HAND-OUT
-
Upload
muhamad-ibnu-sina -
Category
Documents
-
view
241 -
download
8
description
Transcript of HAND-OUT
BAB IPENDAHULUAN
A. SEJARAH SINGKAT STATISTIK.
Kata Statistik berasal dari bahasa lain, yaitu status yang berarti negara, karena
pada mulanya statistik hanya menyangkut urusan-urusan negara seperti
masalah kependudukan, namun saat ini statistik telah diperlukan oleh seluruh
aspek kehidupan seperti dunia kedokteran, ekonomi, pertanian dan
sebagainya termasuk kesehatan masyarakat.
Statistik mulai dikenal pada abad 17 disaat sedang marak-maraknya perjudian
dan statistik digunakan untuk melihat peluang ( probabilitas ) didalam
perjudian. Pada Tahun 1749 Marsque Caplore memperkenalkan teori peluang
dan Carl Friedrich Gauss ( 1777 – 1853 ) memperkenalkan teori Normal Curve
of Error. Francis Bolton (1822 – 1911) memperkenalkan teori Regresi dan
Korelasi sedangkan Chi-Square ( X2 ) diperkenalkan oleh Carl Pearson ( 1857
– 1936 ) pada Tahun 1900. Pada abad 20 pengembangan study statistik
dilakukan oleh William Gosset dan Sir Ronald Fischer yang memperkenalkan
Student t Distibution dan Distribution F . Saat ini perkembangan aplikasi
statistik semakin pesat dengan pemanfaatan komputer.
B. PENGERTIAN STATISTIK
Defiinisi Statistik menurut Undang-Undang Nomor 7 Tahun 1960 tentang
statistik : “ Statistik adalah keterangan berupa angka yang memberikan
gambaran yang wajar dari seluruh ciri kegiatan dan keadaan masyarakat
Indonesia “
1
Definisi lain tentang statistik yaitu : “ Statistik adalah sekumpulan konsep dan
metode yang digunakan unutuk mengumpulkan dan menginterpretasi data
tentang bidang kegiatan tertentu dan mengambil kesimpulan dalam situasi
dimana ada ketidakpastian dan variasi “
Secara umum statistik adalah disiplin ilmu yang mempelajari metode dan
prosedur pengumpulan, penyajian, analisa dan penyimpulan suatu data
mentah agar menghasilkan informasi yang lebih jelas untuk suatu pendekatan
ilmiah. Dari pengertian tersebut ada 2 (dua) prinsip dalam statistik yaitu :
1. Sekumpulan data yang menerangkan sesuatu dan atau sifat sekumpulan
data
2. Sekumpulan cara / meode/ aturan tentang pengumpulan, pengolahan,
penganalisaan, penafsiran/ interpretasi dan penarikan kesimpulan dari
suartu data.
C. BIOSTATISTIK
Biostatistik merupakan aplikasi metode statistik terhadap masalah-masalah
dibidang kesehatan. Jadi Biostatistik bukan merupakan ilmu dasar (basic
sciences), tetapi lebih tepat dikatakan sebagai ilmu terapan (applied Sciences).
Penggunaan Biotatistik dalam bidang kesehatan antara lain di pakai untuk
1. Mengukur peristiwa-peristiwa penting (vital event) yang terjadi dalam
masyarakat.
2. Mengukur status kesehatan dan mengetahui masalah kesehatan yang
terdapat pada berbagai kelompok masyarakat.
2
3. Membandingkan status kesehatan masyarakat di satu tempat dengan
tempat lainnya atau status kesehatan masyarakat sekarang dengan masa
lampau.
4. Meramalkan status kesehatan masyarakat dimasa-masa mendatang.
5. Evaluasi proses, keberhasilan dan kegagalan suatu program kesehatan
atau pelayanan kesehatan yang sedang dilaksanakan
6. Keperluan estimasi tentang kebutuhan masyarakat terhadap pelayanan
kesehatan serta menentukan target tujuan
7. Keperluan penelitian dibidang kesehatan
8. Perencanaan dan system administrasi kesehatan
9. Keperluan publikasi ilmiah di media massa.
D. PERAN DAN FUNGSI STATISTIK.
Statistik memiliki Peranan dan fungsi sebagai berikut :
1. Sebagai ilmu
Ssebagai ilmu statistik berisi konsep dan metode pengumpulan data,
pengolahan data, penyajian data dan analisa data serta interpretasi data.
2. Membuat data berbicara
Statistik membuat data menjadi lebih mudah untuk dimengerti dan
membuat data menjadi lebih memiliki arti dengan merubah data menjadi
informasi melalui langkah-langkah statistik
3. Merancang penelitian sampai interpretasi hasil penelitian.
Didalam kegiatan penelitian statistik berperanan dalam merancang
pengumpulan data, pengolahan data, penyajian data dan analisa data
sampai dengan interpretasi data.
3
E. DIAGRAM PEMBAGIAN STATISTIK
Pembagian statistik secara sederhana dapat digambarkan sebagai berikut :
Gambar 1Diagram Pembagian Statistik
F. KONSEP/ ISTILAH DALAM STATISTIK
Didalam statistik terdapat beberapa konsep atau istilah yang harus dipahami
pengertiannya, yaitu :
1. Statistik Diskriptif :
Bagian dari ilmu statistik yang mengupas hanya mengenai penyusunan
data dan tabel serta pembuatan grafik dan hal lain yang tidak menarik
kesimpulan yang sifatnya umum (generalisasi) dan tidak digunakan untuk
melakukan peramalan ( prediksi ), penaksiran ( estimasi ) dan Uji
Hypotesis. Statistik diskriptif hanya memberikan gambaran dari
4
Data SampelDisusunDisajikanDianalisa
Statistik Diskriptif
StatistikInferens
EstimasiPrediksi
Uji Hipotesis
StatistikNon ParametrikParameter
Statistik Parametrik
sekumpulan data yang sudah diolah. Kedalaman gambaran yang
diberikan statistik diskriptif tergantung dari tujuan kajian/ penelitian.
2. Statistik Inferens :
Bagian dari ilmu statistik yang dapat menarik kesimpulan umum
( generalisasi) pada sesuatu kelompok dengan cara melakukan analisa
data yang diperoleh melalui observasi/ pengukuran terhadap sebagaian
anggota kelompok yang diperkirakan dapat mewakili kelompok secara
keseluruhan. Statistik inferens dapat digunakan untuk maksud peramalan
(prediksi) dan penaksiran (estimasi) serta melakukan uji hypotesis
3. Statistik Parametrik :
Statistik yang digunakan untuk sekumpulan data kuantitatif yang hasilnya
dapat menarik kesimpulan secara umum (generalisasi/ Inferensial).
Statistik Parametrik digunakan untuk data dengan skala interval atau ratio
yang diambil dari populasi yang berdidtribusi normal
4. Statistik Non parametrik :
Statistik yang digunakan untuk sekumpulan data kualitatif yang hasilnya
dapat menarik kesimpulan secara umum (generalisasi). Statistik non
parameterik digunakan untuk data dengan skala nominal atau ordinal.
Populasi tidak bebas dari distribusi, jadi tidak mempermasalahkan apakah
populasi berdistribusi normal atau tidak normal.
5. Parameter :
Karakteristik dan atau sifat dari suatu populasi.
Sebagai contoh :
( dibaca : Miu ) adalah nilai rata-rata pada populasi
σ ( dibaca : Tho ) adalah simpangan baku pada populasi
5
6. Statistik :
Karakteristik dan atau sifat dari sampel.
Sebagai Contoh :
x ( dibaca : Mean ) adalah nilai rata- rata pada sampel
SD ( Standard Deviasi ) adalah Simpangan baku pada sampel
7. Variabel :
Karakteristik atau sifat yang akan diukur atau diamati yang nilainya
bervariasi antara satu obyek dengan obyek lainnya.
8. Data :
Data merupakan bentuk jamak dari datum yang berarti angka/ bilangan/
nilai, jadi data adalah himpunan angka-angka atau nilai dari unit sampel
sebagai hasil dari mengukur atau mengamati dan bersifat agregat.
9. Agregate :
Keseluruhan kumpulan nilai-nilai observasi yang merupakan satu kesatuan
dan setiap nilai hanya mempunyai arti sebagai bagian dari keseluruhan
tersebut.
10. Raw data :
Data yang belum mengalami pengolahan ( Data mentah / masih asli )
11.Array :
Data yang sudah disusun dalam urutan tertentu (biasanya dari kecil ke
besar)
G. KEGIATAN STATISTIK
Kegiatan didalam statistik umumnya dibagi menjadi 4 tahapan yang bersifat
kronologis dan tidak dapat dipisahkansatu sama lain
6
1. Pengumpulan data,
Suatu kegiatan yang dilakukan untuk memperoleh data yang diharapkan
Paling tidak ada 4 ( empat ) cara yang dapat digunakan untuk
mengumpulkan data
a. Pengamatan/ Observasi, yaitu pengumpulan data dengan
menggunakan Panca Indera
b. Wawancara/ Interview, yaitu melakukan tanya jawab secara lisan dan
bertatap muka antara peneliti/ pewawancara dengan responden
c. Angket, yaitu menyebarkan daftar isian untuk diisi oleh responden
d. Pengukuran, yaitu melakukan penilaian sesuai dengan standar
2. Pengolahan data,
Proses yang dilakukan untuk merubah data menjadi informasi agar data
menjadi lebih mudah dimengerti dan lebih memberi arti.
Langkah-langkah pengolahan data adalah :
a. Editing, yaitu pemeriksaan alat pengumpul data untuk melihat
kelengkapan data yang dikumpulkan
b. Coding, yaitu pemberian kode-kode tertentu untuk untuk membuat
pengelompokan tertentu dan memudahkan didalam pengolahannya
c. Cleaning, yaitu pemeriksaan kembali data yang sudah siap dianalisa,
apakah semua data sudah masuk secara lengkap atau belum.
d. Pengolahan data, yaitu menerapkan prinsip-prinsip statistik terhadap
data yang telah dikumpulkan
3. Penyajian Data,
Suatu kegiatan menampilkan data agar lebih mudah di analisis dan lebih
mudah untuk dimengerti
7
4. Analisa/ Interpretasi data
Telaahan data dengan menggunakan prinsip-prinsip statistik dengan tujuan
merubah data menjadi informasi untuk menarik suatu kesimpulan .
8
BAB IIDATA DAN SKALA PENGUKURAN
Data merupakan kumpulan fakta yang digunakan untuk keperluan analisa,
diskusi, presentasi ilmiah maupun uji statistik. Data dapat berupa status,
keterangan dan hal lainnya yang dikumpulkan secara individu maupun
institusional.
A. SYARAT DATA:
Data data yang dikumpulkan haruslah data yang baik dan data yang baik
harus memenuhi beberapa persyaratan sebagai berikut :
1. Obyektif
Data yang baik harus menggambarkan karakteristik yang diukur apa
adanya (sesuai faktanya), tidak boleh ada intervensi atau rekayasa apapun
terhadap data karena akan menghasilkan informasi yang salah.
2. Representatif
Data harus dapat mewakili keadaan sebenarnya darimana data berasal.
Sebagai contoh apabila kita ingin meneliti status Gizi Balita dengan metode
Antophometri, maka kita jangan melakukan pengukuran terhadap anak SD.
3. Kesalahan sekecil mungkin
Data yang baik diperoleh dari pengumpulan data dengan kesalahan sekecil
mungkin. Untuk menekan tingkat kesalahan dapat dilakukan dengan
memberikan training/ pelatihan kepada petugas pengumpul data agar
mempunyai persepsi dan pengertian yang sama tentang data yang akan
dikumpulkan.
9
4. Up To Date
Data yang baik untuk digunakan haruslah data terbaru (mutakhir) dan data
terbaru bukan berarti harus baru diambil dilapangan pada saat penelitian
karena penelitian dengan menggunakan data sekunder tidak melakukan
pengambilan data dilapangan, maka data terbaru dalam penelitian
menggunakan data sekunder berarti menggunakan data yang diambil yang
paling terakhir. Misalnya terdapat data sekunder hasil pengumpulan data
tahun 1998, 1999 dan tahun 2000, maka data yang sebaiknya digunakan
adalah data tahun 2000 walaupun data tersebut diperoleh 2 tahun yang
lalu, tetapi dibandingkan dengan data sekunder lainnya data tahun 2000
merupakan data terbaru.
5. Relevan
Data yang akan diolah harus merupakan data yang sesuai dengan tujuan
penelitian. Sebagai contoh penelitian mengenai obesitas (kegemukan)
dilakukan pengukuran terhadap tinggi badan dengan asumsi semakin
tinggi badan seseorang maka akan semakin berat badannya. Hal seperti
ini tidak dapat dibenarkan, bila ingin mengukur obesitas gunakanlah
timbangan untuk memperoleh data berat badan.
6. Valid
Data yang diperoleh harus benar-benar berasal dari sumbernya. Terdapat
dua macam validitas data yaitu validitas eksternal dan validitas internal
Validitas eksternal data yaitu validitas yang dipengaruhi oleh sumber data,
misalnya ingin meneliti tentang kanker payudara tetapi didalam sample
penelitian terdapat laki-laki.
10
Validitas internal data dipengaruhi oleh petugas pemeriksa maupun alat
ukur yang digunakan, misalnya memeriksa Hb dalam darah menggunakan
Haemometer Sahli dan petugas pemeriksanya adalah seorang perawat,
maka validitas internal akan kurang karena sebaiknya alat yang digunakan
adalah spektrofotometer dan petugas pemeriksa adalah seorang analis.
B. MACAM-MACAM DATA
1. Menurut Jenisnya :
Menurut jenisnya data dibagi menjadi 2 bagian, yaitu :
a. Data Kualitatif,
Data yang bukan berupa bilangan atau angka misalnya pernyataan
setuju, tidak setuju, keterangan, pendapat seseorang, tingkat
pendidikan, jenis kelamin.
b. Data Kuantitatif,
Data dalam bentuk angka atau bilangan misalnya 50 Kg, 180 cm 24
mg/ liter dan sebagainya
Data Kuantitatif dapat dibagi menjadi dua bagian berdasarkan cara
memperolehnya
1) Data Diskrit, yaitu data dalam bentuk bilangan bulat yang diperoleh
dari hasil menghitung, misalnya jumlah anak, lama perwatan dll
2) Data Kontinyu, yaitu data dapat dalam bentuk bilangan bulat maupun
bilangan desimal yang diperoleh dari hasil mengukur, misalnya, 167,8
cm atau 56,4 kg dan sebagainya
11
2. Menurut Sumbernya:
Berdasarkan sumbernya data dapat dibagi menjadi 3 macam sebagai
berikut ;
a. Data Primer
Data primer dapat diartikan sebagai data yang dikumpulkan sendiri oleh
peneliti dari kelompok yang diteliti. Pada keadaan tertentu data primer
dapat diartikan sebagai data yang belum mengalami pengolahan,
penelitilah yang pertama kali mengolah data tersebut walaupun data
tersebut tidak dikumpulkan oleh peneliti secara langsung dari sumber
datanya.
b. Data Sekunder,
Data yang dimiliki oleh instansi tertentu dan digunakan oleh peneliti,
telah dilakukan pengolahan oleh pemiliknya tetapi tidak/ belum
dipublikasikan secara luas
Data sekunder dapat dibagi menjadi dua :
1) Data sekunder internal, yaitu data sekunder yang diperoleh dari
lingkungan sendiri.
2) Data sekunder Eksternal, yaitu data sekunder yang diperoleh dari
lingkungan luar .
c. Data tertier,
Data yang sudah diolah dan dipublikasikan kemudian digunakan oleh
peneliti, dengan kata lain data ini sudah berupa informasi.
Keuntungan dan Kerugian ketiga data menurut sumbernya adalah
sebagaimana tabel berikut :
12
Tabel 1KEUNTUNGAN DAN KERUGIAN DATA MENURUT SUMBERNYA
DATA KEUNTUNGAN KERUGIAN
PrimerTerbaik, karena sesuai dengan keinginan peneliti dan pengumpulan data dapat langsung dikontrol
Memerlukan waktu, biaya, dan tenaga yang besar
SekunderData sudah siap tersedia, Waktu, tenaga dan biaya relatif sedikit
Pengumpulan data tidak dapat dikontrol, dapat terjadi biasAda hal-hal yang dibutuhkan tidak terambil
TertierMudah memperoleh dan tidak memerlukan pengolahan lagi
Data sudah diproses tanpa dapat dikontrolHal-hal penting bisa banyak yang hilang.
C. SKALA PENGUKURAN
Didalam statistik dikenal 4 ( empat ) Skala pengukuran, yaitu : Nominal,
Ordinal, Interval dan Ratio ( NOIR ). Skala pengukuran sangat penting,
karena akan menentukan jenis data yang akan dikumpulkandan jenis statistik
yang akan digunakan untuk memperoleh hasil penelitian.
1. Nominal :
Merupakan skala pengukuran paling rendah, skala ini hanya dapat
membedakan saja, tidak dapat menentukan tingkatan, jarak maupun
kelipatannya. Contohnya jenis kelamin ( laki-laki – perempuan ) dan
Golongan darah ( A, B, AB, O )
2. Ordinal :
Adalah skala pengukuran yang dapat membedakan dan dapat melihat
tingkatan suatu nilai tetapi tidak diketahui jaraknya, misalnya tingkat
pendidikan (SD, SMP, SMU, Perguruan Tinggi).
13
3. Interval :
Adalah skala pengukuran yang dapat membedakan , terlihat tingkatannya
dan dapat diketahui jaraknya tetapi tidak dapat mengukur kelipatannya,
misalnya suhu, derajat keasaman, tekanan darah dan lainnya . Catatan
lain skala interval ini adalah mempunyai titik nol yang tidak absolut ( nol
relatif ).
Maksud dari Nilai nol relative adalah bahwa nilai nol memang merupakan
suatu nilai, misalnya suhu air O0 C bukan berarti air tidak mempunyai suhu.
