Dasar Biostatistik kesehatan tahun 2025.pptx

Dasar Biostatistik

1. MOH. ICHSAN A. ANTU, S.KM., M.K.M E-mail : [email protected] BIOSTATISTIK

2. 2 SKS TUJUAN UMUM INSTRUKSIONAL: Setelah selesai mengikuti mata kuliah ini , mahasiswa akan mampu mengumpulkan data, mengolah data, menyajikan data melakukan analisa data serta memilih test statistik yang sesuai .

3. Statistik Deskriptif Pengertian Biostatistik , Pengertian Data, Pengukuran skala Tekhnik Pengolahan Data Penataan : Distribusi Frekuansi Penyajian data( tabel dan grafik ) Nilai tengah dan nilai dispersi Statitistik Inferensial Uji Hipotesis ( Chi-Square dan Yate’s Corection ) Biostatitik

4. PENGERTIAN Margueritte K. Hall. Suatu teknik yang digunakan untuk mengumpulkan data, menganalisa dan mengunmpulkan data yang berbentuk angka. Sujana. Adalah pengetahuan yang b/d cara pengumpulan fakta, pengolahan serta menganalisanya, penarikan kesimpulan serta pembuatan keputusan yang cukup beralasan berdasarkan fakta – fakta penganalisaan yang dilakukan. Biostatistik

5. Sudrajat Adalah ilmu pengetahuan mengenai cara dan aturan dalam hal pengumpulan data, pengolahan , analisa, penarikan kesimpulan, penyajian dan publikasi data – data yang berbentuk angka. Jule dan Kendall (“ An Intruduction to The History Of Statistik”) A dalah kumpulan data kuantitatif yang dipengaruhi oleh berbagai sebab dan metode statistic merupakan suatu metode untuk menjelaskan data kuantitatif yang dipengaruhi oleh berbagai sebab. Biostatitik

6. TAHAP–TAHAP STATISTIK Pengumpulan data. Pengolahan data. Penyajian data. Analisa dan Intrepretasi data. Penarikan Kesimpulan.. Biostatistik

7. STATISTIK KESEHATAN Statistik Kesehatan adalah semua yang berkaitan dengan pencatatan dalam penilaian kesehatan baik Individu atau masyarakat.

8. KEGUNAAN STATISTIK KESEHATAN Perencanaan program Membandingkan tingkat kesehatan masyarakat Menentukan masalah dan penyebab status Kesehatan masyarakat . Menentukan prioritas program Kesehatan Memberikan gambaran keadaan Kesmas . Menentukan keberhasilan program Kesehatan. Menentukan Kebutuhan bidang Kesehatan, Menyebarkan informasi dan program Kesmas .

9. B. STATISTIK DESKRIFTIF DAN INFERENSIAL 1. Statistik Deskriftif Merupakan suatu metode yang bertujuan untuk memperoleh gambaran tentang keadaan yang berkaitan dengan penyakit dan kesehatan masyarakat berdasarkan hasil pengamatan yang nyata. Dipakai hanya terbatas pada pengumpulan, penyajian, dan analisa data (narasi, tabulasi, prosentase, nilai rata-rata, perhitungan nilai tengah, standar deviasi, rasio, dan proporsi).

10. ………….lanjutan Sebagian masih menganggap statistic deskriftif kurang bermanfaat sehingga penelitian deskriftif mempunyai kualitas yang masih rendah. Namun, statistic inferensial menjadi sia-sia tanpa tatistic deskriftif. Oleh karena itu kedua jenis statsitik ini merupakan kegiatan yang tidak dapat dipisahkan .

11. 2. Statistik Inferensial Statsitk inferensial bertujuan untuk menarik kesimpulan ciri-ciri populasi yang dinyatakan dengan parameter populasi melalui perhitungan-perhitungan statistic sampel. Menguji hipotesis berdasarkan teori estimasi dan distribusi probabilitas atau untuk membandingkan khasiat obat, prosedur, pengobatan, metode pengobatan dan lain-lain. Biostatistik

12. PENGUMPULAN DATA Biostatistik

13. PENGUMPULAN DATA A. Pengertian dan Klasifikasi Data. Data = konsep jamak “ DATUM “ yang berarti suatu himpunan angka yang berasal dari suatu pengukuran individu. Agregat kumpulan dari data – data. Biostatistik

14. SYARAT-SYARAT DATA : Objektif Refresentatif Standar Eror Waktu pengambilan data harus tepat. Relevan Biostatistik

15. B. Klasifikasi Data. 1. Menurut tkt pengolahan : Row data . Array data Ungrouped data Grouped data 2. Menurut Bentuk angkanya : Data diskrit Data continue Biostatistik

16. 3. Menurut sumbernya : Data primer Data sekunder 4. Menurut sifatnya : Data kuantitatif Data kualitatif 5. Menurut waktu pengumpulannya . Data cross section Data berkala Biostatistik

17. Menurut Skala Pengukurannya : Data Nominal : Mempunyai nama / kategori , tapi tidak diketahui perbedaan tiap kategori Data Ordinal : Mempunyai nama / kategori , diketahui perbedaan tiap kategori , tapi tidak diketahui nilai / Jarak perbedaannya Data Interval : Mempunyai nama / kategori , diketahui perbedaan tiap kategori , diketahui nilai / Jarak perbedaannya , tapi tidak dapat dibuat perbandingan Data Ratio : Mempunyai sifat ketiga data dan dapat dibuat perbandingan karena mempunyai titik nol mutlak Biostatistik

18. Perbedaan sifat skala Skala Kategori/ Nama Tkt. Perbedaan Jarak kategori kelipatan Nominal Ya No No No Ordinal Ya Ya No No Interval Ya Ya Ya No Rasio Ya Ya Ya Ya Biostatistik

19. METODE PENGUMPULAN DATA 1. Pengertian. Cara pengumpulan data merupakan prosedur yang sitematik dan standar yang dipakai untuk mendapatkan data. Ada 2 Metode : Sensus Survey . Keuntungan survey : Biaya murah. Waktu dan tenaga sedikit. Data yang diperoleh dapat dipercaya. Kelemahan. Datanya bersifat sesaat sehingga tidak dapat menggambarkan perubahan yang terjadi dengan perjalanan waktu. Biostatistik

20. PERTIMBANGAN DALAM TEKHNIK DALAM PENGUMPULAN DATA : PERTIMBANGAN EFEKTIFITAS : Aspek tenaga, waktu, alat, prosedur, dana. PERTIMBANGAN KETELITIAN : Reliable, validitas. RALIABEL : Alat ukur memberikan hasil yang konsistensi VALIDITAS : Bila mampu memberikan data yang sesuai dengan yang diinginkan

21. Tekhnik Pengumpulan Data. Wawancara Angket (kuisioner) Pengamatan (Observasi) Pemeriksaan/Pengukuran Biostatistik

22. WAWANCARA : Adalah suatu cara untuk mendapatkan data secara lisan dari responden melalui pertemuan/percakapan Jenis wawancara : Wawancara terpimpin : dilakukan berdasarkan pedoman, data mudah diolah, data dpt disajikan ssecara kualitatif dan kuantitatif, dapat dilakukan banyak orang Wawancara tidak terpimpin : Tidak ada topik yang menjadi fokus wawancara, pertanyaan tidak sistematis, tidak menggunkan pedoman, sulit diolah Wawancara bebas terpimpin : cara kombinasi, luwes, dan terarah, untuk menggali gejala yg bersifat pribadi Biostatistik

