Novi Nurwahyuningsih (1805015008)
Biostatistik inferensial 2F
PENDAHULUAN
Statistik
Dalam arti sempit yaitu angka atau data.
Dalam arti luas yaitu prosedur atau metode dalam pengumpulan data. pengolahan data, analisis data, dan penyajian data.
Skala pengukuran data dibagi menjadi 4 bagian :
1. Nominal
Data yang hanya bisa membedakan nilai datanya dan tidak tahu nilai data mana yang
lebih tinggi atau rendah.
Contoh: Jenis kelamin, Jenis warna, dsb.
2. Ordinal
Data yang membedakan satu sama yang lain dan mempunyai arti tingkatan (lebih rendah,
lebih besar).
Contoh: Tingkat pendidikan, status pekerjaan, dsb.
3. Interval
Data yang membedakan, mempunyai besaran/jarak/interval yang tetap antara satu data
dengan yang lainnya.
Ciri khasnya: Tidak mempunyai nol mutlak.
Contoh: Suhu
4. Rasio
Data yang membedakan, mempunyai arti tingkatan, mempunyai besaran/jarak tertentu antar
datanya.
Ciri khasnya: Mempunyai nilai mutlak(absolut)
Contoh:Tinggi badan, berat badan dsb.
Peran Statistik dalam Penelitian
- Untuk menghitung besarnya sampel yang akan diteliti.
- Alat untuk menguji validitas dan reliabitas intrumen.
- Alat untuk pengolahan data.
- Alat untuk analisis data.
- Alat untuk penyajian data.
Langkah-langkah Metode Statistik:
- Pembatasan masalah
- pengumpulan data
- pengolahan data
- analisis data
- penyajian informasi
Statistik terbagi menjadi 2 bagian, yaitu:
- Statistik Deskriptif
- Statistik Inferensial
Pengertian
Statistik Inferensial :Statistik yang
digunakan oleh
peneliti untuk
menarik kesimpulan
tentang dunia
atau untuk
menguji hipotensis
formal ( Chernick and Fris
2003)
Statistik Inferensial :Statistik yang
terdiri dari
prosedur yang
digunakan untuk
membuat kesimpulan tentang karakteristik
populasi berdasarkan
informasi pada
sampel digambarkan dari
populasi tersebut
( Mendenhall et al., 2009 )
Statistik inferensial ada 2 macam. yaitu:
1. Parametrik test
1. Parametrik test
Membutuhkan
data bersifat
kategorikal (
continuous data ) dan data
harus berdistribusi normal atau mendekati
normal.
Beberapa
syarat penggunaan
uji
parametrik :
1.
Data harus berdistribusi
normal.
2.
Data bersifat numerik
( interval atau rasio
).
Contoh parametrik test :
→Pearson product moment ( r-test )
→Independent t - test
→Dependent t - test
→Anova ( analysis of variance)
2. Non - parametrik test
Data bersifat kategorikal
( orginal atau
nominal ) dan data Tidak
harus berdistribusi
normal. Bila datanya
numerik, maka
masih dapat
dilakukan
convert kenominal atau
ordinal. Namun perlu diingat, uji
non parametrik tidak sekuat
/ setepat uji
parametrik.
Beberapa syarat penggunaan non parametrik :
1. Data
tidak harus
berdistribusi
normal ( boleh berdistribusi
tidak
normal)
2. Data
bersifat kategorikal
( nominal atau
ordinal )
3. Biasanya
dipakai sebagai
uji alternatif
dari paramentik test ( bila paramentrik
test tidak memenuhi
syarat ).
Contoh non parametrik test :
→Test
Sperman (rho)
→Chi
squere
→Fisher
exact test
→Mc
Nemar s
test
→Mann
Whitney
→Wilcoxon
→Kruskal
walls
→Logistic
regression
Populasi
Dalam statistik, term “populasi”
tidak hanya merujuk pada orang atau makhluk hidup, seperti
populasi
penduduk Indonesia, populasi ayam di DKI Jakarta. Tetapi juga merujuk pada populasi
objek atau event atau
prosedur, termasuk juga jumlah suatu zat dalam urin, kunjungan ke dokter, atau
tindakan operasi. Jadi, Populasi bisa berupa kumpulan
makhluk hidup, sesuatu, kasus, dsb.
Sampel
Kumpulan
dari
satuan/unit yang kita ambil dari populasi studi (n).
Syarat Sampel Random :
1.Setiap
unit/individu dalam populasi memiliki kesempatan yang sama untuk terpilih
sebagai sampel
2.Harus
secara akurat mewakili populasi di mana sampel diambil → Representatif →menghindari
adanya penyimpangan
atau bias
3.Besarnya
atau jumlahnya memadai
Beda Parameter dan Sampel
Parameter yaitu sejumlah angka yang menggambarkan populasi, sedangkan
Statistik yaitu sejumlah angka yang dihitung dari sampel.
