buku alfridsyah aplikasi statistik dalam penelitian

Statistik Dalam Penelitian

Alfridsyah 1

Panduan Sistematis Dalam Pelaksanaan Penelitian Kesehatan

Oleh

Bgd. Alfridsyah

Politeknik Kesehatan Banda Aceh PUSAT KAJIAN GIZI DAN KESEHATANSekretariat : Jln. Kampus Politeknik Kesehatan NAD Desa Lagang - Lampeuneurut Darul Imarah - Banda Aceh - email :[email protected]


Alfridsyah 2

Pengantar Banyak orang masih berfikir kalau mereka sudah pernah mengambil mata kuliah statistik ditambah dengan kecepatan berhitung dan percaya diri yang tinggi sudah cukup memiliki modal untuk melakukan aplikasi penelitian. Memang benar hal tersebut sebagai dasar dalam melakukan penelitian, namun saat ini hampir semua tahapan dalam penelitian telah mengunakan berbagai macam perangkat lunak komputer, sehingga memerlukan penafsiran yang lebih “mendalam” akibat dari ilmu Aplikasi dan bukan sekedar ‘ilmu murni” yang pernah diperoleh waktu pendidikan. Selain memerlukan keterampilan dasar yang sempurna, para mahasiswa, dosen dan peneliti memerlukan pemahaman yang tepat sehingga keputusan yang telah diambil tidak “menyimpang” dari perhitungan yang telah dilakukan. Boleh dikatakan tujuan dari penulisan buku ini adalah untuk menjawab “penyimpangan” yang sering terjadi berdasarkan pengalaman penulis dalam memberikan konsultasi, baik konsultasi penyusunan karya ilmiah maupun konsultasi penelitian terapan. Buku ini merupakan langkah permulaan yang praktis yang akan memberikan pemahaman yang tepat dalam menerapkan statistik dalam aplikasi penelitian. Teknik-teknik yang diulas dalam buku ini lebih bertujuan dalam membahas aplikasi yang praktis sehingga lebih memudahkan dalam penyusunan laporan penelitian. Disadari bahwa penulis bukanlah ahli murni statistik, maka jika ada kesalahan dalam menelaah keilmuan statistik mohon koreksi dan masukan melalui email ke [email protected] dan dalam memberikan contoh perhitungan lebih banyak tentang hal kesehatan masyarakat hal ini dikarnakan sesuai dengan keahlian penulis. Penulis mengharapkan agar kehadiran buku ini bermanfaat bagi pembaca yang berminat terhadap statistik terutama biostatistik, demikian pula unpan balik dari pembaca untuk perbaikan bukuini sangat penulis harapkan. Ajuen Jeumpit, Juni 2009. Bgd. Alfridsyah.


Alfridsyah 3

BAB I

KONSEP DASAR STATISTIK DAN PENGOLAHAN DATA

1.1. PENGERTIAN DASAR STATISTIK

a. Statistik Merupakan ilmu yang mempelajari hal-hal yang berhubungan dengan data yang diperoleh

dengan menghitung atau mengukur suatu fakta atau sesuatu hal yang menjadi kenyataan dan apa yang sbenarnya terjadi.

Ilmu pengetahuan (sains) yang berkaitan dengan pengumpulan, penataan/ pengorganisasian, analisis dan interpretasi data numerik atau sekumpulan alat/metode/teknik yang kuat dan efisien untuk menyusun penjelasan dan keputusan secara mudah dan tepat dengan mengunakan informasi yang tersedia.

b. Biostatistik

Cabang dari ilmu statistik yang berkaitan dengan aplikasi metode statistik pada persoalan-persoalan di bidang biologi, dan kedokteran dan kesehatan. Konsep atau metode statistik yang diterapkan di lapangan.

c. Statistik Vital

Fakta-fakta yang dikumpulkan secara sistematis dan terkompilasi secara numerik disusun dari cacatan kejadian vital dario populasi manusia misalnya peristiwa kelahiran, kematian dan perkawinan).

d. Data

Suatu himpunan angka yang berasal dari hasail pengukuran atau perhitungan. Atau sebuah set nilai yang dicatat darei sebuah atau lebih unit pengamatan.

e. Raw data Data mentah dan belum diolah (masih apa adanya dari hasil pengumpulan data)

f. Array data Data yang belum dikelompokan, tetapi telah disusun menurut besar kecilnya nilai (angka).

g. Ungrouped data Merupakan raw data yang belum dikelompokan

h. Group Data Data yang telah dikelompokkan dalam kelas-kelas yang telah ditentukan.

i. Variabel Merupakan fenomena yang mempunyai variasi nilai.

j. Parameter Ukuran yang digunakan untuk mengambarkan karakteristik atau hubungan antar variabel populasi

k. Probabilitas


Alfridsyah 4

Frekuensi relatif atau peluang rata-rata terjadinya suatu peristiwa yang dapat diharapkan secara rata-rata atau dalam jangka panjang.

l. Konstanta Sebuah ukuran atau karakteristik yang nilainya tetap.

m. Data Tidak berpasangan

Dua set data atau lebih dikatakan tidak berpasangan jika data diambil dari kelompok atau individu yang berbeda.

n. Data Berpasangan Dua sert data atau lebih dikatakan berpasangan jika data diambil dari individu yang sama baik karena data diambilsecara berulang atau karena proses matching.

o. Hipotesa Nol atau hipotesa negatif Jawaban sementara pada uji statistik yang menyatakan tidak adanya hubungan atau tidak adanya perbedaan.

p. Hipotesa Alternative atau hipotesa positif Jawaban sementara pada uji statistik yang menyatakan ada hubungan atau adanya perbedaan.

q. Hipotesa Penelitian Jawaban sementara terhadap pertanyaan penelitian

r. Hipotesa dua arah Jawaban sementara atas pertanyaan penelitian yang menyatakan ada perbedaan proporsi antara satu kategori dengan kategori lain atau perbedaan rerata antara satu kategori dengan kategori yang lain.

s. Kesalahan Tipe I Kesalahan karena menolah hipotesa nol padahal hipotesa nol harusnya diterima.

t. Kesalahan Tipe II Kesalahan karena menerima hipotesa nol padahal hipotesis harusnya ditolak.

u. Presisi Penelitian Selisish antara prevalensi pada populasi dengan perkiraan prevalensi yang akan diperoleh atau selisih antara rerata sesungguhnya dengan perkiraan rerata yang akandiperoleh penelitian yang masih bias ditolerir.

v. Penelitian Diagnostik Penelitian yang membandingkan metode diagnosis denganmetode baku emas, keluaran yang dihasilkan sensitifitas, spesifisitas, nilai prediksi positif/negative, rasio kemungkinan positif/negative.

w. Penelitian Prognostik Penelitian dengan disain kohor yang bertujuan untuk mengetahui faktor-faktor yang berhubungan.

x. Penelitian Deskriptif dan Penelitian Analitik


Alfridsyah 5

Desktriptif adalah penelitian yang bertujuan untuk mengambarkan proporsi atau rerata suatu variable sedangkan Analitik adalah penelitian yang bertujuan untuk mengetahui hubungan antar variable.

y. Power Penelitian Kemampuan penelitian untuk menolak hipotesis nol dan memang kenyataanya hipotetsis nol harus ditolak.

z. Variabel Kategorik dan numerik Kategorik adalah variabel yang hasil pengukurannya diklasifikasikan berdasarkan klasifikasi tertentu, sedangkan variabel numerik adalah variabel yang hasil pengukurannya tidak diklasifikasikan berdasarkan kategori tertentu.

1.2. Konsep Pengolahan Data

Data mentah yang telah dikumpulkan oleh peneliti tidak akan ada gunanya jika tidak dilakukan pengolahan dan analisis data. Pengolahan data merupakan salah satu bagian rangkaian kegiatan penelitian setelah kegiatan pengumpulan data. Setelah dilakukan pengumpulan data, sering orang menjadi binggung mau diapakan data yang telah terkumpul, bagaimana menghubungkan data di kuesioner dengan tujuan penelitian. Untuk itu data yang masih mentah (raw data) perlu diolah sedemikian rupa sehingga menjadi informasi yang akhirnya dapat digunakan untuk menjawab tujuan penelitian.

Data mentah yang telah dikumpulkan perlu dipecah-pecahkan dalam kelompok-kelompok, kategorisasi dan melakukan manipulasi serta diperas sedemikian rupa sehingga data tersebut mempunyai makna untuk menjawab masalah dan bermanfaat untuk pengujian hipotesa.

Agar analisa penelitian menghasilkan informasi yang benar, paling tidak ada empat tahapan dalam pengolahan data, taitu :

1. Editing

Merupakan kegiatan untuk melakukan pengecekan isian formulir atau kuesioner apakah jawaban yang ada dikuesioner sudah : a. Lengkap : semua pertanyaan sudah terisi jawabannya. b. Jelas : jawaban pertanyaan apakah tulisannya cukup jelas terbaca c. Relevan : jawaban yang tertulis apakah relevan dengan pertanyaannya. d. Konsisten : Apakah antara beberapa pertanyaan yang berkaitan isi jawabannya konsisten,

misalnya antara pertanyaan usia dengan pertanyan jumlah anak. Bila dipertanyaan usia terisi 15 tahun dan pertanyaan anak terisi 9, ini berarti tidak konsisten.

2. Koding

Koding merupakan kegiatan merubah data berbentuk huruf menjadi data berbentuk angka/bilangan. Misalnya untuk variabel pendidikan dilakukan koding 1=SD, 2=SLTP, 3=SLTA, 4 = Akademi/Perguruan Tinggi. Atau 1=laki-laki, 2=prempuan dsb. Kegunaan dari koding adalah untuk mempermudah pada saat analisis data dan juga mempercepat pada saat entry data.

3. Processing Setelah semua isian kuesioner terisi penuh dan benar dan juga sudah melewati pengkodingan, maka langkah selanjutnya adalah memproses data agar dapat dianalisis. Pemprosesan data dilakukan dengan cara meng-Entry data dari kuesioner ke paket komputer. Ada bermacam-macam paket program komputer yang dapat digunakan untuk pemprosesan data dengan


Alfridsyah 6

masing-masing mempunyai kelebihan dan kekurangan. Yang sering digunakan di penelitian kesehatan adalah paket program epi info, Dbase dan SPSS for windows.

4. Cleaning Cleaning (pembersihan data) merupakan kegiatan pengecekan kembali data yang sudah dientry apakah ada kesalahan atau tidak. Kesalahan tersebut dimungkinkan terjadi pada saat kita mengentry ke komputer. Misalnya untuk variabel pendidikan ada data yang bernilai 7, mestinya berdasarkan koding yang ada pendidikan kodenya hanya antara 1 s.d 4, dalam variabel status perkawinan terisi data 1 (belum kawin) dan dalam variabel jumlah anak terisi nilai 5. Ini berarti ada data yang salah (tidak konsisten) karena statusnya belum kawin kok punya anak 5 ? .

Cara Pembersihan Data :

a. Mengetahui missing data

Cara mendeteksi adanya missing data adalah dengan melakukan list (distribusi frekuensi) dari variabel yang ada. Misalnya data yang diolah berdasarkan jenis kelamin 100 pasien (tidak ada nilai yang hilang/missing), kemudian dikeluarkan variabel jenis kelamin dan pendidikan ternyata total sampel hanya 95 orang pasien artinya ada 5 pasien yang bernilai missing.

b. Mengetahui variasi data Dengan mengetahui variasi data akan diketahui apakah data yang dientry benar ataun salah. Cara mendeteksi dengan mengeluarkan distribusi frekuensi masing-masing variabel. Dalam entry data biasanya data dimasukkan dalam bentuk kode/koding, misalnya untuk pendidikan SD kode 1, SLTP kode 2, SLTA kode 3 dan PT kode 4. Jika difrekuensikan terlihat kode lain selain 1 s.d 4 misalnya 7 atau 5 maka perlu dilakukan pengecekan kembali walaupun jumlah total sudah benar.

c. Mengetahui Konsistensi Data Cara mendeteksi adanya ketidak konsistenan data dengan menghubungkan dua variabel seperti: 1. Membandingkan dua variabel.

Pada tabel keikut sertaan KB terdapat data 20 orang Ya dan 80 orang tidak tapi pada tabel lainnya Jenis alat kontrasepsi yang dipakai dari totalnya terdapat 26. Sehingga dari kedua tabel tersebut tidak konsisten hasilnya. Harusnya pada jumlah jenis alat kontrasepsi terdapat nilai 20 juga.

2. Membuat tabel silang Setelah dilakukan tabel silang ternyata ada hal yang terlalu sulit untuk dipercaya misalnya distribusi umur dengan jumlah anak terdapat hasil pada umur 15 tahun ada responden mempunyai 10 orang anak (berarti ada kesalahan entry).


Alfridsyah 7

BAB II

PENGOLAHAN DAN MODIFIKASI DATA DENGAN PROGRAM SPSS

2.1. Pengertian Dasar

Setelah mengetahui langkah-langkah pengolahan data, selanjutnya akan dibahas entry data dengan mengunakan program SPSS. SPSS berasal dari singkatan Statistical Program for Social Science. SPSS merupakan paket program statistik yang berguna untuk mengolah dan menganalisis data penelitian. Dengan SPSS semua kebutuhan pengolahan dan analisis data dapat diselesaikan dengan mudah dan cepat. Kemampuan yang dapat diperoleh dari program SPSS meliputi pemprosesan segala bentuk file data, modifikasi data, membuat tabulasi berbentuk distribusi frekuensi, analisis statistik deskriptif, analisis statistik lanjut yang sederhana maupun komplek, pembuatan grafik dan lain-lain. Perkembangan program SPSS sangat cepat dimulai program SPSS/PC+ (masih under DOS) kemudian berkembang menjadi SPSS for Window versi 6 dan berkembang terus sampai sekarang sudah memasuki versi 11.00, namun berdasarkan literatur dan pengalaman pengolahan data SPSS versi 11.00 ini tidak dapat mengolah data secara regresi logistik (multivariat) yang sering digunakan dalam ilmu kesehatan. Dalam buku ini mencotohkan dengan menerapkan program SPSS versi 10.05 yang dengan pertimbangan mudah dipahami dan dapat digunakan hampir semua jenis analisa data dalam bidang sosial dan kesehatan. 2.2. Menginstall SPSS

Pertama kali anda harus pastikan bahwa komputer sudah terinstall program SPSS for

windows. Adapun cara menginstall program SPSS adalah sebagai berikut : a. Masukkan CD program SPSS anda kedalam drive CD komputer anda. b. Buka My Computer dan aktifkan drive CD tempat program CD SPSS berada. c. Klik Install SPSS ( option paling atas) dan biarkan proses terjadi. d. Klik Next dan biarkan proses berlanjut sampai ditanyakan mau dimana akan ditempatkan

program (biasanya c:\program files\SPSS) e. Ketik/Masukkan Series Number (SN) yang terdapat dalam CD f. Ketik/masukkan nomor Licence yang terdapat dalam CD. g. Klik Next dan biarkan proses install berlanjut sampai finish.

2.3. Memanggil SPSS

Untuk memanggil program SPSS dapat dilakukan dua cara : a. Bila ditampilkan pertama komputer sudah muncul icon SPSS, maka klik dengan mouse icon

tersebut dua kali. b. Bila dilayar komputer belum ada icon SPSS, maka klik START, pilih file program dan sorot

SPSS dan Klik dua kali. Didalam operasionalnya, SPSS mengenal 2 jenis jendela (window) yang utama yaitu :

a. SPSS data editor Jendela ini berisi tampilan data yang kita olah dan analisis dengan jenis spreadsheet (seperti tampilan excel) terdapat dua menu yaitu data dan variabel.

b. SPSS Output Hasil olahan (hasil analisis) yang anda lakukan akan ditampilkan pada ouput window. Window ini merupakan teks editor, artinya anda dapat mengedit hasil analisis yang ditampilkan.


Alfridsyah 8

2.4. Struktur Data di SPSS Agar data diolah dengan SPSS, data harus mempunyai struktur, format dan jenis tertentu. Dalam SPSS data yang diolah tersusun berdasarkan kolom dan baris. Tiap kolom melambangkan satu variabel (dalam data base dikenal dengan nama field), misalnya tiap pertanyaan pada kuesioner menunjukkan satu variabel. Tiap baris data dinamakan case (kasus/responden) sebagaimana istilah record di data base. Variabel Nama Umur Berat Bagindo 40 70 Case Sutan 30 60 Sidi 50 90 Dari contoh diatas menunjukkan ada 3 (tiga) variabel (nama, umur dan berat) dan 3 kasus/responden (bagindo, sutan dan sidi) 2.5. Tampilan utama SPSS for Windows Setelah program SPSS dipanggil dilayar akan muncul logo SPSS for window, tunggulah sesaat hingga logo tersebut menghilang, maka pada layar monitor akan didapati tampilan utama SPSS yang terdiri yang dikendalikan oleh menu (bar menu). Bar menu terletak disebelah atas dengan urutan dari kiri kekanan sebagai berikut : a. File Digunakan untuk membuat data baru, membuka file data yang telah tersimpan (ektensi.SAV),

atau membaca file data dari program lain seperti dbase, excel dan lain-lain. b. Edit Digunakan untuk memodifikasi, mengkopy, menghapus, mencari dan menganti data. c. Data Digunakan untuk membuat/mendefinisikan nama variabel, mengambil/menganalisis sebahagian

data, mengabungkan data dan lain-lain. d. Transform Digunakan untuk transpormasi/modifikasi data seperti pengelompokkan variabel, pembuatan

variabel baru dari perkalian atau penjumlahan dari variabel yang ada dan lain-lain. e. Statistik / Analisis Digunakan untuk memilih berbagai produk statistik, dari statistik yang sederhana (deskriptif)

sampai dengan analisis statistik yang komplek (multivariat). f. Graphs Digunakan untuk membuat grafik meliputi grafik bar, pie, garis, histogram, scatter plot dan

sebagainya. g. Utilities Digunakan untuk menampilkan berbagai informasi tentang isi file. h. Window Digunakan untuk berpindah-pindah antar jendela, misalnya dari jendela data ke jendela output. i. Help Memuat informasi bantuan bagaimana mengunakan berbagai fasilitas pada SPSS.


Alfridsyah 9

2.6. ENTRY atau memasukkan Data Entry data dapat langsung dilakukan pada data editor. Data editor memiliki bentuk tampilan

sejenis spreadsheet yang digunakan sebagai fasilitas untuk memasukkan/mengisikan data. Ada tiga hal yang harus diperhatikan :

a. baris menunjukkan kasus/responden b. Kolom menunjukkan variabel c. Sel merupakan perpotongan antara kolom dan baris menunjukkan nilai/data.

Sebaiknya yang pertama kali yang harus dilakukan pada saat entry data adalah memberi

nama variabel. Satu variabel mewakili/melambangkan satu pertanyaan. Agar tidak menemui kesulitan dalam membuat nama variabel sebaiknya mengikuti ketentuan sebagai berikut :

a. nama variabel maksimal berisi 8 huruf b. Nama variabel tidak boleh ada spasi c. Nama variabel tidak ada yang sama.