23. OBSERVASI Proses pengamatan langsung yang dilakukan untuk mendapatkan data dari responden JENIS OBSERVASI : Observasi terlihat : bila peneliti aktif berpartisipasi dalam kegiatan yang diteliti. Observasi sistematik :Bila mempunyai kerangka struktur yg jelas berisi semua faktor yang diperlukan dan materi observasi mempunyai ruang sempit, terbatas dan terarah. Observasi eksperimental : Bila ingin mengetahui adanya perubahan akibat eksperimental yang dilakukan. Biostatistik

24. INSTRUMEN PENGUMPULAN DATA. Formulir isian. Check list Kuisioner terbuka / tertutup. Alat ukur : Timbangan, Tensimeter, Thermometer. Biostatistik

25. PEDOMAN PEMBUTAN KUISIONER. Tentukan variabel-variabel yang dibutuhkan dan sesuai dengan tujuan. Intensitas pertanyaan disesuaikan dengan tujuan. Yang harus diperhatikan dalam menyusun Kuisioner : Pertanyaan ditulis dengan kalimat sederhana, singkat dan jelas. Jangan mempunyai arti ganda. Sebaiknya pertanyaan tidak menyinggung perasaan. Tidak mengharuskan responden mengingat kembali masa lampau dan Menghitung. Biostatistik

26. Type-Type Pertanyaan Pertanyaan Tertutup (Close question) : Pertanyaan dikotomi . Multiplechoise Pertanyaan Menggunakan skala Pertanyaan terbuka (Open Question) Kebaikan : Fleksibel . Keterangan lebih mendalam . Dapat mendorong responden untuk bekerjasama . Kemungkinan pewawancara menghindari kesalah pahaman . Interpredasi yang dilakukan secara tepat . Biostatistik

27. POPULASI DAN SAMPEL Tujuan : Setelah materi ini disampaikan mahasiswa akan dapat mendefenisikan pengertian populasi dan sampel , syarat sampel , penentuan besar sampel dan tekhnik sampling

28. POPULASI DAN SAMPLE Populasi : Kumpulan individu yang mempunyai karakteristik yang akan di ukur. Populasi terhingga ( finit ) Populasi tak terhingga ( Infinit ) Sample : Perwakilan dari populasi, diharapkan hasil pengambilan data dari sample merupakan penggambaran dari populasi. Biostatistik

29. ALASAN PENARIKAN SAMPEL Adanya populasi yang sangat besar dan tidak terbatas, sehingga tidak mungkin seluruh populasi diperiksa atau diukur karena akan memerlukan waktu yang lama. Homogenitas, tidak perlu semua unit populasi yang homogen diperiksa karena akan membuang waktu serta tidak ada gunanya karena variabel yang akan diteliti telah terwakili oleh sebagian populasi tersebut. Penarikan sampel menghemat biaya dan waktu. Ketelitian/ketepatan pengukuran, meneliti yang sedikit (sampel) tentu akan lebih teliti jika D ibandingkan dengan meneliti jumlah yang banyak (populasi) Biostatistik

30. SYARAT SAMPEL YG IDEAL Dapat menghasilkan gambaran karakterpopulasi yang tepat Dapat menentukan presisi (ketepatan) hasil penelitian dengan menentukan simpangan baku dari taksiran yang diperoleh. Sederhana, mudah dilaksanakan Dapat memberikan keterangan sebanyak mungkin dengan biaya serendah mungkin Kalau syarat-syarat di atas tidak dapat dipenuhi, kesimpulan yang digeneralisasikan untuk populasi akan bias (bias conclusion). Biostatistik

31. ERROR(PEYIMPANGAN) Sampling Error, sebenarnya hal ini bukan merupakan kesalahan yang sebenarnya, tetapi merupakan variasi dari konsekuensi pengambilan sampel. Maksudnya bahwa setiap sampel yang akan diambil dari suatu populasi akan berdistribusi sekitar nilai populasi. Non Sampling Error, yaitu error yang tidak disebabkan oleh sampel, tetapi disebabkan pelaksanaan dalam Pengambilan sampel sampai analisisnya, seperti: Pada saat perencanaan Pelaksanaan Pengolahan Analisis dan interpretasi Biostatistik

32. PENENTUAN BESAR SAMPEL Penentuan besar sampel akan tergantung dari desain penelitian yang akan dilaksanakannya, antara lain: Besar sampel untuk penelitian cross sectional. Menggunakan rumus besar sampel untuk estimasi proporsi Estimasi adalah perkiraan karakteristik populasi melalui data sampel. Presisi adalah ketepatan sampel terhadap populasi Contoh: ingn mengetahui proporsi suatu kejadian, seperti cakupan pemberian Hb, cakupan imunisasi, cakupan KB, prevalensi anemia ibu hamil. Biostatistik

33. RUMUS BESAR SAMPEL n = z² 1-α/2 P (1-P) d² Contoh: Peneliti ingin mengetahui prevalensi anemia pada ibu hamil. Berdasarkan catatan Dinas Kesehatan diperoleh data prevalensi anemia kehamilan adalah 62 %. Berdasarkan masalah dan informasi tersebut, berapa jumlah sampel yang dibutuhkan jika peneliti menginginkan presisi mutlak sebesar 10 % dengan derajat kepercayaan 95%?

34. PENYELESAIAN : Diketahui P = 0,62, d = 0,10, Z = 1,96, maka dapat dicari sampel, sbb: n = (1,96)² x 0,62 (1-0,62) (0,1)² n = 3,8416 x 0,62 x 0,38 0,01 n = 0,9050 = 90,5 = 91 orang ibu hamil 0,01 Biostatistik

35. RUMUS 2: n = N.Z ². P.Q d ² ( N – 1) + Z ². P.Q Ket .: n = Sampel N = Populasi P = Proporsi dalam populasi (o,5) Q = Proporsi yang lain (1-P) d = Tingkat kemaknaan

36. TEKNIK PENGAMBILAN SAMPEL PROBABILITY SAMPLING Yakni bahwa semua anggota populasi memiliki peluang yang sama untuk menjadi sampel penelitian NON PROBABILITY SAMPLING Yakni bahwa tidak semua anggota populasi memiliki peluang yang sama untuk menjadi sampel Biostatistik

37. PROBABILITY SAMPLING SIMPEL RANDOM, PENGAMBILAN SAMPEL ACAK SEDERHANA, YAKNI PENGAMBILAN SAMPEL YANG DILAKUKAN SECARA ACAK TAPI TIDAK MEMPERHATIKAN STRATA, DAN KLASIFIKASI. CARA INI EFEKTIF JIKA POPULASI HOMOGEN PROPORSIONATE STRATIFIED RANDOM; YAKNI PENGAMBILAN SAMPEL SECARA ACAK TAPI MEMPERHATIKAN STRATA DAN DILAKUKAN SECARA PROPORSIONAL. CARA INI EFEKTIF JIKA POPULASI HETEROGEN DAN BERSTRATA. DISPROPORSIONATE STRATIFIED RANDOM; PENGAMBILAN SAMPEL SECARA ACAK, MEMPERTIMBANGKAN STRATA, TAPI TIDAK PROPORSIONAL. CARA INI EFEKTIF KETIKA POPULASI BERSTRATA TAPI TIDAK SEIMBANG. Biostatistik

