Download - Pengantar Bios
Pengantar BiostatistikPengantar Biostatistik
Luknis SabriLuknis Sabri
BIOSTATISTIKABIOSTATISTIKA
PENDAHULUANPENDAHULUANPengertian biostatistika/statistik kesehatanPengertian biostatistika/statistik kesehatanSejarah perkembangan statistikSejarah perkembangan statistikPeran dan fungsi statistik dalam ilmu Peran dan fungsi statistik dalam ilmu kesehatan/kesmaskesehatan/kesmasBeberapa konsep dalam statistikBeberapa konsep dalam statistik
PENGERTIAN BIOSTATISTIKA/STATISTIK PENGERTIAN BIOSTATISTIKA/STATISTIK KESEHATANKESEHATAN
Kata statistikKata statistik Latin,..status….negaraLatin,..status….negara
Kenapa mempelajari statistikKenapa mempelajari statistik
Pengertian- pengertianPengertian- pengertian
Disiplin ilmuDisiplin ilmu mengelola data numerik yang mengelola data numerik yang diperoleh dari individu diperoleh dari individu
Data kuantitatifData kuantitatif banyak sebabbanyak sebab Teknik pengumpulan Teknik pengumpulan
data………………………….interpretasidata………………………….interpretasi Keterangan berbentuk angka (fact in number )Keterangan berbentuk angka (fact in number ) Konsep dan metoda yang digunakan mulai mengumpul Konsep dan metoda yang digunakan mulai mengumpul
data……. Interpretasi data…… pada bidang data……. Interpretasi data…… pada bidang kegiatan kegiatan tertentutertentu…… dapat …… dapat diambil kesimpulandiambil kesimpulan …..dimana …..dimana ada ada ketidak pastian dan adanya variasiketidak pastian dan adanya variasi
Biostatistik / Statistik kesehatan….Biostatistik / Statistik kesehatan….
SEJARAH PERKEMBANGAN STATISTIKSEJARAH PERKEMBANGAN STATISTIK
Abad ke 17………. GamblingAbad ke 17………. Gambling 1749 Marsque De Laplace ,,,,,,,,,,,,,,,,,,,,,,,,, teori peluang1749 Marsque De Laplace ,,,,,,,,,,,,,,,,,,,,,,,,, teori peluang 1777 - 1853 Karl Friedrich ……………………Normal curve of 1777 - 1853 Karl Friedrich ……………………Normal curve of
errorerror 1822 - 1911 Francis Galton ………………… Korelasi - Regresi1822 - 1911 Francis Galton ………………… Korelasi - Regresi 1857 - 1936 Karl Pearson ………………….. Jurnal Biomertika1857 - 1936 Karl Pearson ………………….. Jurnal Biomertika 1900 ……………………………………………………….. Chi Square 1900 ……………………………………………………….. Chi Square
(x(x22)) Abad ke 20 …William S Gosset ………. Distribusi “ t”Abad ke 20 …William S Gosset ………. Distribusi “ t”
Sir Ronald Fissher…… Distribusi “ F “Sir Ronald Fissher…… Distribusi “ F “
KomputerKomputer
PERAN DAN FUNGSI BIOSTATISTIKPERAN DAN FUNGSI BIOSTATISTIK
Sebagai ilmuSebagai ilmu Berkembang pesatBerkembang pesat Pengumpulan dataPengumpulan data Informasi ( berbicara )Informasi ( berbicara ) Penelitian….merancangPenelitian….merancang HasilHasil Ilmu-ilmu lainIlmu-ilmu lain BerkembangBerkembang
Statistik (Tools )Statistik (Tools )
Contoh:Contoh:
Ilmu sosialIlmu sosial: perilaku, status sosial masyarakat: perilaku, status sosial masyarakat
Ilmu kesIlmu kes: dersjat kes, kesakitan, kematian: dersjat kes, kesakitan, kematian
EkonomiEkonomi: pertumbuhan ekonomi,perkiraan jumlah penduduk : pertumbuhan ekonomi,perkiraan jumlah penduduk miskinmiskin
BEBERAPA KONSEP / ISTILAHBEBERAPA KONSEP / ISTILAH
Statistika: Statistika:
- deskriptif- deskriptif
- inferens ( induktif, analitik )- inferens ( induktif, analitik )
- parametrik- parametrik
- non parametrik- non parametrik
Populasi: Populasi:
- tak terbatas….. Terbatas, pop target, pop sampel- tak terbatas….. Terbatas, pop target, pop sampel
- karakteristik populasi…… parameter- karakteristik populasi…… parameter Sampel: - random, non randomSampel: - random, non random
- karakteristik …………statistik sampel - karakteristik …………statistik sampel ( statistic )( statistic )
Stat deskriptif/ Stat Stat deskriptif/ Stat InferensInferens
Populasi
Sampel
S. Desk
S Desk
S Inferens
Parameter
Statistic
Variabel - data - skala pengukuranVariabel - data - skala pengukuran
Variabel, sifat, karakteristik yang nilainya bervariasi Variabel, sifat, karakteristik yang nilainya bervariasi antar objek pengamatanantar objek pengamatan
Data …… datumData …… datum
nilai pengukuran berbentuk angka dari suatu nilai pengukuran berbentuk angka dari suatu karakteristikkarakteristik
JENIS DATAJENIS DATA Diskrit…. hasil menghitung… bil bulat…. Contoh..Diskrit…. hasil menghitung… bil bulat…. Contoh..
