Stat Dasar

BIOSTATISTIKA
Oleh
Dr. dr. Buraerah H Abd. Hakim, MSc
Jurusan BIOSTATISTIK/KKB FKM

Universitas Hasanuddin Makassar
2003/2004
1
Pengasuh mata
80
70
kuliah
Melayu
60
Batak
50 Kajang
40 Sunda
Jawa
30
Dayak
20 Bima
Bugis
10
0
EM IM PM
Dr. Buraerah.H.Abd.Hakim, MSc
PENGANTAR 2
Penilaian mata
1. TUGAS kuliah = 10 %
* Tugas Harian
* Tugas Akhir
2. MID. TEST = 30 %
3. FINAL TEST = 50 %
4. AKTIFITAS HARIAN = 10 %
==========
TOTAL = 100 %
PENGANTAR 3
Referensi
1. Metoda Statistika ( Sujana ).
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 Gaspersz )
6. Metode statistik Non Parametrik Terapan ( P.
Sprent)
7. Statistik Non Parametrik ( Sidney Siegel).
PENGANTAR 4
Tujuan Instruksional
Umum
Memberikan wawasan dan kemampuan
pada mahasiswa untuk dapat
MENJELASKAN dan MENERAPKAN
prinsip dan proses penerapan
biostatistika dalam pelayanan
kesehatan KHUSUSNYA dalam
pelayanan keperawatan.
PENGANTAR 5
Materi
perkuliahan
1. PENGANTAR
2. PENDAHULUAN
3. PENGUMPULAN DATA
4. PENGOLAHAN DATA
5. PENYAJIAN DATA
6. ANALISIS DATA
7. UJI HIPOTESIS
BIOSTATISTIK- GIA 6
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 7
Pengerti
KONSEP “STATIS an
TICA
BIOSTA Teori
matematika
TISTIC VARIA
STATIS BEL
METODE
TICS
* Pengumpulan
• Pengolahan
• Analisis
• Kesimpulan
PENDAHULUAN 8
Pengerti
Skala
an
Pengukuran
VARIABEL DATA INFORMASI
Pengolahan
data
PENDAHULUAN 9
Variabel
Adalah suatu “ SIMBOL “ yang berisi
HIMPUNAN GEJALA dimana setiap
gejala dapat memiliki berbagai aspek
atau unsur serta senantiasa
memperlihatkan adanya VARIASI
PENDAHULUAN 10
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 11
Skala pengukuran
Variabel
Pengertian Dan Prinsip skala pengukuran variabel
SIFAT SKALA PENGUKURAN

JENIS SKALA Kategori Urutan Interval Kelipatan
Nominal + - - -
Ordinal + + - -
Interval + + + -
Rasio + + + +
PENDAHULUAN 12
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 13
Data
Syarat data yang baik
1.Relevant
2.Obyektif.
3.Valid
4.Reliable
5.Tepat waktu
PENDAHULUAN 14
Prinsip
Pengumpulan
Dalam pengumpulan data perlu diketahui :
Pengertian Data
Tujuan pengumpulan Data
Unit Observasi  Elemen atau obyek
yang akan dikumpulkan
Unit analisis  Karakteristik yang
melekat pada unit observasi
PENGUMPULAN DATA 15
Jenis Pengumpulan
Dalam pengumpulanData
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 16
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 17
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 18
DAFTAR PERTANYAAN
Contoh
Kuesioner
LAMA HARI RAWAT PASIEN RAWAT INAP DI RS PELAMONIA
A IDENTITAS WILAYAH KODE
1 Nomor Responden : …………………………………………….
2 Propinsi : ……..........................................
3 Kabuptaen : …………………………………….........
4 Kecamatan : ……………………………………………
5 Kelurahan/Desa : ……………………………………………
6 Lingkungan : …………
7 Rukun Tetangga (RT) : …………
B IDENTITAS UMUM RESPONDEN
8 Nama :
9 Umur : ……. Tahun
10 Jenis Kelamin :
1. laki-laki
2. Perempuan
11 Suku bangsa :
1. Bugis
2. Makassar
3. Mandar
4. Tator
5. Lainyya 19
DAFTAR PERTANYAAN
Contoh
Kuesioner
LAMA HARI RAWAT PASIEN RAWAT INAP DI RS PELAMONIA
C IDENTITAS KHUSUS RESPONDEN KODE
LAMA PERAWATAN dan KEPUASAN PASIEN
12 Sejak ibu masuk RS sampai sekarang telah mejalani hari
rawat selama ……. Hari
13 Selama ibu di RS maka perawatan yang ibu terima :
a. Sangat puas 1
b. Puas 2
c. Biasa-biasa saja 3
d. Kurang puas 4
e. Sangat tidak puas 5
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) ………………………………………………..
………………………………………………………………………
20
Prinsip dan langkah-
langkah
Penyuntingan data (Editing)
- Dilapangan
- Pengolahan
Koding (Coding).
-. Koding kuesioner
- Buat daftar variabel
- buat daftar koding
- Pemindahan hasil koding
- Buat program entry / tabulasi data
PENGOLAHAN DATA 21
Contoh daftar
DAFTAR VARIABEL
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
6 HRAWAT Lamanya pasien dirawat di ruang rawat Numerik 3 2
inap
22
Contoh daftar
koding
DAFTAR KODING
01= 01= 01= 01= 01= 01= 01= 01=

02= 02= 02= 02= 02= 02= 02= 02=
03= 03= 03= 03= 03= 03= 03= 03=
04= 04= 04= 04= 04= 04= 04= 04=
05= 05= 05= 05= 05= 05= 05= 05=
06= 06= 06= 06= 06= 06= 06= 06=
07= 07= 07= 07= 07= 07= 07= 07=
08= 08= 08= 08= 08= 08= 08= 08=
09= 09= 09= 09= 09= 09= 09= 09=
10= 10= 10= 10= 10= 10= 10= 10=
23
Prinsip dan langkah-
langkah
Entry data ( Pemasukan data )

Pembersihan data ( Cleaning )
Analisis data
Penyajian data
Penyimpulan hasil.
PENGOLAHAN DATA 24
Bentuk Penyajian
Data
Penyajian data dilakukan dalam
tiga bentuk yakni :
Tabel (Tabular presentation)

Grafik (Grafical presentation)
Narasi (Textular presentation)
PENYAJIAN DATA 25
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 26
Komponen
Tabel
Tabel. 1 Penjelasan tentang bagian-bagian dari pada
suatu tabel di STIK GIA, Tahun 2004
STUB BOX HEAD TOTAL

Sub box head Sub box head
Sub stub Sel tabel * Sel tabel Marginal Baris
Sub stub Sel tabel Sel tabel Marginal Baris
JUMLAH Marginal
kolom
Marginal
kolom
Sumber : Data primer

Keterangan : * perlu penjelasan
PENYAJIAN DATA 27
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 28
Jenis-Jenis
Pembagian tabel: Tabel
Secara umum tabel terdiri dari dua
jenis yakni :
Tabel Induk=Master table=tabel referensi.

Adalah tabel yang berisi seluruh informasi
tentang hasil penelitian atau pengumpulan
data, sifatnya sangat umum, dan belum dapat
ditarik suatu kesimpulan.
PENYAJIAN DATA 29
Contoh tabel
Tabel 2 Induk
Data umum perawat di rumah sakit (x) tahun 2004
No DATA UMUM RESPONDEN

Ur U Sex Suku Agama Pendidikan DLL
ut m L P 1 2 3 4 5 I K H B SD SLP SLA D3 S1 S2
ur
1 14 x
2 30 X
3 60 X
4 45 X
5 25 X
6 70 X
Sumber : Rumah Sakit (x)
PENYAJIAN DATA 30
Jenis-Jenis
Tabel
Pembagian tabel:
Tabel Anak=Special table.

