You are on page 1of 112

0

BAB I
PENDAHULUAN

A. SEJARAH SINGKAT STATISTIK.


Kata Statistik berasal dari bahasa lain, yaitu status yang berarti negara, karena
pada mulanya statistik hanya menyangkut urusan-urusan negara seperti
masalah kependudukan, namun saat ini statistik telah diperlukan oleh seluruh
aspek

kehidupan

seperti

dunia

kedokteran,

ekonomi,

pertanian

dan

sebagainya termasuk kesehatan masyarakat.


Statistik mulai dikenal pada abad 17 disaat sedang marak-maraknya perjudian
dan statistik digunakan untuk melihat peluang ( probabilitas ) didalam
perjudian. Pada Tahun 1749 Marsque Caplore memperkenalkan teori peluang
dan Carl Friedrich Gauss ( 1777 1853 ) memperkenalkan teori Normal Curve
of Error.

Francis Bolton (1822 1911) memperkenalkan teori Regresi dan

Korelasi sedangkan Chi-Square ( X2 ) diperkenalkan oleh Carl Pearson ( 1857


1936 ) pada Tahun 1900. Pada abad 20 pengembangan study statistik
dilakukan oleh William Gosset dan Sir Ronald Fischer yang memperkenalkan
Student t Distibution dan Distribution F . Saat ini perkembangan aplikasi
statistik semakin pesat dengan pemanfaatan komputer.

B. PENGERTIAN STATISTIK
Defiinisi Statistik menurut Undang-Undang Nomor 7 Tahun 1960 tentang
statistik :

Statistik adalah keterangan berupa angka yang memberikan

gambaran yang wajar dari seluruh ciri kegiatan dan keadaan masyarakat
Indonesia

Definisi lain tentang statistik yaitu : Statistik adalah sekumpulan konsep dan
metode yang digunakan unutuk mengumpulkan dan menginterpretasi data
tentang bidang kegiatan tertentu dan mengambil kesimpulan dalam situasi
dimana ada ketidakpastian dan variasi
Secara umum statistik adalah disiplin ilmu yang mempelajari metode dan
prosedur pengumpulan, penyajian, analisa dan penyimpulan suatu data
mentah agar menghasilkan informasi yang lebih jelas untuk suatu pendekatan
ilmiah. Dari pengertian tersebut ada 2 (dua) prinsip dalam statistik yaitu :
1. Sekumpulan data yang menerangkan sesuatu dan atau sifat sekumpulan
data
2. Sekumpulan cara / meode/ aturan tentang pengumpulan, pengolahan,
penganalisaan, penafsiran/ interpretasi dan penarikan kesimpulan dari
suartu data.

C. BIOSTATISTIK
Biostatistik merupakan aplikasi metode statistik terhadap masalah-masalah
dibidang kesehatan.

Jadi Biostatistik bukan merupakan ilmu dasar (basic

sciences), tetapi lebih tepat dikatakan sebagai ilmu terapan (applied


Sciences).
Penggunaan Biotatistik dalam bidang kesehatan antara lain di pakai untuk
1. Mengukur peristiwa-peristiwa penting (vital event) yang terjadi dalam
masyarakat.
2. Mengukur status kesehatan dan mengetahui masalah kesehatan yang
terdapat pada berbagai kelompok masyarakat.

3. Membandingkan status kesehatan masyarakat di satu tempat dengan


tempat lainnya atau status kesehatan masyarakat sekarang dengan masa
lampau.
4. Meramalkan status kesehatan masyarakat dimasa-masa mendatang.
5. Evaluasi proses, keberhasilan dan kegagalan suatu program kesehatan
atau pelayanan kesehatan yang sedang dilaksanakan
6. Keperluan estimasi tentang kebutuhan masyarakat terhadap pelayanan
kesehatan serta menentukan target tujuan
7. Keperluan penelitian dibidang kesehatan
8. Perencanaan dan system administrasi kesehatan
9. Keperluan publikasi ilmiah di media massa.

D. PERAN DAN FUNGSI STATISTIK.


Statistik memiliki Peranan dan fungsi sebagai berikut :
1. Sebagai ilmu
Ssebagai ilmu statistik berisi konsep dan metode pengumpulan data,
pengolahan data, penyajian data dan analisa data serta interpretasi data.
2. Membuat data berbicara
Statistik membuat data menjadi lebih mudah untuk dimengerti dan
membuat data menjadi lebih memiliki arti dengan merubah data menjadi
informasi melalui langkah-langkah statistik
3. Merancang penelitian sampai interpretasi hasil penelitian.
Didalam kegiatan penelitian statistik berperanan dalam merancang
pengumpulan data, pengolahan data, penyajian data dan analisa data
sampai dengan interpretasi data.
E. DIAGRAM PEMBAGIAN STATISTIK

Pembagian statistik secara sederhana dapat digambarkan sebagai berikut :

Data Sampel

Disusun
Disajikan
Dianalisa

Statistik
Diskriptif

Estimasi
Prediksi
Uji Hipotesis

Statistik
Inferens

Parameter

Statistik
Non Parametrik

Statistik
Parametrik

Gambar 1
Diagram Pembagian Statistik

F. KONSEP/ ISTILAH DALAM STATISTIK


Didalam statistik terdapat beberapa konsep atau istilah yang harus dipahami
pengertiannya, yaitu :
1. Statistik Diskriptif :
Bagian dari ilmu statistik yang mengupas hanya mengenai penyusunan
data dan tabel serta pembuatan grafik dan hal lain yang tidak menarik
kesimpulan yang sifatnya umum (generalisasi) dan tidak digunakan untuk
melakukan peramalan ( prediksi ), penaksiran ( estimasi ) dan Uji
Hypotesis.

Statistik

diskriptif

hanya

sekumpulan data yang sudah diolah.

memberikan

gambaran

dari

Kedalaman gambaran yang

diberikan statistik diskriptif tergantung dari tujuan kajian/ penelitian.

2. Statistik Inferens :
Bagian dari ilmu statistik yang dapat menarik kesimpulan umum
( generalisasi) pada sesuatu kelompok dengan cara melakukan analisa
data yang diperoleh melalui observasi/ pengukuran terhadap sebagaian
anggota kelompok yang diperkirakan dapat mewakili kelompok secara
keseluruhan. Statistik inferens dapat digunakan untuk maksud peramalan
(prediksi) dan penaksiran (estimasi) serta melakukan uji hypotesis
3. Statistik Parametrik :
Statistik yang digunakan untuk sekumpulan data kuantitatif yang hasilnya
dapat menarik kesimpulan secara umum (generalisasi/ Inferensial).
Statistik Parametrik digunakan untuk data dengan skala interval atau ratio
yang diambil dari populasi yang berdidtribusi normal
4. Statistik Non parametrik :
Statistik yang digunakan untuk sekumpulan data kualitatif yang hasilnya
dapat menarik kesimpulan secara umum (generalisasi). Statistik non
parameterik digunakan untuk data dengan skala nominal atau ordinal.
Populasi tidak bebas dari distribusi, jadi tidak mempermasalahkan apakah
populasi berdistribusi normal atau tidak normal.
5. Parameter :
Karakteristik dan atau sifat dari suatu populasi.
Sebagai contoh :
( dibaca : Miu ) adalah nilai rata-rata pada populasi
( dibaca : Tho ) adalah simpangan baku pada populasi
6. Statistik :
Karakteristik dan atau sifat dari sampel.
Sebagai Contoh :
5

x ( dibaca : Mean ) adalah nilai rata- rata pada sampel


SD ( Standard Deviasi ) adalah Simpangan baku pada sampel
7. Variabel :
Karakteristik atau sifat yang akan diukur atau diamati yang nilainya
bervariasi antara satu obyek dengan obyek lainnya.
8. Data :
Data merupakan bentuk jamak dari datum yang berarti angka/ bilangan/
nilai, jadi data adalah himpunan angka-angka atau nilai dari unit sampel
sebagai hasil dari mengukur atau mengamati dan bersifat agregat.
9. Agregate :
Keseluruhan kumpulan nilai-nilai observasi yang merupakan satu kesatuan
dan setiap nilai hanya mempunyai arti sebagai bagian dari keseluruhan
tersebut.
10. Raw data :
Data yang belum mengalami pengolahan ( Data mentah / masih asli )
11.Array :
Data yang sudah disusun dalam urutan tertentu (biasanya dari kecil ke
besar)

G. KEGIATAN STATISTIK
Kegiatan didalam statistik umumnya dibagi menjadi 4 tahapan yang bersifat
kronologis dan tidak dapat dipisahkansatu sama lain
1. Pengumpulan data,
Suatu kegiatan yang dilakukan untuk memperoleh data yang diharapkan
Paling tidak ada 4 ( empat ) cara yang dapat digunakan untuk
mengumpulkan data

a. Pengamatan/

Observasi,

yaitu

pengumpulan

data

dengan

menggunakan Panca Indera


b. Wawancara/ Interview, yaitu melakukan tanya jawab secara lisan dan
bertatap muka antara peneliti/ pewawancara dengan responden
c. Angket, yaitu menyebarkan daftar isian untuk diisi oleh responden
d. Pengukuran, yaitu melakukan penilaian sesuai dengan standar
2. Pengolahan data,
Proses yang dilakukan untuk merubah data menjadi informasi agar data
menjadi lebih mudah dimengerti dan lebih memberi arti.
Langkah-langkah pengolahan data adalah :
a. Editing, yaitu

pemeriksaan

alat pengumpul data

untuk melihat

kelengkapan data yang dikumpulkan


b. Coding, yaitu pemberian kode-kode tertentu untuk untuk membuat
pengelompokan tertentu dan memudahkan didalam pengolahannya
c. Cleaning, yaitu pemeriksaan kembali data yang sudah siap dianalisa,
apakah semua data sudah masuk secara lengkap atau belum.
d. Pengolahan data, yaitu menerapkan prinsip-prinsip statistik terhadap
data yang telah dikumpulkan
3. Penyajian Data,
Suatu kegiatan menampilkan data agar lebih mudah di analisis dan lebih
mudah untuk dimengerti
4. Analisa/ Interpretasi data
Telaahan data dengan menggunakan prinsip-prinsip statistik dengan tujuan
merubah data menjadi informasi untuk menarik suatu kesimpulan .

BAB II
DATA DAN SKALA PENGUKURAN

Data merupakan kumpulan fakta yang digunakan untuk keperluan analisa,


diskusi, presentasi ilmiah maupun uji statistik.

Data dapat berupa status,

keterangan dan hal lainnya yang dikumpulkan secara individu maupun


institusional.

A. SYARAT DATA:
Data data yang dikumpulkan haruslah data yang baik dan data yang baik
harus memenuhi beberapa persyaratan sebagai berikut :
a 1. Obyektif
b

Data yang baik harus menggambarkan karakteristik yang diukur apa

adanya (sesuai faktanya), tidak boleh ada intervensi atau rekayasa apapun
terhadap data karena akan menghasilkan informasi yang salah.
2. Representatif
c

Data harus dapat mewakili keadaan sebenarnya darimana data

berasal.

Sebagai contoh apabila kita ingin meneliti status Gizi Balita

dengan metode Antophometri, maka kita jangan melakukan pengukuran


terhadap anak SD.
3. Kesalahan sekecil mungkin
Data yang baik diperoleh dari pengumpulan data dengan kesalahan
sekecil mungkin.

Untuk menekan tingkat kesalahan dapat dilakukan

dengan memberikan training/ pelatihan kepada petugas pengumpul data


agar mempunyai persepsi dan pengertian yang sama tentang data yang
akan dikumpulkan.

4. Up To Date
d

Data yang baik untuk digunakan haruslah data terbaru (mutakhir)

dan data terbaru bukan berarti harus baru diambil dilapangan pada saat
penelitian karena penelitian dengan menggunakan data sekunder tidak
melakukan pengambilan data dilapangan, maka data terbaru dalam
penelitian menggunakan data sekunder berarti menggunakan data yang
diambil yang paling terakhir.

Misalnya terdapat data sekunder hasil

pengumpulan data tahun 1998, 1999 dan tahun 2000, maka data yang
sebaiknya digunakan adalah data tahun 2000 walaupun data tersebut
diperoleh 2 tahun yang lalu, tetapi dibandingkan dengan data sekunder
lainnya data tahun 2000 merupakan data terbaru.
5. Relevan
Data yang akan diolah harus merupakan data yang sesuai dengan tujuan
penelitian.

Sebagai contoh penelitian mengenai obesitas (kegemukan)

dilakukan pengukuran terhadap tinggi badan dengan asumsi semakin


tinggi badan seseorang maka akan semakin berat badannya. Hal seperti
ini tidak dapat dibenarkan, bila ingin mengukur obesitas gunakanlah
timbangan untuk memperoleh data berat badan.
6. Valid
e

Data yang diperoleh harus benar-benar berasal dari sumbernya.

Terdapat dua macam validitas data yaitu validitas eksternal dan validitas
internal
f

Validitas eksternal data yaitu validitas yang dipengaruhi oleh

sumber data, misalnya ingin meneliti tentang kanker payudara tetapi


didalam sample penelitian terdapat laki-laki.

Validitas internal data dipengaruhi oleh petugas pemeriksa maupun

alat ukur yang digunakan, misalnya memeriksa Hb dalam darah


menggunakan Haemometer Sahli dan petugas pemeriksanya adalah
seorang perawat, maka validitas internal akan kurang karena sebaiknya
alat yang digunakan adalah spektrofotometer dan petugas pemeriksa
adalah seorang analis.
h
B. MACAM-MACAM DATA
1. Menurut Jenisnya :
Menurut jenisnya data dibagi menjadi 2 bagian, yaitu :
i

a. Data Kualitatif,
Data yang bukan berupa bilangan atau angka misalnya pernyataan
setuju,

tidak

setuju,

keterangan,

pendapat

seseorang,

tingkat

pendidikan, jenis kelamin.


j

b. Data Kuantitatif,
Data dalam bentuk angka atau bilangan misalnya 50 Kg, 180 cm 24 mg/
liter dan sebagainya
Data Kuantitatif dapat dibagi menjadi dua bagian berdasarkan cara
memperolehnya
1) Data Diskrit, yaitu data dalam bentuk bilangan bulat yang diperoleh
dari hasil menghitung, misalnya jumlah anak, lama perwatan dll
2) Data Kontinyu, yaitu data dapat dalam bentuk bilangan bulat maupun
bilangan desimal yang diperoleh dari hasil mengukur, misalnya, 167,8
cm atau 56,4 kg dan sebagainya

10

2. Menurut Sumbernya:
Berdasarkan sumbernya data dapat dibagi menjadi 3 macam sebagai
berikut ;
k

a. Data Primer
Data primer dapat diartikan sebagai data yang dikumpulkan sendiri oleh
peneliti dari kelompok yang diteliti. Pada keadaan tertentu data primer
dapat diartikan sebagai data yang belum mengalami pengolahan,
penelitilah yang pertama kali mengolah data tersebut walaupun data
tersebut tidak dikumpulkan oleh peneliti secara langsung dari sumber
datanya.
b. Data Sekunder,

Data yang dimiliki oleh instansi tertentu dan digunakan oleh peneliti,
telah dilakukan pengolahan oleh pemiliknya tetapi tidak/ belum
dipublikasikan secara luas
Data sekunder dapat dibagi menjadi dua :
1) Data sekunder internal, yaitu data sekunder yang diperoleh dari
lingkungan sendiri.
m 2) Data sekunder Eksternal, yaitu data sekunder yang diperoleh dari
lingkungan luar .
c. Data tertier,
Data yang sudah diolah dan dipublikasikan kemudian digunakan oleh
peneliti, dengan kata lain data ini sudah berupa informasi.
Keuntungan dan Kerugian ketiga data menurut sumbernya adalah
sebagaimana tabel berikut :

11

Tabel 1
KEUNTUNGAN DAN KERUGIAN DATA MENURUT SUMBERNYA
DATA
Primer

Sekunder

Tertier

KEUNTUNGAN
Terbaik, karena sesuai dengan
keinginan
peneliti
dan
pengumpulan
data
dapat
langsung dikontrol
Data sudah siap tersedia,
Waktu, tenaga dan biaya
relatif sedikit

KERUGIAN
Memerlukan waktu, biaya, dan
tenaga yang besar

Pengumpulan data tidak dapat


dikontrol, dapat terjadi bias
Ada hal-hal yang dibutuhkan
tidak terambil
Mudah memperoleh dan tidak Data sudah diproses tanpa dapat
memerlukan pengolahan lagi
dikontrol
Hal-hal penting bisa banyak yang
hilang.

C. SKALA PENGUKURAN
Didalam statistik dikenal 4 ( empat ) Skala pengukuran, yaitu : Nominal,
Ordinal, Interval dan Ratio ( NOIR ).

