BIOSTATISTIKA

Oleh :

Ary Winanti Putri

Bisana Aris Wiyatna
Julina Amamehi

Pembimbing :
dr. Gerson Andrew Warnares, M.Med., M.Phill.
 Statistik: Biostatistik:

Cabang matematika terapan Metode statistik yang diterapkan

yang berurusan dengan
pengumpulan, analisis, dan
interpretasi data, dan
penggunaan teori
probabilitas untuk menaksir
parameter populasi
pada ilmu-ilmu terkait
kesehatan, seperti kedokteran
dan kesehatan masyarakat,
untuk membantu memahami
tentang karakteristik populasi,
dan hubungan/ pengaruh
variabel pada populasi
PENGERTIAN STATISTIK MENURUT PARA AHLI

a. Marguerrite F. Hall
Suatu teknik yang digunakan untuk mengumpulkan data, menganalisa data dan menyimpulkan
dan mengadakan penafsiran data yang berbentuk angka.
b. Anderson & Bancrofi
 ilmu dan seni mengembangkan dan menerapkan metoda yang paling efektif untuk
mengumpulkan, mentabulasi, menginterpretasi kan data kuantitatif sedemikian rupa sehingga
kemungkinan salah dalam kesimpulan dan estimasi dapat diperkirakan dengan menggunakan
penalaran induktif berdeasarkan matematika probabilitas.
c. Sujana
Pengetahuan yang berhubungan dengan cara-cara pengumpuam fakta, pengolahan serta
penganalisanya, penarikan kesimpulan, penyajian dan publikasi dari data-data yang berbentuk
angka
d. Sudrajat
Ilmu pengetahuan mengenai cara dan aturan dalam hal pengumpulan data, pengolahan, analisa,
penarikan keseimpulan, penyajian dan publikasi dari kata-kata yang berbentu angka.
 Kegunaan
Biostatistik berguna untuk memberikan informasi tentang:

1. Karakteristik populasi
• Berapa persen dari populasi yang menderita TB paru?
• Berapa rata - rata tekanan darah sistolik populasi obes (BMI> 30)?

2.Hubungan/ pengaruh variabel pada populasi

• Apakah merokok berhubungan dengan peningkatan risiko penyakit
jantung koroner (PJK)?
• Apakah pemberian metilprednisolon dapat mengurangi mortalitas
pasien dengan tetanus?
3. Perencanaan program pelayanan kesehatan
4. Penyelesaian masalah kesehatan
5. Analisis berbagai penyakit selama periode waktu tertentu (time series analysis)
6. Menentukan penyebab timbulnya penyakit baru yang belum diketahui
7. Menguji manfaat obat bagi penyembuhan penyakit (setelah hasil uji klinik
dinyatakan berhasil)
8. Secara administratif dapat untuk memberi penerangan tentang kesehatan
kepada masyarakat
TUJUAN STATISTIK
1. Memberikan gambaran/ ukuran
mengenai status/ derajat
kesehatan. Contoh:
 Angka Kematian Bayi
 Angka Kematian Ibu
TUJUAN STATISTIK (2)
2. Untuk evaluasi program kesehatan.
Contoh: Status Kesehatan
*10 th yll AKI = 125/100000
*Sekarang AKI = 75/100000
TUJUAN STATISTIK (3)

3. Untuk merencanakan program

kesehatan
Contoh:
Didapat data pola penyakit di
suatu daerah  Dasar
pengalokasian sumber daya
kesehatan
 Pengelompokan Statistika
1. 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
2. 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 lahir di daerah Cibinong
diambil sampel di RSUD Cibinong
 Pengelompokan lainnya
• 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)
 Macam - Macam Data
1. Data Primer
Dikumpulkan secara langsung oleh peneliti

2. Data Sekunder
Diperoleh dari orang / tempat lain.
Misal : RM RS. Lebih hemat waktu, biaya, tenaga. Tetapi
kadang tidak lengkap / tidak sesuai
 SKALA PENGUKURAN

 Dalam mengumpulkan nilai dari variabel perlu

diketahui skala pengukuran dari variabel tersebut.

