BIOSTATISTIKA

Oleh
Adhar Arifuddin, S.KM,M.Kes.

Epidemiologi & Biostatistik

FKIK UNTAD
 Referensi
1. Metoda Statistika ( Sujana ).
2. Pengantar Statistika (Ronald E.Walpole).
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).
2
 Definisi
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 3
 Pengertian
KONSEP

BIOSTA Teori
TISTIC
matematika
VARIA
STATIS BEL
METODE
TICS

* Pengumpulan
• Pengolahan
• Analisis
• Kesimpulan

PENDAHULUAN 4
Posisi Statistik dalam kegiatan penelitian

TEORI

GENERALISASI HIPOTESA

STATISTIK

OBSERVASI
 Jenis Analisis Data

Analisis data dilakukan dalam dua

bentuk yakni :
Analisis Deskriptip
Analisis Analitik

ANALISIS DATA 6
 Statistika Deskriptif
Statistika Deskriptif: statistika yang menggunakan
data pada suatu kelompok untuk menjelaskan
atau menarik kesimpulan mengenai kelompok itu
saja
Cth :
Untuk menggambarkan karakteristik penduduk
diperlukan data seperti: umur, jenis kelamin,
status perkawinan, dsb
 Statistika Inferensal

statistika yang menggunakan data dari suatu

sampel untuk menarik kesimpulan mengenai
populasi dari mana sampel tersebut diambil
Cth :
 Untuk menganalisa hubungan pertambahan
berat badan Ibu hamil dengan berat lahirdi daerah
Sidoarjo diambil sampel di RSUD Sidoarjo
 Pengelompokan Stat Analitik (inferensial)

• Statistika Parametrik:
 Menggunakan asumsi mengenai populasi
 Membutuhkan pengukuran kuantitatif dengan level
data interval atau rasio
• Statistika Nonparametrik (distribution-free statistics
for use with nominal / ordinal data):
 Menggunakan lebih sedikit asumsi mengenai
populasi (atau bahkan tidak ada sama sekali)
 Membutuhkan data dengan level serendah
rendahnya ordinal (ada beberapa metode untuk
nominal)
 Skala pengukuran Variabel

OUTPUT SKALA PENGUKURAN

JENIS SKALA DATA UJI STATISTIK
Nominal DATA DISKRET NON PARAMETRIK
Ordinal
Interval DATA KONTINU PARAMETRIK
Rasio

PENDAHULUAN 10
 Skala pengukuran Variabel
Pengertian Dan Prinsip skala pengukuran variabel

SIFAT SKALA PENGUKURAN

JENIS Kategori Urutan Interval Kelipatan contoh
SKALA
Nominal + - - - JK,Suku
Ordinal + + - - Pddkn,
sosek
Interval + + + - Tempratur
/suhu
Rasio + + + + BB,TB,Gluk
osa darah

PENDAHULUAN 11
Biostatistik Deskriptif
 PENGOLAHAN DATA DESKRIPTIF
Distribusi Frekuensi Data Kuantitatif
- Terlebih dulu cari harga max dan min. Selisihnya
disebut Range = R
- Tentukan jumlah kelas dan interval kelas
Rumus Sturgess :
M =1 + 3.3logN
M= jumlah kelas, N=jumlah data (observasi)
Interval = R : M
Contoh : Tinggi Badan anak kelas VI SD

72.3 73.4 73.5 73.0 73.7 73.9

Jumlah kelas :
72.4 73.0 73.4 74.5 73.7 72.9
K = 1 + 3,322 log 48
K = 6,58 72.5 73.1 73.6 73.4 73.7 73.9
K = 7
72.6 73.1 73.4 73.6 73.7 73.9
Lebar kelas interval 72.7 72.8 72.8 72.9 72.9 73.2
i = ( 74,2 - 72,3 ) / 7
i = 0,3 73.2 73.3 73.4 73.5 73.5 73.6

