Pengantar Statistik

BIOSTATISTIKA
Oleh
H. Mohammad Basri,SKM, M.Kes
1
Pengasuh
mata kuliah
PENGANTAR 2
1. Metoda Statistika ( Sujana ).
Refere
2. Pengantar Statistika (Ronald E.Walpole). nsi
3. Statistical Process Control ( Vincent Gaspersz )
4. Metode statistik Non Parametrik Terapan ( P. Sprent)
5. Statistik Non Parametrik ( Sidney Siegel).
6. Biostatistics a Foundation for analysis in the health sciences
(Wayne W. Daniel)
7. Basic Allied Health Statistics and Analysis. (Greda Koch)
8. Statistical Methods for Rates and Proportions (Joseph L. Fleiss)
9. Sampling Techniques (William G. Cochran)
10.Introduction to statistical quality Control (Douglas C.
Montgomery)
11.Introduction to statistical analysis (Wilfrid J. Dixon).
3
Tujuan
Instruksional
Memberikan wawasan dan kemampuan
Umum pada mahasiswa untuk dapat
MENJELASKAN dan MENERAPKAN
prinsip dan proses penerapan
biostatistika dalam pelayanan
kesehatan KHUSUSNYA dalam
pelayanan Kes. Masy.
PENGANTAR 4
Materi
perkuliahan
1. PENGANTAR
2. PENDAHULUAN
3. PENGUMPULAN
DATA
4. PENGOLAHAN
DATA
5. PENYAJIAN DATA
6. ANALISIS
DATA
7. UJI HIPOTESIS
BIOSTATISTIK- GIA 5
Definis
i
Ialah KONSEP dan METODE yang
digunakan untuk mengumpulkan dan
interpretasi data mengenai suatu
bidang kegiatan tertentu dan menarik
kesimpulan dalam situasi dimana ada
KETIDAK PASTIAN dan VARIASI
PENDAHULUAN 6
Penge
KONSEP STATIS rtian
TICA
BIOSTA Teori
matematika
TISTIC VARIA
STATIS BEL
METODE
TICS
* Pengumpulan
Pengolahan
Analisis
Kesimpulan
PENDAHULUAN 7
Penge
Skala
rtian
Pengukuran
VARIABEL DATA INFORMASI
Pengolahan
data
PENDAHULUAN 8
KONSEP VARIABEL
MATERI ALAM DENGAN CIRI :
Ada SIMBOL atau ATRIBUT

Tersusun oleh
KOMPONEN/DIMENSI variabel.
Dimensi dpt tersusun oleh SUB
DIMENSI
Ada VARIASI nilai pengukuran.
Fred N. Kerlinger Consuelo,
9 G. Selvia, at al.
Skala
pengukuran
Variabel
Dasar yang digunakan untuk membentuk skala memiliki
tiga ciri yakni :
1. Bilangannya berurutan.
2. Selisih antara bilangan- bilangan adalah berurutan.
3. Deret bilangan mempunyai asal mula yang unik yang
ditandai dengan bilangan nol.
4. Kombinasi ciri-ciri urutan, jarak, dan asal mula
menghasilkan pengelompokan skala ukuran yang
dipakai secara umum .
PENDAHULUAN 10
Skala
pengukuran
Variabel
Pengertian Dan Prinsip skala pengukuran variabel
SIFAT SKALA PENGUKURAN

JENIS SKALA Kategor Urutan Interval Kelipata
i n
Nominal + - - -
Ordinal + + - -
Interval + + + -
Rasio + + + +
PENDAHULUAN 11
Skala
pengukuran
JENIS SKALA
Variabel
OUTPUT SKALA PENGUKURAN
DATA UJI STATISTIK
Nominal DATA DISKRET NON

Ordinal PARAMETRIK
Interval DATA KONTINU PARAMETRIK
Rasio
PENDAHULUAN 12
Data
Apabila variabel dikumpulkan akan terbentuk
suatu data sehingga, Data tidak lain dari
kumpulan variabel.
Data Primer
Data Sekunder
Data Kuantitatif
Data Kualit atif
Data Intern
Data Ekstern
Data Crossectional
Data Berkala
Data Diskret
Data Kontinu
Data literal
Data Observasional
PENDAHULUAN 13
Data
Syarat data yang baik
1.Relevant
2.Obyektif.
3.Valid
4.Reliable
5.Tepat waktu
PENDAHULUAN 14
Prinsip
Pengumpulan
Dalam pengumpulan data perlu diketahui :
Pengertian Data
Tujuan pengumpulan Data
Unit Observasi Elemen atau obyek
yang akan dikumpulkan
Unit analisis Karakteristik yang
melekat pada unit observasi
PENGUMPULAN DATA 15
Jenis
Dalam pengumpulanPengumpulan
data dikenal dua Jenis:
Sensus. Data
Ialah apabila pengumpulan data dilakukan terhadap
seluruh elemen populasi satu persatu.
Data yang diperoleh disebut data sebenarnya, (true
value) atau sering disebut dengan Parameter .
Sampling.
Ialah apabila data yang dikumpulkan hanya sebagian
dari populasi.
Data yang diperoleh merupakan data perkiraan
(estimate value).
PENGUMPULAN DATA 16
Cara
Pengumpulan
Cara pengumpulan data adalah:
Cara Kuesioner.Data
Enumerator dan responden tidak terjadi
komunikasi pada saat pengisian kuesioner
(komunikasi satu arah)
Keuntungan : mudah dan murah
Kelemahan : Ancaman drop out tinggi.
Interview (wawancara).
Enumerator dan responden terjadi komunikasi
pada saat pengisian kuesioner.(komunikasi
dua arah
PENGUMPULAN DATA
Keuntungan : tidak ada ancaman17 drop out.
Kuesioner
Pengumpulan
Kuesioner adalah salah satu bentuk alat ukur yangData
digunakan
untuk mengumpulkan semua informasi yang diinginkan dalam
suatu penelitian atau pengumpulan data.
Kuesioner berisi :
Identitas wilayah
Identitas umum responden
Identitas Khusus responden
Bentuk Kuesioner :
Terstruktur :
- Close ended
- Open ended
Terbuka / bebas
PENGUMPULAN DATA 18
Contoh
DAFTAR PERTANYAAN
Kuesioner
LAMA HARI RAWAT PASIEN RAWAT INAP DI RS
PELAMONIA
A IDENTITAS WILAYAH KODE
1 Nomor Responden :
2 .
3 Propinsi :
4 ..........................................
5 Kabuptaen :
.........
6
Kecamatan :
7

Kelurahan/Desa :

Lingkungan :
Rukun Tetangga (RT) :
B IDENTITAS UMUM RESPONDEN
8 Nama :
9 Umur : . Tahun
10 Jenis Kelamin :
1. laki-laki
2. Perempuan
11 Suku bangsa :
3. Bugis
19
4. Makassar
5. Mandar
Contoh
DAFTAR PERTANYAAN
Kuesioner
LAMA HARI RAWAT PASIEN RAWAT INAP DI RS
PELAMONIA
C IDENTITAS KHUSUS RESPONDEN KODE
LAMA PERAWATAN dan KEPUASAN PASIEN
12 Sejak ibu masuk RS sampai sekarang telah mejalani
hari rawat selama . Hari
13 Selama ibu di RS maka perawatan yang ibu terima :
a. Sangat puas 1
b. Puas 2
c. Biasa-biasa saja 3
d. Kurang puas 4
e. Sangat tidak puas 5
SIKAP PERAWAT
14 Selama ibu dirawat di RS ini, maka kesan pelayanan
yang diberikan oleh para perawat adalah :
a. Sangat ramah.
b. Ramah
c. Kurang ramah
d. Tidak ramah
e. Lainnya (tulis)
..

20
Prinsip dan
langkah-langkah
Penyuntingan data (Editing)
- Dilapangan
- Pengolahan
Koding (Coding).
-. Koding kuesioner
- Buat daftar variabel
- buat daftar koding
- Pemindahan hasil koding
- Buat program entry / tabulasi data
PENGOLAHAN DATA 21
Contoh daftar
DAFTAR VARIABEL
variabel
No KODE LABEL VARIABEL TIPE DIGIT DESIMA
(Nama variabel) L
1 NOMOR Nomor urut responden Numerik 2 0
IDENTITAS WILAYAH
2 LURAH Kelurahan. String 1 0
1. Tamalanrea
2. Daya
IDENTITAS UMUM RESPONDEN

3 UMUR Umur responden Numerik 2 0
4 SEX Jenis kelamin responden String 1 0
1. laki-laki
2. perempuan
5 SUKU Suku bangsa responden String 1 0

1. Bugis
2. Makassar
3. Mandar
4. Tator
5. Lainnya
IDENTITAS KHUSUS RESPONDEN
6 HRAWAT Lamanya pasien dirawat di ruang rawat Numerik 3 2

inap
22
Contoh daftar
koding
DAFTAR KODING
01= 01= 01= 01= 01= 01= 01= 01=

02= 02= 02= 02= 02= 02= 02= 02=
03= 03= 03= 03= 03= 03= 03= 03=
04= 04= 04= 04= 04= 04= 04= 04=
05= 05= 05= 05= 05= 05= 05= 05=
06= 06= 06= 06= 06= 06= 06= 06=
07= 07= 07= 07= 07= 07= 07= 07=
08= 08= 08= 08= 08= 08= 08= 08=
09= 09= 09= 09= 09= 09= 09= 09=
10= 10= 10= 10= 10= 10= 10= 10=
23
Prinsip dan
langkah-langkah
Entry data ( Pemasukan data )

Pembersihan data ( Cleaning )
Analisis data
Penyajian data
Penyimpulan hasil.
PENGOLAHAN DATA 24
PENYAJIAN DATA
25
Bentuk
Penyajian Data
Penyajian data dilakukan dalam
tiga bentuk yakni :
Tabel (Tabular
presentation)
Grafik (Grafical
presentation)
Narasi (Textular
PENYAJIAN DATA
presentation)
26
Penyajian Dlm
bentuk Tabel
Pengertian :
Tabel adalah salah satu bentuk penyajian data,
yang tersusun secara sistematis dalam bentuk
baris dan kolom, serta bertujuan untuk
membandingkan data dalam bentuk:
Baris dengan baris
Kolom dengan kolom
Baris dengan Kolom.
PENYAJIAN DATA 27
Komponen
Tabel
Tabel. 1 Penjelasan tentang bagian-bagian dari
pada suatu tabel di STIK GIA, Tahun 2004
STUB BOX HEAD TOTAL

Sub box Sub box
head head
Sub stub Sel tabel * Sel tabel Marginal
Baris
Sub stub Sel tabel Sel tabel Marginal
Baris
JUMLA Marginal
kolom
Marginal
kolom
H : Data primer
Sumber
Keterangan : * perlu penjelasan
PENYAJIAN DATA 28
Komponen
Tabel
Judul tabel :
Judul tabel hendaknya berisi tentang isi dari pada
suatu tabel seperti :
Unsur Apa ( Apa isi dari pada
tabel )
Unsur Dimana ( Tempat dimana
dilakukan )
Unsur kapan ( Waktu kapan
dilakukan )
PENYAJIAN DATA 29
Jenis-Jenis
Pembagian tabel: Tabel
Secara umum tabel terdiri dari dua
jenis yakni :
Tabel Induk=Master table=tabel referensi.