Adalah tabel yang digunakan untuk
kepentingan analisis khusus tentang variabel
dari hasil suatu penelitian, sifatnya sangat
spesifik, dapat ditarik kesimpulan, dan
terdiri dari : tabel satu arah, dua arah dan
tiga arah.
PENYAJIAN DATA 31
Jenis-Jenis
Tabel
Jenis tabel special
Tabel satu arah

Tabel dua arah
Tabel tiga arah
PENYAJIAN DATA 32
Jenis-Jenis
Tabel
Tabel satu arah
Adalah tabel yang memuat
keterangan mengenai
karakteristik dari satu
variabel tunggal.
PENYAJIAN DATA 33
Contoh Tabel satu
Tabel 3
arah
Distribusi jenis penyakit yang dirawat di
Rumah Sakit ( X ) tahun 2004
Jenis Penyakit Frekuensi Persen

(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
Sumber : Rumah Sakit (x)
PENYAJIAN DATA 34
Jenis-Jenis
Tabel
Tabel Dua arah
keterangan mengenai
karakteristik dari dua
variabel dalam satu tabel.
PENYAJIAN DATA 35
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
JUMLAH
Sumber : Data primer 24 50,0 24 50,0 48 100,0
PENYAJIAN DATA 36
Jenis-Jenis
Tabel
Tabel Tiga Arah
keterangan mengenai
karakteristik dari tiga
variabel dalam satu tabel.
PENYAJIAN DATA 37
Contoh tabel tiga
arah
Tabel 5 Distribusi karakteristik tenaga perawat menurut rumah sakit
pada Dinas kesehatan Kota Makasar tahun 2004
Karakteristik tenaga perawat

Rumah Sakit Masa kerja Golongan Status kawin TOTAL
1-5 6-10 11-> II III IV Tdk kawin Kawin Janda
RS RSW
RS Stellamaris
RS Pelamonia
JUMLAH
Sumber : DKK Makassar
PENYAJIAN DATA 38
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 39
Grafik
Jenis-jenis Grafik:
1. Grafik Garis (Line Chart)
2. Grafik batang (Bar chart)
3. Grafik Lingkaran (Pie Chart)
4. Grafik peta (Cartogram)
5. Grafik Gambar (Pictogram)
PENYAJIAN DATA 40
Grafik
Grafik Garis.
Adalah salah satu bentuk penyajian data
dengan menggunakan garis, serta
bertujuan untuk :
Mempermudah penarikan kesimpulan
Melihat perkembangan sesuatu
Dasarnya adalah sistem salib sumbu.
PENYAJIAN DATA 41
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 42
Contoh Grafik garis
tunggal
Grafik. 1 Perkembangan kunjungan bumil sejak tahun 1977-
1983 di RS (x)
160
140
120
100
80
60
40
20
0
1997 1978 1979 1980 1981 1982 1983
1997 1978 1979 1980 1981 1982 1983
Sumber : RS (x)
PENYAJIAN DATA 43
Contoh Grafik garis
berganda
Grafik. 2 Perkembangan kunjungan bumil dan anak sejak
tahun 1997-2001 di RS (x)
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 44
Contoh Grafik garis komponen
berganda
Grafik. 3 Perkembangan kunjungan penyakit DBD dan non
DBD sejak tahun 1997-2001 di RS (x)
8000
7000
6000
5000
4000
3000
2000
1000
0
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
DBD Non DBD
Sumber : RS (x)
PENYAJIAN DATA 45
Contoh Grafik garis persentase komponen
berganda
Grafik. 4 Perkembangan persentase kunjungan yang meninggal, luka
berat dan ringan sejak tahun 1997-2001 di RS (x)
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Meninggal luka ringan luka berat
Sumber : RS (x)
PENYAJIAN DATA 46
Contoh Grafik garis
berimbang netto
Grafik. 5 Selisih perbedaan kunjungan pasien masuk dan
keluar sejak tahun 1997-2002 di RS (x)
20
15
10
0
1996 1997 1998 1999 2000 2001 2002
-5
selisih
Sumber : RS (x)
PENYAJIAN DATA 47
Grafik
Grafik Batang.
Adalah salah bentuk penyajian data
dengan menggunakan batang / balok
sebagai pengganti garis.
PENYAJIAN DATA 48
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 49
Contoh Grafik batang
tunggal
Pace of Disease Gene Discovery
1981 - 2000
175
150
125
100
75
50
25
0
1981
1983
1987
1989
1991
1995
1997
1985
1993
PENYAJIAN DATA 1999

50
tunggal
1983 di RS (x)
1983
1982
1981
1980
1979
1978
1997
0 20 40 60 80 100 120 140 160
1997 1978 1979 1980 1981 1982 1983
Sumber : RS (x)
PENYAJIAN DATA 51
berganda
The Observed Prevalence of CYP2C19 genotype
within Geographically Dispersed Populations
100
90 Caucas ian
80 S audi Arabian
70 African
Korean
60
Japanes e
50
Chines e
40 Philippine
30 Aboriginal Aus tralia
20 Indones ia
10 Thailand
Vanuatu
0
EM IM PM
PENYAJIAN DATA 52
berganda
Grafik. 2 Perkembangan kunjungan bumil dan anak sejak
tahun 1997-2001 di RS (x)
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 53
Contoh Grafik batang komponen
berganda
100%
80%
60%
40%
20%
0%
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
DBD Non DBD
Sumber : RS (x)
PENYAJIAN DATA 54
Contoh Grafik batang komponen
berganda
100%
80%
60%
40%
20%
0%
1997 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
DBD Non DBD
Sumber : RS (x)
PENYAJIAN DATA 55
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 56
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 57
Contoh Grafik batang berimbang
netto
20
15
10
0
1996 1997 1998 1999 2000 2001 2002
-5
selisih
Sumber : RS (x)
PENYAJIAN DATA 58
Contoh Grafik batang berimbang
netto
20
15
10
-5
1996 1997 1998 1999 2000 2001 2002
selisih
Sumber : RS (x)
PENYAJIAN DATA 59
Contoh Grafik
Pie
1983 di RS (x)
1997 1978 1979 1980 1981 1982 1983
Sumber : RS (x)
PENYAJIAN DATA 60
Contoh Grafik
Pie
1983 di RS (x)
BUMIL, 80
BUMIL, 150
BUMIL, 97.5
BUMIL, 125
BUMIL, 100
BUMIL, 115 BUMIL, 110
1997 1978 1979 1980 1981 1982 1983
Sumber : RS (x)
PENYAJIAN DATA 61
Contoh Grafik
Pie
Functional Distribution of Known Genes in The

Cardiovascular System
20% 6% 7%
Cell division
10% Cell defense
Cell structure
Metabolism
Cell signaling
Protein expression
23% 16% Unclassified
18%
PENYAJIAN DATA 62
Contoh Grafik
Peta
E stim a te d N u m b e r s o f T B C a s e s , 2 0 0 2
< 1 000
1 0 0 0 to 9 9 9 9
1 0 0 0 0 to 9 9 9 9 9
1 0 0 0 0 0 to 9 9 9 9 9 9
1 0 0 0 0 0 0 o r m o re
N o E s tim a te
PENYAJIAN DATA 63
Contoh Grafik
Peta
E s tim a te d T B I n c id e n c e R a te s , 2 0 0 2
p e r 1 0 0 0 0 0 p o p u la tio n
< 10
1 0 to 2 4
2 5 to 4 9
5 0 to 9 9
1 0 0 to 2 9 9
3 0 0 o r m o re
N o E s tim a te
PENYAJIAN DATA 64
Contoh Grafik
Gambar
= 2000
= 1500
= 1000
= 500
Keterangan : 1 = 500
PENYAJIAN DATA 65
Penyajian dalam bentuk teks
(Narasi)
Penyaian dalam bentuk narasi :
Dimaksudkan untuk memberikan pejelasan suatu hasil laporan
baik berupa hasil penelitian, atau yang lainnya, dengan
sistematika sebagai berikut :
1. Topik / judul
2. Latar belakang
3. Tujuan
4. Metodologi
5. Ulasan Hasil yang dicapai
6. Kesimpulan
PENYAJIAN DATA 66
Terima kasih sampai
jumpa pada kuliah
berikutnya
67
Jenis Analisis
Data
Analisis data dilakukan dalam dua
bentuk yakni :
Analisis Deskriptip
Analisis Analitik
ANALISIS DATA 68
Hasil Pengolahan
Data
Hasil pengolahan data dapat
disusun dalam dua bentuk yakni :
Bentuk Row Data

