harlan_johan.staff.gunadarma.ac.idharlan_johan.staff.gunadarma.ac.id/publications/files/3522/ukuran... ·...
TRANSCRIPT
PERHITUNGANPERHITUNGANPERHITUNGANPERHITUNGAN
UKURAN SAMPEL,UKURAN SAMPEL,UKURAN SAMPEL,UKURAN SAMPEL,
POWER DAN UKURAN EFEKPOWER DAN UKURAN EFEKPOWER DAN UKURAN EFEKPOWER DAN UKURAN EFEK
Johan HarlanJohan HarlanJohan HarlanJohan Harlan
Perhitungan Ukuran Sampel,Perhitungan Ukuran Sampel,Perhitungan Ukuran Sampel,Perhitungan Ukuran Sampel,
Power dan Ukuran EfekPower dan Ukuran EfekPower dan Ukuran EfekPower dan Ukuran Efek
Penulis : Johan Harlan
Cetakan Pertama, Oktober 2017
Disain cover : Joko Slameto
Diterbitkan pertama kali oleh Gunadarma
Jl. Margonda Raya No. 100, Pondokcina, Depok 16424
Telp. +62-21-78881112, 7863819 Faks. +62-21-7872829
e-mail : [email protected]
Hak Cipta dilindungi undang-undang. Dilarang mengutip atau
memperbanyak dalam bentuk apapun sebagian atau seluruh isi
buku tanpa ijin tertulis dari penerbit.
v
KATA PENGANTAR
Perhitungan ukuran sampel pada saat ini telah menjadi keharusan
dalam penulisan setiap makalah ilmiah penelitian. Setiap jurnal ilmiah
kredibel akan mewajibkan makalah penelitian yang dikirim ke jurnal tersebut
untuk memuat perhitungan ukuran sampelnya.
Sebaliknya, tidak semua staf pengajar terutama para pemula,
memahami dengan baik prosedur perhitungan ukuran sampel. Hal ini
disebabkan perhitungan ukuran sampel sendiri merupakan proses yang rumit
dan seringkali tidak dibahas secara mendetil dalam pengajaran Statistika
yang mereka terima. Tidak ada rumus perhitungan sederhana yang berlaku
bagi setiap rancangan studi, begitu pula tidak setiap rancangan studi
perhitungan ukuran sampelnya dapat dinyatakan secara sederhana.
Dalam buku perhitungan ukuran sampel, power dan ukuran efek ini
akan dibahas sejumlah rumus yang relatif sederhana dan bersifat mendasar,
sehingga dengan menguasai prinsip-prinsip dalam isi buku ini pembaca
diharap dapat melaksanakan perhitungan ukuran sampel pada hampir semua
rancangan studi sederhana. Perhitungan ukuran sampel untuk rancangan
studi yang lebih canggih yang tidak diuraikan di sini dapat dicari
pembahasannya dalam buku-buku referensi yang tercantum dalam Daftar
Pustaka.
Setiap saran dan kritik yang bersifat membangun akan diterima
dengan tangan terbuka.
Oktober 2017
Johan Harlan
vii
DAFTAR ISI
Kata Pengantar v
Daftar Isi vii
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel 1
Pendahuluan 1
Ukuran Sampel untuk Esmimasi Interval 3
Ukuran Sampel untuk Uji Hipotesis 5
Bab 2 Analisis Power dan Ukuran Efek 7
Analisis Power 7
Ukuran Efek 8
Contoh 2.1 10
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata 13
Ukuran Sampel untuk Estimasi Interval 13
Contoh 3.1 14
Ukuran Sampel untuk Uji Hipotesis & Analisis Power 15
Perhitungan Ukuran Sampel dan Analisis Power
dengan Stata
16
Contoh 3.2 17
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi 21
Ukuran Sampel untuk Estimasi Interval 21
Contoh 4.1 22
Ukuran Sampel untuk Uji Hipotesis & Analisis Power 23
viii
Perhitungan Ukuran Sampel dan Analisis Power
dengan Stata
24
Contoh 4.2 25
Bab 5 Ukuran Sampel untuk Inferensi 2 Rerata 27
Ukuran Sampel untuk Uji Hipotesis & Analisis Power 27
Perhitungan Ukuran Sampel dan Analisis Power
dengan Stata
29
Contoh 5.1 30
Ukuran Sampel untuk Estimasi Interval 32
Contoh 5.2 33
Bab 6 Ukuran Sampel untuk Inferensi 2 Proporsi 35
Ukuran Sampel untuk Uji Hipotesis & Analisis Power 35
Perhitungan Ukuran Sampel dan Analisis Power
dengan Stata
37
Contoh 6.1 38
Ukuran Sampel untuk Estimasi Interval 40
Contoh 6.2 41
Bab 7 Ukuran Sampel untuk Rancangan Studi
Epidemiologi
43
Ukuran Sampel untuk Estimasi Interval pada Studi
Potong-Lintang
43
Ukuran Sampel untuk Estimasi Interval pada Studi
Kohort
45
Contoh 7.1 47
Ukuran Sampel untuk Estimasi Interval pada Studi 48
ix
Kasus-Kontrol
Contoh 7.2 50
Bab 8 Ukuran Sampel untuk Analisis Variansi 51
Ukuran Sampel untuk Analisis Variansi 1-Arah 51
Contoh 8.1 52
Ukuran Sampel untuk Analisis Variansi 2-Arah 55
Contoh 8.2 56
Bab 9 Ukuran Sampel untuk Analisis Regresi
Linear
61
Ukuran Sampel untuk Analisis Regresi Linear
Sederhana
61
Contoh 9.1 62
Ukuran Sampel untuk Analisis Regresi Linear Ganda 66
Contoh 9.2 67
Bab 10 Ukuran Sampel untuk Analisis Regresi
Logistik
73
Ukuran Sampel untuk Analisis Regresi Logistik
Sederhana
73
Contoh 10.1 74
Ukuran Sampel untuk Analisis Regresi Logistik
Ganda
75
Contoh 10.2 76
Kepustakaan 77
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
1
BAB 1
DASAR-DASAR PERHITUNGAN
UKURAN SAMPEL
� P e n dah u lua n
` Perhitungan ukuran sampel merupakan langkah penting dalam
perancangan studi untuk menjamin tercapainya tujuan penelitian secara
kuantitatif. Pada penelitian terhadap 113 makalah pada Index Medicus 3
dekade yang lampau, hanya 2 yang memuat perhitungan ukuran sampel dan
3 lainnya yang menyertakan perhitungan power. Pada saat ini. hampir semua
jurnal internasional yang kredibel mengharuskan disertakannya perhitungan
ukuran sampel pada naskah yang dikirim untuk dimuat dalam jurnal tersebut.
Hal yang perlu diperhatikan dalam perhitungan ukuran sampel antara
lain yaitu:
- Ukuran sampel tidak dihitung sebagai persentase tertentu terhadap
ukuran populasi.
- Tidak ada rumus ukuran sampel yang sederhana dan berlaku secara
universal untuk tiap rancangan studi.
- Tiap rancangan studi umumnya memiliki rumus perhitungan ukuran
sampel yang berbeda.
- Tidak semua rancangan studi memiliki rumus perhitungan ukuran sampel
yang sederhana dan mudah diaplikasikan
Pada sebagian rancangan studi, terutama analisis multivariat,
penentuan ukuran sampel biasa dilakukan dengan menggambarkan grafik
ukuran sampel-power untuk tingkat signifikansi tertentu. Dengan
menentukan power yang diinginkan, ukuran sampel dapat diperoleh dari
grafik tersebut. Contoh grafik power-ukuran sampel demikian untuk analisis
variansi diperlihatkan pada gambar 1.1 berikut. Penggunaannya juga tidak
sederhana, memerlukan prosedur ‘trial and error’ dalam pelaksanaannya.
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
Gambar 1.1 Grafik power-ukuran sampel untuk analisis variansi
Beberapa rancangan studi, terutama yang menggunakan metode
estimasi maximum likelihood, hanya menggunakan
menentukan ukuran sampel, misalnya pada
digunakan sampel berukuran besar dengan
digunakan aturan 30/30 yaitu sampel paling sedikit terdiri atas 30 kelompok
dengan paling sedikit 30 individu per kelompok, sehingga didapat
dan seterusnya.
Dalam buku ini pembahasan perhitungan ukuran sampel dan analisis
power dibatasi untuk beberapa rancangan studi yang perhitungan ukuran
Dasar Perhitungan Ukuran Sampel
2
ukuran sampel untuk analisis variansi
Beberapa rancangan studi, terutama yang menggunakan metode
, hanya menggunakan rule-of-thumb untuk
menentukan ukuran sampel, misalnya pada Structural Equation Modeling
digunakan sampel berukuran besar dengan n > 200, pada analisis multilevel
sampel paling sedikit terdiri atas 30 kelompok
dengan paling sedikit 30 individu per kelompok, sehingga didapat n > 900,
Dalam buku ini pembahasan perhitungan ukuran sampel dan analisis
tasi untuk beberapa rancangan studi yang perhitungan ukuran
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
3
sampelnya relatif sederhana dan mudah dikerjakan. Secara umum, ada 2
macam metode perhitungan ukuran sampel, yaitu:
1. Perhitungan ukuran sampel untuk pengestimasian interval parameter
populasi.
2. Perhitungan ukuran sampel untuk uji hipotesis dan pencapaian power
penelitian tertentu.
� U ku ra n Sam p e l u nt uk Es t ima s i
I n te rv a l
Ukuran sampel di sini adalah ukuran sampel minimum yang
dibutuhkan dalam pengestimasian interval suatu parameter untuk mencapai
lebar interval yang dispesifikasikan. Perhitungan ukuran untuk estimasi
interval ini digunakan pada studi deskriptif dengan pengestimasian interval
parameternya tanpa uji hipotesis. Jika pada suatu studi dilakukan uji
hipotesis beserta pengestimasian interval, perhitungan ukuran sampelnya
dilakukan berdasarkan uji hipotesis.
Nilai-nilai yang perlu dispesifikasikan pada perhitungan ukuran
sampel untuk estimasi interval yaitu:
1. Tingkat keyakinan estimasi interval: Dianjurkan untuk secara rutin
menggunakan tingkat keyakinan 100 ( )1 α− % = 95%, kecuali jika ada
alasan tertentu.
2. Lebar interval estimasi maksimum yang dikehendaki: Dinyatakan
dengan simbol 2I.
3. Variansi data dalam populasi 2σ (atau estimasinya): Diperoleh dari
penelitian terdahulu atau studi pendahuluan.
Misalkan akan dilakukan pengestimasian interval konfidensi
( )100 1 %a− untuk rerata populasi µ . Contoh untuk α = 0.5 dan 2Zα = 1.96
diperlihatkan pada gambar 1.2. Tampak interval konfidensi 95% untuk nilai
rerata yang diperlihatkan pada gambaran distribusi sampling y . Seandainya
estimasi interval dilakukan terhadap selisih dua rerata pada dua populasi,
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
gambaran distribusi tinggal diganti dengan distribusi sampling
Batas-batas interval dinyatakan dengan lambang
masing-masing menyatakan batas bawah dan
tersebut. Misalkan pula 2A B
I y y= −
yang diinginkan (= presisi, lihat gambar
I = 2Zα .SE ( )y
= 2Zα .n
σ
Gambar 1.2 Contoh interval konfidensi 95%
Diperoleh:
n = ( )
22
2
2
.Z
I
α σ
2I : Lebar interval estimasi yang diinginkan2σ : Variansi populasi, diperoleh dari penelitian terdahulu atau studi
pendahuluan
Perhitungan ukuran sampel untuk estimasi interval biasanya tidak
tersedia pada program komputer dan harus dilakukan secara manual.