Adalah tabel yang berisi seluruh informasi
tentang hasil penelitian atau pengumpulan
data, sifatnya sangat umum, dan belum dapat
ditarik suatu kesimpulan.
PENYAJIAN DATA 30
Contoh tabel
Tabel 2 Induk
Data umum perawat di rumah
2004
sakit (x) tahun
No DATA UMUM RESPONDEN

Ur U Sex Suku Agama Pendidikan DLL
ut m L P 1 2 3 4 5 I K H B SD SLP SLA D3 S1 S2
ur
1 14 x
2 30 X
3 60 X
4 45 X
5 25 X
6 70 X
Sumber : Rumah Sakit
(x)
PENYAJIAN DATA 31
Jenis-Jenis
Tabel
Pembagian tabel:
Tabel Anak=Special table.

Adalah tabel yang digunakan untuk
kepentingan analisis khusus tentang variabel
dari hasil suatu penelitian, sifatnya sangat
spesifik, dapat ditarik kesimpulan, dan
terdiri dari : tabel satu arah, dua arah dan
tiga arah.
PENYAJIAN DATA 32
Jenis-Jenis
Tabel
Jenis tabel special
Tabel satu arah

Tabel dua arah
Tabel tiga arah
PENYAJIAN DATA 33
Jenis-Jenis
Tabel
Tabel satu arah
Adalah tabel yang memuat
keterangan mengenai
karakteristik dari satu
variabel tunggal.
PENYAJIAN DATA 34
Contoh Tabel
Tabel 3
satu arah
Distribusi jenis penyakit yang dirawat
di Rumah Sakit ( X ) tahun 2004
Jenis Penyakit Frekuensi Persen

(n) (%)
ISPA 30 13,3
DBD 45 20,0
TYPHOID 50 22,2
TBC 25 11,1
DIARE 75 33,4
JUMLAH 225 100,0
Sumber : Rumah Sakit (x)
PENYAJIAN DATA 35
Jenis-Jenis
Tabel
Tabel Dua arah
keterangan mengenai
karakteristik dari dua
variabel dalam satu tabel.
PENYAJIAN DATA 36
Contoh Tabel
dua Arah
Tabel 4 Hubungan kualitas pelayanan dirumah
Sakit (X) menurut komitmen kerja perawat
tahun 2004
Kualitas pelayanan
Komitmen keperawatan RS (X) TOTAL
kerja Baik Kurang
perawat
Jml Perse Jm Perse Jml Perse

n l n n
Baik 19 76,0 6 24,0 25 100,0

Kurang 5 20,8 18 78,3 23 100,0
Sumber : Data primer
JUMLAH 24 50,0 24 50,0 48 100,0
PENYAJIAN DATA 37
Jenis-Jenis
Tabel
Tabel Tiga Arah
keterangan mengenai
karakteristik dari tiga
variabel dalam satu tabel.
PENYAJIAN DATA 38
Contoh tabel
tiga arah
Tabel 5 Distribusi karakteristik tenaga perawat menurut rumah
sakit pada Dinas kesehatan Kota Makasar tahun 2004
Karakteristik tenaga perawat

Rumah Masa kerja Golongan Status kawin TOTAL
Sakit
1-5 6-10 11-> II III IV Tdk Kawi Janda
kawin n
RS RSW
RS
Stellamaris
RS
Pelamonia
Sumber
JUMLAH: DKK Makassar
PENYAJIAN DATA 39
Penyajian Dlm
bentuk Grafik
Pengertian :
Grafik adalah salah satu bentuk
penyajian data dalam bentuk garis
atau gambar-gambar dengan tujuan
utama untuk memberikan kesan
visual pada data:
PENYAJIAN DATA 40
Penyajian Dlm
bentuk Grafik
Jenis-jenis Grafik:
1. Grafik Garis (Line Chart)
2. Grafik batang (Bar chart)
3. Grafik Lingkaran (Pie Chart)
4. Grafik peta (Cartogram)
5. Grafik Gambar (Pictogram)
PENYAJIAN DATA 41
Penyajian Dlm
bentuk Grafik
Grafik Garis.
Adalah salah satu bentuk penyajian data
dengan menggunakan garis, serta
bertujuan untuk :
Mempermudah penarikan kesimpulan
Melihat perkembangan sesuatu
Dasarnya adalah sistem salib sumbu.
PENYAJIAN DATA 42
Penyajian Dlm
bentuk Grafik
Jenis Grafik Garis.
Grafik garis tunggal (single line chart)
Grafik garis berganda (multiple line chart)
Grafik garis komponen beganda (multiple
compnent line chart)
Grafik garis persentase komponen berganda
(multiple persentage componen line chart)
Grafik garis berimbang netto (net balance
line chart)
PENYAJIAN DATA 43
Contoh Grafik
garis tunggal
Grafik. 1 Perkembangan kunjungan bumil sejak tahun
1977- 1983 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 44
Contoh Grafik
garis berganda
Grafik. 2 Perkembangan kunjungan bumil dan anak
sejak tahun 1997-2001 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 45
Contoh Grafik garis
komponen berganda
Grafik. 3 Perkembangan kunjungan penyakit DBD dan
non DBD sejak tahun 1997-2001 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 46
Contoh Grafik garis persentase
komponen berganda
Grafik. 4 Perkembangan persentase kunjungan yang meninggal,
luka berat dan ringan sejak tahun 1997-2001 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 47
Contoh Grafik garis
berimbang netto
Grafik. 5 Selisih perbedaan kunjungan pasien masuk
dan keluar sejak tahun 1997-2002 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 48
Penyajian Dlm
bentuk Grafik
Grafik Batang.
Adalah salah bentuk penyajian data
dengan menggunakan batang / balok
sebagai pengganti garis.
PENYAJIAN DATA 49
Penyajian Dlm
bentuk Grafik
Jenis Grafik Batang
Grafik batang tunggal (single bar chart)
Grafik batang berganda (multiple bar chart)
Grafik batang komponen beganda (multiple
compnent bar chart)
Grafik batang persentase komponen berganda
(multiple persentage componen bar chart)
Grafik batang berimbang netto (net balance
bar chart)
PENYAJIAN DATA 50
Contoh Grafik
batang tunggal
Pace of Disease Gene Discovery
1981 - 2000
PENYAJIAN DATA
51
Contoh Grafik
batang tunggal
1997-1983 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 52
Contoh Grafik
batang berganda
The Observed Prevalence of CYP2C19
genotype within Geographically Dispersed
Populations
100
90 Caucasian
80 Saudi Arabian
70 African
Korean
60
Japanese
50
Chinese
40 Philippine
30 Aboriginal Australia
20 Indonesia
10 Thailand
Vanuatu
0
EM IM PM
PENYAJIAN DATA 53
Contoh Grafik
batang berganda
Grafik. 2 Perkembangan kunjungan bumil dan anak
sejak tahun 1997-2001 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 54
Contoh Grafik batang
komponen berganda
Sumber : RS (x)
PENYAJIAN DATA 55
komponen berganda
Sumber : RS (x)
PENYAJIAN DATA 56
komponen berganda
Sumber : RS (x)
PENYAJIAN DATA 57
komponen berganda
Sumber : RS (x)
PENYAJIAN DATA 58
berimbang netto
Sumber : RS (x)
PENYAJIAN DATA 59
berimbang netto
Sumber : RS (x)
PENYAJIAN DATA 60
Contoh
Grafik Pie
1997-1983 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 61
Contoh
Grafik Pie
1997-1983 di RS (x)
Sumber : RS (x)
PENYAJIAN DATA 62
Contoh
Grafik Pie
Functional Distribution of Known Genes in

The Cardiovascular System
PENYAJIAN DATA 63
Contoh
Grafik Peta
Estimated Numbers of TB Cases, 2002
< 1 000
1 000 to 9 999
10 000 to 99 999
100 000 to 999 999
1 000 000 or more
No Estimate
PENYAJIAN DATA 64
Contoh
Grafik Peta
Estimated TB Incidence Rates, 2002
per 100 000 population

< 10
10 to 24
25 to 49
50 to 99
100 to 299
300 or more
No Estimate
PENYAJIAN DATA 65
Contoh Grafik
Gambar
= 2000
=
1500
=
1000
= 500
Keterangan : = 500
1
PENYAJIAN DATA 66
Penyajian dalam bentuk
teks (Narasi)
Penyaian dalam bentuk narasi :
Dimaksudkan untuk memberikan pejelasan suatu hasil laporan
baik berupa hasil penelitian, atau yang lainnya, dengan
sistematika sebagai berikut :
1. Topik / judul
2. Latar belakang
3. Tujuan
4. Metodologi
5. Ulasan Hasil yang dicapai
6. Kesimpulan
PENYAJIAN DATA 67
Terima kasih
sampai jumpa
pada kuliah
berikutnya
68
Jenis Analisis
Data
Analisis data dilakukan dalam dua
bentuk yakni :
Analisis Deskriptip
Analisis Analitik
ANALISIS DATA 69
Hasil
Pengolahan
Data
Hasil pengolahan data dapat
disusun dalam dua bentuk yakni :
Bentuk Row Data

Array Data
ANALISIS DATA 70
Contoh Row
Data
Data disusun menurut urutan nomor observasinya sebagai
berikut : Data hasil pengukuran 35 orang Berat Badan Bayi
5,6 6,6 11,7 6,0 4,4

7,5 6,8 2,7 4,9 6,7
6,0 4,9 4,0 6,0 7,3
4,2 7,6 8,4 5,9 6,4
6,6 7,4 5,2 5,1 5,2
7,6 7,2 10,2 3,6 7,5
10,3 5,9 7,3 4,8 3,7
ANALISIS DATA 71
Contoh
Array Data
Data disusun menurut urutan besar kecilnya nilai pengukuran
Contoh Data hasil pengukuran 35 orang Berat Badan Bayi
2,7 4,9 5,9 6,7 7,5