 Variabel adalah sifat yang akan diukur atau diamati

yang nilainya bervariasi antara satu objek ke objek
lainnya.
Contoh “variabel”
• Untuk mengamati bayi baru lahir
 variabel yang akan diamati adalah berat badan, panjang
badan (nilai ini bervariasi antara satu bayi dengan bayi
lainnya)
 Skala Pengukuran

1. Nominal
2. Ordinal
3. Interval
4. Rasio
 1. Nominal
 Nilai dapat dibedakan/klasifikasi pengamatan dapat
dilakukan
 Nilainya sederajat
 Contoh: Jenis Kelamin, Agama
 2. Ordinal

• Nilai dapat dibedakan

• Ada tingkatan/ urutan pengamatan dapat dilakukan tapi
belum ada jarak.
 Contoh: Pendidikan; SD, SMP, SMU
 Status Ekonomi: Baik, Sedang,
kurang
 3. Interval

• Nilai dapat dibedakan

• Ada tingkatan
• Ada jarak.
Contoh: Suhu/ temperatur
 20’ dan 40’
 4. Rasio

• Nilai dapat dibedakan

• Ada tingkatan
• Ada jarak.
• Sudah ada kelipatan
Contoh: Berat badan

 Berat 80 kg = 2 x berat 40 kg
 Konsep dasar statistik

1. Populasi adalah:
Seluruh unit/ subyek yang diteliti  Subyek/unit berupa
individu, keluarga, puskesmas, RS, buku (cth: populasi
buku)
 Konsep dasar statistik

2. Sampel adalah:
Bagian dari populasi yang karakteristiknya mewakili
populasi  Pada populasi dengan jumlah sedikit, sampel
di random.
(Random artinya adalah setiap anggota populasi
punya kesempatan yang sama untuk terpilih)
ANALISIS
KORELASI
KORELASI

suatu alat analisis yang

dipergunakan untuk mencari
hubungan antara variabel
independen/bebas dengan
variabel dipenden/takbebas.
 Ukuran derajat hubungan
Analisis korelasi
disebut
studi yang membahas Koefisien Korelasi.

tentang derajat angka yang

(seberapa kuat) menunjukkan arah dan

kuat hubungan antara
hubungan antara dua
dua varibel atau lebih.
variabel atau lebih.
 Apabila beberapa variabel
independen/bebas
KOEFISIEN
BERGANDA dihubungkan dengan satu
variabel dependen/tak bebas

apabila satu variabel

independen/bebas
KOEFISIEN PARSIAL
berhubungan dengan satu
variabel dependent/takbebas
ARAH DAN HUBUNGAN
• Apabila nilai variabel ditingkatkan, maka

meningkatkan nilai variabel yang lain.

positif • Apabila nilai variabel diturunkan, maka akan

menurunkan nilai variabel yang lain.

 Apabila nilai variabel ditingkatkan, maka akan

menurunkan nilai variabel yang lain.

Negatif  Apabila nilai variabel diturunkan, maka akan

meningkatkan nilai variabel yang lain.

Kuat hubungan dinyatakan dalam bentuk angka,
antara 0-1

Angka 0 menujukkan tidak ada hubungan

Angka 1 menunjukkan hubungan yang sempurna Besar koefisien

korelasi, memiliki
range
dari -1 sampai +1

semakin kecil koefisien korelasi,

maka akan semakin besar
kesalahan untuk memprediksi
Harga r bergerak antara –1 dan +1 dengan tanda negatif
menyatakan adanya korelasi tak langsung atau korelasi
negatif dan tanda positif menyatakan adanya korelasi
langsung atau korelasi positif. r=0 menyatakan tidak ada
hubungan linier antara variabel X dan Y.

