KONSEP ANALISIS

UNIVARIAT & BIVARIAT

Analisis Data Variabel
1) Analisis data yang paling sederhana
2) Analisis terhadap satu variabel
Univariat 3) Contoh: tendensi sentral, frekuensi, min –
max, SD, varians, skweness, kurtosis, dll.

1. Analisis terhadap dua variabel secara

simultan
ANALISIS Bivariat 2. Contoh Independent t – test, dependent t –
test, Anova, Regresi, chi square, Fisher Exact,
Mc Nemar test, Manny-Whitnes, Wilcoxon

1. Melakukan analisis terhadap multi variabel

secara simultan
Multivariat 2. Analisis terhadap tiga atau lebih variabel.
3. Manova, multiple correlation and regression,
Logistic regression
UNIVARIAT
 Analisis Deskriptif
Sebaran Data
1)Maksimum
• Maksimum, merupakan nilai terbesar dari sekumpulan angka.

2) Minimum
• Minimum, merupakan nilai terkecil dari sekumpulan angka.

3) Range
• Range, merupakan perbedaan antara nilai yang terbesar (maksimum) dan nilai yang
terkecil (minimum) dari frekuensi distribusi.
• Langkah – langkah identifikasi range

• Contoh:
Tentukan nilai range dari data masa inkubasi pada kasus KLB hepatitis A : 27, 31, 15, 30 dan 22 hari
 Tendensi Sentral
(Mean, Median, Mode)

1). Mean atau rerata atau average adalah hasil penjumlahan semua nilai
observasi dibagi dengan banyaknya observasi.
 
Rumus : ẋ = Ʃx
n
2). Median adalah nilai yang membagi data set ke dalam dua bagian yang
sama, sehingga banyaknya nilai yang lebih besar atau sama dengan
median adalah sama dengan jumlah nilai yang kurang atau sama dengan
median.

3). Nilai mode adalah data set yang memunculkan nilai yang memiliki
frekuensi paling tinggi atau nilai yang paling sering muncul
 Standar Deviasi dan Varian
Standard deviasi adalah akar kuadrat dari varians, sedangkan
varians adalah standard deviasi pangkat dua atau S2
Rumus:

Keterangan : 
s2 = Varian
s = Standar deviasi
xi = Nilai x ke – i
x¯ = Rata – rata
n = Ukuran sampel
Semakin besar nilai standar
deviasi suatu data maka semakin
besar jarak setiap titik data
dengan nilai rata-rata
 VARIAN
• Varian merupakan jumlah kuadrat semua deviasi
nilai-nilai individual terhadap rata-rata kelompok.
• Varian merupakan konsep yang cukup penting
dalam statistik, karena merupakan dasar dari
banyak metode statistik inferensial
• Varian merupakan ukuran variabilitas data,
yang berarti semakin besar nilai varian berarti
semakin tinggi fluktuasi data antara satu data
dengan data yang lain.
Contoh:
Berdasarkan data hasil peneletian di Kecamatan X, diketahui Jumlah Gaji
Responden sebagai berikut:

Kelompok / Responden Jumlah Gaji (Rp) dalam juta

Kelompok Kampung 3 1 6 8 5
Kelompok Perumahan 4,5 5 4,2 4,8 4,5

Untuk mencari nilai rata – rata, median, mode, standard deviasi, varians dengan
menggunakan rumus pada microsoft excel
 
 VARIAN
• Tampak bahwa varian kelompok satu (warga kampung)
lebih tinggi dari pada varian kelompok kedua (warga
perumahan).
• Interpretasinya adalah bahwa pendapatan warga kampung
sangat berfluktuatif ada yang kecil ada yang sangat besar.
• Akan tetapi pendapatan warga perumahan relatif sama
dan mempunyai tingkat ekonomi yang relatif sama antara
satu warga dengan warga perumahan yang lain.
• Dengan menyertakan nilai varian pada rata-rata akan
memberikan informasi yang lebih akurat
 RATIO
• Rasio adalah nilai perbandingan, misalnya X
berbanding Y. Rasio merupakan nilai X dan Y yang
bersifat independen di mana X bukan bagian dari Y