38. LANJUTAN AREA SAMPLING; YAKNI PENGAMBILAN SAMPEL AREA TAPI MELALUI RANDOM, YAKNI PENETAPAN AREANYA DIACAK, DAN PENETAPAN SAMPEL DI MASING-MASING AREA JUGA DILAKUKAN DENGAN CARA ACAK. Biostatistik

39. NON PROBABILITY SAMPLING SAMPEL KUOTA; YAKNI PENETAPAN SAMPEL DENGAN HANYA MEMPERTIMBANGKAN BERAPA BANYAK SAMPEL YANG AKAN DIMINTAI PANDANGAN, TANPA MEMPERTIMBANGAN KETERWAKILAN. SAMPEL SISTEMATIS; PENGAMBILAN SAMPE, YANG DILAKUKAN DENGAN CARA SISTEMATIS. UMPAMANYA DITENTUKAN NOMOR URUTNYA, LALU DIAMBIL NOMOR-NOMOR GANJIL SAJA, ATAU GENAP SAJA, ATAU SKAL SEKIAN DST.. SAMPEL AKSIDENTAL, YAKNI PENGAMBILAN SAMPEL YANG DILAKUKAN SECARA KEBETULAN. SAMPEL PURPOSIVE, YAKNI PENETAPAN SAMPEL YANG DILAKUKAN BERDASARKAN PERTIMBANGAN KEPENTINGAN PROSES PENELITIAN. SNOW BALL, YAKNI PENGAMBILAN SAMPEL DENGAN POLA BOLA SALJU, DARI TERKECIL KEMUDIAN MEMBESAR. Biostatistik

40. Tujuan : Mahasiswa mampu melakukan tahap editing, coding dan tabuling data TEKHNIK PENGOLAHAN DATA

41. TEKHNIK PENGOLAHAN DATA 1. Langkah Pengolahan Data. Proses Editing Melengkapi jawaban penjawab pada kuisioner. Memperbaiki jawaban penjawab. Memperjelas. Pengecekan logis. Biostatistik

42. Coding. Memberikan kode jawaban secara angka atau kode tertentu atau lebih mudah dan sederhana. Tabulating Penyusunan : pengorganisasian data sedemikian rupa agar dengan mudah dapat dijumlahkan, disusun, dan ditata untuk disajikan dan dianalisis. Tally sheet = penyederhanaan perhitungan dengan menghitung 1/1 dan proses penilaian. Shortering dengan menggunakan kartu jawaban yang dimasukkan dalam kartu yang telah disediakan perjenis jawaban. Tabulasi dengan Komputer : program SPSS ataupun Epi Info. Biostatistik

43. Tujuan Pembelajaran : Mahasiswa akan dapat menjelaskan istilah-istilah membuat jenis-jenis tabel distribusi frekuensi

44. PENATAAN DATA Diringkas agar mudah disajikan dan dianalisis .disimpulkan. Penataan Dalam bentuk distribusi frekuensi.

45. DISTRIBUSI FREKUENSI Kumpulan data yang kita amati dalam suatu karaktesistik tertentu. Bila data sedikit = tidak perlu disajikan dalam kelompok. Bila data banyak perlu disajikan secara kelompok. Distribusi tunggal. Distribusi kelompok ( Frekuensi )

46. Cara Membuat DF Range = Nilai max – Nilai min Banyaknya Kelas (K) K = 1 + 3,3 log n n = Banyaknya Data Interval Kelas = Range/Kelas

47. Contoh : Nilai Ujian Mahasiswa : 79 49 48 74 81 98 87 80 80 84 90 70 91 93 82 78 70 71 92 38 79 81 74 73 68 72 85 51 65 93 83 96 90 35 83 73 74 43 86 68 92 93 76 71 90 72 67 75 80 91 61 72 79 97 91 88 81 70 74 99 95 80 59 71 77 63 75 60 83 82 60 67 89 63 76 63 88 70 66 88

48. Data Arraynya : 35 38 43 48 49 51 58 59 60 60 61 63 63 63 65 66 66 67 67 68 68 70 70 70 71 71 71 72 72 72 73 73 74 74 74 74 75 75 75 76 76 77 78 79 79 79 80 80 81 81 82 82 83 83 83 85 85 86 87 87 88 88 88 89 89 90 90 90 91 91 91 92 92 93 93 93 95 97 98 99

49. Hasil Pendistribusian : KELAS/KELOMPOK Nilai Mahasiswa FREKUENSI 31 – 40 41 – 50 51 – 60 61 – 70 71 – 80 81 – 90 91 - 100 2 3 5 14 24 20 12 JUMLAH 80

50. Beberapa Istilah Ujung Bawah(UB) : Angka yg terdapat disebelah kiri IK. Ujung Atas (UA) : Angka yang terdapat di sebelah kanan IK. Batas UB = UB – 0,5. Batas UA = UA + 0,5 Panjang kelas (Interval Kelas )= selisih 2 UB/UA berurutan. Titik tengah / Tanda Kelas = wakil dalam kelas interval. Titik tengah = ½ ( UB + UA ). Rentang kelas (Range) = nilai max – nilai minimal. Banyak kelas interval = 1 + 3.3 Log.n. n = Banyaknya data.

51. JENIS-JENIS TABEL DF 1. Distribusi Frekuensi Relatif Mengetahui prosentase suatu kelompok terhadap seluruh pengamatan. Rumus: Rumus : ( f/N ) x 100. Pengamatan terlalu kecil, prosentasenya akan terjadi bias. Minimal sebanyak 60. n semakin mendekati 100 perhitungan prosentasenya semakin tepat.

52. 2. Distribusi frekuensi Kurang Dari Batas Bawah (< ) Untuk mengetahui frekuensi data yang mempunyai nilai di bawah kelompok tertentu . Perhitungannya menjumlah semua frekuensi yang terletak sebelum nilai batas bawah kelompok tersebut . 3. Distribusi frekuensi Sama atau Kurang Dari Batas Atas (≤) Menjumlahkan frekuensi pada kelompok yang diinginkan dengan semua frekunesi kelompok sebelumnya . Biostatistik

53. 4. Distribusi frekuensi Lebih Dari Batas Atas (>) Untuk mengetahui banyaknya frekuensi nilai ujian mahasiswa yang lebih besar dari batas atas kelompok Menjumlah semua frekuensi kelompok berikutnya . 5. Distribusi frekuensi Sama atau Lebih Dari Batas Bawah (≥) Untuk memperoleh distribusi frekuensi kumulatif lebih atau sama dengan nilai batas bawah Menjumlah frekuensi kelompok yang bersangkutan ditambah dengan frekuensi kelompok berikutnya .

54. KELAS f % < BB > BA 35 – 44 45 – 54 55 – 64 65 – 74 75 – 84 85 – 94 95 -105 3 3 8 22 19 21 4 3,75 3,75 10 27,5 23,75 26.25 5 3 6 14 36 55 76 77 74 66 44 25 4

55. Tugas : 78 88 51 53 67 78 90 76 54 77 87 56 66 76 86 78 74 73 77 57 78 89 87 77 65 63 60 88 61 60 54 53 76 71 74 89 88 90 95 56 72 77 89 94 91 67 56 59 65 90 80 82 67 77 87

56. TUJUAN : Mahasiswa akan dapat memuat sajian data dalam bentuk teks, tabel dan grafik PENYAJIAN DATA

57. PENYAJIAN DATA Merupakan salah satu kegiatan pembuatan laporan hasil penelitian untuk dipahami dan dianalisis sesuai dengan tujuan yang diinginkan. Sederhana dan jelas agar mudah dibaca. Maksud : Mudah memahami apa yang kita sajikan untuk penilaian atau perbandingan. Bentuk penyajian dapat berupa tulisan(teksual), table, dan grafik.