Array Data
ANALISIS DATA 69
Contoh Row
Data
Data disusun menurut urutan nomor observasinya sebagai
berikut :  Data hasil pengukuran 35 orang Berat Badan Bayi
5,6 6,6 11,7 6,0 4,4

7,5 6,8 2,7 4,9 6,7
6,0 4,9 4,0 6,0 7,3
4,2 7,6 8,4 5,9 6,4
6,6 7,4 5,2 5,1 5,2
7,6 7,2 10,2 3,6 7,5
10,3 5,9 7,3 4,8 3,7
ANALISIS DATA 70
Contoh Array
Data
Data disusun menurut urutan besar kecilnya nilai pengukuran
Contoh  Data hasil pengukuran 35 orang Berat Badan Bayi
2,7 4,9 5,9 6,7 7,5

3,6 4,9 6,0 6,8 7,6
3,7 5,1 6,0 7,2 7,6
4,0 5,2 6,0 7,3 8,4
4,2 5,2 6,4 7,3 10,2
4,4 5,6 6,6 7,4 10,3
4,8 5,9 6,6 7,5 11,7
ANALISIS DATA 71
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 72
Pengelompokan
Data
Tujuannya untuk memproleh
INFORMASI yang lebih
banyak serta
MEMPERMUDAH perhitungan
dan PENYAJIAN data
ANALISIS DATA 73
Pengelompokan
Tabel 1 Data
Distribusi frekuensi berat badan dari 35 bayi (Kg )
di Puskesmas Daya Makassar tahun 2003
No Berat Badan bayi (kg) Frekuensi
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
ANALISIS DATA 74
Terminologi dalam
pengelompokan Data
Class Interval  ( 1,0 – 2,99 )
Class limit
Lower class limit ( bkb)  ( 1,0 )
Upper class limit ( bka)  ( 2,99 )
Class size
( Bka – Bkb = 2.99 – 1,0 = 2 unit )
Class Mark = Mid point class  (bkb+bka/2)
ANALISIS DATA 75
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 76
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 77
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 78
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
Nilainya tidak pernah mencapai nilai 1 tetapi hanya berkisar antara

0.0 – 0.99.
ANALISIS DATA 79
Adalah proporsi Persen
yang diperkalikan dengan bilangan konstanta.
( K = 100 atau 1000 )

a
---------- x 100
a+ b
Contoh :
Diantara laki-laki dan perempuan terdapat 5 % perempuan
Sifat persen
1. Sebagai kesimpulan
2. Sebagai standarisasi
3. Perbandingan
ANALISIS DATA 80
Rate
Adalah rasio yang menunjukkan bagian relatif dari angka total
dimana angka total ini adalah mereka yang termasuk mengalami
resiko.

a
---------------------
(a+b)R
Keterangan :
a = laki-laki
b = perempuan
(a+b) = Total
R = Risk factor
Nilainya tidak pernah mencapai nilai 1 tetapi hanya berkisar

antara 0.0 – 0.99.
ANALISIS DATA 81
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
82
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
83
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
ANALISIS DATA  Nilai

84
Mean
Rumus umum
Data tanpa frekuensi variabel
Σ Xi
Mean = ------------
n
Keterangan : Xi = Nilai observasi
n = Banyaknya observasi

85
Mean
Contoh :
Hasil pengukuran nilai ujian mata kuliah biostatistik
untuk 5 orang mahasiswa STIK-GIA sebagai berikut
: 70; 69; 45; 80; dan 56
Perhitungan :
70 + 69 + 45 + 80 + 56
Mean = ------------------------------------ = 64
5

86
Mean
Rumus umum
Data dengan frekuensi variabel
Σ fi (xi)
Mean = ------------
n
Keterangan : Xi = Nilai observasi
n = Banyaknya observasi
fi = Frekuensi Xi

87
Contoh : Mean
Hasil pengukuran nilai ujian mata kuliah biostatistik untuk 16
orang mahasiswa STIK-GIA sebagai berikut : 5 orang
memperoleh 70; 6 orang 69; 3 orang 45; 1 orang 80; dan 1 orang
56
Perhitungan
( xi ) Frkuensi ( fi ) fixi
70 5 350
69 6 414
45 3 135
80 1 80
56 1 56
Jumlah 16 ∑ fixi = 1035

88
Mean
Sifat-sifat Mean
Jumlah selisih nilai pengamatan dengan mean
adalah nol  ∑ ( Xi - Mean ) = 0
Contoh : Hasil pengukuran nilai 5 orang mahasiswa
( xi ) ( xi - Mean ) Hasil
70 70 - 64 +6
69 69 - 64 +5
45 45 - 64 - 19
80 80 - 64 + 16
56 56 - 64 -8
Mean = 64 0

89
Mean
Sifat-sifat Mean
Jumlah selisih nilai pengamatan dengan mean
adalah nol  ∑ ( Xi - Mean ) = 0
Dipengaruhi oleh nilai ekstrim
Nilai mean dari beberapa kelompok data yang
masing-masing mempunyai nilai mean adalah :
n1(m1) + n2 (m2) + ……. nk(mk)
Mean Gab = --------------------------------------------------
n1 + n2 ……. nk
Keterangan :
N = Kelompok data

M = Mean kelompok data 90
Mean
Data Berkelompok
Nilai observasi tidak dipertimbangkan satu persatu,
tetapi dalam bentuk nilai tengah kelompok kelas.
Langkah-langkah perhitungan sebagai berikut :
1. Sususn data dalam bentuk kelas dengan interval tertentu.

2. Tentukan titik tengah kelas.
3. Hitung frekuensi masing-masing kelas.
4. Perkalikan frekuensi kelas dengan titik tengah kelas.

91
Mean
Contoh penyelesaian : Data hasil pengukuran 35 orang berat
badan bayi dengan  tabel penyelesaian sbb :
Kelas (BB Bayi = kg) Titik tengah (xi) Frek (fi) xi.fi
1.0 - 3.0 2 1 2
3.0 - 5.0 4 8 32
5.0 - 7.0 6 14 84
7.0 - 9.0 8 9 72
9.0 - 11.0 10 2 20
11.0 - 13.0 12 1 12
JUMLAH 35 Σ XI.fI = 222
Σ fi (xi)
Mean = ------------ = 6,34
n
ANALISIS DATA  Nilai 92

Median
Adalah nilai pengamatan yang terletak
ditengah-tengah dari pada suatu distribusi
angka-angka apabila pengamatan disusun
dalam bentuk “ Arry “
Membagi dua hasil pengamatan yang
telah di array, sebagian dibawah median
dan sebahagian lagi diatas median.