Korelasi negatif Korelasi negatif Tidak ada Korelasi positif korelasi positif
sempurna sedang korelasi sedang sempurna

negatif kuat negatif lemah positif lemah positif kuat

-1,0 -0,5 0,0 0,5 1,0

Korelasi Negatif Korelasi Positif

KOEFISIEN KORELASI RANK SPEARMAN

Disebut juga Rank order correlation atau Rank

defference corelation

 Penemu Charles Spearman

 Mengukur kedekatan hubungan antara dua variabel

ordinal.
Pasangan data hasil pengamatan (Xi , Yi) disusun menurut urutan
besar nilainya dalam tiap variabel. Kemudian kita bentuk selisih atau
beda peringkat Xi dan peringkat Yi yang data aslinya berpasangan.
Beda ini disimbolkan dengan bi, maka koefisien korelasi peringkat r
dihitung dengan rumus:

6  bi2
r  1
n (n 2  1)
Contoh ..

Data berikut adalah penilaian 2 orang juri terhadap 8 orang peserta

perlombaan.
Peserta Juri I Juri II
A 70 80
B 85 75
C 65 55
D 50 60
E 90 85
F 80 70
G 75 90
H 60 65

Tentukan Koefisien Korelasi rank !

Penyelesaian ..
Peserta Juri I Juri II Beda (bi)
bi2
A 5 3 2 4
B 2 4 -2 4
C 6 8 2 4
D 8 7 1 1
E 1 2 -1 1
F 3 5 -2 4
G 4 1 3 9
H 7 6 1 1
Jumlah - - - 28
Koefisien Korelasi rank :
6  bi2 6 (28)
r  1  1  0,667
n (n  1)
2
8 (64  1)
Korelasi R

• Untuk perhitungan memerlukan tabel kontingensi

• Korelasi kontingensi
• Menghitung hubungan antara variabel
dengan data nominal
KOEFISIEN KORELASI PEARSON (PRODUCT MOMENT)

Untuk sekumpulan data (Xi, Yi ) berukuran n,

koefisien korelasi dapat dihitung dengan
rumus:
n  X i Yi  (  X i ) (  Yi )
r
 n ( X 2
i )  (  X i ) 2  n (  Yi2 )  (  Yi ) 2 
Contoh..
Diketahui data jumlah SKS dan IPK mahasiswa sbb.

Jumlah SKS (X) IPK (Y)

10 3,00
10 2,50
15 2,00
10 1,50
5 1,00

Tentukan nilai koefisien korelasi dengan metode product

moment dan jelaskan artinya!
Jawab :
Buat tabel penolong untuk menghitung r

No Xi Yi Xi Yi Xi2 Yi2
1 10 3,00 30 100 9,00
2 10 2,50 25 100 6,25
3 15 2,00 30 225 4,00
4 10 1,50 15 100 2,25
5 5 1,00 5 25 1,00
n=5 Xi = 50 Yi = 10 XiYi= Xi2 = Yi2 =
105 550 22,5
5 (105)  (50) (10) 25
r = 5 (550)  (50) 5 (22,5)  (10) 
2 2
= (250) (12,5) = 0,447
Dari hasil ini ternyata didapat korelasi positif antara
jumlah sks (X) dan IPK yang didapat (Y).
 KOEFISIEN DETERMINASI
 ukuran untuk mengetahui kesesuaian atau ketepatan antara
nilai dugaan dengan data sampel.
 bagian dari keragaman total variabel tak bebas Y (variabel
yang dipengaruhi atau dependent) yang dapat diterangkan
atau diperhitungkan oleh keragaman variabel bebas X
(variabel yang mempengaruhi, independent)
 KOEFISIEN DETERMINASI

kemampuan variabel X mempengaruhi variabel Y. Semakin besar

koefisien determinasi menunjukkan semakin baik kemampuan X
mempengaruhi Y.