Kontinu…hasil mengukur..rangkaian nilai..contoh..Kontinu…hasil mengukur..rangkaian nilai..contoh.. Kuantitatif………KualitatifKuantitatif………Kualitatif Sumber… intern/ ekstern…primer/sekunderSumber… intern/ ekstern…primer/sekunder
( keuntungan dan kerugian)( keuntungan dan kerugian)
SKALA PENGUKURANSKALA PENGUKURAN
NOMINAL ORDINAl INTERVALNOMINAL ORDINAl INTERVAL RATIO RATIO
Persamaan pengamatan +Persamaan pengamatan + ++ + + + +
klasifikasi pengamatanklasifikasi pengamatan
dapat dilakukandapat dilakukan Rangking/ urutanRangking/ urutan - - ++ + + + + Persamaan jarak,satuanPersamaan jarak,satuan
pengukuran adapengukuran ada - - -- + + + + PerbandinganPerbandingan - - -- - -
++
ORGANISASI DATA ORGANISASI DATA
Tahap- tahap statistikTahap- tahap statistik• Pengumpulan data (data collecting)Pengumpulan data (data collecting)• Pengolahan data ( data processing )Pengolahan data ( data processing )• Penyajian data ( data presentatioan )Penyajian data ( data presentatioan )• Analisis dan interpretasi (analysis & interpretation)Analisis dan interpretasi (analysis & interpretation)
Tujuan statistik , meringkas data menjadi informasiTujuan statistik , meringkas data menjadi informasi
Pengumpulan dataPengumpulan data
Prinsip, tujuan, caraPrinsip, tujuan, cara
Data primer: data yang diperoleh dari proses Data primer: data yang diperoleh dari proses pengumpulan yang dilakukan sendiri langsung dari pengumpulan yang dilakukan sendiri langsung dari sumber datanya yaitu subjek yang diteliti,sumber datanya yaitu subjek yang diteliti,
Data sekunder: data yang diperoleh dari institusi yang Data sekunder: data yang diperoleh dari institusi yang telah mengumpulkan datanya ,jadi tidak langsung ke telah mengumpulkan datanya ,jadi tidak langsung ke subjek penelitiannya, subjek penelitiannya,
Pengumpulan data Pengumpulan data MasyarakatMasyarakat
Sensus……………………………..SampelSensus……………………………..Sampel Non Studi (rutin)………..Studi Non Studi (rutin)………..Studi
( penelitian)( penelitian)• Deskripsi karakteristikDeskripsi karakteristik Identifikasi MasalahIdentifikasi Masalah• Variabel terbatasVariabel terbatas Var sesuai masalahVar sesuai masalah• Aspek non hubunganAspek non hubungan Hub dpt dicariHub dpt dicari
Cara… Observasional, EksperimentalCara… Observasional, Eksperimental Waktu…..amat penting (studi) mahal, Waktu…..amat penting (studi) mahal,
informasi harus up to dateinformasi harus up to date
Pengolahan dataPengolahan data
Raw data…….Raw data……. EditingEditing CodingCoding EntryEntry CleanningCleanning
Pengolahan dataPengolahan data
InputInput ProsesProses Out putOut put
Raw dataRaw data ManualManual InformasiInformasi
EDPEDP TabelTabel
GrafikGrafik
S. NumS. Num
Penyajian DataPenyajian Data
Narasi / TekstularNarasi / Tekstular Tabel / TabularTabel / Tabular Grafik / Grafikal / GambarGrafik / Grafikal / Gambar
Analisis DataAnalisis Data
Analisis Univariabel (univariate)Analisis Univariabel (univariate)
Analisis BivariateAnalisis Bivariate
Analisis Multi variateAnalisis Multi variate
Simpulam numerik/Analisis Simpulam numerik/Analisis UnivariabelUnivariabel
Data Numerik,Data Numerik,• berasal dari pengukuran memakai berasal dari pengukuran memakai
skala interval dan ratioskala interval dan ratio Data KategorikData Kategorik
• Berasal dari pengukuran memakai Berasal dari pengukuran memakai skala nominal dan ordinal.skala nominal dan ordinal.