58. 1. TEKSTUAL Merupakan gambaran umum tentang kesimpulan hasil pengamatan. Dalam bidang kesehatan, hanya digunakan untuk memberikan informasi. Banyak digunakan bidang social, ekonomi, psikologi dll dan berperan sebagai laporan hasil penelitian kualitatif.

59. 2. TABEL Penyajian data dalam bentuk angka-angka yang disusun secara teratur dalam baris dan kolom. Banyak digunakan pada penulisan laporan hasil penelitian Maksud : Mudah memperoleh gbr. rinci ttg hasil penelitian. Suatu tabel yang lengkap terdiri dari nomor tabel, judul tabel, badan tabel, catatan kaki dan sumber data. Biostatistik

60. NO. JUDUL TABEL BOX HEAD JUDUL KOLOM JUMLAH JUDUL BARIS Sel Sel Badan Tabel Sel Sel JUMLAH GRAND TOTAL Fote Notes Sumber Data Contoh .

61. Penjelasan Nomor tabel : Bila tabel > 1 sebaiknya diberi nomor Diletakkan di atas sebelah kiri sejajar judul tabel Judul Tabel : Singkat , jelas , dan berisi ttg apa , dimana , kapan , Harus konsisten dan menggambarkan isi tabel Biostatistik

62. Badan tabel : Terdiri dari judul kolom, judul baris, judul kompartemen, dan sel Catatan Kaki : Untuk memberi keterangan ttg singkatan dan ukuran yg digunakan. Biasanya menggunakan Tanda * Diletakan dibawah kiri tabel Sumber Data : Diletakkan dibawah catatan kaki Penting : Khususnya data sekunder Sumber ditulis lengkap : dari mana, apa, siapa, tahun Biostatistik

63. BENTUK-BENTUK TABEL 1. Tabel Sinopsis Semua variable yang dikumpulkan dan ditulis dalam baris dan kolom dengan urutan yang sama . Penting dalam perencanaan penelitian karena dapat diketahui jumlah tabel dan variable yang akan dicari hubungannya

64. Contoh : Pendidikan Pekerjaan Jmlh Anak Agama Persalinan Tempat sampah Pendidikan Pekerjaan 1 Jmlh Anak 2 6 Agama 3 7 10 Persalinan 4 8 11 13 Tempat sampah 5 9 12 14 15 Biostatistik

65. 2.Tabel Induk Berfungsi sebagai referensi sering disebut tabel referensi Pada tabel induk terdapat semua variable yang dikumpulkan. Tidak dapat digunakan untuk mengadakan perbandingan. Tabel induk biasanya ditempatkan dibelakang sebagai lampiran. Biostatistik

66. Contoh : Gol Umur Jenis Kelamin Pekerjaan Pendidikan Dsb . Laki-2 Wanita Tani Buruh PNS SD SMP SMA Jumlah Biostatistik

67. 3. Tabel Kerja(Tabel Teks) Menggambarkan beberapa variable secara rinci. Berguna : Pembahasan, Perbandingan antara variable atau hubungan antara dua variabel. Diambil dari tabel induk atau gabungan beberapa tabel kerja. Biasanya disusun berdasarkan progresivitas, tahun atau bergantung pada kebutuhan. Dari tabel teks dapat dibuat Tabel Silang (cross table)

68. Contoh : TINGKAT PENDIDIKAN PEKERJAAN BURUH TANI DAGANG PENGUSAHA Tidak Sekolah SD SMP SMA PT Lain-Lain JUMLAH

69. 4. Tabel Kontingensi Disusun berdasarkan banyaknya baris dan kolom. Untuk memberikan gambaran hasil penelitian. Banyak digunakan dalam perhitungan statistic inferensial untuk pengujian hipotesis. Dinamakan sesuai dengan banyaknya baris dan kolom.   Biostatistik

70. Contoh : Tabel 2x2 JUDUL KOLOM JUMLAH JUDUL BARIS JUMLAH GRAND TOTAL Biostatistik

71. Tabel 2x3 JUDUL KOLOM JUMLAH JUDUL BARIS JUMLAH GRAND TOTAL

72. Tabel berdasarkan penyusunan Judul baris : Menurut Abjad Menurut Geografis Berdasarkan Perkembangan Waktu Berdasarkan Besarnya Angka Berdasarkan Kelaziman Berdasarkan Tingkatan Biostatistik

73. 3. GRAFIK Grafik lebih menarik dan lebih mudah dipahami , Yang kurang jelas dlm table. lebih jelas dalam bentuk grafik . Manfaat Grafik : Membandingkan beberapa variable, Kategori dalam veriabel atau satu variabel pada waktu dan tempat yang berbeda . Memprediksi perubahan . Mengetahui adanya hubungan dua variabel atau lebih . Memberikan penerangan pada masyarakat . Biostatistik

74. Kerugian : Keterangan yang tidak rinci. Grafik harus dibuat dengan perhitungan yang benar, perhitungan yang salah mengakibatkan penilaian yang salah. Informasi yang disajikan terbatas. Beberapa Ketentuan Dalam Penyajian Grafik : Judul ditulis dengan jelas, singkat, dan sederhana. Bentuk grafik harus disesuaikan dengan data yang ada. Grafik harus menarik. Keterangan dapat ditulis di bawah/dalam. Biostatistik

75. JENIS-JENIS GAFIK 1. GRAFIK BALOK Beberapa hal yang harus diperhatikan, sebagai berikut : Dapat digambar tegak atau melintang Antara balok terapat ruang yang lebih sempit daripada balok. Lebar balok harus seimbang. Penggambaran harus dimulai dari titik nol. Keterangan / frekuensi sebaiknya tidak dicantumkan di dalam/ di luar balok kecuali bila terlalu besar. Dapat digambar berhimpitan untuk menggambarkan kategori dalam satu variabel, berikutnya merupakan data kontinu. Biostatistik

76. CONTOH: Biostatistik

77. Contoh : Biostatistik

78. GRAFIK BALOK Biostatistik

79. 2. HISTOGRAM Tidak seperti grafik balok , histogram data kontonue , Menggambarakan tingkat pengukuran ordinal atau interval. Tingginya balok : frekuensi kejadian , Aksis horizontal : kategori atau interval-interval kelas . Pedoman yang harus diperhatikan adalah : Menggunakan kelas sebenarnya . Dapat pula digambar berdasarkan nilai tengah setiap interval kelas . Tidak ada kelas terbuka dalam distribusi frekuensi .

80. Histogram 80 2 4 6 8 10 14 12 FREKUENSI INTERVAL KELAS/KELAS SEBENARNYA 0.5 3.5 5.5 7.5 9.5 11.5 13.5

81. 3. POLIGON FREKUENSI Dibentuk dari suatu histogran dengan menggabungkan pusat puncak setiap kolom. Pusat puncak titik kolom adalah merupakan tanda kelas interval.

