STATISTIK KESEHATAN dr. Nur Aisyah Jamil,...

FAKULTAS KEDOKTERAN UNIVERSITAS ISLAM INDONESIA JL. Kaliurang Km. 14,5 Sleman Yogyakarta 55584 Tel: 0274 - 898444 ext 2097 | Fax: + 2007 http://www.medicine.uii.ac.id/ | Email: [email protected]

Elearning Pendidikan Klinik Stase Ilmu Kesehatan Masyarakat (IKM)

STATISTIK KESEHATAN

dr. Nur Aisyah Jamil, M.Sc

Konsep dasar

Statistik adalah ilmu yang mempelajari tentang cara mengumpulkan,

mengolah, menganalisis data dan menyimpulkanya serta melakukan inferensi (ke

populasi) bila hanya sebagian data yang diperoleh (sampel). Biostatistik adalah

cabang statistik dalam bidang ilmu biologi dan medis.

Bahan baku statistik adalah data, sebagian menyederhanakan sebagai

angka. Angka adalah hasil dari pengukuran dan perhitungan. Data terdiri atas

kumpulan angka. Setiap angka tersebut dinamakan datum.

Data yang dibutuhkan untuk analisis statistik adalah data yang dapat

digunakan untuk menjawab pertanyaan (penelitian). Data tersebut dapat diperoleh

dari berbagai sumber seperti :

1. Catatan rutin, seperti catatan follow-up dokter, rekam medis, laporan

keuangan, dan sebagainya

2. Survey, data yang tidak dapat diperoleh dari catatan rutin, harus dicari

dengan survey. Contoh untuk mengetahui tingkat kepuasan pasien

terhadap pelayanan Puskesmas, kita dapat mengetahuinya dengan cara

mengadakan survey terhadap pasien puskesmas.

3. Eksperimen yaitu data yang diperoleh setelah melakukan uji coba.

4. Sumber eksternal, yaitu data yang diperoleh dari hasil penelitian orang lain,

jurnal yang dipublikasikan, textbook dan sebagainya.

Variabel adalah karakteristik yang diobservasi, yang berbeda pada tiap orang,

tempat atau sesuatu. Variabel diskrit tidak memiliki desimal. Contoh variabel

diskrit adalah jumlah jari tangan. Variabel kontinu mempunyai desimal, contohnya

adalah tinggi badan anak sekolah. Variabel kuantitatif adalah yang dapat dihitung,

variabel kualitatif adalah yang tidak dapat dihitung (seperti gender : laki-laki,

perempuan). Variabel kualitatif biasanya merupakan skala nominal.

Pengukuran dan Skala Pengukuran

Pengukuran bertujuan untuk memberikan ukuran angka pada sebuah

objek. Terdapat beberapa skala pengukuran, yaitu :

a) Skala nominal merupakan skala terendah, pengelompokan

individu/objek/respon/benda berdasarkan kesamaan karakteristik tertentu

dan dikategorikan secara mutually eksklusive (tidak dapat beririsan).

Contohnya pria-wanita, anak-dewasa, menikah-belum menikah, islam-

kristen-hindu, setuju-tidak setuju dan lain sebagainya.



b) Skala ordinal memiliki ciri khas nominal dan kelompok tersebut disusun

ranking (order) dengan aturan tertentu. Contoh dibawah rata-rata, rata-rata,

diatas rata-rata.

c) Skala interval tidak hanya dapat merangking, namun jarak diantara dua

pengukuran diketahui. Skala interval memiliki starting point dan terminating

point . Contoh 1-5,6-10,11-15, dan seterusnya.

d) Skala ratio merupakan skala pengukuran tertinggi (memiliki karakteristik

nominal, ordinal dan interval) ditambah tujuannya sendiri dan memiliki

starting point yang tetap seperti nol. Dapat digunakan dalam perhitungan

matematis. Contoh, usia 40 tahun adalah 2 kali lebih tua dari usia 20 tahun.