73.6 73.7 73.7 73.8 73.8 73.8

74.0 74.0 74.0 74.1 74.2 74.2

 NILAI TENGAH (Central Tendency)
A. UNGROUpED DATA (TDK TERKELOMPOK)
x
1. NILAI RATA-RATA HITUNG (MEAN)

contoh :
Peserta 1 2 3 4 5 6 7 8 9
BB (KG) 59 60 60 60 61 62 66 75 76

n=9 ∑ xi = 579 579

x = = 64,3Kg
9

2. MEDIAN (Md)
 Nilai yang membagi distr  2 sama besar
- n ganjil : median pada urutan ke (n+1) / 2
contoh diatas : (9+1) / 2 = 5 Md = 61
- n genap : median pada urutan diantara ke n / 2 dan (n/2) + 1
mis = 59 60 60 60 60 61 62 66 75 76
Md = (60+61) / 2 = 60,5 kg

3. MODUS (Mo)
 Nilai yang sering muncul
Mis contoh diatas Mo= 60
 B. GROUPed DATA (TERKELOMPOK)

1. Nilai rata-rata hitung (MEAN)

(x) rata-rata dari distribusi frekuensi

asumsi : setiap pengamatan dalam kelas mempunyai

nilai yang sama dengan nilai titik tengah klas.

BB (Kg) f ttk tengah klas (m) fm

35-<45 6 40 240

45-<55 12 50 600
55-<65 14 60 840

65-<75 1 70 70

75-<85 2 80 160

n 35 ∑ fm 1910

∑fm 1910
x= = = 54,6Kg
n 35
MEDIAN ( grouped data)

n 2 - cf
Md = Lmd + ×i
f.md
Ket : Md = median
Lmd = batas bawah klas median
n = besar sampel
cf = frek kump sampai klas median
f.Md = frek klas median
i = besar interval
 Modus grouped data
Asumsi: modus pada kelas yang mempunyai trek
terbanyak ( langsung dibawah puncak poligon frek )

di
Mo  Lmo  i
d1  d 2

Keterangan : Mo = modus
Lmo = batas bawah kelas modus
d1 = beda antara frekuensi klas modus dgn frek kelas
sblum kelas modus
d2 = beda antara frekunsi kelas modus dgn frek kelas
sesudah kelas modus
i = besar interval
 Nilai Variasi
• Varian : parameter ukuran penyebaran data,
variabilitas nilai terhadap mean
V (S²) = ∑(x-µ)²
n-1
• Standar Deviasi : simpangan baku, akar varian
S = √v = √S²
• Koefisien Varian : rasio SD terhadap mean dalam
persen. S
µ x 100%
Distribusi Normal

Mazami Enterprise © 2009

 DISTRIBUSI
Sebaran transformasi
(distribusi normal NORMAL
standar  mean = 0, SD
= 1)

X2 – μ
-Z2 = ---------
σ

Sebaran
observasi
X1 – μ Z1 Z Z2
Z
- 1 = ---------
σ

Sumbu ( X
X1 X X2 )

21
22
 PENERAPAN SEBARAN
NORMAL

CONTOH SOAL
Suatu perusahaan yang memproduksi cairan ringer
lactat (cairan infus diare) mengatakan bahwa masa
ekspayer produknya mencapai rata-rata 3,0 tahun,
dengan standar deviasi 0,5 tahun. Apabila masa
ekspayer cairan tersebut menyebar normal , Hitunglah
peluang bahwa sebuah cairan infus tersebut mencapai
umur kurang dari 2,3 tahun.

23
 PENERAPAN DISTRIBUSI
PENYELESAIAN :
NORMAL
Diketahui rata-rata umur cairan infus = 3 tahun, Standar Deviasi = 0,5
tahun Besarnya P(X < 2,3) adalah :

X – μ 2,3 - 3
Z = -------------  x = ---------- = - 1.4
σ 0,5

Dengan menggunakan tabel 4 A,

maka
P(X < 2,3 ) = P(Z < - 1.4 )
= 0,0808 0,0808
2,3 Mean = 3 x
Biostatistik Parametrik

