Oleh

Ida Bagus Subanada

Bagian/SMF Ilmu Kesehatan Anak
FK Unud/RSUP Sanglah Denpasar
Luaran yang diinginkan:
1. Mhs diharapkan memahami tentang
perbedaan hasil klinis, uji hipotesis, dan
interval kepercayaan (IK).
2. Mhs diharapkan memahami hubungan
antara perbedaan hasil klinis, uji hipotesis,
dan IK.
3. Mhs diharapkan mampu menulis abstrak
hasil penelitian yang memperlihatkan
perbedaan hasil klinis, IK, dan nilai P.
 Effect size adalah estimasi perbedaan hasil
klinis.
Kadang-kadang disebut point estimate.
Contohnya: rasio prevalens (RP), risiko relatif
(RR), rasio odds (RO), beda rerata, dll.
Bila akan meneliti, efect size ditetapkan oleh
peneliti berdasarkan keputusan klinis peneliti
(bukan dari pustaka).
Paling mempengaruhi besar sampel
(effect size besar sampel ).
Rumus besar sampel:
2
( Z Z ) S
1. n1 n2 2 ( X X )
1 2

2. n n (Z 2PQ Z P1Q1 P2Q2 ) 2

( P1 P2 ) 2
1 2

Catatan: P
1
( P1 P2 )
2
Effect size pada rumus ini
adalah:
X1 X2 dan P1 P2
 Padahipotesis positif, effect size adalah
perbedaan terkecil yang secara klinis dianggap
penting/bermakna.

Padahipotesis negatif, effect size adalah

perbedaan terbesar yang secara klinis dianggap
tdk penting/tdk bermakna.

menentukan apakah effect size ini

Untuk
bermakna secara statistik

Perlu uji hipotesis

 Contoh:
Sebuah jurnal melaporkan bahwa angka
kesembuhan obat A terhadap suatu penyakit
sebesar 80%, sedangkan obat B sebesar 55%.
Jika kita melakukan studi replikatif (penelitian
ulang), tidak dibenarkan menggunakan angka
25% = 80%-55% sebagai effect size. Ada 2
alasan untuk ini:
1. Alasan konseptual.
2. Alasan teknis.
Beberapa contoh effect size yang tdk
mempunyai efek
Jenis effect size Tanpa efek

Beda prevalensi 0
Beda risiko 0
Beda rerata 0
Perubahan rerata 0
Korelasi 0
Rasio prevalens 1
Risiko relatif 1
Rasio odds 1
 Merupakan sebuah metode untuk menjawab
pertanyaan:

Apakah hasil penelitian yang didapat

pada sampel akan sama bila penelitian
dilakukan pada populasi?
 Kebanyakan penelitian dilakukan pada
sampel.

Apakah hasil penelitian yang didapat pada

sampel akan sama bila penelitian dilakukan
pada populasi?

Untuk melakukan inferensi/generalisasi dari

sampel ke populasi dilakukan dg 2 cara:
1. Uji hipotesis, hasil akhir adalah nilai P
2. Estimasi, untuk memperoleh IK
 Uji
hipotesis hanya menjawab ya atau tidak,
tentang apakah effect size terjadi juga pada
populasi (bukan hanya pada sampel).

Uji
hipotesis hanya menjawab apakah ada
kemaknaan statistik atau tidak.

Uji
hipotesis tidak memberikan informasi
tentang besarnya perbedaan di antara
kelompok.
 Ada 2 jenis uji hipotesis:
1. Hipotesis nol (H0)
Hipotesis yang menyatakan tidak
ada hub. antara var.bebas dengan
var. tergantung.

Uji hipotesis dilakukan berdasarkan H0.

2. Hipotesis alternatif (HA)
Hipotesis yang menyatakan ada hub.
antara var. bebas dengan var.
tergantung.

Tidak dapat diuji langsung (HA diterima

bila H0 ditolak).

Bila H0 ditolak scr statistik bermakna.

 Hasil akhir uji hipotesis adalah nilai P.

Nilai P menunjukkan besarnya kemungkinan untuk

memperoleh hasil tersebut (atau hasil yang lebih
ekstrem) disebabkan oleh faktor peluang (chance)
bila H0 benar.

Contoh: P=0,035
P= 0,085
 Sembuh Meninggal Total
n (%) n (%) n

Obat standar 60 (60%) 40 (40%) 100

Obat X 75 (75%) 25 (25%) 100

Total 135 65 200

X2 = 4.467; df = 1; P = 0,035

Interpretasi nilai P:
Jika efektivitas obat X sama dengan obat standar,
kemungkinan hasil tersebut (atau hasil yang lebih
ekstrem) disebabkan oleh faktor peluang (chance)
adalah 0,035 atau 3,5%.
Kesalahan pada uji hipotesis

Ada 2 tipe kesalahan:

Populasi
Berbeda Tdk berbeda
Menolak H0 Power alpha ()
(1 )
Sampel
Tidak
menolak H0 beta () (1 )
 Kesalahan tipe 1 (positif semu =) terjadi bila
peneliti memperoleh hubungan atau perbedaan
pada sampel (menolak H0), sedangkan
sebenarnya dalam populasi hubungan atau
perbedaan tersebut tidak ada.

