( 2 SKS 16 x Pertemuan )
Oleh :
Dr.Rika Handayani, SKM.,M.Kes
( S1 Jurusan : Biostatistik/Kesehatan Keluarga Berencana FKM – UH)
(S2 Konsentrasi Kesehatan Reproduksi/Pasca-UH)
(S3 Prodi Ilmu Kedokteran/Pasca-UH)
1
Materi perkuliahan
1. PENGANTAR
2. PENDAHULUAN
3. PENGUMPULAN DATA
4. PENGOLAHAN DATA
5. PENYAJIAN DATA
6. ANALISIS DATA
7. UJI HIPOTESIS
BIOSTATISTIK-UNIMERZ 2
Pengasuh Mata Kuliah
Dr. Rika Handayani, SKM.,M.Kes
UNIVERSITAS MEGAREZKY
90
80
70
60
50 East
40 West
30 North
20
10
0
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr
3
Penilaian mata kuliah
3.Mid Test : 20 %
4.Final Test : 30 %
Jumlah : 100 %
PENGANTAR 4
TUJUAN MATA KULIAH
5
REFERENSI
1. Metode Statistika (Sudjana)
2. Pengantar Statistika (Ronald E.Walpole)
3. Pengendalian Kualitas Statistik (Douglas C.
Montgomery)
4. Pengantar Analisis Statistik (Wilfrid J. Dixon)
5. Statistical Process Control (Vincent Gaspresz)
6. Metode Statistik Non Parametrik Terapan (P.
Sprent)
7. Statistik Non Parametrik (Sidney Siegel)
6
WAKTU PERKULIAHAN Biostatistik
7
Jadwal ujian
1. MASA PERKULIAHAN :
* Awal 12 Sept 2019
* Akhir 15 Jan 2020
2. MID. TEST = 29 Okt. 2019
3. FINAL TEST = 23 Jan – 5 Febr. 2019
4. LIBURAN =
* Idul Fitri :
* Natal & Thn Baru :
PENGANTAR 8
Terima kasih Lanjut Ke
kuliah Pendahuluan
9
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 10
Pengertian
KONSEP
BIOSTA Teori
TISTIC
matematika
VARIA
STATIS BEL
METODE
TICS
Pengolahan
data
PENDAHULUAN 12
Variabel
Adalah suatu “ SIMBOL “ yang berisi
HIMPUNAN GEJALA yang memiliki
berbagai aspek atau unsur serta
bervariasi menurut beberapa keadaan
seperti :
* Cara pengukuran
• Waktu pengukuran
• Subyek.
PENDAHULUAN 13
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 14
Skala pengukuran Variabel
Pengertian Dan Prinsip skala pengukuran variabel
PENDAHULUAN 15
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 16
Data
Syarat data yang baik
1.Relevant
2.Obyektif.
3.Representatif (valid &
Reliable)
4.Standar deviasi kecil
5.Tepat waktu
PENDAHULUAN 17
Prinsip Pengumpulan
PENGUMPULAN DATA 18
Jenis Pengumpulan Data
Dalam pengumpulan data dikenal dua Jenis:
Sensus.
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 19
Cara Pengumpulan Data
Cara pengumpulan data adalah:
Cara Kuesioner.
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
Keuntungan : tidak ada ancaman drop out.
Kelemahan : Susah dan mahal
PENGUMPULAN DATA 20
Kuesioner Pengumpulan Data
Kuesioner adalah salah satu bentuk alat ukur yang 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 21
Contoh Kuesioner
DAFTAR PERTANYAAN
LAMA HARI RAWAT PASIEN RAWAT INAP DI RS PELAMONIA
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) ………………………………………………..
………………………………………………………………………
23
Prinsip dan langkah-langkah
Penyuntingan data (Editing)
- Dilapangan
- Pengolahan
Pengkodean (Coding).