Mazami Enterprise © 2009

Tujuan uji Jumlah Sampel Jenis variabel
Pemilihan teknik
sampel/p bebas /
analisa data
Kuantitatif SemiKuantitati Kualitatif
asangan berpasan (rasio-interval) f (ordinal) (nominal) /
Populasi Kuantitatif Katogotik
gan berdistribusi distribusi
normal populasi tak
normal
2 Bebas Uji t 2 sampel -Uji Mann- -Uji Khi-
bebas Whitney kuadrat 2x2
Komparasi -Uji jumlah
peringkat -Uji eksak
Wilcoxon Fisher
Berpasanga Uji t 2 sampel Uji peringkat Uji Mc Nemar
n berpasangan bertanda Wilc
>2 Bebas Anova 1 arah Kruskall-Wallis Uji khi-kuadrat
kxk
Berpasanga Anova untuk Uji Friedman Uji Cohrans
n subyek yang
sama
Korelasi Korelasi Korelasi Koefisien
Pearson (r) Spearmen (rs) kontingensi(c)
Regresi Korelasi Koefisien Phi
Kappa Koefisien
 Syarat Uji Parametrik

• Jumlah sampel minimal 30

• Skala data interval atau rasio
• Data berdistribusi normal
Uji korelasi dan
Regresi Linier
• Digunakan untuk melihat hubungan antara 2
variabel yg berjenis numerik

• Mis :
– BB & TD
– Umur & kdr Hb
 Uji korelasi

• Derajat/keeratan hubungan
• Arah hubungan
(-) : Nilai salah satu variabel meningkat maka variabel lain
akan menurun.

(+) : Nilai salah satu variabel meningkat maka variabel lain

juga meningkat atau nilai salah satu variabel menurun
maka variabel lain akan menurun.

• Persyaratan harus dipenuhi adalah data

berskala interval atau rasio, asumsi Distribusi
Normal bivariat, dan sifat simetris.
Dibuat grafik akan terlihat arah tanda
koefisien korelasi
 Nilai korelasi
• Nilai korelasi (r) berkisar 0 s/d 1 bila
disertai arahnya nilainya antara -1 s/d +1

 r = 0 berarti tdk ada hubungan linier

 r = -1 berarti hubungan linier negatif
sempurna
 r = +1 berarti hubungan linier positif sempurna
 Nilai korelasi ……
• Menurut Colton, kekuatan hubungan dua
variabel dpt dibagi dlm empat area :

 r = 0,00 – 0,25 (tdk ada hub / hub lemah)

 r = 0,251 – 0,50 (hubungan sedang)
 r = 0,501 – 0,75 (hubungan kuat)
 r = 0,751 – 1 (hubungan sgt
kuat/sempurna)
Rumus koefisien korelasi pearson
product moment (r)

n (∑XY) – (∑X ∑Y)

r =
√ [n ∑X² - (∑X)²][n ∑Y² - (∑Y)²]
 Contoh kasus
• Suatu survei ingin mengetahui hubungan
antara usia dengan lama hari rawat di RS X
tahun X, survei dgn mengambil 5 sampel
pasien dan hasilnya sbb:

– Umur : 20 30 25 35 40 (tahun)
– Lama rawat : 5 6 5 7 8 (hari)

hitung korelasinya dan interpretasikan

 Tabel kerja

Pasien Usia = X Lama hari rawat =Y XY X² Y²

1 20 5 100 400 25
2 30 6 180 900 36
3 25 5 125 625 25
4 35 7 245 1225 49
5 40 8 320 1600 64
∑ 150 31 970 4750 199
 Masukan dlm rumus

5 (970) – (150) (31)

r =
√ [5 (4750) - (150)²][5 (199) - (31)²]

r = 0,97
 Interpretasi

• Hubungan umur dengan lama hari rawat

menunjukkan hubungan yang sangat kuat
(r = 0,97) dan berpola linier positif.

• Artinya, semakin tinggi usia pasien, semakin

lama hari rawatnya.
 Uji Regresi Linier

• Bentuk hubungan
• Mis :
– Hub BB dan TD
Dalam kasus ini BB sbg variabel independen dan TD
sbg dependen. Sehingga dengan uji regresi linier
kita dapat memeperkirakan besarnya nilai TD bila
diketahui data berat badan.
 Persamaan

Y = a + bx

∑Y – (b ∑x)
a= atau a = Y - bX
n

n∑XY – (∑X∑Y)
b=
n∑X² - (∑X)²
 Ket :
• Y = Variabel dependen

• X = variabel independen

• a = intercept, perbedaan besarnya rata-rata

variabel Y ketika variabel X = 0

• b = slope, perkiraan besarnya perubahan

nilai variabel Y bila nilai variabel X
berubah satu unit pengukuran
 Contoh kasus
Pasien Usia = X Lama hari rawat =Y XY X² Y²
1 20 5 100 400 25
2 30 6 180 900 36
3 25 5 125 625 25
4 35 7 245 1225 49
5 40 8 320 1600 64
∑ 150 31 970 4750 199