Dasar Perhitungan Ukuran Sampel
4
gambaran distribusi tinggal diganti dengan distribusi sampling ( )1 2y y− .
dengan lambang [ ] ; ABy y ; B
y dan A
y
masing menyatakan batas bawah dan batas interval konfidensi
A BI y y menyatakan lebar interval maksimum
, lihat gambar 1.2), maka:
Gambar 1.2 Contoh interval konfidensi 95%
(1.1)
Lebar interval estimasi yang diinginkan
populasi, diperoleh dari penelitian terdahulu atau studi
Perhitungan ukuran sampel untuk estimasi interval biasanya tidak
tersedia pada program komputer dan harus dilakukan secara manual.
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
5
� U ku ra n S am p e l un tu k Uj i
H ipo te s i s
Ukuran sampel di sini adalah ukuran sampel minimum yang
dibutuhkan untuk melaksanakan uji hipotesis pada tingkat signifikansi
tertentu dengan power yang dispesifikasikan. Perhitungan ukuran sampel
untuk uji hipotesis ini harus dilakukan pada setiap studi analitik dengan uji
hipotesis sebelum pengumpulan data dan pelaksanaan penelitian dimulai.
Nilai-nilai yang perlu dispesifikasikan pada perhitungan ukuran
sampel untuk uji hipotesis yaitu:
1. Tingkat signifikansi (kesalahan tipe I) uji hipotesis: Dianjurkan untuk
menggunakan α = 0.05.
2. Power uji hipotesis 100 ( )1 β− % atau kesalahan tipe II β : Biasanya
dipilih power 80%.
3. Selisih minimum antara rerata distribusi nol dengan rerata distribusi
alternatif yang diharapkan dapat dideteksi: diff = 1µ µ−0.
4. Variansi distribusi nol dan distribusi alternatif (atau estimasinya;
umumnya diasumsikan sama untuk kedua distribusi: σ0 = 1σ = σ ).
Misalkan akan dilakukan uji hipotesis 0H : µ < 0µ vs 1H : µ > 0µ
yang secara praktis untuk perhitungan ukuran sampel dapat dinyatakan
sebagai 0H : µ = 0µ vs AH : µ = 1µ , diff = 1µ − 0µ menyatakan besar
minimum selisih rerata distribusi nol dengan rerata distribusi alternatif yang
diharapkan dapat dideteksi. Pada gambar 1.3 berikut diperlihatkan contoh uji
hipotesis untuk 1 rerata dengan 0H : µ = 180 vs AH : µ = 210; 0µ = 180
dan 1µ = 210, diff = 210 – 180 = 30; α = 0.05 dan β = 0.1; σ0 = 1σ = σ .
Dengan C menyatakan titik kritis uji hipotesis (batas penerimaan dan
penolakan hipotesis nol), tampak bahwa:
Bab 1 Dasar-Dasar Perhitungan Ukuran Sampel
Gambar 1.3 Contoh gambar untuk uji hipotesis 1 rerata
C = µ0 + Zα . nσ
Diperoleh:
n = ( )
22
2
.Z Z
diff
α β σ+
diff : selisih minimum rerata nol dengan rerata alternatif yang diharapkan
dapat dideteksi; diff = 1µ −
Perhatikan:
Sebagian besar kepustakaan menyatakan selisih minimum rerata yang
diharapkan dapat dideteksi dengan lambang
menghindari kerancuan, sesuai dengan nomenklatur Stata, lambang
digunakan untuk menyatakan ukuran efek (
Bab 2).
Dasar Perhitungan Ukuran Sampel
6
Contoh gambar untuk uji hipotesis 1 rerata
n = 1µ − Zβ . nσ
(1.2)
selisih minimum rerata nol dengan rerata alternatif yang diharapkan
µ0
Sebagian besar kepustakaan menyatakan selisih minimum rerata yang
diharapkan dapat dideteksi dengan lambang d, tetapi dalam buku ini untuk
menghindari kerancuan, sesuai dengan nomenklatur Stata, lambang d (delta)
digunakan untuk menyatakan ukuran efek (effect size; lihat penjelasan pada
Bab 2 Analisis Power dan Ukuran Efek
BAB
ANALISIS POWER
UKURAN
� A na l i s i s Powe r
Power adalah peluang untuk mendeteksi suatu efek, dengan syarat
efek itu ada (gambar 2.1). Power seharusnya sudah dihitung pada tahap
perancangan studi sebelum penelitian dimulai, biasanya digunakan
80%.
Gambar 2.1 Power penelitian
Dalam pelaksanaan penelitian sesungguhnya, ukuran sampel yang
direncanakan karena satu dan lain hal mungkin tidak tercapai, sehingga
power yang direncanakan pun tak tercapai.
power curve, yaitu plot power terhadap
hendak dideteksi). Tampak bahwa memperkecil
Bab 2 Analisis Power dan Ukuran Efek
7
BAB 2
POWER DAN
UKURAN EFEK
A na l i s i s Powe r
adalah peluang untuk mendeteksi suatu efek, dengan syarat
. Power seharusnya sudah dihitung pada tahap
perancangan studi sebelum penelitian dimulai, biasanya digunakan power
Gambar 2.1 Power penelitian
pelaksanaan penelitian sesungguhnya, ukuran sampel yang
direncanakan karena satu dan lain hal mungkin tidak tercapai, sehingga
power yang direncanakan pun tak tercapai. Gambar 2.2 memperlihatkan
power curve, yaitu plot power terhadap diff (selisih efek minimum yang
hendak dideteksi). Tampak bahwa memperkecil diff pada ukuran sampel
Bab 2 Analisis Power dan Ukuran Efek
8
tertentu akan dengan cepat pula menurunkan power. Penurunan power dapat
diperlambat dengan memperbesar ukuran sampel.
Gambar 2.2 Power curve
Analisis power dilakukan setelah penelitian dilakukan, yaitu jika
ukuran sampel yang diinginkan tidak tercapai, yaitu menghitung ulang power
sesuai dengan ukuran sampel yang sebenarnya diperoleh.
� U ku ra n Efe k
Ukuran efek (effect size) adalah hasil perlakuan yang diungkapkan
dalam perbandingan antar kelompok (dengan dan tanpa perlakuan) ataupun
derajat asosiasi antar dua variabel terkait (dosis perlakuan dan respons).
Ukuran efek mengacu pada besar hasil yang terjadi atau akan ditemukan
dalam populasi. Estimasi ukuran efek mutlak diperlukan dalam interpretasi
hasil studi (Ellis, 2010).
Bab 2 Analisis Power dan Ukuran Efek
9
Terdapat berbagai ukuran efek, yang antara lain tergantung pada jenis
data dan macam analisis statistik yang digunakan. Sebagian ukuran efek tak-
terstandardisasi dan menggunakan satuan original (satuan data asal). Ukuran
efek ini terutama mudah dipahami dan bermanfaat bagi pembaca non-
statistik. Contoh ukuran efek demikian antara lain yaitu:
- Rerata
- Selisih antara dua rerata
- Median
- Koefisien regresi
Sebagian ukuran efek lain bersifat bebas-satuan (units-free) atau
terstandardisasi. Secara statistik, ukuran efek demikian lebih bermanfaat
karena akan dapat di-pooled dalam suatu analisis meta, dengan syarat semua
ukuran efek, baik yang sangat kecilpun tetap dipublikasikan. Beberapa di
antaranya yang ditampilkan pada Stata yaitu:
- Cohen’s d = 1 2*
x x
s
− (2.1)
dengan: *s =
( ) ( )2 21 1 2 2
1 2
1 1
2
n s n s
n n
− + −
+ −
- Hedges’ g = Cohen’s d × ( )c m (2.2)
dengan m = 1 2 2n n+ − dan
( )c m = 2
1
2 2
m
m m
Γ
− Γ
- Glass’s ∆ = ( )treated control
control
x x
s
−
- Glass’s 1∆ = ( )1 2
1
x x
s
− (2.3)
- Glass’s 2∆ = ( )1 2
2
x x
s
− (2.4)
Bab 2 Analisis Power dan Ukuran Efek
10
Cohen’s d, Glass’s ∆, dan Hedges’ g adalah ukuran efek
terstandardisasi antar 2-variabel kontinu. Point-biserial correlation adalah
ukuran efek antar 1 variabel kontinu dengan 1 variabel biner, misalnya antara
variabel independen kontinu dengan variabel dependen biner pada analisis
regresi logistik:
- PBr = 2 df
t
t + (2.5)
t : statistik t untuk selisih rerata antar 2 kelompok
df : derajat bebasnya
Pada sebagian perhitungan ukuran sampel dengan Stata, ukuran efek
yang dinyatakan dengan delta langsung ditampilkan pada keluaran hasil
tanpa diminta.
Contoh 2.1: . webuse depression
(Fictitious Depression Inventory data based on the
Beck Depression Inventory)
. esize twosample qu1, by(sex)
Effect size based on mean comparison
Obs per group:
Female = 712
Male = 288
-------------------------------------------------
Effect Size | Estimate [95% Conf. Interval]
------------+------------------------------------
Cohen's d | -.0512417 -.1881184 .0856607
Hedges's g | -.0512032 -.187977 .0855963
-------------------------------------------------
. esize twosample qu1, by(sex) all
Bab 2 Analisis Power dan Ukuran Efek
11
Effect size based on mean comparison
Obs per group:
Female = 712
Male = 288
------------------------------------------------------
Effect Size | Estimate [95% Conf. Interval]
-----------------+------------------------------------
Cohen's d | -.0512417 -.1881184 .0856607
Hedges's g | -.0512032 -.187977 .0855963
Glass's Delta 1 | -.0517793 -.1886587 .0851364
Glass's Delta 2 | -.0499786 -.1868673 .086997
Point-Biserial r | -.0232208 -.0849629 .0387995
------------------------------------------------------
Perhatian:
Perintah esize hanya dapat digunakan jika ada file data yang sedang
terbuka. Pada perhitungan ukuran sampel dengan perintah power (lihat bab-
bab berikut), dalam keadaan tidak ada file data yang terbuka, ukuran efek
akan selalu ditampilkan walaupun tidak diminta.
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
13
BAB 3
UKURAN SAMPEL UNTUK
INFERENSI 1 RERATA
� Ukuran Sampel untuk Estimasi Interval
Misalkan hendak diestimasi interval konfidensi ( )100 1 %a− untuk
rerata populasi µ . Interval konfidensi yang akan diperoleh dinyatakan
dengan lambang [ ] ; ABy y ; B
y dan A
y masing-masing menyatakan batas
bawah dan batas interval konfidensi tersebut. Misalkan pula 2A B
I y y= −
menyatakan lebar interval maksimum yang diinginkan (= presisi, lihat
kembali gambar 1.2), maka:
/2.a
I Zn
σ=
Diperoleh:
n = ( )
22
2
2
.Z
I
α σ (3.1)
2I : Lebar interval estimasi yang diinginkan 2σ : Variansi populasi, diperoleh dari penelitian terdahulu atau studi
pendahuluan
Perhatikan:
- Dalam rumus perhitungan ukuran sampel untuk estimasi interval, selalu
digunakan 2Zα dan bukan Zα .