Skala pengukuran sangat penting,

karena akan menentukan jenis data yang akan dikumpulkandan jenis statistik
yang akan digunakan untuk memperoleh hasil penelitian.
1. Nominal :
Merupakan skala pengukuran paling rendah, skala ini hanya dapat
membedakan saja,
kelipatannya.

tidak dapat menentukan tingkatan, jarak maupun

Contohnya jenis kelamin ( laki-laki perempuan ) dan

Golongan darah ( A, B, AB, O )


2. Ordinal :
Adalah skala pengukuran yang

dapat membedakan dan dapat melihat

tingkatan suatu nilai tetapi tidak diketahui jaraknya, misalnya tingkat


pendidikan (SD, SMP, SMU, Perguruan Tinggi).
3. Interval :

12

Adalah skala pengukuran yang dapat membedakan , terlihat tingkatannya


dan dapat diketahui jaraknya tetapi tidak dapat mengukur kelipatannya,
misalnya suhu, derajat keasaman, tekanan darah dan lainnya . Catatan
lain skala interval ini adalah mempunyai titik nol yang tidak absolut ( nol
relatif ).
Maksud dari Nilai nol relative adalah bahwa nilai nol memang merupakan
suatu nilai, misalnya suhu air O 0 C bukan berarti air tidak mempunyai suhu.
Lain halnya dengan nol absolute dimana nilai nol berarti kosong atau tidak
bernilai, misalnya berat badan 0 kg berarti kosong atau tidak ada beratnya.
4. Ratio :
Skala ini merupakan skala pengukuranyang tertinggi karena , dapat
membedakan,

terlihat

tingkatannya,

diketahui

jaraknya

dan

dapat

mengukur kelipatannya, misalnya tinggi badan dan berat badan. Catatan


lain skala ini mempunyai nilai nol absolut
Untuk memudahkan didalam membedakan masing-masing skala pengukuran
ini dapat dipergunakan tabel berikut :
Tabel 2
CIRI- CIRI TIAP-TIAP SKALA PENGUKURAN
CIRI CIRI
Dapat Membedakan
Ada tingkatan
Ada Jarak
Ada kelipatan

NOMINAL
Ya
Tidak
Tidak
Tidak

ORDINAL
Ya
Ya
Tidak
Tidak

INTERVAL
Ya
Ya
Ya
Tidak

RATIO
Ya
Ya
Ya
Ya

Skala pengukuran yang lebih tinggi dapat diubah menjadi skala pengukuran
yang lebih rendah, tetapi skala pengukuran yang lebih rendah tidak dapat
diubah menjadi skala pengukuran yang lebih tinggi, mislnya berat badan
dalam kilogram (skala Ratio) dikelompokkan menjadi berat dan ringan (Skala
Ordinal), karenanya didalam pengumpulan data sebaiknya data dikumpulkan
13

dalam skala tertingginya.

Misalnya data berat jangan dikumpulkan dalam

kategori berat dan ringan, tetapi dikumpulkan dalam kilogram agar tidak ada
informasi yang hilang.

D. PENGUMPULAN DATA
1. Metode Pengumpulan Data
Kegiatan pertama dari kegiatan statistik adalah pengumpulan data dimana
terdapat beberapa metode pengumpulan data yang biasanya dilakukan
dilakukan sesuai dengan sifat data yang akan dikumpulkan, yaitu :
b. Pengamatan.
Pengumpulan

data

dengan

cara

pengamatan

adalah

dengan

mempergunakan panca Indera, baik dengan cara memperhatikan secara


berulang dan terus menerus terhadap obyek/ sumber maupun dengan
menggunakan indra lainnya. Data yang diperoleh kemudian dilakukan
pencatatan dengan segera dengan menggunakan alat bantu seperti alat
pencatat, daftar isian (Chekck List) alat potret, alat perekam dan lain-lain.
Didalam pengamatan tidak dilakukan Tanya jawab, tetapi hanya melihat,
mendengar atau merasakan segala sesuatu yang berkaitan dengan data
yang akan dikumpulkan. Metode pengamatan ini dilakukan untuk datadata yang dapat diamati secara langsung dilapangan.
Didalam daftar pengamatan kalimat yang tersusun dalam bentuk kalimat
pernyataan, bukan pertanyaan, misalnya Jarak Sumur gali dan jamban
keluarga 10 meter, Sampah Berserakan dan sebagainya.
Keuntungan dari metode pengamatan :
1) Data diperoleh langsung dilapangan
2) Data dapat dikontrol langsung oleh peneliti

14

3) Data yang diperoleh benar-benar berdasarkan fakta


4) Validitas dan Reliabilitas data tinggi
Kerugian metode ini adalah :
1) Memerlukan waktu yang lama
2) Memerlukan biaya yang cukup besar.
3) Memerlukan Tenaga Yang banyak
b. Wawancara
Salah satu metode pengumpulan data adalah dengan jalan wawancara,
yaitu memperoleh informasi dengan cara bertanya langsung kepada
responden.

Cara ini paling banyak dilakukan di Indonesia, terutama

untuk penelitian yang berbentuk survai.


Wawancara

merupakan

suatu

proses

interaksi

dan

komunikasi,

karenanya hasil wawancara sangat ditentukan oleh beberapa factor yang


berinteraksi

yaitu

Pewawancara,

Responden,

Topik

wawancara

(Penelitian) dan situasi wawancara.


Beberapa hal yang diharapkan dilakukan oleh Peawawancara agar
memperoleh hasil wawancara yang baik adalah sebagai berikut :
1. Menyampaikan pertanyaan kepada responden
2. Merangsang responden untuk memberikan jawaban
3. Menggalai jawaban lebih jauh
4. Mencatat jawaban responden
Metode pengumpulan data dengan cara melakukan Tanya jawab yang
biasa

disebut

sebagai

wawancara

dengan

menggunakan

daftar

pertanyaan atau kwesioner. Metode ini dipergunakan untuk data yang


tidak dapat diamati secara langsung
Keuntungan wawancara :

15

1)Relatif lengkap, akurat dan data konsisten


2)Pewawancara dapat megarahkan pertanyaan
3)Pertanyaan dijawab secara langsung
Kerugian wawancara :
1) Memerlukan waktu yang lama
2) Memerlukan biaya yang cukup besar.
3) Memerlukan Tenaga Yang banyak
4) Sikap Pewawancara dapat mempengaruhi jawaban.
c. Angket
Sama halnya dengan wawancara, Metode pengumpulan data ini
menggunakan daftar pertanyaan , bedanya pada wawancara pertanyaan
ditanyakan dan diarahkan oleh pewawancara dan responden memberikan
jawaban sedangkan pada angket daftar pertanyaan diisi langsung oleh
responden.
Keuntungan Angket :
1) Waktunya relatif cepat
2) Biaya lebih murah dari wawancara atau pengamatan
3) Tenaga Lebih sedikit
Kerugian angket :
1)Responden dapat salah persepsi
2)Pengisian tidak lengkap
3)Responden dapat mengisi semaunya.
d. Pengukuran
Pengukuran adalah Metode pengumpulan data dengan menggunakan
alat ukur, misalnya timbangan, meteran dan sebagainya.

16

Hal utama yang harus diperhatikan dalam metode pengukuran adalah


alat ukur yang valid dan reliable.
2. Alat Pengumpulan Data
Didalam pengumpulan data diperlukan alat pegumpulan data yang sesuai
dengan jenis data yang akan dikumpulkan, karenanya sebelum pelaksanaan
pengumpulan

data

perlu

dilakukan

inventarisasi

jenis

data

untuk

menentukan alat pengumpulan data yang sesuai untuk digunakan.


a. Validitas dan Reliabiltas Alat Pengumpulan Data
Alat pengumpulan data yang digunakan harus valid dan reliable, karena
apabila

alat

pengumpulan

data

tidak

valid

dan

reliable

akan

menghasilkan data yang tidak sesuai dengan tujuan penelitian atau akan
menghasdilkan data yang salah..

Suatu alat pengumpulan data

Dikatakan valid apabila alat pengumpulan data tersebut sesuai dengan


jenis data yang akan dikumpulkan atau data dapat dikumpulkan dengan
alat tersebut secara baik dan benar.
Bila seseorang ingin mengumpulkan data berat badan, maka alat yang
harus

digunakan

adalah

timbangan,

karena

timbangan

memang

digunakan untuk mengukur berat badan, sedangkan untuk mengukur


tinggi badan harus menggunakan meteran, dengan demikian timbangan
dan meteran merupakan alat pengumpulan data yang valid. Apabila ingin
mengukur berat badan dengan menggunakan meteran maka alat
pengumpulan data tersebut tidak valid karena meteran bukan untuk
mengukur berat badan
Suatu alat

pengumpuilan

data dikatakan

reliable

apa bila

alat

pengumpulan data tersebut digunakan berulang-ulang akan memberikan


hasil yang sama.

17

Sebagai contoh adalah dua orang yang ingin mengukur panjang


bangunan, orang pertama menggunakan meteran besi sedangkan orang
kedua menggunakan langkah kaki.

Apabila dilakukan pengukuran

berulang-ulang maka data yang dihasilkan oleh orang pertama relatif


tetap sedangkan data yang dikumpulkan oleh orang kedua akan berubahubah, dengan demikian alat pengumpulan data yang digunakan orang
pertama reliable sedangkan alat pengumpulan data yang digunakan oleh
orang kedua tidak reliable.
b. Macam-Macam Alat Pengumpulan Data
Didalam pengumpulan data terdapat beberapa macam alat pengumpulan
data
1) Daftar Pengamatan (Check List)
Daftar pengamatan adalah alat pengumpulan data yang digunakan
pada pengumpulan data dengan metode pengamatan. Didalam alat
ini terdapat pernyataan pernyataan mengenai obyek yang diamati.
Didalam pembuatan daftar pengamatan dilakukan langkah-langkah
sebagai berikut :
a) Rumuskan masalah yang akan diteliti
b) Jabarkan rumusan masalah dalam obyek data yang akan
dikumpulkan
c) Buat item pernyataan yang sesuai dengan obyek pengamatan
2) Daftar Pertanyaan (Questioner/ Kwesioner)
Daftar pertanyaan adalah alat pengumpulan data yang digunakan
pada metode pengumpulan data dengan menggunakan metode
wawancara atau angket. Didalam kwesioner terdapat pertanyaanpertanyaan yang akan diajukan pada responden atau yang akan

18

diisi oleh responden dengan langkah-langkah pembuatan sebagai


berikut :
a) Rumuskan masalah yang diteliti
b) Jabarkan rumusan masalah dalam pernyataan-pernyataan
c) Buat pertanyaan berdasarkan pernyataan penjabaran rumusan
masalah
Dalam penyusunan Pertanyaan harus memperhatikan beberapa hal
sebagai berikut :
a) Pertanyaan mencakup tujuan penelitian, mudah ditanyakan dan
mudah diolah
b) Tiap pertanyaan hanya mengandung satu pokok pikiran dan tidak
luas
c) Pertanyaan disusun dengan menggunakan kalimat yang baik,
ringkas dan mudah dimengerti oleh responden
d) Pertanyaan tidak menimbulkan arti ganda
e)

Untuk pertanyaan yang bersifat opini atau pendapat sebaiknya


dibuat pertanyaan terbuka

f)

Susunlah pertanyaan dengan memperhatikan sequency

3) Alat pengukuran
Untuk pengumpulan data dengan cara melakukan pengukuran
digunakan alat pengukuran yang sesuai, misalnya berat badan
menggunakan

timbangan,

kadar

Fe

dalam air

menggunakan

Spectrofotometer dan sebagainya.


Alat pengukuran yang digunakan hendaknya alat yang standart dan
telah dikalibrasi ulang sebelum digunakan.

19

F. PENGOLAHAN DATA
Kegiatan statistik yang kedua adalah pengolahan data yaitu suatu proses
untuk memperoleh suatu informasi dari raw data.
Kegiatan yang dilakukan didalam pengolahan data adalah :
1. Editing
Didalam pencatatan data biasanya masih mengandung hal yang perlu
dikoreksi sebagai akibat kesalahan pencatatan atau ketidak jelasan dalam
pencatatan, karenanya perlu dilakukan koreksi terhadap data.
Selain koreksi karena kesalahan dan ketidakjelasan pencatatan dilakukan
juga koreksi kesesuaian, misalnya status belum menikah tetapi pada
pertanyaan anak mempunyai anak 1 orang.
Koreksi ini dilakukan dengan tujuan agar data dapat diolah dengan baik dan
menghindari mengolah data yang salah, karena data yang salah akan
menghasilkan hasil pengolahan data yang salah.
2. Coding
Setelah dilakukan koreksi (Editing) terhadap data langkah selanjutnya
adalah pemberian kode atau tanda tertentu, biasanya menggunakan huruf
dan angka dan agar kode yang diberikan dapat dimengerti oleh orang lain
maka perlu dibuatkan buku kode.
3. Cleaning
Setelah diberikan kode selanjutnya dilakukan kegiatan pembersihan data,
hal ini dilakukan untuk memeriksa apakah didalam entri data terdapat
kesalahan yang dapat mempengaruhi hasil pengolahan data

G. PENYAJIAN DATA

20

Setelah data diolah data disajikan untuk dipublikasikan atau untuk


mempermudah didalam memahami hasil pengolahan data.
Ada tiga bentuk penyajian data yang umum digunakan :
1. Tulisan (Textular)
Penyajian secara textular biasanya digunakan untuk data yang jumlahnya
kecil dan memerlukan kesimpulan yang sederhana.

Selain itu bentuk

textular biasanya digunakan untuk memberikan keterangan/ gambaran


keseluruhan prosedur dan kesimpulan
2. Tabel (Tabular/ Tabulasi)
Penyajian data yang paling sering digunakan adalah berbentuk tabel yang
terdiri dari beberapa baris dan kolom. Bentuk tabel ini digunakan untuk
memaparkan beberapa variable secara sekaligus tetapi mudah untuk
dimengerti.

a. Bentuk tabel
Ada beberapa bentuk tabel, yaitu :
1)

Master tabel (Tabel Induk), yaitu tabel yang berisi semua hasil
pengumpulan data yang masih dalam bentuk mentah (Raw Data),
biasanya tabel ini disajikan dalam lampiran laporan.

2) Text tabel (tabel Rincian), yaitu tabel yang berisi uraian data yang
diambil dari tabel induk, misalnya berupa prosentase atau frekwensi
kumulatif.
Beberapa contoh text tabel adalah :
a) Distribusi Frekwensi
b) Distribusi relatif
c) Distribusi kumulatif

21

d) Tabel silang.
b. Bagian-Bagian Tabel
Tabel yang baik memiliki bagian-bagian sebagai berikut :
1) Nomor Tabel
2) Judul Tabel
3) Box Head (Kepala tabel termasuk kepala kolom)
4) Stub, yaitu badan tabel yang berisi penjelasan tiap kolom
5) Body, yaitu badan tabel yang berisi angka.

Contoh tabel yang baik adalah sebagai berikut :


Nomor Tabel
Judul Tabel
A

C
Box Head

Jumlah

Stub

Body

Body

G
Jumlah
Gambar 2
Contoh Tabel

22

c. Penyajian Tabel
Didalam Menyajikan sebuah tabel perlu diperhatikan beberapa hal
sebagai berikut :
1) Judul tabel harus singkat, jelas dan lengkap.

Sebaiknya dapat

menjawab apa, dimana dan kapan


2) Tiap tabel memiliki nomor tabel
3) Keterangan-keterangan tertentu yang tidak dapat dituliskan dalam
tabel
4) Apabila mengutip laporan orang lain perlu menuliskan sumbernya.

3. Gambar/ Grafik (Diagram)


Penyajian data lainnya adalah dalam bentuk gambar yang biasa disebut
garafik

atau

diagram.

Penggunaan

gambar

dimaksudkan

untuk

mempermudah pemahaman yang tidak dapat divisualisasikan oleh textular


maupun tabel.
a. Penyajian Gambar/ Grafik
Sama halnya dengan tabel, didalam menyajikan data menggunakan
gambar harus memperhatikan :
1) Judul gambar harus singkat, jelas dan lengkap. Sebaiknya dapat
menjawab apa, dimana dan kapan
2) Tiap gambar memiliki nomor gambar
3) Keterangan-keterangan tertentu yang tidak dapat dituliskan dalam
tabel
4) Sumber gambar apabila mengutip dari orang lain.

23

b. Macam-Macam Gambar/ Grafik


Terdapat bermacam-macam grafik atau diagram yang dapat digunakan
untuk penyajian data tergantung dari tujuan penyajian diantaranya
adalah sebagai berikut :
1) Diagram Batang (Bar Diagram)
Dalam tampilannya diagram batang dapat berbentuk horizontal
maupun vertical dan dipergunakan untuk membandingkan frekwensi

P
e
n
d
i
k
a
n
R
e
s
p
o
n
d
e
3
0

data diskrit dengan skala nominal maupun ordinal.

Dari cara menampilkan balok-balok diagram batang dapat dibagi


menjadi :

a) Single Bar, yaitu balok diagram terpisah sendiri sendiri

Percnt

2
0
1
0
0T
id
a
k
S
e
k
o
la
h
T
id
a
k
T
a
m
tS
D
T
a
m
t
S
D
T
a
m
t
S
M
P
T
a
m
t
S
M
A
T
a
m
t
P
e
r
g
u
a
n
T
i
n
i
P
e
n
d
ik
a
n
R
e
s
p
o
n
d
e
Gambar 2

Singgle Bar

b) Multiple Bar, yaitu balok diagram bersinggungan

24

Gambar 3
Multiple bar

Gambar 4
Multiple bar

c) Sub Divided bar, yaitu balok diagram bertumpuk.