Hitunglah persamaan garis regresi dan prediksikan pasien yang

berumur 40 tahun berapa lama hari rawatnya ?
 Jawab :
n∑XY – (∑X∑Y)
b=
n∑X² - (∑X)²

5(970) - (150)(31)
b=
5(4750) – (150)²

b = 0,16
 ∑Y – (b ∑x)
a=
n

31 – (0,16)(150)
a=
5

a = 1,4
• Perasamaan regresi linier :

Y = a + bx
lama hari rawat = 1,4 + 0,16 usia pasien

nilai b = 0,16 artinya bila pasien yang dirawat

usianya lbh tua satu tahun, kemungkinan lama
hari rawatnya lebih lama 0,16 hari.

pasien usia 40 tahun dpt diperkirakan lama

perawatannya :
Y = 1,4 +0,16 (40) =7,8 hari
UJI T
 UJI t berpasangan

• Uji t Dua sampel berpasangan

• Rumus :

d  d d
t 
Sd / n Sd / n
 Contoh Kaus

• Seorang bidan desa ditugasi oleh suatu puskesmas

untuk memberikan PMT pemulihan kepada balita
Gizi kurang. Telah diambil secara random 15 balita
dan data sebelum dan setelah pemberian PMT
tersebut. Apakah ada perbedaan berat badan
sebelum dan setelah pemberian PMT pada tingkat
signifikan (α) = 5%?
Berat badan (Kg) balita sebelum dan setelah diberi PMT
Balita BB Sebelum (Kg) BB Setelah (Kg)
1 10,5 10,7
2 9,8 11,0
3 11,5 11,5
4 8,8 10,1
5 7,4 8,2
6 11,6 13,0
7 8,2 9,4
8 9,3 10,4
9 10,2 12,8
10 11,1 12,8
11 10,2 11,7
12 11,7 11,0
13 6,8 8,3
14 7,5 8,9
15 6,6 7,0
 Tabel bantu
Balita BB Sebelum (Kg) BB Setelah (Kg) X2-X1 (X2-X1)2
1 10,5 10,7 0,2 0,04
2 9,8 11,0 1,2 1,44
3 11,5 11,5 0 0
4 8,8 10,1 1,3 1,69
5 7,4 8,2 0,8 0,64
6 11,6 13,0 1,4 1,96
7 8,2 9,4 1,2 1,44
8 9,3 10,4 1,1 1,21
9 10,2 12,8 2,6 6,76
10 11,1 12,8 1,7 2,89
11 10,2 11,7 1,5 2,25
12 11,7 11,0 -0,07 0,49
13 6,8 8,3 1,5 0,25
14 7,5 8,9 1,4 1,96
15 6,6 7,0 0,4 1,16
15,6 25,18
 jawab
• d =∑(X2-X1)/n
= 15,6/15 =1,04

• Sd = √ ∑(X2-X1)²/n-1 d
= √ 25,18/14 = 0,80

• T hit = 1,04
0,80/ √15
= 5,034
 jawab
1. Hipotesis ? Ho dan Ha
2. Uji statistik? Paired t tes
3. Tinkat signifikan? α=5%, df=n-1=14, titik
kritis=2,145
4. Kriteria pengujian? Ha diterima jika T hit > T Tab
atau –T hit < -T Tab
5. Menghitung statistik
6. kesimpulan
 INTERPRETASI HASIL

• Tabel di atas menggambarkan hasil uji t

berpasangan. T hit > T Tab artinya terdapat
perbedaan berat badan sebelum dan setelah
pemberian PMT. Dengan kata lain ada
pengaruh pemberian PMT terhadap
Peningkatan Status Gizi.
 UJI T TIDAK BERPASANGAN