• Contoh:
Perbandingan atau rasio kasus difteri laki-laki dan
perempuan di Puskesmas A. Pasien laki – laki
berjumlah 10 orang, sedangkan perempuan 5 orang.
Berapakah rasio kasus difteri laki – laki terhadap
perempuan?
 Rasionya adalah 10 berbanding 5 atau 2:1 atau 2 kasus difteri laki-laki
berbanding 1 kasus difteri perempuan.

Sex ratio penduduk pria terhadap wanita, misalnya:

Jumlah Penduduk Laki-laki = 120.000 orang
Jumlah Penduduk wanita = 125.000 orang
Berapakah rasio penduduk laki – laki terhadap perempuan?

Berarti rasionya adalah: 120.000 / 125.000 = 0,96 (artinya rasio

penduduk laki – laki dengan penduduk perempuan hampir
seimbang (mendekati angka 1).
 PROPORSI
• Proporsi biasanya disebut juga sebagai persentase, dimana
nilai X (nominator atau pembilang) adalah bagian dari nilai Y
(denominator atau penyebut) dengan angka konstanta 100.
• Proporsi digunakan untuk melihat kompisisi suatu variable
dalam populasinya.
• Perhitungan proporsi atau persentase sangat membantu
dalam membandingkan suatu situasi kesehatan tertentu,
seperti perbandingan antar wilayah, perbandingan antar
unit pelayanan, perbandingan jenis kelamin, kelompok
umur, atau perbandingan yang sesuai dengan variabel
epidemiologi time, place dan person.
 Hitung Proporsinya
Kelompok Jumlah Jenis Kelamin Jumlah %
%
Umur Kasus
1 - 4 th 2 2,4 Laki - Laki 31
5 - 9 th 15 18,1
10 - 14 th 7 8,4 Perempuan 52
15 - 19 th 9 10,8
20 - 40 th 35 42,2 Total  
41 - 60 13 15,7
> 60 th 2 2,4
Total 83  
Variabel Jumlah %
Depresi Berat 8
STATUS %
PENDIDIKAN JUMLAH Depresi Sedang 22
BELUM SEKOLAH 3
SD 15 Depresi Ringan 30
SMA 3
SMK 1 Total    
SMP 4
TIDAK TAHU 57
Grand Total 83  
 Tabel 1
Distribusi Kasus Difteri Berdasarkan Golongan Umur Jenis Kelmin dan Desa di Puskesmas X
Kabupaten Y Tahun 2017
Jumlah
Kategori Prosentase
(N = 25)
1. Kelompok Umur
< 1 th
1 - 4 th 6 24,0%
5 - 9 th 4 16,0%
10 - 14 th 3 12,0%
15 - 19 th 3 12,0%
20 - 44 th 6 24,0%
45 - 54 th 1 4,0% Interpretasinya?
55 - 59 th 2 8,0%
60 - 69 th 0 0
> 70 th 0 0