25

Count

2
5
2
0
1
5
1
0
5
0S
T
id
a
T
id
a
k
T
a
tP
m
T
a
m
t
S
D
T
a
m
t
S
M
P
T
a
m
t
S
M
A
T
a
m
t
e
o
lk
h
S
D
P
e
r
g
u
n
i
n
i
e
n
d
ik
a
n
R
e
s
p
o
n
d
e
na
Gambar 5
Sub Divided Bar

2) Diagram Pinca/ Diagram Kue (Pie Diagram)


Pie diagram digunakan untuk menyajikan data diskrit dengan skala
nominal atau ordinal dengan tujuan menggambarkan proporsi dan
proporsi data disajikan dalam bentuk derajat.

Gambar 6
Pie Diagram

26

Gambar 7
Pie Diagram

3) Histogram
Histogram digunakan untuk menyajikan data kontinu dengan skala

2
5
2
0
1
5
1
0
5
0
02
4
6
P
e
n
d
ik
a
n
R
e
s
p
o
n
d
e
n

interval atau ratio.

Diagram ini bertujuan untuk menggambarkan

Frequncy

distribusi data hasil pengukuran.

Gambar 8

Histogram

4) Diagram Pencar (Scatter Diagram)


Diagram pencar digunakan untuk menggambarkan dua variable
yang diperkirakan mempunyai hubungan, sumbu Y menggambarkan
variable

Dependen

dnsumbu

menggambarkan

variable

independen.

27

Gambar 9
Scater Diagram
5) Diagram garis (Line Diagram)
Diagram garis dipergunakan untuk menggambarkan data diskrit
yang mengalami perubahan dari waktu kewaktu atau perubahan dari
satu tempat ketempat lain.

Gambar 10
Line Diagram

6) Pictogram
Penyajian data dengan pictogram adalah penyajian data dengan
menggunakan gambar yang sesuai dengan obyeknya, misalnya
untuk menggambarkan keadaan penderita penyakit jantung maka
menggunakan gambar jantung dan setiap gambar ditentukan

28

jumlahnya, misalnya satu gambar jantung sama dengan 10 orang


penderita penyakit jantung.
Penyajian dengan pictogram ini dapat menarik perhatian orang
untuk melihat data yang disajikan didalamnnya.
7) Diagram peta (Map/ Kartogram)
Diagram

peta

biasanya

digunakan

untuk

menggambarkan

penyebaran suatu masalah pada suatu wilayah dan permasalahan


yang akan digambarkan ditunjukan langsung didalam peta.
8) Dan lain-lain
Masih ada penyajian data dengan menggunakan gambar lainnya
seperti Box Whisker Plot, pareto dan lainnya.

29

BAB III
KOMBINASI DAN PERMUTASI
Kombinasi adalah sekumpuluan dari obyek dengan tanpa memperhatikan
bagaimana susunan atau urutan dari obyek-obyek tersebut.
A. KOMBINASI
1. Kombinasi Total
Merupakan kombinasi dari seluruh obyek yang ada
Contoh 1 :
Dari huruf A B C dapat dibuat berapa kombinasi ?
Jawab : A B C, Jadi hanya dapat dibuat 1 kombinasi
Contoh 2 :
Dari satu team bulutangkis yang terdiri dari 5 pemain Pria dan 3 pemain
wanita berapa pasangan ganda campuran yang dapat dibuat?
Jawab :
Misalkan :

Pemain Pria

: P1, P2, P3, P4, P5

Pemain Wanita

: W1, W2, W3

Kemungkinan susunannya adalah sebagai berikut

P1 W1

P1 W2

P1 W3

P2 W1

P2 W2

P2 W3

P3 W1

P23 W2

P3 W3

P4 W1

P4 W2

P4 W3

P5 W1

P5 W2

P5 W3

Dari susunan tersebut diketahui ada 5 x 3 pasangan ganda campuran.


Dengan demikian dapat dibuat 15 pasangan ganda campuran
30

Contoh 3 :
Seseorang ingin membeli 3 buah buku yang terdiri dari 1 buah buku
Kesehatan Masyarakat, 1 buah buku statistik dan 1 buah buku Ilmu Gizi
Didalam toko buku terdapat 4 buah buku kesehatan masyarakat (A B C D),
3 buah buku statistik ( E F G ) dan 2 buah Ilmu Gizi ( H I ).
Berapakah kombinasi buku yang mungkin akan dipilih ?
Jawab : Kemungkinan kombinasi buku yang akan dipilih adalah :
AEH

AEI

AFH

AFI

AGH AGI

BEH BEI

BFH

BFI

BGH BGI

CEH CEI

CFH CFI

CGH CGI

DEH DEI

DFH DFI

DGH DGI

Jadi terdapat 24 kombinasi buku yang akan dipilih


Jumlah ini sama dengan : jumlah buku kesehatan masyarakat dikalikan
Jumlah buku statistik dikalikan jumlah buku komputer = 4 x 3 x 2 = 24
Dengan demikian dapat disimpulkan bila kombinasi hanya berasal dari 1
obyek maka hanya kan terdapat 1 kombinasi, tetapi bila kombinasi dari 2
obyek atau lebih maka banyaknya kombinasi sama dengan perkalian
jumlah masing-masing obyek.
Berapa kombinasinya bila dari ketiga obyek buku tersebut hanya akan
dipilih 2 buku saja ?

2. Kombinasi Bagian
Theorm : Jumlah Kombinasi n obyek yang setiap kali diambil r obyek
adalah :
n!
nCr = ------------------(nr)!.r!

31

n = Jumlah keseluruhan obyek


r = bagian yang disyaratkan dalam kombinasi
nCr = Kombinasi r dari obyek yang berjumlah n
Contoh :
Seseorang diberikan kebebasan untuk memilih 4 buah buku dari 7 buah
buku yang tersedia, berapakah kombinasinya ?
Jawab :
Misalkan buku-buku tersebut adalah A B C D E F G
Kombinasinya adalah :
ABCD

ABCE

ABCF

ABCG

ABDE

ABDF

ABDG

ABEF

ABEG

ABFG

ACDE

ACDF

ACDG

ACEF

ACEG

ACFG

ADEF

ADEG

ADFG

AEFG

BCDE

BCDF

BCDG

BCEF

BCEH

BCEG

BDEF

BDEG

BDFG

BEFG

CDEF

CDEG

CDFG

CEFG

DEFG

Maka terdapat 35 kombinasi


Aplikasi rumus pada contoh diatas adalah sebagai berikut :

n!
7x6x5x4x3!
7x6x5x4!
nCr = ------------------- = ----------------------------- = -----------------------(nr)!.r!
(74)!.4!
3!.4!
7x6x 5
= -------------------- = 35 kombinasi
3x2x1
B. PERMUTASI
Permutasi adalah susunan dari sekumpulan obyek dengan memperhatikan
susunan/ urutannya ( Kombinasi tidak memperhatikan susunan/ urutan ).

32

1. Permutasi Total
Rumus = n !
Contoh :
Berapakah Permutasi dari huruf A dan B
Jawab :
AB dan BA ------------ n ! = 2 x 1 = 2
Dalam permutasi AB dan BA adalah berbeda karena susunan/ urutannya
berbeda, AB dimulai dengan huruf A kemudian diikuti huruf B dan BA
dimulai dengan huruf B dan diikuti huruf A, sedangkan pada kombinasi AB
dan BA sama ( hanya 1 kombinasi ) karena kombinasi tidak memperhatikan
susunan/ urutan sehingga dalam AB atau BA hanya ada Huruf A dan Huruf
B, tidak mempersoalkan apakah huruf A atau B ada didepan atau
dibelakang.

2. Permutasi Bagian :
Theorm : Jumlah permutasi n obyek yang setiap kali diambil r obyek
adalah
n!
nPr = --------------(nr)!
Contoh 1 :
Berapa permutasi A B C bila setiap kali diambil 2
Jawab :
AB

AC

BC

BA

CA

CB

= 6

Bila menggunakan rumus :


n!
3!
3x2x1
nPr = --------------- = -------------- = -------------- = 6
(nr)!
(32)!
1
33

Contoh 2 :
Berapa permutasi pada contoh soal Kombinasi Bagian
Jawab
n!
7!
7x6x5x4x3!
nPr = --------------- = ------------- = --------------------------- = 840
(nr)!
(74)!
3!

Perhatikan :
Jumlah Kombinasi soal diatas = 35
Jumlah permutasi pilihannya ( 4 ) = 4 ! = 24
Jumlah permutasi bagian = 840 = 35 x 24
Jadi permutasi bagian = jumlah kombinasi x jumlah permutasi pilihan

C. PROBABILITAS
1. Pengertian :
Semua kejadian dialam selalu ada ketidak pastian, adanya statistik karena
adanya ketidak pastian tersebut sehingga kejadian dialam secara statistik
selalu dikatakan memiliki peluang (probabilitas) untuk terjadi atau tidak
terjadinya sesuatu atau peluang untuk keputusan secara statistik benar dan
peluang untuk salah. Dengan demikian probabilitas dapat diartikan sebagai
peluang untuk terjadi atau tidak terjadi suatu kejadian.

a. Konsep Klasik
Dalam konsep klasik probabilitas diartikan sebagai nilai yang menunjukan
besarnya kemungkinan suatu peristiwa terjadi diantara keseluruhan
peristiwa yang mungkin terjadi
34

Contoh :
1) Sebuah mata uang logam yang memiliki dua sisi ( A dan B ), jika mata
uang tersebut dilambungkan maka peluang sisi A untuk berada diatas
adalah (setengah)
2) Sebuah dadu dengan mata enam, maka peluang untuk satu mata
dadu berada diatas dalam satu kali pelemparan adalah 1/6 (satu
mata dadu dibagi keseluruhan mata dadu)
Pendekatan konsep klasik ini adalah matematis atau teoritis dengan
rumus :
P (E) = X/N
P = Probabilitas
E = Event/ Kejadian
X = Jumlah kejadian yang diinginkan
N = Jumlah kejadian yang mungkin terjadi.
Contoh aplikasi probabilitas menurut konsep klasik adalah sbagai berikut:
Dalam suatu pabrik terdapat 30 orang pegawai perempuan dan 70 orang
laki-laki. Jika setelah makan siang akan ditanyakan pendapat pegawai
tentang makanan yang disajikan, maka peluang untuk terpilihnya pegawai
wanita yang akan memberikan pendapatnya adalah sebesar 0,3. Nilai
diperoleh dari 30 pegawai perempuan dibagi keseluruhan pegawai (100
pegawai).
b. Konsep Empiris/ Probabilitas relatif
Pengertian probabilitas menurut konsep empiris adalah peluang untuk
terjadi atau tidak terjadi suatu kejadian dengan berdasarkan pengalaman
yang pernah ada/ terjadi.

35

Distribusi probabilitas konsep empiris ini adalah distribusi relatif, karena


hasil dari pengalaman yang diperoleh merupakan prosentase.
Contoh :
Dari hasil pelemparan uang logam sebanyak 100 kali ternyata sisi A
berada diatas sebanyak 59 kali, maka dikatakan sisi A untuk berada
diatas pada stu kali pelemparan uang logam adalah sebesar 59 % atau
0,59.
Contoh aplikasi probabilitas konsep Empiris adalah sebagai berikut :
Berdasarkan hasil pencatatan pengunjung puskesmas pada tahun 2008
sebanyak 30 % pengunjung puskesmas datang dengan keluhan penyakit
saluran pencernaan.

Bila saat ini datang seorang pengunjung

Puskesmas maka peluang orang yang datang tersebut dengan keluhan


sakit saluran pencernaan sebesar 0,3.
Dengan
KLASIK : Ratio Event dan Outcome

Contoh : Lemparan dadu dan Mata Uang

FREKWENSI RELATIF : percobaan berulang/ Pengalaman

Contoh Frekwensi Nosokomial dari 1.000 pasien

SUBYEKTIF : Berdasarkan Intuisi Individu

HUKUM PROBABILITAS

36

HUKUM KOMPLEMEN : P ( A) = 1 P ( A )

Contoh : Pelemparan Dadu

HUKUM PENJUMLAHAN :

MUTUALY EXCLUSIVE : P (A atau B) = P (A) + P (B)

Contoh : Pelemparan sebuah dadu, Pemberian ResEp Norvask atau Tensivask


(Amlodipin)

BERSYARAT : P (A atau B) = P (A) + P (B) P (A dan B)

Contoh : Pelemparan dua dadu, Pemberian resep Ampisilin atau Kloramfenikol

HUKUM PERKALIAN :

MUTUALY EXCLUSIVE : P (A dan B) = P (A) x P(B)

BERSYARAT : P (B/A) = P (A dan B)/ P(A)

DISTRIBUSI PROBABILITAS
(Distribusi Teoritis).

37

Distribusi Probabilitas (Distribusi Teoritis) merupakan suatu alat untuk


menentukan apa yang kita harapkan apabila asumsi-asumsi yang kita buat benar,
selain itu distribusi teoritis dapat digunakan sebagai pengganti suatu observasi/
eksperimen dan hal ini penting sekali karena untuk membuat distribusi yang
sebenarnya melalui observasi atau eksperimen sangat mahal harganya atau sulit
untuk melakukannya.

Pemahaman mengenai beberapa distribusi teoritis akan meningkatkan


kemampuan seseorang untuk membaca atau mengartikan hasil karya ilmiah pada
setiap bidang ilmu pengetahuan karena setiap perubahan nilai suatu variabel
umumnya mengikuti suatu distribusi tertentu dan apabila sudah diketahui jenis
distribusinya maka akan dapat diketahui nilai probabilitas yang terjadi.

Ada beberapa macam Distribusi Probabilitas (Distribusi Teoritis)


* Distribusi Binomial (Bernaulli)
* Distribusi Poison
* Distribusi Normal (Gauss)
* Distribusi Student (Distribusi t)
* Distribusi Chi Square (Distribusi X2)
* Distribusi Fisher ( Distribusi F)

1. DISTRIBUSI BINOMIAL (BERNAULLI)


Suatu percobaan dikatakan percobaan Binomial bila memenuhi syarat:
a. Jumlah trial merupakan bilangan bulat (diskrit)
b. Setiap trial dikotomus atau hanya memiliki 2 (dua) hasil yaitu sukses atau
gagal

38

c. Peluang sukses pada setiap trial sama


d. Setiap trial saling bebas (independent) satu sama lain.

Dalam suatu trial/ percobaan , peluang untuk sukses = p dan peluang untuk
gagal = 1 p, misalnya peluang keluarnya mata 4 pada pelemparan dadu
satu kali = 1/6, peluang keluarnya bukan mata 4 = 1 1/6 = 5/6.

Contoh lainnya jumlah Rumah Makan yang tidak memenuhi syarat


bakteriologis alat makan dalam suatu pemeriksaan adalah 10 Rumah Makan
dari 100 Rumah Makan yang diperiksa, maka peluangnya adalah 10/100 = 0,1
dan peluang rumah makan untuk memenuhi syarat bakteriologis alat makan
adalah 1 0,1 = 0,9

Jika suatu trial dilakukan sebanyak n kali ( n = 1,2 n) maka jumlah sukses
dari variable random X memiliki kemungkinan nilai 0 sampai n (0,1,2, n) kali.

Probabilitas untuk sukses pada setiap trial adalah = p

RUMUS UMUM

n!
p = ------------------ x Px . Qn-x
X ! . (n X) !

n = Seluruh Trial
X = Jumlah Trial Sukses yang diinginkan
39

P = Probabilitas Untuk Sukses


Q = Probabilitas tidak suskses ( 1 P )
Contoh :
Probabilitas sebuah Sumur Gali untuk memenuhi syarat bakteriologis adalah
0,2. Jika ada 5 Sumur Gali, berapa peluang 2 Sumur Gali memenuhi syarat
bakteriologis ?

5!

5x4x3x2x1

p = -------------- x 0,22 . 0,85-2 = ----------------- x 0,4 . 0,512


2 ! (5-2) !

2x1 (3x2x1)

= 10 x 0,4 . 0,512 = 0,2048

Berapa Peluang :
-

1 sampai 3 Sumur Gali memenuhi syarat bakteriologis

1 Sumur Gali tidak memenuhi syarat bakteriologis

Semua Sumur Gali memenuhi syarat bakteriologis

2. DISTRIBUSI POISON
Distibusi poison sebenarnya sama dengan distribusi binomial, yaitu setiap trial
adalah dikotomus (Sukses atau Gagal) perbedaannya adalah peluang sukses
pada binomial tidak terlalu kecil dan jumlah trial tidak besar, sedangkan pada
distribusi poison peluang sukses sangat kecil dan jumlah trial sangat besar.
Selain itu distribusi poison juga berhubungan dengan waktu.
RUMUS UMUM
x . -
P = --------------40

X!
P = Probabilitas Kejadian
= Konstanta = 2,71828 = 2,7183
= Raya-rata kejadian = n x P
X = Jumlah kejadian
Contoh
Peluang seseorang terinfeksi Demam Beradarah adalam satau hari

adalah

0,0005, bila disuatu daerah terdapat 4.000 orang, berapa peluang 3 orang akan
terinfeksi DBD ?
= 0,0005 x 4.000 = 2
23 . 2,7183

8 . 0,1353

1,0827

P = ------------------ = ------------------ = ------------ = 0,1804


3x2x1

Berapa peluang 5 orang akan terinfeksi ?