Koefisien Determinasi =

[ n  Xi Yi  ( Xi ) ( Yi ) ]2
r 
2

n ( X 2
i )  ( Xi ) 2 n ( Y
i
2
)  ( Yi ) 2 
 KOEFISIEN KORELASI GANDA
Untuk 2 variabel bebas (X1 dan X2 ) maka r dihitung dengan rumus:

r 2 y x1  r 2 y x2  2 ry x1 ry x2 rx1 x 2
ry x1 x 2 
1  r 2 x1 x 2

dimana : ry x1 x 2 = Koefisien korelasi ganda antara variable X1 dan X2 secara

bersama-sama dengan variable Y
ry x1 = Koefisien korelasi X1 dengan Y

ry x 2 = Koefisien korelasi X2 dengan Y

rx1 x 2 = Koefisien korelasi X1 dengan X2

Contoh :
Misalkan kita melakukan pengamatan terhadap 10 keluarga mengenai:
X1 = pendapatan dalam ribuan rupiah
X2 = jumlah keluarga dalam satuan jiwa
Y = pengeluaran untuk membeli barang A dalam ratusan rupiah

X1 10 2 4 6 8 7 4 6 7 6
X2 7 3 2 4 6 5 3 3 4 3
Y 23 7 15 17 23 22 10 14 20 19

Akan dibuktikan ada hubungan linier positif dan signifikan antara variabel X 1
dan X2 secara bersama-sama dengan variabel Y.
 No X1 X2 Y X1Y X2Y X1X2 X12 X22 Y2
1 10 7 23 230 161 70 100 49 529
2 2 3 7 14 21 6 4 9 49
3 4 2 15 60 30 8 16 4 225
4 6 4 17 102 68 24 36 16 289
5 8 6 23 184 138 48 64 36 529
6 7 5 22 152 110 35 49 25 484
7 4 3 10 40 30 12 16 9 100
8 6 3 14 84 42 18 36 9 196
9 7 4 20 140 80 28 49 16 400
10 6 3 19 114 57 18 36 9 361
Jumlah 60 40 170 1121 737 267 406 182 3162

Dari tabel diperoleh:

n = 10, X1 = 60, X2 = 40, Y = 170, X1Y = 1122, X2Y = 737, X1 X2 = 267,
X12 = 406, X22 = 182, Y2 = 3162
 n  X1Y  (  X1 ) (  Y)
r y x1 = n (  X1
2
)  (  X1 ) 2 n ( Y 2
)  (  Y1 ) 2  =
10 (1122)  (60) (170)
r y x1 = 10 (406)  (60) 10 (3162)  (170) 
2 2

1020 1020

r y x1 = 460 x 2720 1118,57

r y x1 = 0,912

n  X 2 Y  (  X 2 ) (  Y)
r y x2 = n ( X 2
2)  ( X 2 ) 2 n ( Y 2
)  (  Y) 2 =
10 (737)  (40) (170)
r y x2 = 10 (182)  (40) 10 (3162)  (170) 
2 2

570 570

r y x2 = 220 x 2720 773,56

r y x2 = 0,74
 n  X1X 2  (  X1 ) (  X 2 )
r x1 x 2 = n ( X 2
1)  (  X1 ) 2 n ( X 2
2)  ( X 2 ) 2  =
10 (267)  (60) (40)
r x1 x 2 = 10 (406)  (60) 10 (182)  (40) 
2 2

270 270

r x1 x 2 460 x 220 318,12
=

r x1 x 2 = 0,85

r 2 y x1  r 2 y x 2  2 ry x1 ry x 2 rx1 x 2
ry x1 x 2 
1  r 2 x1 x 2

(0,912) 2  (0,74) 2  2 (0,912) (0,74) (0,85)

= 1  (0,85) 2

= 0,8354
= 0,914

Kesimpulan: Terdapat hubungan yang signifikan antara X 2 bersama-sama dengan X2 dengan Y.