Lain halnya dengan nol absolute dimana nilai nol berarti kosong atau tidak
bernilai, misalnya berat badan 0 kg berarti kosong atau tidak ada beratnya.
4. Ratio :
Skala ini merupakan skala pengukuranyang tertinggi karena , dapat
membedakan, terlihat tingkatannya, diketahui jaraknya dan dapat
mengukur kelipatannya, misalnya tinggi badan dan berat badan. Catatan
lain skala ini mempunyai nilai nol absolut
Untuk memudahkan didalam membedakan masing-masing skala pengukuran
ini dapat dipergunakan tabel berikut :
Tabel 2CIRI- CIRI TIAP-TIAP SKALA PENGUKURAN
CIRI – CIRI NOMINAL ORDINAL INTERVAL RATIO
Dapat Membedakan Ya Ya Ya Ya
Ada tingkatan Tidak Ya Ya Ya
Ada Jarak Tidak Tidak Ya Ya
Ada kelipatan Tidak Tidak Tidak Ya
Skala pengukuran yang lebih tinggi dapat diubah menjadi skala pengukuran
yang lebih rendah, tetapi skala pengukuran yang lebih rendah tidak dapat
14
diubah menjadi skala pengukuran yang lebih tinggi, mislnya berat badan
dalam kilogram (skala Ratio) dikelompokkan menjadi berat dan ringan (Skala
Ordinal), karenanya didalam pengumpulan data sebaiknya data dikumpulkan
dalam skala tertingginya. Misalnya data berat jangan dikumpulkan dalam
kategori berat dan ringan, tetapi dikumpulkan dalam kilogram agar tidak ada
informasi yang hilang.
D. PENGUMPULAN DATA
1. Metode Pengumpulan Data
Kegiatan pertama dari kegiatan statistik adalah pengumpulan data dimana
terdapat beberapa metode pengumpulan data yang biasanya dilakukan
dilakukan sesuai dengan sifat data yang akan dikumpulkan, yaitu :
b. Pengamatan.
Pengumpulan data dengan cara pengamatan adalah dengan
mempergunakan panca Indera, baik dengan cara memperhatikan secara
berulang dan terus menerus terhadap obyek/ sumber maupun dengan
menggunakan indra lainnya. Data yang diperoleh kemudian dilakukan
pencatatan dengan segera dengan menggunakan alat bantu seperti alat
pencatat, daftar isian (Chekck List) alat potret, alat perekam dan lain-lain.
Didalam pengamatan tidak dilakukan Tanya jawab, tetapi hanya melihat,
mendengar atau merasakan segala sesuatu yang berkaitan dengan data
yang akan dikumpulkan. Metode pengamatan ini dilakukan untuk data-
data yang dapat diamati secara langsung dilapangan.
15
Didalam daftar pengamatan kalimat yang tersusun dalam bentuk kalimat
pernyataan, bukan pertanyaan, misalnya Jarak Sumur gali dan jamban
keluarga 10 meter, Sampah Berserakan dan sebagainya.
Keuntungan dari metode pengamatan :
1) Data diperoleh langsung dilapangan
2) Data dapat dikontrol langsung oleh peneliti
3) Data yang diperoleh benar-benar berdasarkan fakta
4) Validitas dan Reliabilitas data tinggi
Kerugian metode ini adalah :
1) Memerlukan waktu yang lama
2) Memerlukan biaya yang cukup besar.
3) Memerlukan Tenaga Yang banyak
b. Wawancara
Salah satu metode pengumpulan data adalah dengan jalan wawancara,
yaitu memperoleh informasi dengan cara bertanya langsung kepada
responden. Cara ini paling banyak dilakukan di Indonesia, terutama
untuk penelitian yang berbentuk survai.
Wawancara merupakan suatu proses interaksi dan komunikasi,
karenanya hasil wawancara sangat ditentukan oleh beberapa factor yang
berinteraksi yaitu Pewawancara, Responden, Topik wawancara
(Penelitian) dan situasi wawancara.
Beberapa hal yang diharapkan dilakukan oleh Peawawancara agar
memperoleh hasil wawancara yang baik adalah sebagai berikut :
1. Menyampaikan pertanyaan kepada responden
2. Merangsang responden untuk memberikan jawaban
16
3. Menggalai jawaban lebih jauh
4. Mencatat jawaban responden
Metode pengumpulan data dengan cara melakukan Tanya jawab yang
biasa disebut sebagai wawancara dengan menggunakan daftar
pertanyaan atau kwesioner. Metode ini dipergunakan untuk data yang
tidak dapat diamati secara langsung
Keuntungan wawancara :
1)Relatif lengkap, akurat dan data konsisten
2)Pewawancara dapat megarahkan pertanyaan
3)Pertanyaan dijawab secara langsung
Kerugian wawancara :
1) Memerlukan waktu yang lama
2) Memerlukan biaya yang cukup besar.
3) Memerlukan Tenaga Yang banyak
4) Sikap Pewawancara dapat mempengaruhi jawaban.
c. Angket
Sama halnya dengan wawancara, Metode pengumpulan data ini
menggunakan daftar pertanyaan , bedanya pada wawancara pertanyaan
ditanyakan dan diarahkan oleh pewawancara dan responden
memberikan jawaban sedangkan pada angket daftar pertanyaan diisi
langsung oleh responden.
Keuntungan Angket :
1) Waktunya relatif cepat
2) Biaya lebih murah dari wawancara atau pengamatan
3) Tenaga Lebih sedikit
17
Kerugian angket :
1)Responden dapat salah persepsi
2)Pengisian tidak lengkap
3)Responden dapat mengisi semaunya.
d. Pengukuran
Pengukuran adalah Metode pengumpulan data dengan menggunakan
alat ukur, misalnya timbangan, meteran dan sebagainya.
Hal utama yang harus diperhatikan dalam metode pengukuran adalah
alat ukur yang valid dan reliable.
2. Alat Pengumpulan Data
Didalam pengumpulan data diperlukan alat pegumpulan data yang sesuai
dengan jenis data yang akan dikumpulkan, karenanya sebelum pelaksanaan
pengumpulan data perlu dilakukan inventarisasi jenis data untuk
menentukan alat pengumpulan data yang sesuai untuk digunakan.
a. Validitas dan Reliabiltas Alat Pengumpulan Data
Alat pengumpulan data yang digunakan harus valid dan reliable, karena
apabila alat pengumpulan data tidak valid dan reliable akan menghasilkan
data yang tidak sesuai dengan tujuan penelitian atau akan menghasdilkan
data yang salah.. Suatu alat pengumpulan data Dikatakan valid apabila
alat pengumpulan data tersebut sesuai dengan jenis data yang akan
dikumpulkan atau data dapat dikumpulkan dengan alat tersebut secara
baik dan benar.
Bila seseorang ingin mengumpulkan data berat badan, maka alat yang
harus digunakan adalah timbangan, karena timbangan memang
digunakan untuk mengukur berat badan, sedangkan untuk mengukur
18
tinggi badan harus menggunakan meteran, dengan demikian timbangan
dan meteran merupakan alat pengumpulan data yang valid. Apabila ingin
mengukur berat badan dengan menggunakan meteran maka alat
pengumpulan data tersebut tidak valid karena meteran bukan untuk
mengukur berat badan
Suatu alat pengumpuilan data dikatakan reliable apa bila alat
pengumpulan data tersebut digunakan berulang-ulang akan memberikan
hasil yang sama.
Sebagai contoh adalah dua orang yang ingin mengukur panjang
bangunan, orang pertama menggunakan meteran besi sedangkan orang
kedua menggunakan langkah kaki. Apabila dilakukan pengukuran
berulang-ulang maka data yang dihasilkan oleh orang pertama relatif
tetap sedangkan data yang dikumpulkan oleh orang kedua akan berubah-
ubah, dengan demikian alat pengumpulan data yang digunakan orang
pertama reliable sedangkan alat pengumpulan data yang digunakan oleh
orang kedua tidak reliable.
b. Macam-Macam Alat Pengumpulan Data
Didalam pengumpulan data terdapat beberapa macam alat pengumpulan
data
1) Daftar Pengamatan (Check List)
Daftar pengamatan adalah alat pengumpulan data yang digunakan
pada pengumpulan data dengan metode pengamatan. Didalam alat
ini terdapat pernyataan – pernyataan mengenai obyek yang diamati.
Didalam pembuatan daftar pengamatan dilakukan langkah-langkah
sebagai berikut :
19
a) Rumuskan masalah yang akan diteliti
b) Jabarkan rumusan masalah dalam obyek data yang akan
dikumpulkan
c) Buat item pernyataan yang sesuai dengan obyek pengamatan
2) Daftar Pertanyaan (Questioner/ Kwesioner)
Daftar pertanyaan adalah alat pengumpulan data yang digunakan
pada metode pengumpulan data dengan menggunakan metode
wawancara atau angket. Didalam kwesioner terdapat pertanyaan-
pertanyaan yang akan diajukan pada responden atau yang akan
diisi oleh responden dengan langkah-langkah pembuatan sebagai
berikut :
a) Rumuskan masalah yang diteliti
b) Jabarkan rumusan masalah dalam pernyataan-pernyataan
c) Buat pertanyaan berdasarkan pernyataan penjabaran rumusan
masalah
Dalam penyusunan Pertanyaan harus memperhatikan beberapa hal
sebagai berikut :
a) Pertanyaan mencakup tujuan penelitian, mudah ditanyakan dan
mudah diolah
b) Tiap pertanyaan hanya mengandung satu pokok pikiran dan tidak
luas
c) Pertanyaan disusun dengan menggunakan kalimat yang baik,
ringkas dan mudah dimengerti oleh responden
d) Pertanyaan tidak menimbulkan arti ganda
20
e) Untuk pertanyaan yang bersifat opini atau pendapat sebaiknya
dibuat pertanyaan terbuka
f) Susunlah pertanyaan dengan memperhatikan sequency
3) Alat pengukuran
Untuk pengumpulan data dengan cara melakukan pengukuran
digunakan alat pengukuran yang sesuai, misalnya berat badan
menggunakan timbangan, kadar Fe dalam air menggunakan
Spectrofotometer dan sebagainya.
Alat pengukuran yang digunakan hendaknya alat yang standart dan
telah dikalibrasi ulang sebelum digunakan.
F. PENGOLAHAN DATA
Kegiatan statistik yang kedua adalah pengolahan data yaitu suatu proses untuk
memperoleh suatu informasi dari raw data.
Kegiatan yang dilakukan didalam pengolahan data adalah :
1. Editing
Didalam pencatatan data biasanya masih mengandung hal yang perlu
dikoreksi sebagai akibat kesalahan pencatatan atau ketidak jelasan dalam
pencatatan, karenanya perlu dilakukan koreksi terhadap data.
Selain koreksi karena kesalahan dan ketidakjelasan pencatatan dilakukan
juga koreksi kesesuaian, misalnya status belum menikah tetapi pada
pertanyaan anak mempunyai anak 1 orang.
Koreksi ini dilakukan dengan tujuan agar data dapat diolah dengan baik dan
menghindari mengolah data yang salah, karena data yang salah akan
menghasilkan hasil pengolahan data yang salah.
21
2. Coding
Setelah dilakukan koreksi (Editing) terhadap data langkah selanjutnya
adalah pemberian kode atau tanda tertentu, biasanya menggunakan huruf
dan angka dan agar kode yang diberikan dapat dimengerti oleh orang lain
maka perlu dibuatkan buku kode.
3. Cleaning
Setelah diberikan kode selanjutnya dilakukan kegiatan pembersihan data,
hal ini dilakukan untuk memeriksa apakah didalam entri data terdapat
kesalahan yang dapat mempengaruhi hasil pengolahan data
G.PENYAJIAN DATA
Setelah data diolah data disajikan untuk dipublikasikan atau untuk
mempermudah didalam memahami hasil pengolahan data.
Ada tiga bentuk penyajian data yang umum digunakan :
1. Tulisan (Textular)
Penyajian secara textular biasanya digunakan untuk data yang jumlahnya
kecil dan memerlukan kesimpulan yang sederhana. Selain itu bentuk
textular biasanya digunakan untuk memberikan keterangan/ gambaran
keseluruhan prosedur dan kesimpulan
2. Tabel (Tabular/ Tabulasi)
Penyajian data yang paling sering digunakan adalah berbentuk tabel yang
terdiri dari beberapa baris dan kolom. Bentuk tabel ini digunakan untuk
memaparkan beberapa variable secara sekaligus tetapi mudah untuk
dimengerti.
22
a. Bentuk tabel
Ada beberapa bentuk tabel, yaitu :
1) Master tabel (Tabel Induk), yaitu tabel yang berisi semua hasil
pengumpulan data yang masih dalam bentuk mentah (Raw Data),
biasanya tabel ini disajikan dalam lampiran laporan.
2) Text tabel (tabel Rincian), yaitu tabel yang berisi uraian data yang
diambil dari tabel induk, misalnya berupa prosentase atau frekwensi
kumulatif.
Beberapa contoh text tabel adalah :
a) Distribusi Frekwensi
b) Distribusi relatif
c) Distribusi kumulatif
d) Tabel silang.
b. Bagian-Bagian Tabel
Tabel yang baik memiliki bagian-bagian sebagai berikut :
1) Nomor Tabel
2) Judul Tabel
3) Box Head (Kepala tabel termasuk kepala kolom)
4) Stub, yaitu badan tabel yang berisi penjelasan tiap kolom
5) Body, yaitu badan tabel yang berisi angka.
23
Contoh tabel yang baik adalah sebagai berikut :
Nomor Tabel
Judul Tabel
A B C
Box Head Jumlah
Stub
F
G
D
Body
E
Body
H
Jumlah
Gambar 2
Contoh Tabel
c. Penyajian Tabel
Didalam Menyajikan sebuah tabel perlu diperhatikan beberapa hal
sebagai berikut :
1) Judul tabel harus singkat, jelas dan lengkap. Sebaiknya dapat
menjawab apa, dimana dan kapan
2) Tiap tabel memiliki nomor tabel
3) Keterangan-keterangan tertentu yang tidak dapat dituliskan dalam
tabel
4) Apabila mengutip laporan orang lain perlu menuliskan sumbernya.
24
3. Gambar/ Grafik (Diagram)
Penyajian data lainnya adalah dalam bentuk gambar yang biasa disebut
garafik atau diagram. Penggunaan gambar dimaksudkan untuk
mempermudah pemahaman yang tidak dapat divisualisasikan oleh textular
maupun tabel.
a. Penyajian Gambar/ Grafik
Sama halnya dengan tabel, didalam menyajikan data menggunakan
gambar harus memperhatikan :
1) Judul gambar harus singkat, jelas dan lengkap. Sebaiknya dapat
menjawab apa, dimana dan kapan
2) Tiap gambar memiliki nomor gambar
3) Keterangan-keterangan tertentu yang tidak dapat dituliskan dalam
tabel
4) Sumber gambar apabila mengutip dari orang lain.
b. Macam-Macam Gambar/ Grafik
Terdapat bermacam-macam grafik atau diagram yang dapat digunakan
untuk penyajian data tergantung dari tujuan penyajian diantaranya
adalah sebagai berikut :
1) Diagram Batang (Bar Diagram)
Dalam tampilannya diagram batang dapat berbentuk horizontal
maupun vertical dan dipergunakan untuk membandingkan frekwensi
data diskrit dengan skala nominal maupun ordinal.
Dari cara menampilkan balok-balok diagram batang dapat dibagi
menjadi :
25
a) Single Bar, yaitu balok diagram terpisah sendiri sendiri
Pendidikan Responden
Tamat Perguruan Tinggi
Tamat SMATamat SMPTamat SDTidak Tamat SDTidak Sekolah
Perc
ent
30
20
10
0
Pendidikan Responden
Gambar 2
Singgle Bar
b) Multiple Bar, yaitu balok diagram bersinggungan
Gambar 3
Multiple bar
26
Gambar 4
Multiple bar
c) Sub Divided bar, yaitu balok diagram bertumpuk.
Pendidikan Responden
Tamat Perguruan
Tinggi
Tamat SMATamat SMPTamat SDTidak Tamat SD
Tidak Sekolah
Coun
t
25
20
15
10
5
0
Perempuanlaki-Laki
Jenis Kelamin Respoden
Gambar 5
Sub Divided Bar
27
2) Diagram Pinca/ Diagram Kue (Pie Diagram)
Pie diagram digunakan untuk menyajikan data diskrit dengan skala
nominal atau ordinal dengan tujuan menggambarkan proporsi dan
proporsi data disajikan dalam bentuk derajat.
Gambar 6
Pie Diagram
Gambar 7
Pie Diagram
3) Histogram
Histogram digunakan untuk menyajikan data kontinu dengan skala
interval atau ratio. Diagram ini bertujuan untuk menggambarkan
distribusi data hasil pengukuran.
28
Pendidikan Responden6420
Freq
uenc
y
25
20
15
10
5
0
Mean =3.22Std. Dev. =1.265
N =81
Gambar 8
Histogram
4) Diagram Pencar (Scatter Diagram)
Diagram pencar digunakan untuk menggambarkan dua variable
yang diperkirakan mempunyai hubungan, sumbu Y menggambarkan
variable Dependen dnsumbu X menggambarkan variable
independen.
Gambar 9
Scater Diagram
5) Diagram garis (Line Diagram)
Diagram garis dipergunakan untuk menggambarkan data diskrit
yang mengalami perubahan dari waktu kewaktu atau perubahan dari
satu tempat ketempat lain.
29
0
0,5
1
1,5
2
2,5
3
3,5
0 0,5 1 1,5 2 2,5 3
Y-Values
Y-Values
Gambar 10
Line Diagram
6) Pictogram
Penyajian data dengan pictogram adalah penyajian data dengan
menggunakan gambar yang sesuai dengan obyeknya, misalnya
untuk menggambarkan keadaan penderita penyakit jantung maka
menggunakan gambar jantung dan setiap gambar ditentukan
jumlahnya, misalnya satu gambar jantung sama dengan 10 orang
penderita penyakit jantung.