Berapa peluang 2 orang akan terinfeksi ?
3. DISTRIBUSI NORMAL (GAUSS)
Distribusi normal adalah distribusi teoritis yang paling banyak digunakan
didalam analisa statistic dan digunakan untuk variable random kontinyu.
Bentuk dari kurva normal Simetris dan seperti lonceng serta landai.
Kurva normal digunakan untuk mencari besarnya peluang kejadian variable
kontinyu yang diinginkan dengan Luas dari kurva normal merupakan suatu
probabilitas yang seluruhnya = 1, dengan demikian satu sisi dari kurva normal
baik dari sisi kiri maupun sisi kanan sampai nilai rata-rata (ditengah-tengah
kurva normal) = 1 : 2 sisi = 0,5.
Rumus Umum
41

X
Z=

X-X
=

SD

Z = Deviasi relative, yaitu nilai yang akan ditransformasikan menjadi besar


peluang pada table Z
X = Nilai yang akan dicari besar peluangnya
= Nilai rata-rata populasi
= Simpangan baku populasi
X = Rata-rata sampel
SD = Simpangan Baku Sampel (Standart Deviasi)
Contoh
Suatu penelitian terhadap 150 Perusahaan didapatkan rata-rata kadar BOD 5 =
215 mg

dan simpangan baku (SD) = 45 mg .

Hitunglah peluang untuk

mendapatkan satu perusahaan yang kadar BOD 5 nya:


a. > 250 mg b.< 200 mg c. Antara 200 250 mg

Penyelesaian.;
XX
a. Z =

250 215
=

SD

=
45

35
= 0,76
45

P = 0,2236
Untuk mengetahui berapa besar peluang kejadian yang diinginkan maka
nilai Z hasil perhitungan ditransformasikan menjadi nilai peluang (probabilitas)
dengan mempergunakan table Z. Apabila table Z yang digunakan adalah table Z
one tail maka nilai yang tercantum didalam table tersebut maksimum hanya 0,5

42

(hanya satu sisi/ setengan luas kurva) tetapi bila table Z yang digunakan two tail
maka nilai dalam table merupakan seluruh luas kurva (maksimal = 1).
Pada kasus ini yang digunakan adalah table Z one tail dan untuk
memperoleh berapa besar peluang (nilai P) kejadian yang diinginkan lakukan
langkah-langkah berikut ini :
1. Lihat nilai 0,7 pada kolom paling kiri dan 0,06 pada baris paling atas.
2. Lihat nilai yang ada pada pertemuan nilai 0,7 dan 0,06 ( didapat
0,2764)
3. Karena table Z yang digunakan one tail maka selisih nilai satu sisi
kurva dengan nilai tersebut (0,5 0,2764)
4. Diperoleh besar peluang kejadian yang diinginkan (0,2236)

Perlu diingat bahwa nilai 0,2764 yang tecantum dalam table adalah
besarnya peluang dari nilai rata-rata sampai dengan nilai kejadian (215 mg %
sampai 250 mg %) sedangkan kejadian yang ingin diketahui peluangnya adalah >
dari 250 mg %, karena setengan dari kurva (satu sisi kurva) adalah 0,5 maka
untuk peluang kejadian adalah setengah kurva dikurangi nilai hasil tranformasi
nilai Z.
X X 200 215 15
b.

Z=

=
SD

=
45

= 0,33
45

P = 0,3707
Cara yang digunakan untuk mengetahui besar peluang kejadian pada
kasus b sama dengan cara yang digunakan untuk mencari besar peluang pada
kasus a

43

XX
c.

200 215

Z1 =

15
=

SD

= 0,33

45

45

P1 = 0,1293

XX

250 215

Z2 =

35

=
SD

=
45

= 0,76
45

P2 = 0,2764
Maka besarnya peluang kejadian = P1 + P2 = 0,1293 + 0,2764 = 0,4058
Berbeda dengan kasus a dan b, pada kasus c kita harus mencari dulu
Peluang (P1)nilai terendah sampai nilai rata-rata, kemudian kita mencari peluang
(P2) nilai rata-rata sampai nilai tertinggi, kemudian kedua peluang itu dijumlahkan.
4.

Distribusi Student (t)


Distribusi

ini

termasuk

didalam

kelompok

distribusi

normal

dan

penggunaannya hampir sama dengan distribusi normal, perbedaannya distribusi t


digunakan pada jumlah pengamatan/ pengukuran yang kecil ( < 30 )

dan

distribusi normal pada jumlah pengamatan > 30.


Tabel distribusi t berbeda dengan distribusi normal, bila pada distribusi
normal menggunakan tabel Z maka pada distribusi t menggunakan table t

5. DISTRIBUSI FISHER ( F )

44

Distribusi Fisher digunakan untuk menguji variasi dari beberapa kelompok


data (lebih dari dua kelompok) apakah ada perbedaan antara kelompokkelompok data tersebut satu dengan lainnya. Tabel yang digunakan adalah table
F

6.

DISTRIBUSI CHI SQUARE ( X 2 )

Distribusi Chi Square sangat berguna untuk pengujian hipotesis mengenai


varians dan untuk menguji ketepatan penerapan (Test oodnessof Fit) pada data
hasil observasi. Pada uji Chi Square biasanya digunakan untuk data kategori
yang bersifat dikotomus dan table yang digunakan adalah table Chi Square.

45

BAB IV
POPULASI DAN SAMPEL

Hampir Didalam setiap penelitian terdapat populasi yang diteliti dan seringkali
dilakukan

pengambilan

sampel

dengan

berbagai

pertimbangan,

baik

pertimbangan biaya, waktu maupun karena populasi yang luas atau karena tidak
mungkin seluruh populasi diteliti.
Untuk memahami pengambilan sampel yang baik perlu dipahami terlebih dahulu
latar belakang perlunya dilakukan pengambilan sample sehingga dalam
pengambilan sampel tidak dilakukan secara sembarangan , tetapi memenuhi
kaidah-kaidah tertentu.

A. POPULASI
Pengertian dari populasi atau Universe adalah keseluruhan dari unit analisis
yang karakteristiknya akan diduga (diteliti} dan anggota dari populasi disebut
sebagai unit populasi atau elemen populasi
Populasi dapat dibedakan antara populasi sampling dan populasi sasaran.
Sebagai contoh apabila kita menetapkan rumah tangga sebagai sample
sedangkan yang diteliti adalah anggota rumah tangga yang mengikuti program
KB, maka rumah tangga merupakan populasi sampling dan anggota rumah
tangga yang mengikuti KB merupakan populasi sasaran.
Dalam setiap penelitian, populasi erat hubungannya dengan masalah yang
ingin diteliti karena populasi penelitian harus memiliki karakteristik dari apa
yang akan diteliti.

B. SAMPEL
46

Sampel adalah sebagian dari populasi yang karakteristiknya diteiti. Anggota


sample disebut sebagai unit sample dan dapat sama dengan unit populasi,
tetapi dapat juga unit sample berbeda dengan unit populasi. Sebagai contoh
adalah penelitian mengenai pola makan bayi, maka unit populasinya adalah
bayi sedangkan unit sampelnya adalah ibu bayi, karena ibu bayi yang tahu
mengenai pola makan bayinya dan tidak mungkin menanyai bayi mengenai
pola makannya.
1. Alasan Pengambilan Sampel
Alasan-alasan dilakukannya pengambilan sample adalah sebagai berikut :
a. Adanya populasi yang sangat besar dan tidak terbatas (infinite
population) yang tidak mungkin diperiksa atau diukur karena memerlukan
biayayang besar dan waktu yang lama.
b. Karena homogenitas, yaitu keadaan populasi yang homogen sehingga
tidak semua unit populasi diperiksa karena akan membuang waktu dan
biaya sedangkan variable yang akan diteliti dapat terwakili oleh
sebagaian populasi saja.
c. Menghemat biaya, waktu dan tenaga
d. Ketelitian/ ketepatan pengukuran pada jumlah yang sedikit akan lebih
baik dari jumlah yang banyak.
e. Populasi yang tidak mungkin diteliti semuanya
f. Penelitian yang bersifat detruktif (menghancurkan)
Berdasarkan alasan-alasan tersebut maka dilakukanlah pengambilan sample.

2. Design Sampling

47

Sample yang diambil harus dapat menggambarkan populasinya, dengan


kata lain sample yang diambil harus menggambarkan karakteristik
populasinya, sehingga diperlukan persyaratan sample yang ideal ( Design
Sampling) sebagai berikut :
a. Dapat menghasilkan gambaran yang tepat mengenai karakteristik
populasinya.
b. Dapat menentukan presisi (ketepatan) dari hasil penelitian.
c. Sederhana dan mudah dilaksanakan
d. Dapat memberikan keterangan

sebanyak

mungkin dengan

biaya

serendah mungkin
e. Jumlah sample harus dapat dipakai untuk keperluan generalisasi pada
populasi
3. Sampling Frame
Sebelum menetapkan sample diperlukan Kerangka Sampel (Sampling
Frame), yaitu daftar dari semua unsur sample dalam populasi, daftar ini
dapat berupa daftar nama, daftar bangunan atau sebuah peta dengan
penggambaran unit-unit yang sangat jelas.
Syarat yang harus dipenuhi oleh kerangka sampling adalah :
a. Harus meliputi seluruh unit populasi
b. Tidak ada unit populasi yang dihitung dua kali
c. Harus Up to date
d. Batas-batasnya harus jelas
e. Harus dapat dilacak dilapangan.

4. Langkah Pengambilan Sampel

48

Dalam proses pengambilan sample terdapat beberapa langkah yang harus


dilalui, yaitu :
a. Menetapkan populasi
b. Menyusun Kerangka sampling
c. Seleksi Metode sampling
d. Menetapkan Besar sampel
e. Mempersiapkan Rencana pengambilan sampel
f. Memilih Sampel
5. Pembagian Sampel
Secara umum pengambilan sampel dibagi menjadi dua bagian, yaitu Non
Probability Sampling dan Probability Sampling (Random Sampling).

Non

probability sampling adalah pengambilan sample tidak secara acak, tetapi


lebih didasarkan kepada pertimbangan-pertimbangan tertentu sedangkan
probability Sampling adalah pengambilan sample secara acak (random).
a. Non Probability Sampling
Beberapa macam Non probability sampling adalah sebagai berikut :
1) Convenience sampling, Yaitu memilih sample sesukanya tanpa ada
aturan, misalnya melakukan wawancara terhadap siapa saja yang
ditemui dijalan
2) Quota Sampling, yaitu menentukan sample dengan menentukan
jumlahnya, misalnya seorang pewawancara harus mendapatkan
sepuluh responden.
3) Jugement sampling, yaitu memilih sample dengan proses seleksi
bersyarat, misalnya penderita hipertensi yang merokok.
4) Panel sampling, yaitu memilih sample semi permanent uantuk
keperluan studi berkelanjutan.

49

b. Probability Sampling
Pengambilan sampel secara acak dibagi menjadi lima macam, yaitu :
1) Simple Random Sampling (Sampel Acak Sederhana)
Pengambilan sample ini menggunakan alat Bantu berupa tabel random
atau komputer untuk menentukan darimana pengambilan sample
dimulai.
2) Systematic Random sampling (Sampel Acak sistematik)
Hampir sama dengan simple random sampling, bedanya ditentukan
dulu kelipatannya berdasarkan jumlah populasi dibagi jumlah sample
kemudian

sample

pertama

ditentukan

lalu

sample

berikutnya

merupakan kelipatannya.
3) Stratified Random Sampling.
Populasi penelitian dibagi terlebih dahulu kedalam strata yang
tersedia. Misalnya jenis kelamin berarti ada dua strata atau bila
populasi murid SD maka akan ada 6 strata lalu besar sample
ditentukan dan untuk masing-masing strata memiliki jumlah yang sama.
4) Cluster Random Sampling
Cara ini lebih diarahkan kepada pembagian wilayah dengan isi
masing-masing wilayah memiliki karakteritik yang sama.

Didalam

pelaksanaannya dilakukan pemetaan terhadap suatu wilayah dengan


membagi wilayah tersebut menjadi beberapa bagian (Cluster).

5) Multy Stage Random sampling


Cara

pengambilan

sample

bertingkat,

biasanya

berdasarkan

pembagian wulayah kerja atau pemerintahan, misalnya dari propinsi

50

menjadi kabupaten lalu menjadi kecamatan dan akhirnya sample


diambil pada desa.

C. BESAR SAMPEL
Untuk menentukan besar sampel probability tidak dapat dilakukan dengan
sesuka hati tetapi memerlukan perhitungan besar sampel agar besar sampel
yang diperoleh dapat digunakan untuk inferensial.
1. Besar Sampel Survey
a. Estimasi Proporsi Presisi Mutlak
2. Dalam melakukan penelitian seringkali peneliti ingin mengetahui proporsi
suatu kejadian, seperti cakupan imunisasi campak di Kabupaten Bogor,
Prevalensi Anemia pada Ibu Hamil di Kabupaten Tangerang dan
sebagainya.
Untuk keperluan penelitian tersebut diperlukan sampel yang besarnya
berdasarkan rumus berikut :
Z2 . P (1 P)
n = --------------------------d2
n = Besar sampel
Z = Nilai Z pada Confidence Level ( CL ) tertentu
Bila CL 90 % maka Z = 1,64
Bila CL 95 % maka Z = 1,96
Bila CL 99 % maka Z = 2,58
P = Proporsi kejadian pada populasi
d = Presisi mutlak = simpangan sampel terhadap populasi
Contoh Aplikasi:

51

Kepala Dinas Kesehatan Kabupaten Tanggamus ingin mengetahui


prevalensi anemia pada ibu hamil. Berdasarkan informasi hasil survey
Propinsi Lampung diketahui prevalensi anemia pada kehamilan sebesar
62 %. Berapa jumlah sampel yang dibutuhkan jika presisi yang
dinginkan sebesar 10 % dan derajat kepercayaan 95 %
Jawab :
Z2 . P (1 P) 1,962 . 0,62 ( 1 0,62 )
3,8416 x 0,62 x 0,38
n = --------------------------=
----------------------------------------------------------d2
0,12
0,01

0,9051
n = --------------- = 90,51 = 91 ibu hamil
0,01
a. Estimasi Proporsi Presisi Relatif
Pada estimasi proporsi presisi mutlak, presisi sebesar 10 % merupakan
angka mutlak sedangkan pada estimasi presisi relatif, presisi 10 %
merupakan angka relatif, yaitu presisi dari proporsi pada populasi
Pada contoh diatas proporsi anemia sebesar 62 %, bila menggunakan
presisi mutlak diharapkan proporsi anemia berkisar antara 52 % 72 % ( +
10 % proporsi populasi atau 62 % - 10 % sampai 62 % + 10 % ).
Pada presisi relatif diharapkan proporsi anemia berkisar antara 53,8 % 68,2 % ( + 10 % dari proporsi populasi atau 62 % - ( 62 x 0,1 ) sampai 62
% + ( 62 % x 0,1 ).
Untuk memperoleh besar sampel estimasi proporsi dengan presisi relatif
digunakan rumus sebagi berikut :
1-P
n = Z2 . -------------2 x P
n = Besar Sampel

52

Z = Nilai Z pada Confidence Level ( CL ) tertentu


P = Proporsi kejadian pada populasi
= Presisi relatif
Bila contoh kasus estimasi proporsi presisi mutlak dihitung dengan
estimasi presisi relatif sebesar 10 %, maka didapat perhitungan sebagai
berikut :
1P
1 0,62
0,38
n = Z2 .x -------------- = 1,962 ----------------- = 3, 8416 x -----------------2 x P
0,12 x 0,62
0,01 x 0,62
n = 3,8416 x 61,2903 = 235, 45, Besar Sampel = 236

c. Estimasi Beda Dua Proporsi


Beda populasi dalam populasi pada penelitian epidemiologi disebut juga
sebagai beda resiko. Untuk besar sampel estimasi beda dua proporsi
pada populasi digunakan rumus sebagai berikut :
Z2 [ P1 (1 P1) + P2 (1 P2) ]
n = ----------------------------------------d2
n = Besar Sampel
Z = Nilai Z pada Confidence Level ( CL ) tertentu
P1 = Proporsi kejadian kelompok 1 pada populasi
P2 = Proporsi kejadian kelompok 2 pada populasi
d = Presisi mutlak
Contoh aplikasi 1 :
Dari hasil penelitian dinegara lain diperoleh hasil bahwa ibu yang
menderita hypertensi memiliki resiko 18 % untuk melahirkan bayi BBLR,