3,6 4,9 6,0 6,8 7,6
3,7 5,1 6,0 7,2 7,6
4,0 5,2 6,0 7,3 8,4
4,2 5,2 6,4 7,3 10,2
4,4 5,6 6,6 7,4 10,3
4,8 5,9 6,6 7,5 11,7
ANALISIS DATA 72
Keuntungan
Array Data
Dengan array data dapat diketahui :
Nilai terendah : 2,7
Nilai tertinggi : 11,7
Nilai Range : 11,7 2,7 = 9
Nilai Frekuensi : (4,9 ; 4,9 dsl )
Petunjuk pengelompokan data.
ANALISIS DATA 73
Pengelompok
an Data
Tujuannya untuk memproleh
INFORMASI yang lebih
banyak serta
MEMPERMUDAH perhitungan
dan PENYAJIAN data
ANALISIS DATA 74
Pengelompok
Tabel 1 an Data
Distribusi frekuensi berat badan dari 35 bayi (Kg )
di Puskesmas Daya Makassar tahun 2003
No Berat Badan bayi (kg) Frekuensi
1 1,0 2,99 1
2 3,0 4,99 8
3 5,0 6,99 14
4 7,0 8,99 9
5 9,0 10,99 2
6 11,0 12,99 1
JUMLAH 35
ANALISIS DATA 75
Terminologi dalam
pengelompokan Data
Class Interval ( 1,0 2,99 )
Class limit
Lower class limit ( bkb) ( 1,0 )
Upper class limit ( bka) ( 2,99 )
Class size
( Bka Bkb = 2.99 1,0 = 2 unit )
Class Mark = Mid point class (bkb+bka/2)
ANALISIS DATA 76
Terminologi dalam
pengelompokan Data
BESARNYA KELAS
Antara 6 - 20 kelas
Dengan rumus Sturgers
K = ( 1 + 3,3 log n )
Keterangan :
K = Jumlah kelas
n = Jumlah observasi
ANALISIS DATA 77
Jenis Analisis
ANALISIS DESKRIPTIP
Data
Data Kategori
Univariat
ANALISIS ANALITIK
Bivariat
Data Numerik Data Kategori
Univariat
Univariat
Bivariat Bivariat
Data Numerik
Univariat
Bivariat
ANALISIS DATA 78
Bilangan Relatif
Rasio
Adalah besaran hasil perbandingan antara dua angka.
Sifatnya relatif dan tidak merupakan indikator besarnya angka
yang dibandingkan.
Menyatakan besarnya tiap unit angka kedua terhadap unit
angka pertama
Bila diperkalikan dengan suatu Konstanta ( K ) ia berarti
Besarnya unit angka pertama per 100 atau 1000 unit angka
kedua.
Contoh :
50 laki-laki terhadap 40 perempuan berarti 125 laki-laki setiap
100 perempuan.
Atau : 50/40 x 100. ( index )
ANALISIS DATA 79
Bilangan Relatif
Proporsi
Adalah rasio yang menunjukkan bagian relatif dari angka total.
Dinyatakan dengan rumus :
a
----------
a+b
Keterangan :
a = laki-laki
b = perempuan
(a+b) = Total
Nilainya tidak pernah mencapai nilai 1 tetapi hanya berkisar antara

0.0 0.99.
ANALISIS DATA 80
Bilangan Relatif
Adalah proporsi Persen
yang diperkalikan dengan bilangan konstanta.
( K = 100 atau 1000 )

a
---------- x 100
a+ b
Contoh :
Diantara laki-laki dan perempuan terdapat 5 % perempuan
Sifat persen
1. Sebagai kesimpulan
2. Sebagai standarisasi
3. Perbandingan
ANALISIS DATA 81
Bilangan Relatif
Rate
Adalah rasio yang menunjukkan bagian relatif dari angka total
dimana angka total ini adalah mereka yang termasuk mengalami
resiko.

a
---------------------
(a+b)R
Keterangan :
a = laki-laki
b = perempuan
(a+b) = Total
R = Risk factor
Nilainya tidak pernah mencapai nilai 1 tetapi hanya berkisar antara 0.0
0.99.
ANALISIS DATA 82
Analisis Deskriptip
Nilai tengah
Ialah suatu nilai yang
terletak paling
ditengah dari suatu
sebaran nilai dan
merupakan wakil dari
nilai-nilai yang ada Jenisnya :
didalam sebaran 1.Mean
tersebut. 2.Median dan
3.Modus.
ANALISIS DATA
83
Analisis Deskriptip
data
Untuk Nilai tengah
kategori hanya ada dua nilai
tengah yakni : MEDIAN dan MODUS.
Sedangkan untuk data numerik ada tiga
nilai tengah yakni : MEAN, MEDIAN dan
MODUS
Pada perhitungan nilai tengah untuk data
numerik dikenal data yang tidak
dikelompokkan dan data yang
dikelompokkan.
ANALISIS DATA
84
Analisis Deskriptip
Mean
Adalah nilai yang terletak DITENGAH-
TENGAH dari pada suatu distribusi
angka-angka.
merupakan nilai yang REPRESENTATIF
untuk suatu data dan paling sering
digunakan
Merupakan PENJUMLAHAN nilai-nilai
pengamatan dibagi dengan banyaknya
pengamatan yang dilakukan
ANALISIS DATA Nilai

85
Analisis Deskriptip
Mean
Rumus umum
Data tanpa frekuensi variabel
Xi
Mean = ------------
n
Keterangan : Xi = Nilai observasi
n = Banyaknya observasi
ANALISIS DATA Nilai

86
Analisis Deskriptip
Mean
Contoh :
Hasil pengukuran nilai ujian mata kuliah biostatistik
untuk 5 orang mahasiswa STIK-GIA sebagai berikut
: 70; 69; 45; 80; dan 56
Perhitungan :
70 + 69 + 45 + 80 + 56
Mean = ------------------------------------ = 64
5
ANALISIS DATA Nilai

87
Analisis Deskriptip
Mean
Rumus umum
Data dengan frekuensi variabel
fi (xi)
Mean = ------------
n
Keterangan : Xi = Nilai observasi
n = Banyaknya observasi
fi = Frekuensi Xi
ANALISIS DATA Nilai

88
Analisis Deskriptip
Contoh : Mean
Hasil pengukuran nilai ujian mata kuliah biostatistik untuk 16
orang mahasiswa STIK-GIA sebagai berikut : 5 orang
memperoleh 70; 6 orang 69; 3 orang 45; 1 orang 80; dan 1 orang
56
Perhitungan
( xi ) Frkuensi ( fi ) fixi
70 5 350
69 6 414
45 3 135
80 1 80
56 1 56
Jumlah 16 fixi = 1035
ANALISIS DATA Nilai

89
Analisis Deskriptip

Sifat-sifat Mean Mean
Jumlah selisih nilai pengamatan dengan mean
adalah nol ( Xi - Mean ) = 0
Contoh : Hasil pengukuran nilai 5 orang mahasiswa
( xi ) ( xi - Mean ) Hasil
70 70 - 64 +6
69 69 - 64 +5
45 45 - 64 - 19
80 80 - 64 + 16
56 56 - 64 -8
Mean = 0
64
ANALISIS DATA Nilai

90
Analisis Deskriptip
Mean
Sifat-sifat Mean
Jumlah selisih nilai pengamatan dengan mean
adalah nol ( Xi - Mean ) = 0
Dipengaruhi oleh nilai ekstrim
Nilai mean dari beberapa kelompok data yang
masing-masing mempunyai nilai mean adalah :
n1(m1) + n2 (m2) + . nk(mk)

Mean Gab = --------------------------------------------------
n1 + n2 . nk
Keterangan :
N = Kelompok data
M = Mean kelompok data
ANALISIS DATA Nilai

91
Analisis Deskriptip
Mean
Data Berkelompok
Nilai observasi tidak dipertimbangkan satu persatu,
tetapi dalam bentuk nilai tengah kelompok kelas.
Langkah-langkah perhitungan sebagai berikut :
1. Sususn data dalam bentuk kelas dengan interval tertentu.

2. Tentukan titik tengah kelas.
3. Hitung frekuensi masing-masing kelas.
4. Perkalikan frekuensi kelas dengan titik tengah kelas.
ANALISIS DATA Nilai

92
Analisis Deskriptip
:Mean
Contoh penyelesaian Data hasil pengukuran 35 orang berat
badan bayi dengan tabel penyelesaian sbb :
Kelas (BB Bayi = kg) Titik tengah (xi) Frek (fi) xi.fi
1.0 - 3.0 2 1 2
3.0 - 5.0 4 8 32
5.0 - 7.0 6 14 84
7.0 - 9.0 8 9 72
9.0 - 11.0 10 2 20
11.0 - 13.0 12 1 12
JUMLAH 35 XI.fI = 222
fi (xi)
Mean = ------------ = 6,34
n
ANALISIS DATA Nilai 93

Analisis Deskriptip
Median
Adalah nilai pengamatan yang terletak
ditengah-tengah dari pada suatu distribusi
angka-angka apabila pengamatan disusun
dalam bentuk Arry
Membagi dua hasil pengamatan yang
telah di array, sebagian dibawah median
dan sebahagian lagi diatas median.