Median
Rumus Umum untuk Data Yang Ganjil
n+1
Median = X ( ----------- )
2
Keterangan :
X = pengamatan yang ke x
Rumus lain
Median  n = 2k + 1
Keterangan :
n = bilangan ganjil
k = bilangan konstan

Contoh Array
Data
Contoh  Data hasil pengukuran 35 orang Berat Badan Bayi
2,7 4,9 5,9 6,7 7,5

3,6 4,9 6,0 6,8 7,6
3,7 5,1 6,0 7,2 7,6
4,0 5,2 6,0 7,3 8,4
4,2 5,2 (Md) 7,3 10,2
4,4 5,6 6,4 7,4 10,3
4,8 5,9 6,6 7,5 11,7
6,6
ANALISIS DATA  Nilai Tengah 95

Median
Rumus Umum
35 + 1
Median = X ( ----------- ) = 18
2
Keterangan :
X = pengamatan yang ke 18
Rumus lain Median  35 = 2k + 1

Median  35 = 2k + 1 2k = 35 -1  = 34
Keterangan :
n = bilangan ganjil K = 34/2 = 17
k = bilangan konstan
Md = k+1  17 + 1 = 18

Median
Rumus Umum untuk Data Yang GENAP
x (n/2) + x (n/2+1)
Median = ----------------------------
2
Keterangan :
X = pengamatan yang ke x
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

Median
Rumus Umum untuk Data BERKEOLOMPOK
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

Tabel 1 Median
Distribusi frekuensi berat badan dari 35 bayi (Kg )
di Puskesmas Daya Makassar tahun 2003
No Berat Badan bayi (kg) Frekuensi
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

Median
Penyelesaian :
N = 35 35 / 2 - 9
fb = 9  Md = --------------- x 2 = pd nilai 6,21
f(md) = 14 14
C=2
Dengan menggunakan rumus untuk data tidak
berkelompok :
35/2 - 9
Median untuk n = 35 = ---------------- x 2 = 18
14
Md terletak pada pengamatan yang ke 18 atau pada nilai
pengamatan = 6, 21

ModusAdalah nilai pengamatan yang
mempunyai frekuensi terbanyak.
Dapat digunakan untuk mendeskripsikan
data kualitatif.
Tergantung dari keadaan pengukuran,
maka suatu distribusi data dapat
mempunyai : satu modus ( bimodal ),
atau lebih dari dua modus (multimodal).

Modus
Adalah nilai pengamatan yang mempunyai frekuensi
terbanyak.
Dapat digunakan untuk mendeskripsikan data kualitatif
Tergantung dari keadaan pengukuran, maka suatu
distribusi data dapat mempunyai : satu modus, (unimodal,
dua modus (bimodal) atau lebih dari dua modus
( multimodal )
Data tidak berkelompok
Contoh : 2, 3, 8, 9, 8, 8,  Mo = 8

Modus
Data berkelompok
Rumus
Sa
Mo = Bkb + ( --------------- ) x c
Sa + Sb
Ket.
Bkb = batas kelas bawah dimana modus berada
Sa = selisih frek. Kelas modus dengan kelas diatasnya
Sb = selisih frekuensi kelas modus dengan kelas dibawahnya
c = ukuran kelas

Contoh : Modus
Pengelompokan dari 35 berat badan bayi (kg) menurut
kelas sebagai berikut :
Kelas (BB Bayi = kg) Frek.(fi)
1.0 – 2.9 1
3.0 – 4.9 8
5.0 – 6.9 14 ( Kelas Modus) *
7.0 – 8.9 9
9.0 – 10.9 2
11.0–12.9 1
JUMLAH 35

Modus
Penyelesaian
Kelas Mo = Kelas ke 3  f = 14
Sa = 14 – 8 = 5
Sb = 14 – 9 = 5
s = 2
Bkb = 5
6
Mo = 5 + (-------) x 2 = 6,1
6 + 5
Arti dan
Mean Manfaat
Meng-asumsikan keberadaan dari nilai numeric :
X1, X2,…. Xn dari pengamatan, sehingga jarak
antara pasangan pengamatan dapat diketahui
dengan jelas.
Dapat digunakan untuk melakukan pengelompokan
atau pengkategorian data yang diukur menurut
skala interval atau rasio kedalaman kategori-
kategori.
Sebagai parameter untuk kepentingan uji statistic

parametric

Arti dan
Manfaat
Median
Cocok untuk data yang diukur dengan
skala ordinal, karena cara perhitungannya
hanya didasarkan pada urutan data nilai
pengamatan.
Tidak sensitive terhadap jarak setiap nilai
pengamatan atau tidak dipengaruhi oleh
nilai ekstrim.

Arti dan
Manfaat
Median
Sangat baik digunakan apabila
distribusi data sangat miring ( higly
skewed )
Sangat bermanfaat untuk digunakan
pada penentuan batas nilai
pengelompokan kategori data.

Arti dan
Manfaat Median
Cocok untuk data yang diukur dengan
skala ordinal, karena cara
perhitungannya hanya didasarkan pada
urutan data nilai pengamatan.
Tidak sensitive terhadap jarak setiap
nilai pengamatan atau tidak
dipengaruhi oleh nilai ekstrim.

Arti dan
Manfaat
Modus
Adalah nilai pengamatan yang
mempunyai frekuensi terbanyak.
Dapat digunakan untuk
mendeskripsikan data kualitatif.

Arti dan
Manfaat
Modus
Tergantung dari keadaan pengukuran, maka
suatu distribusi data dapat mempunyai : satu
modus ( unimodal ), dua modus ( bimodal ),
atau lebih dari dua modus ( multimodal ).
Sangat baik digunakan untuk data yang
diukur dengan skala nominal.

Arti dan
Manfaat
Mean, Median, dan Modus.
Berfungsi menentukan keadaan distribusi
data hasil pengukuran yakni : apabila
nilai mean, median dan modus berimpit
pada satu titik atau mendekati satu titik
maka distribusi data dapat didekati
dengan distribusi normal.

Terima kasih sampai
jumpa pada kuliah
berikutnya
113
Batas kuliah tanggal 20
Oktober 2003  STIK-GIA
114
Pengertian
Dikenal juga dengan istilah “
UKURAN VARIASI “ yang berarti
sejauh mana variasi hasil
pengukuran yang ada didalam
suatu distribusi kekiri dan kekanan
dari niali tengahnya tetapi masih
dapat dipercaya sebagai nilai-nilai
normal.

Pengertian
Ukuran variasi ini memberikan arti
mengenai naik turunnya hasil pengukuran
atau variabilitas pengukuran yang
dilakukan.
Apabila nilai ini meningkat berarti hasil
pengukuran yang dilakukan sangat
bervariasi atau heterogen sebaliknya bila
nilainya mendekati titik tengah atau nol
berarti hasil pengukuran yang dilakukan
homogen.

Jenis Nilai sebar
Untuk data Numerik
1.Range
2.Mean Deviasi ( simpangan rata-rata )
3.Variance
4.Standard Deviasi.
Untuk data kategori

1.Kuartil
2.Desil
3.Persentil.

Range
Ialah selisih antara nilai tertinggi dengan nilai
terendah didalam distribusi hasil pengukuran.
Contoh : → 2, 102, 107, 110, 111, 120, 139, 145, 150, 1202.
Range : → 1202 – 2 = 1200
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.

Mean Deviasi
Ialah penyimpangan nilai masing-
masing hasil pengukuran ( Xi ) dengan
nilai rata-ratanya.
Keuntungan
Nilai setiap hasil pengukuran (xi) tetap
diperhatikan
Menggunakan nilai mutlak untuk
menghilangkan nilai negatifnya.

