slide pelatihan statistika by fadjryani
TRANSCRIPT
PENDAHULUAN
KONSEP DASAR STATISTIKA
CONTOH PENERAPAN STATISTIKA DALAM PENELITIAN DI BIDANG FARMASI DAN KIMIA
UNIVERSITAS TADULAKO
OUTLINE
Tujuan Pelatihan
“Memahami konsep dasar statistika, peranan dan penerapannya dalam penelitian bidang farmasi dan kimia ”
“Memahami konsep dasar statistika, peranan dan penerapannya dalam penelitian bidang farmasi dan kimia ”
UNIVERSITAS TADULAKO
Sejarah Statistika
Spiegel (1961) statistika berasal dari kata status (negara)
Karl Pearson (abad ke 19) mengembangkan statistika modern dan terapannya dibidang kesehatan.
Raja Henry melakukan pencatatan kematian menurut jenis kelamin.
UNIVERSITAS TADULAKO
Tahun 1700anAn. Stat
Deskriptif
Tahun 1800anAn. Stat
Inferensia
Peranan Statistika
Bagi Para PenelitiMembantu memecahkan masalah penelitian yang penyelesaiannya membutuhkan metode statistika
Bagi Para PenelitiMembantu memecahkan masalah penelitian yang penyelesaiannya membutuhkan metode statistika
Bagi Para Pembimbing SkripsiMengarahkan mahasiswa untuk lebih teliti memilihuntuk menggunakan analisis statistika deskriptifatau statistika inferensia
Bagi Para Pembimbing SkripsiMengarahkan mahasiswa untuk lebih teliti memilihuntuk menggunakan analisis statistika deskriptifatau statistika inferensia
Bagi Para Penguji SkripsiMenambah kualitas lulusan sekaligus sebagai syarat
terpenuhinya asas etika
Bagi Para Penguji SkripsiMenambah kualitas lulusan sekaligus sebagai syarat
terpenuhinya asas etika
UNIVERSITAS TADULAKO
STATISTIKA is ……………..
• Statistika berasal dari statistik pendugaan parameter• Ilmu yang mempelajari dan mengusahakan agar data
menjadi informasi yang bermakna
Mengumpulkan data yang benar dan efisien
Menganalisis data dengan metode yang tepat
Menginterpretasikan dan menarik kesimpulan yang benar dan sah
terhadap hasil analisis
UNIVERSITAS TADULAKO
Populasi
Contoh
Sampling Pendugaan
Tingkat Keyakinan
Ilmu Peluang
Statistika Deskriptif vs
Statistika Inferensia
Deskriptif
Statistika
UNIVERSITAS TADULAKO
Statistika Deskriptif
Eksplorasi Upaya untuk melihat ke dalam data guna mengungkap informasi yang terkandung dalam data tersebut
manipulasi, penyarian/perangkuman, peragaan
Peragaan : tabel & grafik (histogram, diagram batang, diagram lingkaran/pie
chart, plot, dll.)