2.7. Langkah-langkah memasukkan/entry data : 1. Setelah data editor terbuka, terlihat ada lajur kolom dan lajur baris. Lajur kolom merupakan

tempat variabel dan jalur baris untuk kasus/responden. 2. Letakkan kursor pada kolom paling atas tepat di kata “ var” klik 2 kali atau pilih Data kemudian

Define Variabel. Isilah Variabel Name dengan Nama variabel yang akan anda isi. 3. Bawa kursor pada option Type dan klik. Pilihlah jenis datanya numerik untuk angka dan string

untuk kata-kata. Serta tentukan desimalnya. 4. Klik Continue untuk keluar dan kembali ke dialog define variabel. 5. Klik option label dan isilah variabel label dan tentukan nilainya dengan mengisi value dan value

label dan diikuti oleh Add. Seperti value 1 di value label diisi laki-laki lalu klik Add dan dilanjutkan lagi value 2 dan value label perempuan dan diikuti Add.

6. Klik contiue dan terakhir OK. 7. Data siap dimasukkan. 2.8. Langkah-Langkah dalam Pengelompokkan data 1. Pilih Tranform 2. Pilih Recode 3. Pilih Into Defferent variables 4. Sorot variabel umur, lalu klik tanda panah kekanan sehingga variabel UMUR berpindah ke kotak

Input Variabel Output variabel 5. Pada kotak output variabel, pada bagian name ketiklah KELUMUR (kelompok umur / variabel

baru) 6. Klik old and New Value, nampak kotak old and new di monitor 7. Secara garis besar ada 2 (dua) isian yang harus diisi, yaitu old value (nilai lama yang akan

direcode) dan new value (nilai baru sebagai hasil dari nilai lama) misal umur <=40 menjadi kode 1 dan > 40 menjadi kode 2.

8. Pilihan kotak range Lower through , ketik 40 9. Bawa kursor ke kotak New Value, ketiklah 1 kemudian klik Add 10. Klik bagian range --- though highest. Ketik angka 41. lalu pindahkan kursor ke kotak New Value

ketik 2 klik Add. 11. Klik Continue 12. Klik OK


Alfridsyah 10

2.9. Langkah Membuat Variabel Baru dari Variabel Yang Telah Ada 1. Pilih Transporm 2. Pilih Compute, kemudian muncul kotak dialog compute dengan ketentuan Target Variabel : diisi

nama variabel baru yang akan dibuat. (misal IMT) 3. Pada numerik expression, ketik variabel yang akan dijumlahkan atau dirumuskan dengan

mengunakan ketentuan matematik. Ketik bb / (tb * tb) 4. Klik OK, sesaat akan muncul dibagian paling kanan variabel baru tersebut.


Alfridsyah 11

BAB III

ANALISIS DATA PENELITIAN

3.1. Konsep Dasar

Setelah selesai melakukan pengolahan data, maka langkah selanjutnya adalah analisis data. Data mentah (raw data) yang sudah susah payah dikumpulkan tidak akan ada artinya jika tidak dianalisis. Analisis data merupakan kegiatan yang sangat penting dalam suatu peneelitian karena dengan analisislah data dapat mempunyai makna/arti yang dapat berguna untuk memecahkan masalah penelitian, namun perlu dimengerti bahwa dengan melakukan analisis tidak dengan sendirinya dapat langsung memberikan jawaban penelitian, untuk itu diperlukan bagaimana cara menginterprestasikan hasil analisis tersebut. Menginterpretasikan berarti kita dapat menjelasklan hasil analisis guna memperoleh makna/arti.

Interpretasi mempunyai dua bentuk yaitu arti sempit dan arti luas. Interpretasi dalam arti sempit (deskriptif) yaitu interpretasi data dilakukan hanya sebatas pada masalah penelitian yang diteliti berdasarkan data yang dikumpulkan dan diolah untuk keperluan penelitian tersebut. Sedangkan interpretasi dalam arti luas (analitik) yaitu interpretasi guna mencari makna data hasil penelitian dengan jalan tidak hanya menjelaskan/menganalisis data hasil penelitian tersebut, tetapi juga melakukan inferensi (generalisasi) dari data yang diperoleh dengan teori-teori yang relevan dengan hasil-hasil penelitian tersebut.

Seberapa jauh analisis suatu penelitian kan dilakukan tergantung dari : a. Jenis Penelitian

Jika ingin mengetahui bagaimana umumnya (secara rata-rata) pendapat masyarakat akan suatu hal tertentu, maka pengumpulan data dilakukan dengan survei. Dari kasus ini maka dapat dilakukan analisis data dengan pendekatan kuantitatif. Namun bila kita mengingginkan untuk mendaptkan pendapat/gambaran yang mendalam tentang suatu fenomena, maka data dapat dikumpulkan dengan fokus groeup diskusi atau observasi, maka analisisnya mengunakan pendekatan kuantitatif.

b. Jenis Sampel Analisis sangat tergantung pada jenis sampel yang dibandingkan, apakah kedua sampel independen atau dependen. Misalnya pada suatu penelitian survei yang tidak mengunakan sampel yang sama, dapat digunakan uji statistik yang mengamsumsikan sampel yang independen. Misalnya suatu survei ingin mengetahui apakah ada perbedaan kebugaran jasmani antara pejabat yang perokok dengan pejabat yang tidak perokok. Disini berarti kelompok pejabat perokok dan kelompok pejabat yang tidak merokok bersifat independen. Sedangkan untuk penelitian eksperimen yang sifatnya pre dan post (sebelum dan sesudah adanya perlakukan tertentu) maka uji yang dilakukan adalah uji statistik untuk data yang dependen. Misalnya suatu penelitian ingin mengetahui pengaruh pelatihan manajemen terhadap kinerja petugas kesehatan. Pertanyaan penelitiaannya “ apakah ada perbedaan kinerja petugas kesehatan antara sebelum dengan sesudah mendapatkan pelatihan manajemen”. Dalam penelitian ini sampel kelompok petugas kesehatan bersifat dependen, karena pada kelompok (orang) yang sama dikur dua kali yaitu pada saat sebelum pelatihan (pre test) dan sesudah pelatihan dilaklukan (post test).

c. Asumsi kenormalan


Alfridsyah 12

Jenis analisis yang akan dilakukan sangat tergantung dari bentuk distribusi datanya. Bila distribusinya tidak normal, maka sebaiknya digunakan prosedur uji statistik nan parametrik. Sedangkan bila asumsi kenormalan dapat dipenuhi maka dapat digunakan analisis mengunakan uji statistik parametrik.

d. Jenis Data/Variabek

Data merupakan kumpulan angka/huruf hasil dari penelitian terhadap sifat/karakteristik yang kita teliti. Isi data umumnya bervariasi sehingga muncul istilah variabel. Jadi variabel merupakan karakteristik yang nilai datanya bervariasi dari satu pengukuran ke pengukuran berikutnya. Data dengan jenis kategori berbeda cara analisisnya dengan data jenis numerik. Beberapa pengukuran / uji statistik hanya cocok untuk jenis data tertentu. Sebagai contoh nilai proporsi/persentase (pada analisis univariat) biasanya cocok untuk menjelaskan data berjenis kategorik, sedangkan untuk data jenis numerik biasaanya dapat mengunkaan nilai-rata-rata untuk menjelaskan karakteristiknya. Untuk analisis hubungan dua variabel (bivariat), uji kai kuadrat hanya dapat dipakai untuk mengetahui hubungan data kategori dengan data kategori. Sebaliknya untuk mengetahui hubungan numerik dengan numerik digunakan uji korelasi/regresi. Menurut skala pengukurannya, variabel dibagi atas empat jenis yaitu : 1. Nominal dimana variabel hanya dapat membedakan nilai-nilai datanya dan tidak tahu nilai

data mana yang lebih tinggi atau rendah, atau nilainya sederajat. 2. Ordinal dimana variabel dapat membedakan nilai datanya dan juga sudah diketahui

tingkatan lebih tinggi atau lebih rendah, namun belum diketahui besanya perbedaan antara kelompok data.

3. Interval dimana variabel yang dapat dibedakan, diketahui tingkatannya dan diketahui juga

besarnya beda antar nilainya, namun belum diketahui kelipatan suatu nilai terhadap nilai dan tidak mempunyai titik nol mutlak.

4. Rasio, dimana variabel yang paling tinggi skalanya yaitu bisa dibedakan, adanya tingkatan,

adanya besar perbedaan dan ada kelipatan serta ada nol mutlak.

Dalam analisis seringkali digunakan pembagian data/variabel menjadi dua kategorik yaitu :

1. Katagori (kualitatif) Merupakan data hasil pengklasifikasian/pengolongan suatu data. Umunya berisi variabel berskala nominal dan ordinal.

2. Numerik (kuantitatif) Merupakan variabel hasil dari perhitungan /diskrit (hasil perhitungan) dan pengukuran/kontinyu (merupakan hasil pengukuran). Umumnya berisi variabel yang berskala interval dan rasio.

Dalam analisis statistik, seringkali data numerik dirubah kedalam data kategorik dengan

cara dilakukannya pengelompokkan/pengklasifikasian sehingga jenis variabelnya sudah menjadi kategorik. Adapun tujuannya adalah sebagai berikut : a. Memperoleh gambaran/deskripsi masingt-masing variabel b. Membandingkan dan menguji teori atau konsep dengan informasi yang ditemukan. c. Menemukan adanya konsep baru dari data yang dikumpulkan.


Alfridsyah 13

d. Mencari penjelasan apakah konsep baru yang diuji berlaku umum atau hanya berlaku pada kondisi tertentu.

3.2. Prosedur Analisis Data

Berikut ini akan dijelaskan langkah-langkah analisis (pendekatan kuantitatif)

a. Analisis Univariat Tujuan dari analisis ini adalah untuk menjelaskan/mendeskripsikan karakteristik masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik digunakan nilai mean (rata-rata), median, standar deviasi dan inter kuartil range, nilai minimal dan maksimal. Bila data yang terkumpulkan tidak menunjukkan adanya nilai ekstrim (distribusi normal), maka perhitungan nilai mean dan standar deviasi merupakan cara anlisis yang paling tepat. Sedangkan bila dijumpai nilai yang ekstrim (distibusi tidak normal) maka nilai median dan inter quartil range (IQR) yang lebih tepat dibandingkan nilai mean. Seringkali pada analisis pada saat analisis kita melakukan perubahan dari data numerik menjadi data kategorik, maka anlisisnya dapat berupa nilai proporsi/persectase masing-masing kelompok. Bentuk penyajian analisis univariat dapat berupa tabel atau grafik, namun perlu diingat bahwa kita harus memilih salah satu, tidak diperkenankan secara sekaligus mengunakan tabel dan juga grafik dalam pemyampaian informasi suatu data/variabel Contoh tampilan : 1. Data numerik

Tabel 1 Distribusi Umur dan Lama Hari Rawat Pasien RSU Bagindo Tahun 2008

Variabel Mean+ Se

Median SD IQR

Min – Mak

Umur 30,3 ± 0,7 31,1

10,1 10,5

17 – 60

Lama hari rawat 10,1± 1,2 7,0

8,9 4,0

2 - 60

2. Data kategori

Tabel 2. Distribusi Responden Menurut Tingkat Pendidikan Pasien Rumah Sakit Umum Bagindo Tahun 2008

No Tingkat pendidikan Jumlah

n % 1 SD 10 20,0

2 SLTP 15 30,0

3 SLTA 20 40,0

4 PT / DIII 5 10,0

Jumlah 50 100,0


Alfridsyah 14

b. Analisis Bivariat Setelah diketahui karakteristik masing-masing variabel dapat diteruskan analisis yang lebih lanjut. Apabila diinginkan analisis hubungan antara dua variabel, maka analisis dilanjutkan pada tingkat bivariat. Biasanya untuk mengetahui hubungan dua variabel tersebut dilakukan uji statistik. Jenis uji statistik yang dilakukan sangat tergantung dari jenis data/variabel yang akan dihubungkan. Berikut ini adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat.

Variabel I Variabel II Uji statistik yang digunakan Kategori Kategori Kai kuadrat / fisher Exact (proporsi) Kategori Numerik Uji t dan Uji Anova (nilai mean) Numerik Numerik Korelasi dan Regresi (keeratan dan prediksi)

Contoh penyajian : 1. Uji t (beda mean)

Tabel 3. Distribusi Rata-Rata Kadar Haemoglobin Menurut Jenis Kelamin

No Jenis Kelamin Jumlah Mean SD SE P value

1 Laki-laki 31 11.6161 1.662 0.2985 0.417 2 Perempuan 10 10.5600 1.266 0.4003

Rata-rata kadar haemoglobin responden yang berjenis kelamin laki-laki sebesar 11,61 gr%

dengan standar deviasi 1,662, sedangkan pada responden yang berjenis kelamin perempuan rata-rata kadar haemoglobinnya sebesar 10,56 gr % dengan standar deviasi 1,266, dengan demikian dapat dikatakan nilai rata-rata kadar haemoglobin pejabat yang berjenis kelamin laki-laki lebih tinggi dibandingkan kadar haemoglobin perempuan. Namun dari hasil uji statistik dengan mengunakan uji t (varian sama) didapatkan nilai p value sebesar 0,417, berarti pada derajat kepercayaan 95 % terlihat tidak ada perbedaan yang signifikan rata-rata kadar haemoglobin antara responden laki-laki dengan responden yang perempuan. 2. Uji Anova

Tabel 4. Distribusi Rata-Rata Skor Perilaku pemberantasan Penyakit Malaria

Menurut Tingkat Pendidikan

No Pendidikan Jumlah Mean SD 95 % CI P value 1 Tidak sekolah 19 14.38 2.14 13.34 – 15.40 0.000 2 Tamat SD 845 15.51 2.81 14.90 – 16.12 3 Tamat SLTP 45 16.11 3.48 15.06 – 17.16 4 Tamat SLTA 45 16.58 3.54 15.49 – 17.65 5 Tamat Akademi 3 18.67 3.51 9.94 – 27.39 6 Tamat Sarjana 5 22.60 2.96 18.92 – 26.28

Rata-rata skor perilaku terhadap pemberantasan malaria pada mereka yang berpendidikan

tidak sekolah adalah 14,38 dengan standar deviasi 2,14. Pada responden yang berpendidikan tamat SD adalah 15,51 dengan standar deviasi 2,81. Pada mereka tamat SLTP rata-rata skornya adalah 16,11 dengan standar deviasi 3,48. Pada responden yang tamat SLTA mempunyai rata-rata skor perilaku sebesar 16,58 dengan standar deviasi 3,54. Untuk mereka yang tamat Akademi/Diploma III diketahui nilai rata-rata skornya 18,67 dengan standar deviasi 3,51. Sedangkan pada kelompok


Alfridsyah 15

tamat sarjana rata-rata skornya adalah 22,60 dengan standar deviasi 2,96. Sehingga dapat dikatakan makin tinggi tingkat pendidikan makin tinggi pula nilai skor perilaku terhadap pemberantasan penyakit malaria.

Hasil uji statistik dengan mengunakan Anova didapat nilai p value = 0,000 berarti pada alpha 5 % dapat disimpulkan ada perbedaan skor perilaku terhadap pemberantasan penyakit malaria diantara keenam jenjang pendidikan. Analisis lanjut dengan uji multiple comparison Bonferroni membuktikan bahwa kelompok yang berbeda signifikan adalah tidak sekolah dengan sarjana, tamat SD dengan sarjana, tamat SLTP dengan sarjana, tamat SLTA dengan sarjana dan tamat Diploma/DIII dengan sarjana. 3. Uji Chi Square (proporsi)

Tabel 5. Distribusi Responden Berdasarkan Indeks Massa Tubuh dan Tingkat Kesegaran Jasmani Para

Pejabat Prov. NAD Tahun 2008

Kesegaran Jasmani No Indeks Massa Kurang Baik Total P OR Tubuh n % N % value (95 % CI)

1 Gemuk 31 81,6 7 18,4 38 0,019 3,94(1,36-11,38)

2 Normal 18 52,9 16 47,1 34

Jumlah 49 68,1 23 31,9 72

Pejabat yang memiliki Indeks Massa Tubuh (IMT) yang Gemuk sebahagian besar (81,6 %)

tergolong mempunyai tingkat kesegaran jasmani yang kurang, sedangkan mereka yang memiliki IMT normal tingkat kesegaran jasmaninya hampir merata antara yang kurang (52,9 %) dengan yang baik (47,1 %). Dengan demikian mereka yang mempunyai IMT lebih/ gemuk mempunyai peluang mengalami tingkat kesegaran jasmani yang lebih besar dari meraka yang mempunyai IMT normal karena proporsi untuk mengalami kesegaran jasmani pada kategori kurang lebih besar pada responden yang mempunyai indeks massa tubuh dalam kategori gemuk.

Dari tabel 5. terlihat bahwa berdasarkan hasil uji chi-square pada derajat kepercayaan 95 % menghasilkan p value 0,019. Hal ini menunjukkan bahwa secara statistik ada hubungan yang bermakna antara Indeks Massa Tubuh dengan kesegaran jasmani. Analisis keeratan hubungan dua variabel didapatkan OR = 3,94 ( 95 % CI : 1,36 – 11,38) artinya pejabat struktural yang mempunyai indeks massa tubuh lebih/gemuk mempunyai peluang mengalami kesegaran jasmani kurang 3,94 kali dibandingkan dengan pejabat yang memiliki indeks massa tubuh normal. 4. Uji Korelasi Regresi (keeratan dan prediksi)

Tabel 6.

Analisis Korelasi dan Regresi Umur Dengan Kadar HB No Variabel R R 2 Persamaan garis P value

1 Umur 0.465 0.216 Hb = 8,184+0.113*umur 0,001

Hubungan umur responden dengan kadar haemoglobin menunjukkan hubungan yang

sedang (r=0,465) dan berpola positif artinya semakin tinggi tua umur seseorang semakin tinggi pula kadar haemoglobin darahnya. Nilai koefisien determinasinya sebesar 0.216 artinya, persamaan garis


Alfridsyah 16

regresi yang diperoleh hanya dapat menerangkan sebesar 21,60 % variasi kadar hb atau persamaan garis yang diperoleh kurang baik untuk menjelaskan variabel perilaku terhadap pemberantasan penyakit malaria. Dari hasil uji statistik didapatkan adanya hubungan yang signifikan antara umur dengan kadar haemoglobin darah dengan nilai p value sebesar 0,001. c. Analisis Multivariat Merupakan analisis yang berhubungan antara beberapa variabel independen dengan satu variabel dependen. Dari analisis multivariat kita dapat mengetahui :

1. Variabel independen mana yang paling besar pengaruhnya terhadap variabel dependen. 2. Apakah Variabel independen berhubungan dengan variabel dependen dipengaruhi oleh

variabel lain atau tidak (counfounding) 3. bentuk hubungan beberapa independen dengan variabel dependen, apakah berhubungan

langsung atau pengaruh tidak langsung. Contoh penyajian : 1. Analisis Regresi Logistik Bivariat

Analisis regresi logistik bivariat digunakan untuk mengestimasi peranan masing-masing

variabel independen terhadap variabel dependen. Menurut Mickey dan Greenland (1989) variabel yang pada saat dilakukan uji G (Rasio log-likelihood) memiliki p value < 0,25 dan mempunyai kemaknaan secara substansi dapat dijadikan kandidat yang akan dimasukkan kedalam model mutivariat. Hasil analisis regresi logistik bivariat untuk mengestimasi kesegaran jasmani disajikan dalam tabel 7.