- Umumnya perhitungan ukuran sampel untuk estimasi interval tidak
didapatkan dalam program komputer statistik.
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
14
Contoh 3.1:
α = 0.05 → 2Zα = 1.96
2σ = 20.30 = 0.09
2I = 0.10 → I = 0.05
n = ( )
22
2
2
.Z
I
α σ
= ( )
2
2
1.96 .0.09
0.05 = 138.2976 ≈ 139
Catatan:
- Jika populasi berhingga dan n N lebih besar daripada 5%, diperlukan
‘koreksi populasi berhingga’ (finite population correction; fpc), yaitu:
cn = 1
1
n
n
N
−+
Dengan asumsi penyederhanaan n – 1 ≈ n, diperoleh rumus ukuran
sampel minimum Isaac dan Michael untuk populasi berhingga:
Mn = ( )
( )
22
2
22 2
2
N Z
NI Z
α
α
σ
σ+ (3.2)
- Jika parameter yang akan diestimasi interval-nya lebih daripada satu,
untuk tiap parameter harus dilakukan perhitungan ukuran sampel sendiri-
sendiri, yaitu jika variansi dan/atau lebar interval untuk tiap parameter
tersebut tidak sama, dan ukuran sampel yang digunakan adalah ukuran
sampel yang terbesar.
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
15
� Ukuran Sampel untuk Uji Hipotesis &
Analisis Power
Ukuran sampel minimum pada uji hipotesis adalah ukuran sampel
minimum yang dibutuhkan untuk mendeteksi selisih (minimum) nilai
parameter menurut hipotesis nol dan nilai parameter menurut hipotesis
alternatif pada uji hipotesis.
Pada uji hipotesis dua-sisi terhadap nilai rerata populasi dengan
hipotesis nol :H µ µ=0 0
, besaran (minimum) yang diharapkan untuk
dideteksi adalah selisih nilai 1diff µ µ= −0. Ukuran sampel minimum yang
diperlukan untuk mendeteksi perbedaan sebesar diff antara parameter
distribusi hipotesis nol dengan parameter distribusi hipotesis alternatif
ditentukan oleh:
a. Besar kesalahan tipe I (tingkat signifikansi; a ).
b. Power [1 – besar kesalahan tipe II; ( )1 β− ]
c. Besar selisih minimum antara parameter kedua distribusi yang hemdak
dideteksi: diff = 1µ − 0µ
d. Variabilitas kedua distribusi (umumnya diasumsikan sama: σ0 = 1σ =
σ )
Dengan merujuk pada titik C sebagai titik kritis (batas penerimaan
dan penolakan hipotesis nol, lihat kembali gambar 1.3) pada distribusi
sampling 0y dan distribusi sampling Ay , diperoleh:
C = µ0 + Zα . nσ = 1µ − Zβ . nσ
sehingga:
n = ( )
22
2
.Z Z
diff
α β σ+ (3.3)
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
16
Perhatikan:
- Jika dilakukan uji hipotesis (dan estimasi parameter), perhitungan ukuran
sampel semata-mata dilakukan atas dasar uji hipotesis.
� Perhitungan Ukuran Sampel dan
Analisis Power dengan Stata
Sintaks
� Perhitungan Ukuran Sampel
power onemean m0 ma [, sd(numlist) alpha(numlist) power(numlist)
options]
m0 : rerata nol (rerata menurut hipotesis nol)
ma : rerata alternatif
� Analisis Power
power onemean m0 ma [, n(numlist) sd(numlist) alpha(numlist)
options]
m0 : rerata nol (rerata menurut hipotesis nol)
ma : rerata alternatif
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
sd(numlist) : standar deviasi, default-nya adalah sd(1)
alpha(numlist) : tingkat signifikansi, default-nya adalah alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
onesided : uji satu-sisi, default-nya adalah dua sisi
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
17
Perhatikan:
- power dan beta tidak boleh dispesifikasikan secara bersama (hanya
salah satu yang dispesifikasikan), dengan hubungan power = 1 – beta.
- power (atau beta) hanya dispesifikasikan dalam perhitungan ukuran
sampel.
- n hanya dispesifikasikan dalam analisis power.
- Spesifikasi dengan nilai default tidak perlu dituliskan dalam perintah
Stata.
Contoh 3.2:
a. Perhitungan Ukuran Sampel dengan Stata
. power onemean 1 2, sd(2) alpha(0.01) power(0.9) onesided
Estimated sample size for a one-sample mean
test
t test
Ho: m = m0 versus Ha: m > m0
Study parameters:
alpha = 0.0100
power = 0.9000
delta = 0.5000
m0 = 1.0000
ma = 2.0000
sd = 2.0000
Estimated sample size:
N = 55
Ukuran sampel yang dibutuhkan adalah 55. Ukuran efek (effect size)
adalah 0.50.
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
18
b. Perhitungan Ukuran Sampel Secara Manual:
α = 0.01 → Zα = 2.33
β = 1 – 0.9 = 0.1 → Zβ = 1.28
2σ = 22 = 4
d = 2 – 1 = 1
n = ( )
22
2
.Z Z
d
α β σ+
= ( )
2
2
2.33 1.28 .4
1
+ = 52.1284 ≈ 53
c. Analisis Power
Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan
ukuran sampel n1, tetapi pada pelaksanaan penelitian hanya diperoleh
ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai.
Misalkan untuk contoh 3.2.a di atas, pada penelitian sesungguhnya
hanya dapat direkrut anggota sampel sebanyak 45 orang, maka power-nya
adalah:
. power onemean 1 2, n(45) sd(2) alpha(0.01) onesided
Estimated power for a one-sample mean test
t test
Ho: m = m0 versus Ha: m > m0
Study parameters:
alpha = 0.0100
N = 45
delta = 0.5000
m0 = 1.0000
ma = 2.0000
sd = 2.0000
Bab 3 Ukuran Sampel untuk Inferensi 1 Rerata
19
Estimated power:
power = 0.8222
.
Ternyata dari power yang ditargetkan sebesar 0.9 (pada ukuran
sampel 55 orang), hanya tercapai sebesar 0.82 (pada ukuran sampel 45
orang). Tampak pula bahwa ukuran efek tetap 0.50, tak terpengaruh oleh
perubahan power.
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
21
BAB 4
UKURAN SAMPEL UNTUK
INFERENSI 1 PROPORSI
� Ukuran Sampel untuk Estimasi Interval
Misalkan hendak diestimasi interval konfidensi ( )100 1 %a− untuk
proporsi populasi P . Interval konfidensi yang akan diperoleh dinyatakan
dengan lambang [ ] ; ABp p dan masing-masing menyatakan batas bawah
dan batas atas interval konfidensi tersebut. Misalkan pula 2I = Ap − Bp
menyatakan lebar interval maksimum yang diinginkan (= presisi), maka:
I = 2Zα .SE (p)
yaitu: I = 2Zα .PQ
n
dengan Q = 1 − P, sehingga ukuran sampel minimum yang dibutuhkan
adalah:
n = ( )
2
/2
2
aZ PQ
I (4.1)
Jika proporsi populasi P dan Q tak diketahui, dapat dilakukan
substitusi dengan estimasinya yaitu proporsi sampel p dan komplemennya q
yang diperoleh dari penelitian terdahulu atau studi pendahuluan:
n = ( )
2
/2
2
aZ pq
I
Jika P dan Q tak diketahui, diberlakukan asumsi konservatif, P = Q
= 0.5, sehingga:
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
22
n = ( )
2
2
2
.0.25Z
I
α (4.2)
Contoh 4.1:
α = 0.10 → 2Zα = 1.64
P = 0.7 Q = 0.3
2I = 0.10 I = 0.05
n = ( )
2
2
2
.Z PQ
I
α =
( ) ( )( )2
2
1.64 . 0.7 0.3
0.05 = 225.9264 ≈ 226
Dengan asumsi konservatif diperoleh:
n = ( )
2
2
2
.0.25Z
I
α =
( )2
2
1.64 .0.25
0.05 = 268.96 ≈ 269
Catatan:
- Jika populasi berhingga dan n N lebih besar daripada 5%, diperlukan
‘koreksi populasi berhingga’ (finite population correction; fpc), yaitu:
cn = 1
1
n
n
N
−+
Dengan asumsi penyederhanaan n – 1 ≈ n dan α = 0.05 serta 2Zα = 1.96
≈ 2, diperoleh rumus ukuran sampel minimum Slovin untuk populasi
berhingga:
Sn = 21
N
Ndiff+ (4.3)
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
23
� Ukuran Sampel untuk Uji Hipotesis &
Analisis Power
Untuk keperluan praktis perhitungan ukuran sampel, uji hipotesis 0H
: P < 0P vs 1H : P > 0P dituliskan sebagai:
0H : P = 0P vs AH : P = AP
P0 : proporsi menurut hipotesis nol;
AP : proporsi menurut hipotesis alternatif;
dan d = ( )0AP P− adalah selisih umum P0 dengan
AP yang diharapkan dapat
dideteksi.
Misalkan C menyatakan nilai titik batas penerimaan dan penolakan
hipotesis nol, maka:
C = P0 + Zα . 0 0P Q
n
dengan 0Q = 1 − P0 dan:
C = A
P − Zβ . A AP Q
n
sehingga didapatkan:
P0 + Zα . 0 0P Q
n =
AP − Zβ .
A AP Q
n
dan ukuran sampel minimum yang dibutuhkan untuk mendeteksi perbedaan
minimum sebesar diff = ( )0AP P− pada uji hipotesis 0H : P < 0P vs 1H : P >
0P adalah:
n =
2
0 0
2
A AZ P Q Z P Q
diff
α β +
(4.4)
Untuk uji 2-sisi, nilai a
Z diganti dengan Z a/2.
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
24
� Perhitungan Ukuran Sampel dan
Analisis Power dengan Stata
Sintaks
� Perhitungan Ukuran Sampel
power oneproportion p0 pa [, alpha (numlist) power(numlist)
options]
p0 : proporsi nol (proporsi menurut hipotesis nol)
pa : proporsi alternatif
� Analisis Power
power oneproportion p0 pa [, n(numlist) alpha (numlist)
options]
p0 : proporsi nol (proporsi menurut hipotesis nol)
pa : proporsi alternatif
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
onesided : uji satu-sisi, default-nya adalah dua sisi
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
25
Contoh 4.2:
a. Perhitungan Ukuran Sampel dengan Stata
. power oneproportion 0.1 0.2, alpha(0.01) power(0.8) onesided
Estimated sample size for a one-sample
proportion test
Score z test
Ho: p = p0 versus Ha: p > p0
Study parameters:
alpha = 0.0100
power = 0.8000
delta = 0.1000
p0 = 0.1000
pa = 0.2000
Estimated sample size:
N = 108
Ukuran sampel yang dibutuhkan adalah 108, sedangkan ukuran efek
adalah 0.10.
b. Perhitungan Ukuran Sampel Secara Manual:
α = 0.01 → Zα = 2.33
β = 1 – 0.8 = 0.2 → Zβ = 0.84
0P = 0.1 0Q = 0.9
AP = 0.2 AQ = 0.8
diff = 0.2 – 0.1 = 0.1
n =
2
0 0
2
A AZ P Q Z P Q
diff
α β +
Bab 4 Ukuran Sampel untuk Inferensi 1 Proporsi
26
= ( )( ) ( )( )
2
2
2.33 0.1 0.9 0.84 0.2 0.8
0.1
+ = 107.1225 ≈ 108
c. Analisis Power
Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan
ukuran sampel n1, tetapi pada pelaksanaan penelitian hanya diperoleh
ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai.