Atau : Terdapat hubungan yang signifikan antara pendapatan dan jumlah keluarga dengan
pengeluaran untuk membeli barang A.
Statistik parametrik

• Prosedur pengujian hipotesis dan estimasi dengan menggunakan parameter mean dan
asumsi normalitas distribusi frekuensi

• Uji t, F (Anova)

Statistika non-parametrik

• Prosedur pengujian hipotesis dan estimasi tanpa menggunakan parameter mean maupun
asumsi normalitas distribusi frekuensi (distribution-free statistics)

• Uji Chi Kuadrat, Mann-Whitney, Wilcoxon, Kruskal-Wallis

Analisis Komparatif = Perbandingan / Pembanding
Salah satu teknik analisis
kuantitatif yang digunakan untuk
menguji hipotesis mengenai ada
atau tidaknya perbedaan antar
variabel atau sampel yang diteliti.
Jika ada perbedaan, apakah
perbedaan itu signifikan/
perbedaan itu hanya kebetulan
saja.
Dilakukan perbandingan antar
mean satu atau dua sampel, yi
apakah mmg signifikan yg
diperbandingkan atau dicari
perbedaannya, ataukah
perbedaan itu hanya kebetulan
saja ( by change)  T-test atau
Chi Kuadrat (Chi Square)
Statistik parametrik
Uji T / T- Test

Salah satu test statistik yg digunakan utk

menguji kebenaran / kepalsuan
hipotesis nol/nihil (Ho) yg menyatakan
bahwa diantara 2bh mean sampel
diambil scraq random dari populasi yg
sama tidak terdapat perbedaanyg
signifikan.
1. One Sample T-Test
• Analisis perbandingan satu sampel dikenal dengan
Uji-T atau T-Test (one sample t-test) dan uji-Z. Tujuan
Uji-T atau Uji-Z adalah untuk mengetahui perbedaan
mean variabel yang dihipotesiskan .
Rumus Uji-T dan Uji-Z, yaitu :
• Apabila standar deviasi diketahui dan n > 30 menggunakan rumus Zhitung :
• Apabila standar deviasi sampel tidak diketahui dan n ≤ 30 :
PEDOMAN PENGGUNAAN
1. Peneliti akan menguji HIPOTESIS Komparatif 2
sampel berpasangan.
2. Sampel diambil secara Random
3. Datanya berskala interval/rasio.
4. Data berdistribusi Normal.
5. Jumlah data kecil (<30) dan SD tidak diketahui.
6. Jika jumlah data >30 dan SD diketahui maka pakai
Uji Z
7. Bentuk desain penelitiannya one group only before
and after design.
 CONTOH KASUS
Seorang tenaga kesehatan mengatakan bahwa
terapi akupunktur dapat menurunkan berat
badan pasien.
Seorang peneliti di bidang kesehatan ingin
mengetahui :
Apakah ada perbedaan yang signifikan berat
badan pasien sebelum dan sesudah Terapi
Akupunktur.
 HIPOTESIS
Ho : Tidak ada perbedaan yang signifikan pada
berat badan pasien antara sebelum dan
sesudah Terapi Akupunktur.
H0 = μd= 0 (μsebelum = μsesudah)
μd= rata-rata deviasi

Taraf signifikansi : α = 5% = 0,05

Ketentuan :
H0 diterima jika sign (P hasil hitung) > α
 PENYAJIAN DATA
Responden pada penelitian ini sebanyak 10
pasien yang dipilih secara acak. Berikut ini
adalah data nilai sebelum dan sesudah Terapi
Akupunktur, yaitu :