Kesalahan tipe 2 (negatif semu=) terjadi bila

peneliti tidak memperoleh hubungan atau
perbedaan pada sampel (H0 tdk ditolak),
sedangkan sebenarnya dalam populasi hubungan
atau perbedaan tersebut ada.
Jenis uji hipotesis
1. Non-parametrik:
* Fisher exact test, Chi-square, Mc Nemar
* Mann-Whitney, Kruskal-Wallis, Kendalls r,
Wilcoxon, Friedman.

2. Parametrik:
* t test, Anova, Manova, korelasi Pearson, dll.

Catatan:
Parametrik dipakai bila distribusi data normal,
variannya sama.
CONFIDENCE INTERVAL
(INTERVAL KEPERCAYAN =IK)
Di samping nilai P, laporan penelitian
biasanya mencatumkan IK karena
memberikan informasi yang lebih tentang
hasil penelitan sehingga direkomendasi oleh
hampir semua jurnal.

IK
memperlihatkan rentang nilai yang lebih
sesuai dengan populasi, memberikan arah
dan besarnya hub. antar variabel.
 Adahubungan antara IK dengan batas
kemaknaan (P) pada uji hipotesis 2 arah.
Contoh:
Bila batas kemaknaan 0,05
(P=0,05,uji 2 arah) IK95%

Bila batas kemaknaan 0,01

(P=0,01, uji 2 arah) IK99%
Lebar/sempit IK tergantung 2 faktor:
1. Standard error (SE), oleh karena itu tergantung
standard deviation (SD)=simpang baku (SB) dan
besar sampel (n).
SB IK
Besar sampel IK

2. Derajat IK
IK99% >> IK95%
Misal:
Rerata beda tekanan darah: 5 (IK95% 4 sampai 6)mmHg.
Rerata beda tekanan darah: 5 (IK99% 1 sampai 9)mmHg.
Rumus IK

IK = P(Z x SE)

Ket.:
IK = interval kepercayaan
P = point estimate = effect size
Z = deviat baku normal untuk ,
misalnya: IK95% ~ =0,05 Z=1,96.
IK99% ~= 0,01 Z=2,58.
SE = standard error.
Perhitungan IK
1. IK95%
Batas atas : effect size luaran + 1,96 SE
Batas bawah : effect size luaran 1,96 SE

2. IK99%
Batas atas : effect size luaran + 2,58 SE
Batas bawah : effect size luaran 2,58 SE
IK dari beda rerata atau beda proporsi,
simetris terhadap point estimate (P).

Jika angka nol (0) tercakup dalam interval

nilai, berarti tidak bermakna secara statistik,
begitu juga sebaliknya.
Contoh:
1. Beda rerata berat lahir bayi di pedesaan
dan kota adalah 500 g (IK95% 300 sampai
700) bermakna secara statistik
(misal, P=0,02).

2. Beda rerata tekanan darah sistolik antara

mhs smt IV dg mhs smt II PSPD Unwar
adalah 10 (IK95% 2 sampai 22) mmHg
tdk bermakna scr statistik
( misal, P=0,08).
IK dari RR atau RO adalah asimetris terhadap
point estimate (P).

Jika angka satu (1) tercakup dalam interval

nilai, berarti tidak bermakna scr statistik;
demikian juga sebaliknya.
 Contoh:
1. Risiko menderita PJK pada laki-laki perokok
adalah 3,5 kali (IK95% 3,1 sampai 4,5) dari
laki-laki tidak perokok
bermakna scr statistik
(misal, P=0,01).

2. Risiko menderita PJK pada laki-laki peminum

kopi adalah 4,1 kali (IK95% 0,7 sampai 10,5)
dari laki-laki bukan peminum kopi
tdk bermakna scr statistik
(misal, P=0,09).
Interpretasi nilai IK

Misal:
Proporsi kanker payudara yang pernah memakai
pil KB adalah 30% (IK95% 21% sampai 39%).

Interpretasinya:
Kita percaya 95% bahwa proporsi pasien
kanker payudara yang pernah menggunakan
pil KB pada populasi terjangkau terletak antara
21% sampai 39%.
Hubungan antara effect size, uji hipotesis, dan
IK

Effect size Sampel

(besar sampel)
Inferensi/generalisasi

Uji hipotesis
Estimasi (IK)
(nilai P)

Populasi
Cara menyajikan data yang berisi effect size,
IK, dan nilai P

1. Beda rerata tekanan darah sistolik antara

pasein diabetes dengan non-diabetes
adalah 6 (IK95% 4 sampai 8) mmHg,
P=0,04.
2. Rasio odds untuk menderita kanker paru
pada perokok adalah 3,3 (IK95% 2,9 sampai
4,2 ), P=0,001.