Misalkan untuk contoh 3.2.a di atas, pada penelitian sesungguhnya
hanya dapat direkrut anggota sampel sebanyak 80 orang, maka power-nya
adalah:
. power oneproportion 0.1 0.2, n(80) alpha(0.01) onesided
Estimated power for a one-sample proportion
test
Score z test
Ho: p = p0 versus Ha: p > p0
Study parameters:
alpha = 0.0100
N = 80
delta = 0.1000
p0 = 0.1000
pa = 0.2000
Estimated power:
power = 0.6884
Dari power yang ditargetkan sebesar 0.8 (pada ukuran sampel 108
orang), hanya tercapai sebesar 0.69 (pada ukuran sampel 80 orang).
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
27
BAB 5
UKURAN SAMPEL UNTUK
INFERENSI DUA RERATA
� Ukuran Sampel untuk Uji Hipotesis &
Analisis Power
Misalkan hendak dilakukan uji hipotesis 0H : 1µ − 2µ < 0 vs 1H :
1µ − 2µ > 0. Untuk perhitungan ukuran sampel, uji hipotesis tersebut dapat
dituliskan sebagai:
0H : 1µ − 2µ = 0 vs AH :
1µ − 2µ = diff
dengan 1µ menyatakan rerata populasi pertama (populasi
1Y ); 2µ
menyatakan rerata populasi kedua (populasi 2Y ); dan diff = ( ) 21µ µ− adalah
selisih minimum yang diharapkan untuk dapat dideteksi.
Dengan asumsi 1σ = 2σ = σ ,
1n = 2n = n; serta
1Y dan 2Y
independen, maka variansi distribusi sampling ( ) 21y y− adalah:
Var ( ) 21y y− = Var ( )
1y + Var ( )2y
= 2
n
σ +
2
n
σ =
22
n
σ
dan standard error ( ) 21y y− adalah:
SE ( ) 21y y− =
22
n
σ
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
28
Misalkan C menyatakan nilai titik batas (titik kritis) daerah
penerimaan dan penolakan hipotesis nol pada distribusi sampling ( ) 21y y− ,
maka dengan merujuk pada distribusi sampling 0H :
C = 0 + Zα2
2 nσ
sedangkan dengan merujuk pada distribusi sampling ( ) 21y y− menurut AH
diperoleh:
C = diff − Zβ2
2 nσ
sehingga didapatkan:
0 + Zα2
2 nσ = diff − Zβ2
2 nσ
Diperoleh ukuran sampel minimum 1 kelompok yang dibutuhkan
untuk mendeteksi perbedaan minimum sebesar diff = ( ) 21µ µ− pada uji
hipotesis 0H : 1µ − 2µ < 0 vs 1H :
1µ − 2µ > 0, yaitu:
n = ( )
22
2
2 .Z Z
diff
α β σ+ (5.1)
Perhatikan:
- Nilai 2σ atau estimasinya diperoleh dari penelitian terdahulu atau studi
pendahuluan.
- Untuk uji 2-sisi, Zα diganti dengan 2
Zα
.
- n adalah ukuran sampel 1 kelompok, sedangkan ukuran sampel 2
kelompok seluruhnya adalah 2n.
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
29
� Perhitungan Ukuran Sampel dan
Analisis Power dengan Stata
Sintaks
� Perhitungan Ukuran Sampel
power twomeans m1 m2 [, sd(numlist) alpha(numlist)
beta(numlist) options]
m1 : rerata kelompok kontrol (kelompok referensi)
ma : rerata kelompok eksperimental
� Analisis Power
power twomeans m1 m2 [, n(numlist) sd(numlist)
alpha(numlist) options]
m1 : rerata kelompok kontrol (kelompok referensi)
ma : rerata kelompok eksperimental
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
sd(numlist) : standar deviasi, default-nya adalah sd(1)
sd1(numlist) : standar deviasi kelompok kontrol (jika standar
deviasi tak sama)
sd2(numlist) : standar deviasi kelompok eksperimental (jika
standar deviasi tak sama)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
30
onesided : uji satu-sisi, default-nya adalah dua sisi
Perhatikan:
- power dan beta tidak boleh dispesifikasikan secara bersama (hanya
salah satu yang dispesifikasikan), dengan hubungan power = 1 – beta.
- power (atau beta) hanya dispesifikasikan dalam perhitungan ukuran
sampel.
- Jika variansi kedua kelompok sama, spesifikasikan sd. Jika variansi
kedua kelompok tidak sama, spesifikasikan sd1 dan sd2.
- n hanya dispesifikasikan dalam analisis power.
- Spesifikasi dengan nilai default tidak perlu dituliskan dalam perintah
Stata.
Contoh 5.1:
a. Perhitungan Ukuran Sampel dengan Stata
. power twomeans 1 1.5, sd(2) alpha(0.10) power(0.7) onesided
Estimated sample sizes for a two-sample means
test
t test assuming sd1 = sd2 = sd
Ho: m2 = m1 versus Ha: m2 > m1
Study parameters:
alpha = 0.1000
power = 0.7000
delta = 0.5000
m1 = 1.0000
m2 = 1.5000
sd = 2.0000
Estimated sample sizes:
N = 210
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
31
N per group = 105
Ukuran sampel seluruhnya adalah 210 (105 dalam 1 kelompok) dan
ukuran efek adalah 0.50.
b. Perhitungan Ukuran Sampel Secara Manual:
α = 0.10 → Zα = 1.28
β = 1 – 0.7 = 0.3 → Zβ = 0.52
2σ = 22 = 4
diff = 1.5 – 1 = 0.5
n = ( )
22
2
2 .Z Z
diff
α β σ+ =
( )2
2
2 1.28 0.52 .4
0.5
+ = 103.68 ≈ 104
c. Analisis Power
Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan
ukuran sampel n1, tetapi pada pelaksanaan penelitian hanya diperoleh
ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai.
Misalkan untuk contoh 5.1.a di atas, pada penelitian sesungguhnya
hanya dapat direkrut anggota sampel sebanyak 190 orang, maka power-nya
adalah:
. power twomeans 1 1.5, n(190) sd(2) alpha(0.10) onesided
Estimated power for a two-sample means test
t test assuming sd1 = sd2 = sd
Ho: m2 = m1 versus Ha: m2 > m1
Study parameters:
alpha = 0.1000
N = 190
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
32
N per group = 95
delta = 0.5000
m1 = 1.0000
m2 = 1.5000
sd = 2.0000
Estimated power:
power = 0.6692
Dari power yang ditargetkan semula sebesar 0.70 (pada ukuran
sampel 210 orang), hanya terjadi penurunan sedikit menjadi 0.669 (pada
ukuran sampel 190 orang).
� Ukuran Sampel untuk Estimasi Interval
Perhitungan ukuran sampel untuk estimasi interval 2 rerata relatif
jarang dikerjakan. Pada inferensi statistik untuk 2 rerata hampir selalu akan
dilakukan uji hipotesis (selain estimasi interval), karena itu ukuran sampel
yang dibutuhkan telah dihitung berdasarkan uji hipotesis.
Misalkan hendak diestimasi interval konfidensi 100 ( )1 α− % untuk
selisih 2 rerata populasi 1µ dan 2µ . Interval konfidensi yang akan diperoleh
dinyatakan dengan lambang [ ];B Ay y ; By dan Ay masing-masing
menyatakan batas bawah dan batas atas selisih interval konfidensi tersebut.
Misalkan pula:
2I = Ay − By
menyatakan lebar interval maksimum yang diinginkan (= presisi), maka:
I = 2
Zα
. SE ( ) 21y y−
dengan Var ( ) 21y y− =
21
1n
σ +
22
2n
σ
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
33
Jika diasumsikan 21σ = 2
2σ = 2σ dan 1n =
2n = n, maka:
Var ( ) 21y y− =
2
n
σ +
2
n
σ =
22
n
σ
SE ( ) 21y y− =
22
n
σ
sehingga: I = 2
Zα
. 22
n
σ
dan diperoleh ukuran sampel minimum yang dibutuhkan untuk 1 kelompok
pada estimasi interval selisih 2 rerata 1µ dan 2µ dengan lebar interval
maksimum yang diinginkan 2I, yaitu:
n = ( )
22
2
2
2 .Z
I
α σ (5.2)
Perhatikan:
- Untuk 2 kelompok, ukuran sampel seluruhnya adalah 2n.
- Nilai 2σ atau estimasinya diperoleh dari penelitian terdahulu atau studi
pendahuluan dengan rumus:
2σ = 2pooleds =
( ) ( )
2 21 21 2
1 2
1 1
2
n s n s
n n
− + −
+ −
Contoh 5.2:
α = 0.05 → 2
Zα
= 1.96
2σ = 275 = 5625
2I = 40 → I = 20
Bab 5 Ukuran Sampel untuk Inferensi Dua Rerata
34
Ukuran sampel minimum untuk 1 kelompok adalah:
n = ( )
22
2
2
2 .Z
I
α σ
= ( )
2
2
2 1.96 .5625
20 = 108.045 ≈ 109
Ukuran sampel seluruhnya untuk 2 kelompok adalah:
2n = (2).(109) = 218
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
35
BAB 6
UKURAN SAMPEL UNTUK
INFERENSI DUA PROPORSI
� Ukuran Sampel untuk Uji Hipotesis &
Analisis Power
Misalkan hendak dilakukan uji hipotesis 0H : 1P −
2P < 0 vs 1H :
1P − 2P > 0. Untuk perhitungan ukuran sampel, uji hipotesis tersebut dapat
dituliskan sebagai:
0H : 1P −
2P = 0 vs AH : 1P −
2P = diff
dengan 1P menyatakan proporsi ‘sukses’ pada populasi pertama (populasi
1Y ); 2P menyatakan proporsi ‘sukses’ pada populasi kedua (populasi
2Y );
dan diff = ( ) 21p p− adalah selisih minimum yang diharapkan untuk dapat
dideteksi.