Data kategorikData kategorik
Contoh: hasil pengukuran golongan darah Contoh: hasil pengukuran golongan darah sekelompok orang didapatkansekelompok orang didapatkan• Gol darah O………35 orangGol darah O………35 orang ( 35% )( 35% )• Gol darah A………25 orangGol darah A………25 orang ( 25% )( 25% )• Gol darah B……….29 orangGol darah B……….29 orang ( 29 % )( 29 % )• Gol darah AB……..11 orang Gol darah AB……..11 orang ( 11 % )( 11 % )
Jadi ditemui paling banyak gol darah O yaitu Jadi ditemui paling banyak gol darah O yaitu 35%........dst35%........dst
Data NumerikData Numerik
Karena data ini berasal dari skala yang Karena data ini berasal dari skala yang rangkingnya tinggi maka banyak rangkingnya tinggi maka banyak informasi yang didapatkan dari meng informasi yang didapatkan dari meng analisais nya yi:analisais nya yi:• Nilai tengah ( Central Tendency ) t/d mean Nilai tengah ( Central Tendency ) t/d mean
(arythmatic mean ), Median, Modus(arythmatic mean ), Median, Modus• Nilai Posisi t/d Median, Kuartil, Desil, Nilai Posisi t/d Median, Kuartil, Desil,
PresentilPresentil• Nilai Varias/ deviasi t/d Range, inter kuatil Nilai Varias/ deviasi t/d Range, inter kuatil
range, Mean deviasi, Varian, Standar range, Mean deviasi, Varian, Standar deviasideviasi
Mean (Arythmatic mean)Mean (Arythmatic mean)• Simbol x ( x bar)Simbol x ( x bar)• Paling banyak dipakai dlm analisisPaling banyak dipakai dlm analisis• Mudah dihitung yi jumlah semua nilai observasi Mudah dihitung yi jumlah semua nilai observasi
dibagi jumlah observasidibagi jumlah observasi
Contoh:Contoh:
observasi: xobservasi: x11 x x22 xx33,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,x,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,xnn
Nilai Tengah (Mean)Nilai Tengah (Mean)
n
xx
n
ii
1
Nilai Tengah ( Median )Nilai Tengah ( Median )
Median:Median:• Adalah nilai observasi yang paling Adalah nilai observasi yang paling
ditengahditengah• Syaratnya setelah nilai raw data di arraySyaratnya setelah nilai raw data di array• Posisi median (n+1) /2Posisi median (n+1) /2• Nilai median adalah nilai observasi pada Nilai median adalah nilai observasi pada
posisi tersebutposisi tersebut• Simbol Md atau MeSimbol Md atau Me
Contoh :Contoh :
Nilai Tengah ( Modus = Nilai Tengah ( Modus = Mode )Mode )
Modus (Mode):Modus (Mode):• Adalah nilai yang paling banyak ditemui Adalah nilai yang paling banyak ditemui
dalam suatu agregate (observasi)dalam suatu agregate (observasi)• Didalam suatu observasi karena mode Didalam suatu observasi karena mode
adalah yang terbanyak maka dapat saja adalah yang terbanyak maka dapat saja terjadi, tidak ada modus, hanya satu terjadi, tidak ada modus, hanya satu modus atau lebih dari satu modus.modus atau lebih dari satu modus.