Tabel 7 Hasil Analisis Bivariat variabel Independen dengan

Variabel Dependen (Kesegaran Jasmani)

No Variabel OR 95 % CI Log-Likelihood

G p value

1. IMT 3,629 1,18 – 11,18 75,548 5,422 0,020 2. RLPP 5,400 1,73 – 16,82 72,041 8,929 0,003 3. PLT 9,429 1,71 – 52,11 73,106 7,864 0,005 4. TDD 4,800 0,99 – 23,35 76,068 4,902 0,027 5. Umur 0,569 0,17 – 1,84 80,046 0,924 0,336 6. Jenis Kelamin 0,943 0,28 – 3,19 80,961 0,009 0,925 7. Kebias.Merokok 1,600 0,49 – 5,21 80,339 0,631 0,427 8. Makan pagi 0,381 0,09 – 1,71 79,415 1,555 0,212 9. Makan Sayuran 2,317 0,25 – 21,22 80,326 0,644 0,422 10. Makan Berlemak 2,639 0,89 – 7,85 77,804 3,166 0,075 11. Makan Trendy 1,895 0,36 – 9,84 80,338 0,633 0,426

Dari tabel 7 diatas ternyata ada 6 (lima) variabel yang p valuenya < 0,25 yaitu variabel IMT

(Indeks Massa Tubuh), RLPP (Rasio Lingkar Pinggang Pinggul), PLT (Persen Lemak Tubuh), TDD (Tekanan Darah Diastolik) , Kebiasaan sarapan pagi dan Kebiasaan Makanan Berlemak, sedangkan variabel lainnya mempunyai p value > 0,25. Dengan demikian variabel yang dapat dimasukkan ke dalam model multivariat adalah keenam variabel tersebut. 2. Identifikasi Variabel Yang Dianggap Penting Dalam Persamaan Regresi

Analisis multivariat bertujuan mendapatkan model yang terbaik dalam menentukan determinan tingkat kesegaran jasmani. Dalam model ini semua variabel kandidat dimasukkan secara bersama-sama. Model yang terbaik akan mempertimbangkan 2 (dua) penilaian yaitu nilai


Alfridsyah 17

signifikansi ratio log-likelihood (p value ≤ 0,05) dan signifikansi p wald (p ≤ 0,05). Pemilihan model dilakukan secara hirarki dengan cara semua independen (yang telah lulus sensor) dimasukkan kedalam model, kemudian variabel yang p-waldnya tidak siqnifikan dikeluarkan dari model secara berurutan dimulai dari nilai p-wald yang terbesar. Hasil analisis akhir terlihat pada tabel 8.

Tabel 8

Hasil Analisis Multivariat Regresi Logistik Antara RLPP , PLT dan Kebiasaan Makan Berlemak dengan Kesegaran Jasmani

No Variabel B Wald Sig OR 95 % CI

Constant -2,706 14,929 0,000 1. RLPP 1,882 8,037 0,005 6,567 1,788 – 24,124 2. PLT 2,184 5,967 0,015 8,882 1,540 – 51,227 3. Makan Berlemak 1,390 4,093 0,043 4,013 1,044 – 15,422

-2 Log Likelihood = 60,712 G = 20,258 p value = 0,000 Dari hasil tabel 8 menunjukkan hasil yang baik dimana signifikasi log-likehood mempunyai p

value 0,000 atau p value < 0,05, demikian juga signifikansi Wald menunjukkan bahwa variabel RLPP dan PLT memiliki p value < 0,05, dengan demikian ketiga variabel tersebut yang berhubungan secara signifikan dengan kesegaran jasmani. 3. Identifikasi Variabel Interaksi

Dalam analisis interaksi antar variabel pada model efek utama didasarkan pada logika substansi dan statistik. Berdasarkan hasil analisis multivariat regresi logistik antara RLPP dan PLT dengan Kesegaran Jasmani (tabel 5.26) dan tidak adanya kolinearitas dalam model regresi (tabel 8), maka interaksi yang memungkinkan adalah seperti seperti terlihat pada tabel 9.

Tabel 9

Uji Interaksi antara RLPP dan PLT terhadap Kesegaran Jasmani

Interaksi -2 LL G P value Tanpa Interaksi 60,712 20,258 0,000 RLPP * PLT 60,591 0,120 0,729 RLPP * Makan Berlemak 60,404 0,308 0,579 PLT * Makan berlemak 60,591 0,120 0,729

Dari uji interaksi pada tabel 9. menunjukkan bahwa tidak terlihat adanya interaksi antara variabel RLPP dengan PLT, RLPP dengan Makan Berlemak dan PLT dengan Makan Berlemak dimana hasil interaksi yang terjadi memiliki p value > 0,05. Hal ini memberikan arti bahwa interaksi yang terjadi secara statistik tidak bermakna pada α = 0,05 atau dengan kata lain didalam model efek utama tidak ada interaksi diantara variabel independen. Keadaan semacam ini memberikan arti bahwa hubungan Rasio Lingkar Pinggang panggul (RLPP) dengan tingkat kesegaran jasmani tidak memberikan efek yang berbeda untuk mereka yang mempunyai Persen Lemak Tubuh (PLT) Tinggi dan Normal, dan hubungan RLPP dengan dengan kesegaran jasmani tidak memberikan efek yang berbeda terhadap Kebiasaan makanan Berlemak serta hubungan PLT dengan Kebiasaan Makan berlemak dengan kesegaran jasmani tidak memberikan efek yang berbeda terhadap kebiasaan makan berlemak.


Alfridsyah 18

4. Identifikasi Faktor Kesegaran Jasmani dengan Strategi Pemodelan Hasil uji interaksi yang tidak menunjukkan adanya interaksi antara variabel Rasio Lingkar

Pinggang Panggul (RLPP), Persen Lemak Tubuh (PLT) dan kebiasaan makanan berlemak, maka model penentu kesegaran jasmani adalah model yang terdiri dari 3 (tiga) variabel yaitu RLPP, PLT dan Kebiasaan Makanan Berlemak tanpa disertai adanya interaksi.

Dari keseluruhan proses analisis yang telah dilakukan dapat disimpulkan bahwa dari 11 (sebelas) variabel independen yang diduga berhubungan dengan kesegaran jasmani, ternyata hanya ada 3 (tiga) variabel yang secara signifikan berhubungan dengan kesegaran jasmani yaitu Rasio Lingkar Pinggang Panggul, Persen Lemak Tubuh dan Kebiasaan Makanan Berlemak. Pengaruh kategori RLPP terhadap tingkat kesegaran jasmani ditunjukkan oleh ukuran asosiasi Odd Ratio (OR). Dengan mengontrol variabel PLT dan kebiasaan Makanan Berlemak pejabat struktural yang memiliki RLPP lebih/tinggi mempunyai risiko 6,567 kali (95 % CI;1,788–24,124) untuk mengalami kesegaran jasmani dengan kategori kurang, bila dibandingkan dengan mereka yang memiliki RLPP normal. Dan pengaruh kategori PLT terhadap tingkat kesegaran jasmani dapat dijelaskan bahwa dengan mengontrol variabel RLPP dan kebiasaan makanan berlemak pejabat struktural yang memiliki PLT lebih/tinggi mempunyai risiko 8,882 kali ( 95 % CI; 1,540 – 51,227 ) untuk mengalami kesegaran jasmani dengan kategori kurang, bila dibandingkan dengan mereka yang memiliki PLT normal. Sedangkan pengaruh Kebiasaan Makanan Berlemak terhadap kesegaran jasmani dapat dijelaskan bahwa dengan mengontrol variabel RLPP dan PLT pejabat struktural yang sering mengkonsumsi makanan berlemak mempunyai risiko 4,013 kali (95% CI: 1,044 – 15,422) untuk mengalami kesegaran jasmani kurang, bila dibandingkan dengan mereka yang jarang mengkonsumsi makanan berlemak.

Selanjutnya dapat disimpulkan bahwa dari 3 (tiga) variabel tersebut, variabel Persen Lemak Tubuh merupakan variabel yang paling dominan berhubungan dengan kesegaran jasmani karena PLT mempunyai nilai OR yang lebih tinggi (8,882) dibandingkan dengan nilai OR RLPP (6,567) dan Kebiasaan makan berlemak (4,013).


Alfridsyah 19

BAB IV

UJI HIPOTESA DALAM ANALISIS DATA

4.1. Konsep Dasar

Apabila kita menginginkan analisis hubungan antara dua variabel, maka analisis harus dalam bentuk bivariat. Untuk mengetahui hubungan dua variabel tersebut biasanya digunakan prosedur pengujian statistik/uji hipotesis. Pengujian hipotesa berguna untuk membantu pengambilan keputusan tentang apakah suatu hipotesa yang diajukan, seperti perbedaan atau hubungan, cukup menyakinkan untuk ditolak atau tidak ditolak. Keyakinan ini didasarkan pada besarnya peluang untuk memperoleh hubungan tersebut secara kebetulan (by chance). Semakin kecil peluang tersebut (peluang adanya by change), semakin besar keyakinan bahwa hubungan tersebut memang ada.

Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel (data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang diajukan. Peluang untuk diterima atau ditolaknya suatu hipotesis tergantung besar kecilnya perbedaan antara nilai sampel dengan nilai hipotesis. Bila perbedaan tersebut cukup besar maka peluang untuk menolak nilai hipotesispun besar pula, sebaliknya bila perbedaan tersebut kecil, maka peluang untuk menolak hipotesis menjadi kecil.

Kesimpulan yang didapat dari hasil pengujian hipotesis ada dua kemungkinan yaitu menolak hipotesis dan menerima hipotesis (gagal menolak hipotesis). 4.2. Jenis Hipotesis

Hipotesis berasal dari kata hupo yang artinya sementara/lemah kebenarannya dan thesis yang artinya pernyataan/teori. Dengan demikian hipotesis berarti pernyataan sementara yang perlu diuji kebenarannya. Untuk menguji kebenaran sebuah hipotesis digunakan pengujian hipotesis. Didalam pengujian hipotesis dijumpai dua jenis hipotesis yaitu : 1. Hipotesis Nol (Ho) Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara kedua kelompok. Atau

hipotesis yang menyatakan tidak ada hubungan antara variabel satu dengan variabel lainnya. 2. Hipotesis Alternatif (Ha) Hipotesis yang menyatakan ada perbedaan suatu kejadian antara kedua kelompok atau

hipotesis yang menyatakan hubungan variabel satu dengan variabel yang lain. 4.3. Arah dan bentuk uji hipotesis.

Bentuk hipotesis alternatif akan menentukan arah uji statistik apakah satu arah (one tail)

atu dua rah (two tail) 1. One tail (satu sisi) Bila hipotesis alternatifnya menyatakan adanya perbedaan dan ada pernyataan yang

mengatakan hal yang satu lebih tinggi/rendah dari hal yang lain. Contoh : Berat badan bayi dari ibu hamil yang merokok lebih kecil dibandingkan dengan berat badan bayi

dari ibu hamil yang tidak merokok. 2. Two tail ( dua sisi)


Alfridsyah 20

merupakan hipotesis alternatif yang hanya menyatakan perbedaan tanpa melihat apakah hal yang satu lebih tinggi/rendah dari hal yang lain

contoh : Ada perbedaan berat berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok

dibandingkan dari mereka yang tidak merokok. 4.4. Kesalahan pengambilan keputusan

Dalam pengujian hipotesis kita selalu dihadapkan suatu kesalahan pada pengambilan

keputusan. Ada dua jenis kesalahan dalam pengambilan keputusan dalam uji statistik :

1. Kesalahan tipe I (α ) Merupakan kesalahan menolak Ho padahal sesungguhnya Ho benar. Artinya : menyimpulkan

adanya perbedaan padahal sesungguhnya tidak ada perbedaan. Peluang kesalahan tipe satu (I) adalah α atau sering disebut tingkat signifikansi (significance level). Sebaliknya peluang untuk tidak membuat kesalahan tipe I adalah sebesar 1 – α, yang disebut dengan tingkat kepercayaan (convidence level).

2. Kesalahan tipe II ( ß ) Merupakan kesalahan tidak menolak Ho padahal sesungguhnya Ho salah. Artinya :

menyimpulkan tidak ada perbedaan padahal sesungguhnya ada perbedaan. Peluang untuk membuat kesalahan tipe II ini adalah sebesar ß. Peluang untuk membuat kesalahan tipe II adalah sebesar 1 – ß dan dikenal sebagai tingkat kekuatan uji (power of the test).

Power of test (kekuatan uji) merupakan peluang untuk menolak hipotesis Nol (Ho) ketika Ho memang salah. Atau dengan kata lain kemampuan untuk mendeteksi adanya perbedaan bermakna antra kelompok-kelompok yang diteliti ketika perbedaan-perbedaan ini memang ada.

Tabel Kesalahan dalam Pengambilan Keputusan

Keputusan Populasi

Ho benar Ho Salah Tidak Menolak Ho Benar ( 1- α,) Kesalahan tipe II ( ß) Menolak Ho Kesalahan tipe I (α,) Benar ( 1 – ß )

Dalam pengujian hipotesis dikehendaki nilai α dan ß kecil atau (1- ß) besar. Namun hal ini

sulit dicapai karena bila α makin kecil nilai ß akan semakin besar. Berhubung harus dibuat keputusan menolak atau tidak menolak Ho maka harus diputuskan untuk memilih salah satu saja yang harus diperhatikan yaitu α atau ß yang diperhatikan. Pada umunya untuk amannya dipilih nilai α. 4.5. Menentukan Tingkat kemaknaan (level of Significance)

Tingkat kemaknaan merupakan kesalahan tipe I suatu uji yang biasanya diberi notasi α. Tujuan dari pengujian hipotesis adalah untuk membuat suatu pertimbangan tentang perbedaan antara nilai sampel dengan keadaan populasi sebagai suatu hipotesis. Tingkat kemaknaan merupakan nilai yang menunjukkan besarnya peluang salah dalam menolak hipotesis nol. atau batas toleransi peluang salah dalam menolak hipotesis Nol. Atau nilai α merupakan nilai batas maksimal kesalahan menolak Ho. Bila kita menolak Ho berarti menyatakan adanya perbedaan/hubungan. Sehingga nilai α dapat diartikan pula sebagai batas maksimal kita salah menyatakan adanya perbedaan.

Pentuan nilai α (alpha) tergantung dari tujuan dan kondisi penelitian. Nilai α yang sering digunakan adalah 10 %, 5 % dan 1 %. Untuk bidang kesehatan masyarakat biasanya digunakan


Alfridsyah 21

nilai α sebesar 5 %. Sedangkan untuk pengujian obat-obatan digunakan batas toleransi kesalahan yang lebih kecil misalnya 1 %, karena mengandung risiko yang fatal. 4.6. Pemilihan Jenis Uji parametrik atau non parametrik

Dalam pengujian hipotesis sangat berhubungan dengan distribusi data populasi yang akan diuji. Bila distribusi data populasi yang akan diuji berbentuk normal/simetris/gauss, maka proses pengujian dapat digunakan dengan pendekatan uji statistik parametrik. Sedangkan bila distribusi data populasinya tidak normal atau tidak diketahui distribusinya maka dapat digunakan pendekatan uji statistik non parametrik. Kenormalan suatu data dapat dilihat dari jenis variabelnya, bila variabelnya berjenis numerik/kuantitatif biasanya distribusi datanya mendekati normal. sehingga dapat digunakan uji statistik parametrik. Bila jenis variabelnya katagorik (kuantitatif), maka bentuk distribusinya tidak normal, sehingga uji non parametrik dapat digunakan. Penentuan jenis uji juga terghantung oleh jumlah data yang dianalisis bila jumlah datanya kecil ) < 30 ) cenderung digunakan uji non parametrik. 4.7. Perbedaan substansi dengan perbedaan statistik

Perlu dipahami bagi peneliti bahwa berbeda bermakna/signifikan secara statistik tidak berarti (belum tentu) bahwa perbedaan tersebut juga bermakna dipandang dari segi substansi/klinis. Seperti diketahui semakin besar sampel yang dianalisis akan semakin besar menghasilkan kemungkinan berbeda makna. Dengan sampel besar perbedaan-perbedaan sangat kecil yang sedikit atau bahkan tidak mempunyai manfaat secara substansi/klinis dapat berubah menjadi bermakna secara statistik. Oleh karena itu arti kegunaan dari setiap penemuan jangan hanya dilihat dari aspek statistik semata, namun harus juga dilihat dari kegunaan dari segi klinis/substansi. 4.8. Keputusan Uji Statistik

Hasil pengujian statistik akan menghasilkan dua kemungkinan keputusan yaitu menolak Ho dan gagal menolak hipotesis nol . keputusan uji statistik dapat dicari dengan dua pendekatan yaitu pendekatan klasik dan pendekatan probabilitas :

1. Pendekatan klasik

keputusan uji statistik dengan cara membandingkan nilai perhitungan uji statistik dengan nilai pada tabel. Nilai tabel yang dilihat sesuai dengan jenis distribusi uji yang kita lakukan. Besarnya nilai tabel sangat tergantung dari nilai alpha (α) yang kita gunakan dan juga tergantung apakah uji kita one tail atau two tail . pada pengujian two tail/ uji dua arah untuk mencari nilai Z di tabel kurva normal, nilai α nya harus dibagi dua arah yaitu ujung kiri dan ujung kanan dari suatu kurva normal, sehingga nilai alpha = ½ α . sebagi contoh bila ditetapkan nilai α = 0,05 maka nilai ½ α = ½ (0,05) = 0,025. pada α = 0,025 nilai Z nya adalah 1,96. Pada pengujian one tail / satu sisi nilai alphanya tetap 5 % (tidak usah dibagi dua) sehingga nilai Aznya = 1,65. Dari kedua nilai tersebut (nilai perhitungan uji statistik dan nilai tabel) maka dapat kita memutuskan apakah Ho ditolak atau Ho gagal ditolak dengan ketentuan sebagai berikut : 1. Bila nilai perhitungan uji statistik lebih besar dibandingkan nilai yang berasal dari tabel (nilai

perhitungan > nilai tabel) maka keputusaanya Ho ditolak artinya ada perbedaan kejadian (mean/proporsi) yang signifikan antara kelompok data satu dengan kelompok data yang laiinnya.

2. Bila nilai perhitungan uji statistik lebih kecil dibandingkan nilai yang berasal dari tabel (nilai perhitungan < nilai tabel) maka keputusannya Ho gagal ditolak artimnya tidak ada perbedaan kejadian (mean/proporsi) antara kelompok data satu dengan kelompok data yang lainnya. Perbedaan yang ada hanya kibat dari faktor kebetulan (by chance).


Alfridsyah 22

b. Pendekatan probabilistik Seiiring dengan kemajuan perkembangan komputer maka uji statistik dengan mudah

dancepat dilakukan dengan program statistik, dimakna akan ditampilkan /dikeluarkan nilai P (p value). Dengan nilai P ini kita dapat mengunakan untuk keputusan uji statistik dengan cara membandingkan nilai P dengan nilai α (alpha). Ketentuan yang berlaku adalah : 1. Bila nilai P ≤ nilai α , maka keputusannya adalah Ho ditolak. 2. Jika nilai P > nilai α , maka keputusannya ada;lah Ho gagal ditolak. Pengertian Nilai P Nilai P merupakan nilai yang menunjukkan besarnya peluang salah menolak Ho dari data penelitian. Nilai P dapat diartikan pula sebagai nilai peluang hasil penelitian. Terjadi karena faktor kebetulan (by change). Harapan kita nilai P adalah sekecil mungkin, sebab bila nilai P-nya kecil maka kita yakin bahwa adanya perbedaan pada hasil penelitian menunjukkan pula adannya perbedaan di populasi. Dengan kata lain menunjukkan pula bila nilai p nya kecil maka ada perbedaan yang ada pada penelitian terjadi bukan karena faktor kebetulan (by change).