Statistik Deskriptif

Statistik deskriptif merupakan hasil perhitungan sampel data yang dapat

menggambarkan kondisi data tersebut. Cara paling umum untuk statistik deskriptif

adalah tabel distribusi frekuensi, histogram, polygon frekuensi dan steam-leaf

displays. Terdapat ukuran central tendensi (mean, median, modus) dan ukuran

dispersi/penyebaran (range, varian, standar deviasi)

Mean adalah rata-rata dari hasil pengukuran, median adalah hasil

pengukuran yang berada di tengah (bila diurutkan dari kecil ke besar), dan modus

adalah hasil pengukuran yang paling sering muncul. Range adalah selisih hasil

pengukuran terbesar dan terkecil. Varian adalah jumlah kuadrat dari selisih hasil

pengukuran dengan mean dibagi jumlah sampel dikurangi 1, menunjukkan

besarnya penyebaran relatif dengan nilai mean-nya. Standar deviasi adalah akar

dari varian, yang berguna untuk mengukur variasi dalam sebuah set data.

Contoh dari 10 perhitungan didapatkan hasil : 1,2,2,3,4,4,4,5,7,9

Maka:

a. Mean=

=

=4,1

b. Median adalah posisi tengah, no 5=4, no 6= 4, maka median=

=4

c. Modus adalah hasil pengukuran yang paling sering muncul yaitu 4(3 kali

muncul)

d. Range =9-1=8

e. Varians

=

= 5,8

f. Standar deviasi= =2,4



Distribusi Normal

Sampel yang diambil dengan teknik yang baik akan merepresentasikan

keadaan populasi yang sesungguhnya. Hal ini mengurangi sampling error. Hasil

perhitungan sampel tersebut selalu membentuk distribusi kurva normal (Gaussian

distribution), yaitu suatu bentuk kurva distriusi frekuensi yang menyerupai bell (bell

shape). Ciri-ciri distribusi normal adalah :

1. Bentuknya simetris (seperti bayangan di cermin), dengan mean

ditengahnya

2. Mean, median dan modus sama

3. Area under curve(AUC) kanan dan kiri mean seimbang (50%)

4. Wilayah AUC + 1 SD= 68%, + 2 SD=95%, + 3 SD= 99,7%.

5. Standar deviasi yang lebar akan membuat kurva normal menjadi lebih flat.

Dengan melihat hubungan nilai mean, median dan modus maka dapat

menentukan bentuk distribusi data, yaitu :

- Bila mean, median, modus sama maka distribusi data adalah normal - Bila mean > median > modus maka distribusio data miring ke kanan - Bila mean < median < modus maka distribusio data miring ke kiri

Berdasarkan soal di atas Mean>median=modus, data dapat dikatakan normal

Cara lain untuk memeriksa normalitas data adalah menggunakan nilai kurtosis

dan skewness (dari SPSS) dimana

dan maka data berdistribusi normal

Contoh : Hasil output statistic dskriptif adalah sebagai berikut

Mean 39.9667

Median 41.0000

Mode 45.00

Std. Deviation 13.98887

Skewness -.400

Std. Error of Skewness .427

Kurtosis -.385

Std. Error of Kurtosis .833

= =-1 dan = =-0,5



Maka data berdistribusi normal

Selain itu dapat dihitung menggunakan Kolmogorof-Smirnov. Berikut ini

contoh pemakaian uji Kologorof-Smirnov terhadap variabel tekanan darah sistolik

(TDS) pada program SPSS :

Klik Analyze → Descriptive statistic → Explore → Isikan pada kolom dependen list : TDS → Klik Plots → Pilih normality plots with test → Continue → OK

Hasil outputnya sebagai berikut :

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Tekanan Darah

Sistolik

.274 25 .000 .797 25 .000

a. Lilliefors Significance Correction

Interpretasi : Pada uji normalitas Ho=data terdistribusi normal, Hi/Ha =data tidak normal Nilai p TDS < 0.05 sehinggga Ho ditolak dan H1 diterima. Hal ini menunjukkan

sebaran data tidak normal.

Menyajikan data

1. Tabel

Metode yang paling umum untuk mempresentasikan data adalah

tabel. Tabel berguna untuk menyajikan data yang besar dalam bagian

yang kecil. Jenis tabel berdasar pada jumlah variabelnya terdiri atas

tabel univariat yang sering dikenal dengan tabel frekuensi, tabel bivariat

biasanya dalam bentuk cross tabulation, dan tabel mutivariat.