82. Poligon 82 2 4 6 8 10 14 12 FREKUENSI INTERVAL KELAS 1 3 5 7 9 11 13

83. Histogram dan Poligon 83 2 4 6 8 10 14 12 FREKUENSI INTERVAL KELAS 1 3 5 7 9 11 13

84. 4. PIE DIAGRAM Untuk membandingkan kategori-kategori dalam suatu variabel. Ketentuan Pembuaran Pie Diagram berikut ini : Besar lingkaran harus enak dipandang. Kategori yang dibandingkan biasanya 4 – 6 kategori. Sudut segmen tidak terlalu kecil agar dapat dibedakan. Tiap segemen dapat diberi warna Besarnya segmen harus menggambarkan prosentase yang sesuai.

85. CONTOH :

86. 5. GRAFIK GARIS Menggambarkan suatu keadaan yang berurutan dalam skala waktu, tahun dan lain-lain. a. Grafik Frekuensi Kumulatif (Ogive) Dihasilkan dari data distribusi frekuensi kumulatif dan digunakan untuk menentukan posisi individu dalam suatu kelompok.

87. Contoh Ogive : 87 5 10 15 20 25 35 30 FREKUENSI INTERVAL KELAS 1 3 5 7 9 11 13

88. Contoh Grafik garis:

89. DIAGRAM PENCAR Dihasilkan dari titik-titik koordinat dan merupakan grafik korelasi atau kecenderungan . Untuk mengetahui hubungan antara dua bariabel yang perpasangan. Titik pertemuan antara dua variabel yang berpasangan disebut titik koordinat : dihubungkan membentuk grafik garis. Garis yang terbentuk lurus : grafik korelasi sederhana ( korelasi linier). Garis linier dari kiri bawah ke kanan atas disebut korelasi positif Garis korelasi dari kiri atas ke kanan bawah disebut korelasi negative . Bila titik koordinat tidak membentuk pola tertentu mungkin variabel-variabel tsb. tidak mempunyai korelasi.

90. CONTOH :

91. GAMBAR Berupa diagram yang menyatakan frekuensi distribusi data disertai dengan bentuk gambar tertentu yang ada hubungannya dengan keadaan data yang akan dipresentasikan. Contoh : Jumlah kasus rabies : = 2006 Ket : = 10 kasus = 2007 = 2008

92. Contoh : 92 2000 2001 2002 2003 = 100.000 JUMLAH EKSPOR MEUBEL INDONESIA

93. ANALISA DATA

94. ANALISA DATA 1. UKURAN TENDENSY CENTRAL Nilai tengah ialah suatu nilai yang dapat mewakili sekelompok. Nilai tengah juga disebut kecenderungan di tengah ( Central Tendency ) Nilai tengah yang sering digunakan antara lain : Rata-rata hitung (Arithmatic Mean). Atau disingkat Mean. Median , dan Modus (Mode)

95. 1. MEAN Simbol rata-rata populasi adalah µ (mu) Simbol rata-rata sample digunakan symbol x. Rata-rata hitung ialah jumlah semua hasil pengamatan (  x) dibagi dengan banyaknya pengamatan (n). Rumus : 6.1(Data Tunggal) : X =  x n

96. RUMUS NILAI RATA-RATA Rumus : 6.1(Data Tunggal) : X =  x n Rumus diatas tidak efisien untuk jumlah data yang banyak Untuk data yang banyak dpt didengan beberapa rumus : Distribusi frekuensi tanpa pengelompokkan Distribusi frekuensi kelompok dgn interval sama Distribusi frekuensi kelompok dgn interval tidak sama Perhitungan rata-rata dengan menggunakan kode

97. Rumus 6.2 (Data tanpa Kelompok): X =  fx n Rumus 6.3 (Dsitribusi Frekensi): X =  fNt n 97

98. Tabel Distribusi Frekuensi : BERAT BADAN f Nt fNt 41 – 45 46 – 50 51 - 55 56 – 60 61 – 65 66 – 70 71 – 75 76 – 80 4 4 1 2 5 7 5 2 43 48 53 58 63 68 73 78 172 192 53 116 315 476 365 156 JUMLAH 30 1.845

99. Nilai Rata-rata dgn menggunakan Kode Untuk mempermudah Caranya : Tentukan satu kelas sbg titik Nol beri kode “d” Utk kelas diatas titik nol diberi kode dgn tanda negatif secara berurutan, utk diatas nol diberi kode positif Kalikan frekuensi tiap kelas dgn “d” pd kelas yg sama Hitung nilai tengah titik nol (Nt ) Bagilah hasil point C dgn jumlah pengamatan dan kalikan dgn interval kelas dan tambahkan dgn (Nt ) 99

100. RUMUSNYA : X = Nt + i  fd n Untuk interval kelas yg tidak sama : Tentukan interval yg digunakan Kode “d” diganti dgn ( Nt i – Nt ) lalu dibagi dgn interval ( i ) Perhitunganya sama dgn df dgn interval kelas yg sama 100

101. Distribusi dgn IK yg tdk sama BERAT BADAN f Nt d fd 41 – 50 51 – 65 66 – 70 71 - 80 8 8 7 7 45.5 58 68 75.5 -2.5 +2 +3.5 -20 +14 +24.5 JUMLAH 30 +18.5

102. Rata-rata dgn Pembebanan Bila jumlah pengamatan tiap klpk tidak sama maka perhtiungan rata-2nya harus dilakukan dgn pembebanan RUMUS : X W =  nX i n 1 102

103. MEDIAN Median berbeda mean Median hanya menyatakan posisi tengah dari sederatan angka hasil pengamatan sedemkian rupa sehingga membagi dua sama banyak . Ini berarti bahwa 50% nilai terletak di bawah median dan 50% terletak di atas median Rumus Letak Median : Data ganjil : Me = ( n + 1 )/2 Data Genap : Me = (n/2 + n/2+1)/2 ( Jumlahkan dua Data yg paling tengah dibagi dua )

104. Perhitungan Pada data Distribusi Frekuensi Rumus : Me = b + p (½ n – f ) F Keterangan : Me = Median b = Batas bawah Kelas Median p = Panjang kelas f = Jumlah kumulatif frekuensi sebelum kelas median F = Frekuensi kelas median n = Banyaknya pengamatan

105. MODUS Modus : dinyatakan dalam frekuensi terbanyak dari data kualitatif dan kuantitatif. Modus dapat pula dinyatakan sebagai puncak dari suatu kurva. Modus jarang digunakan karena sangat dipengaruhi oleh nilai ekstrim dan letak modus akan berubah dengan mengikuti nilai ekstrim.

106. Perhitungan Data Yang Dikelompokkan Rumus 6.6 : Mo = b + p ( b1 ) b1 + b2   Keterangan : Mo = Modus b = Batas bawah kelas dimana modus berada p = Panjang interval Kelas modus b1=selisih frekuensi kelas modus dengan frekuensi sebelum kelas modus b2 = Selisih frekuensi kelas modus dengan frekuensi setelah kelas modus

107. UKURAN PENYIMPANGAN (NILAI DISPERSI) Tujuan : Mahasiswa akan dapat mengitung nilai Range, Kuartil, Desil, Presentil, Varians, Standar Deviasi

108. UKURAN DISPERSI Penyebaran atau variasi dari nilai mean disebut juga Dispersi. Perhitungan dispersi sangat penting karena beberapa hal sebagai berikut : Mendapatkan informasi tambahan tentang penyimpangan Menilai ketepatan nilai tengah dalam mewakili distribusinya Menganalisa melalui perhitungan statistic yang lebih mendalam. Terjadinya variasi merupakan peristiwa alamiah, disebabkan : Adanya variasi antar-individu yang disebut variasi eksternal. Adanya variasi intra-individu yang disebut variasi internal .

