Analisis

Sederhana
Zulfa Shalsabilla 30000223410001
 “Analisis data dengan
menerapkan metode deskriptif”

— I Gusti Ngurah Agung

 “Analisis data kasar yang
menggambarkan hubungan antara
paparan dikotomi dan variabel
dikotomi, yang biasanya dipakai
dalam membuat kesimpulan
statistik mengenai hubungan”

— David G. Kleinbaum
 Tujuan

Mempelajari hubungan atau asosias

1 Menilai atau evaluasi 3 antara faktor penyebab dengan
variabel tujuan

Mempelajari perbedaan
Mempelajari perbedaan antara
2 nilai statistik variabel 4 kelompok individu secara deskriptif
tujuan
Masing-masing studi berkaitan
dengan hubungan paparan
penyakit yang sedang dipelajari.
Meskipun dalam tabel memakai
jenis dan pertanyaan penelitian
yang berbeda tetapi nilai
perkiraannya lebih besar dari nilai
nol satu dan semuanya
menunjukkan terdapat pengaruh
yang cukup besar dari paparan.
Hati-hati untuk melihat perkiraan
dari masing-masing studi
disamping, karena jika sampel
yang diambil berbeda, maka
memiliki kemungkinan untuk
menghasilkan nilai yang berbeda
juga (mungkin jauh lebih besar
atau mendekati nilai nol)
• Estimasi ukuran dampak seperti RR, OR, dan IDR adalah estimasi titik, karena
setiap estimasi mewakili satu angka yang mungkin berbeda dari satu sampel
ke sampel lainnya.
• Untuk menarik kesimpulan mengenai perkiraan parameter populasi,
menggunakan pengujian hipotesis atau menentukan ketepatan estimasi titik
dengan menghitung variabilitas pengambilan sampel menggunakan
estimasi interval
 01

Statistik Inferensial
“Statistik Inferensial berkaitan dengan
penarikan kesimpulan tentang suatu
parameter populasi berdasarkan
informasi yang diperoleh dari statistik
sampel”

— David G. Kleinbaum
 Hipotesis
• Pengujian hipotesis digunakan untuk menentukan perbedaan kedua proporsi signifikan secara
statistik
• Hipotesis nol (H0) adalah hipotesis yang menyatakan tidak ada hubungan antara variabel satu
dengan variabel yang lain atau tidak ada perbedaan suatu kejadian antara dua atau lebih
kelompok
• Hipotesis alternatif (Ha) adalah hipotesis yang menyatakan ada hubungan antara variabel satu
dengan variabel yang lain atau ada perbedaan suatu kejadian antara dua atau lebih kelompok.
• Untuk menentukan ketepatan estimasi titik dapat menggunakan estimasi interval. Interval
kepercayaan dapat memberikan batas atas dan bawah sehingga kita dapat yakin, katakanlah 95%
mencakup parameter populasi yang diinginkan.
• Uji hipotesis menghasilkan jawaban dengan mencari hasil sampel yang jarang atau tidak mungkin
• Estimasi interval mendapatkan jawabannya dengan melihat hasil yang paling mungkin, yaitu nilai
yang diyakini berada dekat dengan parameter yang diselidiki
 7 Langkah Uji Hipotesis
1. Menyatakan informasi yang tersedia, statistik asumsi, dan parameter populasi yang
dipertimbangkan.
2. Menentukan hipotesis nol dan hipotesis alternatif
3. Menentukan tingkat signifikansi alfa (α = 0,05 atau 5%)
4. Pilih uji statistik dan nyatakan distribusi pengambilan sampelnya berdasarkan hipotesis nol.
5. Merumuskan aturan keputusan dalam kaitannya dengan wilayah penolakan dan penerimaan
berdasarkan hipotesis nol.
6. Uji statistik menggunakan data observasi.
7. Menarik kesimpulan
 Nilai P
• Nilai P didefinisikan sebagai probabilitas, dengan asumsi tidak ada pengaruh atau tidak ada
perbedaan (H0), untuk memperoleh hasil yang sama atau lebih ekstrim dari apa yang sebenarnya
diamati.
• P dapat bernilai antara 0 dan 1. Nilai yang mendekati 0 menunjukkan bahwa perbedaan yang
diamati tidak mungkin disebabkan oleh kebetulan, sedangkan nilai P yang mendekati 1
menunjukkan tidak ada perbedaan antar kelompok selain karena kebetulan.
• Nilai P sering digunakan sebagai cara alternatif untuk menarik kesimpulan tentang hipotesis nol
daripada menentukan tingkat signifikan sebelum menghitung uji statistik
• Jika nilai P lebih besar dari 0,05 maka, berdasarkan konvensi, dapat disimpulkan bahwa perbedaan
yang teramati bisa saja terjadi secara kebetulan dan tidak ada bukti yang signifikan secara statistik
(pada tingkat signifikansi 5%) untuk adanya perbedaan antar kelompok dalam populasi
• Para peneliti berharap nilai P sekecil mungkin, karena jika nilai P kecil, maka perbedaan yang ada
pada penelitan terjadi bukan karena faktor kebetulan
 Interval Kepercayaan/Confidence Interval (CI)