Penyajian dengan pictogram ini dapat menarik perhatian orang
untuk melihat data yang disajikan didalamnnya.
7) Diagram peta (Map/ Kartogram)
Diagram peta biasanya digunakan untuk menggambarkan
penyebaran suatu masalah pada suatu wilayah dan permasalahan
yang akan digambarkan ditunjukan langsung didalam peta.
8) Dan lain-lain
Masih ada penyajian data dengan menggunakan gambar lainnya
seperti Box Whisker Plot, pareto dan lainnya.
30
BAB IIIKOMBINASI DAN PERMUTASI
Kombinasi adalah sekumpuluan dari obyek dengan tanpa memperhatikan
bagaimana susunan atau urutan dari obyek-obyek tersebut.
A. KOMBINASI
1. Kombinasi Total
Merupakan kombinasi dari seluruh obyek yang ada
Contoh 1 :
Dari huruf A B C dapat dibuat berapa kombinasi ?
Jawab : A B C, Jadi hanya dapat dibuat 1 kombinasi
Contoh 2 :
Dari satu team bulutangkis yang terdiri dari 5 pemain Pria dan 3 pemain
wanita berapa pasangan ganda campuran yang dapat dibuat?
Jawab :
Misalkan : Pemain Pria : P1, P2, P3, P4, P5
Pemain Wanita : W1, W2, W3
Kemungkinan susunannya adalah sebagai berikut
P1 W1 P1 W2 P1 W3
P2 W1 P2 W2 P2 W3
P3 W1 P23 W2 P3 W3
P4 W1 P4 W2 P4 W3
P5 W1 P5 W2 P5 W3
31
Dari susunan tersebut diketahui ada 5 x 3 pasangan ganda campuran.
Dengan demikian dapat dibuat 15 pasangan ganda campuran
Contoh 3 :
Seseorang ingin membeli 3 buah buku yang terdiri dari 1 buah buku
Kesehatan Masyarakat, 1 buah buku statistik dan 1 buah buku Ilmu Gizi
Didalam toko buku terdapat 4 buah buku kesehatan masyarakat (A B C D),
3 buah buku statistik ( E F G ) dan 2 buah Ilmu Gizi ( H I ).
Berapakah kombinasi buku yang mungkin akan dipilih ?
Jawab : Kemungkinan kombinasi buku yang akan dipilih adalah :
AEH AEI AFH AFI AGH AGI BEH BEI
BFH BFI BGH BGI CEH CEI CFH CFI
CGH CGI DEH DEI DFH DFI DGH DGI
Jadi terdapat 24 kombinasi buku yang akan dipilih
Jumlah ini sama dengan : jumlah buku kesehatan masyarakat dikalikan
Jumlah buku statistik dikalikan jumlah buku komputer = 4 x 3 x 2 = 24
Dengan demikian dapat disimpulkan bila kombinasi hanya berasal dari 1
obyek maka hanya kan terdapat 1 kombinasi, tetapi bila kombinasi dari 2
obyek atau lebih maka banyaknya kombinasi sama dengan perkalian
jumlah masing-masing obyek.
Berapa kombinasinya bila dari ketiga obyek buku tersebut hanya akan
dipilih 2 buku saja ?
2. Kombinasi Bagian
Theorm : Jumlah Kombinasi n obyek yang setiap kali diambil r obyek
adalah :
32
n!
nCr = -------------------( n – r ) ! . r !
n = Jumlah keseluruhan obyek
r = bagian yang disyaratkan dalam kombinasi
nCr = Kombinasi r dari obyek yang berjumlah n
Contoh :
Seseorang diberikan kebebasan untuk memilih 4 buah buku dari 7 buah
buku yang tersedia, berapakah kombinasinya ?
Jawab :
Misalkan buku-buku tersebut adalah A B C D E F G
Kombinasinya adalah :
ABCD ABCE ABCF ABCG ABDE ABDF ABDG
ABEF ABEG ABFG ACDE ACDF ACDG ACEF
ACEG ACFG ADEF ADEG ADFG AEFG BCDE
BCDF BCDG BCEF BCEH BCEG BDEF BDEG
BDFG BEFG CDEF CDEG CDFG CEFG DEFG
Maka terdapat 35 kombinasi
Aplikasi rumus pada contoh diatas adalah sebagai berikut :
n! 7 x 6 x 5 x 4 x 3 ! 7 x 6 x 5 x 4 !nCr = ------------------- = ----------------------------- = ------------------------
( n – r ) ! . r ! ( 7 – 4 ) ! . 4 ! 3 ! . 4 !
7 x 6 x 5 = -------------------- = 35 kombinasi
3 x 2 x 1
33
B. PERMUTASI
Permutasi adalah susunan dari sekumpulan obyek dengan memperhatikan
susunan/ urutannya ( Kombinasi tidak memperhatikan susunan/ urutan ).
1. Permutasi Total
Rumus = n !
Contoh :
Berapakah Permutasi dari huruf A dan B
Jawab :
AB dan BA ------------ n ! = 2 x 1 = 2
Dalam permutasi AB dan BA adalah berbeda karena susunan/ urutannya
berbeda, AB dimulai dengan huruf A kemudian diikuti huruf B dan BA
dimulai dengan huruf B dan diikuti huruf A, sedangkan pada kombinasi AB
dan BA sama ( hanya 1 kombinasi ) karena kombinasi tidak
memperhatikan susunan/ urutan sehingga dalam AB atau BA hanya ada
Huruf A dan Huruf B, tidak mempersoalkan apakah huruf A atau B ada
didepan atau dibelakang.
2. Permutasi Bagian :
Theorm : Jumlah permutasi n obyek yang setiap kali diambil r obyek
adalah
n !nPr = ---------------
( n – r ) !
Contoh 1 :
34
Berapa permutasi A B C bila setiap kali diambil 2
Jawab :
AB AC BC BA CA CB = 6
Bila menggunakan rumus :
n ! 3 ! 3 x 2 x 1 nPr = --------------- = -------------- = -------------- = 6
( n – r ) ! ( 3 – 2 ) ! 1
Contoh 2 :
Berapa permutasi pada contoh soal Kombinasi Bagian
Jawab
n ! 7 ! 7 x 6 x 5 x 4 x 3 !nPr = --------------- = ------------- = --------------------------- = 840
( n – r ) ! ( 7 – 4 ) ! 3 !
Perhatikan :
Jumlah Kombinasi soal diatas = 35
Jumlah permutasi pilihannya ( 4 ) = 4 ! = 24
Jumlah permutasi bagian = 840 = 35 x 24
Jadi permutasi bagian = jumlah kombinasi x jumlah permutasi pilihan
C. PROBABILITAS
1. Pengertian :
Semua kejadian dialam selalu ada ketidak pastian, adanya statistik karena
adanya ketidak pastian tersebut sehingga kejadian dialam secara statistik
selalu dikatakan memiliki peluang (probabilitas) untuk terjadi atau tidak
terjadinya sesuatu atau peluang untuk keputusan secara statistik benar dan
35
peluang untuk salah. Dengan demikian probabilitas dapat diartikan sebagai
peluang untuk terjadi atau tidak terjadi suatu kejadian.
a. Konsep Klasik
Dalam konsep klasik probabilitas diartikan sebagai nilai yang menunjukan
besarnya kemungkinan suatu peristiwa terjadi diantara keseluruhan
peristiwa yang mungkin terjadi
Contoh :
1) Sebuah mata uang logam yang memiliki dua sisi ( A dan B ), jika mata
uang tersebut dilambungkan maka peluang sisi A untuk berada diatas
adalah ½ (setengah)
2) Sebuah dadu dengan mata enam, maka peluang untuk satu mata
dadu berada diatas dalam satu kali pelemparan adalah 1/6 (satu
mata dadu dibagi keseluruhan mata dadu)
Pendekatan konsep klasik ini adalah matematis atau teoritis dengan
rumus :
P (E) = X/N
P = Probabilitas
E = Event/ Kejadian
X = Jumlah kejadian yang diinginkan
N = Jumlah kejadian yang mungkin terjadi.
Contoh aplikasi probabilitas menurut konsep klasik adalah sbagai berikut:
Dalam suatu pabrik terdapat 30 orang pegawai perempuan dan 70 orang
laki-laki. Jika setelah makan siang akan ditanyakan pendapat pegawai
tentang makanan yang disajikan, maka peluang untuk terpilihnya pegawai
36
wanita yang akan memberikan pendapatnya adalah sebesar 0,3. Nilai
diperoleh dari 30 pegawai perempuan dibagi keseluruhan pegawai (100
pegawai).
b. Konsep Empiris/ Probabilitas relatif
Pengertian probabilitas menurut konsep empiris adalah peluang untuk
terjadi atau tidak terjadi suatu kejadian dengan berdasarkan pengalaman
yang pernah ada/ terjadi.
Distribusi probabilitas konsep empiris ini adalah distribusi relatif, karena
hasil dari pengalaman yang diperoleh merupakan prosentase.
Contoh :
Dari hasil pelemparan uang logam sebanyak 100 kali ternyata sisi A
berada diatas sebanyak 59 kali, maka dikatakan sisi A untuk berada
diatas pada stu kali pelemparan uang logam adalah sebesar 59 % atau
0,59.
Contoh aplikasi probabilitas konsep Empiris adalah sebagai berikut :
Berdasarkan hasil pencatatan pengunjung puskesmas pada tahun 2008
sebanyak 30 % pengunjung puskesmas datang dengan keluhan penyakit
saluran pencernaan. Bila saat ini datang seorang pengunjung
Puskesmas maka peluang orang yang datang tersebut dengan keluhan
sakit saluran pencernaan sebesar 0,3.
Dengan
KLASIK : Ratio Event dan Outcome
Contoh : Lemparan dadu dan Mata Uang
37
FREKWENSI RELATIF : percobaan berulang/ Pengalaman
Contoh Frekwensi Nosokomial dari 1.000 pasien
SUBYEKTIF : Berdasarkan Intuisi Individu
HUKUM PROBABILITAS
HUKUM KOMPLEMEN : P ( A’) = 1 – P ( A )
Contoh : Pelemparan Dadu
HUKUM PENJUMLAHAN :
MUTUALY EXCLUSIVE : P (A atau B) = P (A) + P (B)
Contoh : Pelemparan sebuah dadu, Pemberian ResEp Norvask atau Tensivask
(Amlodipin)
BERSYARAT : P (A atau B) = P (A) + P (B) – P (A dan B)
Contoh : Pelemparan dua dadu, Pemberian resep Ampisilin atau Kloramfenikol
HUKUM PERKALIAN :
38
MUTUALY EXCLUSIVE : P (A dan B) = P (A) x P(B)
BERSYARAT : P (B/A) = P (A dan B)/ P(A)
DISTRIBUSI PROBABILITAS
(Distribusi Teoritis).
Distribusi Probabilitas (Distribusi Teoritis) merupakan suatu alat untuk
menentukan apa yang kita harapkan apabila asumsi-asumsi yang kita buat benar,
selain itu distribusi teoritis dapat digunakan sebagai pengganti suatu observasi/
eksperimen dan hal ini penting sekali karena untuk membuat distribusi yang
sebenarnya melalui observasi atau eksperimen sangat mahal harganya atau sulit
untuk melakukannya.
Pemahaman mengenai beberapa distribusi teoritis akan meningkatkan
kemampuan seseorang untuk membaca atau mengartikan hasil karya ilmiah pada
setiap bidang ilmu pengetahuan karena setiap perubahan nilai suatu variabel
umumnya mengikuti suatu distribusi tertentu dan apabila sudah diketahui jenis
distribusinya maka akan dapat diketahui nilai probabilitas yang terjadi.
Ada beberapa macam Distribusi Probabilitas (Distribusi Teoritis)
* Distribusi Binomial (Bernaulli)
* Distribusi Poison
* Distribusi Normal (Gauss)
39
* Distribusi Student (Distribusi t)
* Distribusi Chi Square (Distribusi X2)
* Distribusi Fisher ( Distribusi F)
1. DISTRIBUSI BINOMIAL (BERNAULLI)
Suatu percobaan dikatakan percobaan Binomial bila memenuhi syarat:
a. Jumlah trial merupakan bilangan bulat (diskrit)
b. Setiap trial dikotomus atau hanya memiliki 2 (dua) hasil yaitu sukses atau
gagal
c. Peluang sukses pada setiap trial sama
d. Setiap trial saling bebas (independent) satu sama lain.
Dalam suatu trial/ percobaan , peluang untuk sukses = p dan peluang untuk
gagal = 1 – p, misalnya peluang keluarnya mata 4 pada pelemparan dadu
satu kali = 1/6, peluang keluarnya bukan mata 4 = 1 – 1/6 = 5/6.
Contoh lainnya jumlah Rumah Makan yang tidak memenuhi syarat
bakteriologis alat makan dalam suatu pemeriksaan adalah 10 Rumah Makan
dari 100 Rumah Makan yang diperiksa, maka peluangnya adalah 10/100 = 0,1
dan peluang rumah makan untuk memenuhi syarat bakteriologis alat makan
adalah 1 – 0,1 = 0,9
Jika suatu trial dilakukan sebanyak n kali ( n = 1,2 … n) maka jumlah sukses
dari variable random X memiliki kemungkinan nilai 0 sampai n (0,1,2,… n) kali.
40
Probabilitas untuk sukses pada setiap trial adalah = p
RUMUS UMUM
n !
p = ------------------ x Px . Qn-x
X ! . (n – X) !
n = Seluruh Trial
X = Jumlah Trial Sukses yang diinginkan
P = Probabilitas Untuk Sukses
Q = Probabilitas tidak suskses ( 1 – P )
Contoh :
Probabilitas sebuah Sumur Gali untuk memenuhi syarat bakteriologis adalah
0,2. Jika ada 5 Sumur Gali, berapa peluang 2 Sumur Gali memenuhi syarat
bakteriologis ?
5 ! 5x4x3x2x1
p = -------------- x 0,22 . 0,85-2 = ----------------- x 0,4 . 0,512
2 ! (5-2) ! 2x1 (3x2x1)
= 10 x 0,4 . 0,512 = 0,2048
Berapa Peluang :
- 1 sampai 3 Sumur Gali memenuhi syarat bakteriologis
41
- 1 Sumur Gali tidak memenuhi syarat bakteriologis
- Semua Sumur Gali memenuhi syarat bakteriologis
2. DISTRIBUSI POISON
Distibusi poison sebenarnya sama dengan distribusi binomial, yaitu setiap trial
adalah dikotomus (Sukses atau Gagal) perbedaannya adalah peluang sukses
pada binomial tidak terlalu kecil dan jumlah trial tidak besar, sedangkan pada
distribusi poison peluang sukses sangat kecil dan jumlah trial sangat besar.
Selain itu distribusi poison juga berhubungan dengan waktu.
RUMUS UMUM
µx . е - µ
P = ---------------
X !
P = Probabilitas Kejadian
е = Konstanta = 2,71828 = 2,7183
µ = Raya-rata kejadian = n x P
X = Jumlah kejadian
Contoh
Peluang seseorang terinfeksi Demam Beradarah adalam satau hari adalah
0,0005, bila disuatu daerah terdapat 4.000 orang, berapa peluang 3 orang akan
terinfeksi DBD ?
µ = 0,0005 x 4.000 = 2
23 . 2,7183 – 2 8 . 0,1353 1,0827
P = ------------------ = ------------------ = ------------ = 0,1804
3x2x1 6 6
42
Berapa peluang 5 orang akan terinfeksi ?
Berapa peluang 2 orang akan terinfeksi ?
3. DISTRIBUSI NORMAL (GAUSS)
Distribusi normal adalah distribusi teoritis yang paling banyak digunakan
didalam analisa statistic dan digunakan untuk variable random kontinyu.
Bentuk dari kurva normal Simetris dan seperti lonceng serta landai.
Kurva normal digunakan untuk mencari besarnya peluang kejadian variable
kontinyu yang diinginkan dengan Luas dari kurva normal merupakan suatu
probabilitas yang seluruhnya = 1, dengan demikian satu sisi dari kurva normal
baik dari sisi kiri maupun sisi kanan sampai nilai rata-rata (ditengah-tengah
kurva normal) = 1 : 2 sisi = 0,5.
Rumus Umum
X – μ X - XZ = =
σ SD
Z = Deviasi relative, yaitu nilai yang akan ditransformasikan menjadi besar
peluang pada table Z
X = Nilai yang akan dicari besar peluangnya
μ = Nilai rata-rata populasi
σ = Simpangan baku populasi
X = Rata-rata sampel
SD = Simpangan Baku Sampel (Standart Deviasi)
Contoh
Suatu penelitian terhadap 150 Perusahaan didapatkan rata-rata kadar BOD5 =
215 mg dan simpangan baku (SD) = 45 mg . Hitunglah peluang untuk
mendapatkan satu perusahaan yang kadar BOD5 nya:
43
a. > 250 mg b.< 200 mg c. Antara 200 – 250 mg
Penyelesaian.;
X – X 250 – 215 35
a. Z = = = = 0,76
SD 45 45
P = 0,2236
Untuk mengetahui berapa besar peluang kejadian yang diinginkan maka
nilai Z hasil perhitungan ditransformasikan menjadi nilai peluang (probabilitas)
dengan mempergunakan table Z. Apabila table Z yang digunakan adalah table Z
one tail maka nilai yang tercantum didalam table tersebut maksimum hanya 0,5
(hanya satu sisi/ setengan luas kurva) tetapi bila table Z yang digunakan two tail
maka nilai dalam table merupakan seluruh luas kurva (maksimal = 1).