2. Jenis Kelamim
Laki - Laki 19 76,0%
Perempuan 6 24,0%

3. Desa
Desa A 4 16%
Desa B 6 24%
Desa C 8 32%
Desa D 4 16%
Desa E 3 12%
 RATE
• Rate adalah ukuran proporsi yang memasukkan unsur
periode waktu pengamatan dalam denominatornya;
sehingga ditulis a / [ a+b) x (waktu)].
• Rate disebut juga laju. Rate adalah perbandingan
antara jumlah suatu kejadian terhadap jumlah
penduduk yang mempunyai risiko terhadap kejadian
tersebut menyangkut interval waktu.
• Rate digunakan untuk menyatakan dinamika atau
kecepatan kejadian tertentu dalam suatu masyarakat
tertentu pula.
• Contoh:
Pada tahun 2004, ada 100 kasus demam
berdarah di suatu kota yang berpenduduk
1.250.000 orang. Berapa rate kasus demam
berdarah di kota itu ?
Rate 
 kasus  100 kasus  1 kasus
 Populasi 1.250.000 orang 12500orang
ANALISIS BIVARIAT
 Konsep Bivariat
• Analisis terhadap dua variabel secara simultan
• Pahami Jenis Variabelnya (Skala Datanya)
• Tujuan Analisis Bivariat
• Kerangka Konsep Analisis
• Membuat Hipotesis
• Perhatikan jumlah pasangan dan kelompoknya
• Interpretasi nilai P
 SKALA PENGUKURAN

Numerik / Kuantitatif / Kontinyu Kategorik / Kualitatif Nominal - Nominal

Klasifikasi Skala Pengukuran Variabel

Causal model

X Y

Prediktif Model
X1
X2
X3 Y
X4
X5
Causal model dengan Confounding

X Y

Quasi Eksperimental / Pre & Post

Intervensi

X0 X1
 Intervensi

X0 X1 X2

• Pengaruh X0  X1
• Pengeruh X0 X2
• Pengaruh X1 X2
 Tujuan Penelitian
1. Menggambarkan / Deskriptif
2. Mengetahui Hubungan Dua Variabel
a. Komparatif
1) Komparatif Kategorik : Bila variabel yg dicari hubungannya adalah variabel
kategorik dengan variabel kategorik
2) Komparatif Numerik : Bila variabel yg dicari hubungannya adalah variabel
kategorik dengan variabel numerik
b. Korelatif
Bila variabel yg dicari hubungannya adalah variabel numerik dengan
variabel numerik
c. Multivariat
3. Mengetahui Keunggulan – Pengaruh – Perbedaan Antara
Variabel Penelitian
 HIPOTESIS
• Hipotesis: Hipo (di bawah) dan Tesis
(pernyataan yang telah diuji)
• Hipotesis adalah jawaban sementara dari
rumusan masalah penelitian yang masih
perlu diuji kebenarannya melalui uji statistik
• Adalah pernyataan formal dari hubungan
yang diharapkan antara dua atau lebih
variabel pada populasi tertentu (Burns and
Grove, 2010)

Chap 7-24
• Hipotesis Statistik:suatu proposisi atau anggapan mengenai
parameter populasi yang dapat diuji secara statistik melalui
sampel yang diambil dari populasi
• Pengujian Hipotesis Statistik: suatu prosedur untuk membuat
keputusan yaitu menolak atau gagal menolak hipotesis statistik
(GATOL)
• Hipotesis Statistik:
– Hipotesis nol atau ‘Null Hypothesis’ (H0) : pernyataan netral (nol sama
dengan tidak ada) atau selalu memuat tanda ‘=‘
– Hipotesis Alternatif atau ‘Alternative Hypothesis’ (H1 atau HA): pernyataan
netral tersebut sudah ada dugaan atau tidak memuat tanda ‘=‘
 HIPOTESIS
• H0 dan H1 adalah ‘mutually exclusive’ dan ‘exhaustive’
• Contoh:
– H0 : Tidak ada perbedaan (sama, ‘=‘) rata-rata Hb darah Ibu yang
meninggal dengan rata-rata Hb darah Ibu dan yang tidak meninggal
– H1 : Ada perbedaan ratar-rata Hb darah Ibu yang meninggal dengan
rata-rata Hb darah Ibu yang tidak meninggal

• Dalam pengujian hipotesis statistik yang diuji adalah H0

• Penentuan apakah H0 diterima (dianggap benar) atau ditolak

(dianggap salah) adalah merupakan tujuan dari pengujian hipotesis

© 2002 Prentice-Hall, Inc.