Analisis Deskriptip
Median
Rumus Umum untuk Data Yang Ganjil
n+1
Median = X ( ----------- )
2
Keterangan :
X = pengamatan yang ke x
Rumus lain
Median n = 2k + 1
Keterangan :
n = bilangan ganjil
k = bilangan konstan

Contoh
Array Data
Contoh Data hasil pengukuran 35 orang Berat Badan Bayi
2,7 4,9 5,9 6,7 7,5

3,6 4,9 6,0 6,8 7,6
3,7 5,1 6,0 7,2 7,6
4,0 5,2 6,0 7,3 8,4
4,2 5,2 (Md) 7,3 10,2
4,4 5,6 6,4 7,4 10,3
4,8 5,9 6,6 7,5 11,7
6,6

Analisis Deskriptip
Median
Rumus Umum
35 + 1
Median = X ( ----------- ) = 18
2
Keterangan :
X = pengamatan yang ke 18
Rumus lain Median 35 = 2k + 1

Median 35 = 2k + 1 2k = 35 -1 = 34
Keterangan :
n = bilangan ganjil K = 34/2 = 17
k = bilangan konstan
Md = k+1 17 + 1 = 18

Analisis Deskriptip
Umum
Rumus Median
untuk Data Yang GENAP
x (n/2) + x (n/2+1)
Median = ----------------------------
2
Keterangan :
X = pengamatan yang ke x
Contoh :
Row Data : n = 8 4; 12; 5; 7; 8; 10; 10; 9
Array Data 4; 5; 7; 8; 9; 10; 10; 12
x 8 / 2 ) + x (8 / 2+1) 9
Median untuk n = 8 = ---------------------------- = ----- = 4,5
2 2
Md terletak pada pengamatan yang ke 4,5 atau pada nilai
pengamatan = 8,5

Analisis Deskriptip
Umum
Rumus Median
untuk Data BERKEOLOMPOK
N / 2 - fb
Md = ----------------- x c
f(Md)
Keterangan :
N = Jumlah observasi
Fb = jml frek. interval kelas dibawah kls median
F(md) = Jumlah frekuensi kelas median
C = Ukuran kelas

Analisis Deskriptip
Tabel 1 Median
Distribusi frekuensi berat badan dari 35 bayi (Kg )
di Puskesmas Daya Makassar tahun 2003
No Berat Badan bayi (kg) Frekuensi
1 1,0 2,99 1
2 3,0 4,99 8
3 5,0 6,99 14 * f (Md)
4 7,0 8,99 9
5 9,0 10,99 2
6 11,0 12,99 1
JUMLAH 35

Analisis Deskriptip
Median
Penyelesaian :
N = 35 35 / 2 - 9
fb = 9 Md = --------------- x 2 = pd nilai 6,21
f(md) = 14
C=2
14
Dengan menggunakan rumus untuk data tidak

berkelompok :
35/2 - 9
Median untuk n = 35 = ---------------- x 2 = 18
14
Md terletak pada pengamatan yang ke 18 atau pada nilai
pengamatan = 6, 21

Analisis Deskriptip
Modus
Adalah nilai pengamatan yang
mempunyai frekuensi terbanyak.
Dapat digunakan untuk mendeskripsikan
data kualitatif.
Tergantung dari keadaan pengukuran,
maka suatu distribusi data dapat
mempunyai : satu modus ( bimodal ),
atau lebih dari dua modus (multimodal).

Analisis Deskriptip
Modus
Adalah nilai pengamatan yang mempunyai frekuensi
terbanyak.
Dapat digunakan untuk mendeskripsikan data kualitatif
Tergantung dari keadaan pengukuran, maka suatu
distribusi data dapat mempunyai : satu modus, (unimodal,
dua modus (bimodal) atau lebih dari dua modus
( multimodal )
Data tidak berkelompok
Contoh : 2, 3, 8, 9, 8, 8, Mo = 8

Analisis Deskriptip
Modus
Data berkelompok
Rumus
Sa
Mo = Bkb + ( --------------- ) x c
Sa + Sb
Ket.
Bkb = batas kelas bawah dimana modus berada
Sa = selisih frek. Kelas modus dengan kelas diatasnya
Sb = selisih frekuensi kelas modus dengan kelas dibawahnya
c = ukuran kelas

Analisis Deskriptip
Contoh : Modus
Pengelompokan dari 35 berat badan bayi (kg) menurut
kelas sebagai berikut :
Kelas (BB Bayi = kg) Frek.(fi)
1.0 2.9 1
3.0 4.9 8
5.0 6.9 14 ( Kelas Modus) *
7.0 8.9 9
9.0 10.9 2
11.012.9 1
JUMLAH 35

Analisis Deskriptip
Modus
Penyelesaian
Kelas Mo = Kelas ke 3 f = 14
Sa = 14 8 = 5
Sb = 14 9 = 5
c = 2
Bkb = 5
6
Mo = 5 + (-------) x 2 = 6,1
6 + 5

Arti dan
Mean Manfaat
Meng-asumsikan keberadaan dari nilai numeric :
X1, X2,. Xn dari pengamatan, sehingga jarak
antara pasangan pengamatan dapat diketahui
dengan jelas.
Dapat digunakan untuk melakukan pengelompokan
atau pengkategorian data yang diukur menurut
skala interval atau rasio kedalaman kategori-
kategori.
Sebagai parameter untuk kepentingan uji statistic

parametric

Arti dan
Manfaat
Median
Cocok untuk data yang diukur dengan
skala ordinal, karena cara perhitungannya
hanya didasarkan pada urutan data nilai
pengamatan.
Tidak sensitive terhadap jarak setiap nilai
pengamatan atau tidak dipengaruhi oleh
nilai ekstrim.

Arti dan
Manfaat
Median
Sangat baik digunakan apabila
distribusi data sangat miring ( higly
skewed )
Sangat bermanfaat untuk digunakan
pada penentuan batas nilai
pengelompokan kategori data.

Arti dan
ManfaatMedian
Cocok untuk data yang diukur dengan
skala ordinal, karena cara
perhitungannya hanya didasarkan pada
urutan data nilai pengamatan.
Tidak sensitive terhadap jarak setiap
nilai pengamatan atau tidak
dipengaruhi oleh nilai ekstrim.

Arti dan
Manfaat
Modus
Adalah nilai pengamatan yang
mempunyai frekuensi terbanyak.
Dapat digunakan untuk
mendeskripsikan data kualitatif.

Arti dan
Manfaat
Modus
Tergantung dari keadaan pengukuran, maka
suatu distribusi data dapat mempunyai : satu
modus ( unimodal ), dua modus ( bimodal ),
atau lebih dari dua modus ( multimodal ).
Sangat baik digunakan untuk data yang
diukur dengan skala nominal.

Arti dan
Manfaat
Mean, Median, dan Modus.
Berfungsi menentukan keadaan
distribusi data hasil pengukuran yakni :
apabila nilai mean, median dan modus
berimpit pada satu titik atau mendekati
satu titik maka distribusi data dapat
didekati dengan distribusi normal.

Terima kasih
sampai jumpa pada
kuliah berikutnya
114
Batas kuliah tanggal 20
Oktober 2003 STIK-GIA
115
Pengerti
Dikenal juga dengan istilah
an UKURAN VARIASI yang berarti
sejauh mana variasi hasil
pengukuran yang ada didalam
suatu distribusi kekiri dan kekanan
dari niali tengahnya tetapi masih
dapat dipercaya sebagai nilai-nilai
normal.

PengertiUkuran variasi ini memberikan arti
mengenai naik turunnya hasil pengukuran
an atau variabilitas pengukuran yang
dilakukan.
Apabila nilai ini meningkat berarti hasil
pengukuran yang dilakukan sangat
bervariasi atau heterogen sebaliknya bila
nilainya mendekati titik tengah atau nol
berarti hasil pengukuran yang dilakukan
homogen.

Jenis Nilai
sebar Untuk data Numerik
1.Range
2.Mean Deviasi ( simpangan rata-rata )
3.Variance
4.Standard Deviasi.
Untuk data kategori

5.Kuartil
6.Desil
7.Persentil.

Rang
Ialah selisih antara nilai tertinggi dengan nilai
terendah didalam distribusi hasil pengukuran.
e Contoh : 2, 102, 107, 110, 111, 120, 139, 145,
150, 1202.
Range : 1202 2 = 1200
Sifat Range
1. Dipengaruhi nilai ekstrim.
2. Nilai lain yang ada didalam hasil pengukuran tidak
berpengaruh dalam penentuan range.
3. Tidak sempurna sebagai ukuran penyebaran.
Mean
Deviasi Ialah penyimpangan nilai masing-
masing hasil pengukuran ( Xi ) dengan
nilai rata-ratanya.
Keuntungan
Nilai setiap hasil pengukuran (xi) tetap
diperhatikan
Menggunakan nilai mutlak untuk
menghilangkan nilai negatifnya.

Mean
Deviasi
Rumus
SR = (1/n ) (Xi X)
Contoh : Hasil pengukuran berat badan
5 orang dewasa dalam kg sebagai
berikut : 70, 30, 45, 65, 40,

Mean
Deviasi
Contoh : Hasil pengukuran berat badan 5 orang dewasa dalam
kg sebagai berikut : 70, 30, 45, 65, 40,
Hasil Pengukuran ( Xi - X ) SR Nilai mutlak
( kg ) SR
70 70 50 +20 +20
30 30 50 -20 +20
45 45 50 -05 +05
65 65 50 +15 +15
40 40 50 -10 +10
MEAN = 50 0 70
SR = (1/5) (70) = 14

Mean
Data berkelompok
Deviasi
SR = (1/n ) ( Xi ). f
Contoh : Data hasil Pengukuran berat badan 35 bayi dalam kg setelah dikelompokkan
Kelas ( BB Bayi = Titik Frek. SR ( Xi )

kg ) ( Xi ).f
tengah (fi )
1,0 3,0 2 1 02 6,34 = - 4,34 4,34
3,0 5,0 4 8 04 6,34 = - 2,34 18,72
5,0 7,0 6 14 06 6,34 = - 0,34 4, 76
7,0 9,0 8 9 08 6,34 = + 1,66 14,94
9,0 11,0 10 2 10 6,34 = + 3,66 7,32
11,0 13,0 12 1 12 6,34 = + 5,66 5,66
Mean = 6, 34 - 35 - = 55, 74
SR = ( 1/n ) ( Xi ) .f
SR = ( 1/35 ) ( 55,74 ) = 1.592

Variance
Ialah penggunaan pangkat dua

dari simpangan rata-rata untuk
masing-masing hasil pengukuran
(xi) baik untuk data tidak
berkelompok maupun data
berkelompok.

