UJI STATISTIK

DISUSUN OLEH: TUTIN MARLIA

 UNIVARIAT
◦ Analisis univariat bertujuan untuk menjelaskan atau
mendeskripsikan karakteristik setiap variabel penelitian. Bentuk
analisis univariate tergantung dari jenis datanya. Untuk data
numerik digunakan nilai mean atau rata-rata, median dan standar
deviasi.
◦ Pada umumnya dalam analisis ini hanya menghasilkan distribusi
frekuensi dan presentase dari tiap variabel.
ANALISIS UNIVARIAT = ANALISIS DESKRIPSI
1. Distribusi Frekuensi
Atau tabel frekuensi ialah susunan data dalam suatu tabel yang
telah diklasifikasikan menurut kelas atau kategori-kategori tertentu
2. Ukuran Pemusatan (Central Tendency)
•Modus (Mode)
•Rata-rata (Mean)
•Median
3. Ukuran Penyebaran (Dispersion)
•Range adalah selisih nilai max dengan nilai min dalam suatu
kumpulan data. Contoh: 2 4 5 7 8 200, maka range adalah 200 –2 =
192
•Variance
•Standar Deviation (simpangan baku)
◦ Contoh:
1. Distribusi frekuensi responden berdasarkan: umur, jenis kelamin,
tingkat pendidikan dsb.
2. Distribusi jenis kontrasepsi
3. Distribusi kasus malnutrisi pada balita
 Contoh:
Distribusi Responden Berdasarkan Kepatuhan Berobat TB

Kepatuhan N %
Patuh 148 60,8
Tidak Patuh 131 39,2
Total 279 100,0

Responden yang patuh berobat TBdiwilayah kerja Puskesmas Pasar Minggu lebih tinggi
(60,8%)dibanding dengan yang tidak patuh berobat (39,2%)
 BIVARIAT
◦ Analisis bivariate adalah analisis yang dilakukan terhadap dua
variabel yang diduga berhubungan atau berkorelasi.
◦ Misalnya variabel umur dengan variabel penyakit jantung, variabel
jeniskelamin dengan variabel jenis penyakit yang diderita
Tahap AnalisisBivariat:
Analisis proporsi atau presentase, dengan membandingkan
distribusi silang antara dua variabel yang bersangkutan.
Analisis dari hasil uji statistik (Chai square test, Z test,t test dll).
Melihat dari uji statistik ini dapat disimpulkan adanya 2 variabel
tersebut bermakna atau tidak bermakna. Dari uji statistik ini dapat
terjadi, misalnya: antara dua variabel tersebut secara presentase
berhubungan tetapi secara statistik hubungan tersebut tidak
bermakna.
◦ Analisis keeratan hubungan antara dua variabel tersebut, dengan
melihat nilai Odd Ratio (OR). Besar kecilnya nilai OR menunjukan
besarnya keeratan hubungan antara dua variabel yang diuji.
Tipe Uji Statistik untuk Mengukur Hubungan
Nominal Oridinal Interval/Rasio

Nominal Pearson’s C Theta Eta (the correlation ratio)

Lambda
Cramer’s V
Tschuprow’s T
Phi Coefficient
Tetrachorie r
Oridinal Gamma Jaspen’sM
Kendall’s tau Spearman’s rho
Somers dyx

Interval/Rasio Pearson’s r

Uji Statistik untuk Mengukur Asosiasi antara variabel

Tipe Uji Statistik untuk Mengukur Hubungan
Levelof Measurement Symmetric Asymmetric

Nominal Yule’s Q Lamda

The Phi Coefficient Uncertainty Uyx
Ordinal Kendall’s tau Sommer’s
Gamma
Spearman rho rs

nterval/Rasio Pearson r Eta

Uji Statistik untuk Mengukur Derajat Asosiasi antara variabel

 Contoh:
Distribusi responden berdasarkan umur dan
kepatuhan minum obat TB
Umur Kepatuhan Total P value 0R (95%)
Tak patuh Patuh
Dewasa Md 7 (20,0%) 28 (80%) 35 (100%) 0,004 3,08

Dewasa 24 (54,0%) 20 (45,5%) 44 (100%)

Total 31 (39,2%) 48 (60,8%) 79 (100%)
◦ Dari tabel diatas menunjukan bahwa responden berumur dewasa
muda lebih patuh berobat TB (80,0%), dibandingkan dengan
responden dewasa (45,8%), sehingga secara presentase dapat
disimpulkan bahwa ada hubungan antara umur dengan kepatuhan
berobat.
◦ Hasil uji statistik nilai p < 0,05, hal ini terbukti bahwa umur
berhubungan secara bermakna dengan kepatuhan berobat.
◦ Dari analisis keeratan hubungan menunjukan nilai Odd Ratio (OR)
3,08 yang berarti bahwa responden yang berumur mmuda
mempunyai peluang 3,08 kali patuh berobat dibandingkan dengan
responden yang berumur lebih tua.
Multivariat
◦ Merupakan uji statistik yang dapat menghubungkan lebih dari satu
variabel independen dengan satu variabel dependen
◦ Misal: pengaruh atau hubungan antara variabel pendidikan ibu,
pengetahuan ibu, sosial ekonomi keluarga, jumlah anak dan
sebagainya ( variabel-variabel independen) dengan atau terhadap
status gizi anak balita (dependen variabel)
◦ Uji statistik yang digunakan biasanya regresi berganda (multiple
regression), untuk mengetahui variabel independen yang mana
yang lebih erat hubungannya dengan variabel dependen.
◦ Dalam analisis multivariat dilakukan berbagai langkah pembuatan
model. Model terakhir terjadi apabila semua variabel independen
dengan dependen sudah tidak mempunyai nilai p >0,05.
Contoh:
Hubungan antara: Pengetahuan, umur, pendidikan dengan
kepatuhan berobat TB
Variabel B P OR 95% CL
Lower Upper
Pengetahuan 2,960 0,000 19,305 4,34 84,92
Umur 3,072 0,008 11,747 2,22 212,61
Pendidikan 2,625 0,000 13,804 3,804 58,05
Constanta - 10,497
Dari Tabel tersebut dapat disimpulkan:

◦ Responden yang mempunyai pengetahuan tinggi berpeluang 19,305

kali patuh berobat dibandingkan dengan responden yang
mempunyai pengetahuan rendah
◦ Respon yang berumur muda berpeluang 11,747 kali patuh berobat
dibandingkan dengan responden yang berumur lebih tua
◦ Responden yang berpendidikan tinggi berpeluang 13,804 kali patuh
berobat dibandingkan dengan responden yang berpendidikan
rendah
◦ Dari ketiga variabel independen tersebut, maka variabel
pengetahuan adalah variabel yang paling dominan berhubungan
dengan kepatuhan berobat, dengan OR 19,305.
◦ Hal ini berarti bahwa responden yang mempunyai pengetahuan TB
yang tinggi berpeluang 19 kali untuk patuh berobat, dibandingkan
dengan responden yang berpengetahuan TB yang rendah, setelah
dikontrol variabel pendidikan dan umur.