STATISTIK KESEHATAN Daswel

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/369949441
Statistik Kesehatan: Teori dan Aplikasi
Chapter · October 2022
CITATIONS READS
4 5,292
8 authors, including:
Musdalifah Syamsul Pratiwi Ramlan

Stikes salewangang maros Universitas Muhammadiyah Sidenreng Rappang
5 PUBLICATIONS 19 CITATIONS 24 PUBLICATIONS 25 CITATIONS
SEE PROFILE SEE PROFILE
Rizma Syakurah Pratiwi Puji Lestari

Universitas Sriwijaya University of Muhammadiyah Banjarmasin
156 PUBLICATIONS 556 CITATIONS 1 PUBLICATION 4 CITATIONS
SEE PROFILE SEE PROFILE
All content following this page was uploaded by Rahmawati Rahmawati on 12 April 2023.
The user has requested enhancement of the downloaded file.

STATISTIK
KESEHATAN
TEORI DAN APLIKASI
Penulis :
Darwel
Musdalifah Syamsul
Pratiwi Ramlan
Mohammad Ardani Samad
Rizma Adlia Syakurah
Nurmulia Wunaini Ngkolu
Pratiwi Puji Lestari
Rahmawati
STATISTIK KESEHATAN: TEORI DAN
APLIKASI
Darwel
Musdalifah Syamsul
Pratiwi Ramlan
Rahmawati
PT GLOBAL EKSEKUTIF TEKNOLOGI

STATISTIK KESEHATAN: TEORI DAN
APLIKASI
Penulis :
Darwel
Musdalifah Syamsul
Pratiwi Ramlan
Rahmawati
ISBN : 978-623-8004-86-7
Editor : Mila Sari, S.ST, M.Si

Rantika Maida Sahara, S.Tr.Kes.
Penyunting : Aulia Syaharani, S.Tr.Kes.
Desain Sampul dan Tata Letak : Handri Maika Saputra, S.ST
Penerbit : PT GLOBAL EKSEKUTIF TEKNOLOGI

Anggota IKAPI No. 033/SBA/2022
Redaksi :
Jl. Pasir Sebelah No. 30 RT 002 RW 001
Kelurahan Pasie Nan Tigo Kecamatan Koto Tangah
Padang Sumatera Barat
Website : www.globaleksekutifteknologi.co.id
Email : globaleksekutifteknologi@gmail.com
Cetakan pertama, Oktober 2022
Hak cipta dilindungi undang-undang

Dilarang memperbanyak karya tulis ini dalam bentuk
dan dengan cara apapun tanpa izin tertulis dari penerbit.
KATA PENGANTAR
Puji syukur kami panjatkan ke hadirat Allah SWT, berkat

rahmat dan petunjuk-Nya sehingga penulis dapat menyelesaikan
penyusunan buku yang berjudul Statistik Kesehatan: Teori dan
Aplikasi.
Buku ini diharapkan dapat membantu pembaca memahami
teori Statistik Kesehatan: Teori dan Aplikasi, sehingga mereka dapat
mengaplikasikan ilmunya. Semoga buku ini dapat memberikan
sumbangsih bagi kepustakaan di Indonesia dan bermanfaat bagi kita
semua.
Penulis, Oktober 2022
i
DAFTAR ISI
KATA PENGANTAR ........................................................................................i

DAFTAR ISI ........................................................................................................ii
DAFTAR GAMBAR ..........................................................................................iv
DAFTAR TABEL ...............................................................................................v
BAB 1 PENGANTAR STATISTIK KESEHATAN ..................................1
1.1 Pendahuluan ...................................................................................................... 1
1.2 Sejarah Perkembangan statistik ............................................................. 1
1.3 Pembagian statistik ........................................................................................ 2
1.4 Kegiatan Statistik Modern .......................................................................... 3
1.4.1 Data ............................................................................................................... 3
1.4.2 Cara pengumpulan data .................................................................... 5
1.4.3 Pengolahan Data .................................................................................... 6
1.4.4 Analisis Data............................................................................................. 7
1.4.5 Penyajian Data ........................................................................................ 7
BAB 2 PROBABILITAS ..................................................................................10
2.1 Pendahuluan ...................................................................................................... 10
2.2 Teori Probabilitas ............................................................................................ 11
2.3 Pendekatan Probabilitas ............................................................................. 12
2.4 Konsep Penting Dalam Probabilitas ..................................................... 14
2.5 Probabilitas Kejadian Majemuk (A u B) DAN (A n B) ................. 16
BAB 3 POPULASI DAN SAMPLING ..........................................................23
3.1 Populasi ................................................................................................................. 23
3.1.1 Definisi Populasi Menurut Para Ahli .......................................... 23
3.1.2 Ciri-Ciri Populasi.................................................................................... 24
3.1.3 Jenis- Jenis Populasi ............................................................................. 25
3.1.4 Faktor Yang Mempengaruhi Populasi....................................... 25
3.2 Sampel .................................................................................................................. 26
3.2.1 Pengertian Sampel Menurut Para Ahli ..................................... 27
3.2.2 Ciri Sampel ................................................................................................ 27
3.2.3 Cara Menentukan Sampel ................................................................ 28
3.2.4 Teknik Pengambilan Sampel .......................................................... 28
3.2.5 Kelebihan Sampel ................................................................................. 31
BAB 4 STATISTIK DESKRIPTIF................................................................33
4.1 Pendahuluan ...................................................................................................... 33
4.2 Pengorganisasian Data ................................................................................. 35
4.2.1 Distribusi Frekuensi Tunggal ......................................................... 35
ii
4.2.2 Distribusi Frekuensi Kelompok .................................................... 35
4.2.3 Distribusi Frekuensi Kumulatif..................................................... 37
4.3 Penyajian Data Statistik ............................................................................... 38
4.3 Ukuran Gejala Pusat ....................................................................................... 41
BAB 5 UJI BEDA BERPASANGAN .............................................................47
5.1 Pendahuluan ...................................................................................................... 47
5.2 Tujuan Uji Beda Berpasangan .................................................................. 47
5.3 Hipotesis Uji Beda Berpasangan ............................................................. 48
5.4 Ruang Lingkup Uji Beda Berpasangan ................................................ 49
5.5 Uji Beda Berpasangan secara Statistik ................................................ 49
5.6 Alternatif Uji-t Dependen / Uji Wilcoxon........................................... 51
5.7 Uji Beda Berpasangan dengan SPSS ..................................................... 55
5.8 Alternatif Uji Beda Berpasangan dengan SPSS ............................... 61
BAB 6 UJI ANOVA ............................................................................................67
6.1 Pengantar ............................................................................................................. 67
6.2 Klasifikasi Anova .............................................................................................. 68
6.3 Anova Satu Arah ............................................................................................... 68
6.3.1 Prosedur Uji Hipotesis Anova Satu Arah : ..................................... 68
6.4 Anova Dua Arah................................................................................................ 79
BAB 7 ANALISIS DATA PROPORSI .........................................................88
7.1 Definisi Proporsi Pada Data Analisis .................................................... 88
7.2 Perhitungan dan Estimasi Data Proporsi dari Tabel
2x2 (Contingensy Table)............................................................................. 88
7.3 Menghitung Beda Proporsi 2 Sample .................................................. 90
7.4 Uji Hipotesis Dua Proporsi Sampel ....................................................... 91
7.5 Contoh Kasus Uji Hipotesis Beda Proporsi dalam
Kebidanan .......................................................................................................... 93
BAB 8 REGRESI LOGISTIK ..........................................................................97
8.1 Pendahuluan ...................................................................................................... 97
8.2 Analisis Regresi Logistik.............................................................................. 97
8.3 Estimasi Parameter Model Regresi Logistik .................................... 99
8.4 Uji Model Regresi Logistik .......................................................................... 100
8.4.1 Uji Signifikansi secara keseluruhan(Capitalize Each
Word) .......................................................................................................... 100
8.4.2 Uji Signifikansi Secara Individual................................................. 101
8.4.3 Uji Kesesuaian Model .......................................................................... 102
8.5 Contoh Penelitan Regresi Logistik ......................................................... 103
BIODATA PENULIS
iii
DAFTAR GAMBAR
Gambar 5.1 : Tahap uji-t dependen ................................................................ 49

Gambar 5.2 : Tampilan Awal Menu analisis deskriptif “Data
Uji-t FGD.sav” ................................................................................... 56
Gambar 5.3 :Memasukkan Varibel untuk Analisis Deskriptif ......... 57
Gambar 5.4 : Tampilan Awal Menu Analisis Uji-t59
Gambar 5.5 : Memasukan Variabel FGD pre_test dan FGD
post_test ke dalam Kotak Sebelah Kanan ........................ 59
iv
DAFTAR TABEL
Tabel 4.1: Daftar Berat Badan Karyawan CV Get Press Pada

Tahun 2022 .......................................................................................... 39
Tabel 4.2 : Daftar Karyawan CV Get Press Berdasarkan Jenis
Kelamin dan Pendidikan Tahun 2022 .................................. 39
Tabel 4.3 : Persentase Air Minum Layak Rumah Tangga
Di Indonesia ......................................................................................... 39
Tabel 4.4 : Daftar Berat Badan Karyawan CV Get Press Pada
Tahun 2022 .......................................................................................... 39
Tabel 5.1 : tabel penyajian data ........................................................................ 53
Tabel 5.2 : Tabel Perhitungan Rangking...................................................... 53
Tabel 5.3 : Data Efektivitas metode pengajaran FGD
terhadap Pengetahuan Mahasiswa ........................................ 55
Tabel 5.4 : Hasil Uji Deskriptif “Data Uji-t FGD.sav” .............................. 58
Tabel 5.5 : Hasil Uji-T .............................................................................................. 60
Tabel 5.6 : Hasil Uji Wilcoxon............................................................................. 63
Tabel 6.1 : Ringkasan Anova 1 Arah............................................................... 78
Tabel 8.1 : Probabilitas logistik untuk nilai respon dan
Predictor ................................................................................................ 103
Tabel 8.2 : Hasil observasi kondisi anemia dengan gizi ibu hamil
dan perolehan hasil analisis Odds Ratio (OR) .................. 104
Tabel 8.3 : Hasil analisis regresi logistik pada anemia ibu
Hamil ........................................................................................ 105
Tabel 8.4 : Hasil analisis status anemia dengan status gizi ibu
hamil dari tabel kontingensi....................................................... 106
v
BAB 1
PENGANTAR STATISTIK KESEHATAN
Oleh Darwel
1.1 Pendahuluan
Statistik berasal dari bahasa latin yaitu status yang berarti
negara. Pada awalnya statistik hanya menyangkut urusan-urusan
negara namun sekarang statistik modern sudah digunakan hampir di
seluruh aspek kehidupan manusia seperti angka-angka tentang situasi
ekonomi, politik, sosial, pendidikan, budaya dan penduduk.
Menurut Jule-Kendal statistik adalah fakta dalam angka.
Biostatistika adalah aplikasi statistika dalam bidang kehidupan
(Kesehatan, kedokteran, pertanian, psikologi, pendidikan dan lain-lain).
Statistika modern adalah metode untuk pengumpulan, pengolahan,
penyajian dan interpretasi data sehingga didapatkan kesimpulan
(informasi) untuk pengambilan keputusan dalam situasi
ketidakpastian. Statistik adalah sekumpulan konsep dan metode yang
digunakan untuk mengumpulkan dan menginterpretasi data tentang
bidang kegiatan tertentu dan mengambil kesimpulan dalam situasi
dimana ada ketidakpastian dan variasi, hal itu berarti :
a. Statistik tidak semata-mata berkaitan dengan susunan angka-angka
yang mebosankan dan kadang-kadang diselingi dengan sederetan
grafik
b. Metodologi dan teori statistik modern telah membuat lompatan
yang jauh lebih maju daripada hanya sekadar kompilasi grafik dan
tabel-tabel angka
c. Statistik meliputi berbagai metode dan konsep yang sangat penting
dalam semua penyelidikan yang melibatkan pengumpulan data
dengan cara eksperimentasi dan observasi, kesimpulan dengan
menganalisis data.
1.2 Sejarah Perkembangan statistik

Pada Abad ke 17 sudah dikenal istilah gambling, kemudian
tahun 1749 Marsque De Laplace mulai memperkenalkan teori peluang,
Darwel 1
tahun 1777 - 1853 Karl Friedrich memperkenalkan taori normal curve
of error, tahun 1822 - 1911 Francis Galton memperkenalkan Korelasi –
Regresi, tahun 1857-1936 Karl Pearson mengenalkan Jurnal
Biomertika, tahun 1900 mulai dikenal uji Chi Square (x2), pada abad ke
20 William S Gosset memperkanlkan distribusi “t” dan Sir Ronald
Fissher memperkenalkan distribusi “F“. Penggunaan statistika pada
masa sekarang sudah sangat menyeluruh dan menyentuh semua
bidang ilmu pengetahuan seperti bidang astronomi, biologi, psikologi
bahkan linguistika.
1.3 Pembagian statistik

Dalam pengaplikasian ilmu statistik terkadang ada
permasalahan yang muncul pada saat pengumpulan data secara
keseluruhan (populasi) atau yang dikenal dengan istilah sensus.
Pengambilan data populasi cendrung memerlukan waktu dan biaya
yang besar oleh karena itu dirancanglah pengambilan data pada
sebagian populasi yang dikenal dengan istilah sampel, namun sampel
tersebut dapat mewakili seluruh populasi. Berdasarkan hal diatas maka
statistik dibagi atas 2 yaitu :
a. Statistik deskriptif
Merupakan kegiatan mulai dari pengumpulan data sampai
mendapatkan informasi dengan jalan menyajikan dan
analisis data yang telah terkumpul atau sengaja
dikumpulkan.
Contoh informasi yang diperlukan dalam sensus penduduk
untuk menggambarkan karakteristik penduduk diperlukan
data seperti umur, jenis kelamin, status perkawinan.
b. Statistik inferens/ statistik induktif
Merupakan kumpulan cara atau metode yang dapat
menggeneralisasi nilai-nilai dari sampel yang sengaja
dikumpulkan menjadi nilai populasi.
Contoh : Riskesdas (Riset Kesehatan Dasar) 2018, penelitian
dalan survey sosial ekonomi nasional (SUSENAS) dilakukan
pengambilan sampel sesuai dengan blok sensus yang terpilih,
hasil-hasil yang didapatkan merupakan gambaran sosial
ekonomi Indonesia.
Darwel 2
1.4 Kegiatan Statistik Modern
1.4.1 Data
Data atau datum adalah kumpulan fakta dari hasil pengukuran
suatu variabel/karakteristik. Fakta adalah suatu hal yang menjadi
kenyataan dan apa yang sebenarnya terjadi/ berlangsung saat itu.
Contoh : Variabel: Berat badan  Data : 60, 65, 68, Variabel : Jenis
kelamin  Data : L, P, P
1. Sumber data
a. Data primer
Data yang secara langsung diperoleh oleh peneliti dari
sumber informasi
Contoh : survei, observasi dan eksperimen
a) Sudah berapa kali ibu melahirkan ? 2 kali
b) Berapa umur ibu saat hamil pertama ? 25 th
c) Berapa kali ibu merasakan pergerakan janin dalam
sehari ? 20 kali
d) Berapa orang anak yang sudah ibu lahirkan? 2 orang
e) Apakah bapak/ibu punya jamban? Ya/ tidak
f) Apa sumber air bersih yang digunakan? Sugali/
PDAM/ sungai, dan lain-lain
g) Apakah limbah sudah diolah sesuai dengan prosedur
yang ditetapkan? Sudah/ belum
Keuntungan : Sesuai dengan kebutuhan dan keinginan.
Kelemahan : Butuh waktu, biaya dan tenaga
b. Data sekunder
Data yang diperoleh dari suatu instansi, badan, lembaga,
institusi dan sebagainya. Biasa digunakan untuk
memperkaya latar belakang penelitian dan kepustakaan
pada KTI/ skripsi.
Contoh :
a) Data kematian bayi di puskesmas x
b) Data jumlah cakupan air bersih di kelurahan x
c) Data jumlah rumah sehat di prop x
d) Data jumlah PUS yang diambil dari BKKBN
e) Data jumlah pengguna napza yang didapat dari BNN
Darwel 3
Keuntungan : data sudah tersedia, siap untuk di analisis
dan tidak membutuhkan waktu yang lama.
Kelemahan : belum tentu cocok dengan kebutuhan penelitian,
seringkali variabel yang tersedia kurang, pengumpulan data
tidak bisa dikontrol.
c. Data tertier
Data yang sudah dipublikasikan dan biasanya digunakan
untuk pembanding di bab pembahasan KTI/ skripsi.
Contoh :
a) Data dari jurnal
b) Data dari artikel
c) Data dari KTI
d) Data dari skripsi
e) Data dari thesis
f) Data dari disertasi
Keuntungan : mudah diperoleh, mudah diakses, tidak
butuh biaya yang besar.
Kelemahan : terkadang tidak sesuai dengan kebutuhan, ada
kemungkinan kadaluarsa.
2. Jenis data
a. Data kuantitatif
Data dalam bentuk bilangan (numerik) yang diperoleh dari
hasil menghitung/ mengukur dan bisa dijumlahkan
Contoh : umur, tinggi badan, jumlah balita yang telah
mendapatkan imunisasi
b. Data kualitatif
Data yang diperoleh dari melihat sifat dan merupakan data
keterangan (bukan bilangan)
Contoh :
a) Pernyataan terhadap KB (keluarga berencana) : setuju,
kurang setuju, tidak setuju;
b) Agama : Islam, Kristen, Hindu dan lain-lain
c. Data diskrit
Data yang berbentuk bilangan bulat yang diperoleh dari hasil
menghitung
Darwel 4
Contoh :
a) Jumlah anak dalam keluarga
b) Jumlah penderita penyakit tb paru
c) Jumlah kecelakaan dijalan raya,
d) Jumlah kk yang punya jamban keluarga
e) Jumlah kematian.
d. Data kontinu
Data yang diperoleh dari hasil mengukur dan merupakan
bilangan pecahan.
Contoh : Berat badan : 60,5 kg; Kadar hb darah : 13,5 gram %,
Tinggi badan : 162,5 cm; kadar debu di udara
3. Penggolongan data untuk analisis
a. Data numerik/ numerical : data dalam bentuk angka
Contoh : tinggi badan dalam angka ( 165 cm, 170 cm)
b. Data katagorik/ katagorikal : data yang dikelompokkan
Contoh : tinggi badan (tinggi dan rendah)
1.4.2 Cara pengumpulan data

1. Wawancara
Adalah proses interaksi atau komunikasi secara langsung antara
pewawancara dengan responden.
a) Dapat digunakan untuk memeperoleh data yang bersifat
fakta seperti umur, perkerjaan, pendidikan, penyakit yang
pernah diderita
b) Untuk mengetahui sikap, pendapat, pengalaman (pendapat
tentang prosedur yankes di puskesmas).
Keuntungan : fleksibel karena urutan pertanyaan tidak harus

sesuai dengan daftar pertanyaan, jawaban dapat diperoleh segera,
dapat menilai sikap dan kebenaran jawaban yang diberikan oleh
responden, dapat membantu responden mengingat hal-hal yang
lupa.
Kekurangan : relatif membutuhkan tenaga, waktu dan biaya
yang besar; dapat menimbulkan kesalahan atau bias yang berasal
dari pewawancara maupun responden; bila pertanyaan terlalu
Darwel 5
banyak akan melelahkan hingga kualitas data akan menurun;
secara umum lama wawancara jangan lebih dari 1,5 jam.
2. Angket
Adalah pertanyaan tertulis yang ditujukan kepada responden
sesuai dengan daftar pertanyaan yang diterima.
Keuntungan : biaya relatif murah, tidak membutuhkan
banyak tenaga, dapat di ulang.
Kerugian : jawaban tidak spontan, banyak terjadi non-respon
yaitu tidak mengembalikan daftar pertanyaan yang diterima, ada
pertanyaan yang tidak dijawab, pengiriman kembali daftar
pertanyaan terlambat, jawaban tidak di isi oleh responden, tidak
dapat digunakan pada responden yang buta aksara untuk
mengatasi non respon dapat dilakukan kunjungan rumah atau
pengiriman ulang angket.
3. Pengamatan (observasi)
Merupakan salah satu cara pengumpulan data yang biasa
digunakan pada studi kualitatif tetapi dapat juga pada studi
kuantitatif terutama untuk membuktikan kebenaran jawaban
responden.
Misal pengamatan kondisi sarana air bersih keluarga, kondisi
lingkungan rumah sakit.
4. Pemeriksaan
a) Dapat berupa pemeriksaan laboratorium
b) Pemeriksaan fisik, pemeriksaan radiologi
c) Pemeriksaan darah
d) Pemeriksaan kualitas air dan lain-lain.
1.4.3 Pengolahan Data

1. Editing
Memeriksa kuesioner dengan tujuan agar data yang masuk dapat
diolah dengan baik.
Contoh : Balita tetapi didata pendidikan SD
2. Coding
Memberi kode atau tanda tertentu pada data yang tercatat pada
kuesioner.
Contoh : ISPA  1. ISPA 2. Tidak ISPA
3. Processing
Proses memasukkan data ke komputer untuk di analisis
Darwel 6
4. Cleaning
Proses pembersihan data setelah data di entry ke dalam computer
1.4.4 Analisis Data

a. Analisis Univariat
Untuk menjelaskan/ mendeskriptifkan karakteristik masing-
masing variabel yang diteliti.
b. Analisis Bivariat
Menghubungkan variabel independen dengan variabel
dependen.
c. Analisis Multivariat
Menghubungkan beberapa variabel independen dengan satu
variabel dependen pada waktu yang bersamaan
1.4.5 Penyajian Data