Peringkasan: ukuran pemusatan (mean, median, modus, quartil), ukuran penyebaran (ragam, standard deviasi, range, jarak antar kuartil)
0102030405060708090
Tw-1 Tw-2 Tw-3 Tw-4
Jabar
Jatim
Lampung79%
21%
Laki-Laki Perempuan
400500600700800900
1000
20 40 60 80 100 120Jarak (1000 Km)
Emis
i Hc
(ppm
)
Ukuran Pemusatan “Nilai tempat mengumpulnya sebagian besar data”
Mean rataan atau rata-rata Populasi Contoh
Median nilai yang membagi pengamatan menjadi dua bagian yang sama besar (50% < median, 50% > median)
Quartil nilai yang membagi pengamatan menjadi empat bagian yang sama besar (Q1 : 25% < Q1 & 75% > Q1, Q2=median, Q3 : 75% < Q3 & 25% > Q3)
Modus nilai yang paling sering muncul
2
1nx ~x
)1(
4
11 x n
Q
)1(
4
33 x n
Q
N
1i
i
N
x
n
1i
i
n
x x
Nilai mean sangat berpengaruh terhadap nilai ekstrim
Ragam : Populasi Contoh
Standard Deviasi akar kuadrat dari ragam: Pop= , Contoh=s
Range atau Wilayah Selisih nilai terbesar dengan terkecil
R = X[n] – X[1]
Jarak Antar Kuartil Selisih antara Q3 dengan Q1 (JAK=Q3-Q1)
N
i N1
2i2 )(x
n
i n
xs
1
2i2
1
)(x
2 2ss
UKURAN PENYEBARAN“Semakin besar nilainya berarti data
semakin bervariasi/beragam”
• Populasi : Keseluruhan pengamatan yang menjadi pusat perhatian
• Contoh : Himpunan bagian dari populasi (mewakili)• Parameter : Karakteristik numerik dari populasi• Statistik : Karakteristik numerik dari contoh• Peubah / Variabel : Ciri dari objek yang diamati
Istilah dalam Statistika
UNIVERSITAS TADULAKO
Sebuah karakteristik yang dapat mengandung BERBAGAI NILAI ANTAR OBJEK yang diamati baik dari contoh maupun populasi
Skala Pengukuran Peubah
Penting karena berdampak pada analisis yang digunakan
Definisi Peubah
Skala Pengukuran
Nominal
Ordinal
Interval
Rasio
Tinggi, Berat Badan
Suhu, nilai ujian
Tingkat pendidikan, kualitas buah
Agama, suku
Menggolongkan
Mengurutkan
Mengukur Jarak
Membandingkan
Kualitatif Kuantitatifvs
Cara Pengumpulan Data
No. Nama Paket A Paket B Paket C SMP Terbuka
Kursus
1. Andi √2. Budi √3. Cici √4. Dion √5. Eva √6. Firda √7. Gani √
Percobaan Survey / Observasi
Objek Pengamatan
Data
UNIVERSITAS TADULAKO
Prinsip Dasar Rancob
1. Pengulangan (Replication)
• Pengalokasian suatu perlakuan tertentu thd bbrp unit percobaan pada
kondisi seragam. • Tujuan : Meningkatkan ketepatan percobaan
Wajib hukumnya
UNIVERSITAS TADULAKO
2. Pengacakan (Randomization)
• Menjamin setiap perlakuan memperoleh
peluang yg sama utk diberikan pada
sembarang unit percobaan.
• Acak tidak sama dengan sembarangan,
maka dilakukan dengan pengundian
(pelemparan uang logam/dadu) atau
menggunakan tabel bilangan acak.
Lanjutan……………….
3. Pengendalian Lingkungan (Local
Control)
• Usaha mengendalikan keragaman akibat
heterogenitas kondisi lingkungan.
• Dilakukan dg pengelompokan (blocking)
satu/banyak arah. Pengelompokan yang baik
adalah jika keragaman dalam kelompok lebih
kecil dari keragaman antar kelompok.
• Kelompok dibuat berdasarkan kondisi atau
karakteristik obyek percobaan dg syarat
kelompok tidak berinteraksi dg perlakuan.
Kla
sifik
asi R
anco
b
Rancangan Perlakuan• berkaitan dg pembentukan
perlakuan-perlakuan. (Faktorial, Split Plot dan Split Blok)
Rancangan Lingkungan• berkaitan dg penempatan
perlakuan-perlakuan pada unit-unit percobaan. (RAL, RAK, RBSL)
Rancangan Pengukuran• berkaitan dg pengambilan
respon dari unit-unit percobaan.