Pada kasus ini yang digunakan adalah table Z one tail dan untuk
memperoleh berapa besar peluang (nilai P) kejadian yang diinginkan lakukan
langkah-langkah berikut ini :
1. Lihat nilai 0,7 pada kolom paling kiri dan 0,06 pada baris paling atas.
2. Lihat nilai yang ada pada pertemuan nilai 0,7 dan 0,06 ( didapat
0,2764)
3. Karena table Z yang digunakan one tail maka selisih nilai satu sisi kurva
dengan nilai tersebut (0,5 – 0,2764)
4. Diperoleh besar peluang kejadian yang diinginkan (0,2236)
44
Perlu diingat bahwa nilai 0,2764 yang tecantum dalam table adalah
besarnya peluang dari nilai rata-rata sampai dengan nilai kejadian (215 mg %
sampai 250 mg %) sedangkan kejadian yang ingin diketahui peluangnya adalah >
dari 250 mg %, karena setengan dari kurva (satu sisi kurva) adalah 0,5 maka
untuk peluang kejadian adalah setengah kurva dikurangi nilai hasil tranformasi
nilai Z.
X – X 200 – 215 15
b. Z = = = = 0,33
SD 45 45
P = 0,3707
Cara yang digunakan untuk mengetahui besar peluang kejadian pada
kasus b sama dengan cara yang digunakan untuk mencari besar peluang pada
kasus a
X – X 200 – 215 15
c. Z1 = = = = 0,33
SD 45 45
P1 = 0,1293
X – X 250 – 215 35
Z2 = = = = 0,76
SD 45 45
45
P2 = 0,2764
Maka besarnya peluang kejadian = P1 + P2 = 0,1293 + 0,2764 = 0,4058
Berbeda dengan kasus a dan b, pada kasus c kita harus mencari dulu
Peluang (P1)nilai terendah sampai nilai rata-rata, kemudian kita mencari peluang
(P2) nilai rata-rata sampai nilai tertinggi, kemudian kedua peluang itu dijumlahkan.
4. Distribusi Student (t)
Distribusi ini termasuk didalam kelompok distribusi normal dan
penggunaannya hampir sama dengan distribusi normal, perbedaannya distribusi t
digunakan pada jumlah pengamatan/ pengukuran yang kecil ( < 30 ) dan
distribusi normal pada jumlah pengamatan > 30.
Tabel distribusi t berbeda dengan distribusi normal, bila pada distribusi
normal menggunakan tabel Z maka pada distribusi t menggunakan table t
5. DISTRIBUSI FISHER ( F )
Distribusi Fisher digunakan untuk menguji variasi dari beberapa kelompok
data (lebih dari dua kelompok) apakah ada perbedaan antara kelompok-
kelompok data tersebut satu dengan lainnya. Tabel yang digunakan adalah table
F
6. DISTRIBUSI CHI SQUARE ( X 2 )
Distribusi Chi Square sangat berguna untuk pengujian hipotesis mengenai
varians dan untuk menguji ketepatan penerapan (Test oodnessof Fit) pada data
46
hasil observasi. Pada uji Chi Square biasanya digunakan untuk data kategori
yang bersifat dikotomus dan table yang digunakan adalah table Chi Square.
47
BAB IV
POPULASI DAN SAMPEL
Hampir Didalam setiap penelitian terdapat populasi yang diteliti dan seringkali
dilakukan pengambilan sampel dengan berbagai pertimbangan, baik
pertimbangan biaya, waktu maupun karena populasi yang luas atau karena tidak
mungkin seluruh populasi diteliti.
Untuk memahami pengambilan sampel yang baik perlu dipahami terlebih dahulu
latar belakang perlunya dilakukan pengambilan sample sehingga dalam
pengambilan sampel tidak dilakukan secara sembarangan , tetapi memenuhi
kaidah-kaidah tertentu.
A. POPULASI
Pengertian dari populasi atau Universe adalah keseluruhan dari unit analisis
yang karakteristiknya akan diduga (diteliti} dan anggota dari populasi disebut
sebagai unit populasi atau elemen populasi
Populasi dapat dibedakan antara populasi sampling dan populasi sasaran.
Sebagai contoh apabila kita menetapkan rumah tangga sebagai sample
sedangkan yang diteliti adalah anggota rumah tangga yang mengikuti program
KB, maka rumah tangga merupakan populasi sampling dan anggota rumah
tangga yang mengikuti KB merupakan populasi sasaran.
Dalam setiap penelitian, populasi erat hubungannya dengan masalah yang
ingin diteliti karena populasi penelitian harus memiliki karakteristik dari apa
yang akan diteliti.
48
B. SAMPEL
Sampel adalah sebagian dari populasi yang karakteristiknya diteiti. Anggota
sample disebut sebagai unit sample dan dapat sama dengan unit populasi,
tetapi dapat juga unit sample berbeda dengan unit populasi. Sebagai contoh
adalah penelitian mengenai pola makan bayi, maka unit populasinya adalah
bayi sedangkan unit sampelnya adalah ibu bayi, karena ibu bayi yang tahu
mengenai pola makan bayinya dan tidak mungkin menanyai bayi mengenai
pola makannya.
1. Alasan Pengambilan Sampel
Alasan-alasan dilakukannya pengambilan sample adalah sebagai berikut :
a. Adanya populasi yang sangat besar dan tidak terbatas (infinite
population) yang tidak mungkin diperiksa atau diukur karena memerlukan
biayayang besar dan waktu yang lama.
b. Karena homogenitas, yaitu keadaan populasi yang homogen sehingga
tidak semua unit populasi diperiksa karena akan membuang waktu dan
biaya sedangkan variable yang akan diteliti dapat terwakili oleh sebagaian
populasi saja.
c. Menghemat biaya, waktu dan tenaga
d. Ketelitian/ ketepatan pengukuran pada jumlah yang sedikit akan lebih
baik dari jumlah yang banyak.
e. Populasi yang tidak mungkin diteliti semuanya
f. Penelitian yang bersifat detruktif (menghancurkan)
Berdasarkan alasan-alasan tersebut maka dilakukanlah pengambilan sample.
49
2. Design Sampling
Sample yang diambil harus dapat menggambarkan populasinya, dengan
kata lain sample yang diambil harus menggambarkan karakteristik
populasinya, sehingga diperlukan persyaratan sample yang ideal ( Design
Sampling) sebagai berikut :
a. Dapat menghasilkan gambaran yang tepat mengenai karakteristik
populasinya.
b. Dapat menentukan presisi (ketepatan) dari hasil penelitian.
c. Sederhana dan mudah dilaksanakan
d. Dapat memberikan keterangan sebanyak mungkin dengan biaya
serendah mungkin
e. Jumlah sample harus dapat dipakai untuk keperluan generalisasi pada
populasi
3. Sampling Frame
Sebelum menetapkan sample diperlukan Kerangka Sampel (Sampling
Frame), yaitu daftar dari semua unsur sample dalam populasi, daftar ini
dapat berupa daftar nama, daftar bangunan atau sebuah peta dengan
penggambaran unit-unit yang sangat jelas.
Syarat yang harus dipenuhi oleh kerangka sampling adalah :
a. Harus meliputi seluruh unit populasi
b. Tidak ada unit populasi yang dihitung dua kali
c. Harus Up to date
d. Batas-batasnya harus jelas
e. Harus dapat dilacak dilapangan.
50
4. Langkah Pengambilan Sampel
Dalam proses pengambilan sample terdapat beberapa langkah yang harus
dilalui, yaitu :
a. Menetapkan populasi
b. Menyusun Kerangka sampling
c. Seleksi Metode sampling
d. Menetapkan Besar sampel
e. Mempersiapkan Rencana pengambilan sampel
f. Memilih Sampel
5. Pembagian Sampel
Secara umum pengambilan sampel dibagi menjadi dua bagian, yaitu Non
Probability Sampling dan Probability Sampling (Random Sampling). Non
probability sampling adalah pengambilan sample tidak secara acak, tetapi
lebih didasarkan kepada pertimbangan-pertimbangan tertentu sedangkan
probability Sampling adalah pengambilan sample secara acak (random).
a. Non Probability Sampling
Beberapa macam Non probability sampling adalah sebagai berikut :
1) Convenience sampling, Yaitu memilih sample sesukanya tanpa ada
aturan, misalnya melakukan wawancara terhadap siapa saja yang
ditemui dijalan
2) Quota Sampling, yaitu menentukan sample dengan menentukan
jumlahnya, misalnya seorang pewawancara harus mendapatkan
sepuluh responden.
3) Jugement sampling, yaitu memilih sample dengan proses seleksi
bersyarat, misalnya penderita hipertensi yang merokok.
51
4) Panel sampling, yaitu memilih sample semi permanent uantuk
keperluan studi berkelanjutan.
b. Probability Sampling
Pengambilan sampel secara acak dibagi menjadi lima macam, yaitu :
1) Simple Random Sampling (Sampel Acak Sederhana)
Pengambilan sample ini menggunakan alat Bantu berupa tabel random
atau komputer untuk menentukan darimana pengambilan sample
dimulai.
2) Systematic Random sampling (Sampel Acak sistematik)
Hampir sama dengan simple random sampling, bedanya ditentukan
dulu kelipatannya berdasarkan jumlah populasi dibagi jumlah sample
kemudian sample pertama ditentukan lalu sample berikutnya
merupakan kelipatannya.
3) Stratified Random Sampling.
Populasi penelitian dibagi terlebih dahulu kedalam strata yang tersedia.
Misalnya jenis kelamin berarti ada dua strata atau bila populasi murid
SD maka akan ada 6 strata lalu besar sample ditentukan dan untuk
masing-masing strata memiliki jumlah yang sama.
4) Cluster Random Sampling
Cara ini lebih diarahkan kepada pembagian wilayah dengan isi masing-
masing wilayah memiliki karakteritik yang sama. Didalam
pelaksanaannya dilakukan pemetaan terhadap suatu wilayah dengan
membagi wilayah tersebut menjadi beberapa bagian (Cluster).
52
5) Multy Stage Random sampling
Cara pengambilan sample bertingkat, biasanya berdasarkan
pembagian wulayah kerja atau pemerintahan, misalnya dari propinsi
menjadi kabupaten lalu menjadi kecamatan dan akhirnya sample
diambil pada desa.
C. BESAR SAMPEL
Untuk menentukan besar sampel probability tidak dapat dilakukan dengan
sesuka hati tetapi memerlukan perhitungan besar sampel agar besar sampel
yang diperoleh dapat digunakan untuk inferensial.
1. Besar Sampel Survey
a. Estimasi Proporsi Presisi Mutlak
2. Dalam melakukan penelitian seringkali peneliti ingin mengetahui proporsi
suatu kejadian, seperti cakupan imunisasi campak di Kabupaten Bogor,
Prevalensi Anemia pada Ibu Hamil di Kabupaten Tangerang dan
sebagainya.
Untuk keperluan penelitian tersebut diperlukan sampel yang besarnya
berdasarkan rumus berikut :
Z2 . P (1 – P) n = ---------------------------
d2
n = Besar sampel
Z = Nilai Z pada Confidence Level ( CL ) tertentu
Bila CL 90 % maka Z = 1,64
Bila CL 95 % maka Z = 1,96
Bila CL 99 % maka Z = 2,58
53
P = Proporsi kejadian pada populasi
d = Presisi mutlak = simpangan sampel terhadap populasi
Contoh Aplikasi:
Kepala Dinas Kesehatan Kabupaten Tanggamus ingin mengetahui
prevalensi anemia pada ibu hamil. Berdasarkan informasi hasil survey
Propinsi Lampung diketahui prevalensi anemia pada kehamilan sebesar
62 %. Berapa jumlah sampel yang dibutuhkan jika presisi yang
dinginkan sebesar 10 % dan derajat kepercayaan 95 %
Jawab :
Z2 . P (1 – P) 1,962 . 0,62 ( 1 – 0,62 ) 3,8416 x 0,62 x 0,38n = --------------------------- = -------------------------------- = ----------------------------
d2 0,12 0,01
0,9051n = --------------- = 90,51 = 91 ibu hamil
0,01
a. Estimasi Proporsi Presisi Relatif
Pada estimasi proporsi presisi mutlak, presisi sebesar 10 % merupakan
angka mutlak sedangkan pada estimasi presisi relatif, presisi 10 %
merupakan angka relatif, yaitu presisi dari proporsi pada populasi
Pada contoh diatas proporsi anemia sebesar 62 %, bila menggunakan
presisi mutlak diharapkan proporsi anemia berkisar antara 52 % – 72 % ( +
10 % proporsi populasi atau 62 % - 10 % sampai 62 % + 10 % ).
Pada presisi relatif diharapkan proporsi anemia berkisar antara 53,8 % -
68,2 % ( + 10 % dari proporsi populasi atau 62 % - ( 62 x 0,1 ) sampai 62
% + ( 62 % x 0,1 ).
54
Untuk memperoleh besar sampel estimasi proporsi dengan presisi relatif
digunakan rumus sebagi berikut :
1 - Pn = Z2 . --------------
Є2 x P
n = Besar Sampel
Z = Nilai Z pada Confidence Level ( CL ) tertentu
P = Proporsi kejadian pada populasi
Є = Presisi relatif
Bila contoh kasus estimasi proporsi presisi mutlak dihitung dengan estimasi
presisi relatif sebesar 10 %, maka didapat perhitungan sebagai berikut :
1 – P 1 – 0,62 0,38n = Z2 .x -------------- = 1,962 ----------------- = 3, 8416 x ------------------
Є2 x P 0,12 x 0,62 0,01 x 0,62
n = 3,8416 x 61,2903 = 235, 45, Besar Sampel = 236
c. Estimasi Beda Dua Proporsi
Beda populasi dalam populasi pada penelitian epidemiologi disebut juga
sebagai beda resiko. Untuk besar sampel estimasi beda dua proporsi
pada populasi digunakan rumus sebagai berikut :
Z2 [ P1 (1 – P1) + P2 (1 – P2) ]n = -----------------------------------------
d2
n = Besar Sampel
Z = Nilai Z pada Confidence Level ( CL ) tertentu
P1 = Proporsi kejadian kelompok 1 pada populasi
P2 = Proporsi kejadian kelompok 2 pada populasi
d = Presisi mutlak
55
Contoh aplikasi 1 :
Dari hasil penelitian dinegara lain diperoleh hasil bahwa ibu yang
menderita hypertensi memiliki resiko 18 % untuk melahirkan bayi BBLR,
sedangkan ibu yang tidak hypertensi memiliki resiko 10 % untuk
melahirkan bayi BBLR.
Estimasi beda resiko adalah : 18 % - 10 % = 8 %. Jika seorang peneliti
ingin melakukan penelitian yang sama dan menginginkan presisi 5 %
dengan derajat kepercayaan 95 %, berapa besar sampelnya ?
Z2 [ P1 (1 – P1) + P2 (1 – P2) ]n = ----------------------------------------- =
d2
1,962 [ 0,18 ( 1 – 0,18 ) + 0,1 ( 1 – 0,1 ) ]= ------------------------------------------------------------
0,022
3,8416 ( 0,18 x 0,82 + 0,1 x 0,9 ) 3,8416 ( 0,1476 + 0,09 )= -------------------------------------------------- = ----------------------------------
0,0004 0,0004
3,8416 x 0,2376 0,91276= ------------------------------ = ------------------ = 2281,6
0,0004 0,0004Jadi diperlukan 2282 ibu hamil yang menderita hypertensi dan 2282 ibu
hamil yang tidak menderita hypertensi untuk dapat mendeteksi besar
resiko 8 % + 2 % atau 6 % - 10 %
Contoh aplikasi 2 :
Karena ibu hamil yang menderita hypertensi lebih sulit ditemui, peneliti
ingin menggunakan sampel ibu hamil yang tidak menderita hypertensi 5
kali lebih banyak dari ibu hamil yang menderita hypertensi. Untuk itu
digunakan rumus sebagai berikut :
Z2 [ kP1 (1 – P1) + P2 (1 – P2) ]n = -----------------------------------------
kd2
56
n = Besar Sampel
Z = Nilai Z pada Confidence Level ( CL ) tertentu
K = Kelipatan besar sampel P2
P1 = Proporsi kejadian kelompok 1 pada populasi
P2 = Proporsi kejadian kelompok 2 pada populasi
d = Presisi mutlak
Z2 [ kP1 (1 – P1) + P2 (1 – P2) ]n = ----------------------------------------- =
kd2
1,962 [ 5 x 0,18 ( 1 – 0,18 ) + 0,1 ( 1 – 0,1 ) ]= ----------------------------------------------------------------
5 x 0,022
3,8416 ( 5 x 0,18 x 0,82 + 0,1 x 0,9 ) 3,8416 ( 5 x 0,1476 + 0,09 )= ----------------------------------------------------- = -------------------------------------
5 x 0,0004 0,002
3,8416 x 0,738 + 0,09 3,8416 x 0,828 3,1808= ------------------------------------- = ----------------------- = -------------------
0,002 0,002
2. Besar Sampel Survey
Rumus Umum
Z2 x P ( 1 – P ) Nn = ------------------------------------------------
d2 (N – 1) + Z2 x P ( 1 – P )
Contoh
Penelitian pendahuluan pada 50 orang pekerja disatu perusahaan
memperoleh hasil 30 orang menderita anemia. Pada perusahaan tersebut
terdapat 3.000 karyawan.Berapa besar sampel bila peneliti ingin
mengetahui prevalensi anemia pada perusahaan tersebut dengan
simpangan maksimum 5 % dengan derajat kepercayaan 95 %
Z2 x P ( 1 – P ) Nn = ------------------------------------------------
d2 (N – 1) + Z2 x P ( 1 – P )
1,962 x 0,6 ( 1 – 0,6 ) 3000
57
n = -------------------------------------------------------------0,052 (3000 – 1) + 1,962 x 0,6 ( 1 – 0,6 )
3,8416 x 0,6 x 0,4 x 3000n = ----------------------------------------------------
0,0025 x 2999 + 1,962 x 0,6 x 0,4
2765,592 2765,592n = ----------------------------- = ------------------ = 328,5 = 329 7,4975 + 0,92194 8,41984
Bila jumlah populasi diketahui hendaknya besar sampel memperhitungkan
faktor koreksi dan drop out.