Penyajian data dapat berupa:
a. Narasi (tekstular).
1. Penyajian dalam bentuk tulisan
2. Biasanya dipakai dalam menyajikan informasi yang didapat dari
penyajian tabel maupun gambar
b. Tabel (Tabular)
a. Penyajian data dalam bentuk kolom dan baris
b. Self explanatory
c. Bagian-bagian tabel : Body tabel, Box head Stubb, Jumlah (total
baris maupun total kolom)
Bagian tabel ini dilengkapi :
1) Judul (menjawab what, where, when)
2) Nomer tabel
3) Keterangan (Foot Note= catatan kaki)
4) Sumber, kalau itu tabel kutipan
Kegunaan masing-masing
1) Agar mudah dirujuk
2) Keterangan, agar didapat keterangan yang lengkap
3) Sumber, agar jangan dianggap plagiat dan memudahkan
untuk merujuk kembali
Darwel 7
Jenis Tabel
1) Tabel induk (master table)
2) Tabel text
i. Tabel ditribusi frekuensi
ii. Tabel distribusi frekuensi relatif
iii. Tabel distribusi frekuensi kumulatif
iv. Tabel silang
c. Grafik (Gambar)
1. Seperti tabel, gambarpun perlu dilengkapi dengan
judul (menjawab What, Who, Where, When)
2. Nomor
3. Keterangan (key)
4. Sumber (kalau gambar tersebut kutipan)
5. Berbeda dengan tabel, gambar sudah ditentukan
peruntukannya sesuai jenis data
Jenis grafik untuk data numerik :

1) Histogram,
2) Frequency polygon
3) Ogive,
4) Stem & leaf,
5) Scatter diagram
Jenis grafik untuk data kategorik :

1) Bar, Single bar, multiple, subdivided
2) Pareto chart
3) Pie
4) Line diagram
5) Pictogram
6) Mapgram
Darwel 8
DAFTAR PUSTAKA
Chandra, B. 2012. Biostatistik Untuk Kedokteran Dan Kesehatan

Hastono, Sutanto P dan Sabri, Luknis. 2011. Statistik Kesehatan
Riwidikdo, H. 2012. Statistik Kesehatan.
Darwel 9
BAB 2
PROBABILITAS
Oleh Musdalifah Syamsul
2.1 Pendahuluan
Dalam kehidupan sehari-hari manusia sulit untuk
mengetahui dengan pasti apa yang akan terjadi pada waktu yang
akan datang, baik dalam jangka pendek maupun jangka panjang
yang sering disebut sebagai ketidakpastian. Ketidakpastian ini terjadi
karena keterbatasan manusia itu sendiri dalam dunianya untuk
mengukur menghitung, menalar, meramal suatu hal baik yang akan
dating maupun yang ada di depan mata. Sudah sejak awal zaman,
ketidakpastian diantisipasi manusia dengan berbagai cara yakni
dengan cara ada yang bersifat prophecy dan supranatural, ada pula
yang lebih rasional dengan mempelajari periodisitas (pengulangan)
gejala alam untuk mengurangi tingkat ketidakpastian itu mungkin
menjadi faktor pemicu dinamika roda kehidupan itu sendiri.
Ketidakpastian itu seringkali menjadi sumber kesulitan, tetapi juga
sekaligus merupakan blessing.
Teori probabilitas dapat dikatakan merupakan salah satu ilmu
untuk mengukur ketidakpastian hingga ke tingkat yang lebih terarah
dan mudah diprediksi. Teori probabilitas digunakan bukan hanya
untuk hal yang bersifat praktis, namun untuk hal-hal yang teoritis
ketika model matematis tidak dapat lagi disusun secara komprehensif
untuk memecahkan suatu masalah. Dalam dunia pendidikan yang
umumnya memerlukan pertimbangan yang lebih singkat dan
pragmatis sangat mengandalkan konsep-konsep teori probabilitas.
Statistika merupakan wajah dari teori probabilitas yang dikembangkan
berdasarkan teori probabilitas. Dalam penggunaanya, hasil pengukuran
statistika sudah dapat dianggap memadai. Tetapi untuk memahami apa
yang ada di balik hasil penghitungan statistika tersebut memerlukan
pemahaman mengenai model probabilitas yang digunakan.
Musdalifah Syamsul 10
2.2 Teori Probabilitas
Probabilitas adalah suatu nilai yang digunakan untuk mengukur
tingkat terjadinya suatu kejadian yang acak yang sering disebut dengan
peluang atau kemungkinan bahwa sesuatu akan terjadi. Konsep
probabilitas memiliki peranan yang penting dalam kehidupan sehari-
hari, yakni dimulai dari bidang ilmiah, bidang pemerintahan, bidang
usaha atau industri, sampai pada masalah-masalah kecil seperti masuk
kantor atau tidak karena awan tebal yang kemungkinan akan hujan
deras dan banjir.
Probabilitas biasanya dinyatakan dengan bilangan desimal
(seperti 0,50, 0,20 atau 0,89) atau bilangan pecahan seperti 5/100,
20/100, 75/100. Nilai dari probabilitas berkisar antara 0 sampai
dengan 1. Jika semakin dekat nilai probabilitas ke nilai 0, maka semakin
kecil juga kemungkinan suatu kejadian akan terjadi. Jika semakin dekat
nilai probabilitas ke nilai 1, maka semakin besar peluang suatu kejadian
akan terjadi.
Sebagai contoh mata uang koin Rp. 100.-mempunyai dua sisi.
Sisi pertama bergambar rumah Minangkabau (RM), dan sisi lain
bergambar gunung wayah (GW). Jika koin tersebut kita lemparkan ke
atas sekali maka ada kemungkinan keluar RM dan ada pula
kemungkinan keluar (GW). Kemungkinan keluar RM = Kemungkinan
keluar GW. Setiap sisi mempunyai probabilitas keluar ½. Jumlah
probabilitas RM adalah 1. Hal ini merupakan hokum dalam probabilitas
dari masing-masing elemen pasti.
Teori probabilitas merupakan model matematika untuk studi
keacakan dan ketidakpastian. Konsep probabilitas menempati
peran penting dalam proses pengambilan keputusan. Sebagian
besar keputusan yang dibuat dalam menghadapi ketidakpastian.
Model matematika dalam teori probabilitas memungkinkan kita
untuk membuat prediksi tentang fenomena massal tertentu dari
informasi yang tidak lengkap yang berasal dari teknik sampling. Ini
adalah teori probabilitas yang memungkinkan untuk melanjutkan
dari statistik deskriptif ke statistik inferensial. Bahkan, teori
probabilitas adalah sebagai alat yang paling penting dalam statistik
inferensial.
2.3 Pendekatan Probabilitas
1) Pendekatan klasik
Konsep dasar pendekatan klasik dari peluang adalah
setiap peristiwa yang bakal terjadi dari suatu eksperimen
mempunyai kesempatan sama untuk terjadi (equally likely
outcomes). Sebagai contoh, eksperimen pengetosan uang
logam akan terdapat salah satu dari dua peristiwa yang bakal
terjadi, ialah muka angka atau gambar, masing-masing
mempunyai kesempatan sama untuk muncul. Demikian pula
pengetosan sebuah dadu yang berbentuk kubus akan terdapat
enam kesempatan sama untuk muncul, masing-masing adalah
muka 1, 2, 3, 4, 5, dan 6. Besarnya peluang akan muncul muka
dadu bernomor genap adalah sebesar , karena terdapat tiga
yang mungkin muncul genap dari seluruh peristiwa yang ada.
Contoh lain probabilitas munculnya kepala ketika sebuah
koin dilemparkan sekali. Koin mempunyai dua kemungkinan
sama besar, yaitu kepala dan ekor (dengan asumsi koin ideal,
koin tidak menggelinding atau berdiri tegak). Maka
probabilitas dari munculnya kepala adalah satu cara dari dua
cara tersebut adalah ½.
2) Pendekatan frekuensi
Pendekatan frekuensi mengenai peluang itu sering
diinterpretasikan sebagai frekuensi relative terhadap
banyaknya proses yang dilakukan berulang-ulang dalam
jumlah besar di bawah kondisi yang sama. Bila sekeping uang
logam rupiah yang masih baik atau uang logam tersebut masih
bersifat equally likely, kemudian ditos 10 kali, maka bisa
terjadi bahwa yang muncul 6 kali muka yang bergambarkan
garuda dan 4 kali muka yang bertuliskan angka. Peluang muka
gambar dalam hal ini 0,6 sedangkan peluang muka angka 0,4.
Tetapi, bila eksperimen itu dilakukan n kali dalam jumlah besar
dengan syarat tersebut di atas, maka munculnya muka gambar
dan angka akan mendekati bilangan yang sangat besar. Jadi bila
n bertambah besar, mendekati tak hingga, maka kita
mendapatkan peluang gambar dan angka mendekati 0,5.
Peluang atau frekuensi relative suatu kejadian yang
muncul a kali dalam suatu eksperimen yang dilakukan
sebanyak n kali adalah ; nilai yang didekati oleh bila n menjadi
tak hingga disebut limit frekuensi relative dan ditulis dengan
lambang : ( ) Perlu ditekankan di sini bahwa pendekatan
tersebut hanya berlaku apabila dalam hal n cukup besar. Jika
kita hanya mengetos uang logam sebanyak 10 kali, tak dapat
secara tepat akan muncul muka gambar 5 kali dan angka 5 kali
juga. Tetapi, bila eksperimen itu dilakukan sebanyak kali, maka
dapat diharapkan bahwa munculnya gambar dan angka akan
dekat sekali ke 50%.
Pendekatan frekuensi relative dari peluang itu tak dapat
diterapkan secara langsung terhadap masalah penting lainnya
dalam pengertian peluang. Sebagai contoh, masalah peluang
sepasang kenalan baru muda-mudi akan melaksanakan
perkawinan dalam tempo setahun yang akan datang. Peluang
yang diinterpretasikan sebagai frekuensi relative itu disebut a
posteriori atau peluang empiric.
3) Pendekatan subjektif
Para ahli personalistika memandang peluang sebagai
ukuran percaya diri, terutama untuk suatu kejadian khusus dan
atau suatu proposisi (pernyataan), misalnya percaya bahwa si
X tetap akan menjadi pimpinan setahun mendatang.
Pendekatan subjektif menitik beratkan peluangnya di antara 0
dan 1 terhadap suatu peristiwa, sesuai dengan derajat
kepercayaan akan terjadinya peristiwa itu. Setiap orang dapat
berbeda derajat kepercayaannya terhadap suatu peristiwa,
karena tergantung nilai, pengalaman, sikap, dan lain-lain,
sesuai dengan apa yang ia miliki baik berbentuk data kualitatif
maupun kuantitatif. Akan tetapi, seseorang harus benar-benar
berhati-hati dan konsisten dalam memberikan besarnya nilai
peluang terhadap suatu peristiwa, kalau tidak, ia akan
kehilangan arah dalam memberikan 5 kesimpulan. Di dalam
statistika derajat keyakinan (level of confidence) itu
merupakan hal penting dalam memberikan keputusan secara
statistika.
2.4 Konsep Penting Dalam Probabilitas
Konsep penting yang pertama adalah eksperimen statistic atau
acak. Di dalam statistik, istilah ini umumnya mengacu pada setiap
proses observasi atau pengukuran yang mempunyai lebih dari satu
hasil yang mungkin dan di mana ada ketidakpastian tentang hasil mana
yang benar-benar akan terwujud. Contoh, pelemparan sekeping mata
uang logam, pelemparan sepasang mata dadu, dan pengambilan sebuah
kartu dari tumpukan kartu merupakan contoh eksperimen. Dalam hal
ini, ada asumsi yang tersirat bahwa dalam melakukan semua
eksperimen tersebut telah dipenuhi beberapa syarat, misalnya, bahwa
mata uang logam atau mata dadu itu wajar. Hasil dari eksperimen
semacam itu dapat berupa gambar atau angka jika mata uang logam
dilemparkan, atau salah satu dari angka-angka 1, 2, 3, 4, 5, atau 6 jika
mata dadu dilemparkan. Hasil-hasil tersebut belum diketahui sebelum
eksperimen dilakukan.
Tujuan dari eksperimen-eksperimen semacam itu adalah untuk
menetapkan sebuah dalil (misalnya, berapa banyak gambar yang
mungkin akan diperoleh dalam satu kali pelemparan, katakanlah, 1.000
mata uang logam?) atau untuk menguji dalil bahwa mata uang logam
tersebut wajar (misalnya, apakah anda akan menganggap sebuah mata
uang logam itu tidak wajar apabila anda memperoleh hasil 70 gambar
dalam pelemparan sebuah mata uang logam sebanyak 100 kali).
a. Ruang Sampel
Ruang sampel adalah himpunan semua hasil yang mungkin
dari fenomena random. Secara umum ruang sampel dapat ditulis
dalam huruf Greek (Yunani) Ω (omega). Elemen-elemen Ω ,
secara umum ditulis dengan  dan disebut sebagai titik-titik
sampel atau hasil (outcome). Himpunan semua hasil yang
mungkin diperoleh dari suatu eksperimen disebut populasi atau
ruang sampel. Konsep ruang sampel pertama kali 7
diperkenalkan oleh Von Mises, seorang pakar matematika dan
sekaligus insinyur berkebangsaan Austria, pada tahun 1931.
Sebuah eksperimen pelemparan dua mata uang logam
yang wajar. Misalkan H menyatakan gambar dan T menyatakan
angka. Jadi, kita akan mendapatkan hasil-hasil sebagai berikut :
HH, HT, TH, TT, dimana HH berarti gambar pada pelemparan
pertama dan gambar pada pelemparan kedua, HT berarti
gambar pada pelemparan pertama dan angka pada pelemparan
kedua, dan sebagainya. Dalam contoh ini, keseluruhan hasil, atau
ruang sampel atau populasi, adalah 4. Tidak ada lagi hasil yang
secara logika mungkin diperoleh. Titik Sampel Setiap anggota,
atau hasil, di dalam ruang sampel atau populasi disebut titik
sampel. Dalam contoh 4.2, masing-masing hasil, yaitu HH, HT,
TH, TT merupakan titik sampel.
b. Kejadian
Suatu kejadian (event) adalah himpunan bagian dari ruang
sampel. Karena Ω adalah himpunan bagian dari Ω maka Ω adalah
suatu kejadian dan disebut kejadian universal Contoh, kejadian
A adalah peristiwa munculnya satu gambar dan satu angka
dalam eksperimen pelemparan mata uang logam. Kita ketahui
bahwa hanya hasil HT dan TH saja yang termasuk dalam
kejadian A. Misalkan B adalah kejadian bahwa dua gambar
muncul dalam pelemparan dua buah mata uang logam. Jadi, jelas
bahwa hanya hasil HH saja yang termasuk kejadian B.
c. Aturan Penghitungan
Apabila kita ingin mengaitkan peristiwa A dalam ruang
sampel S dengan bilangan real P(A), maka yang dimaksud
bilangan P(A) itu adalah sesuai dengan interpretasi frekuensi
relative a/n dengan n cukup besar. Aturan demikian disebut
fungsi himpunan peluang, disingkat menjadi fhp. Berikut ini
beberapa aturan penghitungan yang memberikan sifat-sifat
penting lainnya terhadap fungsi himpunan peluang.
Teorema 1, untuk setiap peristiwa A, P (A) = 1 - P (Ac ).
Teorema 2, P( )
Teorema 3, jika peristiwa-peristiwa A dan B sedemikian hingga ,
maka ( ) ( )
Teorema 4, untuk setiap peristiwa A, ( ) .
Teorema 5, jika A dan B merupakan dua peristiwa sebarang,
maka ( ) ( ) ( ) ( )
Teorema 6, jika A, B, dan C adalah tiga peristiwa sebarang, maka
()()()()() ()()()
2.5 Probabilitas Kejadian Majemuk (A u B) DAN (A n
B)
Dengan mengingat pengetahuan mengenai teori himpunan
bahwa bila A dan B dua himpunan dalam himpunan semesta S,
gabungan dari A dan B adalah himpunan baru yang anggotannya terdiri
atas anggota A atau anggota B, atau anggota keduanya ditulis A u B = {x
є A atau x є B}.
Banyaknya anggota himpunan A u B adalah
n (A u B) = n(A) + n(B) – n (A n B)
Sejalan dengan himpunan gabungan tersebut, karena ada

keterkaitan antara teori himpunan dengan teori probabilitas, kita dapat
merumuskan kejadian gabungan A dan B, yaitu kejadian A u B pada
ruang sampel S. Bila A dan B kejadian sembarang pada ruang sampel S,
gabungan kejadian A dan B yang ditulis A u B adalah kumpulan semua
titik sampel yang ada pada A atau B atau pada kedua-duanya. Kejadian
A u B disebut kejadian majemuk. Demikian halnya, kejadian A u B yaitu
kumpulan titik sampel yang ada pada A dan B, juga disebut kejadian
majemuk. Probabilitas kejadian A u B dirumuskan sebagai berikut
Rumus:
P(A u B) = P(A) + P(B) – P(A n B)
Penjelasan lahirnya rumus tersebut adalah sebagai berikut

Kita telah tahu bahwa
n(A u B) = n(A) + n(B) – n(A n B)
Bila dua ruas persamaan dibagi dengan n(S), diperoleh

n(A u B) / n(S) = n(A) / n(S) + n(B) / n(S) – n(A n B) / n(S)
sehingga
P(A u B) = P(A) + P(B) – P(A n B)
Contoh
1. Kita ambil satu kartu secara acak dari satu set kartu bridge yang
lengkap. Bila A = kejadian terpilihnya kartu AS dan B = kejadian
terpilihnya kartu wajik, hitunglah P(A u B)
Jawab
P(A) = 4/52 P(B) = 13/52 P(A n B) = 1/52
(kartu AS dan Wajik)
Maka, P(A u B) = P(A) + P(B) – P(A n B)
= 4/52 + 13/52 – 1/52
= 16/52
2. Peluang seorang mahasiswa lulus kalkulus adalah 2/3 dan peluang

ia lulus bahasa inggris adalah 4/9. Bila peluang lulus sekurang-
kurangnya satu mata kuliah di atas adalah 4/5, berapa peluang ia
lulus kedua mata kuliah itu?
Jawab
Misalkan A = kejadian lulus kalkulus
B = kejadian lulus bahasa inggris
P(A) = 2/3 P(B) = 4/9 P(A n B) = 4/5

P(A u B) = P(A) + P(B) – P(A n B)
= 2/3 + 4/9 – 4/5
= 14/45
Probabilitas kejadian majemuk A u B sebagaimana rumus

diatas tersebut masih dapat dikembangkan lebih lanjut menjadi
probabilitas kejadian majemuk yang terdiri dari tiga kejadian A, B, C
yang ditulis dengan A u B u C.
Probabilitas kejadian majemuk A u B u C dapat dirumuskan
sebagai berikut :
Rumus:
P(A u B u C) = P(A) + P(B) + P(C) – P(A n B) – P(A n C) – P(B n C)
+ P(A n B n C)
Penjelasan lahirnya rumus tersebut dapat diperoleh dengan

melakukan proses yang hampir sama dengan penjelasan lahirnya
rumus
a. Dua Kejadian Saling Lepas

Dalam menentukan probabilitas dengan aturan matematis
penjumlahan dan pengurangan perlu diketahui sifat dua atau lebih
peristiwa. Sifat dua atau lebih peristiwa tersebut adalah saling
meniadakan (mutually exclusive) dan tidak saling meniadakan (non-
mutually exclusive). Bila A dan B dua kejadian sembarang pada S dan
berlaku A n B = Ø, A dan B dikatakan dua kejadian saling lepas atau
saling bertentangan, atau saling terpisah (mutually exclusive). Hal ini
menunjukkan bahwa peristiwa A dan peristiwa B dua kejadian
saling lepas, P(A n B) = P(Ø) = 0, sehingga probabilitas kejadian A u B
dirumuskan sebagai berikut
Rumus:
P(A u B) = P(A) + P(B)
Contoh
1. Bila A dan B dua kejadian saling lepas, dengan P(A) = 0.3 dan
P(B) = 0.25, tentukanlah P(A u B)
Jawab
Karena A dan B saling lepas, berlaku :
P(A u B) = P(A) + P(B)
= 0.3 + 0.25 = 0.55
2. Pada pelemparan dua buah dadu, tentukanlah probabilitas

munculnya muka dua dadu dengan jumlah 7 atau 11
Jawab
Misalkan A = kejadian munculnya jumlah 7
B = kejadian munculnya jumlah 11
Diperoleh A = {(1.6), (2.5), (3,4), (4.3), (5.2), (6,1)}
B = {(5,6), (6,5)}
Maka A n B = Ø, berarti A dan B saling lepas
P(A) = 6/36 P(B) = 2/36 sehingga
P(A u B) = P(A) + P(B)
= 6/36 + 2/36
= 8/36
Dengan demikian dapat kita kembangkan rumus probabilitas

tiga kejadian A, B, C yang saling lepas, yaitu :
Rumus:
P(A u B u C) = P(A) + P(B) + P(C)
Secara umum, bila A1, A2, A3, …, An adalah kejadian-kejadian

yang saling lepas, berlaku rumus probabilitas sebagai berikut :
Rumus:
P(A1 u A2 u A3 u, …, u An) = P(A1) + P(A2) + P(A3) + … +
P(An)
= Σ P(A)
b. Dua Kejadian Saling Bebas

Sifat dua atau lebih peristiwa dari suatu percobaan dapat
independen dan dapat pula dependen. Dua atau lebih peristiwa
dikatakan independen jika terjadinya suatu peristiwa tidak
mempengaruhi terjadinya peristiwa yang lain. Sebaliknya, dua atau
lebih peristiwa dikatakan bersifat dependen jika terjadinya suatu
peristiwa akan mempengaruhi terjadinya peristiwa yang lain.
Dapat dikatakan bahwa dua kejadian A dan B dalam ruang sampel
S dikatakan saling bebas jika kejadian A tidak mempengaruhi
kejadian B dan sebaliknya, kejadian B tidak mempengaruhi
kejadian A (Wibisono, 2007). Jika A dan B merupakan dua kejadian
saling bebas, berlaku rumus berikut.
Rumus:
P (A n B) = P(A) . P(B)
Contoh :
1. Jika diketahui dua kejadian A dan B saling bebas dengan P(A) = 0.3
dan P(B) = 0.4, berlaku
Jawab
P(A n B) = P(A) . P(B)
= 0.3 . 0.4 = 0.12
2. Pada pelemparan dua buah dadu, apakah kejadian munculnya muka