Mean Deviasi
Rumus
SR = (1/n ) Σ (Xi – Ā)
Contoh : Hasil pengukuran berat badan
5 orang dewasa dalam kg sebagai
berikut : 70, 30, 45, 65, 40,

Mean Deviasi
Contoh : Hasil pengukuran berat badan 5 orang dewasa dalam
kg sebagai berikut : 70, 30, 45, 65, 40,
Hasil Pengukuran ( Xi - Ā ) SR Nilai mutlak

( kg ) SR
70 70 – 50 +20 +20
30 30 – 50 -20 +20
45 45 – 50 -05 +05
65 65 – 50 +15 +15
40 40 – 50 -10 +10
Ā = 50 0 70
SR = (1/5) (70) = 14

Mean Deviasi
Data berkelompok
SR = (1/n ) Σ ( Xi – Ā). f
Contoh : Data hasil Pengukuran berat badan 35 bayi dalam kg setelah dikelompokkan
Kelas ( BB Bayi = Titik Frek. SR ( Xi – Ā )

kg ) ( Xi – Ā ).f
tengah (fi )
1,0 – 3,0 2 1 02 – 6,34 = - 4,34 4,34
3,0 – 5,0 4 8 04 – 6,34 = - 2,34 18,72
5,0 – 7,0 6 14 06 – 6,34 = - 0,34 4, 76
7,0 – 9,0 8 9 08 – 6,34 = + 1,66 14,94
9,0 – 11,0 10 2 10 – 6,34 = + 3,66 7,32
11,0 – 13,0 12 1 12 – 6,34 = + 5,66 5,66
Mean = 6, 34 - 35 - Σ = 55, 74
SR = ( 1/n ) Σ ( Xi – Ā ) .f
SR = ( 1/35 ) ( 55,74 ) = 1.592

Variance
Ialah penggunaan pangkat dua

dari simpangan rata-rata untuk
masing-masing hasil pengukuran
(xi) baik untuk data tidak
berkelompok maupun data
berkelompok.

Variance
Rumus
Variance = ( 1/n ) Σ ( Xi – Ā )²
Contoh : Hasil pengukuran berat badan
5 orang dewasa dalam kg sebagai
berikut : 70, 30, 45, 65, 40

Variance
Contoh Data tidak berkelompok : Hasil pengukuran berat badan
5 orang dewasa dalam kg sebagai berikut : 70, 30, 45, 65, 40
Hasil pengukuran (kg) (Xi - Ā ) SR (Xi - Ā )²
70 70-50 +20 400

30 30-50 -20 400
45 45-50 -5 25
65 65-50 +15 225
40 40-50 -10 100
Mean = 50 0 Σ = 1150
Variance = ( 1/n ) Σ ( Xi- Ā )²

Variance = ( 1/5 ) (1150) = 230

Variance Data berkelompok
Variance = ( 1/n ) Σ (Xi- Ā )².f
Contoh : data hasil pengukuran berat badan 35 bayi dalam kg
setelah dikelompokkan
Kelas Titik Frek. SR
(BB Bayi = kg) tengah ( fi ) ( Xi – Ā ) ( Xi – Ā )² (Xi –Ā)².f
01.0–03.0 2 1 02 - 6,34 = - 4,34 18,8 18,8
03.0–05.0 4 8 04 - 6,34 = - 2,34 5,5 44
05.0–07.0 6 14 06 - 6,34 = - 0,34 0,12 1,68
07.0–09.0 8 9 08 - 6,34 = + 1,66 2,75 24,75
09.0- 11.0 10 2 10 – 6,34 = + 3,66 13,4 26,8
11.0–13.0 12 1 12 – 6,34 = + 5,66 32,0 32
Mean ( Ā ) = 6,34 - 35 - - 148.03

Variance = ( 1/n ) Σ ( Xi – Ā )² . f
Variance = ( 1/35 ) (148.03 ) = 4,229

Standard
DeviasiDisebut juga dengan “ Ukuran
penyebaran titik pusat “.
Diperoleh dengan mengakarkan
variance.
Notasi : - s = Standard Deviasi
Sampel
- δ = Standard Deviasi
Populasi

Standard
Deviasi
Rumus
σ = √ (1/n) Σ ( Xi – Ā )²
Rumus lain → Merupakan koreksi dari rumus diatas
( ΣXi )²
σ = √(Σ Xi² -------------- )
n
Rumus ini dikenal dengan “ Unbiased estimate dari “ σ²

Standard
Deviasi
Contoh : Hasil pengukuran berat badan 5 orang
dewasa dalam kg sebagai berikut : 70, 30, 45, 65, 40.
σ = √ (1/n) Σ ( Xi- Ā )²
σ = √ ( 1/5 ) ( 1150 )
σ = √ 230 = 15,16
Data berkelompok
σ = √ ( 1/n ) Σ ( Xi–Ā )². f
σ = √ ( 1/35 ) (148.03 ) = 4,229
σ = √ 4,229 = 2,05

Sifat standard
Deviasi
1. Mean pada rumus standard Deviasi dapat
diganti dengan nilai “ median atau modus “
σ = √ ( 1/n ) Σ ( Xi – Md / Mo )²
2. Petunjuk luas daerah penerimaan dibawah

kurva normal ( Mean + SD )

Sifat standard
Deviasi
Contoh Petunjuk luas:
- 3 SD - 2 SD -1 SD Mean +1 SD +2SD + 3 SD
- Mean ± 1 SD → luas daerahnya = 68,27 %.


Sifat standard
Deviasi
3. Standard deviasi beberapa buah distribusi yang
masing-masing mempunyai standar deviasi
adalah.
n1s1² + n2s2² + …….nmsm²
σ = √ -----------------------------------------
n1 + n2 + ……… nm
Ket : - s1² → varians distribusi 1 dst.
- n1 → jumlah sampel distribusi 1 dst.

Sifat standard
Deviasi
4. Rumus koreksi perhitungan standard
deviasi adalah sbb :
c²
Varians = -------- → s = interval kelas.
12
5. SR = 4/5 Standard Deviasi semi interquartile
range = 2/3 SD

Standard
Error
Adalah perbedaan nilai sampel dengan nilai
populasinya.
Rumus :
SD
SE = -------
√n
Ket : SE → Standard error
: SD → standard deviasi
: n → besar sampel

Koefisien
Variasi
Gunanya :
1. Membandingkan variasi dari dua nilai kelompok data
2. Melihat mana yang lebih bervariasi dibandingkan
dengan yang lain.
Rumus :
- Populasi - Sampel
σ s
KV = ----- x 100 % KV = --------- x 100 %
µ mean

Kuartil
Adalah nilai sebar yang

digunakan untuk mengetahui
penyebaran suatu distribusi
data yang berbentuk
kategori ( diukur menurut
skala nominal atau ordinal )

Inter quartile range
136
Kuartil
Nilai yang membagi suatu data
menjadi 4 bahagian yang sama, dan
nilai tersebut adalah Q1, Q2, dan
Q3,
Q1 Q2 Q3
Q1=25%
Q2=50%
Q3 = 75%
Inter quartile range

Kuartil
Q1 = Kuartil pertama
Artinya 25 % data nilainya ≤ dari Q1
Q2 = Kuartil kedua
Q3 = Kuartil ketiga

Kuartil
Apabila suatu kelompok data / nilai telah
dilakukan array maka kuartilnya dapat
dihitung sebagai berikut :
Rumus umum :
i(n+1)
Qi = --------------
4
Ket. i → pengukuran ke 1, 2, 3, …..dst.

Kuartil
Contoh :
Hasil pengukuran data BB karyawan RS sebanyak

13 orang sebagai berikut : ( n = 13 )
40, 30, 50, 65, 45, 55, 70, 60, 80, 35, 85, 95, 100.
Hasil Array data
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

Kuartil
Penyelesaian
1( 13 + 1 ) 14
Q1 = nilai yang ke ----------------- → ---- = 3,5
4 4
= pengamatan yang ke 3,5 → 40 + 45 / 2 = 42,5
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

Desil
Adalah nilai sebar yang

digunakan untuk mengetahui
penyebaran suatu distribusi
data yang berbentuk kategori
( diukur menurut skala nominal
atau ordinal ).