Dalil Penting dari Statistik
Inferens adalah
Distribusi
Sampel
↡
Distribusi
Sampel:
Distribusi
dari mean-mean sampel yang diambil secara berulang-ulang dari suatu populasi.
Sifat- Sifat distribusi Sampel
Sifat distribusi Sampel disebut sebagai Central Limit Theorem (Theorema Limit Pusat)
1. Jika sampel
random diambil dari populasi normal dengan mean = µ dan varian 2
distribusi
sampel harga
mean
adalah x = µ dan varian 2/n
= /√n (SEM)
SEM = Standar Error of Mean
2. Apabila populasi berdistribusi normal → distribusi sampel
harga
mean juga akan berdistribusi
normal, maka berlaku persamaan Z
Z = x
- µ
SE
3. Walaupun populasi
berdistribusi sembarang, jika sampel diambil berulang-ulang
maka distribusi
harga
meannya akan membentuk
distribusi
normal
Distribusi
sampel memperlihatkan hubungan antara
probabilitas statistik dan nilai statistik untuk semua sample size (sampel yang diambil) yang menggambarkan
populasi
Pengambilan sampel pada populasi distribusi normal
1.Kesalahan
baku (SE)
lebih kecil
dibandingkan
dengan simpangan
baku (sd)
populasinya.
2.Makin
besar
sample makin kecil
kesalahan baku
(SE).
Contoh Soal
1. Distribusi Kadar kolesterol serum
untuk laki-laki usia 20 sampai 74 tahun di Indonesia tahun 2000
menunjukkan
bahwa mean untuk populasi adalah (µ) = 211 mg/100 ml dan standar deviasi
(၈) =
46 mg/100 ml.
Jika kita memiliki sampel
size
= 25 orang dari populasi, berapa proporsi dari
sampel yang akan diambil untuk nilai mean 230 mg/100 ml atau lebih tinggi?
Jawaban
1. Z = X
- µ
SE
SE = /√n = 46/√25 = 9.2 mg/100 ml
Z = X
– 211
9.2
X = 230 → Z = 230
– 211
9.2
Z = 2.07
Atau
Cara Lain:
Z = 2.07 à lihat pada tabel Distribusi
Normal Standar à Didapat
0.4808
Karena
tabelnya distribusi Normal Standar
maka
dihitung dengan cara : 0.5 – 0.4808 = 0.0192
= 1.9%
211 230
Interpretasinya:
(Hanya) 1,92% dari sampel laki-laki
usia 20 sampai 74 tahun di Indonesia tahun 2000 memiliki Kadar
kolesterol serum mean
yang sama dengan atau lebih besar dari nilai 230 mg/100 ml.
SD (Standar Deviasi)
⟹Disebut
juga Simpangan Baku
⟹Ukuran
sebaran
statistik yang paling lazim. SD mengukur bagaimana
nilai-nilai data tersebar.
⟹Atau
Rata-rata jarak
penyimpangan titik-titik data (nilai-nilai observasi) diukur dari
nilai rata-rata
data tersebut.
⟹SD = 0, berarti datanya homogen = sama
⟹Semakin kecil SD, semakin sempit rentang
(beda) antara nilai tertinggi dengan nilai terendah,
begitu sebaliknya.
Standard
Error (SE)
Standard
Error adalah standar deviasi dari
rata-rata
Jika kita hitung nilai standar deviasi dari tiga buah nilai
rata-rata, maka nilai standar deviasi dari nilai
rata-rata tersebut disebut sebagai standard
error.
➣Nilai
SE kecil berarti penyebaran mean/rata-rata sampel juga kecil maka estimasi
terhadap parameter populasi akan lebih tepat.
➣Bila
nilai SE besar berarti penyebaran mean/rata-rata sampel juga besar maka
estimasi terhadap parameter populasi menjadi kurang tepat.
➣Nilai
SE akan turun (semakin kecil) apabila jumlah sampel diperbanyak dan varians
atau SD sampel dikurangi.
➣SE mengukur presisi dari perkiraan parameter populasi.
➣Ukuran statistik ini dapat menunjukkan seberapa dekat nilai mean populasi dengan nilai estimasi yang didapat dari nilai mean sampel.
Oleh karena
itu, SE
dapat digunakan
untuk menentukan dan mengontrol jumlah
sampel.