X ≤ 3 dadu 1 dan kejadian munculnya Y ≥ 5 dadu 2 adalah saling
bebas?
Jawab
Misalkan A = kejadian munculnya muka X ≤ 3 dadu 1
B = kejadian munculnya muka Y ≥ 5 dadu 2
P(A) = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4),
(2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6)}
= 18/36 = 1/2
P(B) = {(1,5), (1,6), (2,5), (2,6), (3,5), (3,6), (4,5), (4,6), (5,5), (5,6),
(6,5), (6,6)}
= 12/36 = 1/3
P(A n B) = {(1.5), (1,6), (2,5), (2,6), (3,5), (3,6)} = 6/36 = 1/6
Maka diperoleh
P(A n B) = P(A) . P(B)
= 1/2 . 1/3 = 1/6
Sehingga nilai P(A n B) = P(A) . P(B) yang berarti kejadian A dan B

adalah saling bebas
Konsep dua kejadian saling bebas di atas dapat dikembangkan

untuk tiga kejadian saling bebas antara A, B dan C. Jika A, B dan C
adalah tiga kejadian saling bebas, berlaku probabilitas A n B n C,
yaitu
Rumus:
P(A n B n C) = P(A) . P(B) . P(C)
Secara umum, bila A1, A2, A3, …, An adalah kejadian-kejadian saling

bebas, berlaku
Rumus:
P(A1 n A2 n A3 n, …, n An) = P(A1) . P(A2) . P(A3) … P(An)
3. Pada pelemparan 3 uang logam, tunjukkanlah bahwa munculnya

muka dari 3 uang logam saling bebas
Jawab
Ruang sampel (S) = {(m,m,m), (m,m,b), (m,b,m), (m,b,b), (b,m,m),
(b,m,b), (b,b,m), (b,b,b)} = 8
Misalkan
A = kejadian muncul muka uang logam 1
B = kejadian muncul muka uang logam 2
C = kejadian muncul muka uang logam 3
Maka diperoleh
A = {(m,m,m), (m,m,b), (m,b,m), (m,b,b)} = 4/8 = 1/2
B = {(m,m,m), (m,m,b), (b,m,m), (b,m,b)} = 4/8 = 1/2
C = {(m,m,m), (m,b,m), (b,m,m), (b,b,m)} = 4/8 = 1/2
P(A n B) = (m,m,m) = 1/8
Sehingga
P(A n B n C) = P(A) . P(B) . P(C)
= 1.2 . 1/2 . 1/2 = 1/8
Jadi, kejadian A, B dan C adalah tiga kejadian saling bebas.
DAFTAR PUSTAKA
Mulyono, Grace. 2013. “Universitas Kristen Petra.” Perancangan

Interior Pusat Mitigasi di Jogja 27(2007): 6–23.
Otaya, L. G. 2016. Probabilitas Bersyarat, Independensi dan Teorema
Bayes Dalam Menentukan Peluang Terjadinya Suatu
Peristiwa. Tadbir: Jurnal Manajemen Pendidikan Islam, 4(1), 68-
78.
Ratnaningsih, D. J. Setelah mempelajari Modul 1, diharapkan
mahasiswa dapat: 1. Memahami konsep-konsep probabilitas. 2.
Memahami konsep probabilitas peluang bersyarat. 3.
Memahami hukum total probabilitas. 4. Memahami konsep
independensi dalam probabilitasSamuel, J. 2021. Teori Peluang
dan Kombinatorik Peluang Suatu Kejadian dan Kompelemen.
BAB 3
POPULASI DAN SAMPLING
Oleh Pratiwi Ramlan
3.1 Populasi
Secara umum, populasi adalah sekelompok organisme dari
spesies yang sama dan mempunyai karakteristik yang sama.
Kelompok tersebut hidup dalam jangka waktu tertentu, pada wilayah
geografis yang sama, dan dapat berkembang biak sesama organisme
tersebut.
Definisi populasi lainnya adalah jumlah penduduk suatu
kelompok atau suatu wilayah, termasuk hewan, tumbuhan atau
manusia dalam suatu ruang atau daerah. Dalam penelitian, disebutkan
bahwa populasi adalah bidang umum yang meliputi objek atau subjek
dengan jumlah dan karakteristik tertentu yang perlu dikaji dan ditarik
simpulannya (Amirullah, 2019).
Oleh karena itu kita dapat mengambil kesimpulan bahwa
konsep populasi ialah sekelompok objek (organisme, manusian, gejala,
peristiwa atau objek) dengan lokasi dan karakteristik yang sama
(Zulkarnaen, 2014).
3.1.1 Definisi Populasi Menurut Para Ahli
Berikut di paparkan beberapa pengertian populasi dari
beberapa ahli agar dapat lebih memahami tentang populasi ;
a. Suharsimi Arikunto
Populasi merupakan sumber data yang sangat penting, yang
menunjukkan jumlah total subjek atau sampel kajian.
b. Sugiyono
Menurut Sugiyono, populasi merupakan domain umum yang
memiliki karakter tertentu dari suatu subjek atau objek.
c. Margono S.
Menurut Margono S, arti populasi adalah semua data yang
dilihatpeneliti dalam ruang lingkup dan periode waktu tertentu.
d. Ismiyanto
Ismiyanto menjelaskan bahwa populasi ialah informasi atau
data penelitian yang bisa disediakan atau diperoleh dari subjek
Pratiwi Ramlan 23
penelitian (benda, manusia atau suatu hal lainnya) dari jumlah
total subjek penelitian.
e. Mohammad Nazir
Mohammad Nazir menjelaskan populasi adalah sekelompok
individu yang memiliki karakter dan sifat yang ditetapkan oleh
peneliti, yang mana karakter itu yang dinamakan variabel.
f. Nawawi H
Berdasarkan pendapat Hadari Nawawi menjelaskan bahwa
populasi adalah objek penelitian secara total yang meliputi
benda-benda, manusia, tumbuhan, hewan, gejala dan peristiwa
serta hasil pengujian yang merupakan sumber data dan
menujukkan ciri-ciri khusus di penelitian.
3.1.2 Ciri-Ciri Populasi

Mengidentifikasi suatu populasi memerlukan pengenalan
karakteristiknya. Suatu populasi memiliki karakteristik biologi dan
karakteristik statistik. Dibawah ini merupakan uraian yang termasuk
ciri-ciri populasi.
a. Karakter / Lingkup Biologi
Berikut ciri-ciri yang termasuk dalam kelompok yang
merupakan populasi, diantaranya:
- Dimulai sejak lahir dan berlanjut melalui pertumbuhan,
diferensiasi, menua dan mati. Memiliki riwayat hidup
(ontogenesis)
- Ada keturunan (hereditas) didalamnya
- Ada jaringan serta struktur jaringan yang tetap dan berubah
setiap waktu
- Mengintegrasikan berbagai faktor ekologi seperti
reproduksi,persistensi dan adaptasi dan faktor genetik.
- Bereaksi terhadap transformasi lingkungan dan terdampak
oleh pengaruh lingkungan.
b. Lingkup Statistik
Berikut ialah hasil integrasi beberapa karakteristik, baik
individu maupun kelompok yang terdapat dalam populasi,
diantaranya (Mulliadi & Arifin, 2010):
- Distribusi, contoh yang mempengaruhi distribusi pada
populasi adalah keadaan cuaca dan iklim, usia, dan struktur
dari suatu objek
Pratiwi Ramlan 24
- Ada varians, yaitu distribusi individu dalam suatu populasi
- Ukuran populasi atau kepadatan termasuk dalam parameter
penting, seperti kelahiran dan kematian sangat
berpengaruh.
- Susunan genetik juga mempengaruhi populasi.
3.1.3 Jenis- Jenis Populasi

a. Berdasarkan Jumlahnya
- Populasi Terbatas, adalah sumber data berbentuk angka
sehingga dapat dihitung berapa jumlahnya karena jelas
batasnya secara kuantitatif . Contoh : Di tahun 2015, jumlah
Angka Kematian Ibu di Indonesi adalah 250 jiwa.
- Populasi Tak Terbatas, adalah sumber data yang tidak
berbentuk angka dikarenakan jumlahnya yang tak terbatas..
Contoh : Berapa jumlah bintang di langit, jumlah pasir di
tepi pantai.
b. Berdasarkan Sifatnya
- Populasi Homogen (Sama/Seragam), adalah populasi
dengan karakteristik/sifat sama sehingga jumlahnya tidak
perlu di permasalahkan secara kuantitiatif.
- Populasi Heterogen, adalah populasi dengan karakteristik/
sifat bermacam-macam/bervariasi, oleh karena itu, batas
kuantitatif dan kualitatif harus jelas.
c. Berdasarkan Perbedaan Lainnya
- Populasi Sasaran/Target, adalah populasi yang sudah
ditetapkan berdasarkan pertanyaan penelitian.
- Populasi Survey, adalah populasi yang termasuk di dalam
pelaksanaan penelitian.
3.1.4 Faktor Yang Mempengaruhi Populasi

Terdapat beberapa faktor yang mempengaruhi perubahan
jumlah populasi. Berdasarkan pengertian dari populasi, berikut faktor-
faktor yang mempengaruhi populasi (Ajami, 2014) :
a. Natalitas (Tingkat Kelahiran)
Natalitas merupakan tingkat kelahiran dari suatu populasi yang
membuat suatu populasi bertambah seiring dengan
bertambahnya individu baru dalam populasi.
Dalam suatu populasi terdapat dua jenis natalitas, yaitu :
Pratiwi Ramlan 25
1. Natalitas/Jumlah kelahiran maksimal, adalah repropduksi
maksimal atau angka kelahiran dalam kondisi optimal ketika
faktor-faktor fisiologis tidak berpengaruh.
2. Natalitas ekologi, adalah pertambahan jumlah kelompok
atau populasi atau angka kelahiran dikarenakan situasi
lingkungan khusus.
b. Mortalitas (Tingkat Kematian)

Mortalitas atau tingkat kematian merupakan jenjang angka
kematian anggota populasi dalam kurun waktu khusus.
Motalitas / tingkat kematian terbagi dua, yakni :
1. Mortalitas ekologi, dimana situasi lingkungan
mempengaruhi atau menjadi penyebab angka kematian
dalam populasi.
2. Mortalitas minimum, dimana umur yang tua menjadi
penyebab angka kematian anggota populasi.
c. Densitas (Tingkat Kepadatan)

Densitas merupakan tingkat atau jenjang kepadatan dalam
populasi yang berkaitan dengan satuan area, wilayah atau
ruang. Contohnya, satu hektar sawah dapat menghasilkan satu
ton gabah.
Terdapat dua jenis kepadatan populasi, yakni :
1. Kepadatan ekologi merupakan jumlah kepadatan per satuan
ruang habitat.
2. Kepadatan kasar merupakan kepadatan populasi per satuan
ruang total.
3.2 Sampel
Sampel sejatinya dapat dikatakan sebagai rangkaian yang lebih
kecil dari jenis data penelitian, serta diambil dari jumlah kelompok
yang lebih besar yaitu populasi setelah melewati proses seleksi yang
sudah ditetapkan. Unsur-unsur ini di ketahui menjadi unit sampling,
pengamatan atau titik sampel.
Disisi lain, menetapkan sampel merupakan cara atau langkah
yang efektif ketika melaksanakan suatu penelitian seperti pada
berbagai kasus, membutuhkan biaya yang besar, belum lagi waktu
Pratiwi Ramlan 26
yang dibutuhkan lebih lama untuk melakukan penelitian dengan
menggunakan seluruh populasi dan oleh karena itu penelitian dengan
menggunkana sampel dapat memberikan pengetahuan atau informasi
yang bisa digunakan pada setiap anggota populasi (Puteri, 2020).
Sampel merupakan sebagian anggota populasi yang akan
diteliti, dapat juga dianggap sebagai perwakilan dari populasi dan
hasilnya pun mewakili seluruh anggota populasi yang diteliti (Alwi,
2015). Jenis dan ukuran sampel adalah determinan baik tidaknya
sampel yang digunakan.
3.2.1 Pengertian Sampel Menurut Para Ahli
Berikut pengertian sampel dari beberapa ahli :
a. Arikunto (2002), sampel adalah bagian yang representatif
dari populasi yang menjadi bahan peneltian.
b. Sugiyono (2006), sampel merupakan dari populasi dengan
karakteristik dan jumlah dari populasi tersebut.
c. Soehartono (2004), sampel adalah sebagian anggota
populasi yang akan mewakili seluruh populasi untuk diteliti.
3.2.2 Ciri Sampel

Berikut adalah dua karakteristik yang setidaknya harus dimiliki
sampel , yaitu;
a. Akurasi
Akurasi adalah ketika tidaka ada bias dari sampel. Jika sapel
diambil dengan beberapa anggota sampel, itu akan mengurangi
sikap, ukuran perilaku, pengetahuan atau variabel ayng diukur,
kemudian dibandingkan dengan besarnya variabel yang di
dapatkan dari populasi. Sikap, ukuran perilaku atau
pengetahuan untuk jenis sampel lainnya juga lebih besar dari
total nilai populasi. Jenis nilai atau variasi sampel ini saling
menghilangkan sehingga membentuk nilai sampel yang
mendekati total populasi (Arieska & Herdiani, 2018). Agar efek
perataan ini terjadi, sampel seharusnya mengandung jenis yang
cukup dan jenis tersebut harus digambar sedemikian rupa
sehingga nilainya tidak naik turun.
b. Presisi
Presisi diukur dengan menggunakan kesalahan standar
estimasi, yang merupakan jenis ukuran standar deviasi; jika
standar estimasi makin kecil, akan menjadikan sampel semakin
Pratiwi Ramlan 27
tepat. Kesalahan estimasi standar yang rendah, memiliki desain
sampel yang ideal. Tetapi tidak semua jenis rencana
pengambilan sampel menunjukkan akurasi perkiraan , dan
bahkan, jika menggunakan sampel dengan ukuran sama bisa
menimbulkan kesalahan yang tidak sama.
3.2.3 Cara Menentukan Sampel

Dalam mempersiapkan atau melakukan penentuan sampel
penelitian, ada tahapan atau rencana yang seharusnya menjadi
perhatian ketika mengambil sampel. Artinyam rencana atau tahaan
penentuan sampel yang menjadi pilihan dalam suatu kegiatan
penelitian harus, tentu saja, hasil dari desain penelitian dan cara atau
langkah penelitian yang ditetapkan serta merefleksikan masalah etika
dalam penelitian (Puteri, 2020).
Agar dapat merumuskan strategi dan tahapan penentuan
sampel mana yang akan digunakan dalam penelitian, dapat mengikuti
langkah berikut:
1. Memahami prinsip dasar dan istilah-istilah kunci
2. Pertimbangkan kepraktisan saat memilah metode
penentuan sampel dalam penelitian seperti akses menuju
sampel, waktu yang tersedia, dan lainnya.
3. Dalam memilih unit yang dijadikan sampel harus
menentukan teknik pengambilan sampelnya terlebih dulu.
Langkah pertama dalam pengambilan sampel adalah

memahami dasar-dasarnya dengan memahami istilah-istilah seperti
kasus atau objek atau unit sampel, ukuran sampel, populasi, kerangka
sampel, bias, random sampel, dan istilah lainnya (Umiyati, 2021) .
3.2.4 Teknik Pengambilan Sampel

Teknik sampling atau teknik pengambilan sampel adalah suatu
cara untuk memperoleh sampel yang representatif, dengan
memperhatikan karakteristik dan persebaran populasi, serta
menentukan jumlah sampel sesuai dengan ukuran sampel yang
diguanakan sebagai sumber data yang sebenarnya (Puteri, 2020).
Secara umum, terdapat dua jenis metode pengambilan sampel;
Pengambilan sampel acak, yang juga disebut pengambilan sampel
Pratiwi Ramlan 28
probabilistik, dan pengambilan sampel non-acak, yang juga disebut
pengambilan sampel non-propababilitas.
a. Probability Sampling, terdiri dari :
1. Sampel acak (Random sampling) merupakan metode atau
teknik pengambilan sampel yang menggunakan aturan
probabilistik untuk menentukan unsur sampel. Teknik ini
menawarkan kemungkinan yang sama dengan setiap
anggota populasi yang dijasikan sampel. Misalnya, jika
populasi memiliki 100 anggota populasi dan sampel
memiliki 50, maka masing-masing anggota memiliki peluang
50/100 untuk dipilih sebagai sampel.
2. Pengambilan Acak Sederhana (Simple Random Sampling)
Adalah metode pengambilan sampel kejadian menggunakan
tabel angka acak atau undian. Tabel bilangan acak adalah
tabel yang dihasilkan komputer yang terdiri dari kolom dan
baris yang berisi bagaimana pilihanbebas. Pengambilan
sampel sederhana dapat dilakukan dengan prinsip
pengambilan sampel dengan atau tanpa pengembalian.
Keuntungan penentuan sampel dengan menggunakan
teknik ini adalah bias yang ditimbulkan oleh pemilihan
anggota sampel dapat diatasi dan kesalahan standar dapat
dihitung. Kelemahannya adalah tidak adanya jaminan
bahwa tiap sampel yang diperoleh secara random
merupakan representasi yang baik dari populasi.
3. Systematic random sampling (Pengambilan acara secara
sistematis)
Ini adalah metode pemindaian yang dilakukan dengan cara
berurutan secara berkala. Misalnya, ketika mengambil 100
sampel secara acak dari 500 populasi, peluang terpilihnya
adalah 1/5. Digit 1 sampai 5 diambil dari interval pertama
dan digit berikutnya dipilih dari interval berikutnya.
Keuntungan penentuan sampel menggunakan teknik secara
sistematic random sampling adakan lebih praktis dan
ekonomis di bandingkan dengan pengambilan sampel acak
sederhana. Namun memiliki kelemahana yaitu tidak dapat
digunakan untuk studi heterogen karena tidak bisa
menangkap variasi populasi yang heterogen.
Pratiwi Ramlan 29
4. Stratified random sampling (Pengambilan acara dengan
tingkatan)
Ini adalah metode penentuan sampel dengan
mengklasifikasikan pada level tertentu, dengan setiap level
memiliki jumlah sampel yang sama. Keuntungan penentuan
sampe menggunakan metode ini adalah variabilitas populasi
dapat diwakili oleh sampel, sehingga populasi dapa
diperkirakan secara akurat. Kelemahannya, bagaimanapun,
dalam populasi penelitian harus ada data dan informasi
yang cukup tentang variasi populasi.
5. Area/cluster sampling (Pengambilan acak berdasarkan area)
Ini merupakan metode penentuan sampel untuk setiap area.
Setiap daerah mengumpulkan jumlah yang sama.
Keuntungan penentuan sampel menggunakan tek ini adalah
variabilitas populasi dapat diwakili oleh sampel, sehingga
populasi dapat diperkirakan lebih akurat. Kelemahannya
adalah perlu dipecah menjadi bebrapa wilayah tertentu
sehingga memakan waktu yang lama (Arieska & Herdiani,
2018).
b. Non Probablility Sampling

1. Accidental Sampling
Merupakan metode penentuan sampel yang secara tiba-tiba
terjadi tergantung dengan siapa peneliti bertemu. Misalnya,
ketika seorang reporter bola mewawancarai seseorang di
kursi penonton.
2. Purposive Sampling
Merupakan teknik penentuan sampel dengan tujuan
tertentu yang ingin di capai oleh peneliti. Misalnya sesorang
ingin mengetahui pelayanan administrasi di suatu
universitas, peneliti menyebarkan kuesioner kepada seluruh
mahasiswa sebagai penerima layanan di universitas
tersebut.
3. Snowball Sampling
Merupakan metode penentuan sampel yang sifatnya seperti
bola salju, dari jumlah sampel yang sedikit, menjadi besar
karena sampel terus bertambah.
Pratiwi Ramlan 30
4. Kuota Sampling
Merupakan teknik pengumpulan sampel yang memiliki
batas tertentu sampai terpenuhi jumlah atau kuota yang
ditetapkan oleh peneliti. Ketika jumlah sampel yang telah di
tetapkan sudah terpenuhi, maka berhenti untuk mencari
sampel lain. Contohnya, jumlah pendaftar haji hanya
200.000 jiwa dari 200 juta jiwa penduduk Indonesia.
5. Sampling Jenuh
Merupakan metode penentuan sampel dengan menjadikan
seluruh populasi menjadi sampel. Berbeda dengan sensus
yang mempunyai skala yang besar, sampel jenuh memiliki
skala yang lebih kecil. Misalnya sampling jenuh untuk guru
di SMAN 1 sebanyak 35 org, semua populasi guru di SMAN 1
dijadikan sampel karena jumlahnya sedikit.
6. Sampling Sistematis
Merupakan metode penentuan sampel dengan memberikan
nomor urut kepada semua anggota populasi, diberikan
secara berurutan/sistematis. Dari 1 sampai 100 orang
menghitung, dan yang menyebutkan angka ganjil adalah
terpilih menjadi sampel.
3.2.5 Kelebihan Sampel

Berikut beberapa keuntungan yang dapat diperoleh jika
menggunakan sampel dalam suatu penelitian (Puteri, 2020) :
a. Meminimalkan waktu dan biaya
b. Pengurangan penyebaran sumber daya.
c. Akurasi data.
d. Data intensif dan lengkap.
e. Mengaplikasikan karakter yang di dapatkan dari sampel ke
populasi yang lebih besar.
Pratiwi Ramlan 31
DAFTAR PUSTAKA
Ajami, N. 2014. Populasi dan Sampel. Implementation Science, 39(1), 1–