-. Koding kuesioner
- Buat daftar variabel
- buat daftar koding
- Pemindahan hasil koding
- Buat program entry / tabulasi data
PENGOLAHAN DATA 24
Contoh daftar variabel
DAFTAR VARIABEL
No KODE LABEL VARIABEL TIPE DIGIT DESIMAL
(Nama variabel)
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
DAFTAR KODING
26
Prinsip dan langkah-langkah
PENGOLAHAN DATA 27
Bentuk Penyajian Data
Penyajian data dilakukan dalam
tiga bentuk yakni :
PENYAJIAN DATA 28
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 29
Komponen Tabel
JUMLAH Marginal
kolom
Marginal
kolom
PENYAJIAN DATA 30
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 31
Jenis-Jenis Tabel
Pembagian tabel:
Secara umum tabel terdiri dari dua
jenis yakni :
PENYAJIAN DATA 32
Contoh tabel Induk
Tabel 2 Data umum perawat di rumah sakit (x) tahun 2004
2 30 X
3 60 X
4 45 X
5 25 X
6 70 X
PENYAJIAN DATA 33
Jenis-Jenis Tabel
Pembagian tabel:
PENYAJIAN DATA 34
Jenis-Jenis Tabel
PENYAJIAN DATA 35
Jenis-Jenis Tabel
PENYAJIAN DATA 36
Contoh Tabel satu arah
Tabel 3 Distribusi jenis penyakit yang dirawat di
Rumah Sakit ( X ) tahun 2004
Frekuensi Persen
Jenis Penyakit (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
PENYAJIAN DATA 37
Jenis-Jenis Tabel
PENYAJIAN DATA 38
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 perawat Baik Kurang
Jml Persen Jml Persen Jml Persen
Baik 19 76,0 6 24,0 25 100,0
Kurang 5 20,8 18 78,3 23 100,0
PENYAJIAN DATA 39
Jenis-Jenis Tabel
PENYAJIAN DATA 40
Contoh tabel tiga arah
Tabel 5 Distribusi karakteristik tenaga perawat menurut rumah sakit
pada Dinas kesehatan Kota Makasar tahun 2004
RS Stellamaris
RS Pelamonia
JUMLAH
PENYAJIAN DATA 41
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 42
Penyajian Dlm bentuk Grafik
Jenis-jenis Grafik:
1. Grafik Garis (Line Chart)
PENYAJIAN DATA 43
Penyajian Dlm bentuk Grafik
Grafik Garis.
Adalah salah bentuk penyajian data
dengan menggunakan garis, serta
bertujuan untuk :
Mempermudah penarikan kesimpulan
Melihat perkembangan sesuatu
Dasarnya adalah sistem salib sumbu.
PENYAJIAN DATA 44
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 45
Contoh Grafik garis tunggal
160
140
120
100
80
60
40
20
0
1997 1978 1979 1980 1981 1982 1983
Sumber : RS (x)
PENYAJIAN DATA 46
Contoh Grafik garis berganda
1400
1200
1000
800
600
400
200
0
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
Bumil Anak
Sumber : RS (x)
PENYAJIAN DATA 47
Contoh Grafik garis komponen berganda
8000
7000
6000
5000
4000
3000
2000
1000
0
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
Sumber : RS (x)
PENYAJIAN DATA 48
Contoh Grafik garis persentase komponen berganda
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Sumber : RS (x)
PENYAJIAN DATA 49
Contoh Grafik garis berimbang netto
20
15
10
0
1996 1997 1998 1999 2000 2001 2002
-5
selisih
Sumber : RS (x)
PENYAJIAN DATA 50
Penyajian Dlm bentuk Grafik
Grafik Batang.
Adalah salah bentuk penyajian data
dengan menggunakan batang / balok
sebagai pengganti garis.