Pre 77 66 80 95 74 79 72 67 60 60
Post 51 48 58 44 61 55 59 50 48 52
 TEKNIK STATISTIK
Rumus statistik yang dipilih adalah :

d
t=
SD_d / √n
d = rata-rata deviasi / selisih sampel
sebelum dan sesudah
SD_d = standar deviasi dari deviasi /
selisih sampel 1 & 2
n = banyaknya sampel
 TEKNIK STATISTIK
Hasil perhitungan dengan menggunakan Ms
Excel adalah sebagai berikut :
 TEKNIK STATISTIK
Hipotesis :H0 = (μsebelum = μsesudah)
H1 = (μsebelum ≠ μsesudah)
Taraf signifikansi : α = 5% = 0,05
Statistik uji : Sign = 0,000
Sign = nilai P = hasil hitung
H0 diterima jika : sign > α
Keputusan :H0 ditolak,
karena nilai sign = 0,000 < α = 0,05
 TEKNIK STATISTIK
Dari hasil perhitungan dengan menggunakan
Ms Excel untuk uji mean dua sampel
berpasangan menunjukkan nilai rata-rata
sebelum dan sesudah Terapi Akupunktur tidak
sama, di mana nilai : P = 0,000 < α = 0,05
sehingga H0 yang menyatakan bahwa berat
badan sebelum dan sesudah terapi akupunktur
adalah sama, ditolak.
 PEMBAHASAN
Dari hasil analisis menggunakan Uji T Paired terhadap hipotesis yang sudah
dirumuskan dapat dinyatakan bahwa uji mean dua sampel berpasangan
menunjukkan nilai rata-rata sebelum dan sesudah Terapi Akupunktur tidak
sama, di mana nilai sign = 0,000 < α = 0,05 yang berarti bahwa ada
perbedaan yang signifikan hasil pemberian Terapi Akupunktur terhadap berat
badan pasien di klinik PUSPO.
Jadi, pemberian Terapi Akupunktur kepada pasien untuk menurunkan berat badan
di klinik PUSPO bermanfaat. Program penurunan berat badan melalui Terapi
Akupunktur perlu diterapkan di sarana pelayanan kesehatan.
2. Independent Sample T-Test dan Paired Sample T-Test
• Tujuan Uji-T dua sampel adalah untuk membandingkan
(membedakan) apakah kedua mean sampel tsb sama /
berbeda. Gunanya untuk menguji kemampuan generalisasi
(signifikansi hasil penelitian yang berupa perbandingan dua
rata-rata sampel).
1. Sampel berkorelasi
• Sampel yang bekorelasi biasanya terdapat dalam desain penelitian
eksperimen, sebagai contoh : membuat perbandingan nilai pre-test
dan post-test, membandingkan sebelum dan sesudah
treatment/perlakuan dalam eksperimen, dll.
2. Sampel tidak berkorelasi (independen).
• Sampel independen adalah sampel yang tidak berkaitan satu sama
lain. Contoh : membandingkan hasil tes SPMB ditinjau dari lulusan
SMA dan SMK, membandingkan penghasilan petani dan nelayan, dll.
Contoh:
Judul : Perbedaan Hasil Belajar Matematika
Menggunakan Metode A dengan Metode B Siswa
Kelas X SMA Abu-Abu Tahun Pelajaran 2012/2013
• Pada penelitian tersebut kelas eksperimen (X1)
menggunakan metode A dan kelas kontrol (X2)
menggunakan metode B, jumlah siswa masing-masing
kelas adalah 15 orang. Ujilah apakah ada perbedaan
hasil belajar matematika menggunakan metode A
dengan metode B pada siswa kelas X SMA Abu-Abu
tahun pelajaran 2012/2013 tersebut ! Data seperti pada
tabel.
• Muncul output SPSS viewer menampilkan hasil
sebagai berikut:
Tabel Independent-Sample T Test yang pertama menguji
apakah kedua kelompok memiliki varians yang sama.
Hipotesisnya:
• Ho : kedua kelompok memiliki varian yang sama
• H1 : kedua kelompok tidak memiliki varian yang sama
• Nilai Sig (0,685) > 0,05 maka Ho diterima, artinya kedua
kelompok data memiliki varian yang sama.
• Tabel Independent-Sample T Test yang kedua menguji apakah kedua
kelompok memiliki rata-rata yang sama. Hipotesisnya:
• Ho : kedua kelompok memiliki rata-rata hasil belajar yang sama.
• H1 : kedua kelompok tidak memiliki rata-rata hasil belajar yang sama.
• Pada output diketahui Sig (2-tailled) = 0,000 < 0,05 maka Ho ditolak,
artinya kedua kelompok tidak memiliki rata-rata hasil belajar yang
sama. Bisa juga dengan membandingkan t hitung dengan nilai t tabel.
Chi Kuadrat (Chi Square)