24. Retrieved from
http://dx.doi.org/10.1016/j.biochi.2015.03.025%0Ahttp://dx.d
oi.org/10.1038/nature10402%0Ahttp://dx.doi.org/10.1038/n
ature21059%0Ahttp://journal.stainkudus.ac.id/index.php/equ
ilibrium/article/view/1268/1127%0Ahttp://dx.doi.org/10.10
38/nrmicro2577%0Ahttp://
Alwi, I. 2015. Kriteria Empirik dalam Menentukan Ukuran Sampel Pada
Pengujian Hipotesis Statistika dan Analisis Butir. Formatif:
Jurnal Ilmiah Pendidikan MIPA, 2(2), 140–148.
https://doi.org/10.30998/formatif.v2i2.95
Amirullah. 2019. Populasi Dan Sampel. Wood Science and Technology,
16(4), 293–303.
Arieska, P. K., & Herdiani, N. 2018. Pemilihan Teknik Sampling
Berdasarkan Perhitungan Efisiensi Relatif. Jurnal Statistika, 6(2),
166–171.
Mulliadi, D., & Arifin, J. 2010. Pendugaan Keseimbangan Populasi dan
Heterozigositas Menggunakan Pola Protein Albumin Darah
pada Populasi Domba Ekor Tipis (Javanese Thin Tailed) di
Daerah Indramayu. Jurnal Ilmu Ternak, 10(2), 65–72.
Puteri, H. E. 2020. Menentukan Populasi dan Sampel Dalam Riset.
ReaseachGate, 12(April).
https://doi.org/10.13140/RG.2.2.28776.01285
Umiyati, H. 2021. POPULASI DAN TEKNIK SAMPEL (Fenomena
Pernikahan dibawah Umur Masyarakat 5.0 di Kota/Kabupaten
X). ResearchGate, (June), 0–25. Retrieved from
https://www.researchgate.net/profile/Hisam-Ahyani-
2/publication/352642302_POPULASI_DAN_TEKNIK_SAMPEL_F
enomena_Pernikahan_dibawah_Umur_Masyarakat_50_di_KotaK
abupaten_X/links/60d19d7492851ca3acbb406e/POPULASI-
DAN-TEKNIK-SAMPEL-Fenomena-Pernikahan-dibawah-Um
Zulkarnaen, D. 2014. Proyeksi populasi penduduk Kota Bandung
menggunakan model pertumbuhan populasi Verhulst dengan
memvariasikan interal pengambilan sampel. Istek, 8(1), 128–
141.
Pratiwi Ramlan 32
BAB 4
STATISTIK DESKRIPTIF
Oleh Mohammad Ardani Samad
4.1 Pendahuluan
Statistik deskriptif adalah metode yang digunakan untuk
mencari informasi dan menampilkannya dalam struktur yang dapat
dirasakan oleh semua orang. Ini termasuk jalannya pengukuran
pengungkapan suatu keganjilan. Pengukuran dasar, seperti titik tengah,
ditentukan dan ditampilkan sebagai tabel dan diagram. Pengukuran
grafis dapat memberikan informasi yang sangat besar pada peristiwa
keanehan yang tidak jelas dan mengidentifikasi koneksi yang ada di
dalamnya. Namun, mungkinkah wawasan ekspresif pada titik mana
pun memberikan hasil yang benar secara logis?. Pengukuran adalah
perangkat estimasi yang terhubung dengan keragaman kualitas
berbagai objek. (Hilgers, Heussen and Stanzel, 2019)
Item yang tidak jelas tidak membahas populasi item yang
memiliki sorotan terukur melalui pemeriksaan. Bagaimanapun,
varietas dapat merupakan hasil dari varietas yang berbeda (karena
diacak atau terkontrol). Dalam ilmu material, yang khawatir
tentang ekstraksi dan rencana kondisi numerik, tidak ada banyak
ruang untuk varians tidak teratur. Dalam pengukuran,
kebimbangan seperti itu dapat ditampilkan. Hubungan terukur
berikut adalah hubungan yang masuk akal dari tingkat perubahan
stokastik pasti. (Sudjana, 1989)
Statistika deskriptif bisa dikenal juga sebagai statistik deduktif,
artinya statistika yang tingkat kegunaannya mencakup cara-cara
mengumpulkan data, menyusun atau mengatur data, mengolah data,
menyajikan data dan menganalisis data angka. Dalam hal ini agar bisa
memberikan gambaran yang teratur, ringkas dan jelas, mengenai
keadaan, peristiwa atau gejala tertentu sehingga dapat ditarik
pengertian atau makna tertentu. (Johnson, 2010)
Dengan kata lain, bahwa statistika deskriptif ini hanya
menggambarkan atau mendeskripsikan karakteristik atau sifat-
sifat yang dimiliki oleh sekelompok atau serangkaian data (baik itu
Mohammad Ardani Samad 33

data sampel maupun data populasi), tanpa melakukan generalisai
(yaitu menarik suatu kesimpulan umum berdasarkan informasi
data sampel yang dikenakan kepada populasi induknya). Statistik
deskriptif menjadi bagian cabang yang terpenting dari ruang
lingkup statitsik, karena dapat digunakan secara terus menerus
dalam bidang ekonomi, bisnis ataupun yang lain. Statistik deskriptif
merupakan sekumpulan prosedur dasar atau sebagai metode
dalam beberapa hal berikut ini :
a. Mengumpulkan data
b. Mengorganisasikan data
c. Menyajikan data
d. Menganalisis data
e. Menginterpretasikan data
Lima dasar menjadi fokus sejauh memeriksa dan

menguraikan, namun tidak tertahan dalam kerangka berpikir itu
secara keseluruhan. Pengukuran yang memukau dipusatkan di
sekitar memeriksa bagaimana mengumpulkan informasi,
meningkatkan jumlah yang diperhatikan atau diperoleh, untuk
situasi ini menyimpulkan dan memperkenalkan. Wawasan juga
mengukur fiksasi dan penyampaian informasi, untuk mendapatkan
gambaran atau data yang sangat menarik dan langsung. Statistik
deskriptif ini memiliki beberapa kegunaan, khususnya dalam penelitian
bidang ilmu sosial, adalah sebagai berikut :
a. Sebuah statistik dapat digunakan untuk menyajikan dengan jelas
dan ringkas kumpulan data yang diperoleh dan memberikan
informasi inti dari database yang ada.
b. Statistik memungkinkan peneliti untuk menyajikan atau
menjelaskan data menggunakan metode grafis dan numerik.
c. Statistik juga memungkinkan peneliti untuk mengukur dua
karakteristik masing-masing responden dan meneliti hubungan
antara dua karakteristik (variabel).
d. Singkatnya, statistik deskriptif memainkan peran penting dalam
mempersiapkan analisis data. Analisis ini dilakukan sebelum
peneliti menerapkan statistik inferensi pada data penelitian.
Istilah lain dalam tahap persiapan ini adalah analisis data
eksploratif.

4.2 Pengorganisasian Data
4.2.1 Distribusi Frekuensi Tunggal
Data individu sering direpresentasikan dalam bentuk daftar
angka, tetapi juga dapat direpresentasikan dalam bentuk tabel
distribusi frekuensi. Tabel distribusi frekuensi tunggal adalah cara
untuk mengatur data yang relatif sedikit. (Kusmayadi, 2004)
Perhatikan contoh data berikut.
5, 4, 6, 7, 8, 8, 6, 4, 8, 6, 4, 6, 6, 7, 5, 5, 3, 4, 6, 6
8, 7, 8, 7, 5, 4, 9, 10, 5, 6, 7, 6, 4, 5, 7, 7, 4, 8, 7, 6
Dari data di atas tidak tampak adanya pola yang tertentu
maka agar mudah dianalisis, data tersebut disajikan dalam tabel
seperti di bawah ini.
Nilai Tally (Turus) Frekuensi
3 1
4 7
5 6
6 10
7 8
8 6
9 1
10 1
Daftar di atas sering disebut sebagai distribusi frekuensi dan
karena datanya tunggal maka disebut distribusi frekuensi tunggal.
4.2.2 Distribusi Frekuensi Kelompok

Tabel distribusi frekuensi diklasifikasikan sebagai yang
biasa digunakan untuk mengkompilasi data massal dengan
mengelompokkannya ke dalam interval kelas dengan panjang yang
sama. Perhatikan contoh data hasil nilai pengerjaan tugas
Matematika dari 40 siswa kelas XI berikut ini.
66 75 74 72 79 78 75 75 79 71
75 76 74 73 71 72 74 74 71 70
74 77 73 73 70 74 72 72 80 70
73 67 72 72 75 74 74 68 69 80
Apabila data di atas dibuat dengan menggunakan tabel

distribusi frekuensi tunggal, maka penyelesaiannya akan

membutuhkan waktu yang cukup lama (Irianto, 2006). Oleh karena
itu dibuat tabel distribusi frekuensi berkelompok dengan langkah-
langkah sebagai berikut.
a. Kelompokkan ke dalam interval kelas yang sama panjang,
misalnya: 65 hingga 67, 68 hingga 70,…, 80 hingga 82. Data 66
termasuk dalam grup 65 hingga 67.
b. Membuat turus (tally), untuk menentukan sebuah nilai
termasuk ke dalam kelas yang mana.
c. Menghitung banyaknya turus pada setiap kelas, kemudian
menuliskan banyaknya turus pada setiap kelas sebagai
frekuensi data kelas tersebut. Tulis dalam kolom frekuensi.
d. Ketiga langkah di atas direpresentasikan pada tabel berikut ini.
Hasil Tugas Titik Tengah Turus Frekuensi

65-67 66 2
68-70 69 5
71-73 72 13
74-76 75 14
77-79 78 4
80-82 81 2
Jumlah 40
Istilah-istilah yang banyak digunakan dalam pembahasan
distribusi frekuensi berkelompok antara lain sebagai berikut:
a. Interval Kelas
Tiap-tiap kelompok disebut interval kelas atau sering
disebut interval atau kelas saja. Dalam contoh sebelumnya
memuat enam interval ini.
65 – 67 →Interval kelas pertama
68 – 70 →Interval kelas kedua
71 – 73 →Interval kelas ketiga
74 – 76 →Interval kelas keempat
77 – 79 →Interval kelas kelima
80 – 82 →Interval kelas keenam
b. Batas Kelas
Berdasarkan tabel distribusi frekuensi di atas, angka 65,
68, 71, 74, 77, dan 80 merupakan batas bawah dari tiap-tiap

kelas, sedangkan angka 67, 70, 73, 76,79, 82 merupakan batas
atas dari tiap-tiap kelas.
c. Tepi Kelas (Batas Nyata Kelas)
untuk mencari tepi kelas dapat dipakai rumus berikut ini.
Tepi bawah = batas bawah – 0,5
Tepi atas = batas atas + 0,5
Dari tabel di atas maka tepi bawah kelas pertama 64,5
dan tepi atasnya 67,5, tepi bawah kelas kedua 67,5 dan tepi
atasnya 70,5 dan seterusnya.
d. Lebar kelas
Untuk mencari lebar kelas dapat dipakai rumus:
Lebar kelas = tepi atas – tepi bawah
Jadi, lebar kelas dari tabel diatas adalah 67,5 – 64,5 = 3.
e. Titik Tengah
Untuk mencari titik tengah dapat dipakai rumus:
Titik tengah = ½ (batas atas + batas bawah)
Dari tabel di atas: titik tengah kelas pertama = ½ (67 + 65) =
66, titik tengah kedua = ½ (70 + 68) = 69 dan seterusnya.
4.2.3 Distribusi Frekuensi Kumulatif

Daftar distribusi kumulatif ada dua macam, yaitu sebagai
berikut.
1. Daftar distribusi kumulatif kurang dari (menggunakan tepi
atas).
2. Daftar distribusi kumulatif lebih dari (menggunakan tepi
bawah).
untuk lebih jelasnya, perhatikan contoh data berikut ini.
Tepi Tepi
Data Frekuensi Bawah Atas
41-45 3 40,5 45,5
46-50 6 45,5 50,5
51-55 10 50,5 55,5
56-60 12 55,5 60,5
61-65 5 60,5 65,5
66-70 4 65,5 70,5
Data dari tabel di atas dapat dibuat daftar frekuensi kumulatif
kurang dari dan lebih dari seperti berikut.

Frekuensi Frekuensi
Data Kumulatif Data Kumulatif
Kurang Dari Lebih Dari
≤ 45,5 3 ≥ 40,5 40
≤ 50,5 9 ≥ 45,5 37
≤ 55,5 19 ≥ 50,5 31
≤ 60,5 31 ≥ 55,5 21
≤ 65,5 36 ≥ 60,5 9
≤ 70,5 40 ≥ 65,5 4
4.3 Penyajian Data Statistik

Salah satu hal yang penting dalam statistik adalah
menyajikan data, sehingga data tersebut mudah dipahami dengan
benar. Penyajian data menjadi penting bagi para pengambil
keputusan di bidang ekonomi, bisnis ataupun kesehatan, sebagai
acuan atau sebagai dasar untuk menarik kesimpulan tentang
peristiwa dan perkembangan tertentu. Representasi data dapat
ditampilkan dengan baik dalam bentuk tabel, grafik, diagram atau
bentuk lain sesuai kebutuhan. (Murwani, 2001)
Tabel adalah kumpulan angka-angka yang disusun
sedemikian rupa sehingga disesuaikan dengan klasifikasi tertentu,
sehingga angka-angka tersebut, dalam hal ini data, mudah diamati
dan dianalisis dengan baik. Sementara bagan atau grafik adalah
representasi visual dari data dalam bentuk numerik, ini biasanya
berasal dari tabel yang dibuat dari data yang ada.
a. Penyajian Data Bentuk Tabel
Data yang telah dikumpulkan, kemudian disajikan dengan baik
ke dalam bentuk table, dengan klasifikasi sebagai berikut :
1)Tabel dengan klasifikasi tunggal
Contoh tabelnya sebagai berikut :

Tabel 4.1: Daftar Berat Badan Karyawan CV Get Press
Pada Tahun 2022
Berat Badan (Kg) Frekuensi
60 12
61 5
62 6
63 9
64 8
65 5
Jumlah 45
2)Tabel dengan klasifikasi ganda
Tabel 4.2 : Daftar Karyawan CV Get Press Berdasarkan
Jenis Kelamin dan Pendidikan Tahun 2022
Jenis Pendidikan Jumlah
Kelamin Sarjana Magister Doktoral
(S-1) (S-2) (S-3)
Laki-laki 8 9 5 22
Perempuan 12 5 6 23
Jumlah 20 14 11 45
3)Tabel dengan Kontingensi
Tabel 4.3 : Persentase Air Minum Layak Rumah Tangga Di
Indonesia
Air Minum Layak Tahun
2020 2022
Perkotaan 44,05 42,07
Pedesaan 30,53 45,02
4)Tabel dengan Distribusi Frekuensi
Tabel 4.4 : Daftar Berat Badan Karyawan CV Get Press
Pada Tahun 2022
Berat Badan (Kg) Frekuensi
41 – 45 5
46 – 50 8
51 – 55 9
56 – 60 6
56 – 60 5
61 – 65 12
Jumlah 45

b. Penyajian Data Bentuk Grafik atau Diagram
Data yang telah dikumpulkan, selain disajikan dalam bentuk
tabel, bisa juga disajikan dalam bentuk grafik atau diagram.
Ada beberapa jenis diagram, antara lain:
1)Diagram Batang
Contoh diagramnya sebagai berikut:
2)Diagram Lingkaran

3)Diagram Garis
4.3 Ukuran Gejala Pusat

Ukuran gejala pusat adalah suatu ukuran yang menetapkan
suatu letak titik pada pemusatan, dimana ada kecenderungan dari
variable untuk mengarah ke titik tersebut. Artinya suatu bilangan
yang tunggal dimana dapat mewakili dari kelompok tersebut.
(Sudjana, 1989)
Untuk mendapatkan gambaran yang lebih jelas tentang
sesuatu dalam suatu kumpulan data sering digunakan tabel atau
histogram, dalam hal ini bisa dalam kerangka sampel atau populasi.
Ternyata grafik dan tabel saja tidak cukup untuk
merepresentasikan data, sehingga selalu dibutuhkan suatu ukuran
yang dapat mewakili sekelompok data. Ukuran pemusatan data
meliputi rata-rata (mean), nilai tengah (median) dan modus.
(Kusmayadi, 2004)
a. Mean
Mean merupakan sekelompok angka atau jumlah dari
keseluruhan angka dibagi dengan banyaknya angka tersebut.
Sebagai penjelasan dapat dikemukakan sebagai berikut:
misalnya seorang mahasiswa memiliki nilai UTS dari beberapa
mata kuliah dengan deretan nilai: 8, 9, 7, 4, 6, dan 5. untuk

memperoleh mean nilai hasil ulangan tersebut, keenam butir
nilai yang ada dijumlahkan kemudian dibagi dengan banyaknya
nilai tersebut; ( 8 + 9 + 7 + 6 + 4 + 5 ): 6 = 6,50
Secara matematis mean dapat dirumuskan menjadi
= Mean yang dicari

= Jumlah data.
n = banyak data
b. Median
Median adalah suatu nilai tengah dari banyak kumpulan
data. Artinya median sendiri bisa diartikan sebagai nilai yang
membagi porsinya sedemikian rupa menjadi dua bagian,
sehingga rangkaian tersebut, nilainya bisa yang lebih kecil, bisa
juga sama dengan nilai median, kemudian setengahnya
tersebut pasti mempunyai nilai yang sama dengan, bisa juga
nilainya lebih besar dibanding nilai median tersebut. (Arif Tiro,
1990)
Bisa disimpulkan bahwa nilai dari median adalah skor
nilai yang membagi suatu distribusi frekuensi menjadi dua
sama besar nilainya, sehingga 50 % obyek yang diteliti pasti
berada pada bawah nilai median, kemudian sisanya adalah
terletak di atas nilai median. Dalam hal ini median bisa juga
dinamakan dengan rata-rata karena ternyata yang menjadi
dasar yaitu letak variabel bukan nilai. Nilai dari median untuk
data tunggal itu tidak tersusun. Adapun langkah awal
menentukan median adalah menyusun data menjadi bentuk
tersusun menurut besarnya, baru kemudian ditentukan nilai
tengahnya (skor yang membagi distribusi menjadi dua sama
besar). Jika jumlah frekuensi ganjil, maka menentukan median
akan mudah yaitu skor yang terletak di tengah barisan skor
yang telah tersusun. Apabila jumlah frekuensi genap, maka
median merupakan rata- rata dari dua skor yang paling dekat
dengan median. (Johnson, 2010)
Contoh : distribusi frekuensi yang berjumlah ganjil
859174327

Jika dilakukan penyusunan maka data di atas menjadi
12345 7789
Skor yang membagi distribusi menjadi dua sama besar adalah 5,
sehingga 5 merupakan median distribusi di atas.
Contoh : distribusi frekuensi yang berjumlah genap
8345379982
Jika dilakukan penyusunan maka data di atas menjadi
2334578899
Nilai tengah distribusi tersebut terletak di tengah skor 5
dan 7, sehingga median = ( 5 + 7) : 2 = 6
c. Modus
Modus berasal dari kata mode, yang artinya merupakan
nilai variabel (atribut), yang mana mempunyai suatu frekuensi
tertinggi dari sekumpulan distribusi frekuensi. Modus juga bisa
digunakan tidak hanya pada data kuantitatif, tetapi juga data
kualitatif. Modus berarti dianggap sebagai nilai, yang mana
menunjukkan nilai terkonsentrasi dari sekumpulan data. (Hilgers,
Heussen and Stanzel, 2019)
Contoh :
X F
5 2
4 6
3 4
2 2
1 1
Berdasarkan data di atas, dapat kita amati bahwa skor 4

mempunyai frekuensi terbanyak yaitu 6, maka Modus dari
distribusi di atas terletak pada skor 4. Hal yang perlu diingat,
bahwa tidak seluruh distribusi mempunyai Modus, disebabkan
Modus distribusinya frekuensinya hanya satu. (Howell, 2011)

Contoh: sebuah distribusi berfrekuensi satu
X f
8 1
9 1
7 1
4 1
6 1
5 1
39 =Ex 6=N
Masing – masing nilai di atas hanya berfrekuensi satu, oleh

karena tidak ada yang mempunyai distribusi terbanyak maka
distribusi di atas tidak bermodus. Dalam sebuah distribusi
terkadang ditemukan modus lebih dari satu
Contohnya sebagaimana distribusi berikut:
X F
90 3
85 5
70 6
65 6
60 6
55 4
50 1
45 1
Frekuensi terbesar dalam distribusi nilai pada contoh di

atas adalah 6, sedangkan nilai yang berfrekuensi 6 adalah 70, 65,
dan 60. Oleh karena ada tiga nilai yang berfrekuensi terbanyak,
maka distribusi tersebut mempunyai tiga modus. Modus bisa

diterapkan pada seluruh sekala pengukuran, dan merupakan
perhitungan yang mudah sepanjang sudah diketahui distribusi
frekuensinya.

DAFTAR PUSTAKA
Arif Tiro, M. 1990. Dasar-dasar Statistika. Makassar: Andira Publisher.

Hilgers, R.-D., Heussen, N. and Stanzel, S. 2019. Statistik, deskriptive.
doi:10.1007/978-3-662-48986-4_2900.
Howell, D.C. 2011. Fundamental Statistics for the Behavioral Sciences.
Seventh. Belmont, CA: Wadsworth.
Irianto, A. 2006. Statistik: Konsep Dasar dan Aplikasinya. 3rd edn.
Jakarta: Kencana Prenada Media.
Johnson, R.A. 2010. Statistics: Principles and Methods. Sixth. Hoboken:
John Wiley & Sons.
Kusmayadi. 2004. Statistika Pariwisata Deskriptif. Jakarta: PT Gramedia
Pustaka Utama.
Murwani, S. 2001. Statistika Terapan (Teknik Analisis Data). Malang:
Universitas Negeri Malang.
Sudjana. 1989. Metoda Statistika. Bandung : Tarsito.