Contoh: Contoh:
Hubungan Mean, Median , Hubungan Mean, Median , ModusModus
Untuk pengamatan yang cukup Untuk pengamatan yang cukup besar dan satu Modus maka kurva besar dan satu Modus maka kurva yang dibentuk:yang dibentuk:
1) kurva symetris1) kurva symetris
X = Md = Mo
Hub Mean- Md - MoHub Mean- Md - Mo
Kurva Skewed to the left, menceng Kurva Skewed to the left, menceng ke kiri,adanya nilai ektrim kecilke kiri,adanya nilai ektrim kecil
MoX
- - - - - - - - -Md
Hub Mean – Md - MoHub Mean – Md - Mo
Kurva skewed to the right= Kurva skewed to the right= menceng ke kanan: adanya nilai menceng ke kanan: adanya nilai ekstrim besarekstrim besar
Mo X
- - - - - - - - - - Md
Nilai PosisiNilai Posisi
Median….. Posisi tengahMedian….. Posisi tengah Kuartil …..nilai yang membagi empat Kuartil …..nilai yang membagi empat
agregate, ,,,,, Kagregate, ,,,,, K11. K. K22. K. K33
Desil….nilai yang membagi agregate Desil….nilai yang membagi agregate menjadi 10 bagian…..Dmenjadi 10 bagian…..D11, D, D22…………D…………D99
Presentil…..nilai yang membagi Presentil…..nilai yang membagi agregate menjadi 100 bagian…. Pagregate menjadi 100 bagian…. P11 , , PP22……..P……..P9999
Nilai posisiNilai posisi
Md,Kuartil, Desil, PersentilMd,Kuartil, Desil, Persentil
Md
K2
D5
P 50
K1 K3
P 25 P 75
Nilai variasiNilai variasi
Range:Range:• Adalah perbedaan antara nilai Adalah perbedaan antara nilai
terbesar dengan terkecilterbesar dengan terkecil• R= ( max – min ) /2………(max – min )R= ( max – min ) /2………(max – min )
Inter Kuartil RangeInter Kuartil Range• Perbedaan antara K1 dengan K3Perbedaan antara K1 dengan K3• IKR= IQR = (K3-K1)/2…….(K3-K1)IKR= IQR = (K3-K1)/2…….(K3-K1)
Nilai VariasiNilai Variasi
Mean Deviation Mean Deviation ( Mdev )( Mdev )• Adalah rata-rata Adalah rata-rata
perbedaan antara nilai perbedaan antara nilai observasi dengan meanobservasi dengan mean
• Rumus Rumus
• ContohContoh• 1 5 6 7 8 9 mean 1 5 6 7 8 9 mean
= 6= 6
Jarang dipakai kerena Jarang dipakai kerena nilai mutlaknilai mutlak
n
xxdx
xx Ix-Ix-xI=dxI=d
11
55
66
77
88
99
55
11
00
11
22
33X = 6 Xd = 12/6= 2
Nilai variasiNilai variasi
VarianVarian• Rata-rata kuadrat perbedaan antara observasi Rata-rata kuadrat perbedaan antara observasi
dengan meandengan mean• Rumus: Rumus:
• (n-1) koreksi Fisher Wilks………..degree of (n-1) koreksi Fisher Wilks………..degree of fredomfredom
• ContohContoh
2
2
1
n
xxs
VarianVarian
xx ( x-x )( x-x ) (x-x)(x-x)22
11
55
66
77
88
99
X=6X=6
-5-5
-1-1
00
11
22
33
∑∑=0=0
2525
11
00
11
44
99
∑∑=40=40
816
40
1
)( 22
n
xxS
Kalau satuannya
cm……..cm2
kg………kg2
Nilai variasiNilai variasi
Standar deviasiStandar deviasi• Akar dari varianAkar dari varian• RumusRumus
• Contohdiatas maka S= V8= 2,8 (cm a’ kg )Contohdiatas maka S= V8= 2,8 (cm a’ kg )
Varian dan Standar deviasi banyak dipakai Varian dan Standar deviasi banyak dipakai dalam analisis statistik dalam analisis statistik
2
1
n
xxs
COV (Coeffisien Of COV (Coeffisien Of Variation)Variation)
Adalah nilai Standar deviasi Adalah nilai Standar deviasi dibagi mean x 100%dibagi mean x 100% COV= S/XCOV= S/X x 100%x 100%
Membandingkan variasi Membandingkan variasi antara dua atau lebih antara dua atau lebih agregate yang ukurannya agregate yang ukurannya berbeda atau gradasinya berbeda atau gradasinya berbedaberbeda
Contoh : dari suatu Contoh : dari suatu pengukuran didapatkan pengukuran didapatkan rata TB= 162 cm dan S= rata TB= 162 cm dan S= 15 cm. Berat badan rata-15 cm. Berat badan rata-rata 58 kg dan S= 8 rata 58 kg dan S= 8 kg…..manakah yang lebih kg…..manakah yang lebih bervariasi TB atau BB ?bervariasi TB atau BB ?