53

sedangkan ibu yang tidak hypertensi memiliki resiko 10 % untuk


melahirkan bayi BBLR.
Estimasi beda resiko adalah : 18 % - 10 % = 8 %. Jika seorang peneliti
ingin melakukan penelitian yang sama dan menginginkan presisi 5 %
dengan derajat kepercayaan 95 %, berapa besar sampelnya ?
Z2 [ P1 (1 P1) + P2 (1 P2) ]
n = ----------------------------------------- =
d2
1,962 [ 0,18 ( 1 0,18 ) + 0,1 ( 1 0,1 ) ]
= -----------------------------------------------------------0,022
3,8416 ( 0,18 x 0,82 + 0,1 x 0,9 )
3,8416 ( 0,1476 + 0,09 )
= -------------------------------------------------- = ---------------------------------0,0004
0,0004
3,8416 x 0,2376
0,91276
= ------------------------------ = ------------------ = 2281,6
0,0004
0,0004
Jadi diperlukan 2282 ibu hamil yang menderita hypertensi dan 2282 ibu
hamil yang tidak menderita hypertensi untuk dapat mendeteksi besar
resiko 8 % + 2 % atau 6 % - 10 %
Contoh aplikasi 2 :
Karena ibu hamil yang menderita hypertensi lebih sulit ditemui, peneliti
ingin menggunakan sampel ibu hamil yang tidak menderita hypertensi 5
kali lebih banyak dari ibu hamil yang menderita hypertensi. Untuk itu
digunakan rumus sebagai berikut :
Z2 [ kP1 (1 P1) + P2 (1 P2) ]
n = ----------------------------------------kd2
n = Besar Sampel
Z = Nilai Z pada Confidence Level ( CL ) tertentu
K = Kelipatan besar sampel P2
P1 = Proporsi kejadian kelompok 1 pada populasi

54

P2 = Proporsi kejadian kelompok 2 pada populasi


d = Presisi mutlak
Z2 [ kP1 (1 P1) + P2 (1 P2) ]
n = ----------------------------------------- =
kd2
1,962 [ 5 x 0,18 ( 1 0,18 ) + 0,1 ( 1 0,1 ) ]
= ---------------------------------------------------------------5 x 0,022
3,8416 ( 5 x 0,18 x 0,82 + 0,1 x 0,9 )
3,8416 ( 5 x 0,1476 + 0,09 )
=
----------------------------------------------------=
------------------------------------5 x 0,0004
0,002
3,8416 x 0,738 + 0,09
3,8416 x 0,828
3,1808
= ------------------------------------- = ----------------------- = ------------------0,002
0,002
2. Besar Sampel Survey
Rumus Umum
Z2 x P ( 1 P ) N
n = -----------------------------------------------d2 (N 1) + Z2 x P ( 1 P )
Contoh
Penelitian pendahuluan pada 50 orang pekerja disatu perusahaan
memperoleh hasil 30 orang menderita anemia. Pada perusahaan tersebut
terdapat 3.000 karyawan.Berapa besar sampel bila peneliti
mengetahui

prevalensi

ingin

anemia pada perusahaan tersebut dengan

simpangan maksimum 5 % dengan derajat kepercayaan 95 %


Z2 x P ( 1 P ) N
n = -----------------------------------------------d2 (N 1) + Z2 x P ( 1 P )
1,962 x 0,6 ( 1 0,6 ) 3000
n = ------------------------------------------------------------0,052 (3000 1) + 1,962 x 0,6 ( 1 0,6 )
3,8416 x 0,6 x 0,4 x 3000

55

n = ---------------------------------------------------0,0025 x 2999 + 1,962 x 0,6 x 0,4


2765,592
2765,592
n = ----------------------------- = ------------------ = 328,5 = 329
7,4975 + 0,92194
8,41984
Bila jumlah populasi diketahui hendaknya besar sampel memperhitungkan
faktor koreksi dan drop out.
Misalkan populasi ibu hamil Kabupaten Tanggamus sebnyak 3000 orang,
maka perhitungan besar sampel dilanjutkan sebagai berikut :
Besar Sanpel dengan faktor koreksi :
n
n = ----------------n
1 + -----N
n = Besar Sampel setelah faktor koreksi
n = Besar Sampel hasil perhitungan
N = Besar Populasi
n
91
91
91
n = ----------------- = ---------------------- = ---------------- = ---------n
91
1 + 0,03
1,03
1 + -----1 + -----------N
3.000
= 88,35 = 89 ibu hamil
Setelah besar sampel dengan faktor koreksi didapat, maka perhitungan
dilanjutkan dengan memperhitungkan faktor drop out
1
n* = n - -------------1F
n* = Besar Sampel setelah drop out

56

n = Besar Sampel dengan faktor koreksi


F = Drop Out ( ditetapkan oleh peneliti ), misalkan 10 %
1
1
1
n* = n - -------------- = 89 ------------ = 89 ------- = 89 x 1,1
1F
1 0,1
0,9
= 98,88 = 99 ibu hamil
Maka besar sampel untuk penelitian tersebut sebanyak 99 orang ibu hamil
B. SAMPEL STRATIFIED
1. Estimasi Proporsi Presisi Mutlak
N2 x P (1-P)
Z x ---------------W
n = --------------------------------------N2 x d2 + Z2 x N x P (1-P)

2. Estimasi Proporsi Presisi Relatif


N2 x P (1-P)
Z x ---------------W
n = --------------------------------------------2 x ( N x P)2 + Z2 x N x P (1-P)

3.Estimasi Rata-Rata Presisi Mutlak 4. Estimasi Rata-Rata Presisi Relatif


N2 x 2
Z x -------------W
n = --------------------------------N2 x d2 + Z2 x N x 2

N2 x 2
Z x -------------W
n = --------------------------------------------( N x )2
2
N x 2 x ------------- + Z2 x N x 2
N

57

BAB V
BIOSTATISTIK DISKRIPTIF
A. PENGANTAR
Pengertian dari Statistik Deskriptif adalah Metode dan prosedur statistik
yang mengupas hanya mengenai penyusunan data dan tabel serta pembuatan
grafik dan hal lain yang tidak menarik kesimpulan yang sifatnya umum
(generalisasi) dan tidak bermaksud untuk melakukan peramalan ( prediksi )
serta tidak melakukan penaksiran ( estimasi ), dengan kata lain statistik
deskriptif hanya memberikan gambaran dari sekumpulan data yang sudah
diolah.
Dengan demikian statistic Diskriptif hanya meliputi pengumpulan,
penyajian dan analisa data dalam bentuk narasi, tabulasi atau diagram serta
penghitungan persentase, nilai rata-rata, standar deviasi dan lainnya dari
sample tanpa perlu adanya peramalan dan pembuktian statistic terhadap
populasi.
Untuk pengolahan dan analisis data didalam statistic diskriptif
digunakan tabel dan diagram dalam bentuk grafik maupun bentuk-bentuk
lainnya

B. PEMBULATAN BILANGAN
Terdapat 3 ( tiga ) aturan untuk pembulatan bilangan :
Aturan 1
Jika Angka terkiri dari yang harus dihilangkan adalah 4 atau kurang , maka
angka terkanan dari yang mendahuluinya tidak berubah.
Contoh : 59.376.402,96 menjadi 59 juta

58

Aturan 2
Jika angka terkiri dari dari yang harus dihilangkan adalah 5 atau lebih dari 5
diikuti oleh angka bukian nol, maka angka terkanan dari yang mendahuluinya
bertambah dengan Satu.
Contoh : 6.948 Kg menjadi 7 ribu kilogram, 176,51 menjadi 177
Aturan 3
Jika angka terkiri dari yang harus dihilangkan hanya angka 5 atau 5 yang
diikuti oleh angka nol, maka angka terkanan dari yang mendahuluinya tetap
jika ia genap , tambah satu jika ia ganjil ( Aturan bilangan genap terdekat )
Contoh :
1. Bilangan 8,5 atau 8,50 atau 8,500 menjadi 8
2. Bilangan 19,5 atau 19,50 atau 19,500 menjadi 20

Contoh contoh aturan 3


Tabel 3
Contoh Pembulatan Bilangan Bila Nilai Ganjil
Bilangan Asli

Pembulatan
Kebawah
1

Aturan 3

1,5

Pembulatan
Keatas
2

3,5

5,5

7,5

18

20

16

20

Tabel 4

59

Contoh Pembulatan Bilangan Bila Nilai Genap


Bilangan Asli

Pembulatan
Kebawah
2

Aturan 3

2,5

Pembulatan
Keatas
3

4,5

6,5

8,5

22

24

20

20

Tabel 5
Contoh Pembulatan Bilangan Bila Nilai Acak
Bilangan Asli

Pembulatan
Kebawah
1

Aturan 3

1,5

Pembulatan
Keatas
2

2,5

3,5

4,5

12

14

10

12

Dari contoh-contoh diatas diketahui apabila seluruh bilangan asli


merupakan angka genap, maka jumlah bilangan pada aturan 3 menjadi lebih
kecil dari jumlah bilangan asli, sedangkan bila bilangan asli merupakan
angka ganjil maka jumlahnya lebih besar dari jumlah bilangan asli, tetapi bila
bilangan asli merupakan bilangan acak ( genap dan Ganjil, dalam hal ini 2
genap dan 2 ganjil ), maka jumlah dengan aturan 3 sama dengan jumlah
bilangan aslinya.
Dalam aplikasinya hampir tidak mungkin ditemukan nilai asli merupakan
bilangan genap saja atau bilangan ganjil, biasanya terdiri dari bilangan genap

60

dan bilangan ganjil, dengan demikian aturan 3 akan lebih tepat digunakan
karena memiliki jumlah nilai yang lebih mendekati jumlah bilangan asli.

A. DISTRIBUSI FREKWENSI
Distribusi Frekwensi adalah susunan dari banyaknya muncul tiap-tiap
nilai dari sekelompok nilai.

Distribusi Frekwensi dapat pada data tidak

berkelompok (Ungrouped Data ) maupun Data Berkelompok (Grouped Data).


1. Distribusi Frekwensi Data Tidak berkelompok ( Un Group Data )
Pada data tidak berkelompok, frekwensi yg muncul untuk suatu nilai hanya
milik nilai itu sendiri, sebagai contoh adalah dibawah ini :
1, 2, 3, 3, 4, 4, 4, 4, 5
Pada array diatas frekwensi untuk 1, 2 dan 5 masing-masing satu, frekwensi
untuk 3 adalah dua dan frekwensi untuk 4 adalah empat.
Contoh lainnya adalah :
27, 27, 27, 37, 37, 37, 37, 46, 46, 46, 46, 46, 46, 57, 57, 57, 57, 57, 68, 68,
74, 74, 74, 88, 88, 96, 96, 100, 101
Untuk memudahkan didalam membaca frekwensi pada masing-masing nilai
dapat dibuat tabel distribusi frekwensi seperti dibawah ini

61

Tabel 6
Tabel Distribusi Frekwensi Ungrouped Data
Berat Badan ( Kg ) ( X )

Frekwensi ( f )

27
37
46
57
68
74
88
96
100
101
Jumlah

3
4
6
5
2
3
2
2
1
1
29

2. Distribusi Frekwensi data berkelompok ( Group Data )


Pada Distribusi Frekwensi Group Data (Data Berkelompok), frekwensi yang
muncul adalah milik kelompok data bukannya milik suatu nilai tertentu
seperti halnya pada Distribusi Frekwensi Ungrouped Data
Misalkan ada sekumpulan data nilai hasil ujian dengan n = 80
88, 31, 82, 61, 80, 74, 67, 93, 85, 71, 90, 75, 42, 94, 74, 86, 73, 64, 71, 79,
98, 61, 78, 86, 72, 83, 97, 84, 70, 94, 48, 77, 89, 74, 91, 83, 76, 66, 80, 75,
81, 71, 82, 74, 87, 65, 96, 85, 96, 75, 81, 65, 77, 85, 51, 99, 65, 72, 66, 89,
94, 87, 73, 69, 100, 54, 88, 61, 81, 77, 62, 100, 72, 67,90, 73, 59,80, 86, 64.
Untuk menyusun Distribusi Frekwensi Data Berkelompok data perlu
memperhatikan:
a. Jumlah kelas sebaiknya antara 6 15
b. Jumlah kelas dan kelas interval dapat ditentukan sendiri sesuai
keperluannya
c. Bila jumlah kelas dan interval kelas tidak ditentukan sendiri dapat
digunakan Rumus Sturgess
Rumus Sturgess : K = 1 + 3,3 Log n

62

K = Jumlah Kelas

n = jumlah observasi

Dalam pembuatan Tabel Distribusi Frekwensi Data Berkelompok dapat mengikuti


langkah-langkah sebagai berikut :
a. Hitung Jumlah Kelas : K = 1 + 3,3 Log n = 1+ 3,3 . log 80 =
1 + 3,3 x 1,9031 = 1 + 6,28 = 7,28

dibulatkan menjadi = 7

b. Hitung range, = 100 31 = 69


c. Hitung kelas interval, yaitu :
Range
kelas Interval =

69
=

Jumlah kelas

= 9,857

10

d. Buat tabel Distribusi Frekwensi dari data tersebut dengan nilai terendah
sebagai ujung bawah kelas pertama :
Tabel 7
Distribusi Frekwensi Nilai Ujian mahasiswa
NILAI UJIAN
31 40

FREKWENSI ( f )
2

41 50

51 60

61 70

14

71 80

24

81 90

20

91 100
Jumlah

12
80

Beberapa hal yang harus diperhatikan pada Distribusi Frekwensi Data


Berkelompok adalah :
1) Nilai 31 = Ujung bawah kelas Pertama dan 40 = Ujung atas kelas
pertama.
2) 41 = Ujung bawah kelas kedua dan 50 = Ujung atas kelas kedua dan
seterusnya

63

3) Perbedaan ujung bawah kelas dan ujung atas kelas sebelumnya :


1 jika satuan, 0,1 jika satu desimal dan 0,01 jika dua decimal, Ujung
bawah kelas tidak boleh sama dengan ujung atas kelas sebelumnya.
Sebagai contoh pada tabel 7, ujung bawah kelas kedua berbeda 1
dengan ujung atas kelas pertama. Apabila ujung atas klas pertama =
40,2 maka ujung bawah kelas kedua = 40,3 (satu decimal) dan
seterusnya.
4) Batas kelas interval,
Batas kelas interval sebenarnya adalah :
Satuan : batas bawah kelas : ujung bawah kelas - 0,5
batas atas kelas adalah ujung atas kelas + 0,5
Satu desimal : ujung bawah kelas - 0,05
batas atas kelas adalah ujung atas kelas + 0,05
Dua desimal dan tiga decimal tingal menambah decimal
Contoh pada tabel 2 (satuan) : Batas Bawah sebenarnya kelas
pertama adalah 31 0,5 yaitu 30,51 dan batas atas kelas sebenarnya
pada kelas pertama 40 + 0,5 = 40,5
5) Tanda kelas adalah nilai tengah dari kelas atau ada yang menyebut
Mid Point ( MP ), yaitu : ( ujung bawah Kelas + Ujung atas kelas )
Distribusi frekwensi Data tidak berkelompok dan data berkelompok
dapat dibuat dengan nilai absolut dan dapat dengan nilai relatif , yaitu
menyatakan banyaknya data (frekwensi) dengan persen

Tabel 8
Distribusi Frekwensi Nilai Ujian mahasiswa

64

NILAI UJIAN
31 40

FREKWENSI RELATIF ( % )
2,50

41 50

3,75

51 60

6,25

61 70

17,50

71 80

30,00

81 90

25,00

91 - 100
Jumlah

15,00
100,00

Frekwensi dalam persen sangat penting bila kita ingin membandingkan lebih
dari satu nilai sebagaimana contoh pada tabel berikut ini :
Tabel 9
Distribusi Frekwensi Absolut dan Relatif
DESA
Karang Anyar

Jumlah Balita
300

Balita di Imunisasi
270

% Balita di Imunisasi
90

Karang Baru

400

300

75

Karang Tengah

200

190

95

Karang Bolong

500

400

80

Pada tabel diatas bila kita menggunakan nilai absolute maka cakupan tertinggi
imunisasi balita adalah pada Desa Karang Bolong (400) dan terendah adalah
Desa Karang Tengah (190), tetapi karena jumlah balita yang ajan diimunisasi
tidak sama (tidak standar) maka untuk membandingkan keberhasilan imunisasi
yang benar adalah menggunakan nilai relative sehingga Desa yang paling
tinggi cakupan imunisasinya adalah Desa Karang Tengah (90 %).
Apabila standar yang digunakan sama maka nilai absolute dapat digunakan
sebagai nilai perbandingan

65

3. Distribusi Frekwensi Kumulatif


Akumulasi dari frekwensi pada tiap-tiap kelas ( Grouped Data ) atau
pada tiap-tiap nilai observasi (Ungrouped Data ) disebut dengan Distribusi
Frekwensi Kumulatif
Tabel 10
DISTRIBUSI FREKWENSI KUMULATIF NILAI UJIAN MAHASISWA
NILAI UJIAN
31 40

FREKWENSI ABSOLUT
f
f Kumulatif

FREKWENSI RELATIF
F
F Kumulatif

2,50

2,50

41 50

3,75

6,25

51 60

10

6,25

12,50

61 70

14

24

17,50

30,00

71 80

24

48

30,00

60,00

81 90

20

68

25,00

85,00

91 100
Jumlah

12
80

80
-

15,00
100,00

100,00
-

Distribusi Frekwensi Kumulatif sangat berguna bila kita ingin mengetahui


banyaknya/ jumlah (frekwensi) pada batas nilai tertentu
Ada 2 macam Distribusi Frekwensi Kumulatif :
-

Distribusi Frekwensi Kumulatif kurang dari ( less Then )

Distribusi Kumulatif lebih dari ( More then ) .