BAB 5
UJI BEDA BERPASANGAN
Oleh Rizma Adlia Syakurah
5.1 Pendahuluan
Dalam suatu penelitian, peneliti sering kali ingin mengetahui
apakah pada dua populasi berbeda atau populasi yang sama terdapat
perbedaan yang signifikan dari variabel yang diuji. Apabila sampel
berasal dari populasi yang sama dan saling bergubungan, maka akan
sulit menentukan analisis statistik apa yang digunakan. Misalnya,
peneliti ingin mengetahui apakah terdapat perbedaan berat badan bayi
yang dikandung berdasarkan riwayat hipertensi ibu hamil atau apakah
terdapat perbedaan kepatuhan protokol kesehatan pada masyarakat
dengan latar belakang kesehatan dan non-kesehatan. Untuk menarik
kesimpulan terkait populasi (masyarakat dengan latar belakang
kesehatan dan non-kesehatan), maka diperlukan uji hipotesis dengan
membandingan nilai rata-rata kedua kelompok. Pendekatan yang
dilakukan yaitu melalui uji beda mean atau uji-t.
Uji beda atau uji-t termasuk dalam uji statistik
parametrik untuk menguji kebenaran atau kepalsuan hipotesis nol.
Hasil uji-t berupa kesimpulan yang menyatakan bahwa tidak ada
perbedaan yang signifikan diantara dua rata-rata (mean) sampel
yang diambil secara acak dari populasi yang sama (Mendrofa,
2016). Pengujian hipotesis dengan uji t dapat dilakukan pada 1
sampel dan 2 sampel. Uji-t dengan 2 sampel dapat dibagi menjadi
uji beda rata-rata 2 sampel bebas (independent) dan uji beda rata-
rata 2 sampel berpasangan (dependent) yang akan dibahas lebih
lanjut oleh penulis dalam bab ini.
5.2 Tujuan Uji Beda Berpasangan

Seperti dijelaskan sebelumnya, uji-t bertujuan mengeneralisasi
dua rata-rata yang berasal dari satu sampel/kelompok penelitian. Uji-t
diperlukan dalam pengujian hipotesis ketika nilai ragam (variance)
pada suatu populasi tidak diketahui (Mendrofa, 2016).
Rizma Adlia Syakurah 47

Pada uji-t dependen, pengujian hipotesis dilakukan untuk
melihat apakah terdapat perbedaan yang signifikan antara variabel
yang dianalisis pada dua sampel yang sama atau berpasangan. Uji-t
berfungsi membandingkan nilai mean atau rata-rata kedua grup pada
subjek yang sama atau berpasangan dan mengalami dua perlakuan
berbeda. Pengukuran nilai rata-rata (mean) dilakukan pada subjek
yang sama pada saat sebelum dan sesudah perlakuan. Artinya, peneliti
menguji sampel yang sama sebanyak dua kali (Tyastirin and Hidayati,
2017).
Agar penarikan kesimpulan pada uji-t depeden sahih, beberapa
syarat pengujian harus dipenuhi, yaitu (Santoso, 2019):
- data berdistirbusi normal;
- terdiri dari satu subjek pengamatan atau sampel (ada 2 nilai
pengamatan sebelum dan sesudah);
- subjek pada kelompok pertama juga berada pada kelompok
kedua;
- Sampel data acak dari populasi;
- jenis data adalah numerik dan kategorik (data kategorik
terdiri dari 2 kelompok);
- skala data adalah interval dan rasio;
- varians pada kedua kelompok adalah sama.
5.3 Hipotesis Uji Beda Berpasangan

Hipotesis uji beda berpasangan dapat dinyatakan sebagai
berikut (Kent State University Libraries, 2020).
Ho: µ1 = µ2 ("rerata populasi berpasangan adalah sama")
Ha: µ1 ≠ µ2 ("rerata populasi berpasangan adalah tidak sama")
Atau :
Ho: µ1 - µ2 = 0 ("perbedaan rerata pada populasi berpasangan sama
dengan 0“)
Ha: µ1 - µ2 ≠ 0 ("perbedaan rerata pada populasi berpasangan tidak
sama dengan 0“)
Dimana µ1 adalah rerata populasi variabel 1, dan µ2 adalah rerata
populasi variabel 2 .

5.4 Ruang Lingkup Uji Beda Berpasangan
Uji-t dependen berperan ketika peneiliti ingin membandingkan
dua cara berbeda pada subjek yang sama, seperti pengukuran
dilakukan dua waktu yang berbeda, kondisi yang berbeda, dan
pengukuran dilakukan dari dua bagian subjek (Soeprajogo and
Ratnaningsih, 2020). Misalnya, skor pre-test dan post-test dengan
intervensi yang diberikan antara dua titik waktu, menyelesaikan tes di
bawah kondisi "kontrol" dan kondisi "eksperimental", atau mengukur
gangguan pendengaran di telinga kiri dan kanan subjek (Kent State
University Libraries, 2020). Di bidang kesehatan, uji-t dependen sering
kali digunakan pada penelitian eksperimen atau kuasi eksperimen
karena terdapat intervensi atau perlakuan didalamnya (Hastono,
2006). Tahap uji-t dependen dapat dilihat pada gambar 6.1 berikut.
Menentukan Hiptesis (Ho dan Ha)
Menentukan tingkat signifikansi
Menghitung nilai t dan df
Membandingkan nilai t hitung dan nilai t tabel
Pengambilan keputusan hipotesis
Gambar 5.1 : Tahap uji-t dependen
5.5 Uji Beda Berpasangan secara Statistik

Seperti yang sudah dijelaskan sebelumnya, bahwa uji-t
digunakan apabila terdapat dua kelompok data yang saling
ketergantungan. Implementasi uji-t dengan menggunakan rumus

dilakukan dengan membandingkan nilai t-hitung dengan t-tabel.
Apabila nilai t-hitung lebih besar dari nilai t-tabel (t-hitung > t-tabel)
maka Ho ditolak.
Perhitungan uji-t menggunakan rumus sebagai berikut (Adiputra et al.,
2021):
Dengan df = n – 1
d (debar) = rata-rata selisih/deviasi pengukuran pertama
dan kedua
S = standar deviasi dari nilai d
n = jumlah sampel
Misal: pengujian efektivitas sebuah platfom mobile instant

messenger sebagai media intervensi preferensi karir mahasiswa
kedokteran. Peneliti ingin mengetahui data sebelum dan sesudah
intervensi disajikan sebagai berikut (asumsi data berdistribusi normal):
Sebelum intervensi : 9, 18, 61, 52, 46, 26, 77, 33, 80, 44
Setelah intervensi : 69, 76, 89, 92, 93, 81, 94, 67, 98, 71
Langkah-langkah penyelesaian:
1. Membuat hipotesis penelitian (Ha dan Ho) dalam kalimat:
Ho: Tidak terdapat perbedaan efektivitas mobile instant
messenger terhadap peningkatan pengetahuan
mahasiswa kedokteran terkait preferensi karir sebelum
dan sesudah intervensi
Ha:Terdapat perbedaan efektivitas mobile instant messenger
terhadap peningkatan pengetahuan mahasiswa
kedokteran terkait preferensi karir sebelum dan
sesudah intervensi
2. Membuat Ha dan Ho model statistik:
Ho : µ1= µ2 (rata-rata populasi berpasangan adalah sama)
Ha : µ1 ≠ µ2 (rata-rata populasi berpasangan tidak sama)
3. Menghitung selisih/deviasi antara nilai sebelum dan
sesudah intervensi, kemudian menghitung rata-rata
deviasinya.
Selisih : 60, 58, 28, 40, 47, 55, 17, 34, 18, 27 = 384
d = 384/10 = 38,4 ≈ 38

4. Menghitung data nilai standar deviasi dari selisih nilai data:
5. Menghitung dengan rumus uji-t
6. Menentukan hasil perhitungan

Mencari nilai p value pada df = 9 dengan tingkat kemaknaan
(α=0,05) pada t-tabel, yaitu 2,262. Hasil t-tabel pada kasus
diatas adalah 2,262 sementara nilai t-hitung yaitu 7,07.
Sehingga diperoleh nilai t-hitung > t-tabel, maka Ho ditolak
artinya terdapat perbedaan yang signifikan.
7. Pengambilan keputusan
Berdasarkan hasil uji statistik, diketahui nilai t-hitung > t-
tabel dengan alpha 5%, sehingga Ho ditolak. Artinya
terdapat perbedaan efektivitas yang signifikan penggunaan
mobile instant messenger terhadap peningkatan
pengetahuan mahasiswa kedokteran terkait preferensi karir
sebelum dan sesudah intervensi.
5.6 Alternatif Uji-t Dependen / Uji Wilcoxon

Apabila data tidak berdistribusi normal, maka alternatif uji yang
digunakan adalah uji non parametrik atau uji Wilcoxon. Rumus yang
digunakan yaitu (Adiputra et al., 2021):
Keterangan :
T : jumlah jenjang / rangking yang terkecil

Keputusan hasil uji Wilcoxon, yaitu:
Ho diterima apabila nilai T terkecil > nilai T tabel Wilcoxon
Ho ditolak apabila nilai T terkecil ≤ nilai T tabel Wilcoxon
Contoh kasus :
Peneliti ingin mengetahui apakah terdapat pengaruh
pengukuran tekanan darah rutin terhadap kepatuhan minum obat X
pada pasien hipertensi (alpha 5%). Hasil pengukuran kepatuhan
sebelum dan sesudah intervensi sebagai berikut.
Sebelum : 61, 52, 40, 77, 77, 60, 80, 90
Sesudah : 91, 75, 69, 54, 48, 80, 70, 80
Buktikanlah apakah terdapat perbedaan kepatuhan minum
obat X pada pasien hipertensi setelah dilakukan pengukuran tekanan
darah rutin (asumsi data tidak berdistribusi normal).
Langkah penyelesaian:
1. Menentukan hipotesis
Ho : Tidak terdapat perbedaan antara pengukuran tekanan
darah rutin terhadap kepatuhan minum obat X pada
pasien hipertensi sebelum dan sesudah intervensi
Ha : Terdapat perbedaan antara pengukuran tekanan darah
rutin terhadap kepatuhan minum obat X pada pasien
hipertensi sebelum dan sesudah intervensi
2. Membuat Ha dan Ho model statistik:
Ho : µ1= µ2 (rata-rata populasi berpasangan adalah sama)
Ha : µ1 ≠ µ2 (rata-rata populasi berpasangan tidak sama)
3. Membuat tabel penyajian data

Tabel 5.1 : tabel penyajian data
No. Sebelum Sesudah Selisih Rangking + -
(d)
1. 61 91 30 1,5 1,5
2. 52 75 23 1,5 1,5
3. 40 69 29 3 3
4. 77 54 -23 4,5 4,5
5. 77 48 -29 4,5 4,5
6. 60 80 20 6,5 6,5
7. 80 70 -10 6,5 6,5
8. 90 80 -10 8 8
Jumlah T= T=
12, 23,
5 5
4. Menentukan nilai rangking:
- Nilai selisih (d) dibuat menjadi nilai |d| (absolut)
terlebih dulu, sehingga nilai selisih tidak ada yang
negatif
- Kemudian mengurutkan nilai |d| dari urutan nilai
terkecil hingga nilai terbesar
- Perhatikan nilai |d| yang hanya memiliki satu angka
(contoh: nilai 20 hanya ada 1 pada kolom |d| sesuai
urutan), sehingga dapat langsung diberi rank sesuai
no.urut tabel yaitu no.3
- Apabila nilai |d| memiliki selisih yang sama (positif dan
negatif tidak diperhatikan), maka perangkingan dilihat
dengan menjumlahkan angka pada nomor urut dibagi
banyaknya nilai yang sama. Contoh: nilai 10 ada dua,
maka rata-rata nomor urut adalah
Tabel 5.2 : Tabel Perhitungan Rangking
No. Selisih (d) |d| |d| sesuai urutan Rangking
terkecil
1. 30 30 10 1,5
2. 23 23 10 1,5
3. 29 29 20 3
4. -23 23 23 4,5
5. -29 29 23 4,5
6. 20 20 29 6,5
7. -10 10 29 6,5
8. -10 10 30 8

5. Keputusan uji
Berdasarkan tabel Wilcoxon dengan n=8 dan α=0,05, maka
w hitung (T terkecil) = 12,5 sedangkan w tabel (T tabel)
untuk n=8 adalah 4, sehingga dapat disimpulkan Ho
diterima (T terkecil > T tabel). Hasil ini menunjukan bahwa
tidak terdapat perbedaan antara pengukuran tekanan darah
rutin terhadap kepatuhan minum obat X pada pasien
hipertensi sebelum dan sesudah intervensi.
Sementara rumus Z digunakan dalam pengujian apabila jumlah

sampel lebih besar dari 25, distribusinya mendekati normal, dan nilai Z
yang digunakan adalah nilai absolut.
Keputusan uji yaitu:
Apabila Z hitung < Z tabel, maka Ho diterima
Apabila Z hitung ≥ Z tabel, maka Ho ditolak
Dengan T terkecil adalah 12,5
Untuk nilai Z tabel diperoleh dari Zα/2 = Z0,05/2 = Z0,025 = 1,96 yang
merupakan perpotongan α baris 0,02 dengan α kolom 0,005 pada tabel
Z (Mau Belajar, 2020). Nilai Zα tidak mengalami perubahan atau tetap
berapun jumlah sampelnya (Hasnawati, Sambara and Asni, 2014).
Sehingga Z hitung < Z tabel, maka Ho diterima artinya tidak
terdapat perbedaan yang signifikan antara pengukuran tekanan darah
rutin terhadap kepatuhan minum obat X pada pasien hipertensi

5.7 Uji Beda Berpasangan dengan SPSS
Contoh kasus:
Suatu penelitian dilakukan terhadap 22 mahasisswa kesehatan
masyarakat untuk mengetahui efektivitas metode pengajaran FGD
terhadap peningkatan pengetahuan mahasiswa. Hasil yang diperoleh
setelah melakukan pre-tes dan post-tes adalah sebagai berikut.
Tabel 5.3 : Data Efektivitas metode pengajaran FGD terhadap
Pengetahuan Mahasiswa
Responden Pre Test Post Test
A 40 100
B 65 90
C 80 95
D 80 80
E 30 100
F 65 75
G 55 95
H 45 65
I 55 80
J 45 95
K 60 100
L 70 100
M 70 95
N 80 95
O 80 95
P 75 100
Q 85 100
R 85 100
S 85 100
T 70 85
U 90 95
V 75 95
Berdasarkan bagan sebelumnya, maka langkah-langkah uji-t

yaitu sebagai berikut:
1. Menentukan hipotesis yang digunakan:
Ho : Tidak ada perbedaan efektivitas metode pengajaran
FGD terhadap peningkatan pengetahuan mahasiswa
kesehatan masyarakat sebelum dan sesudah pengajaran.

Ha : Ada perbedaan efektivitas metode pengajaran FGD
terhadap peningkatan pengetahuan mahasiswa kesehatan
masyarakat sebelum dan sesudah pengajaran.
2. Menentukan tingkat signifikansi, yaitu 95%
3. Memastikan data berdistribusi normal melalui uji
normalitas data
4. Menghitung nilai t dan df. Untuk mengetahui distiribusi
perbedaan rata-rata dari pengukuran pertama dan kedua,
serta mengetahui derajat kebebasannya, maka data
dianalasis secara deskriptif sebagai berikut:
- Aktifkan atau buka “Data Uji-t FGD.sav” pada SPSS
- Pilih menu Analyze kemudian klik submenu
Descriptive Statistics kemudian klik Descriptive
Gambar 5.2 : Tampilan Awal Menu analisis deskriptif “Data

Uji-t FGD.sav”
- Pilih variabel FGD Pre_test dan FGD post_test kemudian

klik tanda panah untuk memasukan ke kotak sebelah
kanan.

Gambar 5.3 :Memasukkan Varibel untuk Analisis Deskriptif
- Pada pilihan option, klik mean, std. deviasion,

minimum, dan maximum untuk mengetahui nilainya,
kemudian klik continue.
- Klik OK, hasilnya ditampilkan sebagai berikut.

Tabel 5.4 : Hasil Uji Deskriptif “Data Uji-t FGD.sav”
Descriptive Statistics
Std.
N Min Max Mean Deviation
FGD_PreTest 22 30.00 90.00 67.5000 16.52919
FGD_PostTest 22 65.00 100.0 92.5000 9.60531
0
Valid N 22
(listwise)
Interpretasi:
Berdasarkan analisis didapatkan bahwa rata-rata
tingkat pengetahuan responden mahasiswa sebelum
menggunakan metode pembelajaran FGD adalah 67,50
(95% CI: 60,17-74,83) dengan standar deviasi 16,529.
Skor terendah adalah 30 dan skor tertinggi adalah 90.
Dari hasil analisis dapat disimpulkan bahwa 95% rata-
rata tingkat pengetahuan responden mahasiswa
sebelum menggunakan metode pembelajaran FGD
adalah 60,17 sampai 74,83. Sementara rata-rata tingkat
pengetahuan responden mahasiswa setelah
menggunakan metode pembelajaran FGD adalah 92,50
(95% CI: 88,24-96,76) dengan standar deviasi 9,605.
Skor terendah adalah 65 dan skor tertinggi adalah 100.
Dari hasil analisis dapat disimpulkan bahwa 95% rata-
rata tingkat pengetahuan responden mahasiswa
sebelum menggunakan metode pembelajaran FGD
adalah 88,24 sampai 96,76.
5. Membandingkan nilai t hitung dan nilai t tabel (Uji t).

Langkah-langkahnya adalah sebagai berikut.
- Pilih sub menu Compare Means, lalu pilih Paired-
Samples T Tes

Gambar 5.4 : Tampilan Awal Menu Analisis Uji-t
6. Klik masing-masing variabel FGD Pre_test dan FGD post_test

menggunakan tanda panah sehingga kedua variabel masuk
ke kotak sebelah kanan
Gambar 5.5 : Memasukan Variabel FGD pre_test dan FGD

post_test ke dalam Kotak Sebelah Kanan
7. Kemudian klik OK, hasil uji akan ditampilkan sebagai
berikut.

Tabel 5.5 : Hasil Uji-T
Paired Samples Statistics
Std.
Mean N Deviation Std. Error Mean
Pair 1 FGD_PreTest 67.5000 22 16.52919 3.52404
FGD_PostTe 92.5000 22 9.60531 2.04786
st
Paired Samples Correlations

N Correlation Sig.
Pair 1 FGD_PreTest & 22 .199 .375
FGD_PostTest
8. Pengambilan keputusan hipotesis

Hasil yang didapat kemudian disusun dalam bentuk tabel
laporan penelitian, sebagai berikut:
Tabel…. Laporan Hasil Uji T Dependen efektivitas metode

pengajaran FGD terhadap peningkatan pengetahuan mahasiswa
sebelum dan sesudah pengajaran
CI 95%
Variabel Kategori N Mean Perbedaan Korel P
Mean asi Lower Upper
Tingkat Sebelum 22 67,50
0,000
Pengetahuan -25 0,20 -32,7 -17,3
Mahasiswa Sesudah 22 92,50
Interpretasi:
Pada variabel tingkat pengetahuan mahasiswa, skor rata-rata
sebelum intervensi rata-rata 67,50 sedangkan setelah intervensi
skor rata-rata 92,50. Nilai mean perbedaan antara pengukuran
pertama dan kedua adalah 0,25 dengan standar deviasi 17,39. Hasil
uji statistik didapatkan p-value 0.000 < α (0.05), artinya ada
perbedaan yang signifikan mengenai pengetahuan mahasiswa

sebelum dan sesudah pengajaran melalui metode FGD atau ada
perbedaan rata-rata skor tingkat pengetahuan mahasiswa sebelum
intervensi dan setelah diintervensi. Secara statistik diperoleh hasil
bahwa ada korelasi yang sedang dan berpola positif antara sikap
5.8 Alternatif Uji Beda Berpasangan dengan SPSS

Apabila dalam uji statistik menunjukan data tidak berdistribusi
normal, maka alternatif yang digunakan adalah uji statistik non
parametrik yaitu uji Wilcoxon. Skala data yang digunakan adalah
ordinal (Tyastirin and Hidayati, 2017).
Contoh:
Suatu penelitian ingin mengetahui apakah terdapat perbedaan
pengetahuan pada masyarakat umum di era pandemi Covid-19
sebelum dan setelah dilakukan seminar online. Hasil pengukurannya
adalah sebagai berikut.
Sebelum : 60, 59, 59, 58, 60, 62, 65, 59, 70, 65, 59, 64, 60, 61, 66
Sesudah : 74, 73, 74, 75, 76, 71, 72, 73, 76, 77, 77, 79, 79, 74, 82
Langkah penyelesaian:
1. Buka data ”Pengetahuan Covid19.sav“ pada SPSS
2. Lakukan uji normalitas data.

3. Lakukan analisis deskriptive untuk mengetahui distiribusi
perbedaan rata-rata dari pengukuran pertama dan kedua,

serta mengetahui derajat kebebasannya. Hasil analisis
deskriptif ditampilkan sebagai berikut.
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
pre_test 15 58.00 70.00 61.8000 3.44757
post_test 15 71.00 82.00 75.4667 2.97289
Valid N 15
(listwise)
4. Melakukan uji Wilcoxon dengan mengklik menu Analyze,

kemudian sub menu Nonparametric Tests, pilih Legacy
Dialogs lalu klik 2 Realted Samples..
5. Pada kotak dialog Two-Related Sample Tests, klik tanda

panah untuk memasukan variabel pre_test dan post_test ke
kotak Test Pairs secara bersamaan. Pilih Wilcoxon
kemudian klik OK

6. Output hasil uji Wilcoxon akan ditampilkan sebagai berikut.
Tabel 5.6 : Hasil Uji Wilcoxon
Ranks
Mean Sum of
N Rank Ranks
post_test - Negative 0a .00 .00
pre_test Ranks
Positive 15b 8.00 120.00
Ranks
Ties 0c
Total 15
a. post_test < pre_test
b. post_test > pre_test
c. post_test = pre_test
Interpretasi :
a. Nilai negatif ranks (selisih negatif) antara hasil uji coba
produk untuk pre test dan post test adalah 0, baik nilai N,
Mean Rank, dan Sum rank. Sehingga menunjukan tidak ada
penurunan (pengurangan) dari nilai pre test ke nilai post
test
b. Sebanyak 15 responden mengalami peningkatan hasil uji
coba produk dari nilai pre-test ke nilai post-test. Rata-rata
peningkatan sebersar 8.00 dan jumlah rangking positif
adalah 120.00

c. Tidak ada nilai yg sama antara pre-test dan post-tes
Test Statisticsa
post_test -
pre_test
Z -3.412b
Asymp. Sig. (2-tailed) .001
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.
Dari hasil uji statistik, diketahui terdapat perbedaan
bermakna antara nilai pre test dan post test dengan Z-score
-3.412 dan p-value (Asymp. Sig 2 tailed) adalah 0.001.
7. Tabel penyajian dan interpretasi hasil
Tabel … Pengetahuan Masyarakat Umum di Era
Pandemi Covid-19 Sebelum dan Setelah Dilakukan
Seminar Online
Pengetahuan N Rerata ± SD p-value
Sebelum 15 61,80 ± 3,45
0, 001
Sesudah 15 75,46 ± 2,97
Hasil uji statistik didapatkan p-value 0.001 < α (0.05),

artinya ada perbedaan yang signifikan terkait pengetahuan
masyarakat di era pandemi Covid-19 sebelum dan setelah
dilakukan seminar online atau ada perbedaan rata-rata skor
tingkat pengetahuan masyarakat sebelum dan sesudah
diintervensi. Artinya seminar online mempunyai efek dalam
mempengaruhi tingkat pengetahuan pengetahuan
masyarakat awam di era pandemik Covid-19.