Dengan asumsi 1n =
2n = n; serta 1Y dan
2Y independen, maka
variansi distribusi sampling ( ) 21p p− adalah:
Var ( ) 21p p− = Var ( ) 1p + Var ( )2p
=
1
1
1P Q
n +
2
2
2P Q
n = 1 1 2 2P Q P Q
n
+
dengan 1Q = 1 −
1P ; 2Q = 1 −
2P ; dan standard error ( ) 21p p− adalah:
SE ( ) 21p p− = 1 1 2 2P Q P Q
n
+
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
36
Menurut 0H : 1P =
2P , sehingga keduanya dapat disubstitusikan
oleh P , nilai rata-rata keduanya:
1P =
2P = P dan P = 21
2
P P+
sehingga standard error ( ) 21p p− menurut 0H adalah:
SE ( ) 21p p− = 2PQ
n
Misalkan C menyatakan nilai titik batas (titik kritis) penerimaan dan
penolakan hipotesis nol pada distribusi sampling ( ) 21p p− , maka dengan
merujuk 0H :
C = 0 + Zα
2PQ
n
sedangkan dengan merujuk pada distribusi sampling ( ) 21p p− menurut AH
diperoleh:
C = diff − Zβ 1 1 2 2P Q P Q
n
+
sehingga didapatkan:
0 + Zα
2PQ
n = diff − Zβ
1 1 2 2P Q P Q
n
+
dan 2diff = ( ) 21
2P P− =
2
1 1 2 22Z PQ Z PQ P Q
n
α β + +
Diperoleh ukuran sampel minimum 1 kelompok yang dibutuhkan
untuk mendeteksi perbedaan minimum sebesar diff = ( ) 21P P− pada uji
hipotesis 0H : 1P −
2P < 0 vs 1H : 1P −
2P > 0, yaitu:
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
37
n =
2
1 1 2 2
2
2Z PQ Z PQ P Q
diff
α β + +
(6.1)
Perhatikan:
- Nilai 1P dan
2P atau estimasinya diperoleh dari penelitian terdahulu
atau studi pendahuluan.
- Untuk uji 2-sisi, Zα diganti dengan 2
Zα
.
- n adalah ukuran sampel 1 kelompok, sedangkan ukuran sampel 2
kelompok seluruhnya adalah 2n.
� Perhitungan Ukuran Sampel dan
Analisis Power dengan Stata
Sintaks
� Perhitungan Ukuran Sampel
power twoproportions p1 p2 [, alpha (numlist) power(numlist)
options]
p1 : proporsi kelompok kontrol (kelompok referensi)
p2 : proporsi kelompok eksperimental
� Analisis Power
power twoproportions p1 p2 [, n(numlist) alpha (numlist)
options]
p1 : proporsi kelompok kontrol (kelompok referensi)
p2 : proporsi kelompok eksperimental
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
38
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
onesided : uji satu-sisi, default-nya adalah dua sisi
Perhatikan:
- power dan beta tidak boleh dispesifikasikan secara bersama (hanya
salah satu yang dispesifikasikan), dengan hubungan power = 1 – beta.
- power (atau beta) hanya dispesifikasikan dalam perhitungan ukuran
sampel.
- n hanya dispesifikasikan dalam analisis power.
- Spesifikasi dengan nilai default tidak perlu dituliskan dalam perintah
Stata.
Contoh 6.1:
a. Perhitungan Ukuran Sampel dengan Stata
. power twoproportions 0.1 0.5, alpha(0.1) power(0.9) onesided
Estimated sample sizes for a two-sample
proportions test
Pearson's chi-squared test
Ho: p2 = p1 versus Ha: p2 > p1
Study parameters:
alpha = 0.1000
power = 0.9000
delta = 0.4000 (difference)
p1 = 0.1000
p2 = 0.5000
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
39
Estimated sample sizes:
N = 32
N per group = 16
Ukuran sampel seluruhnya adalah 32 (16 dalam 1 kelompok),
sedangkan ukuran efek adalah 0.40.
b. Perhitungan Ukuran Sampel Secara Manual:
α = 0.01 → Zα = 2.33
β = 1 – 0.9 = 0.1 → Zβ = 1.28
1P = 0.1 1Q = 0.9
2P = 0.5 2Q = 0.5
diff = 0.5 – 0.1 = 0.4
n =
2
1 1 2 2
2
2Z PQ Z PQ P Q
diff
α β + +
= ( )( ) ( ) ( ) ( )( )
2
2
2.33 2 0.3 0.7 1.28 0.1 0.9 0.5 0.5
0.4
+ +
= 31.82 . . . ≈ 32
c. Analisis Power
Jika pada perhitungan ukuran sampel sebelum penelitian didapatkan
ukuran sampel n1, tetapi pada pelaksanaan penelitian hanya diperoleh
ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai.
Misalkan untuk contoh 6.1.a di atas, pada penelitian sesungguhnya
hanya dapat direkrut anggota sampel sebanyak 28 orang, maka power-nya
adalah:
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
40
. power twoproportions 0.1 0.5, n(42) alpha(0.1) onesided
Estimated power for a two-sample proportions
test
Pearson's chi-squared test
Ho: p2 = p1 versus Ha: p2 > p1
Study parameters:
alpha = 0.1000
N = 28
N per group = 14
delta = 0.4000 (difference)
p1 = 0.1000
p2 = 0.5000
Estimated power:
power = 0.8734
� Ukuran Sampel untuk Estimasi Interval
Seperti pada ukuran sampel untuk estimasi interval 2 rerata,
perhitungan ukuran sampel untuk estimasi interval dua proporsi juga relatif
jarang dikerjakan. Pada inferensi statistik untuk 2 proporsi hampir selalu juga
akan dilakukan uji hipotesis (selain estimasi interval), karena itu ukuran
sampel yang dibutuhkan telah dihitung berdasarkan uji hipotesis.
Misalkan hendak diestimasi interval konfidensi 100 ( )1 α− % untuk
selisih 2 proporsi populasi 1P dan 2P . Interval konfidensi yang akan
diperoleh dinyatakan dengan lambang [ ];B Ap p ; Bp dan Ap masing-masing
menyatakan batas bawah dan batas atas selisih interval konfidensi tersebut.
Misalkan pula:
Bab 6 Ukuran Sampel untuk Inferensi Dua Proporsi
41
2I = Ap − Bp
I = 2
Zα
. ( )BASE p p−
dan I = 2
Zα
. 1 1 2 2PQ P Q
n
+
sehingga n = ( ) [ ]
2
2 1 1 2 2
2
.Z PQ P Q
I
α + (6.2)
Contoh 6.2:
α = 0.05 → 2
Zα
= 1.96
1p = 64% 2p = 82%
1q = 36% 2q = 18%
2I = 10% → I = 0.05
n = ( ) [ ]
2
2 1 1 2 2
2
.Z PQ P Q
I
α +
= ( ) ( ) ( ) ( )( )
2
2
1.96 . 0.64 0.36 0.82 0.18
0.05
+
= 580.8499 ≈ 581
Jumlah ini sangat besar dan sulit dicapai. Jika presisi diturunkan
menjadi 2I = 20% dan I = 0.10 maka:
n = ( ) ( ) ( ) ( )( )
2
2
1.96 . 0.64 0.36 0.82 0.18
0.10
+
= 145.21248 ≈ 146
Jumlah ini lebih realistik dan lebih mungkin dicapai.
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
43
BAB 7
UKURAN SAMPEL UNTUK
RANCANGAN STUDI
EPIDEMIOLOGI
Tiga rancangan studi dasar Epidemiologi, ialah studi kohort, studi
kasus-kontrol, dan studi potong-lintang. Dalam bab ini akan dibahas
perhitungan ukuran sampel untuk ketiga rancangan studi tersebut, tetapi
hanya perhitungan ukuran sampel untuk estimasi interval bagi 2 ukuran khas
Epidemiologi, yaitu rasio risiko dan rasio odds. Dalam perhitungan ukuran
sampel untuk estimasi interval pada rancangan studi epidemiologi sering
didapatkan ukuran sampel yang sangat besar, sehingga biasa diperlukan
spesifikasi ulang parameter-parameternya. Perhitungan ukuran sampel untuk
uji hipotesis tidak lagi akan dibahas di sini, karena sama saja dengan materi
Bab 4 dan Bab 6 tentang ukuran sampel untuk 1 dan 2 proporsi.
� Ukuran Sampel untuk Estimasi Interval
pada Studi Potong-Lintang
Layout data pada studi potong-lintang (cross-sectional study) adalah
sebagai berikut (lihat Tabel 7.1, perhatikan bahwa dalam Epidemiologi biasa
digunakan lambang dan notasi yang berbeda pengertiannya dengan dalam
Biostatistika):
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
44
Tabel 7.1 Layout data pada studi potong-lintang
Kelompok D D Jumlah
E a b 1n
E c d 2n
Jumlah 1m
2m n
E : Kelompok terpajan (exposed); 1n menyatakan jumlah subjek
terpajan
E : Kelompok tak-terpajan (non-exposed); 2n menyatakan jumlah
subjek tak-terpajan
D : Kelompok sakit (diseased); 1m menyatakan jumlah subjek sakit
D : Kelompok tidak sakit (non-diseased); 2m menyatakan jumlah subjek
tidak sakit
Pada rancangan studi ini, diambil 1 sampel berukuran n, lalu
anggotanya masing-masing dialokasikan ke salah satu dari empat sel dalam
tabel di atas berdasarkan status sakit dan status terpajan masing-masing.
Umumnya ahli Epidemiologi menganggap studi potong-lintang bukan salah
satu bentuk studi analitik karena tidak ada 2 kelompok yang dapat
diperbandingkan. Biasanya studi potong-lintang hanya dianggap sebagai
salah satu bentuk survei.
Jika sampel diambil secara acak dari populasi, maka dapat diestimasi
prevalensi penyakit dalam populasi, yaitu:
Prev = 1M
N
dengan estimasi titik:
ˆPrev = 1m
n
Ukuran sampel untuk estimasi interval prevalensi dengan presisi 2I
adalah:
n = ( ) ( )( )
2
/2
2
1a
Z Prev Prev
I
− (7.1)
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
45
Jika taksiran prevalensi tidak ada, dapat digunakan asumsi
konservatif:
n = ( )
2
2
2
.0.25Z
I
α (7.2)
� Ukuran Sampel untuk Estimasi Interval
pada Studi Kohort
Layout data pada studi kohort (cohort study) adalah sebagai berikut
(lihat Tabel 7.2) dengan nomenklatur yang sama seperti pada tabel 7.1:
Tabel 7.2 Layout data pada studi kohort
Kelompok D D Jumlah
E a b 1n
E c d 2n
Di sini diambil 2 sampel, sehingga ada dua kelompok perbandingan
yaitu kelompok terpajan yang berukuran 1n , dan kelompok tak-terpajan
yang berukuran 2n . Ukuran sampel seluruhnya adalah
1n + 2n .
Ukuran keeratan hubungan pajanan dengan penyakit adalah rasio
risiko, yaitu:
ˆRR =
1
2
a n
c n (7.3)
Rasio risiko bukan suatu nilai proporsi (rasio antar 2 proporsi), juga
tidak berdistribusi normal (sangat menceng ke kiri). Untuk mengkonversinya
agar mendekati distribusi normal digunakan tranformasi logaritmanya. Plot
ln RR terhadap RR diperlihatkan pada gambar 7.1.
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
46
Gambar 7.1 Plot ln RR terhadap RR
Tampak bahwa RR tidak berdistribusi simetris, tetapi ln RR adalah
hampir simetris, sehingga dapat digunakan interval konfidensi ( )1 α− %
untuk ln RR, yaitu:
ln ˆRR + 2Zα . ( )ˆ ˆ SE ln RR
Perhatikan bahwa karena tidak berdistribusi simetris, presisi bawah
estimasi interval RR tidak sama dengan presisi atasnya, yaitu LI ≠
UI ,
tetapi transformasi logaritmanya dapat dianggal sama, yaitu ln LI = ln
UI .