PERBEDAAN
RUMUS VARIANS, SD, DAN SE
Varian = Var = ∑(xi
– x)2
n - 1
Standard error of mean
Standard Error (SE) dalam
beberapa
referensi
disebut
juga
dengan
Standard
Error of Mean
(SEM) adalah estimasi dari standar
deviasi yang didapat dari mean-mean dari sejumlah
sampel yang menggambarkan
populasi
➤SEM
= SD(dari
Mean)/√n = SE
Standard error untuk proporsi/prosentase
SE juga dapat dihubungkan dengan
prosentase atau proporsi.Dalam hal ini, jumlah sampel akan
dipengaruhi oleh nilai standard error, tetapi
jumlah variasinya ditentukan oleh nilai dari prosentase atau proporsi dalam
populasi itu sendiri sehingga tidak dibutuhkan estimasi dari SD.
Jika p
mewakili 100% maka
100 – p
adalah nilai yang lainnya.
Dengan demikian,
Rumus yang digunakan adalah
SE
Prosentase =
√ p(100 – p)
n
Margin error
➤Margin
Error adalah suatu
tingkat
ketidaksesuaian hasil statistik dengan kenyataan di lapangan
➤Margin
of
Error ini
dapat menunjukkan keakuratan dalam suatu penelitian/poling/ survei
➤Margin
of Error = Critical
value
* Standard
error
➤Critical
value diambil
dari nilai skor z, misalnya untuk tingkat kepercayaan 95% maka didapat nilai
skor Z adalah 1.96 (didapat dari tabel distribusi
normal)
ESTIMASI
Estimasi
merupakan ketrampilan untuk hidup (skill for life)
Jika
Anda berangkat ke kampus untuk mengikuti kelas, Anda mengestimasi berapa lama
perjalanan dari tempat tinggal ke UHAMKA dengan menggunakan jenis kendaraan
tertentu. Dengan estimasi tersebut, Anda akan terhindar dari keterlambatan
sampai di kelas
Jika waktu dan informasi cukup memadai, maka estimasi
yang akurat, menghasilkan ukuran
yang dapat dipertanggung jawabkan
Estimasi dalam Statistik
SAMPEL ⟹ POPULASI
Estimasi:
Metode memperkirakan nilai populasi (parameter) dengan memakai nilai sampel (statistik) ⟹karena
perhitungan langsung pada seluruh populasi tidak mungkin dilalukan
Dengan estimasi, tidak perlu mengambil sampel berulang kali utk mengetahui distribusi samping.
Estimator
Merupakan Nilai statistik atau statistik sampel yang dipakai untuk menduga nilai populasi (parameter).
Sifat estimator :
1. Tidak bias.
2. Efisien.
3. Konsisten.
Bentuk estimasi :
1. Estimasi Titik
Mengandung perhitungan angka tunggal untuk mengestimasi nilai parameter.
2. Estimasi Selang
Metode yang memberikan hasil perhitungan nilai berupa nilai jangkauan untuk mengestimasi nilai parameter.
Rumus umum
Estimasi
Selang/Confidence Interval (CI)
St – Z ½α. SE ≤ parameter ≤ St + Z ½α.
SE
Di mana:
St = nilai statistik (sampel = xbar)
Z1/2
α = deviasi relatif (standar score, ditentukan oleh confident
interval : Z1/2
α 95% = 1.96, Z1/2α
90% = 1.645
SE = standar d error (σ/√n)
Parameter = nilai populasi yg diduga (µ)
Atau
xbar – Z ½α.SE ≤ µ ≤ xbar + Z ½α.SE
Nilai Confidence Interval
•CI
99% → Z ½ α = ± 2.575
•CI
95% →Z ½ α = ± 1.96
•CI
90% → Z ½ α = ± 1.645
•CI
80% → Z ½ α = ± 1.28
•⇒Di dapat
dari
tabel
distribusi
Normal Standar
Distribusi student t
Ketika jumlah sampel tidak besar, dua aspek yang dapat berubah :
1)Standard
deviasi sampel
(s) , yang tunduk pada variasi sampel, mungkin tidak dapat diandalkan untuk mengestimasi nilai
standard deviasi populasi (σ)
2)Ketika distribusi di
populasi tidak
normal maka distribusi
sample dari
mean mungkin juga tidak
normal
SE = s/√n df
= n – 1
UJI HIPOTESIS
Uji hipotesis adalah suatu prosedur yang dilakukan dengan tujuan memutuskan apakah
ada perbedaan atau hubungan, cukup meyakinkan untuk ditolak atau tidak(gagal) ditolak.