DAFTAR PUSTAKA
Adiputra, I. M. S. et al. 2021. ‘Uji Beda Berpasangan (Kategorik dan

Numerik)’, in Karim, A. (ed.) Statistik Kesehatan: Teori dan
Aplikasi. Pertama. Yayasan Kita Menulis, pp. 67–78. Available at:
https://www.google.co.id/books/edition/Statistik_Kesehatan_T
eori_dan_Aplikasi/XhgtEAAAQBAJ?hl=id&gbpv=1&dq=uji+beda
+berpasangan&pg=PR9&printsec=frontcover.
Hasnawati, Sambara, S. and Asni, S. M. 2014. Uji perbedaan (uji z).
Available at: https://www.slideshare.net/AndiMuhIshak/uji-
perbedaan-uji-z.
Hastono, S. P. 2006. Analisis Data. Fakultas Kesehatan Masyarakat
Universitas Indonesia. Available at:
https://www.academia.edu/13131341/SUTANTO_PRIYO_HAS
TONO_Analisis_Data_SUTANTO_PRIYO_HASTONO.
Kent State University Libraries. 2020. SPSS TUTORIALS: PAIRED
SAMPLES T TEST, Kent State University. Available at:
https://libguides.library.kent.edu/SPSS/PairedSamplestTest
(Accessed: 14 June 2022).
Mau Belajar. 2020. Pengertian Tabel Z, Dan Cara Menggunakannya Yang
Mudah Dipahami, Mau Belajar. Available at:
https://akumaubelajar.com/ilmu-pendidikan/tabel-z/
(Accessed: 15 July 2022).
Mendrofa, S. J. 2016. ‘MAKALAH STATISTIKA DASAR UJI-T’.
Purwokerto.
Santoso, S. 2019. ‘Uji Beda: Uji t’, in Mahir Statistik Parametrik. Pertama.
Jakarta: PT Elex Media komputindo, pp. 79–80. Available at:
https://www.google.co.id/books/edition/Mahir_Statistik_Para
metrik/CTOyDwAAQBAJ?hl=id&gbpv=1&dq=uji+beda+berpasa
ngan&printsec=frontcover%0A%0A.
Soeprajogo, M. P. and Ratnaningsih, N. 2020. ‘PERBANDINGAN DUA
RATA-RATA UJI-T’. Bandung: Unit Oftalmologi Komunitas Pusat
Mata Nasional Rumah Sakit Mata Cicendo Universitas
Padjadjaran Bandung. Available at:
https://perpustakaanrsmcicendo.com/wp-
content/uploads/2020/07/Perbandingan-Dua-Rata-rata-Uji-
T.Magdalena-Purnama-Soeprajogo.pdf.

Tyastirin, E. and Hidayati, I. 2017. Statistik Parametrik Untuk Penelitian
Kesehatan. Pertama. Edited by E. T. Pribadi. Surabaya: Program
Studi Arsitektur UIN Sunan Ampel.

BAB 6
UJI ANOVA
Oleh Nurmulia Wunaini Ngkolu
6.1 Pengantar
Analysis of variance (ANOVA) atau Analisis Variansi (ANAVA)
adalah teknik statistik yang dikembangkan dan diperkenalkan
pertama kali oleh Sir. R. A. Fisher. ANOVA dapat digunakan sebagai
perluasan dari uji-t independen yang penggunaannya tidak terbatas
kepada pengujian perbedaan dua buah rata-rata populasi, namun dapat
juga untuk menguji perbedaan tiga atau lebih populasi sekaligus.
Sebagai gambaran misalkankita ingin mengetahui apakah ada
perbedaan nilai mahasiswa fakultas kesehatan masyarakat, fakultas
ekonomi dan fakultas Matematika. Untuk dapat melaksanakan maksud
ini, kita memiliki tiga perangkat skor nilai statistik ketiga kelompok
mahasiswa, yaitu nilai mahasiswa fakultas kesehatan masyarakat,
fakultas ekonomi dan fakultas Matematika reratanya berturut-turut
tujuan kita yaitu ingin menguji perbedaan rata-rata pada tahap
probabilitas (keberartian) tertentu. Apakah seperti yang sudah
diketahui bahwa Uji-t independen tidak dapat digunakan untuk
menguji perbedaan dari rata-rata ketiga perangkat itu secara
sekaligus tetapi hanya dapat diatasi dengan cara melakukan sejumlah
pengujian perbedaan rata-rata secara berulang-ulang.
ANAVA atau ANOVa adalah sinonim dari analisis varians
terjemahan dari analysis of variance, diketahui banyak orang
menyebutnya dengan anova. Anova adalah bagian dari metoda analisis
statistika yang tergolong analisis komparatif lebih dari dua rata-rata
(Setiawan, 2019).
Uji Anova mempunyai asums seperti dibawah (Donald dalam
(Anna Maria Sirait, 2001))
1. Indvidu- indivdu dalam sampel harus diambil secara acak
secara terpisah satu sama lain dari masng-masng populasnya
(sampel bersifat independent).
2. Distrbusi gejala yang dselidiki dalam masing-masing populasi
itu adalah normal. Jika belum diketahui apakah sampel telah
Nurmulia Wunaini Ngkolu 67

mengikuti distrbusi normal atau tidak, dapat dlakukan
pengetesan normalitas (test of normality)
3. Varians darimasing-masing populasi tidak menunjukkan
perbedaan yang signfikan satu sama lain. Apabila belum
diketahui harus dihitung terlebih dahulu dengan mengadakan
pengetesan terhadap varians-varians (tes of variance)
6.2 Klasifikasi Anova

Anova dapat digolongkan kedalam beberapa kriteria,(Fakultas
Teknologi Industri, 2021) yaitu :
1. Klasifikasi 1 arah (One Way ANOVA) Anova klasifikasi 1 arah
merupakan ANOVA yang didasarkan pada pengamatan 1
kriteria atau satu faktor yang menimbulkan variasi.
2. Klasifikasi 2 arah (Two Way ANOVA) ANOVA kiasifikasi 2 arah
merupakan ANOVA yang didasarkan pada pengamatan 2
kritenia atau 2 faktor yang menimbulkan variasi.
6.3 Anova Satu Arah

Anova Satu Arah (One Way Anova) Anova satu arah digunakan
apabila data yang akan dianalisis terdiri dari satu variabel terikat dan
satu variabel bebas. Interaksi suatu kebersamaan antar faktor dalam
mempengaruhi variabel bebas, maka pengaruh faktor-faktor secara
mandiri telah dihilangkan. Jika terdapat interaksi berarti efek faktor
satu terhadap variabel terikatakan mempunyai garis yang tidak sejajar
dengan efek faktor lain terhadap variabel terikat sejajar (saling
berpotongan), maka antara faktor tidak mempunyai interaksi. Ada tiga
bagian pengukuran variabilitas pada data yang akan dianalisis dengan
anova, yaitu :
6.3.1 Prosedur Uji Hipotesis Anova Satu Arah :
1. Menentukan hipotesis yakni hipotesis Null dan Hipotesis
Alternatif (Ho dan Ha)
Ho: 1 = 2= k artinya
(Semua mean bernilai sama)
Ha: 1 2 k artinya
(Tidak Semua Nilai Mean bernilai sama)

Yaitu artinya, minimal satu rata-rata populasi berbeda (yang
lainnya sama) Ada efek atau pengaruh faktor terhadap variabel
respon Tidak berarti bahwa semua populasi berbeda
2. Menentukan tingkat Signifikansi (  )
3. Tentukan derajat kebebasan
(df) df JKa = k-1 df JKd = N-k
4. Analisis dan Menentukan F hitung dan F tabel
F Hit = RKa > Fk-1 atau (Sig P_Value)
5. Menentukan Nilai Varian
6. Menentukan F Hitung dan
7. Menentukan F Tabel
8. Keputusan berdasarkan daerah kritis
Ho ditolak jika sig < 
Ho ditolak jika F Hit > F table
Contoh soal
Penelitian ingin melihat apakah ada perbedaan peningkatan
pengetahuan pada metode penyuluhan dengan beberapa metode,
yakni metode ceramah, metode visual dan metode audio visual.
maka diperoleh nilai seperti pada tabel di bawah ini. :
No Ceramah (X1) Ceramah Ceramah dengan
denganAudio (X2) Audio visual (x3)
1 7 6 7
2 9 7 10
3 6 7 9
4 8 8 8
5 8 6 9
6 7 6 10
7 7 7 7
8 9 6 7
9 8 7 7
10 7 9 10
Penyelesaian
1. Menentukan hipotesis yakni hipotesis Null dan Hipotesis
Alternatif (Ho dan Ha)
Ho : Tidak ada perbedaan peningkatan pengetahuan antara
metode penyuluhan dengan menggunakan metode ceramah,

metode ceramah dengan visual dan ceramah dengan metode
audio visual
Ho: 1 = 2= 3
Ha : ada perbedaan peningkatan pengetahuan antara

metode penyuluhan dengan menggunakan metode ceramah,
metode ceramah dengan visual dan ceramah dengan metode
audio visual
Ha: 1 2 k
2. Menentukan tingkat Signifikansi (  )

Signifikasi = 0.05
3. Mencari derajat kebebasan
df JKa = k-1 df JKd = N-k
df JKa = 3-1 df JKd = 30- 1
df JKa = 2 df JKd = 29
DKD = DKT-DKA
DKD = 27-2
DKD = 25
4. Menentukan sumber varian antar kelompok dan dalam
kelompok.
No x1 x2 x3 (X1)2 (X2)2 (X3)2
1 7 6 7 49 36 49
2 9 7 10 81 49 100
3 6 7 9 36 49 81
4 8 8 8 64 64 64
5 8 6 9 64 36 81
6 7 6 10 49 36 100
7 7 7 7 49 49 49
8 9 6 7 81 36 49
9 8 7 7 64 49 49
10 7 9 10 49 81 100
Total 76 69 84 586 485 722
XT= x1+x2+x3 = 76+69+84 229
XT2 (X1)2+(x2)2+(x3)2 = 586+489+772 1793

JKT= XT2- = 1793- =1793-1748.03 = 44,97
JKA= + =+ -
JKA= + + -
JKA= + + -
JKA= 577,6+476,1+705,6- 1748.03
JKA= 11.74
JKD= JKT - JKA

JKD= 44,97 – 11.74
JKD= 44,97 – 11.74
JKD= 33,23
5. Menentukan nilai varian

VARD = VARA=
VARD = VARA =
VARD = 1,23 VARA = 5,87
6. Menghitung F Hitung
F Hit =
F Hit =
F Hit =
F Hit = 4,8
7. Menentukan nilai F Tabel

Nilai tabel dicari dengan menggunakan tabel f
Dimana DKA = Pembilang
DKD= Penyebut
DKA = 2
DKD= 29
Pada tabel f diperoleh f tabel 3,33

Tabel 6.1 : Ringkasan Anova 1 Arah
Sumber Varian Jumlah Kuadrat (JK) Derajat Bebas Kuadrat Rerata F Hit F Tabel
Antar Kelompok - A-1 =
Dalam Kelompok XT2- N-A -
Total XT2- N-1
Sumber Varian Jumlah Kuadrat (JK) Derajat Bebas Kuadrat Rerata F Hit F Tabel
Antar Kelompok 11.74 2 5.87 4.8 3.33
Dalam Kelompok 44,97 27 1.23 -
Total 56,71 29

8. Keputusan
Ho ditolak jika sig < 
Ho ditolak jika F Hit > F table
FHit = 4,8
F table = 3,33
Karena F Hit > F Tabel maka Ho ditolak.
Ada perbedaan peningkatan pengetahuan antara metode
penyuluhan dengan menggunakan metode ceramah, metode
ceramah dengan visual dan ceramah dengan metode audio
visual
6.4 Anova Dua Arah

Anova dua arah ini digunakan bila sumber keragaman yang
terjadi tidak hanya karena satu faktor (perlakuan). Faktor lain yang
mungkin menjadi sumber keragaman respon juga harus diperhatikan.
Faktor lain ini bisa berupa perlakuan lain yang sudah terkondisikan.
Pertimbangan memasukkan faktor kedua sebagai sumber keragaman
ini perlu bila faktor itu dikelompokkan, sehingga keragaman antar
kelompok sangat besar,, tetapi kecil dalam kelompoknya sendiri.
Dengan menggunakan Anova dua arah, dapat dibandingkan beberapa
rata-rata yang berasal dari beberapa kategori atau kelompok untuk
satu variabel perlakuan
ANOVA
1. Menentukan hipotesis
a. Hipotesis model edukasi hygiene kewanitaan
Ho (A) = Tidak ada perbedaan pengetahuan hygiene
kewanitaan antara siswi yang menggunakana
model edukasi FGD dan workshop.
Ha(A) = ada perbedaan pengetahuan hygiene
kewanitaan antara siswi yang menggunakan
model edukasi FGD dan workshop.
Ho (A): 1 = 2
Ha(A) : 1 2
b. Hipotesis penelitian faktor pengetahuan awal
Ho (B) = Tidak ada perbedaan pengetahuan hygiene
kewanitaan antara siswi yang Kelas 12 dan
Kelas 11

Ha(B) = ada perbedaan pengetahuan hygiene
kewanitaan antara siswi yang Kelas 12 dan
Kelas 11
Ho (B): 1 = 2
Ha(B) : 1 2
c. Hipotesis penelitian interaksi model edukasi dengan
kelas.
Ho (AB) = Tidak ada interaksi model edukasi FGD
dan workshop dengan kelas 12 dan 11.
Ha(AB) = Tidak ada interaksi model edukasi FGD
dan workshop dengan kelas 12 dan 11.
Ho (AB): 1 = 2
Ha(AB) : 1 2
2. Menentukan taraf signifikansi
 <0.05
3. Menentukan kaidah pengujian
Jika F hitung > F table maka Ho Ditolak
Jika F hitung ≤ F table maka Ho diterima

4. Membuat table penolong
FGD (A1) Workshop (A2)
No kelas 12 (B1) Kelas 11(B2) kelas 12 (B1) Kelas 11(B2)
1 70 4900 60 3600 70 4900 60 3600
2 70 4900 50 2500 70 4900 50 2500
3 70 4900 50 2500 60 3600 50 2500
4 70 4900 50 2500 60 3600 50 2500
5 70 4900 50 2500 60 3600 40 1600
6 60 3600 50 2500 60 3600 40 1600
7 60 3600 40 1600 60 3600 40 1600
8 60 3600 40 1600 50 2500 40 1600
9 60 3600 40 1600 50 2500 30 900
10 50 2500 40 1600 50 2500 30 900
TOT 640 41400 470 22500 590 35300 430 19300

Statistik Total
nT n1= 10 n2= 10 n3= 10 n4= 10 40
∑ XT ∑ X1= 640 ∑ X2 = 470 ∑ X3= 590 ∑ X4 =430 2130
X 213
= = 64 = = 47 = =59 = = 43
∑ X2,4 - 470 - 430 900
∑ X1,3 640 - 590 - 1230
(∑ XT)2 41400 22500 35300 19300 118500

5. Menentukan jumlah kuadrat (JK) untuk beberapa variasi yaitu (T),
Antar Kelompok A (A), Antar Kelompok B(B) Antar Kelompok Adan
B (A,B) dan Error (E)
 Jumlah Kuadrat Total (JKT)
JKT =
 Jumlah Kuadrat Antar Kelompok A(JKA)

JKA = (
JKA = (
JKA = 113625 -113422,5
JKA =202,5
 Jumlah Kuadrat Antar Kelompok B(JKB)

JKB = (
JKB = (
JKB = 116145 -113422,5
JKB =2722,5
 Jumlah Kuadrat Antar Kelompok A dan B

JKAB = (
JKAB = ( – 202,5- 2722,5

JKAB = 116.350 -113.422,5-202,5-2722,5
JKAB = 2,5
Jumlah Kuadrat Error (JKE)

JKE = JKT-JKA-JKB-JKAB = 5077,5-202,5-2722,5-2,5 = 2150
6. Menentukan Nilai derajat kebebasan

DKT =nT-1 =40—1 = 39
DKA = B-1=2-1=1 (b= Baris)
DKB= K-1= 2-1 =1 (k= Kolom)

DKAB = (DKA)(DKB) = 1.1=1
DKE = nT-(b.k) = 40 –(2X2) = 40-4 = 36
7. Menentukan nilai Variasi
VARA = = = 202,5
VARB = = = 2722,5
VARAB = = = 2,5
VARE = = = 59,72
8. Menghitung F Hitung
F Hit (A) = = = = 3,39
F Hit (B) = = = = 45,59
F Hit (AB) = = = = 0.042
9. Menetukan Nilai F Tabel

F Tabel (Model Edukasi )
Dimana DKA= Pembilang = 1; DKE = Penyebut=36
FA (Tabel ) = F () (DKA, DKE)= F (0.05 (1,36) = 4,110
F Tabel (Kelas )
Dimana DKB = Pembilang = 1 ; DKE = Penyebut =36
FB (Tabel) = F () (DKB, DKE)= F (0.05 (1,36) = 4,110
F Tabel (model edukasi *Kelas )
Dimana DKAB = Pembilang = 1 ; DKE = Penyebut =36
FB (Tabel) = F () (DKAB, DKE)= F (0.05 (1,36) = 4,110

Sumber Variansi JK DK VAR F Hit F Tabel
Antara Kelompok A( Model Edukasi) 202,5 1 202,5 3,39 4.110
Antar Kelompok B (Kelas) 2722,5 1 2722,5 45,59 4.110
Antar Kelompok AB (Model Edukasi *Kelas) 2,5 1 2,5 0.042 4.110
Error (E) 2150 36 59,72
Total (T) 5077,5 39
10. Menarik kesimpulan

Model Edukasi
F Hit =
F Tabel =
F Hitung < F Tabel Maka Ho diterima artinya tidak ada perbedaan pengetahuan siswi antara pemberian
pelatihan dalam model FGD dan Model Workshop.
Model Edukasi
F Hit =
F Tabel =
F Hitung > F Tabel Maka Ha diterima artinya ada perbedaan pengetahuan siswi Kelas 11 dan Kelas 12.
Model Edukasi dengan Kelas siswi
F Hit =

F Tabel =
F Hitung < F Tabel Maka Ho diterima artinya tidak ada interaksi pengetahuan siswi kelas 12 dan 11 yang
diedukasi menggunakan pemberian pelatihan dalam model FGD dan Model Workshop .

DAFTAR PUSTAKA
Anna Maria Sirait. 2001. Analsis Varians dalam Penelitian Kesehatan,

Media Litbang Kesehatan. Available at:
https://media.neliti.com/media/publications/156905-ID-
analisa-varians-anova-dalam-penelitian-k.pdf (Accessed: 9
August 2022).
Fakultas Teknologi Industri. 2021. ANOVA. Available at:
http://pendidikan-akuntansi.fe.uny.ac.id/sites/pendidikan-
akuntansi.fe.uny.ac.id/files/Modul 2 (ANOVA).pdf (Accessed: 30
July 2022).
Setiawan, K. 2019. METODOLOGI PENELITIAN (Anova Satu Arah).
Lampung.
Dahlan,Sopiyudin. 2014. Statistik Untuk Kedokteran Dan Kesehatan
Edisi 6. Jakarta, Salmba Medika

BAB 7
ANALISIS DATA PROPORSI
Oleh Pratiwi Puji Lestari
7.1 Definisi Proporsi Pada Data Analisis

Proporsi merupakan jenis data rasio khusus di mana
penyebutnya juga termasuk pembilangnya. Contohnya adalah proporsi
kematian yang terjadi pada laki-laki yaitu kematian pada laki-laki
dibagi kematian pada laki-laki ditambah kematian pada perempuan
(yaitu total populasi) (Palmore and Gardner, 1983). Penggunaan yang
lebih umum dari istilah "proporsi" ini adalah dalam konteks sebagian
atau bagian dari dalam hubungannya dengan keseluruhan (Simpson,
1989).
Proporsi merupakan statistik yang cukup sederhana, dengan
visual grafik batang yang dapat membantu seseorang untuk
memvisualisasikan dan membandingkan proporsi (Hanlon and Larget,
2011). Secara umum, Proporsi kasus dalam kategori tertentu
didefinisikan sebagai jumlah kasus tertentu dalam kategori dibagi
dengan jumlah total kasus.
7.2 Perhitungan dan Estimasi Data Proporsi dari