Desil
Nilai ini membagi suatu set data
menjadi 10 bagian yang sama, dan
nilai tersebut adalah :
D1, D2, D3, ………. D9
Nilai tersebut masing-masing

bernilai 10 % dari keseluruhan set
data.

Desil
D1 = Desil pertama Artinya 10 % data nilainya ≤ dari D1
D2 = Desil kedua Artinya 20 % data nilainya ≤ dari D2
D3 = Desil ketiga Artinya 30 % data nilainya ≤ dari D3
D4 = Desil keempat Artinya 40 % data nilainya ≤ dari D4
D5 = Desil kelima Artinya 50 % data nilainya ≤ dari D5
D6 = Desil keenam Artinya 60 % data nilainya ≤ dari D6
D7 = Desil ketujuh Artinya 70 % data nilainya ≤ dari D7
D8 = Desil ke delapan  Artinya 80 % data nilainya ≤ dari D8
D9 = Desil ke sembilan  Artinya 90 % data nilainya ≤ dari D9

Desil
Contoh : Hasil pengukuran karyawan BB
karyawan RS sebanyak 13 orang sebagai
berikut : ( n = 13 )
40, 30, 50, 65, 45, 55, 70, 60, 80, 35, 85,
95, 100.
Penyelesaian : → Prinsip sama dengan

Quartil

Desil
1 ( 13 + 1 ) 14
D1 = nilai yang ke ----------------- → ------- = 1,4
10 10
= Pengamatan yg ke X1 + 4 / 10 ( X2 – X )
= 30 + 4 / 10 ( 35 – 30 ) = 31
D2 = dan selanjutnya → prinsip perhitungan

sama dengan diatas.

Kemiringa
n Apabila didalam perhitungan
nilai tengah, Mean = median =
modus memberikan nilai sama
atau mendekati pada satu titik
maka terbentuk suatu kurva yang
dikenal dengan “ Kurva Normal”.

Kemiringan =
Skewness
Bentuk kurva:
1.Normal
2.Miring ke kanan
3.Miring ke kiri
- 3 SD - 2 SD -1 SD Mean +1 SD +2SD + 3 SD
BENTUK KURVA NORMAL

Kemiringa
n Apabila didalam perhitungan nilai
tengah, Mean = median = modus tidak
memberikan nilai sama atau saling
menjauhi maka terbentuk suatu kurva
yang dikenal dengan “ Kurva yang
skewness atau miring”.

Skewness
negatif
• Apabila didalam perhitungan nilai tengah, Mean <
median < modus maka terbentuk suatu kurva yang
dikenal dengan “ SKEWNESS NEGATIF “.
Mean < Md < Mo
Rumus : ( Mean – Mo ) = ( - ) atau Mean < Mo

Skewness positif
Apabila didalam perhitungan nilai tengah, Mean > median >
modus maka terbentuk suatu kurva yang dikenal dengan “
SKEWNESS POSITIF “.
Mean > Md > Mo
Rumus : ( Mean – Mo ) = (+) atau Mean > Mo

Koefisien
Skewness
Koefisien Skewness Pearson
Koefisien Skewness Pearson 1. (SKP-1)
Rumus :
Mean – Mo
SKP-1 = ---------------------
S
Ket : → Mean = Rata-rata hitung
Mo = Modus
S = Standard Deviasi

UKURAN KEMIRINGAN (Koefisien
Skewness)
Koefisien Skewness Pearson

• Koefisien Skewness Pearson 2. (SKP-2)
Rumus :
3(Mean – Mo)
SKP-2 = ---------------------
S
Ket : → Mean = Rata-rata hitung
Mo = Modus 153
S = Standard Deviasi
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 154
Lepto kurtis.
Sebahagian besar frekuensi tertumpuk
pada interval yang pendek sekitar nilai
mean.
Contoh :
Mean 155
Platy kurtis
Frekuensi data tersebar merata pada seluruh kelas,
kecuali kelas pertma dan terakhir.
Contoh :
Mean
156
Meso kurtis
Frekuensi data tersebar mendekati distribusi
normal
Contoh :
Mean
157
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
158
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
QCK = 0,263 → Normal ( Dapat didekati dengan distribusi normal )
159
“ Terima kasih “
Dilanjutkan pada kuliah
berikutnya 160
ANALISIS VARIABEL PENELITIAN
(Tujuan Analisis)
• Menilai kelayakan suatu variabel untuk
dimasukkan dalam analisis statistic.
• Menilai keadaan distribusi data untuk variabel
yang akan dianalisis, dengan parameter : nilai
tengah dan dispersi.
Jenis Analisis
Analisis Univariat.
Analisis Bivariat.
Analisis Multivariat.
161
(Analisis Univariat)
Jenis Analisis
1. Analisis distrbusi frekuensi
2. Analisis deskriptip
Sifat
1.Tergangtung dari tujuan studi / masalah penelitian

yang akan dijawab.
2.Jumlah variabel yang terlibat.
3.Skala pengukuran variabel dan metode statistic yang
akan digunakan.
162
Tujuan
Memperlihatkan / menjelaskan distribusi data dari

variabel yang terlibat dalam penelitian.
Parameter yang digunakan

• Nilai tengah.
• Nilai Sebar.
• Ukuran Kemiringan.
• Distribusi data. 163
Analisis Distribusi Frekuensi
Deskripsi tipe distribusi dan skala pengukuran data
Deskripsi Skala Pengukuran

Distribusi Data
Nominal Ordinal Interval-Rasio
Frekuensi Proporsi Nilai Mutlak Nilai Mutlak

( Persentase ) dan Proporsi dan Proporsi
Nilai tengah Modus Median Mean
Dispersi - Interquatile Standard
Deviasi
164
(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
TEMPAT BEROBAT PADA SAAT JUMLAH PERSEN

SAKIT
Bides / Pustu / Manteri 72 46,8

Puske smas 47 30,5
Dokter praktek 5 3,2
Berobat sendiri 22 14,3
Lainnya 8 5,2
JUMLAH 154 100.0
Apabiladilihat
Apabila dilihatdistribusi
distribusitempat
tempatberobat
berobatpada
padaresponden
respondensakit
sakitmaka
makatabel
tabel33memperlihatkan
memperlihatkan
sekitar80,4
sekitar 80,4persen
persendari
dariresponden
respondenmemilih
memilihtempat
tempatberobat
berobatpada
padasarana
saranakesehatan
kesehatanmodern
modern
yangterdiri
yang terdiridari
dariBindes
Bindes/ /Pustu
Pustu/ /Manteri,
Manteri,Puskesmas,
Puskesmas,dan
dandokter
dokterpraktek.
praktek.Selebihnya
Selebihnyamemilih
memilih
berobatsendiri
berobat sendiridan
dantidak
tidakberobat
berobat 165
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
Sumber Kejadian diare 3 bulan terakhir Total

Pencemaran
Ada Tidak ada
Septik tank 19 50,0 19 50,0 38 100.0

WC Cemplung 5 26,3 14 73,7 19 100.0
P’mukaan tanah 14 73,7 5 26,3 19 100.0
Tdk ada 31 39,7 47 60,3 78 100.0
Jumlah 69 44,8 85 55,2 154 100.0
Sumber : data primer
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.
166
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
Pengetahuan STATUS KESEHATAN GIGI DAN MULUT Total

kes. gigi
SEHAT TDAK SEHAT
Kurang tahu 36 40.0 54 60.0 90 100.0

Tahu 49 50.5 48 49.5 97 100.0
Sangat tahu 50 41.7 70 58.3 120 100.0
Jumlah 135 44,0 172 56.0 307 100.0
Sumber : data primer
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.
167
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 0.106 168
Kurtosis 40.534 - 0.129

(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. 169
(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 ) 170
(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)
171
dgn seluruh penderita
(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.
172
(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.
173
( Analisis Bivariat )  Uji Hipotesis
Syarat pengunaan uji.