Alfridsyah 23

BAB V

UJI RELIABILITAS DAN VALIDITAS

5.1. Konsep Dasar Validitas

Salah satu masalah dalam penelitian adalah bagaimana data yang diperoleh adalah akurat dan objektif. Hal ini sangat penting dalam penelitian karena kesimpulan penelitian hanya akan dapat dipercaya bila didasarkan pada informasi yang juga dapat dipercaya (akurat) . data yang kita kumpulkan tidak akan berguna bilamana alat pengukur yang digunakan untuk menggumpul data penelitian tersebut tidak mempunyai validitas dan reabilitas yang tinggi.

Validitas berasal dari kata validity yang mempunyai arti sejauhmana ketepatan dan kecermtan suatu alat ukur dalam mengukur suatu data. Misalnya seseorang akan mengukur cincin, maka dia harus mengunakan timbangan emas. Dilain pihak bila seseorng ingin menimbang berat badan maka dia harus mengunakan timbangan badan. Jadi dapat disimpulkan bahwa timbangan emas valid untuk mengukur cincin, tapi timbangan emas tidak valid untuk menimbang bert badan. 5.2. Konsep Dasar Reliabilitas

Reliabilitas adalah suatu ukuran yang menunjukkan sejauh mana hasil pengukuran tetap konsisten bila dilakukan pengukuran dua kali atau lebih terhadap gejala yang sama dan dengan alat pengukur yang sama.

Misalnya seseorang ingin mengukur jarak dari satu tempat ke tempat yang lain dengan mengunakan dua jenis alat ukur. Alat ukur pertama dengan meteran yng terbuat dari logam, sedangkan alat ukur kedua dengan menghitung langkah kali. Pengukuran yang dilakukan dengan meteran logam akan mendapatkan hasil yang sama kalau pengukurannya diulang dua kali atau lebih. Sebaliknya pengukuran yang dilakukan dengan langkah kaki, besar kemungkinan akan didapatkan hasil yang berbeda kalau pengukurannya diulang dua atu lebih kali. Dari ilustrasi ini berarti meteran logam lebih reliable dibandingkan langkah kaki untuk mengukur jarak.

Cara mengetahui validitas suatu instrumen (dalam hal ini kuesioer) dilakukan dengan cara

melakukan korelasi antar skor masing-masing variabel dengan skor totalnya. Suatu variabel (pertanyaan) dikatakan valid bila skor variabel tersebut berkorelasi secara signifikan dengan skor totalnya. Teknik korelasi yang digunakan adalah korelasi pearson product moment (r). 5.3. Cara Mengukur Reliabilitas Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara :

a. Repeated measure atau ukur ulang . Pertanyaan ditanyakan pada responden berulang pada waktu berbeda dan kemudian dilihat apakah ia tetap konsisiten dengan jawabannya.

b. One shot atau diukur sekali saja. Disini pengukurannya hanya sekali dan kemudian dibandingkan dengan pertanyaan lain.

Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu. Jika sebuah pertanyaan tidak valid, maka pertanyaan tersebut dibuang. Pertanyaan-pertanyaan yangh sudah valid kemudian baru secara bersama diukur reliabilitasnya. 5.4. Langkah-langkah uji reliabilitas dan validitas dengan SPSS

1. Yakinkan apakah anda telah berada di data editor BAGINDO.SAV 2. Klik Statistik/Analized 3. Pilih Scale


Alfridsyah 24

4. Pilih Reliability Analysis. 5. Massukkan semua variabel ke dalam kotak Items (ingat variabel yang masuk hanya variabel

yang akan diuji saja yaitu stres1, stres2, stres3, stres4 dan stres5 ) 6. Pada model , biarkan pilihan pada Alpha 7. Klik option Statistics 8. Pada bagian Descriptives for : klik pilihan Item, Scale, Scale if item deleted. 9. Klik Continue 10. Klik OK, terlihat hasil outputnya.

Reliability *** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) Mean Std Dev Cases 1. STRES1 2.4390 1.1842 41.0 2. STRES2 2.1220 1.0769 41.0 3. STRES3 2.3659 1.1126 41.0 4. STRES4 2.3902 1.1375 41.0 5. STRES5 2.4390 1.1842 41.0 N of Statistics for Mean Variance Std Dev Variables SCALE 11.7561 24.5890 4.9587 5 Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted STRES1 9.3171 14.5220 .9600 .8656 STRES2 9.6341 20.9878 .2474 .9943 STRES3 9.3902 15.2939 .9259 .8749 STRES4 9.3659 14.9378 .9505 .8690 STRES5 9.3171 14.5220 .9600 .8656 Reliability Coefficients N of Cases = 41.0 N of Items = 5 Alpha = .9198

11. Interpretasi : Hasil analisisi reliabilitay memperlihatkan dua bagian, bagian pertama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean, variance dll Pada bagian kedua memperlihatkan hasil dari proses validits dan reliabilitas. Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner, baru dilanjutkan uji reliabilitas.


Alfridsyah 25

BAB VI

ANALISIS DESKRIPTIF

6.1. Konsep Dasar

Tujuan dari analisis ini adalah menjelaskan/mendeskripsikan karakteristik masing-masing variabel yang diteliti. Dalam analisis data kuantitatif kita dihadapkan pada kumpulan data yang besar/banyak yang belum jelas maknannya. Fungsi analisis sebetulnya adalah menyederhanakan atau meringkas kumpulan data hasil pengukuran sedemikian rupa sehingga kumpulan data tersebut berubah menjadi informasi yang berguna. Peringkasan tersebut dapat berupa ukurean-ukuran statistrik, tabel dan grafik.

Secara teknis analisis merukanan kegiatan meringkas kumpulan data menjadi ukurean tengah dan ukuran variasi. Selanjutnya membandingkan gambaran-gambaran tersebut antara satu kelompok subyek dan kelompok subyek lain, sesuai dengan tujuan yang ingin dicapai dalam analisis.

Statistik deskriptif adalah bidang ilmu pengetahuan statistik yang mempelajari tata cara pengumpulan, pencatatan, penyusunan dan penyajian data penelitian dalam bentuk tabel frekuensi atau grafik dan selanjutnya dilakukan pengukuran nilai-nilai statistiknya seperti mean/rerata aritmatik, median, modus dan deviasi standart dan lain-lainnya. Ruang lingkup satatistik deskriptif meliputi (Djarwanto, 2001) :

1. Penyusunan tabel frekuensi atau distribusi frekuensi 2. Mengukur nilai-nilai tendensi pusat seperti rata-rata hitung, rata-rata harmonik, median dan

modus. 3. Mengukur nilai-nilai fractile seperti quartile, quintile, decile dan percentile. 4. Mengukur nilai-nilai dispersi seperti range, standart deviasi, variance dan coeficient of

variation. 5. Mengukur koeficient kemencengan (skewness) 6. Mengukur koeficient keruncingan (kurtosis). 7. Membuat gambaran viasual dalam bentuk histogram, poligon dan ogive.

6.2. Peringkasan Data Numerik

Ukuran tengah merupakan cerminan dari konsisitensi dari nilai-nilai hasil pengukuran. Berbagai ukuran dikembangkan untuk mencerminkan ukuran ukuran tengah tersebut dan yang paling sering dipakai adalah mean, median dan modus.

a. Mean

Mean/average adalah ukuran rata-rata yang merupakan hasil bagi dari jumlah semua nilai pengkuran dibagi oleh banyaknya pengukuiran. Atau Rata-rata hitung (X) dari sekumpulan nilai adalah sama dengan jumlah seluruh nilai itu dibagi dengan jumlah pengamatannya (n).

Keuntungan nilai mean adalah mudah menghitungnya dan sudah melibatkan seluruh data dalam perhitungan. Namun kelemahan dari nilai mean adalah, nilai mean sangat dipengaruhi oleh

n ∑ Xi i=1 X = -------- n


Alfridsyah 26

nilai ekstrim, baik ekstrim tinggi maupun rendah. Oleh karena itu pada kelompok data yang ada nilai ekstrimnya (sering dikenal dengan distribusi data yang menceng/miring), mean tidak dapat mewakili rata-rata kumpulan nilai pengamatan.

Perhitungan rata-rata hitung yang langsung dari data mentah yang masih tidak beraturan dan belum ditabelkan baik kedalam distribusi tunggal maupun bergolong.

Dari data mentah pada diatas dapat dihitung rata-rata sebagai berikut : 42 + 44 + 43 + ... + 50 + 75 + 40 X = ----------------------------------------- = 44,075 120 b. Median

Median (Md) adalah angka yang terletak ditengah-tengah dari sebuah skor/distribusi frekuensi. Median akan membelah jumlah skor menjadi dua bagian yang sama banyaknya, yaitu separuh skor berada diatas median dan separohnya dibawah median. Karena selalu merupakan bilangan yang letaknya di tengah-tengah dari keseluruhan jumlah skor, maka median sering disebut sebagai rata-rata posisi. Cara perhitungan median :

Untuk data mentah yang belum dikelompokkan maka mediannya berada ditengah-tengah data tersebut setelah data diurutkan dari angka yang paling kecil ke angka yang paling besar. Apabila banyaknya data berjumlah ganjil maka untuk menentukan letak median dapat menggunakan rumus :

N= jumlah observasi (data) Contoh : Berikut ini adalah data kunjungan ibu hamil pada puskesmas sebagai berikut: 62 60 55 50 40 65 0 75 70 74 60 Maka Median dari data tersebut adalah : Urutkan data dari terkecil ke yang terbesar, yaitu : 0 40 50 55 60 62 65 70 74 75 Dengan rumus diatas (11+1)/2= 12/2 = 6, maka median terletak pada data urutan ke enam, yaitu 60.

Bila banyakanya data adalah genap maka median berada pada 2 (dua) angka di tengah, kedua angka tengah dicari dengan rumus N/2, dan bilangan median adalah rata-rata dari kedua angka tersebut.

Contoh : Berikut adalah data nilai ujian Biostatistika 14 orang mahasiswa Poltekkes NAD tahun 2008: 75 80 55 89 76 60 34 44 95 40 55 84 68 71

(N + 1)/2

60


Alfridsyah 27

Median dari data tersebut adalah : Urutkan data dari kecil ke paling besar : 34 40 44 55 55 60 75 76 80 84 89 95 Dengan rumus N/2 =14/2=7 maka median terletak pada angka ke 7 dan ke 8, yaitu 68 dan 71, maka median dapat dihitung (68+71)/2 = 139/2 = 69,5.

c. Mode/Modus Modus adalah angka/score yang mempunyai frekuensi paling sering muncul diantara skor-skor atau angka lainnya dari suatu pengukuran. Cara menentukan modus Untuk data mentah atau yang tidak dikelompokkan penentuan modus tinggal menunjuk pada angka/skor yang frekuensinya paling banyak. Contoh : Berikut sekumpulan angka hasil pengukuran

21 22 24 25 27 27 29 30 31 31 31 33 33 34 35 36 Maka modus dari data tersebut adalah 31 karena mempunyai frekuensi tertinggi dibanding

angka-angka lainnya, yaitu 3.

Jika dalam sebuah pengukuran memperoleh semua skor menunjukkan frekuensi yang sama maka data tersebut tidak mempunyai modus. Jika dalam sebuah pengukuran terdapat 2 skor yang mempunyai frekuensi sama, maka modus dari data tersebut adalah kedua skor itu dijumlahkan kemudian dibagi 2 (dua).

Contoh : Berikut 17 hasil pengukuran diperoleh angka : 21 22 24 25 27 27 29 30 31 31 31 33 33 34 35 36 33

Dari data ini terdapat 2 (dua) angka yang frekuensinya sama, yaitu angka 31 dan 33, maka modus data tersebut (31+33)/2 = 32. d. Hubungan Mean, median dan Mode Hubungan nilai mean median dan mode akan menentukan bentuk distribusi data sebagai berikut :

• Bila nilai mean, median dan mode sama, maka bentuk distribusi datanya normal. • Bila nilai mean > median > mode , maka bentuk distribusinya datanya menceng/miring ke

kanan. • Bila nilai mean < median < mode, maka bentuk distribusinya datanya menceng /miring kiri.

e. Ukuran Variasi/Penyebaran

Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu sama lain atau dengan kata lain hasil pengamatan akan bervariasi. Untuk mengetahui seberapa jauh data bervariasi digunakan ukuran variasi/penyebaran.

Sebaran data atau deviasi adalah penyimpangan tiap data terhadap harga tengah (mean, median, modus). Jika harga deviasi tiap datanya terhadap harga tengah sangat besar maka harga tengah tersebut kurang berguna sebagai indikator tunggal untuk menggambarkan keadaan

68 71


Alfridsyah 28

sebenarnya. Bila deviasinya rendah terhadap pusat data, berarti data berada dekat disekitar pusat, atau harga tengah dapat mewakili data dengan baik. Berikut adalah 2 contoh data untuk dibandingkan penyimpangannya terhadap rata-rata. I. 2 2 3 3 2,5 2,5 3,5 3,5 X = 2,75 II. 1 4 5 3 0,5 7,5 0,5 0,5 X = 2,75

Kedua himpunan data tersebut mempunyai mean yang sama, yaitu 2,75. Harga ini dapat

mewakili himpunan data I dengan baik, artinya datanya mendekati 2,75. Sedangkan pada himpunan data II, harga mean kurang dapat mewakili datanya dengan baik, misalnya dua data yang jauh dari pusat/rata-ratanya 0,5 dan 7,5. Jadi kedua himpunan data tersebut mempunyai sebaran yang berbeda. Ada beberapa ukuran sebaran data antara lain : a. Range (rentang) Rentang adalah perbedaan antara harga tertinggi dengan yang terendah dari sederetan data angka. Rentang menggambarkan seberapa jauh data itu memencar (merentang), tetapi rentang ini tidak menunjukkan variasi datanya. Rentang untuk data yang tidak dikelompokkan adalah :

Rentang = Nilai tertinggi – Nilai terendah Contoh : berikut adalah sekumpulan data I. 20 30 50 70 90 Rentang = 90 -20 = 70 II. 20 25 60 75 90 Rentang = 90- 20 = 70

b.Dispersi/Variasi/Pengukuran Penyebaran

Sebaran data atau deviasi adalah penyimpangan tiap data terhadap harga tengah (mean, median, modus). Jika harga deviasi tiap datanya terhadap harga tengah sangat besar maka harga tengah tersebut kurang berguna sebagai indikator tunggal untuk menggambarkan keadaan sebenarnya. Bila deviasinya rendah terhadap pusat data, berarti data berada dekat disekitar pusat, atau harga tengah dapat mewakili data dengan baik. b.1.Deviasi Rata-rata (Mean Deviation) Deviasi rata-rata adalah rata-rata penyimpangan tiap datanya terhadap meannya. Makin kecil harga deviasi berarti makin kecil penyebaran datanya terhadap mean.


Alfridsyah 29

Rumus deviasi rata-rata untuk data tidak berkelompok : Contoh : Berikut adalah harga obat 340, 525, 450, 210 dan 275. Rata-rata dari harga obat ini adalah 360. Hitunglah deviasi rata-rata dari harga obat tersebut.

Harga obat (X) Rata-rata (X) (X1 – X) | X1 – X | 340 -20 20 525 165 165 450 360 90 90 210 -150 150 275 -85 85

0 510 Jadi Deviasi rata-rata nya adalah 510/5 = 102 b. Standar Deviasi dan variasi Variansi adalah harga deviasi yang juga memperhitungkan deviasi tiap data terhadap meannya. Harga ini didefinisikan sebagai jumlah kuadrat deviasi tiap data terhadap mean dibagi dengan (n - 1) dengan n adalah banyak data. Standar deviasi dinyatakan sebagai akar positif variansi . Seperti halnya varian, semakin besar SD semakin besar variasinya. Apabila tidak ada variasi maka SD=0. Jika dipunyai data X1, X2,.... Xn dengan mean x, maka variansinya adalah : Standart deviasi = akar dari variansi a. Variansi dan standar deviasi untuk data yang tidak dikelompokkan

n ∑ | X1 – X |

i=1 MD = --------------------

n

n ∑ (X1 – X )2

i=1 S2 = --------------------

n - 1

(∑X )2

∑X2 - ------- n S2 = --------------------

n - 1

n ∑ (X1 – X )2

i=1 S = --------------------

n - 1

(∑X )2

∑X2 - ------- n S = --------------------

n - 1


Alfridsyah 30

Keterangan : S2 = Variansi yang dihitung n = Banyaknya (jumlah) observasi ∑X2 = Jumlah pangkat dua dari setiap observasi (∑X )2 = Jumlah seluruh observasi dikuadratkan Standar deviasi diberi simbol SD, atau sering juga disebut juga dengan simpangan baku (SB) atau disingkat dengan “s”. Simpangan baku dalam statistik dilambangkan dengan huruf Yunani “ σ ”. Catat : simbol “s” adalah simpangan baku untuk sampel, sedangkan “ σ ” adalah simpangan baku untuk populasi.

Contoh : Berikut ini adalah data lama perawatan (hari) dari 10 pasien disuatu rumah sakit :

Pasien ke Lama perawatan (x) X2 1 29 841 2 14 196 3 11 121 4 24 576 5 14 196 6 14 196 7 28 784 8 14 196 9 18 324 10 22 484 ∑X = 188 ∑X2 = 3914

Variansi dari data tersebut ..? Standart deviasi data tersebut adalah = √ 42,18 = 6,49

c. Jarak Inter Kuartil

Nilai observasi disusun berurutan dari nilai kecil ke besar, kemudian ditentukan kuartil bawah dan kuartil atas. Kuartil merupakan pembagian data menjadi 4 bagian yang dibatasi oleh tiga ukuran kuartil, yaitu kuarti I, kuartil II, kuartil III. Kuartil I mencakup 25 % data berada dibawahnya

(188 )2

3914 - ------- 10 S2 = --------------------

10 - 1

35344

3914 - ------- 10 S2 = --------------------

9

3914 - 3534,4 S2 = --------------------

9

379,6 S2 = -------- = 42,18

9


Alfridsyah 31

dan 75 % data berada diatasnya. Kuartil II (median) dan kuartil III mencakup 75 % data berada dibawahnya dan 25 % data berada diatasnya. Jarak inter kuartil adalah selisih antara kuartil III dan kuartil I. Ukuran ini lebih baik dari range teruitama kalau frekuensi pengamatan banyak dan distribusi sangat melebar. Dari uraian diatas dapat disimpulkan, untuk data numerik digunakan nilai mean, median, standar deviasi dan inter kuartil range, nilai minimal dan maksimal. Bila data yang terkumpul tidak menunjukkan adanya nilai ekstrim (distribusi normal) maka perhitungan nilai nean dan standar deviasi merupakan cara analisis univariat yang tepat. Sedangkan bila dijumpai nilai ekstrim (distribusi data tidak normal) maka nilai median dan inter quartil range (IQR) yang lebih tepat dibandingkan nilai mean. 6.2. Peringkasan Data Kategorik/Tabel Frekuensi

Berbeda dengan data numerik, peringkasan data (baik ukuran tengah maupun ukuran

variasi) tidak beragam jenisnya. Pada data kategorik peringkasan data hanya mengunkan distribusi frekuensi dengan ukuran persentase atau proporsi. Bila data berjenis kategorik, tentunya informasi/peringkasan data yang penting disampaikan tidak mungkin/lazim mengunakan ukuran mean atau median, melainkan informasi jumlah dan persentase yang disajikan. Untuk ukuran variasi, pada data kategorik variasi maksimal apabila jumlah antar kategorik berjumlah sama. Tabel frekuensi adalah penyebaran nilai-nilai variabel dari sejumlah tertentu individu yang diamati, sepanjang skala-skala nilai yang telah disusun sebelumnya.