• RUMUS :
x1  x 2
t hitung =
n1  n 2
Sp
n 1n 2
( n  1)SD 2
 ( n  1)SD 2
Dimana : S2p  1 1 2 2

n1  n 2  2
 CONTOH KASUS

• Seorang Bidan ingin mencoba 2 produk makanan

formula kepada balita gizi kurang selama 3 bulan.
Telah diambil secara random 11 balita untuk
makanan jenis A dan 10 balita untuk makanan jenis
B. apakah ada perbedaan berat badan balita yang
diberi makanan Jenis A dan berat badan balita yang
diberi makanan jenis B pada tingkat signifikan
(α)=5%
Data pertambahan BB (kg) 2 klp balita yg diberi
makanan jenis A dan B
Penambahan BB
Balita
Makanan A Makanan B
1 3,1 2,7
2 3,0 2,9
3 3,3 3,4
4 2,9 3,2
5 2,6 3,3
6 3,0 2,9
7 3,6 3,0
8 2,7 3,0
9 3,8 2,6
10 4,0 3,7
11 3,4
 jawab
1. Hipotesis ? Ho dan Ha
2. Uji statistik? Uji T 2 sample bebas
3. Tinkat signifikan? α=5%, df=n1+n2-2=19, titik
kritis=2,09
4. Kriteria pengujian? Ha diterima jika T hit > T Tab
atau –T hit < -T Tab
5. Menghitung statistik
6. kesimpulan
 jawab
• X1 = 3,22 dengan S²1 = 0,1996
• X2 = 3,07 dengan S²2 = 0,1112
• Dan S²p = 0,158

3,22-3,07
• T hit = = 0,862
√0,158 (1/11+1/10)
 INTERPRETASI HASIL

• Karena T hit (0,862) < T Tabel (2,09) maka Ho

diterima, berarti tidak ada perbedaan yang signifikan
antara berat badan balita yang diberi makanan
formula jenis A dan berat badan balita yang diberi
makanan formula jenis B.
Tabel T
 Biostatistik
Non Parametrik
 UJI CHI-SQUARE (2X2)

• Tujuan : Untuk menguji perbedaan proporsi

antara 2 atau lebih kelompok.
• Kelompok yang dibandingkan pada variabel
independen
• Variabel yang dihubungkan kategorik dengan
kategorik
Contoh Tabel 2 x 2
• Rumus Chi-Square 2 x 2

n ad  bc  1 / 2n 
2

X 
2

a  ba  c b  d c  d 

• Uji Fisher
• Digunakan jika pada tabel 2 x 2 ada nilai
Expected < 5
• Rumus
(a  b)!(c  d )!(a  c)!(b  d )!

n!a!b!c!d!
 CONTOH KASUS

• Seorang bidan ingin meneliti hubungan antara

kejadian anemia (anemia, dan tdk anemia)
dengan proses persalinan (normal dan tidak
normal). Pertanyaan penelitian sebagai
berikut : apakah terdapat hubungan antara
kejadian anemia dengan proses persalinan .
Tabel chi-square
 HASIL ANALISIS
persalinan
St. anemia jumlah
Tdk normal normal
anemia 35 15 50
Tdk 20 30 50
anemia
jumlah 55 45 100

n ad  bc  1 / 2n 
2

X 2

a  ba  c b  d c  d 

 jawab
• χ² = 409.000.000/6.187.500

= 66.1
 Interpretasi Hasil

• Tabel 2 x 2 layak untuk dipakai chi-square

karena tidak ada nilai expected yang kurang
dari 5
• Hasil uji chi-square nilai yang dipakai
Continuity Correction (Sidney Siegel). Nilai
signifikansinya adalah 0,005
• Artinya terdapat hubungan antara kejadian
anemia dengan proses persalinan
 Aternatif Uji Chi-Square = Fisher

• Kasus
• Seorang peneliti ingin mengetahui antara
faktor genetik (posistif dan negatif) dengan
obesitas (Obesitas dan tidak obesitas).
• Pertanyaan penelitiannya adalah : Apakah
terdapat hubungan faktor genetik dengan
obesitas.
 HASIL ANALISIS

Chi-Square Tests

As ymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 2.348b 1 .125
Continuity Correctiona 1.321 1 .250
Likelihood Ratio 2.441 1 .118
Fis her's Exact Test .250 .125
Linear-by-Linear
2.304 1 .129
As sociation
N of Valid Cases 54
a. Computed only for a 2x2 table
b. 2 cells (50.0%) have expected count less than 5. The minimum expected count is 4.
00.