Variance
Rumus
Variance = ( 1/n ) ( Xi X )
Contoh : Hasil pengukuran berat
badan 5 orang dewasa dalam kg
sebagai berikut : 70, 30, 45, 65, 40

Variance
Contoh Data tidak berkelompok : Hasil pengukuran berat badan
5 orang dewasa dalam kg sebagai berikut : 70, 30, 45, 65, 40
Hasil pengukuran (kg) (Xi - ) SR (Xi - )
70 70-50 +20 400

30 30-50 -20 400
45 45-50 -5 25
65 65-50 +15 225
40 40-50 -10 100
Mean = 50 0 = 1150
)
Variance = ( 1/n ) ( Xi-
Variance = ( 1/5 )
(1150) = 230
Variance Data berkelompok
Variance = ( 1/n ) (Xi- ).f
Contoh : data hasil pengukuran berat badan 35 bayi dalam kg
setelah dikelompokkan
Kelas Titik Frek. SR
(BB Bayi = kg) tengah ( fi ) ( Xi ) ( Xi ) (Xi ).f
01.003.0 2 1 02 - 6,34 = - 4,34 18,8 18,8
03.005.0 4 8 04 - 6,34 = - 2,34 5,5 44
05.007.0 6 14 06 - 6,34 = - 0,34 0,12 1,68
07.009.0 8 9 08 - 6,34 = + 1,66 2,75 24,75
09.0- 11.0 10 2 10 6,34 = + 3,66 13,4 26,8
11.013.0 12 1 12 6,34 = + 5,66 32,0 32
Mean ( ) = 6,34 - 35 - - 148.03

Variance = ( 1/n ) ( Xi ) . f
Variance = ( 1/35 ) (148.03 ) = 4,229

Standard
Deviasi
Disebut juga dengan Ukuran
penyebaran titik pusat .
Diperoleh dengan mengakarkan
variance.
Notasi : - s = Standard Deviasi
Sampel
- = Standard Deviasi
Populasi

Standard
Deviasi
Rumus
= (1/n) ( Xi )
Rumus lain Merupakan koreksi dari rumus diatas
( Xi )
= ( Xi - -------------- )
n
Rumus ini dikenal dengan Unbiased estimate dari

Standard
Deviasi
Contoh : Hasil pengukuran berat badan 5 orang
dewasa dalam kg sebagai berikut : 70, 30, 45, 65, 40.
= (1/n) ( X i- )
= ( 1/5 ) ( 1150 )
= 230 = 15,16
Data berkelompok
= ( 1/n ) ( X i ). f
= ( 1/35 ) (148.03 ) = 4,229
= 4,229 = 2,05

Sifat standard
Deviasi
1. Mean pada rumus standard Deviasi dapat
diganti dengan nilai median atau modus
= ( 1/n ) ( Xi Md / Mo )
2. Petunjuk luas daerah penerimaan dibawah

kurva normal ( Mean + SD )

Sifat standard
Deviasi
Contoh Petunjuk luas:
- 3 SD - 2 SD -1 SD Mean +1 SD +2SD + 3 SD
- Mean 1 SD luas daerahnya = 68,27 %.


Sifat standard
Deviasi
3. Standard deviasi beberapa buah distribusi yang
masing-masing mempunyai standar deviasi
adalah.
n1s1 + n2s2 + .nmsm
= -----------------------------------------
n1 + n2 + nm
Ket : - s1 varians distribusi 1 dst.
- n1 jumlah sampel distribusi 1 dst.

Sifat standard
Deviasi
4. Rumus koreksi perhitungan standard
deviasi adalah sbb :
c
Varians = -------- s = interval kelas.
12
5. SR = 4/5 Standard Deviasi semi interquartile

range = 2/3 SD

Standard
Error
Adalah perbedaan nilai sampel dengan nilai
populasinya.
Rumus :
SD
SE = -------
n
Ket : SE Standard error
: SD standard deviasi
: n besar sampel

Koefisien
Variasi
Gunanya :
1. Membandingkan variasi dari dua nilai kelompok data
2. Melihat mana yang lebih bervariasi dibandingkan
dengan yang lain.
Rumus :
- Populasi - Sampel
s
KV = ----- x 100 % KV = --------- x 100 %
mean

Kuartil
Adalah nilai sebar yang

digunakan untuk mengetahui
penyebaran suatu distribusi
data yang berbentuk
kategori ( diukur menurut
skala nominal atau ordinal )
ANALISIS DATA Nilai

Inter quartile range
137
Kuartil
Nilai yang membagi suatu data
menjadi 4 bahagian yang sama, dan
nilai tersebut adalah Q1, Q2, dan
Q3,
Q1 Q2 Q3
Q1=25%
Q2=50%
Q3 = 75%
Inter quartile range

Kuartil
Q1 = Kuartil pertama
Artinya 25 % data nilainya dari Q1
Q2 = Kuartil kedua
Q3 = Kuartil ketiga

Kuartil
Apabila suatu kelompok data / nilai telah
dilakukan array maka kuartilnya dapat
dihitung sebagai berikut :
Rumus umum :
i(n+1)
Qi = --------------
4
Ket. i pengukuran ke 1, 2, 3, ..dst.

Kuartil
Contoh :
Hasil pengukuran data BB karyawan RS sebanyak

13 orang sebagai berikut : ( n = 13 )
40, 30, 50, 65, 45, 55, 70, 60, 80, 35, 85, 95, 100.
Hasil Array data
X1 = 30 X6 = 55 X11 = 85
X2 = 35 X7 = 60 X12 = 95
X3 = 40 X8 = 65 X13 = 100
X4 = 45 X9 = 70
X5 = 50 X10 = 80

Kuartil
Penyelesaian
1( 13 + 1 ) 14
Q1 = nilai yang ke ----------------- ---- = 3,5
4 4
= pengamatan yang ke 3,5 40 + 45 / 2
= 42,5
2 ( 13 + 1 ) 28
Q2 = nilai yang ke ------------------ ----- = 7
4 4
= pengamatan yang ke 7 60
3 ( 13 + 1 ) 42
ANALISIS DATA Nilai
Q3 = nilai yang ke ------------------ ------
10,5
142 =
Desil
Adalah nilai sebar yang

digunakan untuk mengetahui
penyebaran suatu distribusi
data yang berbentuk kategori
( diukur menurut skala nominal
atau ordinal ).

Desil
Nilai ini membagi suatu set data
menjadi 10 bagian yang sama, dan
nilai tersebut adalah :
D1, D2, D3, . D9
Nilai tersebut masing-masing

bernilai 10 % dari keseluruhan set
data.

Desil
D1 = Desil pertama Artinya 10 % data nilainya dari D1
D2 = Desil kedua Artinya 20 % data nilainya dari D2
D3 = Desil ketiga Artinya 30 % data nilainya dari D3
D4 = Desil keempat Artinya 40 % data nilainya dari D4
D5 = Desil kelima Artinya 50 % data nilainya dari D5
D6 = Desil keenam Artinya 60 % data nilainya dari D6
D7 = Desil ketujuh Artinya 70 % data nilainya dari D7
D8 = Desil ke delapan Artinya 80 % data nilainya dari D8
D9 = Desil ke sembilan Artinya 90 % data nilainya dari D9

Desil
Contoh : Hasil pengukuran karyawan BB
karyawan RS sebanyak 13 orang sebagai
berikut : ( n = 13 )
40, 30, 50, 65, 45, 55, 70, 60, 80, 35, 85,
95, 100.
Penyelesaian : Prinsip sama dengan

Quartil

Desil
1 ( 13 + 1 ) 14
D1 = nilai yang ke ----------------- ------- = 1,4
10 10
= Pengamatan yg ke X1 + 4 / 10 ( X2 X )
= 30 + 4 / 10 ( 35 30 ) = 31
D2 = dan selanjutnya prinsip perhitungan

sama dengan diatas.

Kemirin
gan Apabila didalam perhitungan
nilai tengah, Mean = median =
modus memberikan nilai sama
atau mendekati pada satu titik
maka terbentuk suatu kurva yang
dikenal dengan Kurva Normal.

Kemiringan =
Skewness
Bentuk kurva:
1.Normal
2.Miring ke
kanan
3.Miring ke kiri
- 3 SD - 2 SD -1 SD Mean +1 SD +2SD + 3 SD
BENTUK KURVA NORMAL

Kemirin
gan Apabila didalam perhitungan nilai
tengah, Mean = median = modus tidak
memberikan nilai sama atau saling
menjauhi maka terbentuk suatu kurva
yang dikenal dengan Kurva yang
skewness atau miring.

Skewness
negatif
Apabila didalam perhitungan nilai tengah, Mean <
median < modus maka terbentuk suatu kurva yang
dikenal dengan SKEWNESS NEGATIF .
Mean < Md < Mo
Rumus : ( Mean Mo ) = ( - ) atau Mean < Mo

Skewness
positif
Apabila didalam perhitungan nilai tengah, Mean > median >
modus maka terbentuk suatu kurva yang dikenal dengan
SKEWNESS POSITIF .
Mean > Md > Mo
Rumus : ( Mean Mo ) = (+) atau Mean > Mo

Koefisien
Skewness
Koefisien Skewness Pearson
Koefisien Skewness Pearson 1. (SKP-1)
Rumus :
Mean Mo
SKP-1 = ---------------------
S
Ket : Mean = Rata-rata
hitung
Mo = Modus
S = Standard Deviasi
UKURAN KEMIRINGAN
(Koefisien Skewness)
Koefisien Skewness Pearson

Koefisien Skewness Pearson 2. (SKP-2)
Rumus :
3(Mean Mo)
SKP-2 = ---------------------
S
Ket : Mean = Rata-rata hitung

Mo = Modus 154
KURAN KERUNCINGAN (Kurtosis)
Manfaat
Menentukan bentuk kurva
Menentukan apakah suatu distribusi dapat
didekati dengan fungsi normal atau tidak.
Jenis :
Lepto kurtis.
Platy kurtis
Meso kurtis
155
Lepto kurtis.
Sebahagian besar frekuensi tertumpuk
pada interval yang pendek sekitar nilai
mean.
Contoh :
Mean 156
Platy kurtis
Frekuensi data tersebar merata pada seluruh kelas,
kecuali kelas pertma dan terakhir.
Contoh :
Mean
157
UKURAN KERUNCINGAN (Kurtosis)
Meso kurtis
Frekuensi data tersebar mendekati distribusi
normal
Contoh :
Mean
158
UKURAN KERUNCINGAN
( Perhitungan keruncingan
kurtosis )
Menggunakan moment ke 4 sekitar mean ( 4 ).
Rumus :
M 1/n fi ( Mi x )
4 = ------------- = --------------------------------
S S
Ket : - 1, 2, 3 dihitung lebih dahulu
- Mi titik tengah kelas
159
UKURAN KERUNCINGAN
( Perhitungan keruncingan
kurtosis )
Menggunakan Quartile koefisien of Kurtosis ( QCK )
Rumus :
( Q3 Q1 ) Ket : - Q Quartile
QCK = ---------------------- - P Persentil
P90 P10
Penilaian :
4 = 3 Normal
4 3 Lepto kurtis
4 3 Platy kurtis
QCK = 0,263 Normal ( Dapat didekati dengan distribusi normal )

