Konsep Uji Statistik

Konsep
 Uji statistik dilakukan untuk menentukan apakah
perbedaan/hubungan yang terlihat pada sampel
benar-benar ada atau kebetulan ada akibat
pengambilan sampel saja
 Hasil uji statistik berupa: “probabilitas peneliti
memperoleh hasil seperti pada sampel atau lebih
ekstrim jika hipotesis nol benar”
 Atau …..
Konsep
 Probabilitas hasil penelitian sejalan dengan
hipotesis nol”
 Jika p besar maka H0 diterima, jika p kecil
H0 ditolak
 Besar kecilnya probabilitas ditentukan oleh
- probabilitas peneliti untuk menolak H0
jika di populasi H0 benar
Konsep
 Jika peneliti menolak H0:
 Dapat terjadi kesalahan tipe 1 (), peneliti salah mengambil
kesimpulan karena sebenarnya di populasi hipotesis nol
benar (tidak ada hubungan)
 Jika peneliti menerima H0:
 Dapat terjadi kesalahan tipe 2 (), peneliti salah mengambil
kesimpulan karena di populasi hipotesis nol salah (ada
hubungan)
 Signifikan statistik TIDAK SAMA dengan signifikan secara
substansi
 Perbedaan yang kecil dapat signifikan secara statistik karena
penggunaan sampel yang besar
Contoh
 Pagi hari di rumah, saya berkata
kepada istri: “Saya akan mengajar di
PGT sampai dengan jam 12 siang”
 Telepon seseorang kepada istri saya:
“Saya bertemu dg suamimu di
Starbuck Plaza Indonesia jam 12.05
siang tadi”
 Apakah 2 pernyataan sama
benarnya?
Contoh
 Pagi hari di rumah, saya berkata kepada istri: “Saya
akan mengajar di Parasitologi UI sampai dengan jam 12
siang”
 Telepon seseorang kepada istri saya: “Saya bertemu dg
suamimu di Starbuck Plaza Indonesia jam 12.05 siang
tadi”
 Pengujian: “Jika suami saya mengajar
sd jam 12 di Parasitologi UI, berapa
besar kemungkinannya dia berada di
Starbuck Plaza Indonesia jam 12.05?”
Contoh
 Pagi hari di rumah, saya berkata kepada istri: “Saya
akan mengajar di Parasitologi UI sampai dengan jam 12
siang”
 HIPOTESIS NOL
 Telepon seseorang kepada istri saya: “Saya bertemu dg
suamimu di Starbuck Plaza Indonesia jam 12.05 siang
tadi”  HASIL PENELITIAN
 Pengujian: “Jika suami saya mengajar sd jam 12 di
Parasitologi, berapa besar kemungkinannya dia berada
di Starbuck Plaza Indonesia jam 12.05?”  UJI
STATISTIK
Contoh
 Pengujian: “Jika suami saya mengajar sd jam 12 di
Parasitologi UI, berapa besar kemungkinannya dia berada di
Starbuck Plaza Indonesia jam 12.05?”  UJI
STATISTIK
  Kemungkinannya kecil
  Jadi dari 2 pernyataan harus ada satu yang salah
  Jika observasi BENAR, maka pernyataan ke 1 salah
  Jadi suami tidak mengajar sampai dengan jam 12
 Sama seperti uji statistik
  Niali p kecil  harus ada 1 pernyataan yg salah
  Jika observasi BENAR, maka H0 salah (ditolak)
  Jadi ada beda/hubungan
Contoh
 Pagi hari di rumah, saya berkata kepada istri: “Saya
akan mengajar di Parasitologi UI sampai dengan jam 12
siang”
 Telepon seseorang kepada istri saya: “Saya bertemu dg
suamimu di Starbuck Plaza Indonesia jam 13.00 siang
tadi”
 Pengujian: “Jika suami saya mengajar sd jam 12 di
Parasitologi UI, berapa besar kemungkinannya dia
berada di Starbuck Plaza Indonesia jam 13.00?”
 Kemungkinannya BESAR
 Kedua pernyataan benar
 Sama seperti uji Statistik
 Nilai p besar  H0 benar, observasi benar
 Gagal tolak H0
Contoh: Efek besar sampel pd
uji statistik

Kebiasaan Penyakit Jantung Koroner

minum teh Jumlah
Ya Tidak
Ya 12 88 100
Tidak 10 90 100
Jumlah 22 178 200
2 = 0,20 p=0,6513

Penelitian di atas dilakukan dengan sampel 100 orang yang memiliki

kebiasan minum the & 100 orang yang tidak memiliki kebiasaan minum
teh.
Contoh: Efek besar sampel pd
uji statistik

Kebiasaan Penyakit Jantung Koroner

minum teh Jumlah
Ya Tidak
Ya 240 1760 2000
Tidak 200 1800 2000
Jumlah 440 3560 4000
2 = 4,09 p=0,0432

Penelitian di atas memiliki proposi kejadian PJK yang sama dengan

penelitian pada slide sebelumnya, tetapi jumlah sampel ditingkatkan 10
kalinya, perhatikan akibatnya pada hasil uji statistik
Hal yang perlu dipertimbangkan
 Two tail vs one tail hypothesis testing
 Tergantung tujuan penelitian
 Pada one tail, hati-hati membaca output
komputer (yg pada umumnya 2 tail)
 Parametric vs non parametric
 Parametrik lebih powerful dalam hal generalisasi
 Non parametrik lebih tegar terhadap asumsi
distribusi dan normalitas
Hal-hal yang Perlu Diperhatikan
 Validitas
 Tergantung cara pengambilan sampel
 Tergantung cara pengontrolan
confounder & effect modifier
 Masalah missing values & outliers
 Presisi
 Tergantung besar & distribusi sampel
 Penting untuk dilaporkan
Hal-hal yang Perlu Diperhatikan
 Analisis Multivariat
 Dilakukan untuk mengontrol confounder
& effect modifier
 Jika confounder & effect modifier sudah
dapat dikontrol pada tahap desain,
analisis dapat lebih sederhana (non
multivariat)
 Prinsip: model parsimonius (valid,
precise & simple)
Skala Pengukuran Variabel
 Kontinyu
 Umumnya diperoleh dengan cara
mengukur
 Hasil ukur tergantung ketepatan alat,
jumlah desimal tak terhingga (kontinyu)
 Dibagi menjadi:
 Interval: interval sama, tidak ada 0 mutlak
 Rasio: rasio sama, ada 0 mutlak
Skala Pengukuran Variabel
 Kategori
 Merupakan penggolongan
 Ukuran pasti
 Dibagi menjadi:
 Nominal: tidak ada perbedaan tingkat
 Ordinal: ada beda tingkat
Pedoman Pemilihan Uji Statistik
Pertanyaan Penelitian pada Tiap
Desain Analisis
 Desain 1: Bagaimana kuat hubungan
antara var. dependen dg independen
 Desain 2: Apakah ada perbedaan skor var.
dependen menurut kelompok pada var.
independen
 Desain 3: Apakah skor pd var independen
berkaitan dg kategori yg dibentuk oleh var
dependen
 Desain 4: Apakah frekuensi kejadian pada
var. dependen bekaitan dg frekuensi
kejadian pada var. independen
Desain 1: Dependen Kontinyu,
Independen Kontinyu
Desain 2: Dependen Kontinyu,
Independen Kategori
Desain 3: Dependen Kategori,
Independen Kontinyu
Desain 4: Dependen Kategori,
Independen Kategori