Ada 2 sel nilai expected < 5 maka dipakai Fisher

 Interpretasi Hasil

• Karena adan sel yang kurang dari 5, mak uji

yang dipakai yaitu uji Fisher.
• Hasil uji Fisher nilai signifikansinya 0,250
• Karena nilai p > 0,05, maka dapat diambil
kesimpulan bahwa tidak terdapat hubungan
antara faktor genetik dengan obesitas.
 Uji Chi-Square K x K

• Rumus :

2
2
 
(O E )
X E
O = Observasi
E = Nilai expected

(a+b) (a+c)
Expected sel a = ------------------
n
 CONTOH KASUS

• Seorang peneliti ingin mengetahui hubungan

status gizi (baik, kurang, buruk) dengan
kejadian diare (diare dan tidak diare) pada
balita.
• Pertanyaan penelitiannya adalah : Apakah
terdapat hubungan status gizi dengan kejadian
diare
 HASIL ANALISIS

SGIZI * DI ARE Crosstabulati on

Count
DIARE
diare tdk diare Total
SGIZI kurang 11 13 24
cukup 29 19 48
baik 1 27 28
Total 41 59 100
 Chi-Square Tests

As ymp. Sig.
Value df (2-sided)
Pearson Chi-Square 23.928 a 2 .000
Likelihood Ratio 29.196 2 .000
Linear-by-Linear
10.696 1 .001
As sociation
N of Valid Cases 100
a. 0 cells (.0%) have expected count less than 5. The
minimum expected count is 9.84.

Nilai p = 0,000
 Interpretasi Hasil

• Tabel pertama menggambarkan deskripsi

masing-masing sel nilai observed
• Tabel kedua menunjukkan hasil uji Chi-Square,
Nilai yang dipakai adalah Person Chi-Square.
Nilai signifikansi adalah 0,000 oleh karena p <
0,05, maka dapat disimpulkan bahwa
“terdapat hubungan antara status gizi dengan
kejadian diare”.
• P ; <0,05 ho ditolak, ha diterima
• P ; 0,05
• P : >0,05 ho diterima,
UJI – Mc NEMAR
Oleh
Adhar Arifuddin
 Mc NEMAR TEST Fungsi

Menguji hipotesis yang sifatnya

perbandingan untuk dua sampel
berhubungan.
Menguji keefektifan suatu
intervensi tertentu sebelum dan
sesudah perlakuan (signifikansi
perubahan).
Digunakan pada penelitian dengan
rancangan “pre test dan post test”.
 Mc NEMAR TESTSifat

Setiap unit observasi berlaku sebagai

pengontrol terhadap dirinya sendiri.
Menggunakan data yang berbentuk diskret
dengan skala pengukuran nominal.
Analisis dilakukan dengan menggunakan
tabel 2 x 2 sebagai berikut :
 Mc NEMAR TESTTabel analisis

Tabel analisis untuk menguji signifikansi perubahan

(MC Nemar Test)

Sebelum Sesudah intervensi Total

intervensi
- +
+ A B A+B
- C D C+D
Jumlah A+C B+D A+B+C+D
Mc NEMAR TESTTabel analisis

• Prinsip

Sebelum dilakukan intervensi

dilakukan penilaian awal (pre test)
Sesudah dilakukan intervensi
dilakukan penilaian kembali (post test)
Hasil intervensi adalah sebagai
berikut :
 Mc NEMAR TESTTabel analisis

 Ada sebagian variabel dimana sebelum

intervensi positif berubah menjadi negatif
setelah intervensi (dicatat didalam sel A).
 Ada sebagian variabel dimana sebelum
intervensi nilainya positif dan setelah
intervensi tetap positif (di catat pada sel B).
 Ada sebagian variabel sebelum intervensi
nilainya negatif dan tetap negatif setelah
intervensi (dicatat pada selC)
 Ada sebagian variabel sebelum intervensi
nilainya negatif menjadi positif setelah
intervensi (dicatat pada sel D).
 Mc NEMAR TESTTabel analisis
Prinsip :
Dengan demikian sel (A+D) menunjukkan total
orang yang berubah dengan perubahan satu arah,
dan perubahan ini diharapkan berada dibawah
hipotesis nol dengan probability : ½ (A+D).
Selanjutnya perubahan juga terjadi kearah
sebaliknya dengan probability yang sama yakni
:½ (A+D).
Pada Mc Nemar test kita hanya berkepentingan
pada sel A dan D, dan dengan menerapkan
prinsip Chi-square test dapat diformulasikan
sebagai berikut :
Mc NEMAR TESTTabel analisis
(A+D) (A+D)
( A - ------------ )² ( D - -------------- )²
( O - E )² 2 2
x ² =  -------------- = ----------------------- + ---------------------
E A+D A+D
------------- -------------
2 2