Misalkan populasi ibu hamil Kabupaten Tanggamus sebnyak 3000 orang,
maka perhitungan besar sampel dilanjutkan sebagai berikut :
Besar Sanpel dengan faktor koreksi :
nn’ = -----------------
n 1 + ------
N
n’ = Besar Sampel setelah faktor koreksi
n = Besar Sampel hasil perhitungan
N = Besar Populasi
n 91 91 91n’ = ----------------- = ---------------------- = ---------------- = ----------
n 91 1 + 0,03 1,03 1 + ------ 1 + ------------
N 3.000
= 88,35 = 89 ibu hamil
Setelah besar sampel dengan faktor koreksi didapat, maka perhitungan
dilanjutkan dengan memperhitungkan faktor drop out
58
1n* = n’ - --------------
1 – F
n* = Besar Sampel setelah drop out
n’ = Besar Sampel dengan faktor koreksi
F = Drop Out ( ditetapkan oleh peneliti ), misalkan 10 %
1 1 1n* = n’ - -------------- = 89 ------------ = 89 ------- = 89 x 1,1
1 – F 1 – 0,1 0,9
= 98,88 = 99 ibu hamil
Maka besar sampel untuk penelitian tersebut sebanyak 99 orang ibu hamil
B. SAMPEL STRATIFIED
1. Estimasi Proporsi Presisi Mutlak 2. Estimasi Proporsi Presisi Relatif
N2 x P (1-P) N2 x P (1-P) Z x ∑ ---------------- Z x ∑ ---------------- W W
n = --------------------------------------- n = --------------------------------------------- N2 x d2 + Z2 x ∑ N x P (1-P) Є2 x (∑ N x P)2 + Z2 x ∑ N x P (1-P)
3.Estimasi Rata-Rata Presisi Mutlak 4. Estimasi Rata-Rata Presisi Relatif
N2 x σ2 N2 x σ2 Z x ∑ -------------- Z x ∑ -------------- W W
n = --------------------------------- n = --------------------------------------------- N2 x d2 + Z2 x ∑ N x σ2 (∑ N x μ)2
N2 x Є2 x ------------- + Z2 x ∑ N x σ2
N
59
BAB VBIOSTATISTIK DISKRIPTIF
A. PENGANTAR
Pengertian dari Statistik Deskriptif adalah Metode dan prosedur statistik
yang mengupas hanya mengenai penyusunan data dan tabel serta pembuatan
grafik dan hal lain yang tidak menarik kesimpulan yang sifatnya umum
(generalisasi) dan tidak bermaksud untuk melakukan peramalan ( prediksi )
serta tidak melakukan penaksiran ( estimasi ), dengan kata lain statistik
deskriptif hanya memberikan gambaran dari sekumpulan data yang sudah
diolah.
Dengan demikian statistic Diskriptif hanya meliputi pengumpulan,
penyajian dan analisa data dalam bentuk narasi, tabulasi atau diagram serta
penghitungan persentase, nilai rata-rata, standar deviasi dan lainnya dari
sample tanpa perlu adanya peramalan dan pembuktian statistic terhadap
populasi.
Untuk pengolahan dan analisis data didalam statistic diskriptif digunakan
tabel dan diagram dalam bentuk grafik maupun bentuk-bentuk lainnya
B. PEMBULATAN BILANGAN
Terdapat 3 ( tiga ) aturan untuk pembulatan bilangan :
Aturan 1
Jika Angka terkiri dari yang harus dihilangkan adalah 4 atau kurang , maka
angka terkanan dari yang mendahuluinya tidak berubah.
Contoh : 59.376.402,96 menjadi 59 juta
60
Aturan 2
Jika angka terkiri dari dari yang harus dihilangkan adalah 5 atau lebih dari 5
diikuti oleh angka bukian nol, maka angka terkanan dari yang mendahuluinya
bertambah dengan Satu.
Contoh : 6.948 Kg menjadi 7 ribu kilogram, 176,51 menjadi 177
Aturan 3
Jika angka terkiri dari yang harus dihilangkan hanya angka 5 atau 5 yang
diikuti oleh angka nol, maka angka terkanan dari yang mendahuluinya tetap
jika ia genap , tambah satu jika ia ganjil ( Aturan bilangan genap terdekat )
Contoh :
1. Bilangan 8,5 atau 8,50 atau 8,500 menjadi 8
2. Bilangan 19,5 atau 19,50 atau 19,500 menjadi 20
Contoh – contoh aturan 3
Tabel 3
Contoh Pembulatan Bilangan Bila Nilai Ganjil
Bilangan Asli Pembulatan Keatas
Pembulatan Kebawah
Aturan 3
1,5 2 1 2
3,5 4 3 4
5,5 6 5 6
7,5 8 7 8
18 20 16 20
61
Tabel 4
Contoh Pembulatan Bilangan Bila Nilai Genap
Bilangan Asli Pembulatan Keatas
Pembulatan Kebawah
Aturan 3
2,5 3 2 2
4,5 5 4 4
6,5 7 6 6
8,5 9 8 8
22 24 20 20
Tabel 5
Contoh Pembulatan Bilangan Bila Nilai Acak
Bilangan Asli Pembulatan Keatas
Pembulatan Kebawah
Aturan 3
1,5 2 1 2
2,5 3 2 2
3,5 4 3 4
4,5 5 4 4
12 14 10 12
Dari contoh-contoh diatas diketahui apabila seluruh bilangan asli
merupakan angka genap, maka jumlah bilangan pada aturan 3 menjadi lebih
kecil dari jumlah bilangan asli, sedangkan bila bilangan asli merupakan angka
ganjil maka jumlahnya lebih besar dari jumlah bilangan asli, tetapi bila
bilangan asli merupakan bilangan acak ( genap dan Ganjil, dalam hal ini 2
genap dan 2 ganjil ), maka jumlah dengan aturan 3 sama dengan jumlah
bilangan aslinya.
Dalam aplikasinya hampir tidak mungkin ditemukan nilai asli merupakan
bilangan genap saja atau bilangan ganjil, biasanya terdiri dari bilangan genap
62
dan bilangan ganjil, dengan demikian aturan 3 akan lebih tepat digunakan
karena memiliki jumlah nilai yang lebih mendekati jumlah bilangan asli.
A. DISTRIBUSI FREKWENSI
Distribusi Frekwensi adalah susunan dari banyaknya muncul tiap-tiap
nilai dari sekelompok nilai. Distribusi Frekwensi dapat pada data tidak
berkelompok (Ungrouped Data ) maupun Data Berkelompok (Grouped Data).
1. Distribusi Frekwensi Data Tidak berkelompok ( Un Group Data )
Pada data tidak berkelompok, frekwensi yg muncul untuk suatu nilai hanya
milik nilai itu sendiri, sebagai contoh adalah dibawah ini :
1, 2, 3, 3, 4, 4, 4, 4, 5
Pada array diatas frekwensi untuk 1, 2 dan 5 masing-masing satu, frekwensi
untuk 3 adalah dua dan frekwensi untuk 4 adalah empat.
Contoh lainnya adalah :
27, 27, 27, 37, 37, 37, 37, 46, 46, 46, 46, 46, 46, 57, 57, 57, 57, 57, 68, 68,
74, 74, 74, 88, 88, 96, 96, 100, 101
Untuk memudahkan didalam membaca frekwensi pada masing-masing nilai
dapat dibuat tabel distribusi frekwensi seperti dibawah ini
63
Tabel 6
Tabel Distribusi Frekwensi Ungrouped Data
Berat Badan ( Kg ) ( X ) Frekwensi ( f )
2737465768748896100101
3465232211
Jumlah 29
2. Distribusi Frekwensi data berkelompok ( Group Data )
Pada Distribusi Frekwensi Group Data (Data Berkelompok), frekwensi yang
muncul adalah milik kelompok data bukannya milik suatu nilai tertentu
seperti halnya pada Distribusi Frekwensi Ungrouped Data
Misalkan ada sekumpulan data nilai hasil ujian dengan n = 80
88, 31, 82, 61, 80, 74, 67, 93, 85, 71, 90, 75, 42, 94, 74, 86, 73, 64, 71, 79,
98, 61, 78, 86, 72, 83, 97, 84, 70, 94, 48, 77, 89, 74, 91, 83, 76, 66, 80, 75,
81, 71, 82, 74, 87, 65, 96, 85, 96, 75, 81, 65, 77, 85, 51, 99, 65, 72, 66, 89,
94, 87, 73, 69, 100, 54, 88, 61, 81, 77, 62, 100, 72, 67,90, 73, 59,80, 86, 64.
Untuk menyusun Distribusi Frekwensi Data Berkelompok data perlu
memperhatikan:
a. Jumlah kelas sebaiknya antara 6 – 15
b. Jumlah kelas dan kelas interval dapat ditentukan sendiri sesuai
keperluannya
c. Bila jumlah kelas dan interval kelas tidak ditentukan sendiri dapat
digunakan Rumus Sturgess
64
Rumus Sturgess : K = 1 + 3,3 Log n
K = Jumlah Kelas n = jumlah observasi
Dalam pembuatan Tabel Distribusi Frekwensi Data Berkelompok dapat mengikuti
langkah-langkah sebagai berikut :
a. Hitung Jumlah Kelas : K = 1 + 3,3 Log n = 1+ 3,3 . log 80 =
1 + 3,3 x 1,9031 = 1 + 6,28 = 7,28 dibulatkan menjadi = 7
b. Hitung range, = 100 – 31 = 69
c. Hitung kelas interval, yaitu :
Range 69kelas Interval = = = 9,857 10
Jumlah kelas 7
d. Buat tabel Distribusi Frekwensi dari data tersebut dengan nilai terendah
sebagai ujung bawah kelas pertama :
Tabel 7Distribusi Frekwensi Nilai Ujian mahasiswa
NILAI UJIAN FREKWENSI ( f )
31 – 40
41 – 50
51 – 60
61 – 70
71 – 80
81 – 90
91 – 100
2
3
5
14
24
20
12
Jumlah 80
Beberapa hal yang harus diperhatikan pada Distribusi Frekwensi Data
Berkelompok adalah :
65
1) Nilai 31 = Ujung bawah kelas Pertama dan 40 = Ujung atas kelas
pertama.
2) 41 = Ujung bawah kelas kedua dan 50 = Ujung atas kelas kedua dan
seterusnya
3) Perbedaan ujung bawah kelas dan ujung atas kelas sebelumnya :
1 jika satuan, 0,1 jika satu desimal dan 0,01 jika dua decimal, Ujung
bawah kelas tidak boleh sama dengan ujung atas kelas sebelumnya.
Sebagai contoh pada tabel 7, ujung bawah kelas kedua berbeda 1
dengan ujung atas kelas pertama. Apabila ujung atas klas pertama =
40,2 maka ujung bawah kelas kedua = 40,3 (satu decimal) dan
seterusnya.
4) Batas kelas interval,
Batas kelas interval sebenarnya adalah :
Satuan : batas bawah kelas : ujung bawah kelas - 0,5
batas atas kelas adalah ujung atas kelas + 0,5
Satu desimal : ujung bawah kelas - 0,05
batas atas kelas adalah ujung atas kelas + 0,05
Dua desimal dan tiga decimal tingal menambah decimal
Contoh pada tabel 2 (satuan) : Batas Bawah sebenarnya kelas
pertama adalah 31 – 0,5 yaitu 30,51 dan batas atas kelas sebenarnya
pada kelas pertama 40 + 0,5 = 40,5
5) Tanda kelas adalah nilai tengah dari kelas atau ada yang menyebut
Mid Point ( MP ), yaitu : ½ ( ujung bawah Kelas + Ujung atas kelas )
66
Distribusi frekwensi Data tidak berkelompok dan data berkelompok
dapat dibuat dengan nilai absolut dan dapat dengan nilai relatif , yaitu
menyatakan banyaknya data (frekwensi) dengan persen
Tabel 8
Distribusi Frekwensi Nilai Ujian mahasiswa
NILAI UJIAN FREKWENSI RELATIF ( % )
31 – 40
41 – 50
51 – 60
61 – 70
71 – 80
81 – 90
91 - 100
2,50
3,75
6,25
17,50
30,00
25,00
15,00
Jumlah 100,00
Frekwensi dalam persen sangat penting bila kita ingin membandingkan lebih
dari satu nilai sebagaimana contoh pada tabel berikut ini :
Tabel 9
Distribusi Frekwensi Absolut dan Relatif
DESA Jumlah Balita Balita di Imunisasi % Balita di Imunisasi
Karang Anyar
Karang Baru
Karang Tengah
Karang Bolong
300
400
200
500
270
300
190
400
90
75
95
80
Pada tabel diatas bila kita menggunakan nilai absolute maka cakupan tertinggi
imunisasi balita adalah pada Desa Karang Bolong (400) dan terendah adalah
67
Desa Karang Tengah (190), tetapi karena jumlah balita yang ajan diimunisasi
tidak sama (tidak standar) maka untuk membandingkan keberhasilan imunisasi
yang benar adalah menggunakan nilai relative sehingga Desa yang paling
tinggi cakupan imunisasinya adalah Desa Karang Tengah (90 %).
Apabila standar yang digunakan sama maka nilai absolute dapat digunakan
sebagai nilai perbandingan
3. Distribusi Frekwensi Kumulatif
Akumulasi dari frekwensi pada tiap-tiap kelas ( Grouped Data ) atau
pada tiap-tiap nilai observasi (Ungrouped Data ) disebut dengan Distribusi
Frekwensi Kumulatif
Tabel 10
Distribusi Frekwensi Kumulatif Nilai Ujian Mahasiswa
NILAI UJIAN
FREKWENSI ABSOLUT FREKWENSI RELATIF
f f Kumulatif F F Kumulatif
31 – 40
41 – 50
51 – 60
61 – 70
71 – 80
81 – 90
91 – 100
2
3
5
14
24
20
12
2
5
10
24
48
68
80
2,50
3,75
6,25
17,50
30,00
25,00
15,00
2,50
6,25
12,50
30,00
60,00
85,00
100,00
Jumlah 80 - 100,00 -
Distribusi Frekwensi Kumulatif sangat berguna bila kita ingin mengetahui
banyaknya/ jumlah (frekwensi) pada batas nilai tertentu
Ada 2 macam Distribusi Frekwensi Kumulatif :
- Distribusi Frekwensi Kumulatif kurang dari ( less Then )
- Distribusi Kumulatif lebih dari ( More then ) .
68
Tabel 11
Distribusi Frekwensi Kumulatif Nilai Ujian Mahasiswa( Kumulatif kurang dari / Less Then )
NILAI UJIAN F - Kum. Absolut F- Kum. Relatif
Kurang dari 31
Kurang dari 41
Kurang dari 51
Kurang dari 61
Kurang dari 71
Kurang dari 81
Kurang dari 91
Kurang dari 101
0
2
5
10
24
48
68
80
0
2,50
6,25
12,50
30,00
60,00
85,00
100,00
Tabel 6 dapat digunakan untuk mengetahui berapakah jumlah mahsiswa yang
mempunyai nilai kurang dari 61 (yaitu 10 orang) atau berapa persen mahasiswa
yang nilainya kurang dari 51 (yaitu 6,25 %)
Tabel 12
Distribusi Frekwensi Kumulatif Nilai Ujian Mahasiswa( Kumulatif lebih dari / More Then )
NILAI UJIAN F- Kum. Absolut F-Kum. relatif
31 atau lebih
41 atau lebih
51 atau lebih
61 atau lebih
80
78
75
70
100,00
97,50
93,75
87,50
69
71 atau lebih
81 atau lebih
91 atau lebih
101 atau lebih
56
32
12
0
70,00
40,00
15,00
0
Tabel 7 dapat digunakan bila kita ingin mengetahui berapa banyak mahasiswa
yang memiliki nilai lebih dari 60 ( 61 atau lebih ) (yaitu 70 orang atau 87,5 % ).
Tabel Distribusi Frekwensi secara lengkap biasanya dalam bentuk seperti
dibawah ini :
Tabel 13
Distribusi Frekwensi Nilai Ujian Mahasiswa
NILAI UJIAN
Frek Frekwensi Relatif
f KUMULATIF ABSOLUT
f KUMULATIF RELATIF
Less Then More Then Less then More then31 – 40
41 – 50
51 – 60
61 – 70
71 – 80
81 – 90
91 – 100
2
3
5
14
24
20
12
2,50
3,75
6,25
17,50
30,00
25,00
15,00
2
5
10
24
48
68
80
80
78
75
70
56
32
12
2,50
6,25
12,50
30,00
60,00
85,00
100,00
100,00
97,50
93,75
87,50
70,00
40,00
15,00
JUMLAH 80 - - - -
Dari Distribusi Frekwensi absolut selanjutnya dapat dibuat poligon yang
merupakan gambaran dari kurva distribusi.
D. UKURAN PEMUSATAN
Ukuran Pemusatan (Tendency Central) adalah nilai yang digunakan
sebagai pusat (tengah) untuk menggambarkan keadaan dari sekelompok data.