● Interval kepercayaan adalah ukuran ketepatan estimasi beberapa parameter yang diinginkan,
misalnya perbedaan antara dua proporsi populasi
● Semakin sempit rentang kepercayaan, semakin tepat estimasinya. Sebaliknya, semakin lebar
rentang kepercayaan, perkiraannya akan semakin kurang tepat.
● Interval kepercayaan 95% memberikan rentang nilai yang masuk akal yang memuat perbedaan
populasi sebenarnya. Jika interval kepercayaan 95% mencakup titik selisih nol, maka
berdasarkan konvensi, setiap perbedaan dalam sampel tidak dapat digeneralisasikan ke
populasi.
02
Studi Kohort yang Melibatkan
Rasio Risiko
 Pengajuan Hipotesis untuk Analisis Sederhana
dalam Studi Kohort
Menyatakan H0 dalam bentuk perbedaan insiden kumulatif populasi, seperti :
• Saat menguji hipotesis tentang rasio risiko (RR) dalam studi kohort insiden kumulatif,
hipotesis nol dapat dinyatakan secara ekuivalen sebagai RR = 1, CI1 – CI2 = 0, atau ROR
= 1, dengan CI1 dan CI2 adalah confidence interval untuk kelompok terpapar dan tidak
terpapar.
• Ha dapat dinyatakan dalam RR baik sebagai RR ≠ 1, RR > 1, atau RR < 1 tergantung
pada apakah alternatifnya masing-masing adalah dua sisi, satu sisi atas, atau satu sisi
bawah.
• Untuk menguji hipotesis nol bahwa RR = 1, statistik pengujiannya sama dengan yang
digunakan untuk membandingkan perbedaan antara dua proporsi.
• Dengan asumsi sampel besar, statistik uji memiliki distribusi N(0,1) pada H0.
 Uji Sampel Besar Versi Chi Square

• Uji sampel besar untuk rasio risiko dilakukan dengan menggunakan distribusi normal atau
distribusi chi square.
• Chi square dapat dihitung langsung dengan menggunakan rumus yang melibatkan frekuensi
tabel 2x2 untuk data kohort yang memungkinkan estimasi risiko
• Chi square dapat digunakan untuk menghitung nilai p
 Nilai P untuk Uji Chi Kuadrat Satu Sisi

• Saat menggunakan uji chi square dari Ha dua

sisi mengenai RR, nilai P diperoleh sebagai
luas di bawah kurva chi square di sebelah
kanan statistik uji yang dihitung.
• Jika hipotesis alternatif bersifat satu sisi,
misalnya RR > 1, maka nilai P adalah setengah

Data mortaliitas mengenai perilaku merokok pasien luas sisi kanan kurva chi kuadrat.
serangan jantung
 Menguji Saat Ukuran Sampel Kecil