109. RANGE Paling sederhana hanya melibatkan 2 nilai dalam distribusi, yaitu nilai terbesar dan nilai terkecil. Range adalah selisih antara nilai terbesar dan nilai terkecil Dalam hal ini kegunaan Range sangat terbatas karena : Hanya melibatkan nilai terbesar dan terkecil Sangat dipengaruhi oleh nilai ekstrim. Tidak dapat ditentukan pada distribusi dengan kelas interval terbuka.

110. Range dpt digunakan utk memperkirakan hasil perhitungan SD. Pada Distribusi Normal : 1 SD = 1/6 Range Dapat terjadi 2 distribusi : Range yg sama tapi mean berbeda Mean yg sama tapi range berbeda 110

111. CONTOH : BERAT BADAN KELOMPOK 1 KELOMPOK 2 40 43 49 60 60 64 65 65 66 70 40 40 40 40 43 45 50 52 55 70 JUMLAH 582 JUMLAH 474 RANGE 30 RANGE 30 RATA-RATA 58,2 RATA-RATA 47.4 111

112. CONTOH : NILAI UJIAN KELOMPOK 1 KELOMPOK 2 40 45 50 55 60 10 25 55 70 90 JUMLAH 250 JUMLAH 250 RANGE 20 RANGE 80 RATA-RATA 50 RATA-RATA 50 112

113. UKURAN KUARTIL Data yg telah disusun dibagi 4 bagian yg sama disebut Kuartil K 1 = 25 %, K 2 = 50% , K 3 = 75% Kelebihan : Menggunakan 50 % bagian tengah, tdk dipengaruhi oleh nilai ekstrim Posisi K 1 ,K 2 ,K 3 dapat dihitung K 2 = Median Dapat dihitung Dispersinya pd Kelas Terbuka 113

114. RENTANG ANTAR KUARTIL Adalah Selisik antara K 3 – K 1 = 50% bagian tengah Setengah RAK = Simpangan kuartil Cara Perhitiungan : Tentukan Letak K 3 dan K 1 : Rumus : K 3 = ¾(n + 1) dan K 1 = ¼ (n + 1) Hitung Nilai K 3 dan K 1 Rumus : K 3 dan K 1 = L + b (S –L) L = Nilai sebelum K3 dan K1 B = kekurangan unit utk mencapai letak K 3 /K 1 S = Nilai dimana K 3 /K 1 berada 114

115. KUARTIL DGN DATA KELOMPOK Letak kuartil : Rumus : x = (K x n)/4 RUMUS data kelompok : K k = L + i (x – f kum )/f L = Batas bawah dimana kuartil berada i = Interval kelas f kum = Frekuensi kumulatif sebelum kuartil f = Frekuensi dimana kuartil berada x = Letak kuartil 115

116. DEVIASI KUARTIL Adalah Ukuran Dispersi berdasarkan rentang antar-kuartil dgn median sbg posisi tengah Rumusnya : D k = (K 3 – K 1 )/2 Median atau K 2 = Median Rumus : Me = (K 3 + K 1 )/2 116

117. DESIL (DECILE) Adalah data yg disusun dibagi 10 bagian yg sama Rumus Letak Desil(Data Tunggal): D d = Data ke d(n + 1)/10 Rumus Desil : Nilai D d = L + b (S – L) L = Nilai sebelum D d S = Nilai dimana D d berada b = Kekurangan unit utk mencapai D d 117

118. DESIL PADA DATA KELOMPOK : Letak D d pada data ke x = (d x n)/10 D d = Desil ke 1, 2, 3, ………..9 n = jumlah pengamatan Rumus : Nilai D d = L + i (x – f kum )/f L = Batas bawah dimana Desil berada i = Interval kelas f kum = Frekuensi kumulatif sebelum Desil f = Frekuensi dimana desil berada x = Letak Desil 118

119. PERSENTIL (PERCENTILE) Adalah data yg disusun dibagi 100 bagian yg sama, kita dapatkan 99 bagian yg sama Rumus Letak Presentil(Data Tunggal): P p = Data ke p(n + 1)/100 P = 1,2,3……..99 Rumus Presentil : Nilai P p = L + b (S – L) L = Nilai sebelum P p S = Nilai dimana P p berada b = Kekurangan unit utk mencapai P p 119

120. DATA KELOMPOK : Letak P p pada data ke x = (p x n)/100 P p = Precentil ke 1, 2, 3, ………..99 n = jumlah pengamatan Rumus : Nilai P p = L + i (x – f kum )/f L = Batas bawah dimana Presentil berada i = Interval kelas f kum = Frekuensi kumulatif sebelum Presentil f = Frekuensi dimana presentil berada x = Letak presentil 120

121. MEAN DEVIATION Merupakan dasar dari SD dan Variance Mean Deviasi = Jumlah selisih antara hasil setiap pengamatan dengan rata-rata dibagi dengan banyaknya pengamatan Kemungkinan diperoleh nilai negatif , maka dlm MD diambil angka mutlaknya Berguna utk mengetahui variasi dlm satu klpk , atau membandingkan variabilitas dua klpk atau lebih 121

122. Rumus : Populasi : MD =  | X – µ | n Sampel : MD =  | x – x | n 122

123. STANDAR DEVIASI Simpangan baku ( Standar Deviastion ) ukuran dispersi yang sangat penting dan banyak digunakan dalam statistic. Penyimpangan atau selisih nilai hasil pengamatan dengan rata-rata dapat menghasilkan nilai yang negative. Jumlah seluruh hasil pengamatan dengan rata-rata yang telah dipangkatkan dua dibagi dengan jumlah pengamatan disebut Variance. Bila varians ditarik akarnya maka akan menghasilkan Simapangan Baku (Standar deviasi).

124. RUMUS Data tidak dikelompokkan(Varians) : S² =  (X – x) ² atau S² = n.  X² – (  x )² n - 1 n ( n – 1 ) Rumus Standar Deviasi 6.7b : SD = √  (X – x) ² atau SD= √ n.  X² – (  x )² n - 1 n( n – 1) Atau SD = √S²

125. Data dikelompokkan (Varians) : S² =  f(X –x) ² atau S² = n.  f X² – (  fx )² n - 1 n( n – 1) Rumus Standar Deviasi 6.8b : SD = √  f (X – x) ² atau SD= √ n.  f X² – (  f x )² n - 1 n( n – 1) Keterangan : S ² = Varians x = Rata-rata f = Frekuensi n = Banyaknya pengamatan X = Hasil Pengamatan

126. VITAL STATISTIK TUJUAN : Setelah mengikuti pokok bahasan ini mahasiswa diharapkan akan dapat menghitung , angka kelahiran , angka kematian , angka kesakitan

127. CONTOH : Di Kec . A jumlah penduduk pertengahan tahun sebanyak 25.000 jiwa terdir i da r i laki-2 10.000 jiwa dan wanita 15.000 jiwa . Dari 15.000 wanita terdapat 10.000 wanita usia 15-49 thn,250 diantaranya wanita usia 20 – 24 tahun . Selama 1 tahun terdapat 40 kelahiran hidup , 5 diantaranya dilahirkan oleh wanita berusia 20 – 24 thn . Selain itu terjadi kematian ibu melahirkan sebanyak 3 kasus dan bayi yang meninggal sebelum usia 1 tahun sebanyak 2 orang .