UNIVERSITAS TADULAKO
Keterangan RAL RAK FaktorialCiri-ciri Satuan percobaan
homogenKeragaman respon hanya dipengaruhi oleh perlakuan dan galat
Satuan percobaan heterogenKeragaman respon dipengaruhi oleh perlakuan, kelompok dan galat
Perlakuan yang merupakan komposisi semua kemungkinan kombinasi dari taraf-taraf 2 faktor atau lebih
Keuntungan Permasalahan data hilang beih mudah ditangani
Ketepatan presisi kesimpulan lebih tinggi karena melihat perbedaan diantara kelompok
Mampu mendeteksi respon dari taraf masing-masing faktor dan pengaruh interaksi dua faktor
Kerugian Kurang efisien karena hanya untuk percobaan dengan jumlah perlakuan yang sedikit
Sulit untuk mengetahui pengaruh interaksi perlakuan * kelompok
Terdapat kesulitan dalam menyediakan satuan percobaan yang relatif homogen
UNIVERSITAS TADULAKO
Contoh Kasus Rancangan Lingkungan
RAL• Apabila lingkungan homogen
(status kesuburan tanah homogen), maka rancangan lingkungan yang tepat adalah RAL
RAK• Apabila kondisi lingkungan tidak
homogen, misalnya ada perbedaan kesuburan tanah yang disebabkan oleh arah kemiringan, maka rancangan lingkungan yang tepat adalah RAK
Datar
Kombinasi Perlakuan ditempatkan secara acak dan bebas pada petak percobaan
Arah kemiringan lahan
Kelompok 1 Kelompok 2 Kelompok 3
Pengacakan untuk setiap
kelompok harus
dipisahkan
Pengacakan untuk setiap
kelompok harus
dipisahkan
Pengacakan untuk setiap
kelompok harus
dipisahkan
PANDUAN PENGELOMPOKAN
Variabel Pengganggu Unit Percobaan
Perbedaan arah kesuburan Petak Percobaan
Perbedaan arah kandungan air/kelembaban
Perbedaan kemiringan
Perbedaan komposisi tanah
Arah terhadap sudut penyinaran matahari Rumah Kaca
Aliran air
Umur Orang/Partisipan
Kepadatan
Jenis kelamin
Usia
IQ
Pendapatan
Pendidikan
Sikap
Contoh Kasus Faktorial
Contoh Kasus Penelitian :Perbedaan lama sembuh pasien akibat penggunaan obat luka dan jenis yang
berbeda
Faktor
Obat Luka (O)
Respon
Lama Sembuh
Betadine(O1)
Taraf O = 3 taraf
Perlakuan
Perlakuan = kombinasi taraf faktor (3x2 = 6
buah)J1O1, J1O2, ... , J2O3
Faktor
Jenis Luka (J)
Nebacitin(O2)
Bioplasenton(O3)
Parah(J1)
Tidak Parah(J2)
Taraf J = 2 taraf
Faktorial
• Apabila kita melakukan percobaan dengan menggunakan lebih dari satu Faktor, kita namakan dengan percobaan Faktorial
• Faktorial: bukan Rancangan melainkan susunan perlakuan
• Percobaan faktorial adalah suatu percobaan yang perlakuannya terdiri atas semua kemungkinan kombinasi taraf dari beberapa faktor.
Sumber Keragaman
Derajat Bebas (db)
Jumlah Kuadrat
(JK)
Kuadrat Tengah (KT)
F-hitung F(α,dbp,dbg) P
Perlakuan dbp=t-1 JKP KTP KTP/KTG ……….. ………..
Blok dbb=r-1 JKB KTB KTB/KTG ……….. ………..
Interaksi dbi=(a-1)(b-1) JKAB KTAB KTAB/KTG ……….. ………..
Galat dbg=t(r-1) JKG KTG
Total dbt=tr-1 JKT
Dibandingkan untuk penarikan kesimpulan
Nilai α dipilih berdasarkan tingkat resiko penelitian yang dihadapi
STRUKTUR TABEL SIDIK RAGAM……….
Tolak Ho jika F-hitung > F tabelAtau tolak Ho jika nilai P < α
PERBANDINGAN RATA-RATA (UJI LANJUT)
A. Perbandingan terencana• LSD (Fisher)• BNJ (Tukey) • BNT• Duncan
B. Perbandingan tidak terencana• Kontras Ortogonal• Uji Dunnet
Survey
Seorang mahasiswa ingin mengetahui persepsi masyarakat di hulu sungai malinau Kaltim
tentang penyebab demam berdarah
Caranya ???