%100*covx
s
COVCOV
Jawab:Jawab:• COV TB= 15/162 x100%= 9,3 %COV TB= 15/162 x100%= 9,3 %• COV BB= 8/58 x100% = 13,8 %COV BB= 8/58 x100% = 13,8 %
Dari hasil COV terlihat bahwa Dari hasil COV terlihat bahwa walaupun S TB 15cm dan S BB 8 walaupun S TB 15cm dan S BB 8 kg ternyata COV BB lebih besar kg ternyata COV BB lebih besar dari COV TB , Jadi dapat dari COV TB , Jadi dapat disimpulkan BB lebih bervariasi.disimpulkan BB lebih bervariasi.
Penyajian DataPenyajian Data
Penyajian data dapat berupa:Penyajian data dapat berupa:
1) Narasi ( tekstular) adalah 1) Narasi ( tekstular) adalah penyajian dalam bentuk tulisan . penyajian dalam bentuk tulisan . Biasanya narasi ini dipakai dalam Biasanya narasi ini dipakai dalam menyajikan informasi yang didapat menyajikan informasi yang didapat dari penyajian tabel maupun dari penyajian tabel maupun gambargambar
Penyajian data ( Tabel)Penyajian data ( Tabel)
Tabel adalah penyajian data dalam Tabel adalah penyajian data dalam bentuk kolom dan barisbentuk kolom dan baris
Bagian-bagian tabelBagian-bagian tabel• Body tabelBody tabel• Box headBox head• StubbStubb• Jumlah ( total baris maupun total Jumlah ( total baris maupun total
kolomkolom
Dummy tabelDummy tabel
Box headBox head TotTot
stubstubbb
BodyBody
tottot Tot kolomTot kolom GranGrandd
tottot
Tabel:Tabel:
Bagian tabel ini dilengkapi:Bagian tabel ini dilengkapi:• Judul (menjawab what, where, when)Judul (menjawab what, where, when)• Nomer tabelNomer tabel• Keterangan ( Foot Note= catatan kaki)Keterangan ( Foot Note= catatan kaki)• Sumber, kalau tabel itu tabel kutipanSumber, kalau tabel itu tabel kutipan
Kegunaan masing-masingKegunaan masing-masing• Agar mudah dirujuk Agar mudah dirujuk • Keterangan , agar didapat keterangan yang Keterangan , agar didapat keterangan yang
lengkaplengkap• Sumber, agar jangan dianggap plagiat dan Sumber, agar jangan dianggap plagiat dan
memudahkan untuk merujuk kembalimemudahkan untuk merujuk kembali
Jenis tabelJenis tabel
Tabel induk (master tabelTabel induk (master tabel Tabel textTabel text
• Tabel ditribusi frekuensiTabel ditribusi frekuensi• Tabel distribusi relatifTabel distribusi relatif• Tabel distribusi kumulatifTabel distribusi kumulatif• Tabel silangTabel silang
Contoh:Contoh:
Tabel:1 Distribusi berat badan 160 Tabel:1 Distribusi berat badan 160 orangorang
Mhs FKM UI Th 2006 Mhs FKM UI Th 2006
BBBB FrekFrek F RelatifF Relatif
(%)(%)F kum less F kum less thenthen
(%)(%)
Fkum more Fkum more thenthen
(%)(%)
41-4541-45
46-5046-50
51-5551-55
56-6056-60
61-6561-65
66-7066-70
71-7571-75
44
1616
3434
5656
3232
1313
55
2,52,5
1010
21,321,3
3535
2020
8,18,1
3.13.1
2,52,5
12,512,5
33,833,8
68,868,8
88,888,8
96,996,9
100100
100100
97,597,5
87,587,5
66,266,2
31,231,2
11,111,1
3,13,1
TotalTotal 160160 100100
Tabel:2 Jumlah donor menurut gol Tabel:2 Jumlah donor menurut gol
darah bulan Juli 2006darah bulan Juli 2006 di PMI Jak-pusdi PMI Jak-pus
Gol DarahGol Darah JumlahJumlah
OO
AA
BB
ABAB
TotalTotal
156156
102102
8888
104104
450450