Tabel 11
Distribusi Frekwensi Kumulatif Nilai Ujian Mahasiswa
( Kumulatif kurang dari / Less Then )
NILAI UJIAN
Kurang dari 31

F - Kum. Absolut
0

F- Kum. Relatif
0

66

Kurang dari 41

2,50

Kurang dari 51

6,25

Kurang dari 61

10

12,50

Kurang dari 71

24

30,00

Kurang dari 81

48

60,00

Kurang dari 91

68

85,00

Kurang dari 101

80

100,00

Tabel 6 dapat digunakan untuk mengetahui berapakah jumlah mahsiswa yang


mempunyai nilai kurang dari 61 (yaitu 10 orang) atau berapa persen mahasiswa
yang nilainya kurang dari 51 (yaitu 6,25 %)

Tabel 12
Distribusi Frekwensi Kumulatif Nilai Ujian Mahasiswa
( Kumulatif lebih dari / More Then )
NILAI UJIAN
31 atau lebih

F- Kum. Absolut
80

F-Kum. relatif
100,00

41 atau lebih

78

97,50

51 atau lebih

75

93,75

61 atau lebih

70

87,50

71 atau lebih

56

70,00

81 atau lebih

32

40,00

91 atau lebih

12

15,00

101 atau lebih

Tabel 7 dapat digunakan bila kita ingin mengetahui berapa banyak mahasiswa
yang memiliki nilai lebih dari 60 ( 61 atau lebih ) (yaitu 70 orang atau 87,5 % ).
Tabel Distribusi Frekwensi secara lengkap biasanya

dalam bentuk seperti

dibawah ini :
Tabel 13
Distribusi Frekwensi Nilai Ujian Mahasiswa
NILAI
UJIAN

Frek Frekwensi
Relatif

f KUMULATIF
ABSOLUT
Less Then More Then

f KUMULATIF
RELATIF
Less then More then
67

31 40

2,50

80

2,50

100,00

41 50

3,75

78

6,25

97,50

51 60

6,25

10

75

12,50

93,75

61 70

14

17,50

24

70

30,00

87,50

71 80

24

30,00

48

56

60,00

70,00

81 90

20

25,00

68

32

85,00

40,00

91 100
JUMLAH

12
80

15,00

80
-

12
-

100,00
-

15,00
-

Dari Distribusi Frekwensi absolut selanjutnya dapat dibuat poligon yang


merupakan gambaran dari kurva distribusi.

D. UKURAN PEMUSATAN
Ukuran Pemusatan (Tendency Central) adalah nilai

yang digunakan

sebagai pusat (tengah) untuk menggambarkan keadaan dari sekelompok data.


Ada beberapa ukuran pemusatan yang digunakan, yaitu Mean (rata-rata),
Median dan Modus
1. Rata-Rata Hitung ( Mean/ X )
Mean adalah nilai rata-rata dari sekelompok data kuantitatif. Kelebihan
dan kekurangan Nilai Mean terletak pada ketrlibatan nilai seluruh anggota
kelompok didalam menentukan nilai Mean, bila data berdistribusi normal
maka nilai Mean akan sangat akurat menggambarkan kelompok data, tetapi
bila terdapat nilai ekstrim (distribusi tidak normal), maka nilai Mean akan
cenderung menuju nilai ekstrim. Karena itu nilai mean digunakan apabila
data merupakan data kuantitatif dan data berdistribusi normal
a. Rata-Rata Hitung Data Tidak Berkelompok
Pada data tidak berkelompok nilai Mean diperoleh dari jumlah nilai
seluruh data dibagi dengan jumlah data (n), sebagai contoh adalah :

68

1,2,3,4,5 maka rata-rata hitung = (1+2+3+4+5) / 5 = 3. Dengan demikian


kita

ketahui

bahwa untuk mencari

rata-rata

hitung

data

tidak

berkelompok adalah :
X1 + X 2 + X3 + . . .Xn
X=
n
Untuk menghitung Mean dari data tidak berkelompok dengan jumlah
yang lebih besar dari contoh diatas adalah sebagai berikut :
Tabel 14
Tabel Distribusi Frekwensi dan
Frekwensi Kumulatif Ungrouped Data
Berat Badan ( Kg ) ( X )
27

Frekwensi ( f )
3

Frekwensi Kumulatif
3

Xxf
81

37

148

46

13

276

57

18

285

68

20

136

74

23

222

88

25

176

96

27

192

100

28

100

101
Jumlah

1
29

29
-

101
1.717

Rumus :

__
X =

fX
f

Contoh Aplikasi dari rumus tersebut bila kita gunakan tabel 9 diatas
diperoleh nilai rata-rata hitung (Mean) sebagai berikut :

Rumus :

__
X =

fX
= 1.717 / 29 = 59,21 Kg
f

b. Rata-Rata Hitung Data berkelompok


69

Untuk menghitung Mean pada data berkelompok dapat digunakan 2


(dua) cara
1) Menggunakan nilai tengah (Mid Point/ Tanda Kelas)
Rumus :__
X=

f. MP
f

Langkah-langkah untuk menghitung Mean pada distribusi frekwensi data


berkelompok dengan menggunakan tanda klas adalah sebagai berikut ;
1. Buat tabel distribusi frekwensi
2. Tetapkan Mid Point ( MP )
3. Hitung perkalian frekwensi dengan Mid Point
4. Masukan data hasil perhitungan kedalam rumus.
Tabel 15
DISTRIBUSI FREKWENSI NILAI UJIAN MAHASISWA
NILAI UJIAN
31 40

f
1

MP
35,5

F x MP
35,5

41 50

45,5

91,0

51 60

55,5

277,5

61 70

15

65,5

982,5

71 80

25

75,5

1.887,5

81 90

20

85,5

1.710,0

91 100
12
95,5
Jumlah
80
Dari tabel diatas diperoleh f = 80 dan f MP = 6.130,0

1.146,0
6.130,0

Bila dimasukan kedalam rumus akan diperoleh hasil sebagai berikut


__
X=

f MP

6.130,0
=

= 76,62

80

2) Menggunakan GUESSED MEAN / GM ( rata-rata diduga )


Rumus:
__
X = GM + KI (

f di
)

n
__
X = Rata-rata Hitung

70

GM = Guessed mean = rata-rata diduga, yaitu sembarang bilangan,


tetapi sebaiknya ambil salah satu MP dalam tabel
KI = Panjang kelas Interval

n = Jumlah observasi

di = ( MP GM ) / KI
f di = Jumlah hasil kali frekwensi dan di
langkah-langkah:
1. Buat tabel distribusi frekwensi
2. Tetapkan Mid Point ( MP )
3. Tetapkan Guessed Mean ( GM )
4. Hitung di
5. Hitung perkalian frekwensi (f) dengan di
6. Masukan data hasil perhitungan kedalam rumus.

71

Tabel 16
DISTRIBUSI FREKWENSI NILAI UJIAN MAHASISWA
NILAI UJIAN
31 40
41 50
51 60
61 70
71 80
81 90
91 100
Jumlah

f
1
2
5
15
25
20
12
80

MP
35,5
45,5
55,5
65,5
75,5
85,5
95,5
-

di
-4
-3
-2
-1
0
1
2

f x di
-4
-6
-10
-15
0
20
24
9

Dari tabel diatas diketahui :


KI = 10

GM = 75,5

f di = 9

n = 80

Bila dimasukan kedalam rumus akan diperoleh hasil :


__
X = GM + KI (

f di

9
) = 75,5 + 10 (

) = 76,62
80

2. Median (Me)

Median adalah nilai paling tengah dari sekelompok data yang telah
disusun (array), baik untuk data tidak berkelompok maupun data
berkelompok. Sama halnya dengan Mean, Nilai Median juga digunakan
untuk menggambarkan keadaan data secara keseluruhan, namun nilai
median biasanya digunakan apabila distribusi data tidak normal (terdapat
nilai ekstrim).
a. Median Data Tidak berkelompok
Untuk data tidak berkelompok nilai median merupakan nilai yang paling
tengah, dengan demikian tergantung dari banyaknya data, bila data
berjumlah ganjil maka nilai median = jumlah data + 1 dibagi 2, tetapi bila
jumlah data genap maka nilai median ditentukan dari dua nilai yang
paling tengah dibagi 2.

72

Sebagai contoh adalah sebagai berikut :


Dari data 1,3,5,7,9,11,13,15,17 Maka nilai median = nilai paling tengah
= data ke 5 = 9
Dari Data 1,3,5,7,9,11 Maka nilai median adalah (nilai data ke 3+4) / 2 =
(5 + 7) /2 = 6
Untuk data tidak berkelompok dengan jumlah yang lebih besar dapat
digunakan tabel distribusi frekwensi kumulatif.

Sebagai contoh

digunakan tabel 9 yang memiliki 29 jumlah data, dengan demikian Nilai


median berada pada data ke 15, dari tabel 9 tersebut terlihat kumulatif
data ke 15 ada pada nilai 57 (pada kumulatif = 18) dengan demikian
nilai Median adalah 57.

Misalkan data dalam tabel 9 berjumlah 30,

maka nilai median ada pada data ke 15 dan 16 kemudian dibagi 2


b. Median Data bekelompok
Untuk menghitung median pada distribusi frekwensi data berkelompok
menggunakan rumus sebagai berikut :
.n - F
Me = b + KI (

)
Fmed

Me = Median
KI = Panjang kelas interval
n = Jumlah observasi
F = Jumlah semua Frekwensi dengan MP < dari MP median
Fmed = Frekwensi kelas median
b = Batas bawah sebenarnya kelas median
Untuk menghitung nilai Median pada data berkelompok diperlukan tabel
distribusi frekwensi dengan Langkah-langkah penghitungan sebagai
berikut :

73

1) Buat tabel distribusi frekwensi


2) Tetapkan kelas dimana median berada, diperoleh nilai b; KI; F dan
Fmed
3) Masukan kedalam rumus :
. n F
Me = b + KI (

)
Fmed

Aplikasinya adalah sebagai berikut :


Tabel 17
DISTRIBUSI FREKWENSI NILAI UJIAN MAHASISWA
NILAI UJIAN
31 40

F
1

f Kumulatif
1

41 50

51 60

61 70

15

23

71 80

25

48

81 90

20

68

91 100
Jumlah

12
80

80
-

Median ada pada data ke 40 dan 41 dalam hal ini ada pada frekwensi
kumulatif ke 48, dengan demikian diperoleh : b = 71; KI = 10 dan F med =
25 dan F = 23
Kemudian Masukan kedalam rumus :
. n F
Me = b + KI (

x 80 - 23
) = 70,5 + 10 (

Fmed

) = 77,3
25

3. Modus ( Mo)
Modus adalah nilai yang paling banyak muncul dalam sekelompok data,
biasanya nilai modus digunakan pada data kualitatif seperti tingkat

74

pendidikan, golongan darah dan sebagainya, tetapi nilai modus juga dapat
digunakan untuk data kuantitatif.

Tabel 18
Hasil Pengukuran Golongan Darah 100 orang Dewasa
NO
1

Golongan Darah
A

Jumlah
25

20

AB

15

40

Pada tabel diatas yang menjadi modus adalah Golongan darah O dengan
frekwensi 40
Untuk data kuantitatif, Nilai modus pada distribusi frekwensi data tidak
berkelompok ditentukan melalui frekwensi yang paling besar dari syatu
data, sebagai contoh pada tabel 9 modus adalah 46 karena frekwensi
tertinggi ada pada nilai 46 yaitu 6. Sedangkan pada data berkelompok
nilai modus ditentukan melalui rumus
b1
Mo = b + KI (

)
b1 + b2

Mo = Modus
b = Batas bawah sebenarnya kelas modus
KI = Panjang kelas interval
b1= Frekwensi kelas modus dikurangi frekwensi kelas interval dengan MP
lebih kecil dari MP Modus
b2 = Frekwensi kelas modus dikurangi frekwensi kelas interval dengan MP
lebih besar dari MP Modus

75

Langkah-langkahnya adalah sebagai berikut :


1) Buat tabel distribusi frekwensi
2) Tentukan kelas dimana modus berada, diperoleh nilai b dan KI
3) Hitung b1 dan b2
4) Masukan kedalam rumus
b1
Mo = b + KI (

)
b1 + b2

Aplikasinya adalah sebagai berikut :


Tabel 19
DISTRIBUSI FREKWENSI
NILAI UJIAN MAHASISWA
NILAI UJIAN
31 40

f
1

41 50

51 60

61 70

15

71 80

25

81 90

20

91 100
Jumlah

12
80

Tentukan kelas dimana modus berada dalam hal ini ada pada kelas 71
80 dengan frekwensi 25, lalu Hitung b1, yaitu 25 15 = 10 dan Hitung b2, yaitu
25 20 = 5 kemudian Masukan kedalam rumus
b1
Mo = b + KI (
b1 + b2
C.

15
) = 70,5 + 10 (

) = 77,17
10 + 5

MEASUREMENT OF VARIATION ( UKURAN VARIASI/ DISPERSI )


76

Variabilitas atau disperse adalah derajat / tingkat penyebaran nilai-nilai dari


variable terhadap nilai-nilai pemusatan (central Tendency) dari suatu distribusi.
Ada beberapa Faktor Penyebab Variabilitas :
2. Faktor Ekstrinsik
Faktor Ekstrinsik yang menyebabkan terjadinya variabilitas adalah faktorfaktor yang berada diluar obyek yang diamati/ diukur diantaranya adalah :
a. Metode observasi atau pengukuran berbeda
b. Instrumen obervasi/ pengukuran berbeda
c. Waktu observasi/ pengukuran berbeda
d. Faktor Lingkungan berbeda
e. Penafsiran yang berbeda (Personal Bias)
3.

Faktor Instrinsik
Faktor intrinsik yang menyebabkan terjadinya variabilitas adalah faktorfaktor yang ada didalam obyek yang diamati/ diukur diantaranya adalah :
a. Umur
b. Jenis Kelamin
c.Keturunan
d. Status kesehatan
e. Status Gizi

4. Faktor Kebetulan ( Chance Factor )


Ukuran-ukuran variabilitas yang biasa digunakan adalah sebagai berikut :.
1. Range
Range adalah ukuran yang diperoleh dari nilai tertinggi dikurangi nilai
terendah

77

Untuk data tidak berkelompok menghitung range tinggal menghitung selisih


nilai

data

tertinggi

dengan

data

terendah

sedangkan

untuk

data

berkelompok range dapat dihitung dengan dua cara


a.

Range = MP kelas terakhir MP kelas pertama

b.