Komponen tabel adalah sebagai berikut :

a. Judul harus informatif,menggambarkan isinya. Penulisan variabel

terikat terlebih dahulu baru varuabel bebasnya. Penomoran tabel

pada tulisan desertasi dimulai dengan nomer bab-nya.

b. Stub/bagian vertical (Y-axis) memuat sub kategori dari

variabel(terikat) yang informasinya dijelaskan pada kolom-kolom di

sebelah kanan.



c. Caption/ judul kolom, pada tabel univariat, judul kolom biasanya

jumlah/persentase responden. Jika bivariat, judul kolom memuat sub

kategori variabel (X-axis).

d. Badan memuat data

e. Suplemen/footnotes, terletak di bawah tabel, merupakan keterangan

tambahan seperti sumber (bila menggunakan tabel dari sumber

tenrtentu), keterangan umum, keteragan bagian spesifik tabel,

keterangan level of probability.

2. Grafik

Merupakan cara penyajian data yang lebih mudah difahami

(informative dan komunikatif) dan lebih menarik (attractive). Untuk

data kategorikal dapat menggunakan histogram, diagram batang dan

pie chart. Untuk data kontinu, selain dapat menggunakan histogram,

diagram batang dan pie chart, juga dapat menggunakan diagram

garis. Selain jenis data, jumlah variabel juga menentukan grafik apa

yang paling baik digunakan. Berikut ini jenis-jenis grafik beserta

kegunaannya:

a. Histogram

Adalah penyajian data kontinu interval, tinggi masing-masing

kotak histogram menunjukkan frekuensi/persentasenya. Sebelum

membuat histogram, data terlebih dahulu dikelompokkan dengan

interval tertentu.

Gambar 1 histogram kadar total protein pasien

b. Diagram batang

Identik dengan histogram, namun antar batang terdapat spasi yang

menunjukkan bukan data kontinu (bisa kategorikal, baik nominal atau

ordinal).



Gambar 2 diagram batang pendidikan reponden

c. Frekuensi polygon

Frekuensi polygon didapatkan dengan cara menghubungkan nilai

tengah masing-masing histogram. Contoh dibawah ini adalah frekuensi

polygon jumlah jam belajar mahasiswa

sumber : http://www.icoachmath.com/math_dictionary/Frequency_Polygon.html

Gambar 3 frekuensi polygon jumlah jam belajar mahasiswa

d. Diagram Stem-leaf

Merupakan cara lain untuk menyajikan data distribusi frekuensi.

Masih nyaman bila jumlah data tidak terlalu banyak (dapat mencapai

digit 100 sampai 1000). Contoh diagram stem - leaf usia responden dari

30 reponden di bawah ini :

usia Stem-and-Leaf Plot

Frequency Stem & Leaf

2 1 . 02 4 2 . 1223 9 3 . 245566789 7 4 . 3455556

0

2

4

6

8

10

12

14

16

SD SMP SMA PT



6 5 . 345567 2 6 . 04

Stem width: 10.00 Each leaf: 1 case(s)

Gambar 4 Diagram Stem-Leaf

e. Pie Chart

Lingkaran pie yang mempunyai 360 derajat merupakan 100 persen

data. Pembagian derajat bergantung pada frekuensi/persentase

masing-masing sub kategorik. Idealnya pie chart digunakan untuk

kategori yang tidak terlalu banyak. Pada data kontinu dapat digunakan,

hanya sebelumnya perlu dikelompokkan terlebih dahulu.

Gambar 5 pie-chart pendidikan responden

f. Diagram garis / kurva trend

Berguna untuk menyajikan data kontinu (skala interval atau ratio).

Data long term, dapat dilihat kecenderungan/trend sesuatu kejadian.

Contoh trend angka kematian bayi Indonesia.

SD

SMP

SMA

PT



sumber 2007 Indonesia Demographic and Health Survey

Gambar 6 Kurva Trend Angka Kematian Bayi Indonesia

Tahun 1971-2007

g. Diagram hambur(scattergram)

Tidak dapat digunakan pada variabel yang kategorik. Hanya pada

data continue (interval/ratio) dan memiliki dasar hipotesis kedua variabel

berhubungan. Semakin teratur letak hamburnya akan mendekati garis

tertentu , maka kedua variabel memiliki hubungan yang linear.