Sumber: PMI Jak-Pus
Tabel:3 Distribusi 150 pasien RSCM Tabel:3 Distribusi 150 pasien RSCM menurut pendidikan dan pengetahuan menurut pendidikan dan pengetahuan
terhadap HIV/AIDs Th 2006terhadap HIV/AIDs Th 2006
PengetPenget
PendidikaPendidikann
BaikBaik SedangSedang KurangKurang
TinggiTinggi
MenengaMenengahh
RendahRendah
2020
1515
2020
1010
2525
2525
55
1010
2020
Sumber: Evaluasi RSCM 2006
Penyajian data dengan Penyajian data dengan GrafikGrafik
Seperti tabel, gambarpun perlu Seperti tabel, gambarpun perlu dilengkapi dengandilengkapi dengan• Judul (menjawab What, Where, When)Judul (menjawab What, Where, When)• NomerNomer• Keterangan (key)Keterangan (key)• Sumber (kalau gambar tersebut Sumber (kalau gambar tersebut
kutipan)kutipan)
GambarGambar Berbeda dengan tabel, gambar sudah ditentukan Berbeda dengan tabel, gambar sudah ditentukan
peruntukannya sesuai jenis dataperuntukannya sesuai jenis data Data numerik:Data numerik:
• Histogram, Histogram, • Frek poligon, Frek poligon, • Ogive, Ogive, • Stem & leaf, Stem & leaf, • Box plot, Box plot, • Scatter diagramScatter diagram
Data kategorik:Data kategorik:• Bar , Single bar, multiple, subdividedBar , Single bar, multiple, subdivided• Pareto chartPareto chart• PiePie• Line diagramLine diagram• PictogramPictogram• MapgramMapgram
Gambar:1 Gambar:1 Distr BB Mhs FKM th 2006……Distr BB Mhs FKM th 2006……(histogram(histogram
40 50 60 70 80 90
10
20
30
40jml
Kg
Gambar:2 (Frek Poligone)Gambar:2 (Frek Poligone) Distr BB Mhs FKM th 2006……Distr BB Mhs FKM th 2006……
OgiveOgive
Less then
More then
Md
Posisi Md
Nilai Md
X
Y
Stem & leafStem & leaf
4040 4455567789944555677899 11 11
5050 0002244567788900022445677889 14 14
6060 011122333444666778899011122333444666778899 21 21
7070 001122233355001122233355 12 12
8080 022334022334 6 6
9090 00450045 4 4
BatangDaun Frek
Box & plotBox & plot
Box PlotBox Plot
Kuartil2= Median
Batas atas
K3
K1
Batas bawah
Scatter DiagramScatter Diagram
ScatterScatter
+
+
+
+
+
+
+
+
+
+
TB
BB
Bar diagram/single barBar diagram/single barJumlah akseptor baru di Psk X Jumlah akseptor baru di Psk X triwulan I, II & III th 2006triwulan I, II & III th 2006
Trwl I Trwl II Trwl III
10
20
30
40
5045
35
52
Multiple barMultiple barJumlah Akseptor Baru di Jumlah Akseptor Baru di tiga Wilayah Jakarta th 2005tiga Wilayah Jakarta th 2005
0
10
20
30
40
50
60
70
80
90
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr
J.PstJ.TmrJ Utr
Key
Sub divided barSub divided bar
Pareto ChartPareto ChartJumlah Kematian dan 3penyebab di Jumlah Kematian dan 3penyebab di RS “X” th 2004RS “X” th 2004
Jumlah Kasus Kematian di RS X tahun 2004
95
60
35
0
10
20
30
40
50
60
70
80
90
100
Kecelakaan PJK Ca
Pie DiagramPie Diagram
Line Line diagramdiagram
Jumlah HIV AIDs dan H5N1 di Jakarta Jumlah HIV AIDs dan H5N1 di Jakarta th 2000-2004th 2000-2004
2000 2001 2002 2003 2004
jml
HIV AIDs
H5N1
Pictogram Pictogram jumlah PJK thn 2001 – 2005jumlah PJK thn 2001 – 2005
Tahun 2001:
Tahun 2003:
Tahun 2005:
Keterangan:
= 10 kasus
Map gramMap gram
DHF
H5N1