Range = Batas Atas sebenarnya kelas terakhir Batas Bawah


sebenarnya kelas pertama
Tabel 20
Distribusi Berat Badan Mahasiswa
Berat Badan ( Kg )

Banyaknya
Mahasiswa

Mid Point (MP)

60 62

61

63 65

18

64

66 68

42

67

69 71

27

70

72 - 74
Jumlah

8
100

73
-

Cara 1 : MP kelas terakhir MP Kelas Pertama = 73 61 = 12


Nilai Tengah kelas Pertama = ( 60 + 62 ) / 1 = 61
Cara 2 : Batas Atas sebenarnya kelas terakhir batas bawah sebenarnya
kelas pertama = 74,5 Kg 59,5 Kg = 15 Kg

Cara pertama lebih baik digunakan karena :


a. Cenderung menghilangkan nilai ekstrim
b. Nilai Mid Point lebih menggambarkan nilai kelompok (kelas)

2. Mean Deviation ( MD ) /Average Deviation ( AD ) /Rata-Rata Simpangan


a. Data Tidak berkelompok
MD = 1/n | Xi Me |

atau

| Xi X | / n

78

Contoh rata-rata simpangan pada data tidak berkelompok adalah


A. 50

50

50

50

50

X = 50, Me = 50

B. 50

40

30

60

70

X = 50, Me = 50

C. 100

40

80

20

10

X = 50, Me = 40

Jawab
a. MD= 1/n | Xi X | = 1/5 ( 0 |+| 0 |+| 0 |+| 0 |+| 0 | = 0/5 = 0
b. MD = 1/n | Xi X | = 1/5 (0|+|-10 |+|-20|+|10 |+|20|= 60/5 =12
c. MD = 1/n | Xi X | = 1/5 ( 50|+|-10 |+|30 |+|-30|+|-40|=160/5 = 32
Bila menggunakan Nilai Median
MD = 1/n | Xi Me | = 1/5 ( 60 |+|0|+|40|+|-20|+|-30|=150/5 = 30

b. Data berkelompok
F.| Xi X |
MD =
N
Langkah-langkah untuk menghitung Rata-rata simpangan pada
data berkelompok adalah sebagai berikut :
a. Hitung X data berkelompok
b. Hitung selisih Mid Point dengan Mean
c. Buat nilai mutlaknya ( point b )
d. Hitung perkalian Frekwensi dengan nilai mutlak
e. Hitung jumlahnya ( Point d )
f. Bagikan jumlah tsb ( point e ) dengan besar observasi ( N )

Tabel 21
Distribusi Frekwensi Data Berkelompok

79

Kelas
60 62

F
5

MP

63 65

61

F.MP
305

Xi -X
6

| Xi X |
6

F . | Xi X |
30

18

64

1152

54

66 68

42

67

2814

69 71

27

70

1890

81

72 - 74
Jumlah

8
100

73
-

584
6745

6
-

6
-

48
213

X = 6745/ 100 = 67,45

67

F.| Xi X |
MD =

213
=

= 2,13

100

3. SIMPANGAN BAKU ( STANDAR DEVIASI) = SD .


a. Standar Deviasi Un Grouped Data
( Xi X )2

Xi 2 ( X )2

SD =

=
N

Xi 2
SD =

X2
N
Tabel 22
Distribusi Data Tidak berkelompok
Berat Badan
12

Xi - X
2

( Xi - X )2
4

13

14

15

16
70

2
-

4
10

X = 70 / 5 = 14

80

( Xi X )2
SD =
N

10
= 2 = 1,4

SD =
5

Tabel 23
Distribusi Data Tidak berkelompok
Berat Badan
12
13
14
15
16
70

X2
144
169
196
225
256
990

X = 70 / 5 = 14
Xi 2
SD =

X2
N
990

SD =

14 2 =

198 196

= 1,4

5
b.Standar Deviasi Data Berkelompok ( Grouped data )
f ( Xi X ) 2
SD =
N
f Xi 2

( X )2

SD =

fd 2
SD =

( fd ) 2

x CI

Short Metode

81

Tabel 24
Distribusi Data Berkelompok

Berat Badan

MP

f.MP

Xi - X

( Xi - X )2

60 62

61

305

-6,45

41,6

208

63 65

18

64

1152

-3,45

11,9

214,2

66 68

42

67

2814

0,45

0,2

8,4

69 71

27

70

1890

2,55

6,5

175,5

72 - 74

73

584

5,55

30,8

246,4

Jumlah

6745

f ( Xi - X )2

91

852,5

X = 6745 / 100 = 67,45

f ( Xi X )2
SD =
N

852,2
SD =

=
100

8.522 = 2,92
Tabel 25

Distribusi data Berkelompok

Berat Badan

MP

d2

fd

fd 2

60 62

61

-10

20

63 65

18

64

-18

18

66 68

42

67

69 71

27

70

27

27

72 - 74

73

16

32

10

15

97

Jumlah

82

fd 2 ( fd ) 2
N
N

SD =

97
SD =

( 15 ) 2

100

SD =

SD =

x CI

x 3
100

0,97 0,0225

x 3

0,9475 x 3 = 0,973396116 x 3 = 2,920

4. VARIANCE.
Variance = SD 2 ---------------------- SD = Variance
Coeficients of Variance (Koefisien Varians) = COV adalah Nilai yang
digunakan untuk membandingkan variasi dua kelompok nilai
Untuk Populasi COV = / x 100 %
Untuk sampel COV = SD / X

Dari tabel dibawah ini Manakah yang lebih bervariasi antara harga 5 buah
mobil bekas dengan harga 5 ekor ayam.

Tabel 26
Distribusi Harga Mobil Bekas Dan Harga Ayam

Mobil
A

Harga
4.250.000

Ayam
1

Harga
5.500

4.500.000

8.000

4.000.000

6.000

5.000.000

9.000

4.750.000

10.000

83

Tabel 22
Distribusi Harga Mobil Bekas

Harga Mobil

Xi X

( Xi X ) 2

4.000.000

-500.000

250.000.000.000

4.250.000

-250.000

62.500.000.000

4.500.000

4.750.000

250.000

0
62.500.000.000

5.000.000

500.000

250.000.000.000

22.500.000

625.000.000.000

22.500.000
X=

= 4.500.000
5

( Xi X )2
SD =
N
625.000.000.000
SD =

=
5

125.000.000.000 = 353.553

COV = SD / X = 353.553 / 4.500.000 x 100 % = 7,86 %


Tabel 23
Distribusi Harga Ayam

Harga Ayam

Xi - X

( Xi X ) 2

5.500

2.200

4.840.000

6.000

1.700

2.890.000

8.000

300

9.000

1.300

90.000
1.690.000

84

10.000

2.300

38.500

5.290.000
14.800.000

38.500
X = -------------------- = 7.700
5
( Xi X )2
SD =
N
14.800.000
SD =

=
5

2.960. 000 = 1720,46

COV = SD / X = 1.720,46 / 7.700 x 100 % = 22,11 %

85

BAB VI
BIOSTATISTIK INFERENS
A. ESTIMASI
Estimasi

adalah

suatu metode dimana kita dapat memperkirakan nilai

populasi ( parameter ) dengan memakai nilai sampel ( statistik ).


Didalam estimasi, nilai statistik yang dipakai untuk menduga nilai populasi atau
parameter disebut estimator dan hasil pendugaan disebut estimasi secara
statistik ( statistical estimate ).
Estimator yang baik harus mempunyai sifat :
1. Tidak bias, yaitu estimastor yang hasil estimasinya mengandung nilai
parameter yang diestimasi
2. Efisien, yaitu : Apabila hasil estimasi memakai nilai tersebut dalam rentang
yang kecil saja sudah mengandung nilai parameter
3. Konsisten, yaitu : Berapapun besar sampel pada rentangnya akan
mengandung nilai parameter yang sedang diestimasi.

Kita dapat melakukan estimasi dengan dua cara :


1. Estimasi titik.
Estimasi titik adalah nilai statistik yang digunakan sebagai pendugaan nilai
parameter.
Sebagai contoh dari suatu penelitian ibu hamil disuatu kabupaten dengan
200 sampel didapatkan Hb rata-rata 7,5 gr %. Jika kita menduga kadar Hb
ibu hamil dengan estimasi titik maka kita mengatakan bahwa rata-rata kadar
Hb ibu hamil di kabupaten tersebut ( populasinya ) adalah 7,5 gr %.

86

Estimasi titik ini mempunyai kelemahan, yaitu kita tidak dapat mengeathui
berapa kuat kebenaran dugaan kita dan berapa besarnya kemungkinan
untuk salah.

Untuk mengatasi kelemahan ini digunakan estimasi selang

( estimasi interval )
2. Estimasi Interval ( selang ).
Dasar dari estimasi interval adalah bahwa sampel-sampel yang diambil
dari suatu populasi akan berdistribusi disekitar ( normal ) dengan
simpangan baku = .
Didalam estimasi interval kita menentukan batas maksimum dan batas
minimum terletaknya nilai . Jarak dari batas tertinggi dan terendah ini
ditentukan sebagai Confidence interval = Confiden limit = CI, yaitu luas
dibawah kurva normal dan ditentukan dengan persentase, misalnya 90 %,
95 % 99 %
Rumus Umum :

= X + Z . SE atau X + Z . / n
X = Nilai Rata-rata sampel
Z = Deviasi relatif ( Standar score yang besarnya ditentukan
Confidence Interval ).
= Nilai Populasi yang di estimasi

SE = Standart Error = / n

= Simpangan Baku Populasi

n = Besar Sampel

Contoh :
Dari suatu sampel random sebanyak 100 orang ibu hamil yang diambil di
kabupaten cianjur didapatkan rata-rata kadar Hb = 9,6 gr%. Simpangan
baku dalam populasi 5 gr% dengan confiden interval 95 %. Brapakah
Rata-rata kadar Hb ibu hamil di Kabupaten Cianjur ?:

87

Rata-rata sampel = 9,6 gr%


n = 100
= 5 gr %, maka SE = 5/ 100 = 0,5 gr %
CI 95 % = 1,96 ( dari tabel kurva normal )
Rata-rata Kadar Hb ibu hamil di kabupaten Cianjur :
= 9,6 gr% - 1,96 x 0,5gr% < < 9,6 gr% + 1,96 x 0,5gr%
= 8,62 gr% < < 10,58 gr% gr%
Artinya/ interpretasinya :
1. Kita percaya/ yakin bahwa rata-rata kadar Hb ibu hamil diCianjur
terletak antara 8,62 gr% sampai 10,58 gr%
2. Bahwa kalau kita ambil berulang kali sampel yang besarnya 100 ibu
hamil di Kabupaten Cianjur tersebut , maka 95 % rata-rata kadar Hb
nya berada pada nilai 8,62 gr% sampai 10,58 gr%
Dengan estimasi interval kita mengakui adanya kemungkinan untuk salah
sebesar 100 % - CI = .
Biasanya jika kita mengambil sampel simpangan baku populasi tidak
diketahui, karenanya distribusi sampling diasumsikan seperti distribusi
Student t dimana untuk menentukan nilai t selain diperlukan juga
diperlukan Degree of Freedom yang besarnya n1.

Sehingga

rumus umum menjadi :


= X + t . SE atau X + t . SD / n
X = Nilai Rata-rata sampel
t = Deviasi relatif ( Standar score yang besarnya ditentukan
Confidence Interval dan besar sampel).
= Nilai Populasi yang di estimasi

SE = Standart Error = SD / n

88

SD = Simpangan Baku Sampel

n = Besar Sampel

Contoh :
Dari 25 ibu hamil yang diambil secara random didapatkan kadar Hb 9 gr% dan
simpangan baku 7,7 %, maka estimasi menjadi :

X = 9 gr%

SD = 7,7 gr%

n = 25

SE = 7,7/ 25 = 1,54 gr%


CI = 95 %, alfa = 5 %, df = 25-1 = 24 maka t = 2,064 ( tabel t )
= 9,6 gr% - 2,064 x 1,54 gr% < < 9,6 gr% + 2,064 x 1,54 gr%
= 5,82 gr % < < 12,19 gr%
Dengan demikian kita menyatakan kadar Hb ibu hamil di populasi berada pada
antara 5,82 gr % sampai 12,19 gr%

Rentang interval dapat dipersempit dengan tiga cara :


1. Memperkecil Confidence Interval
2. Memperbesar N ( sampel )
3. Meningkatkan ketelitian sehingga didapatkan varian sampel yang kecil
B. UJI HYPOTESIS
1. Pengertian
Hipotesis berasal dari kata Hypo yang berartI sementara atau lemah
kebenarannya dan thesis artinya pernyataan/ teori.

Dengan demikian

hipotesis berarti pernyataan sementara yang perlu diuji kebenarannya.


Pengujian hipotesis berguna untuk pengambilan keputusan tentang sutau
hipotesis seperti ada tidaknya perbedaan suatu nilai atau ada tidaknya
hubungan antar variabel dengan berdasarkan pada besarnya peluang
untuk memperoleh hubungan secara kebetulan ( by chance ). Semakin
kecil peluang ( peluang adanya by chance ) maka semakin besar bahwa

89

hubungan

memang

ada.

Dengan

demikian

uji

hipotesis

akan

menghasilkan suatu kesimpulan secara probabilistik.


Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel
( data hasilmpenelitian ) dengan nilai hipotesis ( nilai populasi ) yang
diajukan.

Peluang untuk diterima atau ditolaknya suatu hipotesis

tergantung besar kecilnya perbedaan nilai antara sampel dengan nilai


hipotesis.

Bila perbedaan cukup besar, maka peluang untuk menolak

hipotesis akan besar pula dan sebaliknya.


Kesimpulan dari uji hipotesis hanya ada dua , yaitu menolak hipotesis atau
menerima hipotesis ( istilah yang paling tepat adalah gagal menolak
hipotesis ).

Bila kesimpulan uji hipotesis adalah mengakui kebenaran

hipotesis ( menerima hipotesis ) bukan berarti bahwa kita telah


membuktikan bahwa hipotesis itu benar, karena untuk membuktikannya
kita memerlukan observasi terhadap seluruh populasi dan hal tersebut
tidak mungkin/ hampir tidak mungkin dilakukan. Jadi Menerima hipotesis
berarti kita tidak cukup bukti untuk menolak hipotesis dengan kata lain kita
telah gagal menolak hipotesis.
2. Jenis Jenis Hypotesis
Didalam pengujian hipotesis terdapat dua jenis hipotesis, yaitu :
a. Hipotesis Nol ( Ho ), yaitu hipotesis yang menyatakan tidak ada
perbedaan suatu kejadian antara dua kelompok atau menyatakan tidak
ada hubungan antara variabel yang satu dengan variabel yang lain.
Penetapan Ho seperti ini dengan dasar bahwa sebelum kita memiliki
asumsi bahwa telah terjadi sesuatu ( perbedaan atau hubungan ) maka
tidak ada yang terjadi sampai kita membuktikannya.
Contoh :

90

* Tidak ada perbedaan berat badan bayi yang dilahirkan ibu perokok
dengan ibu tidak perokok.
* Tidak ada hubungan antara merokok dengan berat badan bayi.yang
dilahirkan
b. Hipotesis alternatif ( Ha ), yaitu hipotesis yang menyatakan ada
perbedaan suatu kejadian antara dua kelompok atau menyatakan ada
hubungan antara variabel yang satu dengan variabel yang lain.
Pernyataan ini timbul karena asumsi yang kita miliki.
Contoh :
* Ada perbedaan berat badan bayi yang dilahirkan ibu perokok dan ibu
tidak perokok.
* Ada hubungan antara merokok dengan berat badan bayiyang
dilahirkan
3. Arah/Bentuk Hypotesis
.

Bentuk hipotesis alternatif akan menentukan arah uji statistiknya, apakah


satu arah/ sisi ( one tail ) atau dua arah/ sisi ( Two Tail ).
a. One Tail ( Satu Arah )
Bila hipotesis alternatif menyatakan adanya perbedaan dan ada
pernyataan yang satu lebih tinggi atau lebih rendah dari yang lain.
Contoh :
Berat badan bayi dari ibu hamil yang merokok lebih rendah dari berat
badan bayi ibu hamil yang tidak merokok
b. Two Tail ( Dua Arah )
Bila pernyataan hipotesis alternatif hanya menyatakan perbedaan tanpa
melihat apakah yang satu lebih tinggi/ rendah dari yang lain
Contoh :

91

Berat badan bayi dari ibu hamil yang merokok berbeda

dari berat

badan bayi ibu hamil yang tidak merokok.


Atau dengan kata lain ada perbedaan berat badan bayi yang dilahirkan
ibu yang merokok dengan berat badan bayi yang dilahirkan ibu yang
tidak merokok
4. Kesalahan Pengambilan Keputusan.
Ada dua jenis kesalahan pengambilan keputusan didalam uji statistik.
a. Kesalahan tipe I ( ), yaitu kesalahan menolak Ho padahal
sesungguhnya Ho benar dan peluang kesalahan tipe I adalah atau
sering

disebut dengan tingkat signifikansi ( Significance Level )..

Sebaliknya peluang untuk tidak membuat kesalahan Tipe I adalah


sebesar 1 -

, disebut dengan Tingkat Kepercayaan (Confidence

Level )
b. Kesalahan tipe II ( ), yaitu kesalahan tidak menolak Ho padahal
sesungguhnya Ho salah. Peluang untuk membuat kesalahan tipe II
adalah sebesar dan peluang untuk tidak membuat kesalahan
kesalahan tipe II adalah sebesar 1 dan dikenal dengan Tingkat
Kekuatan Uji ( Power of The Test )

Kesalahan Pengambilan Keputusan


Keputusan
Tidak menolak Ho
Menolak Ho

Populasi
Ho Benar
Benar ( 1 )
Kesalahan Tipe 1 ( )

Ho Salah
Kesalahan Tipe II ( )
Benar ( 1 )

Dalam uji hipotesis kita menghendaki nilai dan yang kecil, tetapi sulit
dicapai karena pilihannya hanya menolak atau gagal menolak sehingga

92

bila makin kecil maka semakin besar. Karena pilih salah satu dan
biasanya yang digunakan adalah nilai .
Besarnya nilai ditentukan dari tujuan dan kondisi penelitian, nilai yang
sering digunakan adalah 1 %, 5 % dan 10 %. Untuk bidang kesehatan
yang dapat berakibat fatal menggunakan nilai yang kecil yaitu 1 % ,
misalnya penelitian mengenai obat-obatan. Sedangkan yang tidak
berakibat fatal seperti hubungan antara ibu perokok dengan berat badan
bayi biasanya menggunakan 5 % atau 10 % ( biasanya 5 % )
5. UJI STATISTIK
Uji statistik ada dua, yaitu Paramertik dan Non parametrik.
a. Uji Statistik Parametrik digunakan apabila :

Data numerik / kuantitatif

Distribusinya normal atau mendekati normal


b. Uji Statistik Non parametrik digunakan apabila :
Data kategori/ kualitatif
Tidak tergantung kenormalan distribusi
Besar sampel < 30 atau > 30 sebagai batasan adalah berdasarkan empiris
bahwa sampel < 30 akan berdistribusi tidak normal dan bila > 30 akan
berdistribusi normal atau mendekati normal.
Perlu diperhatikan bahwa uji statistik bukan merupakan keputusan akhir,
karena uji statistik hanya bersifat bantuan didalam pengambilan keputusan.
Hal lain yang perlu diperhatikan adalah segi substansi/ klinis.. Oleh klarena
itu didalam pengambilan keputusan jangan hanya bertumpu pada hasil uji
statistik tetapi juga memperhatikan segi substansi.