• Mengunakan tabel 2 x 2 atau > dari 2
x 2, square atau tidak square dengan
kategori variabel ditetapkan
berdasarkan skala nominal.
• Besar sampel dihitung dengan
menggunakan rumus sampel dengan nilai
α tertentu.
174
Syarat pengunaan uji.

• Sampel minimal untuk uji ini adalah n = 30,
maka uji tidak sensitive atau tidak dapat
digunakan.
• Tidak boleh ada frekuensi harapan yang
bernilai kurang dari 5 didalam sel tabel.
• Untuk tabel yang lebih dari 2 x 2 maka
frekuensi harapan dalam sel hanya
diperkenangkan sampai 20 % .
175
Ketentuan Penggantian uji.
• Bila sampel kurang dari 30.
• Terdapat frekuensi harapan kurang dari 5 didalam sel tabel.
• Bila t’dpt frekuensi HARAPAN kurang dari 1 didalam sel tabel
(cohran: 1954).
Cara penyelesaian
• Untuk tabel 2 x 2 → lakukan koreksi Yate’s dengan rumus :
( | O – E | - 0,5 )²
X² ( corected ) = Σ --------------------------
E
176
Ketentuan Pengganti uji
• Untuk lebih dari 2 x 2 → lakukan

penggabungan kategori menurut baris atau
kolom.
• Bila tetap tdk b’makna dianjurkan
menggunakan uji “ Fisher Exact test “.
177
( Analisis Bivariat )
Rumus Untuk SATU Sampel
( O – E )²
X² = Σ -----------
E
Keterangan :
O = Frekuensi Observasi
E = Frekuensi Harapan
 DF = ( C – 1 ) R – 1 )
 DF = Degree of Freedom → adalah besarnya kebebasan untuk

menentukan nilai sel dalam tabel bila besaran dalam tabel telah
178
diketahui.
 Untuk sampel yang terdiri dari satu jenis variabel yang
dikategori kedalam beberapa kategori maka besarnya DF
adalah : ( K – 1 ) dimana K = banyaknya kategori.
Frekuensi Harapan
Ialah proporsi obyek yang diharapkan sesuai / berada
dibawah hipotesis nol, dengan rumus sebagai berikut :
( total kolom ) ( total baris )

Frek. Expected = -----------------------------------------
( total pengamatan )
179
Contoh Uji satu sampel “ Chi-Square “
Tabel 5. Hubungan Antara Kejadian Diare 3 Bulan Terakhir Dengan Keadaan Sumur Gali
Kejadian diare 3 bulan Signif.

Keadaan Sumur terakhir Total Hasil uji Chi-Square (p)
Gali Ada Tdk ada Pearson Chi-Square
= 24,628 0,000
Continuity corection
Memenuhi Syarat 21 (36,3) 60 (44,7) 81 = 23,044 0,000
Tidak M. Syarat 48 (32,7) 25 (40,3) 73 Fisher’s Exact Test 0,000
JUMLAH 69 85 154
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
180
Contoh Uji satu sampel dgn frek. Harapan - 5
Tabel 6. Hubungan antara pemilihan pertolongan persalinan dengan kepercayaan
Pemilihan Pertolongan Signif.

Persalinan Hasil Uji Chi-Square (p)
Kepercayaan Nakes Non Nakes Total Pearson Chi-Square = 0.033
4.548
Continuity Corection = 0.065
3.410
Percaya 161 (157,3) 39 (42,7) 200
Fisher’s Exact Test
Tdk Percaya 12 (15,7) 8 (4,27) 20 0.038
JUMLAH 173 47 220
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. 181
UJI HIPOTESIS
Rumus untuk DUA sampel Independen

n ( | ad – bc | - ½ n )²
X² = --------------------------------
(a+b)(a+c)(b+d)(c+d)
Keterangan :
• a,b,c,d = Frekuensi observasi
•n = Jumlah sampel untuk kedua kelompok
• DF = ( C-1 ) R-1)
182
• 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.
Model tabel analisis

Pemilihan tempat berobat
PENDIDIKAN Nakes Non Nakes Total
SLTA – PT a b a+b
SD – SLTP c d c+d
JUMLAH a+c b+d N 183
Rumus untuk “ k “ sampel independent
Σ ( O – E )²
X² = Σ------------------
E
Keterangan :
O = Frekuensi Observasi
E = Frekuensi harapan
DF = ( C – 1 ) ( R – 1 )
Sampel harus berasal dari k populasi yang berbeda dimana pada

masing-masing populasi, diobservasi karakteristik variabel yang
sama. 184
TABEL MODEL ANALISIS
( O – E )²
Propinsi Umur harapan Frek. Frek. (O–E ) ( O – E )² ---------------
hidup Obs ( O ) Harp ( E ) E
DKI = 70 th 300 587.95 -287.95 82915.2 141.02
Jakarta < 70 th 800 512.05 287.95 82915.2 161.93
Jawa = 70 th 700 694.85 5.15 26.52 0.04
Barat < 70 th 600 605.15 - 5.15 26.42 0.04
Jawa = 70 th 800 694.85 105.15 11056.52 15.91
Tengah < 70 th 500 605.15 - 105.15 11056.52 18.27
Jawa = 70 th 700 641.40 58.6 3433.96 5.35
Timur < 70 th 500 558.60 - 58.6 3433.96 6.15
DIY = 70 th 600 481.05 118.95 14149.1 29.41

< 70 th 300 418.95 - 118.95 14149.1 33.77
JUMLAH 5800 5800 0.00 411.90

185
Uji Hipotesis untuk skala Nominal
Prinsip perhitungan
1.Variabeldikategorikan menjadi dua ( umur harapan hidup diatas 70
tahun dan 70 tahun kebawah ), untuk masing-masing kategori
variabel.
2.Menghitung frekuensi harapan dengan cara :
- Hitung proporsi umur 70 tahun keatas ( P1 )
300 + 700 + 800 + 700 + 600

P1 = ----------------------------------------------- x 100 % = 53.45 %
5800
186
Uji Hipotesis untuk skala nominal
- Hitung proporsi umur 70 kebawah ( P2 ).
800 + 600 + 500 + 500 + 300

P2 = ----------------------------------------------- x 100 % = 46.55 %
5800
3. Frekuensi harapan dihitung dengan memperkalikan P1 dan P2

masing-masing kategori ( DKI Jakarta, Jawa barat, Jawa tengah,
Jawa timur, dan DIY ) untuk umur 70 tahun kebawah dan 70 tahun
keatas. : 187
Uji Hipotesis untuk skala Nominal
Cara perhitungan frekuensi harapan.
Untuk 70 tahun keatas

• DKI Jakarta = 1100 x 53.45 % = 587.95
• Jawa Barat = 1300 x 53.45 % = 694.85
• Jawa Tengah = 1300 x 53.45 % = 694.85
• Jawa timur dan = 1200 x 53.45 % = 641.40
• DIY = 900 x 53.45 % = 481.05 188
Uji Hipotesis Hipotesis untuk skala Nominal
Cara perhitungan frekuensi harapan.
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. 189
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
190
(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 ( + ).
191
• Diskonkordans berarti urutan tidak wajar → dinilai ( - ).
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.
• pengelompokan variabel didalam tabel dilakukan menurut skala ordinal.
Contoh tabel
Variabel Varibel Independen Kendali Signif.
Independen Baik Sedang Kurang Jelek (p)
Baik
Sedang
Kurang
Jelek
192
JUMLAH
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 :
193
Tabel – 1 Hasil pengukuran Neutrofil darah dan sumsum tulang penderita tumor non
hematologis sebelum diurut
Nomor Urut Hasil Pengukuran Neutrofil Hasil Pengukuran Neutrofil