Contoh : Kelas A : mahasiswa 50 dan mahasiswi 50 Kelas B : mahasiswa 90 dan mahasiswi 10 Pada kelas A, jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita. Pada kelas B, jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10 %.

Penyusunan distribusi frekuensi, terutama untuk variabel numerik dilakukan melalui tiga tahap, yaitu : a. Menentukan klas-klasnya atau skala-skala nilainya, meliputi; jumlah kelas, jumlah kelompok

nilai, interval tiap kelas, dan batas-batas klasnya. b. Menseleksi frekuensinya kedalam kelas-kelas yang bersangkutan (tallying). c. Menjumlahkan semua frekuensi dari kelas-kelas, jumlah frekuensi ini sama dengan jumlah

individu yang diamati. Syarat-syarat dalam menentukan interval kelas (Tanoe, 1992) : 1. Interval kelas harus tidak tumpang tindih (overlap) satu dengan yang lainnya, agar satu

observasi tidak dapat masuk kedalam dua kelas atau lebih. 2. Antara satu interval dengan interval berikutnya jangan sampai ada celah (gap) yang terlalu

besar, sehingga kemungkinan ada data yang terletak dalam celah tersebut. 3. Interval yang kita gunakan harus mempunyai lebar yang sama. 4. Interval-interval kelas tersebut diletakkan dalam satu kolom, interval kelas paling rendah paling

atas dan seterusnya kebawah menurut urutan besarnya.

Lebar interval kelas dapat dihitung dengan menggunakan rumus :

I = R/K


Alfridsyah 32

I = Lebar interval R = Range (rentang) yaitu selisih antara data terbesar dengan data terkecil K = banyaknya interval kelas, yang dapat dihitung dengan rumus Sturges , yaitu :

N = banyaknya observasi /data

Contoh : Dari sampel random sebanyak 120 orang ibu balita disuatu desa X, diperoleh data tentang umur ibu sebagai berikut : 42 47 29 34 41 35 43 34 31 37 44 43 28 38 49 45 48 49 48 36 43 42 59 50 31 27 53 37 41 59 31 36 47 30 45 37 48 35 33 35 47 60 64 40 50 30 47 49 52 40 44 35 43 41 47 49 25 40 48 41 68 41 76 44 39 42 52 50 59 30 50 38 37 51 57 29 52 50 45 52 47 50 53 37 53 44 42 50 46 31 47 50 57 43 44 37 42 44 36 50 45 63 55 40 45 45 50 50 35 75 44 64 41 42 38 30 23 56 52 40

Berdasarkan data tersebut dapat kita buat tabel frekuensi sebagai berikut : a. Tahap penentuan klas-klas umur (n=120).

Penentuan jumlah klas (K), digunakan Sturges Rule: K = 1 + 3,322 log N K = 1 + 3,322 log 120 K = 1 + 3,322 (2,079) K = 1 + 6,906 K = 7, 906 Penentuan klas interval (i) digunakan rumus :

I = (76 – 23)/ 7,906 = 6,704 Untuk menyederhanakan dan memudahkan penyusunan tabel frekuensi, ditentukan K=6 (pembulatan kebawah dari 7,906) dan i = 10 (pembulatan keatas dari 6,704). Maka klas umur ditentukan sebagai berikut : 20 – 29, 30 – 39, 40 – 49, 50 – 59, 60 – 69, dan 70 – 79 (terdapat 6 klas).

K = 1 + 3,322 Log N

I = R/K R = Xn – X1


Alfridsyah 33

b. Tahap melakukan tallying dan menjumlahkan frekuensi dari klas.

Umur (Tahun) Frekuensi 20-29 6 30-39 29 40-49 52 50-59 27 60-69 4 70-79 2 Jumlah 120

6.2.1. Ukuran tendensi pusat (tendensi sentral)

Ukuran tendensi pusat menyangkut nilai dari posisi pusat suatu distribusi frekuensi. Ukuran tendensi pusat yang baik adalah yang dapat memenuhi fungsinya yaitu sebagai ukuran untuk menunjukkan tendensi pusat dari suatu distribusi dan dapat mewakili seluruh nilai pengamatan.

Tendensi pusat yang baik, apabila dapat memenuhi syarat-syarat sebagai berikut: a. Harus dengan tegas dirumuskan pembentukannya b. Harus didasarkan pada perhitungan seluruh nilai pengamatan c. Tidak mempunyai sifat matematis yang abstrak. d. Dapat diperoleh dengan perhitungan yang mudah dan cepat e. Tidak terpengaruh dengan adanya fluktuasi sampling. Perhitungan ukuran kecendrungan sentral pada umumnya meliputi perhitungan mean (rata-

rata hitung), median dan modus: a. Mean/rerata a.1. Rata-rata aritmatik/rata-rata hitung

Dari tabel frekuensi yang sudah dibuat diatas dapat dihitung rata-rata sebagai berikut :

Umur (Tahun)

Frekuensi (f)

Nilai tengah (m)

f.m

20-29 6 24,5 147,0 30-39 29 34,5 1000,5 40-49 52 44,5 2314,0 50-59 27 54,5 1417,5 60-69 4 64,5 258,0 70-79 2 74,5 149,0 Jumlah 120 5340,0


Alfridsyah 34

Rata-rata dapat dihitung dengan rumus :

a.2. Rata-rata geometrik (rata-rata ukur) Untuk data berkelompok (distribusi frekuensi) rata-rata ukur dapat dihitung dengan rumus : Contoh perhitungan : Dari tabel frekuensi diatas dapat dihitung rata-rata ukur (geometrik) sebagai berikut :

Umur (Tahun)

Frekuensi (f)

Nilai tengah (m)

Log m f log m

20-29 6 24,5 1,389 8,334 30-39 29 34,5 1,537 44,573 40-49 52 44,5 1,648 85,696 50-59 27 54,5 1,736 46,872 60-69 4 64,5 1,809 7,236 70-79 2 74,5 1,872 3,744 Jumlah 120 196,455

195,455 = --------- = 1,637125 120 G = Antilog 1,637125 = 43,36 Kesimpulan : rata-rata ukur (geometrik) dari umur ibu balita adalah 43,36

n ∑ fj. mj i=1 X = -------- n

5340,0 X = -------- = 44,5 120

n ∑ fj Log mj j=1 G = Antilog -------------- n

n ∑ fj Log mj j=1 G = -------------- n

n ∑ fj Log mj j=1 G = -------------- n


Alfridsyah 35

a.3. Rata-rata harmonis (Harmonic Mean)

Untuk data kelompok/tabel frekuensi dengan rumus : Contoh perhitungan rata-rata harmonic : Berdasarkan contoh data tabel frekuensi diatas dapat dihitung rata-rata harmonic sebagai berikut :

Umur (Tahun)

Frekuensi (f)

Nilai tengah (m)

f/m

20-29 6 24,5 0,2449 30-39 29 34,5 0,8406 40-49 52 44,5 1,1685 50-59 27 54,5 0,4954 60-69 4 64,5 0,0620 70-79 2 74,5 0,0268 Jumlah 120 2,8382

Maka rata-rata harmonik data tersebut : 120 H = --------- = 42,28 2,8382 Kesimpulan : Rata-rata harmonik dari umur ibu balita adalah 42,28 b. Median (Nilai Tengah)

Untuk menentukan nilai median pada data yang berkelompok (distribusi frekuensi) dapat digunakan rumus : Dimana : Lmd = Batas bawah nyata dari klas yang mengandung nilai median f1 = Frekuensi kumulatif sebelum batas bawah klas yang mengandung nilai median f md = Frekuensi dari klas yang mengandung nilai median i md = Luas klas (interval) dari klas yang mengandung nilai median

k ∑ fj

j=1 H = -------------------- k fj ∑ -------

j=1 mj

N/2 – f1 Md = Lmd + ( ----------------- ) . i md f1md


Alfridsyah 36

Contoh : Berikut ini adalah tabel frekuensi tentang umur ibu balita di desa X :

Umur (Tahun)

Frekuensi (f)

Frekuensi Kumulatif

(FK) 20-29 6 6 30-39 29 35 40-49 52 87 50-59 27 114 60-69 4 118 70-79 2 120 Jumlah 120

Hitunglah median dari data tersebut : Langkah-langkah : 1. Pertama adalah menentukan dimana klas median berada, yaitu dengan jumlah data

(observasi) dibagi dua (N/2). Dari data diatas dapat diketahui N=120, maka 120/2 = 60, angka inilah yang menentukan dimana klas median berada.

2. Tentukan klas median. Pada tabel distribusi diatas maka data (observasi) yang ke 60 berada pada interval klas 40 – 49 dengan nilai frekuensinya 52.

3. Kemudian hitung berdasarkan rumus : Diketahui : Lmd = 39,5 dihitung dari (39+40)/2 f1 = 35 f md = 52 i md = 10

c. MODUS

Modus dari suatu data yang dikelompokkan dapat dihitung dengan rumus sebagai berikut :

120/2 – 35 60 – 35 Md = 39,5 + ( --------------- ) . 10 = 39,5 + --------- . 10 52 52

25 250 Md = 39,5 + (--- ) . 10 = 39,5 + ----- = 39,5 + 4,81 = 44,31 52 52

d1 Mo = Lmo + ( ----------- ) . i mo d1 + d2


Alfridsyah 37

Dimana : d1 = fMo – f1 d2 = fMo – f2

Lmo = Batas bawah nyata dari klas yang mengandung nilai modus. d1 = Delta satu, fMo – f1, frekuensi dari klas yang mengandung nilai modus dikurangi

frekuensi dari klas yang terletak diatas klas yang mengandung modus. d2 = Delta dua, fMo – f2, frekuensi klas yang mengandung modus dikurangi frekuensi klas

yang berada dibawah klas yang mengandung modus. imo = Interval (luas) klas dari klas yang mengandung modus. Contoh : Berikut ini adalah tabel frekuensi tentang umur ibu balita di desa X:

Umur

(Tahun) Frekuensi

(f)

Frekuensi Kumulatif

(FK) 20-29 6 6 30-39 29 35 40-49 52 87 50-59 27 114 60-69 4 118 70-79 2 120 Jumlah 120

Hitunglah modus dari tabel frekuensi tersebut : Catatan : Klas yang mengandung nilai modus adalah klas yang mempunyai frekensi paling tinggi.

Dari tabel frekuensi diatas, klas yang mempunyai frekuensi paling tinggi adalah klas ketiga (40 – 49) dengan frekuensi 52. Maka klas yang mengandung nilai modus terletak pada klas tersebut. Penyelesaian : Diketahui : fMo = 52, maka d1 = fMo – f1 = 52 – 29 = 23 d2 = fMo – f2 = 52 – 27 = 25

Lmo = (39 + 40)/2 = 39,5 imo = 10


Alfridsyah 38

Maka : Nilai modus dari data tabel frekuensi tersebut adalah 44,29.

d. FRACTILE Ukuran letak untuk data kuantitatif dapat berupa Quartile (norma empat bagian), Quintile (norma lima bagian), Desile (norma sepuluh bagian), dan Persentile (norma seratus bagian). d.1. Quartile (norma empat bagian)

Ukuran quartile digunakan bila kita ingin membagio data menjadi 4 (empat) bagian. Misalnya jika kita ingin membagi umur ibu balita pada data diatas menjadi umur muda, dewasa, tua dan lanjut usia. Perhitungan quartile untuk data berkelompok (tabel frekuensi) digunakan rumus sebagai berikut : Untuk kuartile pertama Untuk kuartile kedua Untuk kuartile ketiga Keterangan : LQ1 = Batas bawah dari klas yang mengandung nilai kuartile pertama fLQ1 = Frekuensi kumulatif sebelum batas bawah klas yang mengandung nilai kuartile

pertama fQ1 = Frekuensi dari klas yang mengandung nilai kuartile pertama i Q1 = Interval (luas) klas dari klas yang mengandung nilai kuartile pertama.

d1 Mo = Lmo + ( ----------- ) . i mo d1 + d2

23 Mo = 39,5 + ( ----------- ) . 10 23 + 25

23 230 Mo = 39,5 + ( ----) . 10 = 39,5 + ------ = 39,5 + 4,79 = 44,29 48 48

¼ n - fLQ1 Q1 = LQ1 + ( ----------- ) . i Q1 fQ1

2/4 n - fLQ2 Q2 = LQ2 + ( ----------- ) . i Q2 fQ2

3/4 n - fLQ3 Q3 = LQ3 + ( ----------- ) . i Q3 fQ3


Alfridsyah 39

Untuk kuertile kedua dan ketiga keterangan disesuaikan. Contoh : Berikut ini adalah tabel frekuensi tentang umur ibu balita di desa X:

Umur

(Tahun) Frekuensi

(f)

Frekuensi Kumulatif

(FK) 20-29 6 6 30-39 29 35 40-49 52 87 50-59 27 114 60-69 4 118 70-79 2 120 Jumlah 120

Hitunglah kuatile pertama, kedua dan ketiga dari tabel frekuensi tersebut :

Kuartil pertama Untuk menentukan dimana klas kuartile pertama berada, dihitung dengan ¼ n = 1/4 .120 = 120/4 = 30. Maka angka yang ke 30 berada pada klas 30-39. Maka : Disimpulkan bahwa Ibu balita yang berumur dibawah 37,78 termasuk kelompok usia muda.

Kuartil kedua Untuk menentukan dimana klas kuartile kedua berada, dihitung dengan 2/4 n = 2/4 .120 = 240/4 = 60. Maka angka yang ke 60 berada pada klas 40 - 49. Maka :

¼ n - fLQ1 Q1 = LQ1 + ( ----------- ) . i Q1 fQ1

30 - 6 24 240 Q1 = 29,5 + ( --------- ) . 10 = 29,5 + ---- . 10 = 29,5 + ----- = 29,5 + 8,28 = 37,78 29 29 29

2/4 n - fLQ2 Q2 = LQ2 + ( ------------- ) . i Q2 fQ2

60 - 35 25 250 Q2 = 39,5 + ( --------- ) . 10 = 39,5 + ---- . 10 = 39,5 + ----- = 39,5 + 4,81 = 44,31 52 52 52


Alfridsyah 40

Hasil kuartile kedua sama dengan nilai median, yaitu 44,31. Disimpulkan bahwa ibu balita yang berumur dibawah 44,31 termasuk kelompok usia dewasa. Kuartil ketiga Untuk menentukan dimana klas kuartile kedua berada, dihitung dengan 3/4 n = 3/4 .120 = 360/4 = 90. Maka angka yang ke 90 berada pada klas 50 - 59. Maka : Disimpulkan bahwa ibu balita yang mempunyai umur antara 44,31 (kuartile 2) sampai usia 50,61 (kuartile 3) termasuk usia tua. Dan yang berada diatas 50,61 tahun termasuk lanjut usia.

d.2. Quintile (norma lima bagian)

Ukuran kuintil (Qn) digunakan jika ingin membagi data menjadi 5 (lima) bagian. Rumus Quintile adalah sebagai berikut : Rumus untuk kuintil kedua 2/5 n, kuintil ketiga 3/5n, dan kuintil keempat 4/5n. Keterangan : LQn1 = Batas bawah nyata dari klas yang mengandung nilai kuintil pertama fLQn1 = Frekuensi kumulatif sebelum batas bawah klas yang mengandung nilai kuintile

pertama fQn1 = Frekuensi dari klas yang mengandung nilai kuintile pertama i Qn1 = Interval (luas) klas dari klas yang mengandung nilai kuintile pertama.

3/4 n - fLQ3 Q3 = LQ3 + ( ----------- ) . i Q3 fQ3

90 - 87 3 30 Q3 = 49,5 + ( --------- ) . 10 = 49,5 + ---- . 10 = 49,5 + ----- = 49,5 + 1,11 = 50,61 27 27 27

1/5 n - fLQn1 Qn1 = LQn1 + ( ----------- ) . i Qn1 fQn1


Alfridsyah 41

Contoh : Berikut ini adalah tabel frekuensi tentang umur ibu balita di desa X:

Umur (Tahun)

Frekuensi (f)

Frekuensi Kumulatif

(FK) 20-29 6 6 30-39 29 35 40-49 52 87 50-59 27 114 60-69 4 118 70-79 2 120 Jumlah 120

Hitunglah kuintil pertama, kedua dan ketiga dan keempat dari tabel frekuensi tersebut Kuintil pertama Untuk menentukan dimana klas kuintil pertama berada, dihitung dengan 1/5 n = 120/5 = 24. Maka angka yang ke 24 berada pada klas 30 - 39. Maka : Disimpulkan bahwa umur 35,71 sebagai batas kuintil pertama. Kuintil Kedua Untuk menentukan dimana klas kuintil kedua berada, dihitung dengan 2/5 n = 240/5 = 48. Maka angka yang ke 48 berada pada klas 40 - 49. Maka : Disimpulkan bahwa umur 42,00 sebagai batas kuintil kedua


24 - 6 18 180 Qn1 = 29,5 + ( --------- ) . 10 = 29,5 + ---- . 10 = 29,5 + ----- = 29,5 + 6,21 = 35,71 29 29 29


48 - 35 13 130 Qn2 = 39,5 + ( --------- ) . 10 = 39,5 + ---- . 10 = 39,5 + ----- = 39,5 + 2,50 = 42,00 52 25 25


Alfridsyah 42

Kuintil Ketiga

Untuk menentukan dimana klas kuintil ketiga berada, dihitung dengan 3/5 n = 360/5 = 72. Maka angka yang ke 48 berada pada klas 40 - 49. Maka : Disimpulkan bahwa umur 46,62 sebagai batas kuintil ketiga

Kuintil Keempat Untuk menentukan dimana klas kuintil keempat berada, dihitung dengan 4/5 n = 480/5 = 96. Maka angka yang ke 96 berada pada klas 50 - 59. Maka : Disimpulkan bahwa umur 52,83 sebagai batas kuintil keempat

d.3. Desil (Norma sepuluh bagian)

Ukuran letak desil digunakan bila kita ingin mengelompokkan data kedalam 10 bagian. Rumusnya adalah sebagai berikut : Untuk Deseil kedua 2/10.n, ketiga 3/10.n, keempat 4/10n, kelima 5/10 dan seterusnya sampai ke desil sembilan 9/10n. Keterangan : LD1 = Batas bawah nyata dari klas yang mengandung nilai desil pertama fLD1 = Frekuensi kumulatif sebelum batas bawah klas yang mengandung nilai desil pertama fD1 = Frekuensi dari klas yang mengandung nilai desil pertama i D1 = Interval (luas) klas dari klas yang mengandung nilai desil pertama.