160
Terima kasih
Dilanjutkan pada
161
ANALISIS VARIABEL PENELITIAN
(Tujuan Analisis)
Menilai kelayakan suatu variabel untuk
dimasukkan dalam analisis statistic.
Menilai keadaan distribusi data untuk variabel
yang akan dianalisis, dengan parameter : nilai
tengah dan dispersi.
Jenis Analisis
Analisis Univariat.
Analisis Bivariat.
Analisis Multivariat.
162
(Analisis Univariat)
Jenis Analisis
1. Analisis distrbusi frekuensi
2. Analisis deskriptip
Sifat
3.Tergangtung dari tujuan studi / masalah penelitian

yang akan dijawab.
4.Jumlah variabel yang terlibat.
5.Skala pengukuran variabel dan metode statistic yang
akan digunakan.
163
Tujuan
Memperlihatkan / menjelaskan distribusi data dari

variabel yang terlibat dalam penelitian.
Parameter yang digunakan

Nilai tengah.
Nilai Sebar.
Ukuran Kemiringan.
Distribusi data.
164
Analisis Distribusi Frekuensi
Deskripsi tipe distribusi dan skala pengukuran data
Deskripsi Skala Pengukuran

Distribusi Data
Nominal Ordinal Interval-Rasio
Frekuensi Proporsi Nilai Mutlak Nilai Mutlak

( Persentase ) dan Proporsi dan Proporsi
Nilai tengah Modus Median Mean
Dispersi - Interquatile Standard
Deviasi
165
(Contoh Frekuensi Distribusi Data)
Frekuensi Univariat Dgn Skala Nominal
Tabel.1 Distribusi Tempat Berobat Responden Pada Saat Sakit Di Wilayah Kerja Puskesmas
Bantimurung Kec. Bantimurung Kab. Maros Tahun 2002
TEMPAT BEROBAT PADA SAAT SAKIT JUMLAH PERSEN
Bides / Pustu / Manteri 72 46,8

Puske smas 47 30,5
Dokter praktek 5 3,2
Berobat sendiri 22 14,3
Lainnya 8 5,2
JUMLAH 154 100.0
Apabiladilihat
Apabila dilihatdistribusi
distribusitempat
tempatberobat
berobatpada
padaresponden
respondensakit
sakitmaka
makatabel
tabel33memperlihatkan
memperlihatkan
sekitar80,4
sekitar 80,4persen
persendari
dariresponden
respondenmemilih
memilihtempat
tempatberobat
berobatpada
padasarana
saranakesehatan
kesehatanmodern
modern
yangterdiri
yang terdiridari
dariBindes
Bindes/ /Pustu
Pustu/ /Manteri,
Manteri,Puskesmas,
Puskesmas,dan
dandokter
dokterpraktek.
praktek.Selebihnya
Selebihnyamemilih
memilih
berobatsendiri
berobat sendiridan
dantidak
tidakberobat
berobat 166
Frekuensi Bivariat Dgn Skala Nominal
Tabel 2 Distribusi Kejadian diare 3 bulan terakhir Menurut sumber pencemaran Di wilayah kerja
Puskesmas Kecamatan Bantimurung Kabupaten Maros Tahun 2002
Sumber Kejadian diare 3 bulan terakhir Total

Pencemaran
Ada Tidak ada
Jml Persen Jml Persen Jml Persen
Septik tank 19 50,0 19 50,0 38 100.0

WC Cemplung 5 26,3 14 73,7 19 100.0
Pmukaan tanah 14 73,7 5 26,3 19 100.0
Tdk ada 31 39,7 47 60,3 78 100.0
Jumlah 69 44,8 85 55,2 154 100.0
Sumber : data primer
Dari tabel 2 diatas diperlihatkan kejadian diare menurut sumber pencemaran. Dari tabel
tersebut terlihat kejadian diare terbanyak terjadi melalui permukaan tanah yg
terkontaminasi,selanjutnya melalui septic tank. Ada sebanyak 39,7 persen yg sesungguhnya
tdk ada sumber pencemaran tetapi terjadi diare utk 3 bulan terakhir.
167
Frekuensi Bivariat Dgn Skala Ordinal
Tabel 3 Distribusi status kesehatan gigi dan mulut mnurut pengetahuan kesehatan gigi murid SD UKGS
di kecamatan Bantimurung kab. Maros tahun 2002
Pengetahuan STATUS KESEHATAN GIGI DAN MULUT Total

kes. gigi
SEHAT TDAK SEHAT
Jml Persen Jml Persen Jml Persen
Kurang tahu 36 40.0 54 60.0 90 100.0

Tahu 49 50.5 48 49.5 97 100.0
Sangat tahu 50 41.7 70 58.3 120 100.0
Jumlah 135 44,0 172 56.0 307 100.0
Sumber : data primer
Analisis distribusi status kesehatan gigi dan mulut menurut pengetahuan kesehatan gigi murid,
seperti tabel 3 diatas memperlihatkan, dari 307 murid yang diobservasi terlihat persentase yang termasuk
status gigi dan mulut tidak sehat lebih besar ( 56,0 % ) dibandingkan dengan yang termasuk sehat ( 44,0 % ).
Dari tabel tersebut juga terlihat distribusi murid yang berstatus kesehatan gigi tidak sehat menurut
tingkatan pengetahuan persentasenya lebih besar dibandingkan dengan yang berstatus sehat.
168
Analisis Deskriptip
Nilai tengah dgn skala nominal, ordinal, dan
interval / rasio
Tabel 4 Gambaran Deskriptip Nilai tengah dan Nili Sebar Tinggi Badan dan Prestasi
Belajar Murid Di Wilayah Kerja Puskesmas Bantimurung Tahun
PARAMETER VARIABEL
STATISTIK Tinggi Badan (Cm) Prestasi Belajar
Mean 120.63171 7.0774

Median 121.00000 7.1000
Modus 115.00000 6.20
Standard Deviasi 13.159488 0.7750
Skewness - 4.421 0.106
169
Kurtosis 40.534 - 0.129
(Analisis Bivariat)
Uji Hipotesis
Tujuan Analisis
Menilai perbedaan nilai sampel
dengan nilai populasinya, perbedaan
nilai observasi dengan harapan, atau
hubungan / perbedaan antara dua
atau lebih sampel. 170
(Analisis Bivariat)
Variasi nilai uji sangat tergantung pada :
Tujuan penelitian.
pertanyaan penelitian.
Skala pengukuran variabel
Jenis uji
Uji perbedaan ( test of differences )
Uji hubungan ( test of Association )
171
(Analisis Bivariat) Uji
Hipotesis
Metode Statistika Menurut Tujuan Studi dan Skala Pengukuran
TUJUAN STUDI PERTANYAAN PENELITIAN SKALA UJI STATISTIK
UKUR
Identifikasi Apakah jumlah kasus Nominal Chi-square test satu

Jumlah Kategori rawat inap = yg. Diharap sampel
Perbedaan Apakah proporsi Nominal Test promosi satu
Proporsi Kategoripemakaian pil berbeda sampel
dengan suntik
Perbedaan Urutan Apakah urutan kasus diare Ordinal Chi-square test satu
Kategori beda dengan yg sampel
diharapakan
Penentuan Urutan Apakah urutan 10 penyakit Ordinal Kolmogorov Smirnov
Kategori besar = hipotesis test (KS)
Perbedaan Nilai Apakah rata-rata Hb Interval Z-Teats (s-
Sampel Dengan penderita ca cervik atau Besar)
Nilai Populasi berbeda secara significant rasio 172 t-Test (s-Kecil)

dgn seluruh penderita
(Analisis Bivariat)
Uji hipotesis untuk skala nominal
Prinsip.
Variabel yang akan diuji berasal dari satu
sampel dan untuk selanjutnya karakteristik
yang ada didalam sampel dibandingkan dengan
karakteristik yang ada didalam populasi.
Pengelompokan / pengkategorian variabel
dilakukan menurut skala nominal.
173
(Analisis Bivariat)
Uji hipotesis untuk skala nominal
Prinsip.
Metode ststistika yang digunakan adalah uji
chi-square yang terdiri dari :
Chi-square untuk satu sampel.
Chi-square untuk dua sampel independent.
Chi-square untuk k sampel independent.
174
( Analisis Bivariat ) Uji Hipotesis
Syarat pengunaan uji.

Mengunakan tabel 2 x 2 atau > dari 2
x 2, square atau tidak square dengan
kategori variabel ditetapkan
berdasarkan skala nominal.
Besar sampel dihitung dengan
menggunakan rumus sampel dengan nilai
tertentu.
175
Syarat pengunaan uji.

Sampel minimal untuk uji ini adalah n = 30,
maka uji tidak sensitive atau tidak dapat
digunakan.
Tidak boleh ada frekuensi harapan yang
bernilai kurang dari 5 didalam sel tabel.
Untuk tabel yang lebih dari 2 x 2 maka
frekuensi harapan dalam sel hanya
diperkenangkan sampai 20 % .
176
Ketentuan Penggantian uji.
Bila sampel kurang dari 30.
Terdapat frekuensi harapan kurang dari 5 didalam sel tabel.
Bila tdpt frekuensi HARAPAN kurang dari 1 didalam sel tabel
(cohran: 1954).
Cara penyelesaian
Untuk tabel 2 x 2 lakukan koreksi Yates dengan rumus :
( | O E | - 0,5 )
X ( corected ) = --------------------------
E
177
Ketentuan Pengganti uji
Untuk lebih dari 2 x 2 lakukan

penggabungan kategori menurut baris atau
kolom.
Bila tetap tdk bmakna dianjurkan
menggunakan uji Fisher Exact test .
178
( Analisis Bivariat )
Rumus Untuk SATU Sampel
( O E )
X = -----------
E
Keterangan :
O = Frekuensi Observasi
E = Frekuensi Harapan
DF = ( C 1 ) R 1 )
DF = Degree of Freedom adalah besarnya kebebasan untuk

menentukan nilai sel dalam tabel bila besaran dalam
179 tabel telah
diketahui.
Untuk sampel yang terdiri dari satu jenis variabel yang
dikategori kedalam beberapa kategori maka besarnya
DF adalah : ( K 1 ) dimana K = banyaknya kategori.
Frekuensi Harapan
Ialah proporsi obyek yang diharapkan sesuai / berada
dibawah hipotesis nol, dengan rumus sebagai berikut :
( total kolom ) ( total baris )

Frek. Expected = -----------------------------------------
( total pengamatan )
180
Contoh Uji satu sampel Chi-Square
Tabel 5. Hubungan Antara Kejadian Diare 3 Bulan Terakhir Dengan Keadaan Sumur Gali
Kejadian diare 3 bulan Signif.