Masyarakat hulu sungai malinau
Populasi
Sebagian masyarakat hulu sungai malinau
Contoh
Kumpulkan data tentang persepsi mereka
Data yang terkumpul diolah dengan metode
statistika
Interpretasi dan Kesimpulan
ILUSTRASI
Menurut kamu lebih baik mana? (A) Dapat informasi terperinci yang akurat dari beberapa individu saja atau (B) berusaha dengan cepat
mendapatkan sedikit informasi dari banyak
individu?
Hmm…. Mana ya??
Saya Cuma mau bilang bahwa dari 100 orang
pasien yang saya survey itu ternyata mereka semua menderita penyakit………
Mengapa harus contoh ?
Pengamatan kadang bersifat merusak
Mustahil mengamati seluruh anggota
populasi
Sumber daya terbatas
Waktu yang tersdia terbatas
Bagaimana caranya dengan menggunakan data contoh kita dapat mengambil kesimpulan terhadap populasi ?
Peranan Metode Sampling
• Mendapatkan sampel yang mewakili (representatif) populasi– Memilih metode yang tepat– Menentukan jumlah sampel yang memadai sesuai
dengan tingkat akurasi yang diharapkan
• Metode Sampling : Probability vs Non Probability Sampling
HIPOTESIS PENELITIAN
Anjing : Gan, kira-kira sebentar akan turun hujan gak ya?
Bocah : Gak tau ya bro...menurut aku sih bakal turun hujan, tuh langit kelihatan
mendung....Anjing : Ah... Belum tentu gan kan
mendung tak berarti hujan.Bocah : oh...iya ya. Kalau begitu mari kita
uji hipotesisnya terlebih dahulu
Tapi kalo gak hujan, kenapa atuh saudaraku kebanjiran??? Aneh pisan...........
Hipotesis Statistik: Pernyataan/dugaan mengenai parameter populasi yang ingin dibuktikan kebenarannya
H0 hipotesis nol
H1 atau Ha hipotesis satu atau hipotesis alternatif
Misalnya:
H0: =60 vs H1: ≠60 uji dwi arah
H0: =160 vs H1: >160 uji eka arah
H0: =500 vs H1: <500 uji eka arah
Pengujian Hipotesis
Berdasarkan data yang dikumpulkan, H1 atau H0 yang benar ?
Pengujian Hipotesis (lanjutan)
H0 benar H1 benar
Hasil Pengujian
H0 benar Benar Salah Jenis 1 (
Salah Jenis 2 (
H1 benar
Keadaan Sebenarnya
Benar
= Peluang menolak H0 padahal H0 benar
= Peluang menerima H0 padahal H1 yang benar
Pengujian Hipotesis (lanjutan)
Secara Umum:
Satu Nilai Tengah Populasi: H0: = 0 vs H1: 0
H0: 0 vs H1: > 0
H0: 0 vs H1: < 0
Dua Nilai Tengah Populasi:
Saling Bebas Berpasangan
H0: 1= 2 vs H1: 1 2 H0: D = 0 vs H1: D 0
H0: 1 2 vs H1: 1> 2 H0: D 0 vs H1: D > 0
H0: 1 2 vs H1: 1< 2 H0: D 0 vs H1: D < 0
Pengujian Hipotesis (lanjutan)
Beberapa langkah yang perlu diperhatikan dalam pengujian hipotesis:(1) Tuliskan hipotesis yang akan diuji
Ada dua jenis hipotesis:– Hipotesis sederhana
Hipotesis nol dan hipotesis alternatif sudah ditentukan pada nilai tertentu• H0 : = 0 vs H1 : = 1
• H0 : 2 = 02 vs H1 : 2 = 1
2 • H0 : P = P0 vs H1 : P = P1
– Hipotesis majemukHipotesis nol dan hipotesis alternatif dinyatakan dalam interval nilai tertentub.1. Hipotesis satu arah H0 : 0 vs H1 : < 0
H0 : 0 vs H1 : > 0
b.2. Hipotesis dua arah H0 : = 0 vs H1 : 0