72 - 35 37 370 Qn3 = 39,5 + ( --------- ) . 10 = 39,5 + ---- . 10 = 39,5 + ----- = 39,5 + 7,12 = 46,62 52 25 25

1/10 n - fLD1 D1 = LD1 + ( ----------- ) . i D1 fD1

96 - 87 9 90 Qn4 = 49,5 + ( --------- ) . 10 = 49,5 + ---- . 10 = 49,5 + ----- = 49,5 + 3,33 = 52,83 27 27 27


Alfridsyah 43


Umur

(Tahun) Frekuensi

(f)

Frekuensi Kumulatif

(FK) 20-29 6 6 30-39 29 35 40-49 52 87 50-59 27 114 60-69 4 118 70-79 2 120 Jumlah 120

Hitunglah kuintil pertama dan kedelapan dari tabel frekuensi tersebut : 1. Desil pertama Untuk menentukan dimana klas desil pertama berada, dihitung dengan 1/10 n = 120/10 = 12. Maka angka yang ke 12 berada pada klas 30 - 39. Maka : Disimpulkan bahwa umur 31,57 sebagai batas desil pertama. 2. Desil ke delapan Untuk menentukan dimana klas desil kedelapan berada, dihitung dengan 8/10 n = 960/10 = 96. Maka angka yang ke 96 berada pada klas 50 - 59. Maka :

1/10 n – fD1 D1 = LD1 + ( ----------- ) . i D1 FD1

12 - 6 6 60 QD1 = 29,5 + ( --------- ) . 10 = 29,5 + ---- . 10 = 29,5 + ---- = 29,5 + 2,07 = 31,57 29 29 29

8/10 n – fD8 D8 = LD8 + ( ----------- ) . i D8 fD8

96 - 87 9 90 QD8 = 49,5 + ( --------- ) . 10 = 49,5 + ---- . 10 = 49,5 + ---- = 49,5 + 3,33 = 52,83 27 27 27


Alfridsyah 44

Disimpulkan bahwa umur 52,83 sebagai batas desil pertama.

d.4. Persentil (norma seratus bagian) Digunakan bila kita ingin membagi data menjadi seratus bagian. Rumusnya adalah sebagai berikut :


Alfridsyah 45


Umur (Tahun)

Frekuensi (f)

Frekuensi Kumulatif

(FK) 20-29 6 6 30-39 29 35 40-49 52 87 50-59 27 114 60-69 4 118 70-79 2 120 Jumlah 120

Hitunglah persentil pertama, kelima puluh dan persentil sembilan puluh : 1. Persentil pertama Untuk menentukan dimana klas persentil pertama berada, dihitung dengan 1/100 n = 120/100 = 1,2. Maka angka yang ke 1,2 berada pada klas 20 - 29. Keterangan : Lp1 = Batas bawah nyata dari klas yang mengandung nilai persentil pertama fLp1 = Frekuensi kumulatif sebelum batas bawah klas yang mengandung nilai persentil

pertama fp1 = Frekuensi dari klas yang mengandung nilai persentil pertama i p1 = Interval (luas) klas dari klas yang mengandung nilai persentil pertama. Maka : 2. Persentil lima puluh Untuk menentukan dimana klas persentil pertama berada, dihitung dengan 50/100 n = 600/100 = 60. Maka angka yang ke 60 berada pada klas 50 - 59.

1/100 n – fp1 P1 = Lp1 + ( -------------- ) . i p1 Fp1

1,2 - 0 1,2 12 P1 = 19,5 + ( --------- ) . 10 = 19,5 + ---- . 10 = 19,5 + ---- = 19,5 + 2,00 = 21,50 6 6 6

50/100 n – fp50 P50 = Lp50 + ( ---------------- ) . i p50 Fp50


Alfridsyah 46

Maka : Hasil persentil 50 sama dengan nilai Median, Quartile 2 dan Desil 50) 3. Persentil sembilan puluh Untuk menentukan dimana klas persentil pertama berada, dihitung dengan 90/100 n = 10800/100 = 108. Maka angka yang ke 108 berada pada klas 60 - 69. Maka :

e. Dispersi/Variasi/Pengukuran Penyebaran

Sebaran data atau deviasi adalah penyimpangan tiap data terhadap harga tengah (mean, median, modus). Jika harga deviasi tiap datanya terhadap harga tengah sangat besar maka harga tengah tersebut kurang berguna sebagai indikator tunggal untuk menggambarkan keadaan sebenarnya. Bila deviasinya rendah terhadap pusat data, berarti data berada dekat disekitar pusat, atau harga tengah dapat mewakili data dengan baik. e.1.Deviasi Rata-rata (Mean Deviation) Deviasi rata-rata adalah rata-rata penyimpangan tiap datanya terhadap meannya. Makin kecil harga deviasi berarti makin kecil penyebaran datanya terhadap mean. Rumus Untuk data yang berkelompok :

90/100 n – fp90 P90 = Lp90 + ( ---------------- ) . i p90 Fp90

108 - 87 21 210 P90 = 59,5 + ( --------- ) . 10 = 59,5 + ---- . 10 = 59,5 + ---- = 59,5 + 7,78 = 57,28 27 27 27

60 - 35 24 240 P50 = 39,5 + ( --------- ) . 10 = 39,5 + ---- . 10 = 39,5 + ---- = 39,5 + 4,81 = 44,31 52 52 52

k ∑ fj | mj – X |

j=1 MD = --------------------

n


Alfridsyah 47

Contoh : Berikut adalah data distribusi frekuensi

Umur (Tahun)

Frekuensi (f)

Nilai tengah (m)

| X1 – X |

f | X1 – X |

20-29 6 24,5 20 120 30-39 29 34,5 10 290 40-49 52 44,5 0 0 50-59 27 54,5 10 270 60-69 4 64,5 20 80 70-79 2 74,5 30 60 Jumlah 120 820

Deviasi rata-rata = 820/120 = 6,83 e.2.Variansi dan Standart deviasi Variansi adalah harga deviasi yang juga memperhitungkan deviasi tiap data terhadap meannya. Harga ini didefinisikan sebagai jumlah kuadrat deviasi tiap data terhadap mean dibagi dengan (n - 1) dengan n adalah banyak data. Standar deviasi dinyatakan sebagai akar positif variansi Rumus untuk Variansi dan standar deviasi untuk data berkelompok

Keterangan : S2 = Variansi yang dihitung n = Banyaknya (jumlah) observasi fi = frekuensi xi = Titik tengah tiap klas interval ∑ fixi

2 = Jumlah dari frekuensi dikali dengan nilai tengah pangkat dua (∑fixi)2 = Jumlah frekuensi kali titik tengah dikuadratkan Contoh : Berikut ini adalah distribusi frekuensi penghasilan 84 keluarga didesa X, Hitunglah variansi dan standar deviasi dari data tersebut :

(∑fixi )2

∑fixi2 - ---------

n S2 = ---------------------

n - 1

(∑fixi )2

∑fixi2 - ---------

n S = ---------------------

n - 1


Alfridsyah 48

Penghasilan (Rp)

Frekuensi (fi)

Titik Tengah (xi)

xi

2

fixi

fi (xi)2 19,5 – 29,5 7 24,5 600,25 171,5 4201,7529,5 – 39,5 9 34,5 1190,25 310,5 10712,2539,5 – 49,5 16 44,5 1980,25 712,0 31684,0049,5 – 59,5 21 54,5 2970,25 1144,5 62375,2559,5 – 69,5 14 64,5 4160,25 903,0 58243,5069,5 – 79,5 9 74,5 5550,25 670,5 49952,2579,5 – 89,5 4 84,5 7140,25 338,0 28651,0089,5 – 99,5 3 94,5 8930,25 283,5 26790,7599,5–109,5 1 104,5 10920,25 104,5 10920,25 84 4638,0 283441,00

Standart deviasi = √329,6 =18,155

e.3.Koefisien variasi/Coefficient Variation (CV) Koefisien variasi adalah : adalah deviasi relatif, yaitu perbandingan antara deviasi standar dengan harga meannya dikalikan dengan seratus. Koefisien variasi adalah ukuran keragaman untuk melihat perbedaan besar keragaman antara 2 ukuran yang mempunyai skala atau satuan berbeda. Rumus CV adalah : Keterangan : CV = Coefficient variation s = standar deviasi dari suatu data x = rerata dari suatu data CV digunakan untuk mengetahui homogenitas suatu distribusi frekuensi. Makin heterogen suatu data makin besar CV-nya.

(∑fixi )2

∑fixi2 - ---------

n S2 = ---------------------

n - 1

46382

283441 - --------- 84 S2 = ---------------------

84 - 1

21511044

283441 - ------------ 84 S2 = ---------------------

83

283441 - 256083,9 S2 = ----------------------- = 329,6

83

s

CV = ------ . 100 x


Alfridsyah 49

Contoh :

Data x s CV TB (cm) 165,6 8,6 5,2 BB (kg) 51 4,5 8,12

Dari dua data diatas Berat badan (BB) lebih bervariasi dibanding tinggi badan (TB), kar 6.3. Bentuk Penyajian

Bentuk penyajian analisis univariat dapat berupa tabel atau grafik, namun perlu diingat bahwa kita dianjurkan hanya memilih salah sati, tidak diperkenankan secara sekaligus mengunkan tabel dan juga grafik dalam menyampaikan informasi suatu data/variabel. Contoh menyajikan analisis deskriptif a. Data Numerik

Tabel 1 Distribusi Umur dan Lama Hari Rawat Pasien RSU Baginda Tahun 2008

Variabel Mean+ Se

Median SD IQR

Min – Mak

Umur 30,3 ± 0,7 31,1

10,1 10,5

17 – 60

Lama hari rawat 10,1± 1,2 7,0

8,9 4,0

2 - 60

b. Data Kategori

Tabel 2. Distribusi Responden Menurut Tingkat Pendidikan Pasien Rumah Sakit Umum Baginda Tahun 2008

No Tingkat pendidikan Jumlah

n % 1 SD 10 20,0

2 SLTP 15 30,0

3 SLTA 20 40,0

4 PT / DII 5 10,0

Jumlah 50 100,0

Cara menginterpretasikan tabel diatas dengan melihat konsentrasi/jumlah yang terbesar

data pada kelompok mana.

Selain untuk mendiskripsikan msing-masing variabel, analisis univariat dapat juga sekaligus dapat untuk mengexplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama data numerik), misalnya apakah ada varianya homogen atau heterogen, pakah distribusi normal atau tidak, Ekslorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier, bila ada


Alfridsyah 50

nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan dibuang atau tidak. Kesimpulan yang dapat diambil adalah tujuan dari analisis deskriptif adalah untuk menjelskan/mendeskripsikan masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik digunakan nilai mean (rata-rata), median, standar devioasi dan lain-lain. Sedangkan untuk data jkategorik tentunya dapat menjelaskan angka/nilai jumlah dan persentase masing-masing kelompok.


Alfridsyah 51

BAB VII UJI STATISTIK DENGAN UJI BEDA DUA MEAN

( uji t) 7.1. Konsep Dasar

Di bidang kesehatan sering kali kita harus menarik kesimpulan apkah parameter dua populasi berbeda atau tidak. Uji satistik yang membandingkan mean dua kelompok data ini disebut uji beda dua mean. Pendekatan ujinya dapat mengunakan pendekatan distribusi Z dan distribusi T. Untuk aplikasi penelitian biasanya digunakan pendekatan distribusi T, sehingga uji beda dua mean klebih seting digunakan uji t.

Sebelum melakukan uji statistik dua kelompok data, kita perlu memperhatikan apakah kedua kelompok data berasal dari dua kelompok yang independen atau berasal dari dua kelompok yang dependen/pasangan. Dikatatakan kedua kelompok data independen bila data kelompok yang satu tidak tergantung dari data kelompok kedua, misalnya membandingkan kadar mean kadar haemoglobin ibu hamil yang tinggal didesa deengan yang tinggal dikota. Kadar haemoglobin orang kota independen (tidak tergantung) dengan orang desa. Dilain pihak kedua kelompok data dikatakan dependen.pasangan bila kelompok data yang dibandingkan datanya saling mempunyai ketergantungan, misalnya data kadar haemoglobin ibu hamil sebelum dan sesudah mengikuti proigram diit berasal dari morang yang sama (datya sesudah dependen/tergantung dengan data sebelumnya).

Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi menjadi dua kelompok yaitu uji beda mean independen (uji t independen) dan uji beda mean dependen (uji t dependen). 7.2. Uji Beda dua mean independen

Uji beda dua mean dapat dilakukan dengan mengunakan uji Z atau uji T. Uji Z dapat digunakan bila styandar deviasi populasi (σ) diketahui dan jumlah sampel besar (lebih dari 30). Apabila kedua syarat tersebut tidak terpenuhi maka dilakukan uji T. Pada umumnya nilai σ sulit diketahui, sehingga uji beda dua mean biasanya mengunkan uji t (t test),

Tujuannya : Untuk mengetahui perbedaan mean dua kelompok data independen . Adapun Syarat/asumsi yang harus dipenuhi adalah :

1. Data berdistribusi normal/simetris 2. Kedua kelompok data independen 3. Variabel yang dihubungkan berbentuk numerik dan nkategorik (dengan hanya dua

kelompok) Prinsip pengujian adalah melihat perbedaan variasi kedua kelompok data. Oleh karena itu

dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang diuji sama atau tidak/vberbeda. Bentuk varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya. Oleh karena itu untuk uji beda dua mean independen dibagi atas : Uji untuk varian sama dan Uji varian berbeda Adapun rumus untuk varian sama adalah :

dk = n1 + n2 – 2

)(1/n )(1/n

t 21

21hit

+−

=SDg

xx

2) - 2n (n1

)1()1( SDg2

222

11

+−+−

=SdnSdn


Alfridsyah 52

Keterangan : X1 atau X2 = mean sampel kelompok 1 atau 2 N1 atau n2 = Jumlah sampel kelompok1 dan 2 SDg = Standar Deviasi gabungan kel 1 dan 2 Sd1 atau sd2 = Standar Deviasi kel 1 atau 2

Adapun rumus untuk varian berbeda adalah :

Sedangkan untuk menentukan apakah varian antara kelompok data yang satu apakah sama

dengan kelompok data kedua diperlukan uji homogenitas varian . 7.3. Langkah-langkah dalam uji t independen dengan program SPSS 1. Pilih menu statistik dan pilih submenu compare mean lalu pilih independen-samples test. 2. Kotak test variabel(s) tempat memasukkan variabel numerik sedangkan kotak grouping variable

tempat untuk memasukkan variabel kategorik, Jangan sampai keliru. 3. Klik define Group dan masukkan kode variable kedalam kedua kotak 4. Kilik continue 5. Klik OK dan lihat hasilnya.

uji t test independent kadar hb dengan sex T-Test

6. Tampilan pertama menyajikan deskriptif dari data nilai-rata, standar deviasi dan standar error

dari variabel untuk masing-masing kelompok. 7. Tampilan kedua hasil uji statistik

Untuk menentukan apakah asumsi varians kedua kelompok sama atau berbeda, dapat dilihat uji kesamaan varian melalui uji Levene,s testt for equality of variance. Jadi untuk menentukan hasil uji t kita lihat apakah varian sama atau tidak dan ditarik nilai kesamping ( t test for equality of means) pada bagian Sig (2 -tailed).

Group Statistics

31 11.6161 1.66215 .2985310 10.5600 1.26596 .40033

SEXlaki-lakiperempuan

HBN Mean Std. Deviation

Std. ErrorMean

Independent Samples Test

4.442 .042 1.839 39 .074 1.0561 .57444 -.10580 2.21805

2.115 19.942 .047 1.0561 .49939 .01423 2.09802

Equal variancassumedEqual variancnot assumed

HBF Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper

95% ConfidenceInterval of the

Difference

t-test for Equality of Means

)/n( )/n(

t 2

221

21

21hit

SdSdxx+

−=

}1/)/{(}1/)/{(

)}/()/{( dk 2

22

221

21

21

22

212

1

−+−+

=nnSdnnSd

nSdnSd


Alfridsyah 53

8. Penyajian datanya sebagai berikut :

Tabel 3. Distribusi Rata-Rata Kadar Haemoglobin Menurut Jenis Kelamin

No Jenis Kelamin Jumlah Mean SD SE P value

1 Laki-laki 31 11.6161 1.662 0.2985 0.417 2 Perempuan 10 10.5600 1.266 0.4003

Rata-rata kadar haemoglobin pejabat dinkes yang berjenis kelamin laki-laki sebesar 11,61

gr% dengan standar deviasi 1,662, sedangkan pada responden yang berjenis kelamin perempuan rata-rata kadar haemoglobinnya sebesar 10,56 gr % dengan standar deviasi 1,266, dengan demikian dapat dikatakan nilai rata-rata kadar haemoglobin pejabat yang berjenis kelamin laki-laki lebih tinggi dibandingkan kadar haemoglobin perempuan. Namun dari hasil uji statistik dengan mengunakan uji t (varian sama) didapatkan nilai p value sebesar 0,417, berarti pada derajat kepercayaan 95 % terlihat tidak ada perbedaan yang signifikan rata-rata kadar haemoglobin antara responden laki-laki dengan responden yang perempuan. 7.4. Uji dua mean Dependen (t test independen) Uji t dependen seringkali disebut uji t pair / related atau berpasangan. Uji t dependen sering digunakan pada analisis data penelitian eksperimen. Sepert sudah dijelaskan di depan bahwa disebut kedua smpel bersifat dependen kalau kedua kelompok sampel yang dibandingkan mempunyai subjek yang sama. Dengan kata lain disebut dependen bila responden diukur/diteliti dua kali, sering orang mengatakan penelitian pre dan post. Adapun Rumus untuk uji t tes dependen adalah :

Keterangan : d = Rata-rata deviasi/selisih sampel 1 dengan sampel 2 Sd = Standar deviasi dari deviasi/selisih sampel 1 dan sampel 2 Untuk contoh disini akan dilakuakna uji perbedaan rata-kadar kadar tekanan darah distolik

(tensi1) pada pengukuran pertama dan pada pengkuran kedua (tensi2) . Disini terlihat sampelnya dependen karena orangnya sama diukur dua kali. 7.5. Langkah-langkah dalam uji t dependen dengan program SPSS 1. Pastikan anda berada di file data BAGINDO.SAV, jika belum aktifkan/bukalah file ini. 2. Pilih menu statistik dan pilih submenu compare mean lalu pilih Paired Samples T Test . . . . 3. Kotak paired Variables tempat memasukkan variabel numerik yang akan dibandingkan dengan

cara mengklik TENSI2 dan TENSI1 secara serentak (kedua variabel terblok) dan klik tanda panah ke kanan sehingga variabel tersebut masuk ke dalam kotak disebelah kanan.