70
Ada beberapa ukuran pemusatan yang digunakan, yaitu Mean (rata-rata),
Median dan Modus
1. Rata-Rata Hitung ( Mean/ X )
Mean adalah nilai rata-rata dari sekelompok data kuantitatif. Kelebihan dan
kekurangan Nilai Mean terletak pada ketrlibatan nilai seluruh anggota
kelompok didalam menentukan nilai Mean, bila data berdistribusi normal
maka nilai Mean akan sangat akurat menggambarkan kelompok data, tetapi
bila terdapat nilai ekstrim (distribusi tidak normal), maka nilai Mean akan
cenderung menuju nilai ekstrim. Karena itu nilai mean digunakan apabila
data merupakan data kuantitatif dan data berdistribusi normal
a. Rata-Rata Hitung Data Tidak Berkelompok
Pada data tidak berkelompok nilai Mean diperoleh dari jumlah nilai
seluruh data dibagi dengan jumlah data (n), sebagai contoh adalah :
1,2,3,4,5 maka rata-rata hitung = (1+2+3+4+5) / 5 = 3. Dengan demikian
kita ketahui bahwa untuk mencari rata-rata hitung data tidak
berkelompok adalah :
X1 + X 2 + X3 + . . .Xn
X = n
Untuk menghitung Mean dari data tidak berkelompok dengan jumlah
yang lebih besar dari contoh diatas adalah sebagai berikut :
Tabel 14Tabel Distribusi Frekwensi dan
Frekwensi Kumulatif Ungrouped Data
Berat Badan ( Kg ) ( X ) Frekwensi ( f ) Frekwensi Kumulatif X x f27
37
3
4
3
7
81
148
71
46
57
68
74
88
96
100
101
6
5
2
3
2
2
1
1
13
18
20
23
25
27
28
29
276
285
136
222
176
192
100
101
Jumlah 29 - 1.717
__ f XRumus : X =
f
Contoh Aplikasi dari rumus tersebut bila kita gunakan tabel 9 diatas
diperoleh nilai rata-rata hitung (Mean) sebagai berikut :
__ f XRumus : X = = 1.717 / 29 = 59,21 Kg
f
b. Rata-Rata Hitung Data berkelompokUntuk menghitung Mean pada data berkelompok dapat digunakan 2
(dua) cara
1) Menggunakan nilai tengah (Mid Point/ Tanda Kelas)
Rumus :__ f. MP X =
f
Langkah-langkah untuk menghitung Mean pada distribusi frekwensi data
berkelompok dengan menggunakan tanda klas adalah sebagai berikut ;
1. Buat tabel distribusi frekwensi
2. Tetapkan Mid Point ( MP )
3. Hitung perkalian frekwensi dengan Mid Point
4. Masukan data hasil perhitungan kedalam rumus.
Tabel 15
DISTRIBUSI FREKWENSI NILAI UJIAN MAHASISWA
72
NILAI UJIAN f MP F x MP
31 – 40
41 – 50
51 – 60
61 – 70
71 – 80
81 – 90
91 – 100
1
2
5
15
25
20
12
35,5
45,5
55,5
65,5
75,5
85,5
95,5
35,5
91,0
277,5
982,5
1.887,5
1.710,0
1.146,0
Jumlah 80 - 6.130,0
Dari tabel diatas diperoleh ∑ f = 80 dan ∑ f MP = 6.130,0
Bila dimasukan kedalam rumus akan diperoleh hasil sebagai berikut
__ f MP 6.130,0 X = = = 76,62
f 80
2) Menggunakan GUESSED MEAN / GM ( rata-rata diduga )
Rumus:
__ f di X = GM + KI ( )
n__ X = Rata-rata Hitung
GM = Guessed mean = rata-rata diduga, yaitu sembarang bilangan,
tetapi sebaiknya ambil salah satu MP dalam tabel
KI = Panjang kelas Interval n = Jumlah observasi
di = ( MP – GM ) / KI
f di = Jumlah hasil kali frekwensi dan di
langkah-langkah:
1. Buat tabel distribusi frekwensi
2. Tetapkan Mid Point ( MP )
3. Tetapkan Guessed Mean ( GM )
73
4. Hitung di
5. Hitung perkalian frekwensi (f) dengan di
6. Masukan data hasil perhitungan kedalam rumus.
74
Tabel 16
DISTRIBUSI FREKWENSI NILAI UJIAN MAHASISWA
NILAI UJIAN f MP di f x di
31 – 4041 – 5051 – 6061 – 7071 – 8081 – 90
91 – 100
125
15252012
35,545,555,565,575,585,595,5
-4-3-2-1012
-4-6
-10-1502024
Jumlah 80 - 9
Dari tabel diatas diketahui :
KI = 10 GM = 75,5 n = 80 f di = 9
Bila dimasukan kedalam rumus akan diperoleh hasil :
__ f di 9 X = GM + KI ( ) = 75,5 + 10 ( ) = 76,62
n 80
2. Median (Me)
Median adalah nilai paling tengah dari sekelompok data yang telah disusun
(array), baik untuk data tidak berkelompok maupun data berkelompok.
Sama halnya dengan Mean, Nilai Median juga digunakan untuk
menggambarkan keadaan data secara keseluruhan, namun nilai median
biasanya digunakan apabila distribusi data tidak normal (terdapat nilai
ekstrim).
a. Median Data Tidak berkelompok
Untuk data tidak berkelompok nilai median merupakan nilai yang paling
tengah, dengan demikian tergantung dari banyaknya data, bila data
berjumlah ganjil maka nilai median = jumlah data + 1 dibagi 2, tetapi bila
75
jumlah data genap maka nilai median ditentukan dari dua nilai yang
paling tengah dibagi 2.
Sebagai contoh adalah sebagai berikut :
Dari data 1,3,5,7,9,11,13,15,17 Maka nilai median = nilai paling tengah =
data ke 5 = 9
Dari Data 1,3,5,7,9,11 Maka nilai median adalah (nilai data ke 3+4) / 2 =
(5 + 7) /2 = 6
Untuk data tidak berkelompok dengan jumlah yang lebih besar dapat
digunakan tabel distribusi frekwensi kumulatif. Sebagai contoh
digunakan tabel 9 yang memiliki 29 jumlah data, dengan demikian Nilai
median berada pada data ke 15, dari tabel 9 tersebut terlihat kumulatif
data ke 15 ada pada nilai 57 (pada kumulatif = 18) dengan demikian
nilai Median adalah 57. Misalkan data dalam tabel 9 berjumlah 30,
maka nilai median ada pada data ke 15 dan 16 kemudian dibagi 2
b. Median Data bekelompok
Untuk menghitung median pada distribusi frekwensi data berkelompok
menggunakan rumus sebagai berikut :
½ .n - FMe = b + KI ( )
Fmed
Me = Median
KI = Panjang kelas interval
n = Jumlah observasi
F = Jumlah semua Frekwensi dengan MP < dari MP median
Fmed = Frekwensi kelas median
b = Batas bawah sebenarnya kelas median
76
Untuk menghitung nilai Median pada data berkelompok diperlukan tabel
distribusi frekwensi dengan Langkah-langkah penghitungan sebagai
berikut :
1) Buat tabel distribusi frekwensi
2) Tetapkan kelas dimana median berada, diperoleh nilai b; KI; F dan
Fmed
3) Masukan kedalam rumus :
½. n – FMe = b + KI ( )
Fmed
Aplikasinya adalah sebagai berikut :
Tabel 17
DISTRIBUSI FREKWENSI NILAI UJIAN MAHASISWA
NILAI UJIAN F f Kumulatif
31 – 40
41 – 50
51 – 60
61 – 70
71 – 8081 – 90
91 – 100
1
2
5
15
2520
12
1
3
8
23
4868
80
Jumlah 80 -
Median ada pada data ke 40 dan 41 dalam hal ini ada pada frekwensi
kumulatif ke 48, dengan demikian diperoleh : b = 71; KI = 10 dan Fmed =
25 dan F = 23
Kemudian Masukan kedalam rumus :
½. n – F ½ x 80 - 23Me = b + KI ( ) = 70,5 + 10 ( ) = 77,3
Fmed 25
77
3. Modus ( Mo)
Modus adalah nilai yang paling banyak muncul dalam sekelompok data,
biasanya nilai modus digunakan pada data kualitatif seperti tingkat
pendidikan, golongan darah dan sebagainya, tetapi nilai modus juga dapat
digunakan untuk data kuantitatif.
Tabel 18
Hasil Pengukuran Golongan Darah 100 orang Dewasa
NO Golongan Darah Jumlah
1
2
3
4
A
B
AB
O
25
20
15
40
Pada tabel diatas yang menjadi modus adalah Golongan darah O dengan
frekwensi 40
Untuk data kuantitatif, Nilai modus pada distribusi frekwensi data tidak
berkelompok ditentukan melalui frekwensi yang paling besar dari syatu
data, sebagai contoh pada tabel 9 modus adalah 46 karena frekwensi
tertinggi ada pada nilai 46 yaitu 6. Sedangkan pada data berkelompok nilai
modus ditentukan melalui rumus
b1Mo = b + KI ( )
b1 + b2
Mo = Modus
b = Batas bawah sebenarnya kelas modus
KI = Panjang kelas interval
78
b1= Frekwensi kelas modus dikurangi frekwensi kelas interval dengan MP
lebih kecil dari MP Modus
b2 = Frekwensi kelas modus dikurangi frekwensi kelas interval dengan MP
lebih besar dari MP Modus
Langkah-langkahnya adalah sebagai berikut :
1) Buat tabel distribusi frekwensi
2) Tentukan kelas dimana modus berada, diperoleh nilai b dan KI
3) Hitung b1 dan b2
4) Masukan kedalam rumus
b1Mo = b + KI ( )
b1 + b2
Aplikasinya adalah sebagai berikut :
Tabel 19
DISTRIBUSI FREKWENSI
NILAI UJIAN MAHASISWA
NILAI UJIAN f
31 – 40
41 – 50
51 – 60
61 – 70
71 – 8081 – 90
91 – 100
1
2
5
15
2520
12
Jumlah 80
79
Tentukan kelas dimana modus berada dalam hal ini ada pada kelas 71 –
80 dengan frekwensi 25, lalu Hitung b1, yaitu 25 – 15 = 10 dan Hitung b2, yaitu
25 – 20 = 5 kemudian Masukan kedalam rumus
b1 15Mo = b + KI ( ) = 70,5 + 10 ( ) = 77,17
b1 + b2 10 + 5
C. MEASUREMENT OF VARIATION ( UKURAN VARIASI/ DISPERSI )
Variabilitas atau disperse adalah derajat / tingkat penyebaran nilai-nilai dari
variable terhadap nilai-nilai pemusatan (central Tendency) dari suatu distribusi.
Ada beberapa Faktor Penyebab Variabilitas :
2. Faktor Ekstrinsik
Faktor Ekstrinsik yang menyebabkan terjadinya variabilitas adalah faktor-
faktor yang berada diluar obyek yang diamati/ diukur diantaranya adalah :
a. Metode observasi atau pengukuran berbeda
b. Instrumen obervasi/ pengukuran berbeda
c. Waktu observasi/ pengukuran berbeda
d. Faktor Lingkungan berbeda
e. Penafsiran yang berbeda (Personal Bias)
3. Faktor Instrinsik
Faktor intrinsik yang menyebabkan terjadinya variabilitas adalah faktor-
faktor yang ada didalam obyek yang diamati/ diukur diantaranya adalah :
a. Umur
b. Jenis Kelamin
c.Keturunan
d. Status kesehatan
80
e. Status Gizi
4. Faktor Kebetulan ( Chance Factor )
Ukuran-ukuran variabilitas yang biasa digunakan adalah sebagai berikut :.
1. Range
Range adalah ukuran yang diperoleh dari nilai tertinggi dikurangi nilai
terendah
Untuk data tidak berkelompok menghitung range tinggal menghitung selisih
nilai data tertinggi dengan data terendah sedangkan untuk data
berkelompok range dapat dihitung dengan dua cara
a. Range = MP kelas terakhir – MP kelas pertama
b. Range = Batas Atas sebenarnya kelas terakhir – Batas Bawah
sebenarnya kelas pertama
Tabel 20
Distribusi Berat Badan Mahasiswa
Berat Badan ( Kg ) Banyaknya Mahasiswa
Mid Point (MP)
60 – 62
63 – 65
66 – 68
69 – 71
72 - 74
5
18
42
27
8
61
64
67
70
73
Jumlah 100 -
Cara 1 : MP kelas terakhir – MP Kelas Pertama = 73 – 61 = 12
Nilai Tengah kelas Pertama = ( 60 + 62 ) / 1 = 61
Cara 2 : Batas Atas sebenarnya kelas terakhir – batas bawah sebenarnya
kelas pertama = 74,5 Kg – 59,5 Kg = 15 Kg
81
Cara pertama lebih baik digunakan karena :
a. Cenderung menghilangkan nilai ekstrim
b. Nilai Mid Point lebih menggambarkan nilai kelompok (kelas)
2. Mean Deviation ( MD ) /Average Deviation ( AD ) /Rata-Rata Simpangan
a. Data Tidak berkelompok
MD = 1/n Σ | Xi – Me | atau Σ | Xi – X | / n
Contoh rata-rata simpangan pada data tidak berkelompok adalah
A. 50 50 50 50 50 X = 50, Me = 50
B. 50 40 30 60 70 X = 50, Me = 50
C. 100 40 80 20 10 X = 50, Me = 40
Jawab
a. MD= 1/n Σ | Xi – X | = 1/5 ( 0 |+| 0 |+| 0 |+| 0 |+| 0 | = 0/5 = 0
b. MD = 1/n Σ | Xi – X | = 1/5 (0|+|-10 |+|-20|+|10 |+|20|= 60/5 =12
c. MD = 1/n Σ| Xi – X | = 1/5 ( 50|+|-10 |+|30 |+|-30|+|-40|=160/5 = 32
Bila menggunakan Nilai Median
MD = 1/n Σ | Xi – Me | = 1/5 ( 60 |+|0|+|40|+|-20|+|-30|=150/5 = 30
b. Data berkelompok
∑ F.| Xi – X |MD =
N
Langkah-langkah untuk menghitung Rata-rata simpangan pada
data berkelompok adalah sebagai berikut :
a. Hitung X data berkelompok
82
b. Hitung selisih Mid Point dengan Mean
c. Buat nilai mutlaknya ( point b )
d. Hitung perkalian Frekwensi dengan nilai mutlak
e. Hitung jumlahnya ( Point d )
f. Bagikan jumlah tsb ( point e ) dengan besar observasi ( N )
Tabel 21
Distribusi Frekwensi Data Berkelompok
Kelas F MP F.MP Xi -X | Xi – X | F . | Xi – X |
60 – 62
63 – 65
66 – 68
69 – 71
72 - 74
5
18
42
27
8
61
64
67
70
73
305
1152
2814
1890
584
6
3
0
3
6
6
3
0
3
6
30
54
0
81
48
Jumlah 100 - 6745 - - 213
X = 6745/ 100 = 67,45 67
∑F.| Xi – X | 213
MD = = = 2,13 N 100
3. SIMPANGAN BAKU ( STANDAR DEVIASI) = SD .
a. Standar Deviasi Un Grouped Data
Σ ( Xi – X )2 Σ Xi 2 – ( Σ X )2
SD = = N N N
Σ Xi 2
83
SD = X 2 N
Tabel 22
Distribusi Data Tidak berkelompok
Berat Badan Xi - X ( Xi - X )2
12
13
14
15
16
2
1
0
1
2
4
1
0
1
4
70 - 10
X = 70 / 5 = 14
Σ ( Xi – X )2 SD =
N
10
SD = = √ 2 = 1,4 5
Tabel 23
Distribusi Data Tidak berkelompok
Berat Badan X 2
1213141516
144169196225256
70 990
X = 70 / 5 = 14
84
Σ Xi 2 SD = – X 2
N
990
SD = – 14 2 = √ 198 – 196 = √ 2 = 1,4 5
b.Standar Deviasi Data Berkelompok ( Grouped data )
Σ f ( Xi – X ) 2 SD =
N
Σ f Xi 2 ( Σ X )2
SD = – N N
Σfd 2 ( Σfd ) 2 SD = – x CI Short Metode
N N
Tabel 24
Distribusi Data Berkelompok
Berat Badan f MP f.MP Xi - X ( Xi - X )2 f ( Xi - X )2
60 – 62
63 – 65
66 – 68
69 – 71
72 - 74
5
18
42
27
8
61
64
67
70
73
305
1152
2814
1890
584
-6,45
-3,45
0,45
2,55
5,55
41,6
11,9
0,2
6,5
30,8
208
214,2
8,4
175,5
246,4
Jumlah 6745 91 852,5
X = 6745 / 100 = 67,45
Σ f ( Xi – X )2 SD =
N
85
852,2
SD = = √ 8.522 = 2,92100
Tabel 25
Distribusi data Berkelompok
Berat Badan f MP d d 2 fd fd 2
60 – 62
63 – 65
66 – 68
69 – 71
72 - 74
5
18
42
27
8
61
64
67
70
73
2
1
0
1
2
4
1
0
1
4
-10
-18
0
27
16
20
18
0
27
32
Jumlah 10 15 97
Σ fd 2 ( Σ fd ) 2 SD = - x CI
N N
97 ( 15 ) 2
SD = – x 3 100 100
SD = 0,97 – 0,0225 x 3
SD = √ 0,9475 x 3 = 0,973396116 x 3 = 2,920
4. VARIANCE.
Variance = SD 2 ---------------------- SD = √ Variance
86
Coeficients of Variance (Koefisien Varians) = COV adalah Nilai yang
digunakan untuk membandingkan variasi dua kelompok nilai
Untuk Populasi COV = σ / μ x 100 %
Untuk sampel COV = SD / X
Dari tabel dibawah ini Manakah yang lebih bervariasi antara harga 5 buah
mobil bekas dengan harga 5 ekor ayam.