PENYAJIAN DATA 51
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 52
Contoh Grafik batang tunggal
175
150
125
100
75
50
25
0
1981
1983
1985
1987
1989
1991
1993
1995
1997
PENYAJIAN DATA 1999
53
Contoh Grafik batang tunggal
1983
1982
1981
1980
1979
1978
1997
Sumber : RS (x)
PENYAJIAN DATA 54
Contoh Grafik batang berganda
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 55
Contoh Grafik batang berganda
1400
1200
1000
800
600
400
200
0
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
Bumil Anak
Sumber : RS (x)
PENYAJIAN DATA 56
Contoh Grafik batang komponen berganda
100%
80%
60%
40%
20%
0%
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
Sumber : RS (x)
PENYAJIAN DATA 57
Contoh Grafik batang komponen berganda
100%
80%
60%
40%
20%
0%
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
Sumber : RS (x)
PENYAJIAN DATA 58
Contoh Grafik garis persentase komponen berganda
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Sumber : RS (x)
PENYAJIAN DATA 59
Contoh Grafik garis persentase komponen berganda
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Sumber : RS (x)
PENYAJIAN DATA 60
Contoh Grafik batang berimbang netto
20
15
10
0
1996 1997 1998 1999 2000 2001 2002
-5
selisih
Sumber : RS (x)
PENYAJIAN DATA 61
Contoh Grafik batang berimbang netto
20
15
10
-5
1996 1997 1998 1999 2000 2001 2002
selisih
Sumber : RS (x)
PENYAJIAN DATA 62
Contoh Grafik Pie
Sumber : RS (x)
PENYAJIAN DATA 63
Contoh Grafik Pie
BUMIL, 80
BUMIL, 150
BUMIL, 97.5
BUMIL, 125
BUMIL, 100
Sumber : RS (x)
PENYAJIAN DATA 64
Contoh Grafik Pie
20% 6% 7%
Cell division
10% Cell defense
Cell structure
Metabolism
Cell signaling
Protein expression
18%
PENYAJIAN DATA 65
Contoh Grafik Peta
< 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 66
Contoh Grafik Peta
PENYAJIAN DATA 67
Contoh Grafik Gambar
= 2000
= 1500
= 1000
= 500
Keterangan : 1 = 500
PENYAJIAN DATA 68
Penyajian dalam bentuk teks (Narasi)
PENYAJIAN DATA 69
Terima kasih sampai jumpa
pada kuliah berikutnya
70
Jenis Analisis Data
ANALISIS DATA 71
Hasil Pengolahan Data
ANALISIS DATA 72
Contoh Row Data
Data disusun menurut urutan nomor observasinya sebagai
berikut : Data hasil pengukuran 35 orang Berat Badan Bayi
ANALISIS DATA 73
Contoh Array Data
Data disusun menurut urutan besar kecilnya nilai pengukuran
Contoh Data hasil pengukuran 35 orang Berat Badan Bayi
ANALISIS DATA 74
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 75
Pengelompokan Data
ANALISIS DATA 76
Pengelompokan Data
Tabel 1 Distribusi frekuensi berat badan dari 35 bayi (Kg )
di Puskesmas Daya Makassar tahun 2003
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
Sumber : Data primer
ANALISIS DATA 77
Terminologi dalam pengelompokan Data
Class size
( Bka – Bkb = 2.99 – 1,0 = 2 unit )
ANALISIS DATA 78
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 79
Jenis Analisis Data
ANALISIS DESKRIPTIP
Data Kategori
Univariat ANALISIS ANALITIK
Bivariat
Data Kategori
Data Numerik Univariat
Univariat
Bivariat
Bivariat
Data Numerik
Univariat
Bivariat
ANALISIS DATA 80
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 81
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
ANALISIS DATA 82
Bilangan Relatif Persen
Adalah proporsi yang diperkalikan dengan bilangan konstanta.
( K = 100 atau 1000 )
Contoh :
Diantara laki-laki dan perempuan terdapat 5 % perempuan
Sifat persen
1. Sebagai kesimpulan
2. Sebagai standarisasi
3. Perbandingan
ANALISIS DATA 83
Bilangan Relatif Rate
Adalah rasio yang menunjukkan bagian relatif dari angka total
dimana angka total ini adalah mereka yang termasuk mengalami
resiko.