4. Klik OK dan lihat hasilnya. t test dependen tensi2 dengan tensi1

/(

hit t )nSd

d i=

dnd i∑

=

)1.(

)(( Sd22

−−

= ∑∑

nndidin


Alfridsyah 54

T-Test


dari variabel untuk masing-masing pengukuran. 6. Tampilan kedua akan keluar hasil uji paired samples correlation. 7. Tampilan ketiga akan keluar hasil uji paired samples test (uji t dependen)

Pada hasil tersebut terlihat perbedaan nilai mean dan standar deviasi serta standar error dari kedua pengukuran . Dan pada uji statistik berpasangan ini p value dilihat pada nilai Sig (2-tailed). Pada contoh ini didapatkan nilai p value 0,003 maka dapat disimpulkan ada perbedaan yang signifikan nilai tekanan darah distolik antara pengukuran pertama dengan pengukuran kedua.

8. Penyajian datanya sebagai berikut : Tabel 3.

Distribusi Rata-Rata Tekanan darah Diastolik Menurut Pengukuran Pertama dan kedua

No Jenis Kelamin Mean SD SE P value N

1 Pengukuran I 81,34 9,55 1,49 0,003 41 2 Pengukuran II 84,02 7,43 1,16

Rata-rata nilai tekanan darah diastolik pada pengukuran pertama adalah 81,34 mmHg

dengan standar deviasai 9,55 mmHg, sedangkan pada pengukuran kedua didapat rata-rata nilai tekanan darah diastolik 84,02 mmHg dengan standar deviasi 7,43 mmHg. Adapun perbedaan nilai mean antara pengukuran pertama dan kedua adalah sebesar 2,69 dengan standar deviasi 5,49. dari uji statistik dengan mengunakan uji t dependen didapatkan nilai p value sebesar 0,003, maka dapat disimpulkan bahwa pada derajat kepercayaan 95 % terlihat ada perbedaan yang signifikan anatara knilai tekanan darah diastolik pada pengkuran pertama dengan pengukuran kedua.

Paired Samples Statistics

84.0244 41 7.43467 1.1611081.3415 41 9.55408 1.49210

TENSI2TENSI1

Pair1

Mean N Std. DeviationStd. Error

Mean

Paired Samples Correlations

41 .820 .000TENSI2 & TENSI1Pair 1N Correlation Sig.

Paired Samples Test

2.6829 5.48835 .85714 .9506 4.4153 3.130 40 .003TENSI2 - TENSIPair 1Mean Std. Deviation

Std. ErrorMean Lower Upper

95% ConfidenceInterval of the

Difference

Paired Differences

t df Sig. (2-tailed)


Alfridsyah 55

BAB VIII

UJI STATISTIK DATA KATEGORI DENGAN NUMERIK (UJI ANOVA)

8.1. Konsep Dasar Prinsip uji anova adalah melakukan telaah variabilitas data menjadi dua sumber variasi yaitu variasi dalam kelompok (within) dengan variasi antar kelompok (between). Bila variasi within dan between sama (nilai perbandingan kedua varian sama dengan 1 ) maka mean-mean yang dibandingkan tidak ada perbedaan. Sebaliknya bila perbandingan kedua varian tersebut menghasilkan nilai lebih dari 1, maka mean yang dibandingkan menunjukkan ada berbedaan. Analisis varian (anova) mempunyai dua jenis yaitu analisis varian satu faktor (one way) dan anlisis dua faktor (two way). Pada kesempatan ini hanya kan dibahas analisis varian satu faktor (one way) saja. Ada beberapa asumsi yang harus dipenuhi pada uji anova yaitu :

1. varian homogan 2. sampel/kelompok sampel independen 3. data berdistribusi normal 4. Jenis data yang dihubungkan adalah numerik dengan kategorik yang kategoriknya lebih dari

2 (dua) kelompok). Analisis multiple comparison (poshoc test) merupakan analisis yang bertujuan untuk mengetahui lebih lanjut kelompok mana saja yang berbeda meannya bilamana pada pengujian anova dihasilkan ada perbedaan (Ho ditolak). Ada berbegai jenis analisis multiple comparison diantaranya Bonferroni, Honestly Significant difference (HSD), Scheffe dan lain-lain. Pada kesempatan ini hanya akan dibahas metode Bonferroni

Adapun rumus uji Anova ini adalah perbandingan antara variasi Between dan variasi within:

df = k – 1 untuk pembilang n – k untuk penyebut

N = Jumlah keseluruhan Data (n1 + n2 + . . . . + nk) 8.2. Contoh Perhitrungan soal

Suatu Penelitian ingin mengetahui perbedaan kadar folat sel darah pada tiga zat pembius (anestesi) yang berbeda. Data yang dihasilkan sebagai berikut : Kel 1 : 243 251 275 291 347 354 380 392

F 2

2

SwSb

=

k) - (N

)1(.......)1()1( Sw22

222

112 SknkSnSn −++−+−=

1)-k (

)(.......)(2)(1 Sb22

22

12 XkxnkXxnXxn −++−+−=

N

)(.......)()( X .2.21.1 kk xnxnxn +++=


Alfridsyah 56

Kel 2 : 206 210 226 249 255 273 285 295 309 Kel 3 : 241 258 270 293 328 Buktikan apakah ada perbedaan kadar folat darah pada ketiga kelompok tersebut dengan α = 0,05 % Jawab Hipotesis : Ho : µ1 = µ2 = µ3 Tidak Ada perbedaan mean kadar folat pada ketiga jenis zat pembius Ho : µ1 ≠ µ2 ≠ µ3 Tidak Ada perbedaan mean kadar folat pada ketiga jenis zat pembius Perhitungan Anova Kel 1 : mean = 316,62 standar deviasi = 58,72 Kel 2 : mean = 256,44 standar deviasi = 37,12 Kel 3 : mean = 278,00 standar deviasi = 33,76 Cara melihat Tabel F 1. Terdapat 2 df yaitu df1 = 3-1=2 (numerator) dan df2= 22-3=19 (denominator 2. Kemudian lihat tabel F 3,52 denominator 19 numerator 2 3. Keputusan Terima Ho jika T hit < t tabel dan Tolak Ho jika t hit > t tabel 4. Kesimpulan 3,71 > 3,52 (ho ditolak) 5. Ada perbedaan kadar folat diantara ketiga jenis zat pembius) 8.3. Langkah-langkah uji Anova 1. Yakinkan dikonputer anda telah mengaktifkan BAGINDO.SAV 2. Pilih menu statistik pilih submenu compare mean lalu pilih One-way Anova. 3. Kotak Dependen List diisi tempat memasukkan variabel numerik sedangkan kotak factor tempat

untuk memasukkan variabel kategorik, Jangan sampai keliru. Pada contoh ini berarti pada kotak dependen list diisi variabel BUGAR dan pada kotak factor diisi variabel DIDIK.

4. Klik Tombol Option dan tandai dengan √ pada kotak deskriptive 5. Kilik continue 6. Klik Tombol Post Hoc, tandai dengan √ pada Bonferoni. 7. Kliuk Continue 8. Klik OK dan lihat hasilnya.

Anova pendidikan dengan kebugaran Oneway

22,28322

)00,2785()44,2569()62,3168( X =++

=xxx

20903) - (22

76,33)15(12,37)19(72,58)18( Sw222

2 =−+−+−

=

77581)- 3 (

)22,28300,278(5)22,28344,256(9)22,28362,316(8 Sb222

2 =−+−+−

=

71,320907758 F ==


Alfridsyah 57

Post Hoc Tests


dari variabel untuk masing-masing kelompok. 10. Tampilan kedua hasil uji anova. 11. Tampilan ketiga adalah hasil mpengolahan post hoc tests secara Bonferroni. 12. Penyajian datanya sebagai berikut :

Descriptives

BUGAR

3 71.8200 6.32199 3.65000 56.1153 87.5247 64.52 75.473 66.6400 6.32505 3.65177 50.9277 82.3523 60.30 72.95

17 70.6476 4.91495 1.19205 68.1206 73.1747 62.34 80.8118 69.2006 6.55297 1.54455 65.9418 72.4593 59.41 86.3341 69.8049 5.78217 .90302 67.9798 71.6300 59.41 86.33

sltadiploma IIISarjana S1Magister S2Total

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum Maximum

ANOVA

BUGAR

60.880 3 20.293 .588 .6271276.460 37 34.4991337.339 40

Between GroupsWithin GroupsTotal

Sum ofSquares df Mean Square F Sig.

Multiple Comparisons

Dependent Variable: BUGARBonferroni

5.1800 4.79576 1.000 -8.1887 18.54871.1724 3.67818 1.000 -9.0809 11.42562.6194 3.66282 1.000 -7.5910 12.8299

-5.1800 4.79576 1.000 -18.5487 8.1887-4.0076 3.67818 1.000 -14.2609 6.2456-2.5606 3.66282 1.000 -12.7710 7.6499-1.1724 3.67818 1.000 -11.4256 9.08094.0076 3.67818 1.000 -6.2456 14.26091.4471 1.98644 1.000 -4.0903 6.9845

-2.6194 3.66282 1.000 -12.8299 7.59102.5606 3.66282 1.000 -7.6499 12.7710

-1.4471 1.98644 1.000 -6.9845 4.0903

(J) DIDIKdiploma IIISarjana S1Magister S2sltaSarjana S1Magister S2sltadiploma IIIMagister S2sltadiploma IIISarjana S1

(I) DIDIKslta

diploma III

Sarjana S1

Magister S2

MeanDifference

(I-J) Std. Error Sig. Lower Bound Upper Bound95% Confidence Interval


Alfridsyah 58

Tabel : 4 Distribusi Rata-rata Skor Kebugaran Menurut Tingkat Pendidikan.

No Pendidikan Jumlah Mean SD 95 % CI P value 1 SLTA 3 71.82 6.32 56.11-87.52 0,672 2 Diploma III 3 66.64 6.32 50.93-82.35 3 Sarjana (S1) 17 70.64 4,91 68.12-73.13 4 Magister (S2) 18 69.20 6.55 65.94-72.46

Rata-rata skor kebugaran pada mereka yang berpendidikan SLTA adalah 71.82 dengan

standar deviasi 6,32 atau dalam kategori baik/bugar. Pada responden yang berpendidikan tamat Diploma III adalah 66.64 dengan standar deviasi 6.32 atau dengan kategori Kurang. Pada mereka tamat sarjana (S1) rata-rata skornya adalah 70,64 dengan standar deviasi 4,91 atau berada pada kategori baik. Pada responden yang tamat Magister (S2) mempunyai rata-rata skor kegugaran sebesar 69,20 dengan standar deviasi 6,55 atau dalam karegori kurang.

Hasil uji statistik dengan mengunakan Anova didapat nilai p value = 0,672 berarti pada alpha 5 % dapat disimpulkan tidak ada perbedaan skor kebugaran diantara keempat jenjang pendidikan. Analisis lanjut dengan uji multiple comparison Bonferroni membuktikan bahwa tidak ada satupun kelompok yang berbeda secara signifikan diantara tingkat pendidikan.


Alfridsyah 59

BAB IX

UJI STATISTIK HUBUNGAN KATEGORIK DENGAN KATEGORIK

Uji Chi Square (Kai Kuadrat)

9.1. Konsep Dasar Suatu variabel disebut kategorik bila variabel tersebut terbentuk dari hasil klasifikasi/pengolongan, misalnya sex, pekerjaan, golongan darah, pendidikan. Dilain pihak variabel numerik (misalnya berat badan, umur dll) dapat masuk/dapat menjadi kedalam variabel kategorik bila variabel tersebut sudah mengalami pengelompokkan. Misalnya berat badan, bila nilainya masih riil (50 kg, 63 kg , dlll) maka termasuk dalam numerik namun bila swudah dilakukan pengelompokkan menjadi < 50 (kurus) 50-60 (sedang) dan >60 (gendut) , maka variabel ini sudah berjenis kategorik. Namun perlu diingat bahwa untuk mengelompokkan data tersebut harus sesuai dengan ketentuan yang berlaku (dasar hukumnya). Tujuan Uji kai Kuadrat Tujuan dari digunakannya uji kai kuadrat adalah untuk menguji perbedaan proporsi/persentase antara beberapa kelompok data. Dilihat dari segi datanya uji kai kuadrat dapat digunakan untuk mengetahui hubungan antara variabel kategorik dengan variabel kategorik. Prinsip dasar Uji kai kuadrat Proses pengujian kai kuadrat adalah membandingkan frekuensi yang terjadi (observasi) dengan frekuensi harapan (ekspektasi). Bila nilai frekuensi observasi dengan nilai frekuensi harapan sama, maka dikatakan tidak ada perbedaan yang bermakna (signifikan). Sebaliknya bila nilai frekuensi observasi dan nilai frekuensi harapan berbeda, maka dikatakan ada perbedaan yang bermakna (signifikan). Pembuktian dengan uji kai kuadrat dengan mengunakan formula : ( O - E )2 X2 = ∑ --------------- E Df = (k-1) (b-1) Keterangan : O = Nilai Observasi E = Nilai ekspektasi (harapan) = (total baris x total kolom) / Jumlah keseluruhan data K = jumlah kolom B = Jumlah baris Uji kai kuadrat sangat baik digunakan untuk tabel dengan derajat kebebasan (DF) yang besar. Sedangkan khusus untuyk tabel 2 x 2 (dfnya adalah 1) sebaiknya digunakan uji kai kuadrat yang sudah dikoreksi (yate’s corection). 9.2. Keterbatasan Kai Kuadrat Uji kai kuadrat menuntut frekuensi harapan/ekpected (E) dalam masing-masing sel tidak boleh terlampau kecil. Jika frekuensi sangat kecil, penggunaan uji ini tidak akan tepat. Oleh karena itu dalam pengujian kai kuadrat harus memperhatikan keterbatasan-keterbatasan uji ini. Adapun keterbatasan uji kai kuadrat ini adalah :

a. Tidak boleh ada sel yang mempynuai nilai harapan (E) kurang dari 1


Alfridsyah 60

b. Tidak boleh ada sel yang mempunyai nilai harapan (E) kurang dari 5 lebih dari 20 % dari jumlah keseluruhan sel. Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat, peneliti harus mengabungkan

kategori-kategori yang berdekatan daklam rangka memperbesar frekuensi harapan dari sel-sel tersebut (pengbungan ini dapat dilakukan untuk tabel silang lebih dari 2 x 2 misalnya 3 x 2, 3 x 4 dll). Pengabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan makna. Andai saja keterbatasan tersebut terjadi pada tabel 2 x 2 (ini berarti kita tidak bisa mengabungkan kategori-kategorinmya lagi), maka dianjurkan mengunakan uji Fisher Exact. 9.3. Prosedur Pengujian Kai Kuadrat

Adapun langkah-langkah dalam uji kai kuadrat ini adalah a. Foumulasikan hipotesesnya (Ho dan Ha) b. Masukkan frekuensi observasi (O) dalam tabel c. Hitung frekuensi harapan (E) masing-masing sel. d. Hitung X 2 sesuai aturan yang berlaku :

#. Bila tabelnya lebih dari 2 x 2 seperti 2 x 3, 3 x 3 dan lain-lain gunakan kai kuadrat tanpa koreksi (uncorrected) atau di print out komputer Pearson Chi Square.

#. Bila tabelnya 2 x 2 , dan tidak dijumpai adanya nilai E < 5 , maka uji yang dipakai adalah kai kuadrat yate’s correctin atau diprint out computer Continuity Correction.

#. Bila pada tabel 2 x 2 dijumpai nilai E (harapan) kurang dari 5, maka uji yang digunakan adalah Fisher Exact

e. Hitung p value dengan membandingkan nilai X2 dengan tabel kai kuadrat. f. Keputusannya :

#. Bila p value ≤ α , atau X2 hitung > X2 tabel artinya Ho ditolak , berarti data sampel mendukung perbedaan yang bermakna (signifikan)

#. Bila p value > α atau X2 hitung < X2 tabel artinya Ho gagal ditolak, bebarti data sampel tidak mendukung adanya perbedaan yang bermakna (signifikan).

9.4. Derajat Hubungan ( Odds Ratio dan Risiko Relatif) Hasil dari uji chi square hanya dapat menyimpulkan ada/tidaknya perbedaan proporsi antar kelompok atau dengan kata lain kita hanya dapat menyimpulkan ada/tidaknya hubungan dua variabel kategorik. Dengan demikian uji chi square tidak dapat menjelaskan derajat hubungan. Untuk mengetahui besar/kekuatan hubungan banyak metode yang bisa digunakan tergantung latar belakang disiplin keilmuannya. Misal untuk ilmu sosial dengan melihat nilai koefisien Phi, koefisien vontingency dan Cramer’s V. Sedangkan dalam bidang kesehatan untuk mengetahui derajat hubungan, dikenal ukuran risiko relatif (RR) dan Odds Ratio (OR). Risiko relatif membandingkan risiko pada kelompok terekspose dengan kelompok tidak terekspose. Sedangkan odds rasio membndingkan odds pada kelompok terekspose dengan odds kelompok tidak terekspose. Ukuran RR pada umumnya digunakan pada disain kohort, sdedangkan ukuran OR biasanya digunakan pada disaain kasus kontrol atau potong lintang (cross sectional). Dalam melakukan interpretasai RR dan OR, anda harus hati-hati. Interpretasi kedua ukuran ini akan sangat tergantung dari cara memberi kode variabel baris dan kolom pada tabel silang. Pembuatan persentase pada analisis tabel silang harus diperhatikan agar supaya tidak salah dalam menginterpretasi. Pada jenis penelitian survei/cross sectional atau kohort pembuatan persentasenya berdasarkan nilai variabel independen atau berdasarkan baris. Sedangkan pada penelitian yang berjenis kasus kontrol (case control) pembuatan persentasenya berdasarkan variabel dependennya.


Alfridsyah 61

9.5. Langkah-langkah analisis kai kuadrat dengan SPSS

1. Pastikan anda berada pada data editor BAGINDO.SAV bila belum aktifkan file data tersebut. 2. Pilih menu statistik pilih Summarize, lalu pilih crosstab. 3. Kotak Row diisi variabel Independen (variabel bebas), 4. Kotak Column diisi variabel dependennya (variabel terikat) 5. Klik Tombol Statistics dan tandai dengan √ pada kotak chi square dan Risk 6. Kilik continue 7. Klik Tombol Cells tandai dengan √ pada row (cross sectional dan kohort). 8. Kliuk Continue 9. Klik OK dan lihat hasilnya.

KELIMT * KELBUGAR

10. Tampilan pertama menyajikan tabel cosstabulation.

Crosstab

17 14 3154.8% 45.2% 100.0%

2 8 1020.0% 80.0% 100.0%

19 22 4146.3% 53.7% 100.0%

Count% within KELIMTCount% within KELIMTCount% within KELIMT

lebih

normal

KELIMT

Total

kurang bugarKELBUGAR

Total

Chi-Square Tests

3.691b 1 .0552.422 1 .1203.926 1 .048

.075 .058

3.601 1 .058

41

Pearson Chi-SquareContinuity Correctiona

Likelihood RatioFisher's Exact TestLinear-by-LinearAssociationN of Valid Cases

Value dfAsymp. Sig.

(2-sided)Exact Sig.(2-sided)

Exact Sig.(1-sided)

Computed only for a 2x2 tablea.

1 cells (25.0%) have expected count less than 5. The minimum expected count is4.63.

b.