Uji hipotesis di gunakan untuk mencapai keputusan tentang sesuatu populasi yang dinilai
dari sampel yang diambil dari populasi.Secara luas Uji hipotesis digunakan untuk
penelitian di bidang kedokteran, kedokteran gigi, kesehatan masyarakat, dan bidang
lainnya untuk menggambarkan keputusan dari populasi. Keyakinan untuk ditolak atau
tidaknya suatu hipotesis didasarkan pada peluang untuk memperoleh hubungan tersebut
secara kebetulan (by chance).
Prinsip Uji Hipotesis
⇓
Melakukan perbandingan antara nilai data sampel (data hasil penelitian) dengan nilai
hipotesis (nilai populasi).
Peluang diterima atau ditolaknya Hipotesis
Tergantung besar kecilnya perbedaan antara nilai sampel dengan nilai hipotesis. Bila
perbedaan cukup besar, peluang-peluang untuk menolak hipotesis pun besar. Begitu
sebaliknya.
Kesimpulan Yang di Dapat dari Pengujian Hipotesis:
1. Menolak hipotesis
2. Menerima hipotesis (gagal menolak hipotesis)⇒ Penelitian tidak cukup bukti untuk menolak hipotesis, hingga disebut "gagal menolak hipotesis"
Jenis Hipotesis
1. Hipotesis nol (Ho)
Menyatakan tidak ada hubungan antara variabel satu (exposure) dengan variabel yang
lain(disease/outcome)
Contoh: Tidak ada hubungan antara jenis kelamin dengan tekanan darah.
2. Hipotesis Alternatif (Ha)
Menyatakan ada perbedaan sesuatu kejadian antara kedua kelompok
Contoh: Ada hubungan antara kebiasaan merokok pada ibu hamil dengan berat badan bayi waktu lahir.
Bentuk Uji Hipotesis atau dua sisi (two tail)
1. One tail
apabila hipotesis alternatif menyatakan adanya perbedaan dan ada pernyataan yang mengatakan bahwa hal yang satu lebih rendah/tinggi daripada yang lain.
Contoh: BB bayi dari
ibu hamil yang merokok lebih kecil dibandingkan BB bayi dari ibu hamil yang tidak merokok
2. Two tail
apabila hipotesis alternatif hanya menyatakan perbedaan tanpa melihat apakah yang satu lebih tinggi/rendah daripada yang lain.
Contoh: BB bayi dari ibu hamil yang merokok berbeda dibandingkan BB bayi dari ibu yang tidak merokok
Ada 2 jenis kesalahan pengambilan keputusan dalam uji statistik
1. Kesalahan
tipe
I (𝟃)
Kesalahan menolak
Ho, padahal sesungguhnya Ho
benar.
⇒Menyimpulkan adanya perbedaan, padahal sesungguhnya tidak ada perbedaan.
2. Kesalahan tipe II (ß)
Kesalahan tidak menolak
Ho,padahal sesungguhnya Ho
salah.
⇒Menyimpulkan tidak ada perbedaan, padahal sesungguhnya ada perbedaan.
Menentukan Tingkat Kemaknaan
➔Nilai
yang menunjukkan besarnya peluang salah dalam menolak H0
➔Tingkat
kemaknaan sering disebut dengan Nilai 𝟃 ⇒merupakan
batas toleransi
peluang salah dalam menolak H0
➔merupakan
nilai batas maksimal kesalahan menolak H0
➔Juga
sebagai batas maksimal kita salah menyatakan adanya perbedaan/ada
hubungan
Nilai PValue
Nilai
Pvalue
merupakan
nilai yang menunjukkan besarnya
peluang salah menolak
Ho dari data penelitian.
→Harapan
kita nilai Pvalue
adalah
sekecil
mungkin, sebab bila nilai Pvalue
kecil
maka
kita yakin bahwa adanya perbedaan pada hasil penelitian menunjukkan pula adanya
perbedaan di populasi
→Dengan
kata
lain kalau nilai Pvalue nya kecil
maka perbedaan yang ada pada penelitian terjadi bukan karena faktor kebetulan (by
chance).
→Nilai Pvalue adalah Jika didapat nilai Pvalue
≤
atau Pvalue
≤
0.05
à
Ho
ditolak →menunjukkan bahwa ada perbedaan atau ada hubungan antara kelompok yang diteliti.
Tentang PValue
⇒Pvalue,
atau
kemaknaan secara statistik, tidak mengukur besarnya suatu efek atau pentingnya
suatu hasil penelitian
⇒Kemaknaan
statistik
tidak sama dengan kemaknaan ilmiah
⇒Efek
yang
identik bisa saja menghasilkan p-values yang berbeda jika presisi hasil
pengukurannya berbeda
⇒Analisis
data
tidak boleh berhenti pada Pvalue
⇒Analisis
data
seharusnya menyertakan pula pendekatan lain untuk sampai pada suatu kesimpulan .