Keadaan Sumur terakhir Total Hasil uji Chi-Square (p)
Gali
Ada Tdk ada Pearson Chi-Square
= 24,628 0,000
Continuity corection
Memenuhi Syarat 21 (36,3) 60 (44,7) 81 = 23,044 0,000
Tidak M. Syarat 48 (32,7) 25 (40,3) 73 Fishers Exact Test 0,000
JUMLAH 69 85 154
Tabel 5 diatas memperlihatkan hubungan antara variabel keadaan sumur gali dengan variabel kejadian
diare 3 bulan terakhir. Hasil uji yang telah dilakukan dengan menggunakan Chi-Square test, ternyata tabel
uji memenuhi syarat yakni tidak ada frekuensi harapan yang bernilai kurang dari 5, dan hasil yang
diberikan memperlihatkan X hitung lebih besar (24,628) daripada X tabel (3,841) dengan = 0,05 pada
DF=1 dengan nilai p = 0,000 (signifikan). Berarti keadaan sumur gali berhubungan dengan kejadian diare
3 bulan terakhir
181
Contoh Uji satu sampel dgn frek. Harapan - 5
Tabel 6. Hubungan antara pemilihan pertolongan persalinan dengan kepercayaan
Pemilihan Pertolongan Signif.

Persalinan Hasil Uji Chi-Square (p)
Kepercayaan Nakes Non Nakes Total Pearson Chi-Square = 0.033
4.548
Continuity Corection = 0.065
3.410
Percaya 161 (157,3) 39 (42,7) 200 Fishers Exact Test
Tdk Percaya 12 (15,7) 8 (4,27) 20 0.038
JUMLAH 173 47 220

Apabila dilihat hubungan antara variabel kepercayaan responden denga variabel pemilihan
pertolongan persalinan, maka tabel 6 diatas, memperlihatkan hasil uji yang telah dilakukan dengan
menggunakan Chi-square test, tidak memenuhi syarat yakni ada frekuensi harapan yang bernilai
kurang dari 5, sehingga alternative yang dipilih ialah melakukan koreksi dengan Yates dan hasil
yang diberikan memperlihatkan X hitung lebih kecil ( 3,410 ) dari pada X tabel ( 3,841 ) dengan
= 0,05 pada DF = 1 dengan nilai p = 0,065 ( non signifikan ). Berarti kepercayaan responden tidak
berhubungan dengan pemilihan pertolongan persalinan. 182
UJI HIPOTESIS
Rumus untuk DUA sampel Independen

n ( | ad bc | - n )
X = --------------------------------
(a+b)(a+c)(b+d)(c+d)
Keterangan :
a,b,c,d = Frekuensi observasi
n = Jumlah sampel untuk kedua kelompok
DF = ( C-1 ) R-1)
183
DF = Degree of freedom adalah besarnya kebebasan untuk
menetukan nilai sel dalam tabel bila besaran dalam tabel tela
diketahui.
Sampel harus berasal dari dua populasi yang berbeda dimana pada
masing-masing populasi, diobservasi karakteristik untuk dua
variabel yang sama.
Model tabel analisis

Pemilihan tempat berobat
PENDIDIKAN Nakes Non Nakes Total
SLTA PT a b a+b
SD SLTP c d c+d
JUMLAH a+c b+d 184 N
Rumus untuk k sampel independent
( O E )
X = ------------------
E
Keterangan :
O = Frekuensi Observasi
E = Frekuensi harapan
DF = ( C 1 ) ( R 1 )
Sampel harus berasal dari k populasi yang berbeda dimana pada

masing-masing populasi, diobservasi karakteristik variabel
185 yang
sama.
TABEL MODEL ANALISIS
Propinsi Umur harapan Frek. Frek. (OE ) ( O E ) ( O E )
hidup Obs ( O ) Harp ( E ) ---------------
E
DKI = 70 th 300 587.95 -287.95 82915.2 141.02
Jakarta < 70 th 800 512.05 287.95 82915.2 161.93
Jawa = 70 th 700 694.85 5.15 26.52 0.04
Barat < 70 th 600 605.15 - 5.15 26.42 0.04
Jawa = 70 th 800 694.85 105.15 11056.52 15.91

Tengah < 70 th 500 605.15 - 105.15 11056.52 18.27
Jawa = 70 th 700 641.40 58.6 3433.96 5.35
Timur < 70 th 500 558.60 - 58.6 3433.96 6.15
DIY = 70 th 600 481.05 118.95 14149.1 29.41

< 70 th 300 418.95 - 118.95 14149.1 33.77
JUMLAH 5800 5800 0.00 411.90

186
Uji Hipotesis untuk skala Nominal
Prinsip perhitungan
1.Variabel
dikategorikan menjadi dua ( umur harapan hidup diatas 70
tahun dan 70 tahun kebawah ), untuk masing-masing kategori
variabel.
2.Menghitung frekuensi harapan dengan cara :
- Hitung proporsi umur 70 tahun keatas ( P1 )
300 + 700 + 800 + 700 + 600

P1 = ----------------------------------------------- x 100 % = 53.45 %
5800
187
Uji Hipotesis untuk skala nominal
- Hitung proporsi umur 70 kebawah ( P2 ).
800 + 600 + 500 + 500 + 300

P2 = ----------------------------------------------- x 100 % = 46.55 %
5800
3. Frekuensi harapan dihitung dengan memperkalikan P1 dan P2

masing-masing kategori ( DKI Jakarta, Jawa barat, Jawa tengah,
Jawa timur, dan DIY ) untuk umur 70 tahun kebawah dan 70 tahun
keatas. :
188
Uji Hipotesis untuk skala Nominal
Cara perhitungan frekuensi harapan.
Untuk 70 tahun keatas

DKI Jakarta = 1100 x 53.45 % = 587.95
Jawa Barat = 1300 x 53.45 % = 694.85
Jawa Tengah = 1300 x 53.45 % = 694.85
Jawa timur dan = 1200 x 53.45 % = 641.40
DIY = 900 x 53.45 % = 481.05
189
Uji Hipotesis Hipotesis untuk skala Nominal
Cara perhitungan frekuensi harapan.
Untuk 70 kebawah
DKI Jakarta = 1100 x 46.55 % = 512.05
Jwa Barat = 1300 x 46.55 % = 605.15
Jawa Tengah = 1300 x 46.55 % = 605.15
Jawa Timur dan = 1200 x 46.55 % = 558.60
DIY = 900 x 46.55 = 418.95
Hasil perhitungan frekuensi harapan dimasukkan dalam tabel
sebelumnya.
190
UJi hipotesis untuk skala Ordinal
Prinsip.
Variabel yang akan diuji berasal dari sampel dan untuk
selanjutnya karakteristik yang ada didalam sampel dilihat
hubungannya. Antara satu variabel dan variabel lainnya.
Pengelompokan / pengkategorian variabel dilakukan menurut
skala ordinal.
Metode Statistika yang digunakan adalah uji Kendalls atau
yang terdiri dari :
Kendalls taua
Kendalls taub
Kendalls tauc
Spearman rank correlation
191
(Analisis Bivariat) Kendalls tau
Uji hipotesis untuk skala ordinal
Dikemukakan oleh Kendall pada tahun 1983 dan dikenal sebagai Kendall tau_a atau taua.
Rumus umum yang digunakan adalah :

KD
Taua = --------------------
n(n1)/2
Keterangan :
K = Jumlah pasangan Konkordans
D = Jumlah pasangan Diskonkordans
n = Banyaknya pasangan yang mungkin dibentuk.
Konkordans ( sesuai ) berarti susunan observasi berada didalam urutan yang wajar
dinilai ( + ).
Diskonkordans berarti urutan tidak wajar dinilai ( - ).
192
Uji Hipotesis untuk skala Ordinal
Prinsip penggunaan tabel.
Tabel yang digunakan dapat berupa tabel 2x2 ( square ) atau tabel
2x3 ( tidak square ) atau 3x3 atau lebih tetapi 3x3.
pengelompokan variabel didalam tabel dilakukan menurut skala
ordinal.
Contoh tabel
Variabel Varibel Independen Kendali Signif.
Independen Baik Sedang Kurang Jelek (p)
Baik
Sedang
Kurang
Jelek
193
JUMLAH
Contoh kasus
Salah seorang dosen jurusan biostatistik FKM Unhas,
melakukan penelitian terhadap kolerasi antara neutrofil
darah dan neutrofil sumsum tulang penderita tumor non
hematologis. Untuk kepentingan tersebut maka kedua
sumber tersebut ( darah dan sumsum tulang ) diambil
untuk seterusnya dihitung kadar neutrofilnya dengan
hasil sebagai berikut :
194
Tabel 1 Hasil pengukuran Neutrofil darah dan sumsum tulang penderita tumor non
hematologis sebelum diurut
Nomor Urut Hasil Pengukuran Neutrofil Hasil Pengukuran Neutrofil

Darah merah ( Y1) Sumsum Tulang ( Y1)
01 4,9 4,32
02 4,6 9, 64
03 5,5 7,39
04 9,1 13,97
05 16,3 20,12
06 12,7 15,01
07 6,4 6,93
08 7,1 7,12
09 2,3 9,75
10 3,6 8,65
11 18,0 15,34
12 3,7 12,33
13 7,3 5,99
14 4,4 7,66
15 9,8 6,07
195
Penyelesaian
1. Judul penelitian :
Korelasi antara neutrofil darah dengan neutrofil sum-sum
tulang pada penderita tumor non hematology
2. Variabel penelitian : Neutrofil darah dan sum-sum tulang.
3. Rumusan masalah :
Adakah hubungan antara neutrofil darah dan sum-sum
tulang pada penderita tumor non hematologist ?
196
Penyelesaian
4. Sampel : Penderita tumor non hematologist.
5. Hipotesis operasional :
Ho : Tidak korelasi antara neutrofil darah dan sum-sum
tulang.
Ha : Ada korelasi antara neutrofil darah dan sum-sum
Ho : l = 0
tulang.
Ho : l 0
Hipotesis matematik :
6. Kriteria pengujian hipotesis
Ho diterima bila harga z hitung lebih kecil dari tabel, dan Ha diterima
bila harga z hitung lebih besar atau sama dengan harga197z tabel.
Langkah langkah penyelesaian
1. Susun urutan hasil penelitian pada tabel 1 diatas dalam susunan
tabel berikut ini :
Tabel 2 Hasil pengukuran Neutrofil Darah merah dan sumsum Tulang penderita tumor non hematologist
Setelah diurut
Hsl Urutan Rangking Y1 Hsl Urutan Rangking Y2
No. Ukur Rang ( R1 ) Ukur Rangk ( R2 )
Urut ( Y1) k ( Y2 ) ( Y2)
( Y1) Hsl. Arry No.Urut Hsl.non Penyesuaian
arry
01 4,9 6 2,3 1 4,32 1 9,75 10

