SSW/(N-
k)
k nj

SST = åå(Xij - x)2

Total N-1
j=1 i=1
 Pengambilan Keputusan
 VR
Ho diterima, bila VR hitung < critical value
Ho ditolak, bila VR hitung ≥ critical value
critical value tabel F, pada df dan  tertentu
df numerator = k – 1; df denominator = N – k

 Nilai p
Ho diterima,bila p >  (tidak ada perbedaan)
Ho ditolak, bila p   (paling sedikit ada satu yang berbeda)
 Post Hoc
 Indikasi
Bila Ho pada one-way ditolak,maka perlu diuji
perbedaan antar kelompok

Klp 1 Klp 2 Klp 3

 Hipotesis
Klp 1 vs 2: Ho: 1 = 2 Ha: 1 # 2
Klp 1 vs 3: Ho: 1 = 3 Ha: 1 # 3
Klp 2 vs 3: Ho: 2 = 3 Ha: 2 # 3
 Post Hoc
 Prinsip Analisis
membandingkan beda rerata kedua kelompok
dengan HSD (honestly significant defference)

Klp 1 Klp 2 Klp 3

 HSD = q,k,N-k MSW/nj

q = persen point,  = tingkat kemaknaan, k = jumlah klompok, N-k= df error

nj = jml sampel kelompok yg lebih kecil

nilai q,k,N-k dilihat pada tabel H (Studentized Range)

 Post Hoc
 Kesimpulan
Ho diterima,
bila beda sampel mean kedua kelompok < dari HSD

Ho ditolak,
bila beda sampel mean kedua kelompok  HSD
 Group/treatment

1 2 3 … k

x1.1 x1.2 x1.3 x1.k

X2.1 x2.2 x2.3 x2.k

Total T1 T2 T3 Tk Tj

Mean x2
x1 x3 xk X
Hipotesis HSD Beda Simpulan
Ho:1= 2 4,160,857/3=2,22 10 Ho ditolak

Ho:1= 3 4,160,857/3=2,22 40 Ho ditolak

Ho:2= 3 4,160,857/3=2,22 30 Ho ditolak

QUESTIONS???
 Latihan
 Analisis efek ekstrak seredelai terhadap
serum Fe
 Data disimpan dalam file : Latihan
compare mean.dta
 Uji apakah ada perbedaan serum Fe
darah tikus pada berbagai dosis ektrak
seredelai (klp_dosis)
 Step 1: uji normalitas
 Data Serum Fe dari berbagai kelompok dosis harus
diuji normalitas dengan metode Shapiro-Wilks
 Cara:
analyze  descriptive statistics  explore 
dependent list Serum Fe; factor list : klp_dosis 
statistics : descriptive di centang CI 95%  plots :
boxplots  dependent together  normality plots
with test

Interpretasi:
Bila nilai p > 0,05  data berdistribusi normal
Bila nilai p ≤ 0,05  data tidak berdistibusi normal
Hasil SPSS uji normalitas
 Akan disajikan tabel case processing
summary dan descriptive (anda dapat
mengenali data dan interpretasi secara
deskriptif)

 Tabel test of Normality  baca yang

Shapiro-Wilk

Interpretasi :
Nilai p serumFe diketiga kelompok dosis > 0.05  data
berdistribusi normal
Step 2: uji parametrik One Way ANOVA
Caranya:
 analyze  compare mean  One way
Anova dependent list: serum Fe; factor list
: klp_dosis  Post Hoc : equal var assumed :
centang bonferroni; equal var not assumed:
centang Tamhane’s; sig level : 0.05 
option statistics : descriptive dan
homogeniety of variance test  OK

Hasil:

Interpretasi : setidaknya ada salah satu kelompok

yang rata-rata serumFe berbeda secara statistik
dengan kelompok lainnya
 Uji Post Hoc
 Untuk mengetahui kelompok mana yang
berbeda
 Lihat hasil uji variance untuk
memutuskan nama uji apa yg dipakai
pada Post Hoc
Nilai p >
0.05 artinya
ketiga
kelompok
memiliki
varian yang
sama :
equal
variance
assumed
 Equal variance assumed  baca yang
Bonferonni
 Hasil uji Post Hoc

interpretasi: (lihat nilai 95%CI dan p)

Kontrol vs dosis 50% : tidak ada perberdaan yang signifikan

pada rata-rata serumFe tikus antara kel. Kontrol dan yang
diberikan ekstrak seredele dosis 50%

Kontrol vs dosis 80% : ada perbedaan secara signifikan

Dosis 80% vs dosis 50% : tidak berbeda secara signifikan

 Step 2: uji nonparametrik bila data tidak
normal
Uji nonparametrik: Kruskal Wallis

 Caranya:
analyze  non parametrik test legacy dialogs
 K independent samples  test var : serum
Fe; grouping var min: 1 max: 3  type test :
Kruskal Wallis  option (descriptive) OK

 Hasil:
Interpretasi : setidaknya ada salah satu
kelompok yang rata-rata serumFe
berbeda secara statistik dengan
kelompok lainnya
 Workshop Data 3
1. Ubah data kolesterolemia ke daalam bentuk spp (.sav)
2. Simpan data
3. Analisis data dengan uji t-paired (kolesterol pre dan
kolesterol post). Apakah ada perbedaan antara kolesterol
pre dengan post setelah mendapat intervensi?

4. Analisis data dengan uji oneway-ANOVA. Apakah ada

perbedaan kolesterol (post) antar kelompok intervensi
(obat, latihan jasmani dan diet)?