Keterangan :
a = laki-laki
b = perempuan
(a+b) = Total
R = Risk factor
ANALISIS DATA 84
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 85
Analisis Deskriptip Nilai tengah
Untuk data 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 86
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
Rumus umum
Data tanpa frekuensi variabel
Σ Xi
Mean = ------------
n
Keterangan : Xi = Nilai observasi
n = Banyaknya observasi
70 + 69 + 45 + 80 + 56
Mean = ------------------------------------ = 64
5
Rumus umum
Data dengan frekuensi variabel
Σ fi (xi)
Mean = ------------
n
Keterangan : Xi = Nilai observasi
n = Banyaknya observasi
fi = Frekuensi Xi
Σ fi (xi)
Mean = ------------ = 6,34
n
Rumus lain
Median n = 2k + 1
Keterangan :
n = bilangan ganjil
k = bilangan konstan
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
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
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
Sumber : Data primer
Contoh : 2, 3, 8, 9, 8, 8, Mo = 8
6
Mo = 5 + (-------) x 2 = 6,1
6 + 5
Modus
Adalah nilai pengamatan yang
mempunyai frekuensi terbanyak.
Dapat digunakan untuk
mendeskripsikan data kualitatif.
1.Range
2.Mean Deviasi ( simpangan rata-rata )
3.Variance
4.Standard Deviasi.
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.
Rumus
Data tidak berkelompok
SR = (1/n ) Σ (Xi – Ā)
Contoh : Hasil pengukuran berat badan
5 orang dewasa dalam kg sebagai
berikut : 70, 30, 45, 65, 40,
SR = ( 1/n ) Σ ( Xi – Ā ) .f
SR = ( 1/35 ) ( 55,74 ) = 1.592
Rumus
Data tidak berkelompok
Variance = ( 1/n ) Σ ( Xi – Ā )²
Contoh : Hasil pengukuran berat badan
5 orang dewasa dalam kg sebagai
berikut : 70, 30, 45, 65, 40
Data berkelompok
σ = √ ( 1/n ) Σ ( Xi–Ā )². f
σ = √ ( 1/35 ) (148.03 ) = 4,229
σ = √ 4,229 = 2,05
σ = √ ( 1/n ) Σ ( Xi – Md / Mo )²
- 3 SD - 2 SD -1 SD Mean +1 SD +2SD + 3 SD
c²
Varians = -------- → s = interval kelas.
12
5. SR = 4/5 Standard Deviasi semi interquartile
range = 2/3 SD
Q1=25%
Q2=50%
Q3 = 75%
Q1 = Kuartil pertama
Artinya 25 % data nilainya ≤ dari Q1
Q2 = Kuartil kedua
Artinya 50 % data nilainya ≤ dari Q2
Q3 = Kuartil ketiga
Artinya 75 % data nilainya ≤ dari Q3
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
2 ( 13 + 1 ) 28
Q2 = nilai yang ke ------------------ → ----- = 7
4 4
= pengamatan yang ke 7 → 60
3 ( 13 + 1 ) 42
Q3 = nilai yang ke ------------------ → ------ = 10,5
4 4
= pengamatan yang ke 10,5 → 80 + 85 / 2 = 82, 5
= Pengamatan yg ke X1 + 4 / 10 ( X2 – X )
= 30 + 4 / 10 ( 35 – 30 ) = 31
- 3 SD - 2 SD -1 SD Mean +1 SD +2SD + 3 SD
Rumus :
3(Mean – Mo)
SKP-2 = ---------------------
S
Ket : → Mean = Rata-rata hitung
Mo = Modus
S = Standard Deviasi
155
UKURAN KERUNCINGAN (Kurtosis)
Manfaat
● Menentukan bentuk kurva
• Menentukan apakah suatu distribusi dapat
didekati dengan fungsi normal atau tidak.
Jenis :
Lepto kurtis.