Risk Estimate

4.857 .884 26.676

2.742 .762 9.863

.565 .344 .927

41

Odds Ratio for KELIMT(lebih / normal)For cohort KELBUGAR= kurangFor cohort KELBUGAR= bugarN of Valid Cases

Value Lower Upper

95% ConfidenceInterval


Alfridsyah 62

11. Tampilan kedua hasil uji chisguare dengan melihat nilai Sig yang mengartikan apakah < 0,05 artinya ada perbedaan proporsi dan > 0,05 artinya tidak ada perbedaan/hubungan.

12. Penyajian datanya sebagai berikut : Tabel 5

Distribusi Responden menurut Indek Massa Tubuh dan Kebugaran Jasmani Kebugaran Jasmani

No Indeks Massa Kurang Baik Total p OR Tubuh n % n % value (95 % CI)

1 Lebih 17 54,8 14 45,2 31 0,075 4,86 (0,88-26,3) 2 Normal 2 20,0 8 80,0 10

Jumlah 19 46,3 22 53,7 41 Pejabat struktural yang memiliki Indeks Massa Tubuh (IMT) yang lebih sebahagian besar

(54,8 %) tergolong mempunyai tingkat kesegaran jasmani yang kurang, sedangkan mereka yang memiliki IMT normal proporsi untuk tingkat kesegaran jasmani kurang jauh lebih kecil yaitu sebesar 20 %.. Dengan demikian dapat dikatakan bahwa mereka yang mempunyai IMT lebih mempunyai peluang mengalami tingkat kebugaran jasmani dalam kategori kurang lebih besar dibandingkan dengan mereka yang mempunyai IMT normal.

Dari hasil uji statistik dengan mengunakan chi-square pada derajat kepercayaan 95 % menghasilkan p value 0,075. Hal ini menunjukkan bahwa secara statistik tidak ada hubungan yang bermakna antara Indeks Massa Tubuh dengan kebugaran jasmani.


Alfridsyah 63

BAB X

UJI STATISTIK HUBUNGAN NUMERIK DENGAN NUMERIK

UJI KORELASI DAN REGRESI LINIER SEDERHANA

10.1. Konsep Dasar Hubungan antara dua variabel numerik dapat dihasilkan dari 2 jenis yaitu derajat/keeratan hubungan dan bentuk hubungan. Bila ingin diketahui derajat/keeratan hubungan digunakan analisis korelasi. Sedangkan bila ingin diketahui bentuk hubungan antara dua variabel digunakan analisis regresi. Analisis korelasi selain dapat digunakan untuk mengetahui derajat/keeratan hubungan dapat juga untuk mengetahui arah hubungan dua variabel berpola positif atau negatif. Untuk mengetahui Derajat hubungan (kuat lemahnya) dapat dilihat dari tebaran datanya ( scatter plot). Semakin rapat tebaran dtanya semakin kuat hubungannya dan sebaliknya semakin melebar tebarannya menunjukkan hubungannya semakin lemah. Untuk mengetahui lebih tebat besar/derajat hubungan dua variabel digunakan koefisien korelasi pearson producdt momment yang disimbulkan dengan r (huruf r kecil). Furmula untuk koefisien korelasi (r) adalah : Keterangan : R = Nilai Koefisien Korelasi N = Banyaknya Pengamatan X = Nilai Variabel X (independen) Y = Nilai Variabel Y ( Dependen Nilai korelasi (r) berkisar dari 0 s.d 1 atau bila disertai dengan arahnya nilainya antara -1 sampai dengan +1. Hubungan dua variabel dapat berpola positif artinya bila kenaikan satu variabel diikuti oleh kenaikan variabel lainnya, seperti semakin bertambah berat badan semakin bertambah pula tekanan darah. sedangkan hubungan negatif dapat terjadi bila kenaikan satu variabel diikuti ooleh penuruhan variabel lainnya, misalnya semakin bertambah umur semakin rendah kadar Hb. Menurut colton, kekuatan hubungan dua variabel secara kualitatif dapat divagi dalam 4 area yaitu : r = 0,00 – 0,25 tidak ada hubungan/hubungan lemah r = 0,26 – 0,50 hubungan sedang r = 0,51 – 0,75 hubungan kuat r = 0,76 – 1,00 hubungan sangat kuat/sempurna 10.2. Uji hipotesis Koefisien korelasi yang telah dihasilkan merupakan langkah pertama untuk menjelaskan derajat hubungan linier antara dua variabel. Selanjutnya perlu dilakukan uji hipotesis untuk mengetahui apakah hubungan antara dua variabel terjadi secara signifikan atau hanya karena faktor kebetulan dari random sample (by change). Uji hipotesis dapat dilaklukan dengan dua cara yaitu :

a. membandingkan nilai r hitung dengan r tabel.

})( {N })({N

r 22

))((xy

22 ∑ ∑∑ ∑

∑ ∑ ∑−

−−=

yyxx

yxxyN


Alfridsyah 64

b. Mengunakan pengujian uji distribui t. Adapun furmula untuk melakukan perhitungannya adalah : Df = n - 2 10.3. Regresi Linier Sederhana Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengtetahui bentuk hubungan antar dua atau lebih variabel. Tujuannya adalah untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel dependen) melalui variabel yang lain (variabel independen). Untuk melakukan prediksi digunakan persamaan garis yang dapat diperoleh dengan berbagai cara/metode. Salah satu cara yang sering digunakan oleh peneliti adalah dengan mengunakan metode kuadrat terkecil (least square). Metode least square merupakan suatu metode pembuatan garis regresi dengan nilai y yang diramalkan oleh garis regresi itu. Secara sitemats model persamaan garis regresi sebagai berikut : y = a + bx Persamaan diatas merupakan model deterministik yang secara sempurna/tepat hanya dapat diguankan untuk periostiwa alam. Seperti penemuan teori grafitasi bumi (kecepatan, daya berat dan grafitasi) oleh issac newton atau suhu fahrenheit dengan suhu celcius ( y = 32 + 9/5 x). Namun untuk ilmu sosial hubungan variabel ada kemungkinan kesalahan/penyimpangan (tidak eksak) oleh karena itu hubungan antara x dan y pada ilmu sosial/kesehatan masyarakat tidaklah eksak maka persamaan garis yang terbentuk menjadi ; y (dependen) = a (intercep) + b(slope) x (independen) + e (error) . dimana : 10.4. Koefisien determinan Ukuran yang penting dan sering digunakan dalam analsisi regresi adalah koefisien determinasi atau disimbolkan R2 (R Square). Koefisien determinasi dpat dihitung dengan mengkuadratkan nilai r . Koefisien determinasi berguna untuk mengetahui seberapa besar variasi variabel dependen (y) dapat dijelaskan oleh variabel independen (x). Atau dengan kata lain r square menunjukkan sebera jauh variabel independen dapat memprediksi variabel dependen. Semakin brsar nilai R square seamakin baik/semakin tepat variabel independen memprediksi variabel dependen. Besarnya nilai R Square antara 0 – 1 atau antara 0 % sampai dengan 100 %.

2)-)/(Nr-(1 / 0)-(rt

12

t

2 hit

2hit

=

−

−=

rnr

2/)(

// b

Se bx a y

)(

)(

))((

2

22

∑ ∑ ∑

∑ ∑

∑ ∑ ∑−

−−−=

−=−=

++=

nxybyaySe

bxyanxx

nyxxy


Alfridsyah 65

10.5. Contoh Perhitungan Soal Apakah ada hubungan usia pasien (x) dengan lama haria rawat (y) pada 5 pasien berikut ini : Pasien usia (x) hari (y) xy x2 y2 A 20 5 100 400 25 B 30 6 180 900 36 C 25 5 125 625 25 D 35 7 245 1225 49 E 40 8 320 1600 64 Jumlah 150 31 970 4750 199 Hasil dan pembahasan

r = {5x970)-(150)(31) : V {(5 x 4750)-(150)2}{(5.199)-(31)2} = 0,97 artinya : hubungan antara usia pasien dengan lama hari rawat sangat kuat, berpola linier positif, makin tinggi usia pasien makin lama hari rawatnya. R2 = 0,94 artinya persamaan garis regresi yang diperoleh dapat menerangkan sebesar 94% variasi dalam menentukan lama hari rawat atau persamaan garis yang diperoleh sangat baik untuk menjelaskan variabel lama hari rawat. Hasil Perhitungan b = {970-((150) (31)/5)} / {4750 – (150)2/5= 0,16 a = (31/5) – (0,16) (150/5) = 1,4 Persamaan garis : lama hari rawat = 1,4 + 0,16 x usia pasien misalkan : usia pasien 40 thn 7,8 hari rawat t hit = 0,58 / V (1-(0,58)2 / (5-2) = 6,91 dk = 5 – 2 = 3 3,18 t hit (6,91) > t tabel (3,18) : Ho ditolak Kesimpulan : Ada hubungan antara umur pasien dengan lama hari rawat pada derajat kepercayaan 95 %” 10.6. Langkah-langkah Korelasi dengan SPSS (jika masih diragukan dependent atau independennya.)

1. Aktifkan data BAGINDO.SAV 2. dari menu utama SPSS, Klik Statistik, kemudian pilih Correlate dan pilih bivariate . 3. Sorot variabel Hb dan Bugar, lalu masukkan kekotak sebelah kanan. 4. Klik OK dan terlihatlah hasilnya sebagai berikut .

Correlations


Alfridsyah 66

6. Tampilan analisis korelasi berupa matrik antar variabel yang dikorelasi, informasi yang muncul terdapat tiga baris, baris pertama berisi nilai korelasi (r), baris kedua menampilkan nilai p (p value) dan baris ketiga menampilkan N (jumlah data).

7. Dari data tersebut diperoleh nilai r = 0,417 dan nilai p = 0.007. kesimpullannya hubungan kadar haemoglobin dengan skor kebugaran menunjukkan hubungan yang sedang (r=0,417) dan berpola positif artinya semakin tinggi kadar hab seseorang semakin tinggi pula nilai skor kebugarannya. Hasil uji statistik didapat ada hubungan yang signifikan antara kadar haemoglobin darah dengan skor kebugaran (p=0,007).

10.7. Langkah Uji Regresi Sederhana 1. Aktifkan data editor BAGINDO.SAV 2. Pilih menu statistik pilih Regression lalu pilih Linier. 3. Kotak Dependent diisi variabel dependen (variabel bebas), 4. Kotak Independent (s) diisi variabel Independennya (variabel terikat) 5. Klik OK dan lihat hasilnya. Regression

Correlations

1 .417**. .007

41 41.417** 1.007 .

41 41

Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)N

HB

BUGAR

HB BUGAR

Correlation is significant at the 0.01 level(2 il d)

**.

Variables Entered/Removedb

HBa . EnterModel1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: BUGARb.

Model Summary

.417a .174 .152 5.32354Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), HBa.

ANOVAb

232.076 1 232.076 8.189 .007a

1105.263 39 28.3401337.339 40

RegressionResidualTotal

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), HBa.

Dependent Variable: BUGARb.


Alfridsyah 67

6. Tampilan pertama menyajikan Model Summary. Dimana disajika nilai r sebesar 0,417 yang

berarti berhubungan sedang dan nilai R2 = 0,174 yang artinya persamaan garis regresi yang diperoleh hanya dapat menerangkan 17,4 % variasi skor kebugaran. Atau persamaan garis yang diperoleh kurang baik untuk menjelaskan variabel skor kebugaran.

7. Tampilan kedua hasil uji Anova dengan melihat nilai Sig yang mengartikan apakah < 0,05 artinya ada hubungan dan > 0,05 artinya tidak ada hubungan. Dari data diatas didapatkan nilai p sebesar 0,007 berarti pada alpha 5 % dapat disimpulkan bahawa model regresi sederhana cocok (fit) dengan data uyang ada. Atau ada hubungan antara kadar Hb dengan skor kebugaran.

8. Pada tampilan ketiga dapat dilihat persaman garis regresi pada kolom B 9. Penyajian datanya sebagai berikut :

Tabel 6 Analisis Korelasi dan Regresi Kadar Haemoglobin dengan skor kebugaran

No Variabel r R 2 Persamaan garis P value 1 Hb 0,417 0,174 Kebugaran= 52,977 + 0,146 * Hb 0,007

Hubungan skor kebugaran responden dengan kadar haemoglobin menunjukkan hubungan

yang sedang (r=0,417) dan berpola positif artinya semakin tinggi nilai kadar haemoglobin semakin tinggi pula nilai skor kebugaran yang diperolehnya. Nilai koefisien determinasinya sebesar 0.174 artinya, persamaan garis regresi yang diperoleh hanya dapat menerangkan sebesar 17,4 % variasi dalam skor kebugaran atau persamaan garis yang diperoleh kurang baik untuk menjelaskan variabel kebugaran. Dari hasil uji statistik didapatkan adanya hubungan yang signifikan antara kadar haemoglobin dengan skor kebugaran dengan nilai p value sebesar 0,007.

Coefficientsa

52.977 5.939 8.920 .0001.481 .518 .417 2.862 .007

(Constant)HB

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: BUGARa.


Alfridsyah 68

Nama : Bgd. Alfridsyah Tempat/tgl lahir : Padang / 20 Juli 1970 Alamat : Jln. Ajuen Jeumpiet No. 55 Dsn. Garot Garot Geuceu – Darul Imarah - Banda Aceh Pendidikan :

o SDN 1 Taluk Kab. Agam Bukittinggi o SMPN No. 4 Bukittinggi o SMAN No.1 Bukittinggi - SUMBAR o Akademi Gizi Depkes RI Padang o FKM – Universitas Sumatera Utara o Program Pascasarjana - Universitas Indonesia

Peminatan Epidemiologi , Biostatistik dan Informatika Kesehatan

Pelatihan : o Pelatihan Dosen Metodologi Penelitian, Pusat pendidikan

Tenaga Kesehatan Depkes RI di Jakarta ( 32 hari) o Pelatihan Dosen Komputer Statistik , Departemen Kesehatan

RI di Jakarta selama 2 bulan) o Pelatihan Managemen Program Gizi, Depkes RI, Jakarta (14

hari) o Pelatihan Dosen Pembimbing Program Gizi, Depkes RI

Jakarta ( 14 hari) o Pendidikan dan pelatihan Administrasi Umum (Diklam ADUM)

Depkes RI di Banda Aceh (2 bulan) o Pelatihan Manajemen Proyek, Depkeu RI , Banda Aceh (12

hr) o Pelatihan Pengadaan Barang dan Jasa, Bappenas, Banda

Aceh. (12 hr) o Pelatihan Ahli Hukum Kontrak, Depkeu , Banda Aceh.(12 hr) o International Workshop Red Cross / Red Crescent Societies,

Beijing – China (32 hr) Penelitian :

o Peneliti Utama Studi Pengetahuan, konsumsi zat gizi dan Status Gizi Murid SD di Kota Banda Aceh tahun 1997 (Dinkes NAD)

o Peneliti Studi Evaluasi Program Pemberian Makanan Tambahan untuk Anak Sekolah (PMT-AS) di Provinsi NAD Tahun 1999 (Puslitbang Gizi Depkes RI).

o Peneliti Utama Survei Status Gizi Orang Dewasa Prop. NAD Tahun 2002 (Dinas Kesehatan Prov. NAD)

o Peneliti Identifikasi faktor kesegaran jasmani pejabat struktural di Dinas Kesehatan Provinsi NAD dengan mengunakan Strategi Pemodelan tahun 2002 (Pusat Pendidikan Tenaga Kesehatan Depkes RI)


Alfridsyah 69

o Peneliti Knowledge, Attitudes and Practices of the Community Through Malaria in Simeulue District, Nanggroe Aceh Darussalam, 2003 “, Kerjasama Dinas Kesehatan Provinsi Nanggroe Aceh Darussalam dengan Save the Children Federation.

o Peneliti Utama “ Social Impact Assessment of the Desentralitattion Health Services Project in Nanggroe Aceh Darussalam Province, 2003 “ (ADB-DHS).

o Peneliti Utama Pengumpulan Data Dasar Kesehatan Ibu dan Anak di Kabupaten Simeulue, Provinsi Nanggroe Aceh Darussalam Tahun 2003”, “, Kerjasama Dinas Kesehatan Provinsi Nanggroe Aceh Darussalam dengan Save the Children Federation.

o Peneliti Malaria Control Monitoring in Simeulue District of NAD Province (Save the children Federation)

o Peneliti Endline Data Survey Coming Home Program Save The Childtren Federation, Tahun 2004

o Peneliti Utama Studi Evaluasi program Pulang kampung Save The Children tahun 2004, Save The Children Federation

o Data Analisis Survei Data Dasar Kesehatan (Baseline Data Survey) Provinsi NAD Tahun 2002. (ADB-DHS dan Dinas Kesehatan Prov. NAD)

o Data Analisis Survei Sumber Daya Manusia Kesehatan Provinsi NAD tahun 2002 (ADB-DHS dan Dinas Kesehatan Prov. NAD)

o Data analisis Hasil Pengukuran Tinggi Badan Anak Baru masuk Sekolah (TBABS) Provinsi NAD tahun 2004, (Dinas Kesehatan Prov. NAD)

o Data Analisis Evalusi Program Pengobatan Gratis di Provinsi NAD tahun 2004 (Dinas Kesehatan Prov. NAD)

o Anggota Tim Survei Kesehatan Nasional Tahun 2004 (Badan Penelitian dan pengembangan Kesehatan Depkes RI)

o Member of the inter Agency Rapid Health Assessment Team West Aceh From The Offshore – USS Abraham Lincoln, 2005 (UN-WHO)

o Koordinator penelitian Survei Kesehatan dan Gizi Konprehensif Pasca Gempa Bumi dan Gelombang Tsunami di Prov. NAD, tahun 2005. Tahap I dan Tahap II (Dinkes NAD, Unicef, WFP, WHO)

o Pemenang Kompetisi Indonesia Daya Masyarakat / (Winner Indonesian Development Marketplace Competition 2005, (Ide Inovativ Pengembangan Pelayanan Masyarakat Miskin Tingkat Nasional). Tahun 2005 (Menko Kesra RI dan World Bank).

Pekerjaan/Organisasi :

o Dosen Tetap pada Jurusan Gizi Politeknik Kesehatan NAD o Dosen Tidak Tetap Berbagai Akademi/Universitas di NAD o Pendiri dan pengurus Yayasan Amanat Insan Riset Kesehatan

Untuk Semua (AIR KESUMA) NAD.


Alfridsyah 70

o Ketua Dewan Pimpinan Daerah Persatuan Ahli Gizi Indonesia (PERSAGI) Prov. NAD 1998 – 2008.

o Ketua Pusat Kajian Gizi dan Kesehatan Politeknik Kesehatan NAD.

o Pendiri dan Pengurus Yayasan Koalisi Profesi Kesehatan (Pro-Sehat)

o Manager Kesehatan dan Gizi Masyarakat BRR NAD-Nias. o Kepala Bidang Pendidikan dan Pengembangan Kesehatan

BRR NAD-Nias. o Kepala Bidang Pengendalian Program Sektoral Deputi Operasi

BRR NAD-Nias. Keluarga :

o Istri : Emi Yoesvita, MPH o Anak : Baginda Ilham Alfridsyah Baginda Mi’raj Williamsyah Baginda Muhammad Bintang Alfridsyah

Banda Aceh, Juni 2009 Bgd. Alfridsyah

buku alfridsyah aplikasi statistik dalam penelitian

Documents