(2). Deskripsikan data sampel yang diperoleh (hitung rataan, ragam, standard error dll)
(3). Hitung statistik ujinyaStatistik uji yang digunakan sangat tergantung pada sebaran statistik dari penduga parameter yang diuji
CONTOHH0: = 0 maka maka statistik ujinya bisa t-student atau normal baku (z) atau
(4). Tentukan batas kritis atau daerah penolakan H0Daerah penolakan H0 sangat tergantung dari bentuk hipotesis alternatif (H1)CONTOH
H1: < 0 Tolak H0 jika th < -t(; db)(tabel)H1: > 0 Tolak H0 jika th > t(; db)(tabel)H1: 0 Tolak H0 jika |th | > t(/2; db)(tabel)
(5). Tarik kesimpulan
ns
xth
/0
n
xzh
/0
Suatu industri farmasi memproduksi tablet dengan menggunakan 3 mesin yang berbeda, yakni mesin A, mesin B dan mesin C. Sampel-sampel diambil secara periodik. Sebanyak 4 sampel tablet diambil dan beratnya ditimbang (dalam mg). Hasilnya adalah sebagaimana dalam tabel di bawah ini. Data diasumsikan mengikuti distribusi normal. Apakah ada perbedaan berat tablet yang dihasilkan antara 3 mesin?
Mesin A Mesin B Mesin C
277 271 275
282 274 276
279 271 267
276 273 274
Bentuk pengujian hipotesis :Ho : tidak ada ada perbedaan tablet dengan menggunakan 3 mesinH1 : ada perbedaan tablet dengan menggunakan 3 mesin
Rancangan Acak Lengkap (RAL)
Pembuatan Tablet Menggunakan Mesin 1= M1
Pembuatan Tablet Menggunakan Mesin 2= M2
Pembuatan Tablet Menggunakan Mesin 3= M3
Faktor: Variabel Bebas (X) yaitu variabel yang di kontrol oleh peneliti Dalam hal ini faktornya adalah faktor mesinBiasanya disimbolkan dengan huruf kapital, misal Faktor Mesin disimbolkan dengan huruf M. Taraf/Level: Faktor terdiri dari beberapa taraf/level Biasanya disimbolkan dengan huruf kecil yang dikombinasikan dengan subscript angka. Dalam hal ini terdapat 3 taraf dari Faktor Mesin adalah: M1, M2, M3
Perlakuan: merupakan taraf dari Faktor atau kombinasi taraf dari faktor.
Untuk Faktor Tunggal: Perlakuan = Taraf Faktor M1, M2, M3 Apabila > 1 Faktor: Perlakuan = Kombinasi dari masing-masing taraf Faktor Misal: M1N0; M1N1; dst Respons: Variabel tak bebas (Y) yaitu: variabel yang merupakan sifat atau parameter dari satuan percobaan yang akan diteliti sejumlah gejala atau respons yang muncul karena adanya peubah bebas. Dalam kasus ini yang menjadi var.respon adalah hasil perbedaan berat tablet
Pengacakan dan Tata Letak Percobaan
• Misal kita merancang :
Perlakuan (t) = 3 taraf , misal M1,M2 dan M3
Ulangan (r) = 4 kali
• M1, M1, M1, M1
M2, M2, M2, M2
M3, M3, M3, M3
• Diperoleh :
tr = 3x4 = 12 satuan percobaan
Perlakuan tersebut kita tempatkan secara acak
ke dalam 12 satuan percobaan
M1 M2 M3
M2 M1 M3
M3 M2 M1
M1 M3 M2
M2 M1 M3
M1 M3 M2
M3 M2 M1
M1 M2 M3
M2 M1 M3
M1 M2 M3
M1 M3 M2
M3 M2 M1
Tabulasi Data
Ulangan Perlakuan Total BarisM1 M2 M3
1 Y11 Y21 Y31 Y.1
2 Y12 Y22 Y32 Y.2
3 Y13 Y23 Y33 Y.3
4 Y14 Y24 Y34 Y.4
Total Kolom
Y1. Y2. Y3. Y..