Tabel 2x2 (Contingensy Table)
Untuk menguji kesetaraan dalam proporsi yang timbul dari
desain studi sampel berpasangan sebagai pertimbangan penghitungan
perbandingan proporsi yang biasanya dilakukan dalam tes diagnostik
termasuk bidang kesehatan dan kebidanan (uji klinis) biasanya
diturunkan dari uji statistik yang mirip dengan Mc Nemar yang
menggunakan sistem error asymptotic wald. Nilai Equivalence
(kesetaraan) yang dapat diterima yang ditentukan sebelumnya antara
dua proporsi biasanya berupa persentase. Statistik uji McNemar yang
membandingkan sel off-diagonal adalah satu-satunya pendekatan yang
valid untuk inferensi equivalence (Tango, 1998).
Model ini mencakup parameter yang menunjukkan variabilitas
antar sampel atau subjek penelitian dari probabilitas respons dan
Pratiwi Puji Lestari 88

korelasinya. Di bawah model yang diusulkan, juga diperoleh tes untuk
kesetaraan dua proporsi dan juga interval kepercayaan untuk
perbedaan mereka berdasarkan skor efisien. Terlepas dari pertanyaan
awal, metode turunan juga terbukti bertipe McNemar tetapi memiliki
sifat sampel kecil yang lebih baik (Tango, 1998; Sistrom and Garvan,
2004; Derrick et al., 2015) salah satunya contingency yang biasanya
digunakan adalah berupa tabel 2x2.
Berbagai proporsi dapat dihitung dari data yang
direpresentasikan dalam tabel 2x2 kontingensi. Data proporsi, baris,
dan kolom yang masing-masing memberikan informasi yang berbeda
tentang data yang dianalisis. Proporsi dapat diwakili oleh persentase
atau pecahan yang banyak dikenali oleh para peneliti (Sistrom and
Garvan, 2004; Buis, 2020).
Data proporsi hanyalah jumlah yang diamati di masing-masing
dari empat data pada tabel 2x2 dibagi dengan ukuran sampel total.
Setiap data juga memiliki proporsi baris. Ini adalah jumlah dalam data
proporsi yang ingin dicari dibagi dengan total di baris yang
memuatnya. Demikian juga, ada empat proporsi kolom yang dihitung
dengan membagi jumlah di setiap data dengan total di kolom (Sistrom
and Garvan, 2004).
Contoh:
Sumber : (Hanlon and Larget, 2011)
Dalam percobaan yang dirintis tahun 1922 menguji hubungan

genetik antara gen putih dan gen mini. Pada Gambar tabel 2x2 diatas
terdapat 114 + 102 = 216 rekombinan dari total 644 keturunan laki-
laki, proporsi 216/644 = 0,335 atau 33,5%. Gen yang sepenuhnya
terhubung memiliki probabilitas rekombinasi 0, sedangkan gen yang
tidak terhubung memiliki probabilitas rekombinasi 0,5. Gen putih dan

gen mini pada lalat buah tidak terkait secara lengkap. Mengukur
probabilitas rekombinasi adalah alat penting dalam membangun peta
genetik, diagram kromosom yang menunjukkan posisi (Hanlon and
Larget, 2011).
Dalam tabel 2x2, yang disusun hasil pada kolom dan eksposur
pada baris, berbagai proporsi ini memiliki arti yang umum dan mudah
dipahami. Proporsi dalam satu sel (kolom dan baris atau sederhananya
satu kotak pada tabel 2x2) adalah fraksi dari seluruh sampel yang
ditemukan pada masing-masing kombinasi paparan dan hasil. Proporsi
baris adalah pecahan dengan dan tanpa hasil. Demikian pula, proporsi
kolom hanyalah pecahan jika subjek terpapar dan tidak terpapar
(Sistrom and Garvan, 2004).
7.3 Menghitung Beda Proporsi 2 Sample

Menguji perbedaan dalam proporsi dengan Uji z dua proporsi
memungkinkan untuk membandingkan dua proporsi untuk melihat
apakah keduanya sama. Hipotesis null (H0) untuk pengujian ini adalah
bahwa proporsinya sama. Hipotesis alternatif (H1) adalah bahwa
proporsinya tidak sama. Uji -Z adalah jenis uji hipotesis—cara bagi
Anda untuk mengetahui apakah hasil dari suatu pengujian valid atau
dapat diulang.
Untuk memuat gambaran sederhana, berikut akan diutaikan
contoh perbedaan proporsi digunakan untuk membandingkan respon
Y (misalnya penyakit: ya atau tidak) menurut nilai variabel penjelas X
(misalnya faktor risiko: terpapar atau tidak terpapar). Perbedaannya
didefinisikan sebagai proporsi dengan hasil pada kelompok terpajan
dikurangi proporsi dengan hasil pada kelompok yang tidak terpajan.
Dengan menggunakan huruf a–d untuk label sel, perhitungannya
adalah sebagai berikut:
Y
a b
X
c d

Untuk data studi cross-sectional kita akan menghitung
persamaan berikut:
Contoh Tabel Cross-Sectional 2x2 (Sistrom and Garvan, 2004)
Perbedaan proporsi selalu antara 1,0 dan 1,0. Ini sama dengan
nol ketika respons Y secara statistik independen dari variabel penjelas
X. Ketika X dan Y independen, maka tidak ada hubungan di antara
keduanya. Sangat tepat untuk menghitung perbedaan proporsi untuk
desain penelitian kohort, cross-sectional, dan eksperimental. Dalam
studi kasus-kontrol, tidak ada informasi tentang proporsi hasil (atau
penyakit) positif dalam populasi. Hal ini karena penyidik sebenarnya
memilih subjek untuk mendapatkan nomor tetap pada setiap tingkat
hasil (yaitu, kasus dan kontrol). Oleh karena itu, statistik perbedaan
proporsi tidak tepat untuk memperkirakan hubungan antara paparan
dan hasil dalam studi kasus kontrol. Tabel 3 mencantumkan perbedaan
estimasi proporsi untuk contoh studi cross-sectional, kohort, dan
eksperimental (Van Harrison et al., 2003; Sistrom and Garvan, 2004).
7.4 Uji Hipotesis Dua Proporsi Sampel

Dalam penelitian biomedis, perbedaan dua proporsi binomial
independen sering menjadi perhatian penelitian (Santner et al., 2007).

Saat melakukan uji hipotesis yang membandingkan dua
proporsi populasi independen, beberapa persyaratan yang harus
dipenuhi antara lain adalah:
 Kedua sampel independen tersebut merupakan sampel acak
sederhana (Random Sampling) yang independen.
Berbeda dengan Ranked set sampling yang merupakan
prosedur pengambilan sampel yang jauh lebih efisien daripada
pengambilan sampel acak, pengujian hipotesis untuk dua
proporsi akan menjadi lebih kompleks dan analisis yang
digunakan adalah uji regresi logistik (biner atau berganda)
(Chen, Stasny and Wolfe, 2005).
 Jumlah keberhasilan setidaknya lima, dan jumlah kegagalan
setidaknya lima, untuk masing-masing sampel.
 Literatur yang berkembang menyatakan bahwa populasi harus
setidaknya sepuluh atau 20 kali ukuran sampel. Hal tersebut
akan membuat setiap populasi tidak menjadi sampel yang
berlebihan dan menyebabkan hasil yang salah (Stephenson,
Froelich and Duckworth, 2010).
Untuk membangun interval kepercayaan untuk perbedaan

antara dua proporsi sampel, kita perlu mengetahui tentang distribusi
sampling dari perbedaan tersebut. Secara khusus, kita perlu
mengetahui bagaimana menghitung standar deviasi atau standar error
dari distribusi sampling.
Cara Menemukan Interval Keyakinan untuk Proporsi
 Mengidentifikasi statistik sampel dan memperkirakan
perbedaan antar proporsi populasi (P1-P2)
 Tentukan batas kesalahan (contoh batas kesalahan yang banyak
dipakai di bidang kesehatan atau kebidanan adalah 5% atau
0,05)
 Tentukan interval kepercayaan dan ketidakpastian dengan
tingkat kepercayaan (tingkat kepercayaan yang banyak dipakai
dibidang kesehatan atau kebidanan adalah 95%)
Pada bagian berikutnya, kita akan menyelesaikan masalah yang

menunjukkan bagaimana menggunakan pendekatan ini untuk
membangun interval kepercayaan untuk perbedaan antara proporsi

Uji hipotesis pada kasus ini adalah untuk menentukan apakah
perbedaan dalam perkiraan proporsi mencerminkan perbedaan dalam
proporsi populasi (Stephenson, Froelich and Duckworth, 2010; Derrick
et al., 2015).
Selisih dua proporsi mengikuti perkiraan distribusi normal.
Umumnya, hipotesis null menyatakan bahwa kedua proporsi itu sama.
Artinya, H 0 : p A = p B . Untuk melakukan pengujian, maka digunakan
proporsi gabungan, p C . sebagai berikut:
Distribusi perbedaannya sebagai berikut:
Statistik uji Z Score nya sebagai berikut :
7.5 Contoh Kasus Uji Hipotesis Beda Proporsi dalam

Kebidanan
Dua jenis Daun (yang direbus lalu airnya didinginkan dan
diberikan untuk cebok) untuk penyembuhan luka perineum sedang
diuji untuk menentukan apakah ada perbedaan dalam proporsi reaksi
ibu pasca melahirkan dengan luka perineum. Dua puluh dari sampel
acak 200 ibu pasca melahirkan dengan luka perineum yang diberi air
rebusan Daun A masih mengalami pedih pada luka perineum 30 menit
setelah diberi rebusan Daun A yang sudah didinginkan. Dua belas dari
sampel acak 200 orang dewasa yang diberi air rebusan Daun B yang
sudah didinginkan masih mengalami pedih pada luka perineum menit
setelah diberi air rebusan Daun. Uji pada tingkat signifikansi 1%.

Soal:
Perbedaan proporsi dan bagaimana menguji dua proporsi?
Misalkan A dan B masing-masing adalah subskrip untuk air rebusan
Daun A dan daun B. Maka p A dan p B adalah proporsi populasi yang
diinginkan.
Variabel Acak: P′ A – P′ B = perbedaan proporsi ibu pasca melahirkan
yang tidak bereaksi setelah 30 menit terhadap A dan B.
H0:pA=pB
pA–pB=0
Ha:pApB_
pA–pB0
Distribusi untuk pengujian

Kasus ini merupakan pengujian dua proporsi populasi binomial,
distribusinya normal:
= 20+12
200+200
= 0.081 – p C
= 0.92
= [0, √(0.08)(0.92)(1/200 + 1/200)]

= P’A – P’ B Mengikuti Distribusi Normal
Hitung nilai- p menggunakan distribusi normal: nilai- p = 0,1404

Perkiraan proporsi untuk grup A = P’A = 𝒙A/nA = 20/200 = 0.1
Perkiraan proporsi untuk grup B = P’ B = 𝒙B/nB = 12/200 = 0.06
P’A – P’ B = 0,1 – 0,06 = 0,04
Setengah dari nilai p di bawah –0,04, dan setengahnya di atas 0,04.

Bandingkan dan nilai- p : = 0,01 dan nilai- p = 0,1404. < p -nilai.
Buat keputusan: Karena < p -value , jangan tolak H 0.

Kesimpulan: Pada taraf signifikansi 1%, dari data sampel, tidak cukup
bukti untuk menyimpulkan bahwa terdapat perbedaan proporsi ibu
pasca melahirkan yang tidak bereaksi setelah 30 menit terhadap Daun
A dan Daun B untuk luka perineum.

DAFTAR PUSTAKA
Buis, M. L. 2020. Analysis of proportions. SAGE Publications Limited.

Chen, H., Stasny, E. A. and Wolfe, D. A. 2005. ‘Ranked set sampling for
efficient estimation of a population proportion’, Statistics in
medicine. Wiley Online Library, 24(21), pp. 3319–3329.
Derrick, B. et al. 2015. ‘Test statistics for comparing two proportions
with partially overlapping samples.’, Journal of Applied
Quantitative Methods, 10(3).
Hanlon, B. and Larget, B. 2011. ‘Analysis of variance’, Department of
statistic university of Wisconsin-Madison.
Van Harrison, R. et al. 2003. ‘Personalized targeted mailing increases
mammography among long-term noncompliant Medicare
beneficiaries: a randomized trial’, Medical care. JSTOR, pp. 375–
385.
Palmore, J. A. and Gardner, R. W. 1983. Measuring mortality, fertility, and
natural increase: a self-teaching guide to elementary measures.
Honolulu, HI: East-West Population Institute, East-West Center.
Santner, T. J. et al. 2007. ‘Small-sample comparisons of confidence
intervals for the difference of two independent binomial
proportions’, Computational Statistics & Data Analysis. Elsevier,
51(12), pp. 5791–5799.
Simpson, J. A. 1989. Oxford english dictionary: Vol. 16.
Sistrom, C. L. and Garvan, C. W. 2004. ‘Proportions, odds, and risk’,
Radiology. Radiological Society of North America, 230(1), pp.
12–19.
Stephenson, W. R., Froelich, A. G. and Duckworth, W. M. 2010. ‘Using
resampling to compare two proportions’, Teaching Statistics.
Wiley Online Library, 32(3), pp. 66–71.
Tango, T. 1998. ‘Equivalence test and confidence interval for the
difference in proportions for the paired‐sample design’,
Statistics in medicine. Wiley Online Library, 17(8), pp. 891–908.

BAB 8
REGRESI LOGISTIK
Oleh Rahmawati
8.1 Pendahuluan
Regresi logistik pada metode penelitian khususnya bidang
kesehatan selalu dijadikan sebagai metode penelitian yang tepat untuk
menelaah faktor-faktor yang berhubungan dengan masalah kesehatan.
Sebagai contoh pada penelitian tentang gizi, sebagian besar penelitian
ini cenderung memperhatikan masalah ketidakseimbangan antara
asupan makanan dan aktivitas fisik, sementara faktor-faktor lainnya
yang berpengaruh seperti body image, gender, depresi dan lainnya yang
terintegrasi satu sama lain kurang diperhatikan sehingga digunakan uji
regresi logistik yang digunakan untuk mengetahui faktor yang paling
memiliki pengaruh pada kondisi status gizinya (Ruslie and Darmadi,
2012). Regresi logistik pada bidang kesehatan juga biasanya dipadukan
dengan uji Chi-square. Uji Chi-square adalah pengujian statistik yang
biasanya digunakan untuk mengetahui bagaimana hubungan antar
variabel dependen dan independen secara bivariat, sedangkan uji
regresi logistik adalah pengujian statistik untuk menilai variabel
independen apa saja yang paling mendominasi berpengaruh secara
multivariat. Ketika hasil uji regresi logistik diperoleh, maka dapat
disimpulkan bahwa variabel tersebut apakah memiliki risiko lebih
besar atau lebih kecil terhadap status kesehatan (Devi, 2010; Ruslie and
Darmadi, 2012).
Sehingga, Bab 8 ini mencoba membahas terkait regresi logistik
sebagai salah satu metode penelitian di bidang kesehatan pada
khususnya, dengan memberikan contoh hasil penelitian yang
dirangkum dalam satu Bab pembahasan regresi logistik ini.
8.2 Analisis Regresi Logistik

Analisis regresi merupakan pengujian statistik yang
menggunakan dua atau beberapa variabel data, sehingga variabel yang
satu dapat diprediksi variabel lainnya. Hal ini dilakukan dengan tujuan
Rahmawati 97
mengetahui pengaruh suatu variabel terhadap variabel lainnya.
Terdapat dua bentuk variabel dalam analisis regresi, yaitu variabel
bebas atau independen yang bersifat kategori, atau kontinyu, bahkan
bisa gabungan dari keduanya, sedangkan variabel dependen atau
terikat bersifat kategori. Variabel independen atau bebas adalah
variabel yang dapat diamati nilainya tetapi tidak dapat dikendalikan,
sementara variabel dependen adalah variabel yang memiliki nilai yang
bergantung pada variabel independen. Hubungan antara satu atau
lebih variabel dapat mudah dipahami dengan menggunakan model
regresi (Asyiah, 2008; Haloho et al., 2013). Model regresi linier adalah
model paling sederhana yang diperoleh dalam bentuk persamaan
(Suyono, 2015):
dimana:
Y = variabel dependen (nilai yang diprediksi)
X = variabel independen
𝛽0 = konstanta
𝛽1 = koefisien regresi yang memiliki nilai naik atau turun
𝜀 = galat acak
Model regresi ini adalah model yang menjelaskan hubungan

antara variabel respon diskrit dan dua nilai atau lebih variabel
biner. Dalam kasus variabel biner, metode regresi logistik sering
digunakan. Perbedaan utama antara regresi logistik dan regresi
linier adalah bahwa variabel terikatnya adalah biner. Model regresi
logistik daam bentuk biner adalah model analisis yang biasanya
digunakan dalam menentukan apakah ada hubungan antara
variabel respon dan beberapa dari variabel prediktor. Variabel
prediktor adalah nominal atau ordinal (kualitatif) dan rasio atau
interval (kuantitatif), dan variabel respon adalah data dikotomi
berbentuk kategorik. Skala dikotomi adalah skala yang
menggunakan dua kategori yang berbentuk skala data nominal
misalnya menggunakan kata ya dan tidak, baik dan kurang, atau
panjang dan pendek (Hosmer and Lemeshow, 2000; Asyiah, 2008;
Tampil et al., 2017; Tulong et al., 2018).
Rahmawati 98
Variabel terikat berskala biner pada regresi logistik
meggunakan peubah 𝑦𝑖 dalam dua katagori yaitu bernilai 0 dan 1,
sehingga peubah 𝑦𝑖 ini memiliki parameter π(x) yang mengikuti
sebaran Bernoulli, sebagai berikut (Agresti, 2007):
dimana:
𝜋𝑖 = peluang mengalami ke-i
𝑦𝑖 = peubah yang diacak ke-i berupa nilai 0 dan 1
Model regresi logistik dapat dilihat pada bentuk uji statistik
berikut (Agresti, 2007):
Persamaan 𝜋(x) ditransformasikan agar memudahkan estimasi

parameter regresi, sehingga diperoleh suatu bentuk logit dari regresi
logistik berikut (Tampil et al., 2017):
8.3 Estimasi Parameter Model Regresi Logistik

Estimasi paramater dalam regresi logistik perlu dicari untuk
memperoleh hasil persamaan regresi logistik, karena hal tersebut
digunakan agar dapat memprediksi nilai dari variabel dependen.
Ada beberapa metode yang digunakan dalam melakukan perkiraan
parameter model regresi logistik. Yaitu, metode kemungkinan
maksimum (maximum likelihood Estimation/MLE), kuadrat terkecil
berbobot tidak berulang (noniterative weighted least sqyares
method), dan analisis fungsi diskriminan (discriminant function
analysis). Salah satu metode yang paling umum digunakan di
sebagian besar dalam aplikasi program komputer misalnya SPPS
untuk melakukan analisis regresi logistik adalah MLE. MLE ini
digunakan untuk penyelesaian estimasi parameter yang belum
diketahui. Metode MLE ini secara sistematis digunakan dalam
Rahmawati 99
penentuan parameter yang dapat memberi nilai pada estimasi dari
nilai 𝛽 bertujuan untuk memperoleh hasil maksimum dari fungsi
likelihood (Asyiah, 2008; Tampil et al., 2017).
Adapun fungsi likelihood pada model regresi logistik biner
dapat dilihat seperti berikut (Hosmer and Lemeshow, 2000):
dimana:
𝑦𝑖 = observasi pada variabel ke-i
𝜋(𝑥𝑖) = peluang untuk variabel prediktor ke-i
Pendekatan pada log likelihood digunakan agar
memudahkan dalam melakukan perhitungan yang dapat
didefinisikan sebagai berikut (Hosmer and Lemeshow, 2000):
Pembuatan pada turunan pertama L (𝛽) terhadap nilai 𝛽
dan disamakan dengan angka 0 adalah cara yang dilakukan untuk

memperoleh nilai penafsiran dari koefisien regresi logistik 𝛽.
8.4 Uji Model Regresi Logistik

Uji model regresi logistik biasanya digunakan untuk
mendapatkan probabilitas terjadinya variabel respon atau terikat
(dependen). Oleh karena itu, variabel bebas (independen) atau
variabel prediktor digunakan untuk mengetahui pengaruhnya
terhadap variabel dependen atau respon sehingga dilakukan uji
signifikansi secara keseluruhan atau serentak dan secara individual
(Suharjo, 2008; Haloho et al., 2013).
8.4.1 Uji Signifikansi Secara Keseluruhan
Uji keseluruhan menggunakan uji model Chi-square (Haloho
et al., 2013). Uji signifikansi parameter dilakukan sebelum
membentuk model regresi logistik. Uji signifikansi secara
keseluruhan dilakukan sebagai pengujian pertama untuk melihat
peran pada model secara keseluruhan. Adapun bentuk
hipotesisnya seperti berikut:
Rahmawati 100
H0: bermakna β1 =β2 =···=β𝑖 =0 (model yang tidak berarti)
H1: bermakna paling sedikit koefisien dari 𝛽𝑖 = 0 (model yang
berarti)
𝑖 = 1, 2 , ···, p.
Adapun uji statistiknya yaitu uji G atau Likelihood Ratio Test
yang dijabarkan sebagai berikut:
Nilai G mengikuti distribusi Chi-square. Oleh karena itu,

dihasilkan suatu keputusan dengan melakukan perbandingan
dengan nilai𝜒2tabel yang memiliki derajat bebas (db) = k-1, k
adalah berbagai variable independen atau prediktor yang dimiliki.
Kriteria penolakannya yaitu tolak 𝐻0, jika nilai 𝐺 ≥ 𝜒2(𝑑𝑏,𝛼) atau
jika memiliki p-value ≤  (Tampil et al., 2017).
8.4.2 Uji Signifikansi Secara Individual

Uji signifikansi secara individual juga disebut sebagai
pengujian parsial. Pengujian ini digunakan pada pengujian
pengaruh setiap 𝛽𝑖 dalam model yang diperoleh. Hasil pengujian
variabel secara parsial ini menggunakan Wald Test (W). Wald Test
akan menunjukkan bahwa suatu variabel independen atau
prediktor berhak untuk masuk dalam bentuk pemodelan atau tidak
(Agresti, 2007). Adapun bentuk hipotesis untuk setiap variabelnya
adalah sebagai berikut (Tampil et al., 2017):
H0 : βi = 0 (koefisien logit tidak bermakna terhadap model)
H1 : βi = 0 (koefisien logit bermakna terhadap model)
Adapun statistik uji:
Rahmawati 101
Dimana: :
𝑆𝐸(𝛽𝑖) = dugaan galat baku untuk koefisien 𝛽𝑖
𝛽𝑖 = nilai dugaan untuk parameter (𝛽𝑖)
Nilai kuadrat dari W mengikuti distribusi Chi-square dengan

derajat bebas (db) = 1. Jika W2 ≥χ2(1,α) atau p-value ≤α maka H0
ditolak, dan H1 diterima. βˆi merupakan nilai dari parameter
regresi yang diestimasikan, dan SE (βˆi) merupakan standard error
(Nachrowi and Usman, 2002; Tampil et al., 2017).
8.4.3 Uji Kesesuaian Model