Gambar 7 diagram hambur usia dan tekanan darah sistolik

h. Blox plot

0

20

40

60

80

100

120

140

160

180

0 10 20 30 40 50 60

Teka

nan

Dar

ah S

isto

lik

Usia



Adalah salah satu penyajian data distribusi frekuensi berdasarkan

ukuran kuartil. Batas bawah box adalah kuartil1 (Q1), batas atas box

adlah kuartil 3 (Q3), garis tengah box adalah median (Q2). Garis paling

bawah adalah hasil pengukuran terendah, garis paling tinggi adalah

hasil pengukuran tertinggi.

Gambar 8 Diagram Box-Plot

Statistik Inferensi

Statistik inferensi adalah prosedur pengambilan simpulan dari sebuah

populasi berdasarkan sampel yang diambil dari populasi tersebut. Untuk dapat

melakukan inferensi, diperlukan uji statistik yang akan menguji hipotesis

penelitian. Berikut ini adalah tabel yang merangkum uji statistik yang digunakan

berdasarkan jumlah dan sifat variabel bebas dan variabel terikatnya.

Tabel 1 Jenis Uji Statistik Berdasarkan Jumlah dan Sifat Variabel

Jumlah Variabel Terikat

Sifat Variabel Bebas Sifat Variabel Terikat Jenis Uji Statistik

1 0 Variabel Bebas (1 populasi)

interval & normal one-sample t-test

ordinal or interval one-sample median

Kategorikal (2 kategori)

binomial test

Kategorikal Chi square goodness of fit



1 Variabel Bebas dengan 2 kelompok (independent groups)

interval & normal 2 independent sample t-tes

ordinal or interval Wilcoxon-Mann Whitney test

Kategorikal Chi- square test

Fisher's exact test

1 Variabel Bebas dengan 2 kelompok atau lebih (independent groups)

interval & normal One way ANOVA

ordinal or interval Kruskal Wallis

Kategorikal Chi- square test

1 Variabel Bebas dengan 2 kelompok (berpasangan)

interval & normal paired t-test

ordinal or interval Wilcoxon signed ranks test

Kategorikal Mc Nemar

1 Variabel Bebas dengan 2 kelompok atau lebih (berpasangan)

interval & normal one-way repeated measure ANOVA

ordinal or interval Friedman test

Kategorikal repeated measures logistic regression

2 Variabel Bebas atau lebih (independent groups)

interval & normal factorial ANOVA

ordinal or interval ?

Kategorikal factorial Logistic Regression

1 Variabel Bebas (interval)

interval & normal correlation

simple linear regression

ordinal or interval non-parametric correlation

Kategorikal simple logistic regression

1 Variabel Bebas (interval) atau lebih dan atau 1 Variabel Bebas (kategorik) atau lebih

interval & normal multiple regression

analysis of covariance

Kategorikal

multiple logistic regression

discriminant analysis

2 atau lebih

1 Variabel Bebas dengan dua kelompok atau lebih (independent groups)

interval & normal one-way MANOVA



2 atau lebih 2 atau lebih

interval & normal multivariate multiple linear regression

2 atau lebih

0 interval & normal canonical correlation

2 atau lebih

0 interval & normal factor analysis

Sumber (http://www.ats.ucla.edu/stat/mult_pkg/whatstat/default.htm)

P value adalah peluang mendapatkan hasil yang paling ekstrim dari sampel

yang diobservasi bila hipotesis nol benar.

Gambar 9 p value pada one-tail

Gambar 10 p value pada two tail.

Interval Kepercayaan 95% (95% Confidence Interval) dengan level

terendah=a dan level tertinggi=b , semisal dalam 100 kali pengambilan sampel,

peneliti memiliki kepercayaan 95 kali hasilnya akan jatuh pada nilai diantara a dan

b. Jadi tingkat kesalahan hanya 5 persen. Interval a dan b semakin kecil hasilnya

semakin precise. Formula untuk interval kepercayaan adalah :

95% IK untuk µ=ẋ ±1,96(δ/ ) dan 99 % IK untuk µ=ẋ ±2,58(δ/ )