Platy kurtis
Meso kurtis
156
UKURAN KERUNCINGAN (Kurtosis)
Lepto kurtis.
Sebahagian besar frekuensi tertumpuk
pada interval yang pendek sekitar nilai
mean.
Contoh :
Mean 157
UKURAN KERUNCINGAN (Kurtosis)
Platy kurtis
Frekuensi data tersebar merata pada seluruh kelas,
kecuali kelas pertma dan terakhir.
Contoh :
Mean
158
UKURAN KERUNCINGAN (Kurtosis)
Meso kurtis
Frekuensi data tersebar mendekati distribusi
normal
Contoh :
Mean
159
UKURAN KERUNCINGAN ( Perhitungan
keruncingan kurtosis )
• Menggunakan moment ke 4 sekitar mean ( α 4 ).
Rumus :
M 1/n Σ fi ( Mi – x )
α4 = ------------- = --------------------------------
S S
Ket : - α1, α2, α3 → dihitung lebih dahulu
- Mi → titik tengah kelas
160
UKURAN KERUNCINGAN ( Perhitungan
keruncingan kurtosis )
• Menggunakan Quartile koefisien of Kurtosis ( QCK )
Rumus :
Ket : - Q → Quartile
½ ( Q3 – Q1 )
QCK = ---------------------- - P→ Persentil
P90 – P10
• Penilaian :
α4 = 3 → Normal
α4 ≥ 3 → Lepto kurtis
α4 ≤ 3 → Platy kurtis
Jenis Analisis
Analisis Univariat.
Analisis Bivariat.
Analisis Multivariat.
163
ANALISIS VARIABEL PENELITIAN
(Analisis Univariat)
Jenis Analisis
1. Analisis distrbusi frekuensi
2. Analisis deskriptip
Sifat
166
ANALISIS VARIABEL PENELITIAN
(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
Apabila dilihat distribusi tempat berobat pada responden sakit maka tabel 3 memperlihatkan
sekitar 80,4 persen dari responden memilih tempat berobat pada sarana kesehatan modern
yang terdiri dari Bindes / Pustu / Manteri, Puskesmas, dan dokter praktek. Selebihnya memilih
berobat sendiri dan tidak berobat 167
ANALISIS VARIABEL PENELITIAN
(Contoh Frekuensi Distribusi Data)
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
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.
168
ANALISIS VARIABEL PENELITIAN
(Contoh Frekuensi Distribusi Data)
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
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.
169
ANALISIS VARIABEL PENELITIAN
(Contoh Frekuensi Distribusi Data)
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
Kurtosis 40.534 - 0.129 170
ANALISIS VARIABEL PENELITIAN
(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. 171
ANALISIS VARIABEL PENELITIAN
(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 )
172
ANALISIS VARIABEL PENELITIAN
(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 Kategori pemakaian 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 t-Test (s-Kecil)
173
dgn seluruh penderita
ANALISIS VARIABEL PENELITIAN
(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.
174
ANALISIS VARIABEL PENELITIAN
(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.
175
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat ) Uji Hipotesis
Cara penyelesaian
• Untuk tabel 2 x 2 → lakukan koreksi Yate’s dengan rumus :
( | O – E | - 0,5 )²
X² ( corected ) = Σ --------------------------
E
178
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat ) Uji Hipotesis
179
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat )
Rumus Untuk SATU Sampel
( O – E )²
X² = Σ -----------
E
Keterangan :
O = Frekuensi Observasi
E = Frekuensi Harapan
DF = ( C – 1 ) R – 1 )
Frekuensi Harapan
Ialah proporsi obyek yang diharapkan sesuai / berada
dibawah hipotesis nol, dengan rumus sebagai berikut :
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 X² hitung lebih besar (24,628) daripada X² tabel (3,841) dengan α = 0,05 pada
DF=1 dengan nilai p = 0,000 (signifikan). Berarti keadaan sumur gali berhubungan dengan kejadian diare 3
bulan terakhir
182
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat )
Contoh Uji satu sampel dgn frek. Harapan - 5
Tabel 6. Hubungan antara pemilihan pertolongan persalinan dengan kepercayaan
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 Yate’s dan hasil
yang diberikan memperlihatkan X² hitung lebih kecil ( 3,410 ) dari pada X² tabel ( 3,841 ) dengan α
= 0,05 pada DF = 1 dengan nilai p = 0,065 ( non signifikan ). Berarti kepercayaan responden tidak
berhubungan dengan pemilihan pertolongan persalinan. 183
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat )
UJI HIPOTESIS
Keterangan :
• a,b,c,d = Frekuensi observasi
•n = Jumlah sampel untuk kedua kelompok
• DF = ( C-1 ) R-1)
184
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat )
• 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.