Chap 7-26
 HIPOTESIS
• Langkah pertama untuk menguji hipotesis statistik: merumuskan
hipotesis nol (null hypothesis) dan hipotesisi alternatif (alternative
hypothesis)
• Dalam merumuskan hipotesis dikenal istilah
– Hipotesis satu arah (one tailed atau one side)
– Hipotesis dua arah (two tailed atau two side).
• Bentuk penulisan hipotesis satu arah secara matematis
– Satu Sampel untuk mean (rata-rata)
• H0:   0 atau H0:   0
• H1:  < 0 H1:  > 0
• Bentuk penulisan hipotesis dua arah secara matematis
– Satu Sampel untuk mean (rata-rata)
• H0:  = 0
• Ha:   0
© 2002 Prentice-Hall, Inc.
Chap 7-27
 HIPOTESIS
• Bentuk penulisan hipotesis satu arah secara matematis
untuk proporsi
– Satu Sampel untuk proporsi
• H0: p  p0 atau H 0: p  p 0
• H1: p < p0 H 1: p > p 0
– Contoh: Seorang peneliti akan meneliti tentang tingkat pengetahuan
ibu hamil di di Desa X
– Hipotesis nya : Tingkat pengetahuan Ibu Hamil di Desa X memiliki
50% berpengetahuan baik

© 2002 Prentice-Hall, Inc.

Chap 7-28
• Bentuk penulisan hipotesis dua arah secara matematis untuk proporsi
– Satu Sampel untuk proporsi
• H0: p = p0
• Ha: p  p0

– Contoh: Seorang peneliti akan melakukan penelitian

tentang “Hubungan antara pengetahuan dan sikap perawat
tentang pasien safety”
– Ho : Tidak ada hubungan antara pengetahuan dan sikap
perawat tentang pasien safety”
– Ha : Ada hubungan antara pengetahuan dan sikap perawat
tentang pasien safety”
 Hypothesis nol, H0
• Dimulai dengan asumsi bahwa hipotesis nol
benar
– Sama seperti asas praduga tak bersalah sampai
terbukti bersalah
• Selalu memuat tanda “=”
• Mungkin ditolak atau tidak ditolak (GATOL)

© 2002 Prentice-Hall, Inc.

Chap 7-30
 Pasangan & Jumlah Kelompok
• PAHAMI :
– Berpasangan dan tidak berpasangan
– Dua kelompok dan lebih dari dua kelompok

• Dua Kelompok Tidak Berpasangan

• Dua Kelompok Berpasangan
• Kelompok berpasangan karena matching
• Kelompok berpasangan karena desain cross over
• Kelompok berpasangan karena diambil dari bagian tubuh
berbeda pada subjek yang sama
 Dua Kelompok Tidak Berpasangan
Contoh Ilustrasi (1)
• Seorang peneliti membandingkan kadar gula darah antara perokok
dan bukan perokok. Gula darah perokok adalah satu kelompok data
sedangkan gula darah bukan perokok adalah kelompok data yang
lain
• Dengan demikian, dari segi jumlah, terdapat dua kelompok.
Sedangkan dari segi berpasangan, data tidak berpasangan karena
individu dari kedua kelompok berbeda.
• Apakah Skala Data Pengukurannya / Variabelnya?
• Bagaimana Kerangka Konsep Variabel Penelitiannya?
• Bagaimana Hipotesisnya?
• Apa analisis bivariat yang tepat untuk penelitian tsb?
• Skala Data : Numerik / rasio
• Kerangka Konsep
Kadar Gula Kadar Gula Darah
Darah Perokok Bukan Perokok
(Xa) (Xb)