Merupakan pengujian hipotesis tentang

perbandingan antara frekuensi sampel yang
benar-benar terjadi (frekuensi observasi / fo)
dgn frekuensi harapan yang didasarkan atas
hipotesis tertentu pada setiap kasus atau
data (frekuensi harapan / fe).
Uji Kecocokan / goodness of fit test
hipotesis nol merupakan suatu ketentuan ttg pola yg
diharapkan dari frekuensi-frekuensi dalam kategori tertentu.
Pola yang diharapkan harus sesuai dengan asumsi /
anggapan atas kemungkinan kejadian yang sama dan
bersifat umum.
Catatan:
fo : frekuensi observasi
fe : frekuensi harapan

Dalam uji kecocokan model derajad kebebasan (df) sama dengan jumlah kategori dikurangi jumlah estimator yang
didasarkan pada sampel dan dikurang 1. Yang dimaksud estimator parameter adalah parameter yang
diperkirakan nilainya, karena nilai parameter tidak dapat secara tepat ditentukan berdasarkan data sampel
yang tersedia. Jika dirumuskan menjadi:
df = k – m -1
dengan :
k : jumlah kategori data sampel
m : jumlah nilai-nilai parameter yang diestimasi
• Jika hipotesis nol menyatakan bahwa frekuensi-frekuensi observasi
didistribusikan sama dengan frekuensi harapan, tidak ada parameter
estimatornya. Dengan demikian nilai m = 0
Rumus 1
Tabel kontingensi
Uji Tabel Kontigensi
• Memuat data yg diperoleh dari sampel random sederhana dan diatur
berdasarkan baris dan kolom. Baik baris maupun kolom masing-masing
terbagi dalam kriteria-kriteria atau ketentuan-ketentuan. Nilai-nilai data
pada tabel kontigensi merupakan frekuensi observasi (fo).

• Dengan uji tabel kontigensi (contigenscy table test) kita dapat menguji
apakah dua variabel (baris dan kolom) saling independen atau tidak.
Gagasan ini didasarkan atas anggapan bahwa jika kategori-kategori saling
independen nilai frekuensi observasi mendekati nilai frekuensi harapan.
Perbedaan-perbedaan yang besar akan mendukung kita untuk menolak
hipotesis yang menyatakan tentang independen.
• Apabila banyaknya baris = r, banyaknya kolom = k, dan besarnya sampel n, nilai
frekuensi harapan baris ke I dan kolom ke j dapat diperoleh dengan rumus:

• dengan derajat kebebasan

• df = (r – 1) (k – 1)
• Sedangkan rumus untuk memperoleh nilai x2
Contoh X2
Hasil
RELATIVE RISK (RISK RATIO)
• Perbandingan antara dua peluang yang sukses. Relative
risk secara umum menyatakan peluang terjadinya suatu
kejadian (resiko) .
• Relative risk (Risk ratio) merupakan rasio dari resiko
untuk terjadinya penyakit pada kelompok terpapar
dibandingkan dengan kelompok yang tidak terpapar.
Murti (1997) mendefenisikan resiko relatif sebagai
ukuran yang dapat menunjukkan berapa kali resiko untuk
mengalami penyakit pada populasi terpapar relatif
dibandingkan dengan populasi tidak terpapar.
Rumus Risk Ratio :
Risk ratio = insidensi kumulatif kelompok terpapar (a/N1)
insidensi kumulatif kelompok tidak terpapar (a/N0)