Σ ( O – E )²
X² = Σ------------------
E
Keterangan :
O = Frekuensi Observasi
E = Frekuensi harapan
DF = ( C – 1 ) ( R – 1 )
188
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat )
Uji Hipotesis untuk skala nominal
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. 191
ANALISIS VARIABEL PENELITIAN
( Analisis Bivariat )
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 Kendall’s atau
yang terdiri dari :
• Kendall’s taua
• Kendall’s taub
• Kendall’s tauc
• Spearman rank correlation 192
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat) Kendall’s 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 :
K–D
Taua = --------------------
n(n–1)/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 ( - ).
193
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat) Kendall’s tau
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.
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 :
195
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat) Kendall’s tau
Tabel – 1 Hasil pengukuran Neutrofil darah dan sumsum tulang penderita tumor non
hematologis sebelum diurut
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 ?
197
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat) Kendall’s tau
Uji hipotesis untuk skala ordinal
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 tulang.
Hipotesis matematik :
Ho : l = 0
Ho : l ≠ 0
Ho diterima bila harga z hitung lebih kecil dari tabel, dan Ha diterima
bila harga z hitung lebih besar atau sama dengan harga z tabel. 198
(Analisis Bivariat) Kendall’s tau
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. Urut Ukur Rangk ( R1 ) Ukur Rangk ( R2 )
( Y1) ( Y1) ( Y2 ) ( Y2)
Hsl. Arry No.Urut Hsl.non arry Penyesuaian
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 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 14 199
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat) Kendall’s tau
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
200
N ΣCi = 59
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat) Kendall’s tau
Uji hipotesis untuk skala ordinal
26
tau-a = ---------------------- = 0,124
15 ( 14 ) 201
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat )
Uji hipotesis untuk skala ordinal
K–D
tau-b = -------------------------------------------------------
------------------------------------------------------------
√ [ { n ( n – 1 ) / 2 – T1 } { n ( n – 1 ) / 2 – T2 ]
Keterangan :
T = Jumlah pasangan yang bersamaan.
202
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat )
Kendall tau-c
Rumus umum yang digunakan ialah :
2m ( K – D )
tau-c = -------------------------
n²(m–1)
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 ).
203
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat )
Uji hipotesis untuk skala ordinal
Contoh hasil uji kendall tau.
Tabel 7 hubungan Status Kesehatan Gigi dan Mulut menurut pengetahuan kesehatan Gigi
Murid SD UKGS di Kecamatan Bantimurung Kab. Maros Tahun 2002
205
ANALISIS VARIABEL PENELITIAN
Uji(Analisis
Hipotesis UntukBivariat
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
Tahun 2002
Perilaku Status Kes gigi & total Hsl uji Kendal’s Signifik
Kes.Gigi mulut ansi
Sehat Tdk sehat
206
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat )
Tabel 8 memperlihatkan hasil uji dengan
menggunakan kendall’s 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.
207
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat )
Uji hipotesis untuk skala ordinal
Parameter penilaian hasil uji korelasi.
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
210
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat )
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
212
ANALISIS VARIABEL PENELITIAN
(Analisis Bivariat )
214