Misalkan LI = ε .RR →
ˆLI = ε . ˆRR
Karena: LI = RR − LRR
maka ln
ˆLI = ln ˆRR − ( )2
ˆ ˆ ˆ . ln RR Z SE ln RRα −
ˆLI = exp ( )ˆ ln RR − exp ( )2
ˆ ˆ ˆ . ln RR Z SE ln RRα −
= ˆRR ( ) 2ˆ ˆ1 . exp Z SE ln RRα
− −
Diperoleh: ε . ˆRR = ˆRR ( ) 2ˆ ˆ1 . exp Z SE ln RRα
− −
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
47
1 − ε = ( ) 2ˆ ˆ. exp Z SE ln RRα−
dan ukuran sampel minimum 1 kelompok adalah:
1n =
2n =
n = ( ) ( ) ( )
( )
2
2 1 1 2 2
2
. 1 1
1
Z p p p p
ln
α
ε
− + −
−
(7.4)
Untuk ε , dapat dipilih 0.10, 0.20, 0.25, dan 0.50.
Perhatikan bahwa dari 3 parameter, 1p , 2p , dan ˆRR , hanya 2 yang
boleh dispesifikasikan ( ˆRR = 1 2p p ).
Contoh 7.1:
α = 0.05 → 2Zα = 1.96
1p = 0.5 1 − 1p = 0.5
2p = 0.2 1 − 2p = 0.8
ε = 0.25
Ukuran sampel minimum yang dibutuhkan untuk 1 kelompok adalah:
n = ( ) ( ) ( )
( )
2
2 1 1 2 2
2
. 1 1
1
Z p p p p
ln
α
ε
− + −
−
= ( ) [ ]
( )
2
2
1.96 . 0.5 0.5 0.8 0.2
1 0.25ln
+
−
= 232.09 . . . ≈ 233
Ukuran sampel seluruhnya untuk dua kelompok adalah (2)(233) =
466.
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
48
� Ukuran Sampel untuk Estimasi Interval
pada Studi Kasus-Kontrol
Layout data pada studi kasus-kontrol (case-control study) adalah
sebagai berikut (lihat Tabel 7.3) dengan nomenklatur yang sama seperti pada
tabel 7.1:
Tabel 7.3 Layout data pada studi kasus-kontrol
Kelompok D D
E a b
E c d
Jumlah 1m
2m
Di sini diambil 2 sampel, yaitu kelompok D yang berukuran 1m dan
kelompok D yang berukuran 2m . Dalam kedua kelompok perbandingan
didapatkan sejumlah subjek yang terpajan serta sejumlah subjek yang tak-
terpajan, sehingga di sini tidak dapat dilakukan estimasi rasio risiko. Yang
dapat diestimasi adalah pendekatannya, yaitu rasio odds. Ukuran sampel
seluruhnya adalah 1m +
2m .
ˆOR = ad
bc (7.5)
Untuk mengkonversinya agar mendekati distribusi normal digunakan
tranformasi logaritmanya. Plot ln OR terhadap OR diperlihatkan pada
gambar 7.2
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
49
Gambar 7.2 Plot ln OR terhadap OR
.
Dengan memisalkan LI = ε .OR dengan nilai-nilai ε merupakan
salah satu pilihan di antara 0.10, 0.20, 0.25, atau 0.50, diperoleh ukuran
sampel minimum 1 kelompok yaitu:
1m =
2m =
m = ( ) ( ) ( ){ }
( )
2* * * *
2 1 1 2 2
2
. 1 1 1 1
1
Z p p p p
ln
α
ε
− + −
−
(7.6)
*1p adalah proporsi subjek yang terpajan dalam populasi sakit,
sedangkan *2p adalah proporsi subjek yang terpajan dalam populasi kontrol.
Dari 3 parameter, *1p , *
2p , dan ˆOR , hanya 2 yang boleh dispesifikasikan.
Jika estimasi ˆOR dan *2p diketahui, *
1p dihitung dengan persamaan:
*1p =
( )( ) ( )
*2
* *2 2
ˆ .
ˆ . 1
OR p
OR p p+ − (7.7)
Bab 7 Ukuran Sampel untuk Rancangan Studi Epidemiologi
50
Contoh 7.2:
α = 0.05 → 2Zα = 1.96
*2p = 0.25 ˆOR = 2.00
*1p =
( )( ) ( )
*2
* *2 2
ˆ .
ˆ . 1
OR p
OR p p+ −
= ( ) ( )
( ) ( ) ( )
2 . 0.25
2 . 0.25 1 0.25+ − = 0.40
ε = 0.20
Ukuran sampel minimum untuk 1 kelompok adalah 1m =
2m = m ,
yaitu:
m = ( ) ( ) ( ){ }
( )
2* * * *
2 1 1 2 2
2
. 1 1 1 1
1
Z p p p p
ln
α
ε
− + −
−
= ( ) ( ) ( ) ( ) ( ){ }
( )
2
2
1.96 . 1 0.40 0.60 1 0.25 0.75
1 0.20ln
+
−
= 732.9377 . . . ≈ 733
Ukuran sampel seluruhnya untuk dua kelompok adalah (2)(733) =
1466. Ukuran ini mungkin dianggap terlalu besar. Dengan respesifikasi ε =
0.50 diperoleh:
m = ( ) ( ) ( ) ( ) ( ){ }
( )
2
2
1.96 . 1 0.40 0.60 1 0.25 0.75
1 0.50ln
+
−
= 75.9599 . . . ≈ 76
Diperoleh ukuran sampel 1 kelompok sebesar 76 dan untuk 2
kelompok adalah 152.
Bab 8 Ukuran Sampel untuk Analisis Variansi
51
BAB 8
UKURAN SAMPEL UNTUK
ANALISIS VARIANSI
� Ukuran Sampel untuk Analisis Variansi
1-Arah
Model
Model analisis variansi 1-arah adalah:
ijY = µ + iτ + ijε
ijY : respons pada subjek ke-j dalam kelompok perlakuan ke-i
µ : rerata menyeluruh (overall mean)
iτ : efek perlakuan kelompok ke-i
ijε : galat pada subjek ke-j dalam kelompok perlakuan ke-i
Sintaks
� Perhitungan Ukuran Sampel
power oneway m1 m2 [m3 . . . mJ] [, power(numlist) options]
mj : rerata kelompok ke-j; j = 1, 2, . . . , J
� Analisis Power
power oneway m1 m2 [m3 . . . mJ], n(numlist) [options]
Bab 8 Ukuran Sampel untuk Analisis Variansi
52
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
varerror(numlist) : variansi galat (dalam-kelompok), default-nya
adalah varerror(1)
varmeans(numlist) : variansi rerata kelompok (antar-kelompok)
ngroups(#) : jumlah kelompok. Spesifikasi varmeans dan
ngroups pada opsi dapat menggantikan
meanspec (nilai-nilai rerata kelompok)
Contoh 8.1:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
m1 = 260 m2 = 289 m3 = 295
varerror = 4900
. power oneway 260 289 295, varerror(4900)
Estimated sample size for one-way ANOVA
F test for group effect
Ho: delta = 0 versus Ha: delta != 0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2183
N_g = 3
Bab 8 Ukuran Sampel untuk Analisis Variansi
53
m1 = 260.0000
m2 = 289.0000
m3 = 295.0000
Var_m = 233.5556
Var_e = 4900.0000
Estimated sample sizes:
N = 207
N per group = 69
Ukuran sampel seluruhnya adalah 207, dengan alokasi 69 pada
masing-masing dari 3 kelompok. Ukuran efek adalah 0.2183.
2) Jika meanspec (rerata tiap kelompok) tak diketahui, tetapi yang
dispesifikasi adalah varmeans(233.5556) dan ngroups(3),
maka:
. power oneway, varerror(4900) varmeans(233.5556)
ngroups(3)
Estimated sample size for one-way ANOVA
F test for group effect
Ho: delta = 0 versus Ha: delta != 0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2183
N_g = 3
Var_m = 233.5556
Var_e = 4900.0000
Estimated sample sizes:
Bab 8 Ukuran Sampel untuk Analisis Variansi
54
N = 207
N per group = 69
Tampak bahwa hasil yang diperoleh sama dengan di atas.
b. Analisis Power
Misalkan dalam pelaksanaan studi hanya diperoleh ukuran sampel
171 subjek dengan 57 subjek untuk tiap kelompok.
. power oneway 260 289 295, varerror(4900) n(171)
Estimated power for one-way ANOVA
F test for group effect
Ho: delta = 0 versus Ha: delta != 0
Study parameters:
alpha = 0.0500
N = 171
N per group = 57
delta = 0.2183
N_g = 3
m1 = 260.0000
m2 = 289.0000
m3 = 295.0000
Var_m = 233.5556
Var_e = 4900.0000
Estimated power:
power = 0.7179
Diperoleh power sebesar 71.79%.
Bab 8 Ukuran Sampel untuk Analisis Variansi
55
� Ukuran Sampel untuk Analisis Variansi
2-Arah
Model
Model pada analisis variansi 2-arah adalah:
ijkY = µ + iα + jβ + ( )ij
αβ + ijkε
ijkY : respons pada subjek ke-k dalam sel perlakuan A ke-i dan
perlakuan B ke-j
µ : rerata menyeluruh (overall mean) rerata menyeluruh (overall
mean)
iα : efek perlakuan A ke-i
jβ : efek perlakuan B ke-j
( )ij
αβ : efek interaksi perlakuan A ke-i dan perlakuan B ke-j
ijkε : galat pada subjek ke-j dalam sel perlakuan A ke-i dan perlakuan B
ke-j
Sintaks
� Perhitungan Ukuran Sampel
power twoway meanspec [, power(numlist) options]
meanspec adalah matriks yang memuat nilai-nilai rerata sel:
m1_1 m1_2 [ . . . ] \ m2_1 m2_2 [ . . . ] [\ . . . \ mJ_1 . . . mJ_K]
mj_k : rerata sel baris ke-j kolom ke-k; j = 1, 2, . . . , J dan k = 1, 2, . . . ,
K
Bab 8 Ukuran Sampel untuk Analisis Variansi
56
� Analisis Power
power twoway meanspec, n(numlist) [options]
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
varerror(numlist) : variansi galat (dalam-kelompok), default-nya
adalah varerror(1)
varrow(numlist) : variansi yang ‘dijelaskan’ oleh efek baris
nrows(#) : jumlah baris
ncols(#) : jumlah kolom. Spesifikasi varrow, nrows, dan
ncols pada opsi dapat menggantikan
meanspec (nilai-nilai rerata sel)
Contoh 8.2:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
| Column
| 1 2 3
-------|-----------
Row 1 | 134 143 91
2 | 106 173 145
varerror = 1417
. power twoway 134 143 91 \ 106 173 145,
varerror(1417)
Bab 8 Ukuran Sampel untuk Analisis Variansi
57
Estimated sample size for two-way ANOVA
F test for row effect
Ho: delta = 0 versus Ha: delta != 0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2479
N_r = 2
N_c = 3
means = <matrix>
Var_r = 87.1111
Var_e = 1417.0000
Estimated sample sizes:
N = 132
N per cell = 22
Ukuran sampel seluruhnya adalah 132, teralokasi masing-masing
22 subjek pada tiap kelompok. Ukuran efek adalah 0.2479.
2) Nilai-nilai rerata sel (meanspec) dapat digantikan oleh varrow
= 87.1111, nrows = 2, dan ncols = 3.