• Uji fisher’s exact cocok untuk tabel 2x2 yang menghubungkan variabel paparan dan variabel
penyakit.
• Untuk menggunakan uji fisher’s exact, berasumsi bahwa nilai pada margin tabel adalah nilai tetap
sebelum penelitian dimulai. Jika kita membuat 'asumsi margin tetap' ini, kita dapat melihat bahwa
setelah kita mengidentifikasi angka di sel dalam tabel, misalnya kasus atau sel yang terpapar,
angka di tiga sel lainnya dapat ditentukan hanya dengan menggunakan frekuensi pada margin.
• Untuk menghitung nilai P pada uji Fisher's Exact, perlu menentukan distribusi probabilitas
frekuensi sel berdasarkan H0.
 Versi Sampel Besar Fisher’s Exact Test-The
Mantel-Haenszel Test
• Fisher’s Exact Test sering digunakan ketika frekuensi sel dalam tabel 2x2 cukup besar
• Uji Mantel-Haenszel (MH) merupakan pendekatan besar sampel untuk analisis sederhana
• Uji Mantel-Haenszel (MH) memiliki perkiraan distribusi chi kuadrat dengan satu derajat
kebebasan dengan H0 bahwa RR adalah 1. Akibatnya, nilai P untuk alternatif satu sisi yang
menggunakan ini diperoleh dengan cara biasa dengan mencari luas di bawah distribusi chi-
kuadrat diatas statistik uji yang dihitung dan kemudian membagi luasnya dengan 2..
• Chi square memuat n-1 pada pembilangnya sedangkan Fisher’s Exact Test memuat n pada
pembilangnya. Jika n besar, penggunaan n atau n-1 pada pembilangnya akan berdampak
kecil pada Chi Square yang dihitung.
• Dalam besar sampel Chi
square Test dan Fisher’s
Exact Test menghasilkan
kesimpulan yang sama
tentang signifikansi.
 Besar Sampel Confidence Interval untuk Risk
Ratio
● Risk Ratio adalah rasio dua proporsi, yang masing-masing merupakan ukuran kejadian
kumulatif.
● Rumus dibawah menyatakan bahwa menjumlahkan dan mengurangi selisih dua proporsi
taksiran sebesar 1,96 kali kesalahan baku taksiran selisih tersebut.
● Rumus risk ratio diperoleh dengan mengeksponenkan besar sampel confidence interval untuk
log natural risk ratio. Rumus yang digunakan untuk varian estimasi log rasio risiko sebenarnya
merupakan rumus perkiraan, bukan rumus pasti

● Terdapat dua alasan mengapa rumus risk ratio lebih rumit dibandingkan rumus perbedaan
risiko, yaitu
a. Perkiraan rasio dua proporsi sangat miring sedangkan log rasio risiko terdistribusi normal
lebih dekat
b. Varian log rasio risiko secara matematis lebih mudah diperoleh dibandingkan varian rasio
risiko itu sendiri, meskipun perkiraan masih diperlukan.
 Case Control dan Cross Sectional
• Dalam studi case control, ukuran pengaruh yang diinginkan adalah exposure odds ratio
(EOR), dan dalam studi cross sectional, ukuran pengaruh yang diinginkan adalah
prevalence odds ratio (POR) atau prevalence ratio (PR).
• Uji Z besar sampel dan uji chi square Mantel-Haenszel untuk EOR, POR, dan PR
menggunakan rumus komputasi yang sama seperti yang digunakan untuk pengujian
tentang risk ratio (RR).
 Studi Kohort yang Melibatkan Rasio Tingkat
Menggunakan Informasi
Orang-Waktu
• Dalam studi kohort yang menggunakan informasi orang-waktu, ukuran pengaruh
kepentingan adalah rasio tingkat atau rasio kepadatan kejadian (incidence density ratio
(IDR)).
• Ketika menguji hipotesis tentang rasio tarif dalam studi kohort orang-waktu, hipotesis nol
dapat dinyatakan secara ekuivalen sebagai IDR = 1 atau IR1– IR0 = 0.
• IDR menunjukkan rasio angka (yaitu, rasio kepadatan kejadian) dan IR1 dan IR0 adalah
angka kejadian untuk kelompok yang terpapar dan tidak terpapar.
 Referensi

● Kleinbaum, D. G., Sullivan, K. M., & Barker, N. D. (2007). SIMPLE ANALYSES

2x2 TABLES ARE NOT THAT SIMPLE. In A Pocket Guide to Epidemiology (pp.
191–225). Springer Science+Business Media, LLC.
● Agung, I. G. N. (2016). Analisis Statistik Sederhana Untuk Pengambilan
Keputusan. Populasi, 11(2). https://doi.org/10.22146/jp.12342
● Dahiru, T. (2011). P-Value, a true test of statistical significance? a cautionary note.
Annals of Ibadan Postgraduate Medicine, 6(1), 21–26.
https://doi.org/10.4314/aipm.v6i1.64038