02 4,6 5 3,6 2 9,64 9 8,65 8
03 5,5 7 3,7 3 7,39 6 12,33 11
04 9,1 11 4,4 4 13,97 12 7,66 7
05 16,3 14 4,6 5 20,12 5 9,64 9
06 12,7 13 4,9 6 15,01 13 4,34 1
07 6,4 8 5,5 7 6,93 4 7,36 6
08 7,1 9 6,4 8 7,12 5 6,43 4
09 2,3 1 7,1 9 9,75 10 7,12 5
10 3,6 2 7,3 10 8,65 8 5,99 2
11 18,0 15 9,1 11 15,34 14 13,97 12
12 3,7 3 9,8 12 12,33 11 6,07 3
13 7,3 10 12,7 13 5,99 2 15,07
198 13
14 4,4 4 16,3 14 7,66 7 20,12 15
15 9,8 12 18,0 15 6,07 3 15,34 14
Uji Hipotesis untuk Skala Ordinal
2. Lakukan perhitungan konkordans (K) dan diskonkordans ( D )
melalui tabel berikut :
Cara perhitungan Ci
No. (R1) (R2) Tingkat berikutnya yg lebih Banyaknya C1
Urut besar dari tingkatan R2
01 1 10 11,12,13,15,14 5
02 2 8 11,9,12,13,15,14 6
03 3 11 12,13,15,14 4
04 4 7 9,12,13,15,14 5
05 5 9 12,13,15,14 4
06 6 1 6,4,5,2,12,3,13,15,14 9
07 7 6 12,13,15,14 4
08 8 4 5,12,13,15,14 5
09 9 5 12,13,15,14 4
10 10 2 12,3,13,15,14 5
11 11 12 13,15,14 3
12 12 3 13,15,14 3
13 13 13 15,14 2
14 14 15 0
15 15 14 0
N199
Ci = 59
Perhitungan konkordans dan diskonkokrdans dilakukan dengan

menggunakan rumus berikut :
KD
tau-a = ----------------------
n(n1)/2
K D diperoleh dari rumus :

N = 4 Ci n ( n -1 ) = 4 ( 59 ) 15 ( 14 ) 236 210 = 26
26
tau-a = ---------------------- = 0,124
15 ( 14 )
200
(Analisis Bivariat )
Rumus untuk Kendall tau-b

Digunakan apabila terdapat nilai pasangan observasi yang
bersamaan, sedangkan rumus yang digunakan ialah :
KD
tau-b =
-------------------------------------------------------
------------------------------------------------------------
[ { n ( n 1 ) / 2 T1 } { n ( n 1 ) / 2
T2 ] 201
Kendall tau-c
Rumus umum yang digunakan ialah :
2m ( K D )
tau-c = -------------------------
n(m1)
Keterangan :
M = adalah bilangan terkecil diantara kategori dari variabel ordinal X
dan Y.
Yang digunakan untuk menghitung index korelasi ialah kendall tau-b
dan c, dimana nilainya hampir mencapai nilai ( + 1 ) dan ( - 1 ).
202
Contoh hasil uji kendall tau.
Tabel 7 hubungan Status Kesehatan Gigi dan Mulut
menurut pengetahuan kesehatan Gigi Murid SD
UKGS
Pengetahdi Kecamatan Bantimurung
Status kesehatan Gigi Total Kab.
Hasil uji Maros
Signifikasi
uan kes. dan mulut Kendals
Gigi
Tahun 2002
Sehat Tidak
sehat
Kurang 36 54 90 Tau-b = 0,962

tahu 0.003
Tahu 49 48 97 Tau-c = 0.962
0.003
Sangat 50 70 120 Spearman
tahu rank
JUMLAH 135 172 307 corelation =
0.003203 0,963
Apabila dilihat tabel 7 terlihat distribusi nilai

dalam tabel berdasarkan uji kendal,s
termasuk diskonkordans, demikian pula hasil
uji spearman rank correlation termasuk
hubungan yang sangat lemah dan tidak
bermakna, sehingga disimpulkan tidak ada
hubungan antara status kesehatan mulut dan
gigi dengan tingkat pengetahuan murid..
204
Uji Hipotesis Untuk Skala Ordinal
Contoh hasil uji Kendall tau.
Tabel 8 Hubungan status kesehatan Gigi dan Mulut
menurut perilaku kesehatan Gigi murid SD UKGS di
Kecamatan Bantimurung Kabupaten Maros
Perilaku Status KesTahun tot 2002 Hsl uji Sign
Kes.Gig gigi & mulut al Kendals ifika
i Seh Tdk nsi
at sehat
Kurng 42 113 15 Tau-b = 0,00

baik 5 0,323 0
Baik 36 27 63 Tau-c = 0,00
Sgt 57 32 89 0,323 205
0
Tabel 8 memperlihatkan hasil uji dengan
menggunakan kendalls diperoleh ; tau-b = 0,323,
dan tau-c = 0,0323 yang berarti konkordans, dengan
tingkat kemaknaan masing-masing 0.000.
( bermakna ) dengan demikian distribusi data
dalam tabel tersebut berdistribusi normal dengan
mengikuti skala ordinal. Hasil uji dengan spearman
rank corfrlation memberikan hasil 0,340 dengan
nilai p = 0.000 ( bermakna ). Dengan demikian
status kesehatan gigi dan mulut berhubungan
dengan perilaku sikat gigi dari murid.
206
Parameter penilaian hasil uji

korelasi.
NILAI HASIL UJI KETERANGAN
KORELASI
0,00 0,25 Hubungan sedikit / tidak ada
0,25 1,50 hubungan
0,50 0,75 Hubungan cukup
0,75 -> Hubungan sedang sampai baik
Hubungan sangat baik
207 sampai
istimewa
( Analisis Multivariat )
Uji hipotesis untuk analisis multivariat

Ilustrasi hasil uji
Analisis dimaksudkan untuk
melihat hubungan serta kontribusi
masing-masing variabel
independent terhadap variabel
dependentnya apabila dimasukkan
secara bersamaan, dan sebagai
akibatnya memungkinkan 208
terjadinya interaksi dari masing-

Contoh :
Tabel 9 . Matriks Korelasi Status Kesehatan Gigi
dan Mulut dgn pengetahuan Kesh. Gigi, Perilaku
Kesh. Gigi dan Jenis Makanan Murid SD UKGS di
Kecamatan Bantimurung
Tahun 2002
VARIABEL n X SD Korelasi Signif.
Pengetahuan 307 10,33 1,75 -0,003 0,478
Perilaku 307 2,54 2,42 0,331 0,000
Jenis makanan 307 6,35 1,07 -0,003 0,479
209

Ilustrasi hasil uji
Tabel 9 diatas memperlihatkan korelasi
masing-masing variabel sebagai tahap
awal untuk melihat adanya hubungan.
Dari tabel tersebut terlihat dari tiga
variabel yang dimasukkan ternyata hanya
ada satu variabel yang memberikan
hubungan yakni variabel perilaku, dengan
indeks korelasi = 0,331 dengan nilai p =
0.000 sedangkan yang lainnya tidak
210
Tabel 10 Hasil uji regressi variabel pengetahuan,
perilaku dan jenis makanan dengan Variabel
status kesehatan gigi dan mulut
Variabel N x SD R R- Adjusted t
Squar R-
e Square
Perilaku
Pengetah 307 2,54 2,42 0,33 0,110 0,107 6,126
1
uan
Jenis
makanan
211

Ilustrasi Hasil Uji
Tabel 10 diatas memperlihatkan besarnya korelasi
apabila ketiga variabel predictor dimasukkan secara
bersamaan adalah R = 0,331 dengan besar
pengaruhnya ( R Square ) = 0,110 dengan nilai p =
0.000 ( bermakna ). Pemasukan ketiga variabel
secara bersamaan terihat memberikan interaksi
diantara variabel yang dinilai melalui uji F = 37.528,
dimana uji ini sekaligus juga memberikan informasi
terjadinya hubungan linier antara variabel predictor
dengan variabel dependennya. 212
213
Terima kasih
214

Pengantar Statistik

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

Pengantar Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

BIOSTATISTIKA

VARIABEL DATA INFORMASI

Ada SIMBOL atau ATRIBUT

SIFAT SKALA PENGUKURAN

Nominal DATA DISKRET NON

IDENTITAS UMUM RESPONDEN

5 SUKU Suku bangsa responden String 1 0

IDENTITAS KHUSUS RESPONDEN

6 HRAWAT Lamanya pasien dirawat di ruang rawat Numerik 3 2

01= 01= 01= 01= 01= 01= 01= 01=

10= 10= 10= 10= 10= 10= 10= 10=

Entry data ( Pemasukan data )

STUB BOX HEAD TOTAL

Tabel Induk=Master table=tabel referensi.

No DATA UMUM RESPONDEN

Tabel Anak=Special table.

Tabel satu arah

Jenis Penyakit Frekuensi Persen

Sumber : Rumah Sakit (x)

Jml Perse Jm Perse Jml Perse

Baik 19 76,0 6 24,0 25 100,0

Karakteristik tenaga perawat

Functional Distribution of Known Genes in

Estimated Numbers of TB Cases, 2002

Estimated TB Incidence Rates, 2002

per 100 000 population

Bentuk Row Data

5,6 6,6 11,7 6,0 4,4

2,7 4,9 5,9 6,7 7,5

No Berat Badan bayi (kg) Frekuensi

Nilainya tidak pernah mencapai nilai 1 tetapi hanya berkisar antara

Dinyatakan dengan rumus :

Dinyatakan dengan rumus :

ANALISIS DATA Nilai

ANALISIS DATA Nilai

ANALISIS DATA Nilai

ANALISIS DATA Nilai

ANALISIS DATA Nilai

ANALISIS DATA Nilai

n1(m1) + n2 (m2) + . nk(mk)

M = Mean kelompok data

ANALISIS DATA Nilai

1. Sususn data dalam bentuk kelas dengan interval tertentu.

ANALISIS DATA Nilai

JUMLAH 35 XI.fI = 222

ANALISIS DATA Nilai 93

ANALISIS DATA Nilai 94

ANALISIS DATA Nilai 95

2,7 4,9 5,9 6,7 7,5

ANALISIS DATA Nilai 96

Rumus lain Median 35 = 2k + 1

ANALISIS DATA Nilai 97

ANALISIS DATA Nilai 98

ANALISIS DATA Nilai 99

No Berat Badan bayi (kg) Frekuensi

ANALISIS DATA Nilai 100

Dengan menggunakan rumus untuk data tidak

ANALISIS DATA Nilai 101

ANALISIS DATA Nilai 102

ANALISIS DATA Nilai 103

ANALISIS DATA Nilai 104

ANALISIS DATA Nilai 105

ANALISIS DATA Nilai 106