Setelah memperoleh model regresi logistik yang
diestimasikan, maka uji kesesuaian model dilakukan. Goodness of
Fit adalag uji statistik yang digunakan dallam mengujia keesuaian
model regresi logistik (Hosmer and Lemeshow, 2000). Statistik
Goodness of Fit sebagai berikut:
Interpretasi model dalam model regresi logistik adalah nilai

odds ratio. Odds ratio atau rasio peluang adalah kumpulan dari berbagai
peluang yang dibagi dengan peluang lainnya (Mahmudin et al., 2014).
Statistik nilai odds ratio dapat dilihat sebagai berikut (Hosmer and
Lemeshow, 2000).
Nilai ψ = 1 menunjukkan bahwa kedua variable tidak

memiliki hubungan. Nilai ψ < 1, menunjukkan bahwa antara kedua
variabel memilik hubungan namun negatif pada perubahan skala
kategori dari hasil nilai x. Nilai 𝜓 >1 menunjukkan bahwa kedua
variabel memiliki hubungan namun positif pada perubahan
kategori dari nilai x (Tampil et al., 2017).
Rahmawati 102
8.5 Contoh Penelitan Regresi Logistik
Contoh penelitian yang menggunakan regresi logistik sudah
sangat banyak, terutama pada penelitian di bidang Kesehatan.
Salah satu contoh penerapan regresi logistik yaitu penelitian yang
menggunakan ibu hamil untuk menghasilkan pengukuran risiko
anemia dengan status gizi ibu hamil dalam penelitian Suhardi and
Fadila (2016), yang dapat dijabarkan secara ringkas langkah-
langkah dalam penjabarannya agar mudah dipahami sebagai
berikut:
Status anemia ibu hamil sebagai variabel dependen
(respon), sedangkan status gizi sebagai variabel independen
(prediktor). Semua variabel tersebut kemudian memiliki dua skala
kategori yaitu kelompok ibu hamil yang kadar Hbnya normal dan
kelompok ibu hamil yang kadar Hb anemia (abnormal). Metode
Cyanmethemoglobin digunakan untuk menentukan status Hb ibu
hamil. Adapun ambang batas Hb ibu hamil dikatakan normal jika
hasil Hbnya 11,0 g/dl. Sementara dalam pengukuran status gizi
digunakan standar LILA (Lingkar Lengan Atas) dimana status gizi
dalam kondisi normal jika memiliki ukuran LILA= 23,5 cm dan
tidak normal (KEK), jika memiliki ukuran LILA <23,5 cm).
Tabel 8.1 : Probabilitas logistik untuk nilai respon dan prediktor
Dalam penelitian ini, model regresi logistik dirancang untuk

menentukan hubungan berupa risiko Kesehatan ibu hamil yaitu
anemia dengan status gizi yang dimiliki. Sehingga, dalam
memudahkan memperoleh data maka Tabel 8.1 diperlihatkan
untuk menentukan probabilitas logistik untuk respon dan
prediktor (Tabel 8.1).
Rahmawati 103
Tabel 8.1 dapat dijelaskan bahwa skala dependen atau
respon (y) maupun skala independent atau prediktor (x) yaitu
kode 0 dan 1. Kedua skala tersebut digunakan untuk menghasilkan
odds ratio (OR) yang dapat lebih dipahami dalam Tabel 8.2.
Tabel 8.2 : Hasil observasi kondisi anemia dengan gizi ibu hamil
dan perolehan hasil analisis Odds Ratio (OR)
Hasil interpretasi pada Tabel 8.2 diperoleh dari penyarian

output SPSS. Pada dasarnya, regresi logistik selain digunakan untuk
melihat risiko dengan menggunakan odds ratio, juga digunakan
dalam memperoleh hasil prevalensi yang memudahkan dalam
penelitian di bidang Kesehatan agar mendapatkan informasi
berharga dalam penentuan kasus di suatu wilayah yang mengalami
masalah Kesehatan.
Dari Tabel 8.2 tersaji bahwa sekitar 51,7% ibu hamil yang
mengalami anemia memiliki status gizi baik, sedangkan 24,2%
diperoleh pada ibu hamil non anemia (normal). Sementara 20,8%
ibu hamil yang anemia mengalami status gizi kurang (KEK), dan
hanya 3,3% diperoleh pada ibu hamil non anemia (normal).
Sehingga secara keseluruhan, prevalensi anemia mencapai 72,7%
yang berarti masih tergolong tinggi sesuai WHO (40% atau di
atasnya).
Jika dilihat seksama, insiden terjadinya anemia pada ibu
hamil terjadi dikedua kondisi yaitu pada gizi baik (51,7%) dan gizi
kurang (20,8%), dan terlihat bahwa masalah anemia pada gizi baik
cenderung lebih tinggi daripada yang memiliki kondisi gizi kurang.
Namun, hasil perbandingan ibu hamil yang mengalami anemia
Rahmawati 104
dengan ibu hamil yang normal pada kategori gizi baik adalah 2,14
yang diperoleh dari hasil 51,7% : 24,3%, sedangkan pada gizi
kurang diperoleh hasil perbandingan 6,25 dari hasil 20,8% : 3,3%.
Hal ini dapat disimpulkan bahwa baik dalam keadaan gizi baik
maupun kurang memiliki peluang terjadinya risiko anemia. Akan
tetapi, risiko anemia cenderung lebih tinggi pada ibu hamil yang
memiliki status gizi kurang. Hal tersebut dapat dilihat pada
perbandingan risiko OR yang diperoleh yaitu 6,25:2,41 = 2,92 yang
menunjukkan bahwa ibu hamil dengan kondisi status gizi yang
kurang (KEK) 2,9 kali lebih tinggi memiliki risiko anemia dibanding
statu gizi normal. Rasio risiko ini sangat besar, hampir tiga kali
lipat, sehingga status gizi berperan penting dalam mempengaruhi
kesehatan ibu hamil yang tidak berisiko anemia.
Hasil OR kemudian dilakukan uji signifikansi dengan
menggunakan menggunakan Wald Test (W) terlihat bahwa hasil
koefisien pada regresi yaitu β1 1,073 atau OR 2,92 dan mempunyai
p-value 0,066. Hal tersebut menyimpulkan bahwa hasilnya
signifikan dalam taraf α = 10% (Tabel 8.3). Artinya, kasus anemia
ibu hamil berkaitan atau berpengaruh pada kondisi status gizinya.
Tabel 8.3 menunjukkan estimasi determinasi (R2), terlihat
bahwa hasilnya adalah 3,3% atau 4,7% yang diperoleh dari dua versi
hitungan R2. Sehingga disimpulkan bahwa kondisi anemia pada ibu
hamil tergantung pada status gizinya. Meksipun kecil dilihat dari nilai
sumbangannya, namun selama koefisien dari regresi β1 tidak
memperoleh angka nol yang secara statistik tetap terbukti secara
empiris.
Tabel 8.3 : Hasil analisis regresi logistik pada anemia ibu hamil
Analisis lanjut pada Tabel 8.4 menunjukkan bahwa status

anemia pada ibu hamil berhubungan dengan status gizinya dilihat dari
hasil Chi-square yaitu 3,60. Hasil uji independensi terlihat memilih hasil
Rahmawati 105
bermakna (signifikan) pada taraf α = 10% atau p-value dengan nilai
yang diperoleh adalah 0,058. Hasil model analisis kontingensi
memperoleh nilai adjusted residualnya -1,90 dan 1,90, atau kisaran -
1,96 sampai 1,96 pada taraf uji dengan α = 5%.
Tabel 8.4 : Hasil analisis status anemia dengan status gizi ibu hamil
dari tabel kontingensi
Tabel 8.3 dan 8.4 menunjukkan bahwa kedua hasil analisis yaitu
analisis regresi logistik dan tabel kontingensi, keduanya
memperlihatkan adanya hubungan antara status anemia pada ibu
hamil dengan status gizinya. Hasil uji signifikansi untuk koefisien pada
regresi dan Chi-square untuk independensi terlihat hasil tingkat
signifikansi yang sama. Oleh karena itu, model regresi logistik berupa
statistic OR dalam penelitian dunia kesehatan, dalam hal ini peran
status gizi pada ilustrasi di atas dapat menentukan kesehatan ibu hamil
dan derajat risiko terjadinya anemia.
Rahmawati 106
DAFTAR PUSTAKA
Agresti, A., 2007. Introduction to Categorical Data Analysis. John

Wiley & Sons, Inc, United States.
Asyiah, N., 2008. Regresi Logistik dan Penerapannya Dalam Bidang
Kesehatan.
Devi, M., 2010. Analisis Faktor-Faktor Yang Berpengaruh Terhadap
Status Gizi Balita Di Pedesaan. Teknologi dan Kejuruan.
33(2),183-192.
Haloho, O., Sembiring, P., Manurung, A., 2013. Penerapan Analisis
Regresi Logistik Pada Pemakaian Alat Kontrasepsi Wanita.
Saintia Matematika 1(1), 51–56.
Hosmer, D.W., Lemeshow, S., 2000. Applied Logistic Regression,
Second Edition. John Wiley & Sons, Inc.
Mahmudin, M.Z., Rindengan, A., Weku, W., 2014. Penggunaan
Association Rule Data Mining Untuk Menentukan Pola Lama
Studi Mahasiswa F-MIPA UNSRAT. d'CARTESIAN. 3(1).
https://doi.org/10.35799/dc.3.1.2014.3777
Nachrowi, D.N., Usman, H., 2002. Penggunaan Teknik Ekonometri.
PT. Raja Grafindo Persada, Jakarta.
Ruslie, R.H., Darmadi, D., 2012. Analisis Regresi Logistik Untuk
Faktor-Faktor Yang Mempengaruhi Status Gizi Remaja. MKA
1(36), 62-72. https://doi.org/10.22338/mka.v36.i1.p62-
72.2012
Suhardi, D.A., Fadila, I., 2016. Penerapan Regresi Logistik Biner
Untuk Mengukur Resiko Anemia Dengan Status Gizi Ibu
Hamil. Jurnal Matematika 17(1), 50-59.
Suharjo, B., 2008. Analisis Regresi Terapan. Graha Ilmu, Yogyakarta.
Suyono, 2015. Analisis Regresi untuk Penelitian. Deepublish,
Yogyakarta.
Tampil, Y., Komaliq, H., Langi, Y., 2017. Analisis Regresi Logistik
Untuk Menentukan Faktor-Faktor Yang Mempengaruhi
Indeks Prestasi Kumulatif (IPK) Mahasiswa FMIPA
Universitas Sam Ratulangi Manado. dC 6, 56.
https://doi.org/10.35799/dc.6.2.2017.17023
Rahmawati 107
Tulong, M., Mongi, C., Mananohas, M., 2018. Regresi Logistik
Multinomial Untuk Menentukan Faktor-Faktor Yang
Mempengaruhi Pilihan Perguruan Tinggi Pada Siswa SMA
dan SMK di Pulau Karakelang Kabupaten Kepulauan Talaud.
dC 7, 90. https://doi.org/10.35799/dc.7.2.2018.21456
Rahmawati 108
BIODATA PENULIS
Darwel, S.K.M, M.EPID

Dosen Jurusan Kesehatan Lingkungan Poltekkes Kemenkes Padang
Penulis lahir di Manganti Lima Puluh Kota Sumatera Barat.

Penulis adalah dosen tetap sekaligus sebagai Ketua Program Studi
Sarjana Terapan Sanitasi Lingkungan Poltekkes Kemenkes Padang.
Menyelesaikan pendidikan S2 Epidemiologi FKM UI tahun 2012
dan menekuni bidang Epidemiologi dan Kesehatan Lingkungan.
Pengalaman mengajar mata kuliah bidang epidemiologi,
metodologi penelitian, statistik kesehatan, sanitasi rumah sakit,
mikrobiologi lingkungan, manajemen data, penyakit berbasis
lingkungan, dan lain-lain. Pengalaman menulis buku ajar Kesehatan
Lingkungan Teori Dan Aplikasi, Manajemen Data Statistik Untuk
Penelitian Kesehatan dan Epidemiologi Lingkungan.
Penulis merupakan Bendahara Organisasi Profesi HAKLI
Sumbar, juga sebagai Wakil Ketua OP PAEI Sumbar. Penghargaan
yang pernah diperoleh penulis adalah sebagai Dosen Berprestasi
Poltekkes Kemenkes Tingkat Nasional tahun 2020 dan prestasi
publikasi Jurnal Internasional Terindek Scopus tahun 2021.
109
BIODATA PENULIS
Dr. Musdalifah Syamsul, S.KM., M.Kes

Dosen pada Sekolah Tinggi Ilmu Kesehatan (STIKES) Salewangang
Maros
Penulis lahir di Ujung Pandang tanggal 14 Januari 1981.

Lulus S1 di Jurusan Epidemiologi dan Biostatistik, Program Studi
Kesehatan Masyarakat. Sekolah Tinggi ilmu Kesehatan (STIK)
Tamalatea tahun 2003, lulus S2 di Jurusan Epidemiologi Fakultas
Kesehatan Masyarakat Universitas Hasanuddin (UNHAS) tahun
2011. Saat ini bekerja sebagai dosen pada Sekolah Tinggi Ilmu
Kesehatan (STIKES) Salewangang Maros.
Penulis pernah mengikuti Peningkatan Kualitas Publikasi
International (Sandwich-Like) di University of Queensland tahun
2016. Sebagai presenter pada International Conference di UNM.
Berbagai tulisannya sudah termuat di berbagai jurnal baik nasional
maupun international. Salah satu tulisannya tentang The Roles of
family in Preventing Dengue Fever in Regency of Maros, South
Sulawesi, Indonesia telah dimuat pada IOP Conference Series, edisi
Juni 2018.
110
BIODATA PENULIS
apt. Pratiwi Ramlan, S.Farm., M.AP

Dosen tetap pada Program Studi Administrasi Kesehatan
Fakultas Ilmu Kesehatan, Universitas Muhammadiyah Sidenreng
Rappang
Penulis lahir di Parepare tanggal 29 April 1986. Penulis

adalah dosen tetap pada Program Studi Administrasi Kesehatan
Fakultas Ilmu Kesehatan, Universitas Muhammadiyah Sidenreng
Rappang. Menyelesaikan pendidikan S1 pada Jurusan Farmasi
Universitas Muslim Indonesia (2008), Program Apoteker di
Universitas Islam Indonesia (2009) dan melanjutkan S2 pada
Jurusan Administrasi Publik pada STISIP Muhammadiyah Sidrap
(2017).
111
BIODATA PENULIS

Dosen tetap di Institut Ilmu Kesehatan Pelamonia Makassar Program
Studi Administrasi Rumah Sakit
Penulis lahir di Ujung Pandang pada tanggal 18 Juli 1989.

Penulis merupakan dosen tetap di Institut Ilmu Kesehatan
Pelamonia Makassar Program Studi Administrasi Rumah Sakit.
Penulis telah menyelesaikan pendidikan S2 di Magister Pendidikan
Matematika Universitas Negeri Makassar.
112
BIODATA PENULIS

Dosen tetap di Fakultas Kesehatan Masyarakat, Universitas Sriwijaya
Penulis lahir di Palembang pada tanggaal 30 Januari 1986.

Penulis merupakan dosen tetap di Fakultas Kesehatan Masyarakat,
Universitas Sriwijaya. Penulis telah menyelesaikan pendidikan S3
bidang Kesehatan di Universitas Gadjah Mada.
113
BIODATA PENULIS
Nurmulia Wunaini Ngkolu, SKM., M.Kes

Dosen di Program Studi Administrasi Rumah Sakit Institut Ilmu
Kesehatan (IIK) Pelamonia
Nurmulia Wunaini Ngkolu, SKM., M.Kes lahir di Ujung Pandang,

Sulawesi Selatan pada tanggal 10 Februari 1989. Bekerja sebagai dosen
di Program Studi Administrasi Rumah Sakit Institut Ilmu Kesehatan
(IIK) Pelamonia. Lulus pendidikan Strata Satu (S-1) pada tahun 2011
Konsentrasi Epidemiologi di Fakultas Kesehatan Masyarakat
Universitas Hasanuddin, Makassar, Provinsi Sulawesi Selatan dan lulus
pendidikan Strata Dua (S-2) pada tahun 2014 Konsentrasi
Epidemiologi di Fakultas Kesehatan Masyarakat Universitas
Hasanuddin, Makassar, Provinsi Sulawesi Selatan.
114
BIODATA PENULIS
Pratiwi Puji Lestari, S.Tr.Keb, M.Keb

Dosen di Program Studi S1 Kebidanan Fakultas Keperawatan dan Ilmu
Kesehatan di Universitas Muhammadiyah Banjarmasin Kalimantan
Selatan
Penulis lahir di Bandung pada tanggal 29 Oktober Tahun

1992. Anak kedua dari empat bersaudara. Latar belakang
pendidikan yang ditempuh DIII Kebidanan di Universitas
Padjadjaran Bandung lulus Tahun 2013, DIV Bidan Pendidik
Poltekes Bhakti Pertiwi Husada Cirebon lulus Tahun 2015 dan S2
Magister Kebidanan di Universitas ‘Aisyiyah Yogyakarta lulus
Tahun 2018. Saat ini bekerja di Universitas Muhammadiyah
Banjarmasin Kalimantan Selatan sebagai Staf Dosen di Program
Studi S1 Kebidanan Fakultas Keperawatan dan Ilmu Kesehatan.
Merupakan penulis Buku Psikologi Perkembangan Pada Anak,
Buku Depresi Pada Masa Nifas dan Laktasi serta Buku
Etnomedicine dalam Kebidanan. Selain itu Penulis aktif menulis
artikel ilmiah yang diterbitkan oleh beberapa jurnal online nasional
maupun internasional. Saat ini aktif sebagai Kepala Editor di
Journal Of Midwifery And Reproduction, Section Editor di Jurnal
Ilmu Kesehatan UMKT dan Reviewer di beberapa jurnal khususnya
bidang ilmu kebidanan.
115
BIODATA PENULIS
Rahmawati, S.Gz, M.Si

Staf Dosen Akademi Keperawatan Yapenas 21 Maros
Penulis lahir di Maros 12 Agustus 1988. Ia lulusan S1 Ilmu

Gizi Fakultas Kesehatan Masyarakat Universitas Hasanuddin tamat
2011. Setelah selesai pendidikan, ia bekerja sebagai Koodinator
Tenaga Kesehatan Gizi di Puskesmas Weriagar 2011-2013,
kemudian melanjutkan pendidikan S2 di Ilmu Gizi Masyarakat
Fakultas Ekologi Manusia IPB tamat 2015 dengan bantuan
beasiswa BPPDN calon dosen tahun 2013. Saat ini penulis sedang
melanjutkan pendidikan S3 di Ilmu Gizi Masyarakat Fakultas
Ekologi Manusia IPB dengan bantuan beasiswa Dosen BPI-LPDP
tahun 2021. Penulis saat ini juga aktif melakukan kegiatan
publikasi baik jurnal nasional maupun internasional. Penulis telah
menerbitkan beberapa buku diantaranya buku ajar Ilmu Gizi
Keperawatan tahun 2020, Ilmu Kesehatan Masyarakat tahun 2021,
buku chapter Analisis Kimia Bahan Pangan 2022, dan buku chapter
Gizi Kesehatan tahun 2022.
116
View publication stats

STATISTIK KESEHATAN Daswel

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

STATISTIK KESEHATAN Daswel

Diunggah oleh

Hak Cipta:

Format Tersedia

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Statistik Kesehatan: Teori dan Aplikasi

Chapter · October 2022

Musdalifah Syamsul Pratiwi Ramlan

SEE PROFILE SEE PROFILE

Rizma Syakurah Pratiwi Puji Lestari

SEE PROFILE SEE PROFILE

The user has requested enhancement of the downloaded file.

PT GLOBAL EKSEKUTIF TEKNOLOGI

Editor : Mila Sari, S.ST, M.Si

Penerbit : PT GLOBAL EKSEKUTIF TEKNOLOGI

Cetakan pertama, Oktober 2022

Hak cipta dilindungi undang-undang

Puji syukur kami panjatkan ke hadirat Allah SWT, berkat

Penulis, Oktober 2022

KATA PENGANTAR ........................................................................................i

Gambar 5.1 : Tahap uji-t dependen ................................................................ 49

Tabel 4.1: Daftar Berat Badan Karyawan CV Get Press Pada

1.2 Sejarah Perkembangan statistik

1.3 Pembagian statistik

1.4.2 Cara pengumpulan data

Keuntungan : fleksibel karena urutan pertanyaan tidak harus

1.4.3 Pengolahan Data

1.4.4 Analisis Data

1.4.5 Penyajian Data

Jenis grafik untuk data numerik :

Jenis grafik untuk data kategorik :

Chandra, B. 2012. Biostatistik Untuk Kedokteran Dan Kesehatan

Sejalan dengan himpunan gabungan tersebut, karena ada

Penjelasan lahirnya rumus tersebut adalah sebagai berikut

Bila dua ruas persamaan dibagi dengan n(S), diperoleh

2. Peluang seorang mahasiswa lulus kalkulus adalah 2/3 dan peluang

P(A) = 2/3 P(B) = 4/9 P(A n B) = 4/5

Probabilitas kejadian majemuk A u B sebagaimana rumus

Penjelasan lahirnya rumus tersebut dapat diperoleh dengan

a. Dua Kejadian Saling Lepas

2. Pada pelemparan dua buah dadu, tentukanlah probabilitas

Dengan demikian dapat kita kembangkan rumus probabilitas

Secara umum, bila A1, A2, A3, …, An adalah kejadian-kejadian

b. Dua Kejadian Saling Bebas

2. Pada pelemparan dua buah dadu, apakah kejadian munculnya muka

P(A n B) = {(1.5), (1,6), (2,5), (2,6), (3,5), (3,6)} = 6/36 = 1/6

Sehingga nilai P(A n B) = P(A) . P(B) yang berarti kejadian A dan B

Konsep dua kejadian saling bebas di atas dapat dikembangkan

Secara umum, bila A1, A2, A3, …, An adalah kejadian-kejadian saling

3. Pada pelemparan 3 uang logam, tunjukkanlah bahwa munculnya

Jadi, kejadian A, B dan C adalah tiga kejadian saling bebas.

Mulyono, Grace. 2013. “Universitas Kristen Petra.” Perancangan

3.1.2 Ciri-Ciri Populasi

3.1.3 Jenis- Jenis Populasi

3.1.4 Faktor Yang Mempengaruhi Populasi

b. Mortalitas (Tingkat Kematian)

c. Densitas (Tingkat Kepadatan)

3.2.2 Ciri Sampel

3.2.3 Cara Menentukan Sampel

Langkah pertama dalam pengambilan sampel adalah

3.2.4 Teknik Pengambilan Sampel

b. Non Probablility Sampling

3.2.5 Kelebihan Sampel

Ajami, N. 2014. Populasi dan Sampel. Implementation Science, 39(1), 1–

Mohammad Ardani Samad 33

Lima dasar menjadi fokus sejauh memeriksa dan

Mohammad Ardani Samad 34