Darah merah ( Y1) Sumsum Tulang ( Y1)
01 4,9 4,32
02 4,6 9, 64
03 5,5 7,39
04 9,1 13,97
05 16,3 20,12
06 12,7 15,01
07 6,4 6,93
08 7,1 7,12
09 2,3 9,75
10 3,6 8,65
11 18,0 15,34
12 3,7 12,33
13 7,3 5,99
14 4,4 7,66
15 9,8 6,07
194
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 ?
195
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
6. Kriteria pengujian hipotesis
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. 196
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 Penyesuaian
arry
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
197
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
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
198
N ΣCi = 59
Perhitungan konkordans dan diskonkokrdans dilakukan dengan

menggunakan rumus berikut :
K–D
tau-a = ----------------------
n(n–1)/2
K – D → diperoleh dari rumus :

N = 4 Σ Ci – n ( n -1 ) = 4 ( 59 ) – 15 ( 14 ) → 236 – 210 = 26
26
tau-a = ---------------------- = 0,124
199
15 ( 14 )
(Analisis Bivariat )
Rumus untuk Kendall tau-b

Digunakan apabila terdapat nilai pasangan observasi yang
bersamaan, sedangkan rumus yang digunakan ialah :
K–D
tau-b = -------------------------------------------------------
------------------------------------------------------------
√ [ { n ( n – 1 ) / 2 – T1 } { n ( n – 1 ) / 2 – T2 ]
Keterangan :
T = Jumlah pasangan yang bersamaan. 200
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 ).
201
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
Pengetah Status kesehatan Gigi Total Hasil uji Signifikasi

uan kes. dan mulut Kendal’s
Gigi Sehat Tidak
sehat
Kurang 36 54 90 Tau-b = 0,962

tahu 0.003
Tahu 49 48 97 Tau-c = 0.962
0.003
Sangat 50 70 120
tahu Spearman
rank
JUMLAH 135 172 307 corelation = 202
0.003 0,963
Apabila dilihat tabel 7 terlihat distribusi nilai

dalam tabel berdasarkan uji kendal,s
termasuk diskonkordans, demikian pula hasil
uji spearman rank correlation termasuk
hubungan yang sangat lemah dan tidak
bermakna, sehingga disimpulkan tidak ada
hubungan antara status kesehatan mulut dan
gigi dengan tingkat pengetahuan murid..
203
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 tota Hsl uji Signi
Kes.Gigi & mulut l Kendal’s fikan
Seha Tdk si
t sehat
Kurng 42 113 155 Tau-b = 0,00

baik 0,323 0
Baik 36 27 63 Tau-c = 0,00
89 0,323 0
204
Sgt baik 57 32
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.
205
Parameter penilaian hasil uji korelasi.

NILAI HASIL UJI KETERANGAN
KORELASI
0,00 – 0,25 Hubungan sedikit / tidak ada
0,25 – 1,50 hubungan
0,50 – 0,75 Hubungan cukup
0,75 - > Hubungan sedang sampai baik
Hubungan sangat baik sampai 206
istimewa
( Analisis Multivariat )
Uji hipotesis untuk analisis multivariat

Ilustrasi hasil uji
Analisis dimaksudkan untuk melihat
hubungan serta kontribusi masing-masing
variabel independent terhadap variabel
dependentnya apabila dimasukkan secara
bersamaan, dan sebagai akibatnya
memungkinkan terjadinya interaksi dari
masing- masing variabel didalam model. 207
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
VARIABEL n X SD Korelasi Signif.

Pengetahuan 307 10,33 1,75 -0,003 0,478
Perilaku 307 2,54 2,42 0,331 0,000
Jenis makanan 307 6,35 1,07 -0,003 0,479
208
Ilustrasi hasil uji
Tabel 9 diatas memperlihatkan korelasi masing-
masing variabel sebagai tahap awal untuk melihat
adanya hubungan. Dari tabel tersebut terlihat dari tiga
variabel yang dimasukkan ternyata hanya ada satu
variabel yang memberikan hubungan yakni variabel
perilaku, dengan indeks korelasi = 0,331 dengan nilai
p = 0.000 sedangkan yang lainnya tidak bermakna.
209
Tabel 10 Hasil uji regressi variabel pengetahuan, perilaku dan
jenis makanan dengan Variabel status kesehatan gigi dan mulut
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
210
Ilustrasi Hasil Uji
Tabel 10 diatas memperlihatkan besarnya korelasi
apabila ketiga variabel predictor dimasukkan secara
bersamaan adalah R = 0,331 dengan besar
pengaruhnya ( R Square ) = 0,110 dengan nilai p =
0.000 ( bermakna ). Pemasukan ketiga variabel
secara bersamaan terihat memberikan interaksi
diantara variabel yang dinilai melalui uji F = 37.528,
dimana uji ini sekaligus juga memberikan informasi
terjadinya hubungan linier antara variabel predictor
dengan variabel dependennya. 211
212
Terima kasih 213

Stat Dasar

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Stat Dasar

Diunggah oleh

Hak Cipta:

Format Tersedia

BIOSTATISTIKA

Jurusan BIOSTATISTIK/KKB FKM

Dr. Buraerah.H.Abd.Hakim, MSc

VARIABEL DATA INFORMASI

SIFAT SKALA PENGUKURAN

01= 01= 01= 01= 01= 01= 01= 01=

Entry data ( Pemasukan data )

Tabel (Tabular presentation)

STUB BOX HEAD TOTAL

Sub stub Sel tabel * Sel tabel Marginal Baris

Sub stub Sel tabel Sel tabel Marginal Baris

Sumber : Data primer

Unsur Apa ( Apa isi dari pada tabel )

Tabel Induk=Master table=tabel referensi.

No DATA UMUM RESPONDEN

Sumber : Rumah Sakit (x)

Tabel Anak=Special table.

Tabel satu arah

Jenis Penyakit Frekuensi Persen

Sumber : Rumah Sakit (x)

Jml Persen Jml Persen Jml Persen

Baik 19 76,0 6 24,0 25 100,0

Karakteristik tenaga perawat

1-5 6-10 11-> II III IV Tdk kawin Kawin Janda

Sumber : DKK Makassar

2. Grafik batang (Bar chart)

3. Grafik Lingkaran (Pie Chart)

4. Grafik peta (Cartogram)

5. Grafik Gambar (Pictogram)

1997 1978 1979 1980 1981 1982 1983

DBD Non DBD

Meninggal luka ringan luka berat

PENYAJIAN DATA 1999

0 20 40 60 80 100 120 140 160

1997 1978 1979 1980 1981 1982 1983

DBD Non DBD

DBD Non DBD

Meninggal luka ringan luka berat

Meninggal luka ringan luka berat

1997 1978 1979 1980 1981 1982 1983

BUMIL, 115 BUMIL, 110

1997 1978 1979 1980 1981 1982 1983

Functional Distribution of Known Genes in The

23% 16% Unclassified

Bentuk Row Data

5,6 6,6 11,7 6,0 4,4

2,7 4,9 5,9 6,7 7,5

No Berat Badan bayi (kg) Frekuensi

Class Mark = Mid point class  (bkb+bka/2)

Nilainya tidak pernah mencapai nilai 1 tetapi hanya berkisar antara

Dinyatakan dengan rumus :

Dinyatakan dengan rumus :

Nilainya tidak pernah mencapai nilai 1 tetapi hanya berkisar

ANALISIS DATA  Nilai

ANALISIS DATA  Nilai

ANALISIS DATA  Nilai

ANALISIS DATA  Nilai

ANALISIS DATA  Nilai

ANALISIS DATA  Nilai

ANALISIS DATA  Nilai

1. Sususn data dalam bentuk kelas dengan interval tertentu.

ANALISIS DATA  Nilai

ANALISIS DATA  Nilai 92

ANALISIS DATA  Nilai 93