• Bila hasil perhitungan = 1, artinya tidak ada asosiasi antara paparan dan
penyakit
• Bila hasil perhitungan > 1, artinya paparan merupakan faktor resiko
penyakit, paparan meningkatkan resiko terkena penyakit tertentu.
• Bila hasil perhitungan < 1, artinya paparan memiliki efek protektif
terhadap penyakit, paparan melindungi atau mengurangi resiko
penyakit tertentu.
Contoh kasus :
• Sebuah penelitian kohort ingin melihat resiko orang yang
merokok untuk terkena kanker paru di Provinsi X. Pada awal
penelitian sebanyak 5000 orang yang merokok dijadikan
subyek penelitian dan 5000 orang yang lainnya sebagai
kelompok pembanding (tidak merokok). 20 tahun kemudian
diketahui diantara 5000 orang yang merokok 200 orang
diantaranya mengalami kanker paru, dan diantara 5000 orang
yang tidak merokok terdapat 50 orang yang mengalami kanker
paru. Hitung resiko relatif kelompok yang merokok untuk
terkena penyakit kanker paru dibandingkan dengan kelompok
yang tidak terpapar.
Tabel. Data penelitian kohort merokok untuk
terkena kanker paru di Provinsi X
Paparan penyakit Merokok Tidak merokok Jumlah
Kanker paru 200 50 250
Tidak kanker paru 4800 4950 9770
Jumlah 5000 5000 10000

Insidensi kelompok terpapar = 200/5000 = 0,04

Insidensi kelompok tidak terpapar = 50/5000 = 0,01
Risk ratio = insidensi kumulatif kelompok terpapar (a/N1)
insidensi kumulatif kelompok tidak terpapar (a/N0)
= 0,04 : 0,01 = 4

Berdasarkan perhitungan diatas, maka dengan RR sebesar 4

dapat diinterprestasikan sebagai risiko orang yang merokok
untuk terkena kanker paru adalah 4 kali lebih besar
dibandingkan dengan orang yang tidak merokok.
Odd Rasio

• Odd merupakan peluang terjadinya suatu kejadian

dibandingkan peluang tidak terjadinya kejadian
tersebut.
• Odd menunjukkan rasio dua nilai dikotomi. Odds
kasus artinya perbandingan jumlah kasus terpapar
dengan kasus tidak terpapar, sedangkan odds kontrol
artinya perbandingan jumlah kontrol terpapar dan
kontrol tidak terpapar.
Lanjutan..

• Odds ratio (OR) atau rasio odds merupakan

perbandingan odds subyek sakit dengam odds
subyek tak sakit. Odds rasio merupakan sebuah
pendekatan resiko relatif yang digunakan dalam
penelitian kasus kontrol.
• Odds ratio (OR) = odds kasus (a/b)
odds kontrol (c/d)
Contoh kasus :

• Sebuah penelitian kasus kontrol ingin mengetahui faktor

yang mempengaruhi kejadian difteri klinis pada anak
yang berusia < 15 tahun di Kabupaten Bangkalan pasca
sub PIN difteri tahun 2012 (Utama, 2013). Salah satu
faktor yang diteliti adalah status imuninasi DPT dasar.
Status DPT dasar dalam penelitian ini dibedakan menjadi
3 kategori, namun dalam contoh ini cukup diklarifikasi
menjadi dua kategori.
Tabel. Gejala klinis Difteri di Kabupaten
Bangkalan pasca sub PIN Difteri Tahun 2012
Tidak imunisasi dan tidak lengkap imunisasi DPT dasar
Difteri Klinis + - Total
+ 24 7 31
- 41 83 124
Total 65 90 155

Odds ratio (OR) = odds kasus (a/b)

odds kontrol (c/d)
= (24/7) : (41/83) = 6,94
Terima Kasih ..