µ=rata-rata populasi

ẋ =rata-rata sampel yang diobservasi

1,96 dan 2,58 dari standar deviasi rata-rata populasi = Z score dari α 0,05 dan

0,01



δ = standar deviasi

n= jumlah sampel

Contoh Seseorang mengklaim bahwa rata-rata usia populasi 7683 orang di Honolulu adalah 53 tahun (µ0), Apakah klaim ini benar?. Maka seorang peneliti melakukan Penelitian Honolulu Heart Study dengan mengambil 100 orang sampel didapatkan nilai rata-rata usia (ẋ ) = 54,85 tahun dan standar deviasi (δ ) = 5,5, maka 95% interval kepercayaan dari penelitian (53,78-55,93) dan 99% interval kepercayaan dari penelitian (53,43-56,27)

Gambar 95% IK dan 99% IK

Dari hasil perhitungan, µ0 (53) tidak berada di dalam rentang IK, maka H0

tertolak, H1 diterima, bahwa populasi sampel (54,85) berbeda signifikan dengan rata-rata populasi.

Sumber Kuzma JW and Bohnenblust S (2005)

Untuk mempersempit IK maka dapat melakukan beberapa hal berikut ini:

a) Memperbesar jumlah sampel

b) Menurunkan level konfiden, seperti dari 99% IK ke 95% IK

c) Meningkatkan presisi dengan menurunkan kesalahan pengukuran

(measurement error termasuk non random teknik) sehingga varian lebih

kecil.

Uji Hipotesis

Pada uji perbandingan dua mean (independent t-test, paired t-test), maka

rumusan uji hipotesis:

a) Ho= u1=u2= tidak terdapat perbedaan mean antara kelompok 1 dan

kelompok 2

b) H1/Ha= u1=u2=mean kelompok 1 berbeda dengan mean kelompok 2

c) Dimana bila p<0,05 , Ho ditolak, H1 diterima



Pada uji ANOVA, maka rumusan uji hipotesis:

a) Ho=u1=u2=u3=u4

b) H1/Ha= satu atau lebih mean berbeda dari yang lain

c) Dimana bila p<0,05 , Ho ditolak, H1 diterima

Berikut ini adalah tabel makna p<0,05 (Ho ditolak dan H1 diterima pada

masing-masing uji statistik.

Tabel Makna p <0,05 pada Berbagai Uji Statistik

No Nama Uji Makna bila p<0,05 (Ho ditolak, H1 diterima)

1

Uji Normalitas Kolmogorov-Smirnov dan Shapro-wilk

Distribusi data tidak normal

2 Uji Varians levene's test

Distribusi beberapa set data yang dibandingkan mempunyai varians yang berbeda

3 Uji t berpasangan

Terdapat perbedaan rerata yang bermakna antara dua kelompok data

4 Uji t tidak berpasangan

5 Uji Wilcoxon

6 Uji Mann-Whitney

7 Uji ANOVA Paling tidak terdapat dua kelompok data yang mempunyai perbedaan rerata yang bermakna(post hoc analisis digunakan untuk mengetahui kelompok mana yang berbeda secara bermakna)

8 Uji Friedman

9 Uji Kruskal-Wallis

10 Uji McNemar Terdapat perbedaan proporsi yang bermakna antara dua kelompok data 11 Uji Homogenity

12 Uji Cochran

Paling tidak terdapat dua kelompok data yang mempunyai perbedaan proporsi yang bermakna(post hoc analisis digunakan untuk mengetahui kelompok mana yang berbeda secara bermakna)

13 Uji Chi-Square

Terdapat hubungan yang bermakna antara variabel A dan B

14 Uji Kolmogorov-Smirnov

15 Uji Fisher

16 Uji Pearson

Terdapat korelasi yang bermakna antara variabel A dan B

17 Uji Spearman

18 Uji Koefisien Kontingensi

19 Uji Lambda



20 Uji Gamma&Somers'd

Sumber : Dahlan, 2011



Daftar Pustaka

1. Dahlan S, Statistik untuk Kedokteran dan Kesehatan,2011, Jakarta:

Salemba Medika

2. Daniel WW, Biostatistik,7th ed, 1999, New York: John and Willey Son.

3. Kumar R, Research Methodology, 1999, Malaysia : Sage Publication

4. Kuzma JW, Bohnenblust S, Basic Statistic for the Health Sciences, 4th ed,

2005, USA : McGraw Hill

STATISTIK KESEHATAN dr. Nur Aisyah Jamil,...

Documents

Transcript of STATISTIK KESEHATAN dr. Nur Aisyah Jamil,...