Tabel 26
Distribusi Harga Mobil Bekas Dan Harga Ayam
Mobil Harga Ayam Harga
ABCDE
4.250.0004.500.0004.000.0005.000.0004.750.000
12345
5.5008.0006.0009.00010.000
Tabel 22
Distribusi Harga Mobil Bekas
Harga Mobil Xi – X ( Xi – X ) 2
4.000.000
4.250.000
4.500.000
4.750.000
5.000.000
-500.000
-250.000
0
250.000
500.000
250.000.000.000
62.500.000.000
0 62.500.000.000
250.000.000.000
22.500.000 625.000.000.000
22.500.000
87
X = = 4.500.000 5
Σ ( Xi – X )2 SD =
N
625.000.000.000
SD = = √ 125.000.000.000 = 353.553 5
COV = SD / X = 353.553 / 4.500.000 x 100 % = 7,86 %
Tabel 23
Distribusi Harga Ayam
Harga Ayam Xi - X ( Xi – X ) 2
5.500
6.000
8.000
9.000
10.000
2.200
1.700
300
1.300
2.300
4.840.000
2.890.000
90.000
1.690.000
5.290.000
38.500 14.800.000
38.500 X = -------------------- = 7.700 5
Σ ( Xi – X )2 SD =
N
14.800.000
SD = = √ 2.960. 000 = 1720,46 5
88
COV = SD / X = 1.720,46 / 7.700 x 100 % = 22,11 %
89
BAB VIBIOSTATISTIK INFERENS
A. ESTIMASI
Estimasi adalah suatu metode dimana kita dapat memperkirakan nilai
populasi ( parameter ) dengan memakai nilai sampel ( statistik ).
Didalam estimasi, nilai statistik yang dipakai untuk menduga nilai populasi atau
parameter disebut estimator dan hasil pendugaan disebut estimasi secara
statistik ( statistical estimate ).
Estimator yang baik harus mempunyai sifat :
1. Tidak bias, yaitu estimastor yang hasil estimasinya mengandung nilai
parameter yang diestimasi
2. Efisien, yaitu : Apabila hasil estimasi memakai nilai tersebut dalam rentang
yang kecil saja sudah mengandung nilai parameter
3. Konsisten, yaitu : Berapapun besar sampel pada rentangnya akan
mengandung nilai parameter yang sedang diestimasi.
Kita dapat melakukan estimasi dengan dua cara :
1. Estimasi titik.
Estimasi titik adalah nilai statistik yang digunakan sebagai pendugaan nilai
parameter.
Sebagai contoh dari suatu penelitian ibu hamil disuatu kabupaten dengan
200 sampel didapatkan Hb rata-rata 7,5 gr %. Jika kita menduga kadar Hb
ibu hamil dengan estimasi titik maka kita mengatakan bahwa rata-rata kadar
Hb ibu hamil di kabupaten tersebut ( populasinya ) adalah 7,5 gr %.
90
Estimasi titik ini mempunyai kelemahan, yaitu kita tidak dapat mengeathui
berapa kuat kebenaran dugaan kita dan berapa besarnya kemungkinan
untuk salah. Untuk mengatasi kelemahan ini digunakan estimasi selang
( estimasi interval )
2. Estimasi Interval ( selang ).
Dasar dari estimasi interval adalah bahwa sampel-sampel yang diambil
dari suatu populasi akan berdistribusi disekitar μ ( normal ) dengan
simpangan baku = σ.
Didalam estimasi interval kita menentukan batas maksimum dan batas
minimum terletaknya nilai μ. Jarak dari batas tertinggi dan terendah ini
ditentukan sebagai Confidence interval = Confiden limit = CI, yaitu luas
dibawah kurva normal dan ditentukan dengan persentase, misalnya 90 %,
95 % 99 %
Rumus Umum :
μ = X + Z . SE atau X + Z . σ / n
X = Nilai Rata-rata sampel
Z = Deviasi relatif ( Standar score yang besarnya ditentukan
Confidence Interval ).
μ = Nilai Populasi yang di estimasi SE = Standart Error = σ / n
σ = Simpangan Baku Populasi n = Besar Sampel
Contoh :
Dari suatu sampel random sebanyak 100 orang ibu hamil yang diambil di
kabupaten cianjur didapatkan rata-rata kadar Hb = 9,6 gr%. Simpangan
baku dalam populasi 5 gr% dengan confiden interval 95 %. Brapakah
Rata-rata kadar Hb ibu hamil di Kabupaten Cianjur ?:
91
Rata-rata sampel = 9,6 gr%
n = 100
σ = 5 gr %, maka SE = 5/ √ 100 = 0,5 gr %
CI 95 % = 1,96 ( dari tabel kurva normal )
Rata-rata Kadar Hb ibu hamil di kabupaten Cianjur :
μ = 9,6 gr% - 1,96 x 0,5gr% < μ < 9,6 gr% + 1,96 x 0,5gr%
μ = 8,62 gr% < μ < 10,58 gr% gr%
Artinya/ interpretasinya :
1. Kita percaya/ yakin bahwa rata-rata kadar Hb ibu hamil diCianjur
terletak antara 8,62 gr% sampai 10,58 gr%
2. Bahwa kalau kita ambil berulang kali sampel yang besarnya 100 ibu
hamil di Kabupaten Cianjur tersebut , maka 95 % rata-rata kadar Hb
nya berada pada nilai 8,62 gr% sampai 10,58 gr%
Dengan estimasi interval kita mengakui adanya kemungkinan untuk salah
sebesar 100 % - CI = α .
Biasanya jika kita mengambil sampel simpangan baku populasi tidak
diketahui, karenanya distribusi sampling diasumsikan seperti distribusi “
Student t “ dimana untuk menentukan nilai “ t “ selain diperlukan α juga
diperlukan Degree of Freedom yang besarnya n–1. Sehingga
rumus umum menjadi :
μ = X + t . SE atau X + t . SD / n
X = Nilai Rata-rata sampel
t = Deviasi relatif ( Standar score yang besarnya ditentukan
Confidence Interval dan besar sampel).
μ = Nilai Populasi yang di estimasi SE = Standart Error = SD / n
92
SD = Simpangan Baku Sampel n = Besar Sampel
Contoh :
Dari 25 ibu hamil yang diambil secara random didapatkan kadar Hb 9 gr%
dan simpangan baku 7,7 %, maka estimasi menjadi :
X = 9 gr% SD = 7,7 gr% n = 25
SE = 7,7/ √25 = 1,54 gr%
CI = 95 %, alfa = 5 %, df = 25-1 = 24 maka t = 2,064 ( tabel t )
μ = 9,6 gr% - 2,064 x 1,54 gr% < μ < 9,6 gr% + 2,064 x 1,54 gr%
μ = 5,82 gr % < μ < 12,19 gr%
Dengan demikian kita menyatakan kadar Hb ibu hamil di populasi berada
pada antara 5,82 gr % sampai 12,19 gr%
Rentang interval dapat dipersempit dengan tiga cara :
1. Memperkecil Confidence Interval
2. Memperbesar N ( sampel )
3. Meningkatkan ketelitian sehingga didapatkan varian sampel yang kecil
B. UJI HYPOTESIS
1. Pengertian
Hipotesis berasal dari kata Hypo yang berartI sementara atau lemah
kebenarannya dan thesis artinya pernyataan/ teori. Dengan demikian
hipotesis berarti pernyataan sementara yang perlu diuji kebenarannya.
Pengujian hipotesis berguna untuk pengambilan keputusan tentang sutau
hipotesis seperti ada tidaknya perbedaan suatu nilai atau ada tidaknya
hubungan antar variabel dengan berdasarkan pada besarnya peluang
untuk memperoleh hubungan secara kebetulan ( by chance ). Semakin
kecil peluang ( peluang adanya by chance ) maka semakin besar bahwa
93
hubungan memang ada. Dengan demikian uji hipotesis akan
menghasilkan suatu kesimpulan secara probabilistik.
Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel
( data hasilmpenelitian ) dengan nilai hipotesis ( nilai populasi ) yang
diajukan. Peluang untuk diterima atau ditolaknya suatu hipotesis
tergantung besar kecilnya perbedaan nilai antara sampel dengan nilai
hipotesis. Bila perbedaan cukup besar, maka peluang untuk menolak
hipotesis akan besar pula dan sebaliknya.
Kesimpulan dari uji hipotesis hanya ada dua , yaitu menolak hipotesis atau
menerima hipotesis ( istilah yang paling tepat adalah gagal menolak
hipotesis ). Bila kesimpulan uji hipotesis adalah mengakui kebenaran
hipotesis ( menerima hipotesis ) bukan berarti bahwa kita telah
membuktikan bahwa hipotesis itu benar, karena untuk membuktikannya
kita memerlukan observasi terhadap seluruh populasi dan hal tersebut
tidak mungkin/ hampir tidak mungkin dilakukan. Jadi Menerima hipotesis
berarti kita tidak cukup bukti untuk menolak hipotesis dengan kata lain kita
telah gagal menolak hipotesis.
2. Jenis – Jenis Hypotesis
Didalam pengujian hipotesis terdapat dua jenis hipotesis, yaitu :
a. Hipotesis Nol ( Ho ), yaitu hipotesis yang menyatakan tidak ada
perbedaan suatu kejadian antara dua kelompok atau menyatakan tidak
ada hubungan antara variabel yang satu dengan variabel yang lain.
Penetapan Ho seperti ini dengan dasar bahwa sebelum kita memiliki
asumsi bahwa telah terjadi sesuatu ( perbedaan atau hubungan ) maka
tidak ada yang terjadi sampai kita membuktikannya.
94
Contoh :
* Tidak ada perbedaan berat badan bayi yang dilahirkan ibu perokok
dengan ibu tidak perokok.
* Tidak ada hubungan antara merokok dengan berat badan bayi.yang
dilahirkan
b. Hipotesis alternatif ( Ha ), yaitu hipotesis yang menyatakan ada
perbedaan suatu kejadian antara dua kelompok atau menyatakan ada
hubungan antara variabel yang satu dengan variabel yang lain.
Pernyataan ini timbul karena asumsi yang kita miliki.
Contoh :
* Ada perbedaan berat badan bayi yang dilahirkan ibu perokok dan ibu
tidak perokok.
* Ada hubungan antara merokok dengan berat badan bayiyang
dilahirkan
3. Arah/Bentuk Hypotesis
. Bentuk hipotesis alternatif akan menentukan arah uji statistiknya, apakah
satu arah/ sisi ( one tail ) atau dua arah/ sisi ( Two Tail ).
a. One Tail ( Satu Arah )
Bila hipotesis alternatif menyatakan adanya perbedaan dan ada
pernyataan yang satu lebih tinggi atau lebih rendah dari yang lain.
Contoh :
Berat badan bayi dari ibu hamil yang merokok lebih rendah dari berat
badan bayi ibu hamil yang tidak merokok
b. Two Tail ( Dua Arah )
95
Bila pernyataan hipotesis alternatif hanya menyatakan perbedaan tanpa
melihat apakah yang satu lebih tinggi/ rendah dari yang lain
Contoh :
Berat badan bayi dari ibu hamil yang merokok berbeda dari berat
badan bayi ibu hamil yang tidak merokok.
Atau dengan kata lain ada perbedaan berat badan bayi yang dilahirkan
ibu yang merokok dengan berat badan bayi yang dilahirkan ibu yang
tidak merokok
4. Kesalahan Pengambilan Keputusan.
Ada dua jenis kesalahan pengambilan keputusan didalam uji statistik.
a. Kesalahan tipe I ( α ), yaitu kesalahan menolak Ho padahal
sesungguhnya Ho benar dan peluang kesalahan tipe I adalah α atau
sering disebut dengan tingkat signifikansi ( Significance Level )..
Sebaliknya peluang untuk tidak membuat kesalahan Tipe I adalah
sebesar 1 - α, disebut dengan Tingkat Kepercayaan (Confidence
Level )
b. Kesalahan tipe II ( β ), yaitu kesalahan tidak menolak Ho padahal
sesungguhnya Ho salah. Peluang untuk membuat kesalahan tipe II
adalah sebesar β dan peluang untuk tidak membuat kesalahan
kesalahan tipe II adalah sebesar 1 – β dan dikenal dengan Tingkat
Kekuatan Uji ( Power of The Test )
Kesalahan Pengambilan Keputusan
KeputusanPopulasi
Ho Benar Ho Salah
Tidak menolak Ho Benar ( 1 – α ) Kesalahan Tipe II ( β )
96
Menolak Ho Kesalahan Tipe 1 ( α ) Benar ( 1 – β )
Dalam uji hipotesis kita menghendaki nilai α dan β yang kecil, tetapi sulit
dicapai karena pilihannya hanya menolak atau gagal menolak sehingga
bila α makin kecil maka β semakin besar. Karena pilih salah satu dan
biasanya yang digunakan adalah nilai α.
Besarnya nilai α ditentukan dari tujuan dan kondisi penelitian, nilai α yang
sering digunakan adalah 1 %, 5 % dan 10 %. Untuk bidang kesehatan
yang dapat berakibat fatal menggunakan nilai α yang kecil yaitu 1 % ,
misalnya penelitian mengenai obat-obatan. Sedangkan yang tidak
berakibat fatal seperti hubungan antara ibu perokok dengan berat badan
bayi biasanya menggunakan α 5 % atau 10 % ( biasanya 5 % )
5. UJI STATISTIK
Uji statistik ada dua, yaitu Paramertik dan Non parametrik.
a. Uji Statistik Parametrik digunakan apabila :
Data numerik / kuantitatif
Distribusinya normal atau mendekati normal
b. Uji Statistik Non parametrik digunakan apabila :
Data kategori/ kualitatif
Tidak tergantung kenormalan distribusi
Besar sampel < 30 atau > 30 sebagai batasan adalah berdasarkan empiris
bahwa sampel < 30 akan berdistribusi tidak normal dan bila > 30 akan
berdistribusi normal atau mendekati normal.
Perlu diperhatikan bahwa uji statistik bukan merupakan keputusan akhir,
karena uji statistik hanya bersifat bantuan didalam pengambilan keputusan.
97
Hal lain yang perlu diperhatikan adalah segi substansi/ klinis.. Oleh klarena
itu didalam pengambilan keputusan jangan hanya bertumpu pada hasil uji
statistik tetapi juga memperhatikan segi substansi.
6. Prosedur Uji Hypotesis
a. Menetapkan Hipotesis
1) Menetapkan Hipotesis Nol ( Ho )
2) Menetapkan Hipotesis Alternatif ( Ha )
b. Penentuan Uji statistik yang sesuai dengan memperhatikan :
1) Jenis variabel yang akan dianalisis
2) Jenis data, apakah dependen atau independen
3) Distribusi data, normal atau tidak
Sebagai gambaran, uji statistik untuk mengetahui perbedaan mean
( menggunakan uji t atau anova ) akan berbeda dengan uji statistik
untuk mengetahui perbedaan proporsi ( menggunakan Chi-Square )
c. Menentukan Level of Significance ( menetapkan nilai α )
d. Penghitungan Uji Statistik
Penghitungan uji statistik dilakukan untuk memperoleh nilai yang akan
dibandingkan dengan nilai α untuk menolak Ho atau gagal menolak Ho.
e. Keputusan Uji Statistik
Keputusan Uji statistik diperoleh dengan cara membandingkan nilai hasil
perhitungan uji statistik dengan niulai α, bila nilai hasil perhitungan uji
statistik lebih kecil dari nilai α maka Ho ditolak dan sebaliknya.
f. Kesimpulan
Dari keputusan Uji Statisik dapat ditarik kesimpulan dari hasil uji
98
7. Pengertian Nilai P ( Probabilitas )
Nilai P merupakan nilai yang menunjukan besarnya peluang salah menolak
Ho atau nilai P dapat diartikan bahwa besarnya peluang hasil penelitian
terjadi karena faktor kebetulan. Kita mengharapkan nilai P sekecil mungkin
karena semakin kecil nilai P berarti faktor kebetulan semakin kecil juga.
C. JENIS-JENIS UJI HIPOTESIS
1. Uji Beda Satu Sampel.
a. Uji Beda Mean Satu Sampel
Uji Beda Tujuannya : mengetahui perbedaan nilai rata-rata (mean)
sampel dan populasi
1) Bila σ diketahui ( Gunakan Uji Z )
X – µ X - µZ = --------------- = -----------
SE σ / √ n
Z = Nilai Z Hasil Perhitungan
X = Rata-Rata sampel
µ = Rata-Rata Populasi
SE = Standart Error = Simpangan Baku dibagi akar jumlah sampel
σ = Simpangan Baku populasi
n = Jumlah Sampel
Contoh Soal :
Diketahui kadar kolesterol orang dewasa normal adalah 200 gr/ 100 ml dengan
standar deviasi 56 gr.
Seorang peneliti melakukan pengukuran kadar kolesterol 49 orang penderita
hipertensi . Diperoleh rata-rata kadar kolesterolnya 220 gr/ 100 ml. Peneliti ingin
99
menguji apakah kadar kolesterol penderita hipertensi berbeda dengan kadar
kolesterol orang dewasa ?
Penyelesaian :
μ = 200 gr/ 100 ml σ = 56 gr X = 220 gr/ 100 ml
1. Tetapkan Hipotesis :
Ho : Tidak ada perbedaan rata-rata kadar kolesterol penderita hypertensi
dengan kadar kolesterol orang dewasa normal
Ha : Ada perbedaan rata-rata kadar kolesterol penderita hypertensi dengan
kadar kolesterol orang dewasa normal
2. Pemilihan Uji Statistik
Uji Z karena SE dapat diketahui dengan simpangan baku ( σ ) pada populasi
diketahui dan sample > 30
3. Tentukan Level of Significance
α = 5 % = 0,05
4. Penghitungan Uji Statistik
X - uZ = ------------
σ / √ n
220 – 200 20 20Z = ---------------- = ------------ = -------- = 2,5
56/ √ 49 56/ 7 8
5. Keputusan Uji Statistik
a. Pendekatan. klasik.