128. STATISTIK KELAHIRAN Adalah salah satu tekhnik untuk menilai status kesehatan masyarakat dalam kesatuan populasi tertentu Jenis statistik kelahiran : Angka kelahiran kasar /Crude Birth Rate (CBR) Angka Fertilisasi Umum /General Fertility Rate (GFR) Angka Fertilisasi Spesifik-Usia/ Age Specific Fertility Rate (ASFR)

129. Angka Kelahiran kasar(CBR) Menggambarkan angka kelahiran hidup dalam satu tahun Paling Umum digunakan untuk menilai tingkat fertilisasi penduduk RUMUS : CBR = Jumlah kelahiran hidup dlm 1 tahun X 100 Jumlah penduduk pertengahan tahun

130. Angka Fertilisas Umum(GFR) Yaitu angka kelahiran yang dikaitkan dgn tingkat “ Reproduktivitas ” wanita dlm status mampu hamil Masa mampu hamil wanita 15 – 49 tahun RUMUS : GFR = Jumlah kelahiran hidup dlm 1 tahun X 100 Jumlah Wanita Usia 15 – 49 tahun

131. Angka Fertilisas Spesifik-Usia (ASFR) Lebih bersifat informatif dibanding angka fertilisasi umum , karena fertilisasi wanita usia muda berbeda dgn fertilisasi wanita usia tua . RUMUS : ASFR = Jumlah kelahiran hidup dari wanita dgn usia t3 X 100 Jumlah Wanita dgn usia tertentu

132. Jumlah pendududk yang menderita penyakit sebanyak 300 org, 100 diantaranya disebabkan oleh diare . P ada bulan juli – sept jumlah kasus diare sebanyak 25 org dan d alam 1 bln terakhir terjadi kasus diare sebanyak 75 kasus yang menyebakan kematian sebanyak 5 org, dari seluruh jumlah kematian selama 1 tahun sebanyak 20 orang . 8 kematian diantaranya adalah terjadi pada klpk usia 40-44 thn dimana jumlah klpk umur 40-44 thn adalah 1000 orang .

133. STATISTIK KESAKITAN Merupakan indikator yg penting dalam mengevaluasi tingkat kesehatan masyarakat Terdapat 2 indikator angka kesakitan yaitu : INSIDENSI PREVALENSI Insidensi digunakan pd kasus-kasus BARU Prevalensi digunakan untuk penjumlahan kasus BARU dan LAMA

134. Angka Insidensi (IR) Angka insidensi suatu penyakit adalah angka yg menggambarkan kejadian atau timbulnya suatu penyakit (kasus baru) dlm kurun waktu tetentu pada masyarakat. Menunjukkan CEPAT/TIDAKNYA penyebaran suatu penyakit RUMUS : IR = Jumlah kasus baru suatu penyakit dlm 1 thn x 1000 Jumlah penduduk pertengahan tahun

135. Angka Prevalensi (PR) Angka Prevalensi suatu penyakit adalah angka yg menggambarkan jumlah penderita (kasus lama dan baru) suatu penyakit tertentu dlm kurun waktu tetentu pada masyarakat. Ada 2 macam Angka Prevalensi : Point Prevalensi : Dihitung berdasarkan kenyataan pada saat tertentu Periode Prevalensi : Dihitung berdasarkan periode waktu tertentu

136. RUMUS POINT PREVALENSI Pt R = Jumlah Semua kasus (Lama & baru) pada suatuwaktu tertentu x 100 Jumlah penduduk pada saat tertentu RUMUS PERIODE PREVALENSI PR = Jumlah Semua kasus (Lama & baru) pd periode waktu tertentu x 100 Jumlah penduduk pada periode tersebut

137. Rasio Fatalisasi Kasus (CFR) Digunakan untuk mengevaluasi keberhasilan program pengobatan yg dilakukan terhadap suatu wabah penyakit dlm masyarakat Menunjukan probabilitas kematian yg terjadi pada suatu wabah penyakit tertentu. RUMUS : CFR = Jumlah kasus mati pd pentakit tertentu x 100 Jumlah semua kasus penyakit tertentu

138. STATISTIK KEMATIAN Adalah angka yang menggambarkan frekuensi relatif terjadinya kematian dalam periode tertentu pada masyarakat tertentu. Beberapa Statistik Kematian : Angka Kematian kasar (CDR) Angka Kematian Spesifik (ASDR, CSDR) Angka kematian Ibu (MMR) Angka Kematian Bayi (IMR)

139. Angka Kematian Kasar Adalah angka yang menggambarkan besarnya peristiwa kematian secara umum dalam populasi tertentu dalam satu tahun RUMUS : CDR = Jumlah kematian dalam 1 tahun X 1000 Jumlah penduduk pertengahan tahun

140. Angka Kematian Spesifik 1. Angka Kematian spesifik - Umur (ASDR) RUMUS : AS DR = Jumlah kematian menurut klp usia tertentu dlm 1 tahun X 1000 Jumlah penduduk usia klpk t3 Angka Kematian spesifik - Penyebab (CSDR) RUMUS : CSDR = Jumlah kematian menurut kasus tertentu dlm 1 tahun X 1000 Jumlah penduduk yang mengalami kasus t3

141. Angka Kematian Ibu (MMR) Adalah angka yang menggambarkan besarnya peristiwa kematian ibu karena proses persalinan dan nifas RUMUS : MMR = Jumlah kematian ibu melahirkan / nifas dlm 1 tahun X 1000 Jumlah kelahiran hidup pertengahan tahun

142. Angka Kematian Bayi (IMR) Adalah angka yang menggambarkan besarnya peristiwa kematian individu usia dibawah 1 thn RUMUS : IMR = Jumlah kematian bayi usia < 1 dlm 1 tahun X 1000 Jumlah kelahiran hidup pertengahan tahun

143. PENGUJIAN HIPOTESIS TUJUAN : MAHASISWA AKAN DAPAT MENJELASKAN PENGERTIAN DAN JENIS HIPOTESIS, PENGUJIAN SATU SISI DAN DUA SISI, TEORI KESALAHAN, LANGKAH-LANGKAH PENGUJIAN HIPOTESIS 143

144. PENGERTIAN HIPOTESIS Hipo = di bawah (lemah) Thesis = dalil = kaidah = hukum Pernyataan tentang suatu dalil atau kaidah, Yang kebenaranya masih rendah sehingga perlu dibuktikan/diuji dengan menggunakan data emprirk Jawaban sementara terhadap permasalahan yang diajukan untuk selanjutnya diuji secara empirik melalui penelitian yg dilakukan.