. power twoway, varerror(1417) varrow(87.1111)
nrows(2) ncols(3)
Estimated sample size for two-way ANOVA
F test for row effect
Ho: delta = 0 versus Ha: delta != 0
Study parameters:
alpha = 0.0500
power = 0.8000
Bab 8 Ukuran Sampel untuk Analisis Variansi
58
delta = 0.2479
N_r = 2
N_c = 3
Var_r = 87.1111
Var_e = 1417.0000
Estimated sample sizes:
N = 132
N per cell = 22
b. Analisis Power
Misalkan dalam pelaksanaan studi hanya diperoleh ukuran sampel
108 subjek dengan 18 subjek untuk tiap sel.
. power twoway 134 143 91 \ 106 173 145, varerror(1417) n(108)
Estimated power for two-way ANOVA
F test for row effect
Ho: delta = 0 versus Ha: delta != 0
Study parameters:
alpha = 0.0500
N = 108
N per cell = 18
delta = 0.2479
N_r = 2
N_c = 3
means = <matrix>
Var_r = 87.1111
Var_e = 1417.0000
Bab 8 Ukuran Sampel untuk Analisis Variansi
59
Estimated power:
power = 0.7232
Diperoleh power sebesar 72.32%.
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
61
BAB 9
UKURAN SAMPEL UNTUK
ANALISIS REGRESI LINEAR
� Ukuran Sampel untuk Analisis Regresi
Linear Sederhana
Model
Model analisis regresi linear sederhana adalah:
iY = 0β +
1β iX + iε
iY : respons pada subjek ke-i
0β : intersep; konstante
1β : kemiringan; koefisien regresi
iX : nilai kovariat X pada subjek ke-i
iε : galat pada subjek ke-i
Sintaks
� Perhitungan Ukuran Sampel
power oneslope b0 ba [, power(numlist) options]
b0 : kemiringan nol (nilai kemiringan menurut hipotesis nol)
ba : kemiringan alternatif (nilai kemiringan menurut hipotesis alternatif)
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
62
� Analisis Power
power oneslope b0 ba, n(numlist) [options]
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
sderror(numlist) : standar deviasi suku galat model regresi, default-
nya adalah sderror(1)
sdx(numlist) : standar deviasi kovariat, default-nya adalah
sdx(1)
diff(numlist) : selisih kemiringan b0 dan ba, dispesifikasikan
untuk menggantikan ba
Contoh 9.1:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
b0 = 0 ba = 0.5
sdx = 1 sderror = 1
. power oneslope 0 0.5
Estimated sample size for a linear
regression slope test
t test
Ho: b = b0 versus Ha: b != b0
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
63
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.5000
b0 = 0.0000
ba = 0.5000
sdx = 1.0000
sderror = 1.0000
Estimated sample size:
N = 34
Ukuran sampel yang dibutuhkan adalah 34 dengan ukuran efek
0.50.
2) Jika digunakan sderror = 2, maka
. power oneslope 0 0.5, sderror(2)
Estimated sample size for a linear
regression slope test
t test
Ho: b = b0 versus Ha: b != b0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.2500
b0 = 0.0000
ba = 0.5000
sdx = 1.0000
sderror = 2.0000
Estimated sample size:
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
64
N = 128
Ukuran sampel yang dibutuhkan adalah 128 dengan ukuran efek
0.25.
3) Jika digunakan sderror = 2 dan sdx = 0.5, maka:
. power oneslope 0 0.5, sderror(2) sdx(0.5)
Estimated sample size for a linear
regression slope test
t test
Ho: b = b0 versus Ha: b != b0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.1250
b0 = 0.0000
ba = 0.5000
sdx = 0.5000
sderror = 2.0000
Estimated sample size:
N = 505
Ukuran sampel yang dibutuhkan adalah 505 dengan ukuran efek
0.125.
b. Analisis Power
Misalkan dalam pelaksanaan studi terakhir dengan sderror = 2 dan
sdx = 0.5 hanya diperoleh ukuran sampel 400 subjek. Powernya adalah:
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
65
. power oneslope 0 0.5, sderror(2) sdx(0.5) n(400)
Estimated power for a linear regression slope
test
t test
Ho: b = b0 versus Ha: b != b0
Study parameters:
alpha = 0.0500
N = 400
delta = 0.1250
b0 = 0.0000
ba = 0.5000
sdx = 0.5000
sderror = 2.0000
Estimated power:
power = 0.7033
Diperoleh power sebesar 70.33%.
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
66
� Ukuran Sampel untuk Analisis Regresi
Linear Ganda
Model
Model pada analisis regresi linear ganda adalah:
iY = 0β +
1β 1iX + 2β 2iX + . . . +
pβ piX + iε
iY : respons pada subjek ke-i
0β : konstante
{ } 1 2, , . . . , pβ β β : himpunan koefisien regresi
{ }1 2, , . . . , pii iX X X : nilai himpunan kovariat pada subjek ke-i
iε : galat pada subjek ke-i
Sintaks
� Perhitungan Ukuran Sampel untuk Menguji Seluruh
Koefisien Regresi
power rsquared R2T [, power(numlist) options]
R2T : koefisien determinasi model menurut hipotesis alternatif
� Perhitungan Ukuran Sampel untuk Menguji Himpunan
Bagian Koefisien Regresi
power rsquared R2R R2F, ncontrol(numlist) [power(numlist)
options]
R2R : koefisien determinasi model tereduksi
R2F : koefisien determinasi model penuh
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
67
� Analisis Power
power rsquared R2T, n(numlist) [options]
Opsi:
n(numlist) : ukuran sampel (untuk analisis power)
alpha(numlist) : tingkat signifikansi, default-nya adalah
alpha(0.05)
power(numlist) : power, default-nya adalah power(0.8)
beta(numlist) : kesalahan tipe II, default-nya adalah beta(0.2)
ntested(numlist) : jumlah kovariat yang diuji, default-nya adalah
ntested(1)
ncontrol(numlist) : jumlah kovariat kontrol
Contoh 9.2:
a. Perhitungan Ukuran Sampel dengan Stata
1) alpha = 5% power = 80%
R-squared = 0.1
Diasumsikan hanya 1 kovariat yang akan diuji
Ukuran sampel yang dibutuhkan adalah:
. power rsquared 0.1
Estimated sample size for multiple linear
regression
F test for R2 testing all coefficients
Ho: R2_T = 0 versus Ha: R2_T != 0
Study parameters:
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
68
alpha = 0.0500
power = 0.8000
delta = 0.1111
R2_T = 0.1000
ntested = 1
Estimated sample size:
N = 73
Ukuran sampel yang dibutuhkan adalah 73 dengan ukuran efek
0.1111.
2) Sama seperti di atas, tetapi diasumsikan ada 3 kovariat yang akan
diuji.
. power rsquared 0.1, ntested(3)
Estimated sample size for multiple linear
regression
F test for R2 testing all coefficients
Ho: R2_T = 0 versus Ha: R2_T != 0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.1111
R2_T = 0.1000
ntested = 3
Estimated sample size:
N = 103
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
69
3) Akan diuji 1 kovariat dengan 2 kovariat kontrol
. power rsquared 0.1 0.15, ncontrol(2)
Estimated sample size for multiple linear
regression
F test for R2 testing subset of
coefficients
Ho: R2_F = R2_R versus Ha: R2_F != R2_R
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.0588
R2_R = 0.1000
R2_F = 0.1500
R2_diff = 0.0500
ncontrol = 2
ntested = 1
Estimated sample size:
N = 136
4) Akan diuji 3 kovariat dengan 2 kovariat kontrol
. power rsquared 0.1 0.15, ncontrol(2) ntested(3)
Estimated sample size for multiple linear
regression
F test for R2 testing subset of
coefficients
Ho: R2_F = R2_R versus Ha: R2_F != R2_R
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
70
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.0588
R2_R = 0.1000
R2_F = 0.1500
R2_diff = 0.0500
ncontrol = 2
ntested = 3
Estimated sample size:
N = 190
b. Analisis Power
Misalkan pada Contoh 9.2.a 2) di atas dalam pelaksanaannya hanya
diperoleh 87 subjek (seharusnya 103 subjek). Maka powernya adalah:
. power rsquared 0.1, n(87) ntested(3)
Estimated power for multiple linear regression
F test for R2 testing all coefficients
Ho: R2_T = 0 versus Ha: R2_T != 0
Study parameters:
alpha = 0.0500
N = 87
delta = 0.1111
R2_T = 0.1000
ntested = 3
Bab 9 Ukuran Sampel untuk Analisis Regresi Linear
71
Estimated power:
power = 0.7229
Power penelitiannya sesungguhnya adalah 72.29%.
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
73
BAB 10
UKURAN SAMPEL UNTUK
ANALISIS REGRESI LOGISTIK
� Ukuran Sampel untuk Analisis Regresi
Logistik Sederhana
Model
Model pada analisis regresi logistik sederhana adalah:
ln 1
i
i
Y
Y− =
0β + 1β iX
iY : respons biner pada subjek ke-i
0β : konstante
1β : koefisien regresi logistik
iX : nilai kovariat X pada subjek ke-i
Telaah Teoretik
Umumnya untuk analisis multivariat, terutama yang menggunakan
metode estimasi maximum likelihood tidak cara sederhana untuk menghitung
ukuran sampel. Whittemore (1980) menghasilkan metode yang cukup rumit
yang menghasilkan sejumlah tabel ukuran sampel untuk analisis regresi
logistik, yang terbatas untuk respons jarang (small response). Hsieh (1989)
mengembangkannya menjadi rumus yang relatif lebih sederhana, yang masih
digunakan sampai saat ini.
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
74
n = ( ) ( )
22
2
2
ˆ. 4 1 2
ˆ
Z Z exp b p
pb
α β δ + − + (10.1)
b : koefisien regresi; b = β = ln OR
p : peluang Y = 1 (atau estimasinya) pada titik rerata X;
P ( )1Y E X =
δ = ( ) ( )
( )
2 2
2
1 1 5 4
1 4
b exp b
exp b
+ +
+ − (10.2)
Contoh 10.1:
α = 0.05 → 2Zα = 1.96
β = 0.20 → Zβ = 0.84
OR = 2 → b = ln 2 = 0.6931
p = 0.2
Maka: δ = ( ) ( )
( )
2 2
2
1 1 5 4
1 4
b exp b
exp b
+ +
+ −
= ( )( ) ( )( )
( )( )
2 2
2
1 1 ln 2 5 ln 2 4
1 ln 2 4
exp
exp
+ +
+ −
= 1.960488 . . . ≈ 1.96
dan n = ( ) ( )
22
2
2
ˆ. 4 1 2
ˆ
Z Z exp b p
pb
α β δ + − +
= ( )( ) ( ) ( )( )
( ) ( )
22
2
1.96 0.84. ln 2 4 1 2 0.2 1.96
0.2 ln 2
exp + − +
= 135.8393 . . . ≈ 136
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
75
� Ukuran Sampel untuk Analisis Regresi
Logistik Ganda
Model Model pada analisis regresi linear ganda adalah:
ln 1
i
i
Y
Y− =
0β + 1β 1iX +
2β 2iX + . . . + pβ piX
iY : respons biner pada subjek ke-i
0β : konstante
{ } 1 2, , . . . , pβ β β : himpunan koefisien regresi logistik
{ }1 2, , . . . , pii iX X X : nilai himpunan kovariat pada subjek ke-i
Telaah Teoretik
Metode perhitungan ukuran sampel untuk analisis regresi logistik
ganda ini dikembang oleh Hsieh et al (1998) sebagai kelanjutan metode
perhitungan ukuran sampel untuk analisis regresi logistik sederhana di atas,
terutama ditujukan untuk menguji 1 kovariat yang berada dalam model
bersama sejumlah kovariat lain.