• Hipotesis
– H0 : Tidak ada perbedaan rata – rata kadar gula
darah pada perokok dan bukan perokok
– Ha : Ada perbedaan rata – rata kadar gula darah
pada perokok dan bukan perokok
 Dua Kelompok Berpasangan
Contoh Ilustrasi (2)
• Ada sekelompok penderita obesitas yang diukur berat badannya pada bulan
Januuari dan setelah diberikan senam aerobik pada bulan Februari 2019.
• Data berat badan pada bulan Januari adalah satu kelompok data. Berat
badan pada Februari sekelompok data lagi.
• Dari segi jumlah, terdapat dua kelompok data (yaitu berat badan
mahasiswa pada Januari dan Februari).
• Dari segi pasangan : data berpasangan karena individu dari kedua kelompok
data tersebut adalah dari individu yang sama.
• Apakah Skala Data Pengukurannya / Variabelnya?
• Bagaimana Kerangka Konsep Variabel Penelitiannya?
• Bagaimana Hipoteisisnya?
• Apa analisis bivariat yang tepat untuk penelitian tsb?
• Skala Data : Numerik / rasio
• Kerangka Konsep

Senam Aerobik

BB (Januari) BB (Februari)

• Hipotesis
– H0 : Tidak ada pengaruh senam aerobik terhadap perbedaan rata –
rata berat badan penderita obesitas sebelum dan setelah
melakukan senam aerobik
– Ha : Tidak ada pengaruh senam aerobik terhadap perbedaan rata –
rata berat badan penderita obesitas sebelum dan setelah
melakukan senam aerobik
 Kelompok Berpasangan Karena Matching

Contoh Ilustrasi (3)

• Ilustrasi sama dengan ilustrasi pertama (1). Peneliti
mengukur gula darah perokok dan bukan perokok. Dalam
prosedur pemilihan subjek penelitian, ia melakukan proses
matching . Setia subjek perokok dicarikan pasangannya
dari bukan perokok dengan syaratmempunyai karakteristik
yang sama berdasar usia dan jenis kelamin.
• Dari segi jumlah, terdapat dua kelompok data (yaitu kadar
gula darah perokok dan bukan perokok ).
• Dari segi pasangan : data berpasangan karena proses
matching.
 Kelompok Berpasangan Karena
Desain Cross Over
Contoh Ilustrasi (4)
• Data berpasangan bisa juga diperoleh pada satu uji klinis
yang menggunakan desain cross over.
• Pada desain ini, pada periode tertentu subjek penelitian
akan menerima Obat A. Setelah menyelesaikan Obat A,
mereka akan menerima Obat B selama periode tertentu.
• Dengan cara ini, akan diperoleh data ketika subjek
menggunakan obat A dan ketika menggunakan Obat B.
• Data Obat A dan data Obat B dikatan berpasangan
karena data tersebut diperoleh dari individu yang sama.
 Kelompok Berpasangan Karena
Diambil dari Bagian Tubuh yang Berbeda pad Subjek yang sama

Contoh Ilustrasi (5)

• Peneliti hendak membandingkan kadar IgE
pada lesi dermatitis atopik dan kulit normal
pada subjek yang sama.
• Data ini merupakan data berpasangan
 Komparatif Numerik Tidak Berpasangan

2 kelompok > 2 kelompok

KOMPARATIF NUMERIK TIDAK BERPASANGAN

 Komparatif Numerik Berpasangan

Matching
Pengukuran berulang
Cross Over

KOMPARATIF NUMERIK BERPASANGAN

 KORELATIF

Numerik - Numerik – Numerik – Ordinal – Ordinal – Nominal -

Numerik Ordinal Nominal Ordinal Nominal Nominal

UJI KORELATIF
Sumber: M. Sopiyudin
 Interpretasi Secara Statistik Dengan Melihat
Nilai P
Langkah – Langkahnya:
1. Menentukan hipotesis nol dan hipotesis alternatif
2. Menentukan batas penerimaan hipotesis nol
(alpha / level of significance)
3. Membuat aturan main
• Bila nilai p > alpha maka hipotesis nol diterima
• Bila nilai p < alpha maka hipotesis nol ditolak
4. Membandingkan nilai p dengan nilai alpha
5. Mengambil keputusan