Tabulasi Data Rancangan Acak
Lengkap dengan 3 Perlakuan dan 4
Ulangan
OUTPUTOne-way ANOVA: Berat Tablet versus Mesin
Source DF SS MS F PMesin 2 93,17 46,58 5,39 0,029Error 9 77,75 8,64Total 11 170,92
S = 2,939 R-Sq = 54,51% R-Sq(adj) = 44,40%
Individual 95% CIs For Mean Based on Pooled StDevLevel N Mean StDev --+---------+---------+---------+-------1 4 278,50 2,65 (---------*--------)2 4 272,25 1,50 (---------*--------)3 4 273,00 4,08 (--------*--------) --+---------+---------+---------+------- 269,5 273,0 276,5 280,0
Pooled StDev = 2,94
F-hit ≤/≥ F-tabel P value ≤/≥ α
INTERPRETASI OUTPUT ANOVA
• Anggap pada kasus ini kita menggunakan α = 5%• Pada tabel ANOVA menunjukkan nilai F-hitung sebesar 5,39.
Jika kita lihat Tabel F(5%;2;9) = 4,26. Karena nilai F-hitung lebih besar daripada F-tabel maka kesimpulannya adalah tolak Ho. Artinya ada perbedaan berat tablet yang diproduksi oleh masing-masing mesin.
• Selain membandingkan antara nilai F-hitung dan F-tabel, juga bisa melihat perbandingan antara nilai-p dengan α. Dari tabel ANOVA diperoleh nilai-p sebesar 0,029 kurang dari taraf nyata 5%. Ini artinya bahwa kita menolak hipotesis nol. Atau dengan kata lain ada perbedaan yang signifikan antara ketiga macam berat tablet yang diproduksi oleh masing-masing mesin.
Ti Bagian Penting dari Analisis Regresi
Variabel bebas dan variabel tak bebas ????
Persamaan Regresi2
1
Interpretasi3
TELADAN
Konsentrasi (ppm)
Intensitas Fluoresensi (%)
0 0.2
1 3.6
2 7.5
3 11.5
4 15.0
5 17.0
6 20.4
7 22.7
8 25.9
9 27.6
10 30.2
Dalam analisis instrumental diperoleh hubungan antara konsentrasi dengan sinyal intensitas fluoresensi (%) sebagai berikut :
1. Variabel bebas (X) ?2. Variabel respon (Y)?3. Uji asumsi terpenuhi atau tidak?
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate Durbin-Watson
1 .995a .990 .989 1.027 .606
a. Predictors: (Constant), Konsentrasi
b. Dependent Variable: Intensitas_Fluoresensi
ANOVAb
Model
Sum of
Squares df Mean Square F Sig.
1 Regression 984.009 1 984.009 932.219 .000a
Residual 9.500 9 1.056
Total 993.509 10
a. Predictors: (Constant), Konsentrasi
b. Dependent Variable: Intensitas_Fluoresensi
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1.555 .580 2.682 .025
Konsentrasi 2.991 .098 .995 30.532 .000 1.000 1.000
a. Dependent Variable: Intensitas_Fluoresensi
R2 adalah koefisien determinasi. Digunakan untuk melihat seberapa besar sumbangan X terhadap keragaman Y. Mendekati 100% lebih baik.
Nilai F-hitung pada regresi digunakan untuk melihat pengaruh variabel secara simultan. F-hitung dibandingkan dengan F-tabel (F(α;dbg;dbr)) atau nilai sig. dengan α
Nilai t-hitung pada regresi digunakan untuk melihat pengaruh variabel secara simultan. t-hitung dibandingkan dengan t-tabel (t(α;n-1)) atau nilai sig. dengan α
xY
xbboY
299,1555,1
1
Tampak bahwa titik-titik pengamatan mengikuti garis lurus, tidak ada data yang memencil apalagi ekstrim.
Fungsinya untuk memprediksi suatu nilai yang terletak diantara dua nilai yang diketahui