Bandingkan Nilai Z hasil perhitungan dengan nilai Z Tabel
Bila nilai Z hitung > Z tabel maka Ho : Ditolak
Bila nilai Z hitung < Z tabel maka Ho : Gagal Ditolak
Pada contoh ini : Z hitung = 2,5 dan Z tabel = 1,96
100
b. Pendekatan Probabilistik
Bandingkan P Nilai Z ( dari tabel ) dengan α
Bila P dari Z < α maka Ho : Ditolak
Bila P dari Z > α maka Ho : Gagal ditolak
Pada contoh ini : Z hitung > Z tabel, maka P < 0,05
Pada contoh ini Ho : ditolak
6. Kesimpulan : Ada perbedaan rata-rata kadar kolesterol penderita hypertensi
dengan kadar kolesterol orang dewasa normal
2) Bila σ tidak diketahui ( Gunakan Uji t )
X - ut = --------------
SD/ √ n
t = Nilai t Hasil Perhitungan
X = Rata-Rata sampel
µ = Rata-Rata Populasi
SD = Simpangan Baku Sampel
n = Jumlah Sampel
Contoh Aplikasi
Diketahui kadar kolesterol orang dewasa normal adalah 200 gr/ 100 ml. Seorang
peneliti melakukan pengukuran kadar kolesterol 49 orang penderita hipertensi .
Diperoleh rata-rata kadar kolesterolnya 220 gr/ 100 ml dengan standart Deviasi
21gr/ 100 ml. Peneliti ingin menguji apakah kadar kolesterol penderita hipertensi
berbeda dengan kadar kolesterol orang dewasa ?
Penyelesaian :
Diketahui : Rata-rata Pada populasi = μ = 200 gr/ 100 ml
101
Simpangan baku pada Sampel = SD = 21 gr
Rata-rata Pada sampel = X = 220 gr/ 100 ml
1. Tetapkan Hipotesis :
Hipotesis : Ho : Tidak ada perbedaan kadar kolesterol penderita hipertensi
dengan orang dewasa
Ha : Ada perbedaan kadar kolesterol penderita hipertensi dengan
orang dewasa
2. Pemilihan Uji Statistik
Uji Statistik adalah Uji t karena SE tidak dapat diketahui
3. Tentukan Level of Significance
Level of Significance = α = 5 % = 0,05
4. Penghitungan Uji Statistik
Perhitungan Uji Statistik
X - ut = ------------
SD / √ n
220 – 200 20 20t = ----------------- = ------------ = -------- = 6,67
21/ √ 49 21/ 7 3
t hitung = 6,67 dan t tabel = 2,011
t hitung > t tabel maka P < 0,05
5. Keputusan Uji Statistik : Ho ditolak
6. Kesimpulan : Ada perbedaan kadar kolesterol penderita hipertensi dengan
orang dewasa normal
102
b. Uji Beda Proporsi Satu Sampel
Tujuan : menguji beda proporsi sampel dan populasi
p - P Z = -------------
√ P.Q/N
Z = Nilai Z Hasil Perhitungan
p = Proporsi Kejadian Pada Sampel
P = Proporsi Kejadian Pada Populasi
Q = Proporsi Bukan Kejadian Pada Populasi
Contoh Aplikasi
Diketahui proporsi balita yang terkena diare dikota A sebesar 50 %. Dari
penelitian terhadap 100 orang balita diketahui 45 orang diantaranya menderita
diare. Apakah hasil penelitian tersebut berbeda dengan keadaan populasinya ?
Penyelesaian :
Diketahui : Proporsi Pada populasi = P = 50 %. = 0,5
Proporsi pada Sampel = p = 45/ 100 = 0,45
Jumlah Sampel = n = 100
1. Tetapkan Hypotesis
Hipotesis : Ho : Tidak ada perbedaan proporsi balita penderita diare pada
penelitian dengan populasinya
103
Ha : Ada perbedaan proporsi balita penderita diare pada penelitian
dengan populasinya
2. Pemilihan Uji Statistik
Uji Statistik adalah Uji Z karena sample > 30
3. Tetapkan Level Signifikan
Level of Significance = α = 5 % = 0,05
4. Perhitungan Uji Statistik
p - PZ = ---------------
√ P . Q /N
0,45 – 0,5 0,05 0,05 0,05Z = ----------------------- = ------------------ = ------------- = ---------- = 1
√ 0,5 . 0,5 / 100 √ 0,25 / 100 √ 0,0025 0,05
Z hitung = 1 dan Z tabel = 1,96
Z hitung < Z tabel maka P > 0,05
5. Keputusan Uji Statistik : Ho Gagal ditolak/ Diterima
6. Kesimpulan : Tidak ada perbedaan proporsi balita penderita diare pada
penelitian dengan populasinya
2. Uji Beda Dua Mean
Untuk Uji Beda Dua sample ada 2 (dua ) macam,
a. Uji Beda Dua Mean (sampel) Independent,
Uji Beda terhadap dua sample yang saling tidak mempengaruhi satu
sama lain.
Sebelum dilakukan Uji Beda dua sample pada sample independent,
harus dilakukan Uji Homogenitas Varians terlebih dahulu dengan
menggunakan Uji F untuk mengetahui apakah variasi kedua sample
104
yang akan diuji berbeda atau sama. dengan menggunakan Rumus
sebagai berikut :
Uji Homogenitas Varians
SD12
F = --------- SD2
2
df1 = n1 – 1 df2 = n2 – 1
Setelah diketahui apakah varian sama atau berbeda baru dapat dilakukan
Uji Beda Dua sample Independent dengan menggunakan rumus yang
sesuai.
Uji beda dua sampel dapat dengan Uji Z bila SE diketahui dan sampel > 30
( distribusi normal ). Biasanya digunakan Uji t karena biasanya SE tidak
diketahui.
1) Varian Sama
Rumus :
X1 – X2
t = ------------------------------- Sp √ (1/ n1) + (1/ n2)
(n1-1) SD12 + (n2 -1) SD2
2 Sp2 = ------------------------------------------
df
df = n1 + n2 – 2
t = Nilai t Hasil Perhitungan
X1 = Rata-rata kelompok 1
X2 = Rata-rata kelompok 2
Sp = Simpangan Baku Dua Kelompok
Sp2 = Varians Dua kelompok
n1 = Jumlah sampel kelompok 1
105
n2 = Jumlah sampel kelompok 2
SD12 = Varians Kelompok 1
SD22 = Varians Kelompok 2
Df = Degree Of Freedom/ Derajat Bebas
Contoh Aplikasi
Pada penelitian terhadap 20 orang laki-laki dan 25 orang perempuan penderita
PJK diperoleh hasil kadar kolesterol pd laki-laki sebesar 78 mg dengan
simpangan baku 4 mg & kadar kolesterol pd perempuan sebesar 84 mg dengan
simpangan baku 5 mg. Bagaimana kesimpulan penelitian ?
Penyelesaian
UJI HOMOGENITAS VARIANS :
Hipotesis :
Ho : Tidak ada perbedaan Varians pada kedua kelompok
Ha : Ada perbedaan Varians pada kedua kelompok
Level of Significan = α = 0,05
Uji Statistik : Uji F
SD12 52 25
Perhitungan Statistik : F = -------- = ------ = ------- = 1,56 SD2
2 42 16
F hitung = 1,56 dan F tabel = 2,11
Fhitung < Ftabel maka P > 0,05
Keputusan : Ho Gagal ditolak/ Diterima
Kesimpulan : Tidak Ada perbedaan Varians pada kedua kelompok
106
UJI BEDA DUA MEAN INDEPENDEN VARIANS SAMA
Ho : Tidak terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
Ha : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
X1 – X2 t = ---------------------------------- = Sp√ ( 1/n1) + ( 2/n2)
( n1 – 1 ) SD12 + ( n2 – 1 ) SD2
2
Sp2 = -----------------------------------------------n1 + n2 - 2
( 25 – 1 ) 52 + ( 20 – 1 ) 42 600 + 304 904Sp2 = ------------------------------------- = --------------------- = -------- = 21,025 25 +20 – 2 43 43
X1 – X2 84 - 78 6 6t = ---------------------------- = -------------------------- = --------------------- = ----------------- Sp√ ( 1/n1) + ( 2/n2) 4,58 √ 1/25 + 1/20 4,58 √ 0,4+0,5 4,58 √ 0,9
6 6 = --------------- = ------------ = 4,36 4,58 x 0,3 1,374
t hitung > t tabel maka P < 0,05
Keputusan : Ho ditolak
Kesimpulan : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
2) Varian BerbedaRumus :
X1 – X2
t = ---------------------------------------- √ (SD1
2/ n1) + √ (SD22/ n2)
107
df = { (SD12/ n1) + √ (SD2
2/ n2) }2
t = Nilai t Hasil Perhitungan
X1 = Rata-rata kelompok 1
X2 = Rata-rata kelompok 2
n1 = Jumlah sampel kelompok 1
n2 = Jumlah sampel kelompok 2
SD12 = Varians Kelompok 1
SD22 = Varians Kelompok 2
Df = Degree Of Freedom/ Derajat Bebas
Contoh Aplikasi
Pada penelitian terhadap 20 orang laki-laki dan 25 orang perempuan penderita
PJK diperoleh hasil kadar kolesterol pd laki-laki sebesar 78 mg dengan
simpangan baku 4 mg & kadar kolesterol pd perempuan sebesar 84 mg dengan
simpangan baku 6 mg. Bagaimana kesimpulan penelitian ?
Penyelesaian
Diketahui : X1 = 84 mg n1 = 25 orang SD1 = 6 mg
X2 = 78 mg n2 = 20 orang SD2 = 4 mg
UJI HOMOGENITAS VARIANS :
Hipotesis :
Ho : Tidak ada perbedaan Varians pada kedua kelompok
Ha : Ada perbedaan Varians pada kedua kelompok
Level of Significan = α = 0,05
Uji Statistik : Uji F
SD12 62 36
Perhitungan Statistik : F = -------- = ------ = ------- = 2,25
108
SD22 42 16
F hitung = 2,25 dan F tabel = 2,11maka Fhitung > Ftabel maka P < 0,05
Keputusan : Ho ditolak
Kesimpulan : Ada perbedaan Varians pada kedua kelompok
UJI BEDA DUA MEAN INDEPENDEN VARIANS BERBEDA
Ho : Tidak terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
Ha : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
X1 – X2 84 – 78 t = ---------------------------------- = ------------------------------- = √ (SD1
2/n1) + ( SD22/n2) √ (36/ 25) + ( 16/ 20)
6 6 6= ------------------ = ------------- = -------- = 4 √ 1,44 + 0,8 √ 2,44 1,5
t hitung = 4 dan t tabel = 2.509 maka t hitung > t tabel maka P < 0,05
Keputusan : Ho ditolak
Kesimpulan : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
b. Uji Beda Dua Mean Dependen,
Adalah Uji Beda terhadap Dua sample dimana sample yang satu
berpengaruh terhadap sample yang lain
dt = ------------------ SD_d / √ N
109
C. Uji Beda > Dua Sampel ( ANOVA )
Prinsip Anova : melakukan telaah variasi dalam kelompok dan variasi antar
kelompok untuk melihat perbedaan rata-rata antar kelompok
Asumsi yang harus dipenuhi : Varian homogen, Kelompok Independen, Data
berdistribusi normal, Data > 2 kelompok
Rumus :
SB2
F = --------------SW2
n1 (X1 – X)2 + n2 ((X2 – X)2 + . . . + nk (Xk – X)2
Sb2 = ----------------------------------------------------------------k - 1
(n1 – 1) S12 + (n2 – 1) S2
2 + . . . + (nk – 1) Sk2
SW2 = ----------------------------------------------------------------n – k
n1 . X1 + n2 . X2 + . . . + nk . Xk
X = --------------------------------------------------n
df : Pembilang : k – 1
Penyebut : n – k
Contoh Soal :
Suatu penelitian ingin mengetahui kadar folat sel darah merah pada tiga zat
pembius (anestesi) yang berbeda. Data yang berhasil dikumpulkan adalah
sebagai berikut :
Kelompok I : 243 251 275 291 347 354 380 392
Kelompok II : 206 210 226 249 255 273 285 295 309
Kelompok III : 241 258 270 293 328
110
BONFERONI
Uji lanjutan dari Anova untuk mengetahui kelompok mana saja yang berbeda bila
hasil uji Anova ada perbedaan
Xi - Xj
t = ------------------------------- √ Sw2 [(1/ni) + (1/nj)
αα* = --------C
df = n - k
Percobaan efektifitas dosis daun tembakau untuk membunuh kecoa digunakan
tiga dosis, yaitu 5 gr/ Lt, 10 gr/ Lt dan 15 gr/ Lt.
Lamanya kecoa mati untuk tiap-tiap dosis adalah sebagai berikut
Dosis 5 gr/ Lt : 30 32 28 29 31 27 menit
Dosis 10 gr/ Lt : 27 24 29 26 25 24 menit
Dosis 15 gr/ Lt : 21 24 20 22 23 21 Menit
Apakah ada perbedaan lamanya membunuh kecoa dari ketiga dosis tersebut ?
Bila ada, dosis mana saja yang berbeda ?
d. Chi Square = Kai Kuadrat = X2
Chi Square : Analisis data katagorik dengan cara membandingkan frekwensi yang
diamati dengan frekwensi yang diharapkan Apakah perbedaan
bermakna atau factor variasi sample.
111
Tabel Hasil Pelemparan 100 Kali Sebuah Mata Uang Logam
O (Observed) E (Expected) O - E (O – E)2 (O – E)2 / E
G 40 50 -10 100 2
A 60 50 10 100 2
Total 100 100 0 200 4
(O – E)2
Rumus : X2 = ∑ -------------E
df = (b-1) (k – 1)
Type Uji X2
1. Uji Asosiasi 2 Variabel ( Independensi )
2. Uji Homogenitas
3. Uji Beda Proporsi (Kasus – Kontrol)
4. Uji Goodness of Fit
1) Uji Asosiasi 2 Variabel
Tabel Silang Konsumsi Alkohol Dan Status Perokok Selama Kehamilan
Status Perokok
Konsumsi Alkohol
Tidak Ringan Sedang Berat Total
Ya 1880
(30,5 %)
2048
(45,7 %)
194
(53 %)
76
(67,3 %)
4198
(37,7 %)
Tidak 4290
(69,5 %)
2430
(54,3 %)
172
(47 %)
37
(32,7 %)
6929
(62,3 %)
Total 6170
(55,5 %)
4478
(40,2 %)
366
(3,3 %)
113
(1 %)
11127
(100 %)
Dari jajak pendapat mengenai gender diperoleh hasil sebagai berikut :
112
SEXPENDAPAT RESPONDEN
JUMLAHSETUJU TIDAK SETUJU
TIDAK TAHU
Laki-laki 55 65 15 135
Perempuan 90 70 5 165
Jumlah 145 135 20 300
Apakah sama pendapat laki-laki dan perempuan mengenai gender ?
Survey yang dilakukan terhadap terhadap sekelompok orang memperoleh hasil
sebagai berikut :
KEBIASAAN MEROKOKP J K
JUMLAHYA TIDAK
Tidak merokok 40 160 200
Perokok Ringan 50 100 150
Perokok Berat 60 40 100
Jumlah 150 300 450
Apakah ada hubungan antara merokok dengan terjadinya Penyakit Jantung
Koroner ( PJK ) ?
Untuk mengetahui pengaruh vitamin X terhadap kesembuhan
penderita flu dilakukan penelitian dng hasil sebagai berikut :
OBATSEMBUH
JUMLAH Ya Tidak
Vitamin 80 120 200
Plasebo 60 90 150
Jumlah 140 210 350
113
Apakah ada pengaruh Vitamin X thd kesembuhan penderita Flu ?
114
TABEL UJI CHI - SQUARE
dfTaraf Signifikansi
0,50 0,30 0,20 0,10 0,05 0,01 0,005 0,0011 0,455 1,074 1,642 2,706 3,481 6,635 7,88 10,8272 0,139 2,408 3,219 3,605 5,591 9,210 10,6 13,8153 2,366 3,665 4,642 6,251 7,815 11,34 12,8 16,2264 3,357 4,878 5,989 7,779 9,488 13,28 14,9 18,467
5 4,351 6,064 7,289 9,236 11,070 15,09 16,7 20,515 6 5,348 7,231 8,558 10,65 12,59 16,81 18,5 22,4577 6,346 8,383 9,803 12,02 14,02 18,48 20,3 24,3228 7,344 9,524 11,030 13,36 15,51 20,090 22,0 26,1259 8,343 10,66 12,24 14,68 16,92 21,67 23,6 27,87710 9,342 11,78 13,44 15,99 18,31 23,21 25,2 29,588
11 10,34 12,9 14,63 17,28 19,68 24,73 26,8 31,26412 11,340 14,01 15,81 18,55 21,03 26,22 28,3 32,90913 12,340 15,190 16,99 19,81 22,37 27,69 29,8 34,52814 13,33 16,22 18,15 21,06 23,69 29,14 31,3 36,12315 14,34 17,32 19,31 22,31 25 30,58 32,8 37,697
16 15,34 18,42 20,47 23,54 26,3 32,000 34,3 -17 16,34 19,51 21,62 24,79 27,59 33,41 35,7 -18 17,34 20,6 22,76 26,03 28,87 34,81 37,2 -19 18,34 21,69 23,900 27,27 30,14 36,19 38,6 -20 19,34 22,78 25,04 28,51 31,410 37,57 40,0 43,315
21 20,34 23,86 26,17 29,62 32,67 38,93 41,4 -22 21,34 24,94 27,3 30,81 33,92 40,29 42,8 -23 22,34 26,02 28,43 32,01 35,17 41,64 44,2 -24 23,34 27,1 29,55 33,19 35,42 42,98 45,6 -25 24,34 28,17 30,68 34,38 37,65 44,31 46,9 - -
26 25,34 29,25 31,8 35,56 38,89 45,64 48,3 -27 26,34 30,32 32,91 36,74 40,11 46,96 49,6 -
115
28 27,34 31,39 34,03 37,92 41,34 48,28 51,0 -29 28,34 32,46 35,14 39,09 42,56 49,59 52,3 -30 29,34 33,530 36,250 40,26 43,78 50,89 53,7 59,70340 39,3 - - 51,8 55,8 63,7 63,7 73,40250 49,3 - - 63,2 67,5 76,2 79,5 86,66160 59,3 - - 74,4 79,1 88,4 92 99,607
116