145. Penjelasan sementara yang diajukan untuk menerangkan fenomena problematik atau persoalan penelitian yang dihadapi Suatu pernyataan tentang hubungan (yang diharapkan) antara dua variabel atau lebih yang memungkinkan untuk pembuktian secara empirik

146. CIRI-CIRI HIPOTESIS Kalimat deklaratif Mengekspresikan korelasi dua variabel atau lebih Merupakan jawaban tentatif (sementara terhadap permasalahan) Memungkinkan untuk dibuktikan secara empirik

147. SYARAT-SYARAT HIPOTESIS Relevance : Sesuai dengan masalah yang akan diteliti Testability : Dapat dilakukan pengukuran Compatibility : Tidak bertentangan dengan hipotesis yang sudah pernah ada Predictive : memiliki nilai ramal Simplicity : Dibuat sesederhana mingkin

148. JENIS HIPOTESIS Hipotesis Kerja (hipotesis alternatif, hipotesis penelitian, H1) Hipotesis Nihil (Ho) : Uji Statistik Hipotesis Sebab – Akibat Variabel X adalah Berhubungan dengan Variabel Y Variabel X meningkat Jika Variabel Y meningkat Variabel X meningkat dan veriabel Y menurun

149. HIPOTESIS KERJA Hipotesis yg akan dibuktikan/diuji kebenarannya dengan penelitian yg dilakukan Apabila…, maka …. Ada hubungan antara …. dengan … Ada perbedaan antara … dengan … Tgtg: (1) rumusan masalah; (2) model kerangka teoritik yg dikembangkan

150. ADA 2 JENIS HOPTESIS KERJA Hipotesis satu ekor dan hipotesis dua ekor Jumlah uban di kepala orang kota lebih banyak daripada uban orang desa ( satu arah) Ada perbedaan jumlah uban di kepala orang kota dibandingkan uban orang desa ( 2 arah) Satu ekor  arah jelas; Dua ekor  belum jelas arahnya Ditentukan oleh seberapa jauh kekuatan landasan teoritik yg digunakan untuk menyusun hipotesis Mempengaruhi cara pengambilan keputusan statistik pd analisis hasil.

151. HIPOTESIS NOL Ho adalah kebalikan dari hipotesis kerja (H1) Tidak ada korelasi antara … dengan … Tidak ada perbedaan antara … dengan … Hipotesis ini sebenarnya hanya ada dalam alam pikiran peneliti, yg digunakan untuk pembuktian dengan analisis statistik, karena semua analisis statisytik inferensial dikembangkan berdasarkan pada karakteristik hipotesis nihil

152. TEORI KESALAHAN Keputusan terhadap suatu obyek penelitian/populasi berdasarkan informasi yang berasal dari sample : keputusan statistic atau Statistic Decision . Untuk mencapai keputusan statistic harus membuat asumsi atau perkiraan terhadap segala kemungkinan yang akan terjadi pada suatu populasi, dimana kemungkinan itu dapat betul atau salah dan disebut sebagai Statistic Hypothesis.

153. Untuk keperluan Hipotesis Statistik, kita harus membuat suatu ketentuan apakah menerima atau menolak suatu hipotesis. Bila tidak ada perbedaan yang bermakna secara statistic antara parameter sample dengan parameter populasi, maka disebut sebagai Hipotesis Nol (Ho), sedangkan bila ada perbedaan disebut sebagai Hipotesis Alternatif (Ha). Bila menolak suatu hipotesis, namun sebenarnya dapat diterima keadaan ini sebagai kesalahan Alpha (Type I Error), Bila menerima suatu hipotesis namun sebenarnya harus ditolak keadaan ini disebut kesalahan Beta .

154. Hipotesis H diterima H ditolak H Benar Keputusan Benar Type I Error (Alpha) H Salah Tipe II Error (Beta) Keputusan Benar

155. HUBUNGAN NILAI ALFA DAN NILAI Z LEVEL OF SIGNIFICAN (ALFA) 0.10 0.05 0.01 DAERAH KRITIS Z UNTUK TES SATU EKOR ± 1.28 ± 1.645 ± 2.33 DAERAH KRITIS Z UNTUK TES DUA EKOR ± 1.645 ± 1.96 ± 2.58 155

156. UJI HIPOTESIS 156

157. PENGANTAR PENGUJIAN HIPOTEISIS DAPAT DILAKUKAN BERGANTUNG PADA : ARAH UJI (SATU/DUA PIHAK) BESARNYA SAMPEL KESALAHAN BAKU DAN PERBEDAAN DUA POPULASI SAMPLER BERPASANGAN ATAU TIDAK 157

158. UJI CHI-SQUARE (  ²) SYARAT UJI CHI-SQUARE : Jumlah Sampel Harus Cukup Besar (n>30) Pengamatan harus independen(unpaired) Skala nominal/ordinal Min 80 % dari sel mempunyai nilai E >5 Salah satu atau kedua variabel mempunyai kategori > 2(buka tabel 2x2) 158

159. CHI-SQUARE (  ²) Besarnya Derajat Kebebasan : Df = (c – 1)(r – 1) Kemaknaan pada uji chi-square ditentukan berdasarkan nilai alpha yang dipilh dan derajat kebebasan. Suatu hasil uji dikatakan bermakna apabila nilai  ² hitung lebih besar dibandingkan dengan nilai  ² pada tabel(Bergantung pada nilai alpha dan Degree of Freedom) Rumus 7.2 :  ² =  ( O – E )² E   Keterangan : O = Frekuensi Observasi E= Frekuensi nilai harapan (Expected frecuency) E = Total Baris x Total Kolom Grand Total

160. CONTOH : HUBUNGAN ANTARA SUMBER AIR MINUM DENGAN KEJADIAN DIARE DIARE SUMBER DIARE (+) DIARE (-) JUMLAH SUNGAI 49 39 88 SUMUR 6 14 20 PDAM 4 12 16 JUMLAH 59 65 124 160

161. TABEL DISTRIBUSI CHI-SQUARE(X²) df TINGKAT KEMAKNAAN (ALFA) 0.25 0.10 0.05 0.025 0.01 0.005 0.001 1 2 3 4 5 6 7 8 9 10 11 12 1.32 2.77 4.11 5.39 6.63 7.84 9.04 10.22 11.39 12.55 13.70 14.85 2.71 4.61 6.25 7.78 9.24 10.64 12.02 13.36 14.68 15.99 17.28 18.55 3.84 5.99 7.81 9.49 11.07 12.59 14.07 15.52 16.92 18.31 19.68 21.03 5.02 7.38 9.35 11.14 12.83 14.15 16.01 17.53 19.02 20.48 21.92 23.34 6.6 9.2 11.3 13.3 15.1 16.8 18.5 20.1 21.7 23.2 24.7 26.2 7.9 10.6 12.8 14.9 16.7 18.5 20.3 22.0 23.6 25.2 26.8 28.3 10.8 13.8 16.3 18.5 20.5 22.5 24.3 26.1 27.9 29.6 31.3 32.9 161

162. UJI YATE’S CORRECTION Pada df = 1 ( tabel 2 x 2) tidak ada nilai E < 5 karena over estimate sehingga banyak hipotesis yang ditolak kecuali dengan koreksi dari Yates. Rumus Yates Correction 7.2 :  ² =  ( O – E ) – 0,5 )² atau E  ² = ( І ad– bc І ) – 0,5N)²N r 1 r 2 s 1 s 2

163. UJI FISHER EXACT : TABEL 2 X 2 n < 20 20 <n<40 dan nilai E < 5 RUMUS : P =( a+b )!( c+d )!( a+c )!( b+d )! n!a!b!c!d ! 163

164. COBALAH DIRUMAH ANDA!!!! Seorang peneliti ingin mengetahui pengaruh pendapatan dgn status gizi balita lalu dilih sampel sebanyak 200 orang dari 3 golongan pendpatan kelrg , masing-masing pendapatan tinggi 70 orang , menegah 70 orang dan rendah 60 orang . Ternyata ditemukan sebanyak 90 bayi memiliki status gizi baik sisanya gizi buruk . Dari 90 orang tersebut 40 berasal dari ekonomi tinggi , 30 ekonomi menegah sisanya ekonomi rendah . Buatlah Hipotesisnya Uji Hipotesisi tersebut pada alpha = 0.05 Buat kesimpulan peneltiannya

165. 165 SEKIAN DAN TERIMA KASIH SMOGA LULUS UJIAN