Misalkan akan dilakukan analisis regresi logistik sederhana dengan
kovariat 1X . Dengan rumus (10.1) didapatkan ukuran sampel yang
dibutuhkan yaitu 1n . Maka ukuran sampel yang dibutuhkan untuk analisis
regresi logistik ganda dengan p kovariat adalah:
Mn = 121.23...1 p
n
ρ− (10.3)
Bab 10 Ukuran Sampel untuk Analisis Regresi Logistik
76
21.23... pρ : kuadrat koefisien korelasi ganda antara 1X dengan himpunan
sisa kovariat { }2 3, , . . . , pX X X ; atau sama dengan koefisien
determinasi regresi (linear) 1X terhadap himpunan kovariat
{ }2 3, , . . . , pX X X .
Contoh 10.2:
Misalkan analisis regresi logistik sederhana pada Contoh 10.1 akan
dilanjutkan dengan analisis regresi logistik ganda dengan penambahan 3
kovariat 2X , 3X , dan 4X .
21.234ρ = 0.60
Mn = 121.23...1 p
n
ρ−
= 136
1 0.60−
= 340
77
KEPUSTAKAAN
Bausell RB, Li Y-F. Power Analysis for Experimental Research: A
Practical Guide for the Biological, Medical and Social Sciences.
Cambridge: Cambridge University Press, 2002.
Chow S-C, Shao J, Wang H. Sample Size Calculations in Clinical
Research, 2nd Ed. Boca Raton: Chapman & Hall, 2008.
Cumming G. Understanding the New Statistics: Effect Sizes, Confidence
Intervals, and Meta-Analysis. New York: Routledge, 2012.
Ellis PD. The Essential Guide to Effect Sizes: Statistical Power, Meta-
Analysis, and the Interpretation of Research Results. Cambridge:
Cambridge University Press, 2010.
Hsieh FY. Sample size tables for logistic regression. In Statistics in
Medicine, Vol 8, pp 795-802, 1989.
Hsieh FY, Bloch DA, Larsen MD. A simple method of sample size
calculation for linear and logistic regression. In Statistics in Medicine,
Vol 17, pp 1623-1634, 1998.
Lemeshow S, Hosmer Jr DW, Klar J, Lwanga SK. Adequacy of Sample
Size in Health Studies. Chichester: John Wiley & Sons, 1990.
Machin D, Campbell MJ, Tan SB, Tan SH. Sample Size Tables for Clinical
Studies, 3rd Ed. Chichester: Wiley-Blackwell, 2009.
Murphy KR, Myors B, Wolach A. Statistical Power Analysis: A Simple
and General Model for Traditional and Modern Hypothesis Tests,
4th Ed. New York: Routledge, 2014.
Ryan TP. Sample Size Determination and Power. Hoboken, New Jersey:
John Wiley & Sons, 2013.
StataCorp LLC. Stata Power and Sample-Size Reference Manual:
Release 15. College Station, Texas: Stata Press, 2017.
Whittemore AS. Sample size for logistic regression with small response
probability, SIAM Institute for Mathematics and Society. Stanford,
California: Stanford University, 1980.
79
Lampiran 1
Ikhtisar Beberapa Rumus
Perhitungan Ukuran Sampel
Untuk estimasi interval parameter Untuk uji hipotesis
Satu sampel, respons kontinu
n = ( )
22
2
2
.Z
I
α σ n =
( )2
2
2
.Z Z
diff
α β σ+
Satu sampel, respons biner
n = ( )
2
/2
2
aZ PQ
I
n =
2
0 0
2
A AZ P Q Z P Q
diff
α β +
Dua sampel, respons kontinu
n = ( )
22
2
2
2 .Z
I
α σ n =
( )2
2
2
2 .Z Z
diff
α β σ+
Dua sampel, respons biner
n = ( ) [ ]
2
2 1 1 2 2
2
.Z PQ P Q
I
α + n =
2
1 1 2 2
2
2Z PQ Z PQ P Q
diff
α β + +
Studi potong-lintang, estimasi interval prevalensi
n = ( ) ( )( )
2
/2
2
1a
Z Prev Prev
I
−
Studi kohort, estimasi interval RR
n = ( ) ( ) ( )
( )
2
2 1 1 2 2
2
. 1 1
1
Z p p p p
ln
α
ε
− + −
−
Studi kasus-kontrol, estimasi interval OR
m = ( ) ( ) ( ){ }
( )
2* * * *
2 1 1 2 2
2
. 1 1 1 1
1
Z p p p p
ln
α
ε
− + −
−
*1p =
( )( ) ( )
*2
* *2 2
ˆ .
ˆ . 1
OR p
OR p p+ −
81
Lampiran 2
Beberapa Nilai Z untuk
Perhitungan Ukuran Sampel
α = 0.01 2
Zα = 2.58 Zα = 2.33
α = 0.05 2
Zα = 1.96 Zα = 1.64
α = 0.10 2
Zα = 1.64 Zα = 1.28
1 − β = 0.70 Zβ = 0.52
1 − β = 0.80 Zβ = 0.84
1 − β = 0.90 Zβ = 1.28
83
Lampiran 3
Macam Ukuran Efek
Efek adalah hasil suatu intervensi yang terungkap pada perbandingan
antar grup atau derajat asosiasi antar dua variabel. Ukuran efek menyatakan
besar efek tersebut yang ditemukan dalam populasi. Besar dan arah efek ini
dalam populasi diestimasi dengan menggunakan sampel yang direkrut sesuai
persyaratan dengan ukuran sampel yang memadai.
Ellis (2010) membedakan macam ukuran efek menjadi dua kelompok
besar:
1. Ukuran perbedaan grup (famili d):
a. Perbedaan grup dengan respons biner
b. Perbedaan grup dengan respons kontinu
2. Ukuran asosiasi (famili r):
a. Indeks korelasi
b. Indeks proporsi variansi
Daftar selengkapnya ukuran efek menurut klasifikasi tersebut dimuat
pada tabel III.1 dan III.2 berikut.
84
Tabel III.1 Ukuran perbedaan grup: Famili d
a) Perbandingan grup dengan respons biner
RD Risk Difference:
Selisih probabilitas terjadinya suatu peristiwa/respons antar 2-grup.
RR Risk Ratio atau Rate Ratio:
Perbandingan probabilitas terjadinya suatu peristiwa/respons pada
suatu grup dengan probabilitas serupa pada grup lainnya.
OR Odds Ratio:
Perbandingan odds terjadinya suatu peristiwa/respons pada suatu
grup dengan odds serupa pada grup lainnya.
b) Perbandingan grup dengan respons kontinu
d Cohen’ d:
Selisih rerata tak-terkoreksi antar 2-grup, terstandardisasi
berdasarkan standar deviasi pooled.
∆ Glass’ delta:
Selisih rerata tak-terkoreksi antar 2-grup, terstandardisasi
berdasarkan standar deviasi grup kontrol
g Hedges’ g:
Selisih rerata terkoreksi antar 2-grup, terstandardisasi berdasarkan
standar deviasi pooled tertimbang.
PS Probabilitas superioritas:
Probabilitas sebuah nilai acak dari satu grup lebih besar daripada
nilai acak serupa dari grup lainnya
85
Tabel III.2 Ukuran asosiasi: Famili r
a) Indeks korelasi
r Koefisien korelasi produk momen Pearson
ρ Koefisien korelasi rank Spearman
τ Tau Kendall
PBr Koefisien korelasi poin-biserial
φ Koefisien phi:
Untuk tabel kontijensi 2×2
C Koefisien kontijensi Pearson:
Untuk tabel kontijensi
V Cramer’s V
λ Goodman and Kruskal’s lambda
b) Indeks proporsi variansi
2r Koefisien determinasi:
Untuk regresi bivariat
2R Koefisien determinasi ganda (tak-terkoreksi):
Untuk analisis regresi ganda
2adj R Koefisien determinasi ganda suaian (adjusted R-squared):
Suaian terhadap ukuran sampel dan jumlah prediktor
f Cohen’ f:
Kuantifikasi dispersi rerata pada tiga/lebih grup dalam ANOVA
2f Cohen’ f kuadrat:
Alternatif 2R pada analisis regresi ganda
2η Eta kuadrat atau rasio korelasi (tak-terkoreksi):
Untuk ANOVA
2ε Epsilon kuadrat:
Alternatif tak-bias untuk 2η
2ω Omega kuadrat:
Alternatif tak-bias untuk 2η
86
Sebagian di antara ukuran efek di atas merupakan ukuran yang sudah
lazim dikenal (RD, RR, OR; serta r, 2r , dan 2R ) ataupun telah dibahas pada
Bab 2 (d, ∆, g, dan PBr ). Rumus untuk beberapa ukuran lainnya yaitu:
1. Koefisien korelasi rank Spearman
ρ = 1 − ( ) ( )
( )
2
2
6
1
i iR X R Y
n n
−
−
∑ (III.1)
( )iR X : Ranking iX
( )iR Y : Ranking iY
n : Ukuran sampel
2. Tau Kendall:
τ = ( )1 2
c dn n
n n
−
− (III.2)
cn : jumlah pasangan konkordan (concordant)
dn : jumlah pasangan diskordan (discordant)
n : ukuran sampel
3. Koefisien phi:
φ =
2uji
n
χ (III.3)
2ujiχ : statistik penguji pada uji khi-kuadrat untuk tabel kontijensi
2×2
n : Ukuran sampel
4. Koefisien kontijensi Pearson:
C =
2
2
uji
ujin
χ
χ+ (III.4)
Digunakan untuk tabel kontijensi yang lebih besar daripada 2×2.
87
5. Cramer’s V:
V = ( )
2
1
uji
n q
χ
− (III.5)
q : min(r ; c)
r : jumlah baris (row)
c : jumlah kolom (column)
6. Goodman and Kruskal’s lambda:
λ = C D
C D
−
+ (III.6)
C : jumlah pasangan konkordan
D : jumlah pasangan diskordan
Seperti tau Kendall, tetapi pasangan ties tidak dihitung pada
denominator.
7. Koefisien determinasi ganda suaian:
2adj R = 1 −
( )1
SSE df
SSTo n − (III.7)
SSE : Jumlah kuadrat galat (error sum of squares)
SSTo : Jumlah kuadrat total (total sum of squares)
8. Cohen’s f:
f = ( )1truji
dfF
n
−
(III.8)
9. Cohen’s f kuadrat:
2f = 2
21
R
R− (III.9)
88
10. Eta kuadrat:
2η = SSTr
SSTo (III.10)
Untuk analisis variansi 1-arah:
SSTr : jumlah kuadrat perlakuan (treatment sum of squares)
SSTo : jumlah kuadrat total (total sum of squares_
11. Epsilon kuadrat:
2ε = trSSTr df MSE
SSTo
− (III.11)
trdf : derajat bebas perlakuan
MSE : kuadrat rerata galat (error mean square)
12. Omega kuadrat:
2ω = trSSTr df MSE
SSTo MSE
−
+ (III.12)
SSE : jumlah kuadrat galat (error sum of squares)