Bila disederhanakan bentuknya diperoleh bentuk rumus

sebagai berikut :

( A - D )²
x ² = -----------------  dengan DF = 1
A + D
 Mc NEMAR TESTTabel analisis

Catatan : pada keadaan ini distribusi sampling x ²

diasumsikan berdistribusi Chi-Square dengan DF = 1

 Bila disederhanakan bentuknya diperoleh bentuk

rumus sebagai berikut :

( A – D )²
x ² = -----------------  dengan DF = 1
A + D
 Mc NEMAR TESTTabel analisis

Koreksi kontinyuitas

Menggunakan prinsip koreksi (Yates) dengan rumus

:

(| A – D | - 1)²
x ² = -----------------------------  dengan DF = 1
A + D
 Mc NEMAR TESTPenggunaan
Contoh soal
Seorang mahasiswa FKIK Untad ingin mengetahui
pengaruh pemberian makanan tambahan anak
balita (PMT) terhadap status gizinya (PMT
diberikan secara intensif selama 6 bulan). Untuk
maksud tersebut ditarik secara random sederhana
sebanyak 200 responden dan sebelum dilakukan
penyuluhan, terlebih dahulu dilakukan
pengukuran BB (test awal) untuk mengetahui
status gizinya dengan hasil sebagai berikut :
1. 50 balita termasuk kategori status gizi cukup dan
150 responden termasuk status gizi kurang.
 Mc NEMAR TESTPenggunaan
Contoh soal
2. Setelah diberi PMT secara intensif selama 6 bulan,
diperoleh hasil sebagai berikut : dari 200 balita
tersebut 125 balita termasuk status gizi cukup dan 75
balita termasuk status gizi kurang.
3. Dari analisis hasil 125 balita yg berstatus gizi cukup
setelah PMT, 40 balita status gizinya termasuk tetap,
dan 85 balita berubah dari status gizi kurang menjadi
status gizi cukup.
4. Selanjutnya dari 75 balita yg termasuk kurang ada 65
balita yg status gizinya tetap kurang dan 10
diantaranya status gizi sebelumnya cukup berubah
menjadi kurang.
 Mc NEMAR TESTPenyelesaian

Penyelesaian :
1. Hipotesis
Ho : tidak perubahan status gizi balita sebelum dan setelah
dilakukan intervensi dengan PMT.
Ha : ada perubahan status gizi balita sebelum dan setelah
dilakukan intervensi dengan PMT.

2. Kriteria pengujian hipotesis

H1 : diterima bila harga chi-square hitung lebih besar dari
harga chi-square tabel pada nilai  = 0.05 dengan DF = 1
 Mc NEMAR TESTPenyelesaian

• Penyajian data
Data yang terkumpul, selanjutnya disusun dalam tabel
sbg berikut :

Tabel 1. Perubahan Status Gizi Sebelum dan Setelah

dilakukan intervensi dengan PMT

Status gizi Sebelum Sesudah Perubahan

intervensi intervensi
tetap berubah
Cukup (+) 50 125 40 85
Kurang (-) 150 75 65 10
jumlah 200 200 105 95
 Mc NEMAR TESTPenyelesaian
Pengujian Hipotesis
Untuk kepentingan perhitungaan maka tabel 1
dirubah susunannya sesuai dengan kebutuhan
sebagai berikut :
Tabel 1. Uji Hipotesis Perubahan Status Gizi Sebelum dan Setelah
dilakukan intervensi dengan PMT

Status gizi Sebelum Perubahan setelah

intervensi intervensi
- +
Cukup (+) 50 10 40
Kurang (-) 150 65 85
Jumlah 200 75 125
 Mc NEMAR TESTPenyelesaian

( | A – D | - 1) ² ( | 10 - 85 | - 1) ²
x ² = ---------------------- = --------------------- = 57,642
A+D 95
Mc NEMAR TESTPenyelesaian

Interpretasi
Chi square hitung > (57,642) daripada Chi
square tabel (3,841) pada  = 0,05 dengan
DF = 1  Ho ditolak, Ha diterima.

Kesimpulan
Terdapat perubahan/ perbedaan secara
bermakna status gizi sebelum dan
setelah pemberian intervensi dengan
PMT pada balita.
“ Terima kasih ”
Uji Mann-Whitney
Uji Mann-Whitney

• Digunakan untuk mengetahui ada atau tidaknya

perbedaan dari dua sampel yg independen.
• Merupakan uji non parametrik yang menjadi
alternatif dari uji-t (uji parametrik).
• Data berskala nominal atau ordinal.
• Disebut juga uji U, karena statistik yg digunakan
untuk menguji hipotesis nolnya disebut U.
Prosedur Uji
1. Formulasikan hipotesisnya
Ho : Tidak terdapat perbedaan rata-rata sample
satu dengan yang lainnya.
Ha : Ada perbedaan rata-rata sample satu dengan
dengan yang lainnya

2. Tentukan nilai α dan U tabel

- α yang digunakan biasanya 5% (0,05) atau 1% (0,01)
- Nilai U tabel dengan n1 dan n2 tertentu.

3. Hitung nilai U

4. Tentukan kriteria pengujian

apabila U ≥ Utabel  Ho diterima (H1 ditolak)
apabila U < Utabel  Ho ditolak (H1 diterima)
• Menentukan nilai uji statistik (Nilai U)
Penentuan nilai uji statsitik melalui tahap-tahap
sebagai berikut :
– Mengabungkan kedua sampel dan memberi urutan tiap-
tiap anggota, dimulai dari pengamatan terkecil sampai
terbesar
– Peringkat untuk X dipisahkan dan dijumlahkan menjadi RX
– Peringkat untuk Y dipisahkan dan dijumlahkan menjadi RY
– Menghitung statistik U dengan rumus :
 (nX + 1) x nX
UX = (nX x nY) + - ∑RX
2
(nY + 1) x nY
Uy = (nX x nY) + - ∑RY
2
Keterangan :

UX = Jumlah peringkat 1
UY = Jumlah peringkat 2
nX = Jumlah sample 1
nY = Jumlah sample 2
∑RX = Jumlah rangking pada sampel X
∑RY = Jumlah rangking pada sampel Y
Contoh 1

Sampel X dan Y adalah sebagai berikut

X 1,9 0,5 2,8 3,1

Y 2,1 5,3 1,4 4,6 0,9

1. Gabungkan data dari kedua kelompok kemudian

urutkan dan beri peribgkat, lalu jumlahkan peringkat
masing2 kelompok
Asal Data Peringkat Per X Per Y
X 0,5 1 1
Y 0,9 2 2
Y 1,4 3 3
X 1,9 4 4
Y 2,1 5 5
X 2,8 6 6
X 3,1 7 7
Y 4,6 8 8
Y 5,3 9 9
18 27
RX RY
2. Hitung nilai statistik U

(nX + 1) x nX
UX = (nX x nY) + - ∑RX
2

(4 + 1) x 4
UX= (4 x 5) + - 18
2

UX = 20 + 10 – 18 = 12
 (nY + 1) x nY
Uy = (nX x nY) + - ∑RY
2

(5 + 1) x 5
UY= (4 x 5) + - 27
2

UY = 20 + 15 – 27 = 8
Step 3. Pilih nilai statistik U terkecil bandingkan dengan U
tabel

• U tabel pada n1=4 dan n2=5  1

• U terkecil = UY = 8
 Tolak H0 jika U terkecil < 1
Terima H0 jika U terkecil ≥ 1

Step 4. Ambil kesimpulan uji statistik

• U hitung (8) > U tabel (1)  H0 gagal ditolak
• Tidak ada perbedaan median antara kelompok X dan Y
 Hadiah Terbaik :
Kepada kawan – Kesetiaan
Kepada musuh - Kemaafan
Kepada ketua – Khidmat
Kepada yang muda - Contoh terbaik
Kepada yang tua - Hargai budi mereka dan
kesetiaan
Kepada pasangan - Cinta dan ketaatan
Kepada manusia - Kebebasan
THE-END