93

6. Prosedur Uji Hypotesis


a. Menetapkan Hipotesis
1) Menetapkan Hipotesis Nol ( Ho )
2) Menetapkan Hipotesis Alternatif ( Ha )
b. Penentuan Uji statistik yang sesuai dengan memperhatikan :
1) Jenis variabel yang akan dianalisis
2) Jenis data, apakah dependen atau independen
3) Distribusi data, normal atau tidak
Sebagai gambaran, uji statistik untuk mengetahui perbedaan mean
( menggunakan uji t atau anova ) akan berbeda dengan uji statistik
untuk mengetahui perbedaan proporsi ( menggunakan Chi-Square )
c. Menentukan Level of Significance ( menetapkan nilai )
d. Penghitungan Uji Statistik
Penghitungan uji statistik dilakukan untuk memperoleh nilai yang akan
dibandingkan dengan nilai untuk menolak Ho atau gagal menolak Ho.
e. Keputusan Uji Statistik
Keputusan Uji statistik diperoleh dengan cara membandingkan nilai
hasil perhitungan uji statistik dengan niulai , bila nilai hasil perhitungan
uji statistik lebih kecil dari nilai maka Ho ditolak dan sebaliknya.
f. Kesimpulan
Dari keputusan Uji Statisik dapat ditarik kesimpulan dari hasil uji
7. Pengertian Nilai P ( Probabilitas )
Nilai P merupakan nilai yang menunjukan besarnya peluang salah menolak
Ho atau nilai P dapat diartikan bahwa besarnya peluang hasil penelitian
terjadi karena faktor kebetulan. Kita mengharapkan nilai P sekecil mungkin
karena semakin kecil nilai P berarti faktor kebetulan semakin kecil juga.

94

C. JENIS-JENIS UJI HIPOTESIS


1. Uji Beda Satu Sampel.
a. Uji Beda Mean Satu Sampel
Uji Beda Tujuannya : mengetahui perbedaan nilai rata-rata (mean)
sampel dan populasi
1) Bila diketahui ( Gunakan Uji Z )
X

X -

Z = --------------- = ----------SE
/n
Z = Nilai Z Hasil Perhitungan
X = Rata-Rata sampel

= Rata-Rata Populasi

SE = Standart Error = Simpangan Baku dibagi akar jumlah sampel

= Simpangan Baku populasi

= Jumlah Sampel

Contoh Soal :
Diketahui kadar kolesterol orang dewasa normal adalah 200 gr/ 100 ml dengan
standar deviasi 56 gr.
Seorang peneliti melakukan pengukuran kadar kolesterol 49 orang penderita
hipertensi . Diperoleh rata-rata kadar kolesterolnya 220 gr/ 100 ml. Peneliti ingin
menguji apakah kadar kolesterol penderita hipertensi berbeda dengan kadar
kolesterol orang dewasa ?
Penyelesaian :
= 200 gr/ 100 ml

= 56 gr

X = 220 gr/ 100 ml

1. Tetapkan Hipotesis :

95

Ho : Tidak ada perbedaan rata-rata kadar kolesterol penderita hypertensi


dengan kadar kolesterol orang dewasa normal
Ha : Ada perbedaan rata-rata kadar kolesterol penderita hypertensi dengan
kadar kolesterol orang dewasa normal
2. Pemilihan Uji Statistik
Uji Z karena SE dapat diketahui dengan simpangan baku ( ) pada populasi
diketahui dan sample > 30
3. Tentukan Level of Significance
= 5 % = 0,05
4. Penghitungan Uji Statistik
X-u
Z = -----------/n
220 200
20
20
Z = ---------------- = ------------ = -------- = 2,5
56/ 49
56/ 7
8
5. Keputusan Uji Statistik
a. Pendekatan. klasik.
Bandingkan Nilai Z hasil perhitungan dengan nilai Z Tabel
Bila nilai Z hitung > Z tabel maka Ho : Ditolak
Bila nilai Z hitung < Z tabel maka Ho : Gagal Ditolak
Pada contoh ini :

Z hitung = 2,5 dan Z tabel = 1,96

b. Pendekatan Probabilistik
Bandingkan P Nilai Z ( dari tabel ) dengan
Bila P dari Z <

maka Ho : Ditolak

Bila P dari Z >

maka Ho : Gagal ditolak

Pada contoh ini : Z hitung > Z tabel, maka P < 0,05

96

Pada contoh ini Ho : ditolak


6. Kesimpulan : Ada perbedaan rata-rata kadar kolesterol penderita hypertensi
dengan kadar kolesterol orang dewasa normal
2) Bila tidak diketahui ( Gunakan Uji t )
X-u
t = -------------SD/ n
t

= Nilai t Hasil Perhitungan

X = Rata-Rata sampel

= Rata-Rata Populasi

SD = Simpangan Baku Sampel


n

= Jumlah Sampel

Contoh Aplikasi
Diketahui kadar kolesterol orang dewasa normal adalah 200 gr/ 100 ml. Seorang
peneliti melakukan pengukuran kadar kolesterol 49 orang penderita hipertensi .
Diperoleh rata-rata kadar kolesterolnya 220 gr/ 100 ml dengan standart Deviasi
21gr/ 100 ml. Peneliti ingin menguji apakah kadar kolesterol penderita hipertensi
berbeda dengan kadar kolesterol orang dewasa ?
Penyelesaian :
Diketahui : Rata-rata Pada populasi

= = 200 gr/ 100 ml

Simpangan baku pada Sampel

= SD = 21 gr

Rata-rata Pada sampel

= X = 220 gr/ 100 ml

1. Tetapkan Hipotesis :
Hipotesis : Ho : Tidak ada perbedaan kadar kolesterol penderita hipertensi
dengan orang dewasa

97

Ha : Ada perbedaan kadar kolesterol penderita hipertensi dengan


orang dewasa
2. Pemilihan Uji Statistik
Uji Statistik adalah Uji t karena SE tidak dapat diketahui
3. Tentukan Level of Significance
Level of Significance = = 5 % = 0,05
4. Penghitungan Uji Statistik
Perhitungan Uji Statistik

X-u
t = -----------SD / n
220 200

20

20

t = ----------------- = ------------ = -------- = 6,67


21/ 49
21/ 7
3
t hitung = 6,67 dan t tabel = 2,011
t hitung > t tabel maka P < 0,05
5. Keputusan Uji Statistik : Ho ditolak
6. Kesimpulan : Ada perbedaan kadar kolesterol penderita hipertensi dengan
orang dewasa normal

b. Uji Beda Proporsi Satu Sampel


Tujuan : menguji beda proporsi sampel dan populasi
p-P
Z = ------------ P.Q/N
Z = Nilai Z Hasil Perhitungan
p = Proporsi Kejadian Pada Sampel

98

P = Proporsi Kejadian Pada Populasi


Q = Proporsi Bukan Kejadian Pada Populasi
Contoh Aplikasi
Diketahui proporsi balita yang terkena diare dikota A sebesar 50 %.

Dari

penelitian terhadap 100 orang balita diketahui 45 orang diantaranya menderita


diare. Apakah hasil penelitian tersebut berbeda dengan keadaan populasinya ?

Penyelesaian :
Diketahui : Proporsi Pada populasi = P = 50 %. = 0,5
Proporsi pada Sampel = p = 45/ 100 = 0,45
Jumlah Sampel

= n = 100

1. Tetapkan Hypotesis
Hipotesis : Ho : Tidak ada perbedaan proporsi balita penderita diare pada
penelitian dengan populasinya
Ha

: Ada perbedaan proporsi balita penderita diare pada


penelitian dengan populasinya

2. Pemilihan Uji Statistik


Uji Statistik adalah Uji Z karena sample > 30
3. Tetapkan Level Signifikan
Level of Significance = = 5 % = 0,05
4. Perhitungan Uji Statistik

99

p-P
Z = -------------- P . Q /N
0,45 0,5

0,05

0,05

0,05

Z = ----------------------- = ------------------ = ------------- = ---------- = 1


0,5 . 0,5 / 100
0,25 / 100
0,0025
0,05
Z hitung = 1 dan Z tabel = 1,96
Z hitung < Z tabel maka P > 0,05
5. Keputusan Uji Statistik : Ho Gagal ditolak/ Diterima
6. Kesimpulan : Tidak ada perbedaan proporsi balita penderita diare pada
penelitian dengan populasinya

2. Uji Beda Dua Mean


Untuk Uji Beda Dua sample ada 2 (dua ) macam,
a. Uji Beda Dua Mean (sampel) Independent,
Uji Beda terhadap dua sample yang saling tidak mempengaruhi satu
sama lain.
Sebelum dilakukan Uji Beda dua sample pada sample independent,
harus dilakukan Uji Homogenitas Varians terlebih dahulu dengan
menggunakan Uji F untuk mengetahui apakah variasi kedua sample
yang akan diuji berbeda atau sama. dengan menggunakan Rumus
sebagai berikut :
Uji Homogenitas Varians
SD12
F = --------SD22
df1 = n1 1

df2 = n2 1

100

Setelah diketahui apakah varian sama atau berbeda baru dapat dilakukan
Uji Beda Dua sample Independent dengan menggunakan rumus yang
sesuai.
Uji beda dua sampel dapat dengan Uji Z bila SE diketahui dan sampel > 30
( distribusi normal ). Biasanya digunakan Uji t karena biasanya SE tidak
diketahui.
1) Varian Sama
Rumus :
X1 X2
t = ------------------------------Sp (1/ n1) + (1/ n2)
(n1-1) SD12 + (n2 -1) SD22
Sp = -----------------------------------------df
2

df = n1 + n2 2
t = Nilai t Hasil Perhitungan
X1 = Rata-rata kelompok 1
X2 = Rata-rata kelompok 2
Sp = Simpangan Baku Dua Kelompok
Sp2 = Varians Dua kelompok
n1 = Jumlah sampel kelompok 1
n2 = Jumlah sampel kelompok 2
SD12 = Varians Kelompok 1
SD22 = Varians Kelompok 2
Df = Degree Of Freedom/ Derajat Bebas
Contoh Aplikasi

101

Pada penelitian terhadap 20 orang laki-laki dan 25 orang perempuan penderita


PJK diperoleh hasil kadar kolesterol pd laki-laki sebesar 78 mg dengan
simpangan baku 4 mg & kadar kolesterol pd perempuan sebesar 84 mg dengan
simpangan baku 5 mg. Bagaimana kesimpulan penelitian ?
Penyelesaian
UJI HOMOGENITAS VARIANS :
Hipotesis :
Ho : Tidak ada perbedaan Varians pada kedua kelompok
Ha : Ada perbedaan Varians pada kedua kelompok
Level of Significan = = 0,05
Uji Statistik : Uji F
SD12
52
25
Perhitungan Statistik : F = -------- = ------ = ------- = 1,56
SD22
42
16
F hitung = 1,56 dan F tabel = 2,11
Fhitung < Ftabel maka P > 0,05
Keputusan : Ho Gagal ditolak/ Diterima
Kesimpulan : Tidak Ada perbedaan Varians pada kedua kelompok

UJI BEDA DUA MEAN INDEPENDEN VARIANS SAMA


Ho : Tidak terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
Ha : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
X1 X2
t = ---------------------------------- =
Sp ( 1/n1) + ( 2/n2)

102

( n1 1 ) SD12 + ( n2 1 ) SD22
Sp = ----------------------------------------------n1 + n 2 - 2
2

( 25 1 ) 52 + ( 20 1 ) 42
600 + 304
904
Sp = ------------------------------------- = --------------------- = -------- = 21,025
25 +20 2
43
43
2

X1 X2
84 - 78
6
6
t = ---------------------------- = -------------------------- = --------------------- = ----------------Sp ( 1/n1) + ( 2/n2)
4,58 1/25 + 1/20
4,58 0,4+0,5
4,58 0,9
6
6
= --------------- = ------------ = 4,36
4,58 x 0,3
1,374
t hitung > t tabel maka P < 0,05
Keputusan

: Ho ditolak

Kesimpulan : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan


perempuan

2) Varian Berbeda
Rumus :
X1 X2
t = --------------------------------------- (SD12/ n1) + (SD22/ n2)
df = { (SD12/ n1) + (SD22/ n2) }2
t = Nilai t Hasil Perhitungan
X1 = Rata-rata kelompok 1
X2 = Rata-rata kelompok 2
n1 = Jumlah sampel kelompok 1
n2 = Jumlah sampel kelompok 2
SD12 = Varians Kelompok 1
SD22 = Varians Kelompok 2

103

Df = Degree Of Freedom/ Derajat Bebas


Contoh Aplikasi
Pada penelitian terhadap 20 orang laki-laki dan 25 orang perempuan penderita
PJK diperoleh hasil kadar kolesterol pd laki-laki sebesar 78 mg dengan
simpangan baku 4 mg & kadar kolesterol pd perempuan sebesar 84 mg dengan
simpangan baku 6 mg. Bagaimana kesimpulan penelitian ?
Penyelesaian
Diketahui : X1 = 84 mg

n1 = 25 orang

SD1 = 6 mg

X2 = 78 mg

n2 = 20 orang

SD2 = 4 mg

UJI HOMOGENITAS VARIANS :


Hipotesis :
Ho : Tidak ada perbedaan Varians pada kedua kelompok
Ha : Ada perbedaan Varians pada kedua kelompok
Level of Significan = = 0,05
Uji Statistik : Uji F
SD12
62
36
Perhitungan Statistik : F = -------- = ------ = ------- = 2,25
SD22
42
16
F hitung = 2,25 dan F tabel = 2,11maka F hitung > Ftabel maka P < 0,05
Keputusan : Ho ditolak
Kesimpulan : Ada perbedaan Varians pada kedua kelompok

UJI BEDA DUA MEAN INDEPENDEN VARIANS BERBEDA


Ho : Tidak terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
Ha : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan
perempuan
104

X1 X2
84 78
t = ---------------------------------- = ------------------------------- =
(SD12/n1) + ( SD22/n2)
(36/ 25) + ( 16/ 20)
6
6
6
= ------------------ = ------------- = -------- = 4
1,44 + 0,8
2,44
1,5
t hitung = 4 dan t tabel = 2.509 maka t hitung > t tabel maka P < 0,05
Keputusan

: Ho ditolak

Kesimpulan : Terdapat perbedaan kolesterol pada penderita PJK laki-laki dengan


perempuan

b. Uji Beda Dua Mean Dependen,


Adalah Uji Beda terhadap Dua sample dimana sample yang satu
berpengaruh terhadap sample yang lain
d
t = -----------------SD_d / N

C. Uji Beda > Dua Sampel ( ANOVA )


Prinsip Anova : melakukan telaah variasi dalam kelompok dan variasi antar
kelompok untuk melihat perbedaan rata-rata antar kelompok
Asumsi yang harus dipenuhi : Varian homogen, Kelompok Independen, Data
berdistribusi normal, Data > 2 kelompok
Rumus :
SB2
F = -------------SW2
n1 (X1 X)2 + n2 ((X2 X)2 + . . . + nk (Xk X)2
Sb2 = ---------------------------------------------------------------k-1

105

(n1 1) S12 + (n2 1) S22 + . . . + (nk 1) Sk2


SW = ---------------------------------------------------------------nk
2

n1 . X1 + n2 . X2 + . . . + nk . Xk
X = -------------------------------------------------n
df : Pembilang : k 1
Penyebut : n k
Contoh Soal :
Suatu penelitian ingin mengetahui kadar folat sel darah merah pada tiga zat
pembius (anestesi) yang berbeda.

Data yang berhasil dikumpulkan adalah

sebagai berikut :

Kelompok I

: 243

251

275

291

347

354

380

392

Kelompok II : 206

210

226

249

255

273

285

295

Kelompok III : 241

258

270

293

328

309

BONFERONI

Uji lanjutan dari Anova untuk mengetahui kelompok mana saja yang berbeda bila
hasil uji Anova ada perbedaan
Xi - Xj
t = ------------------------------ Sw2 [(1/ni) + (1/nj)

* = -------C
df = n - k

106

Percobaan efektifitas dosis daun tembakau untuk membunuh kecoa digunakan


tiga dosis, yaitu 5 gr/ Lt, 10 gr/ Lt dan 15 gr/ Lt.
Lamanya kecoa mati untuk tiap-tiap dosis adalah sebagai berikut
Dosis 5 gr/ Lt

30

32

28

29

31

27

Dosis 10 gr/ Lt

27

24

29

26

25

24

menit

Dosis 15 gr/ Lt

21

24

20

22

23

21

Menit

menit

Apakah ada perbedaan lamanya membunuh kecoa dari ketiga dosis tersebut ?
Bila ada, dosis mana saja yang berbeda ?

d. Chi Square = Kai Kuadrat = X2

Chi Square : Analisis data katagorik dengan cara membandingkan frekwensi yang
diamati dengan frekwensi yang diharapkan Apakah perbedaan
bermakna atau factor variasi sample.
Tabel Hasil Pelemparan 100 Kali Sebuah Mata Uang Logam
O (Observed)

E (Expected)

O-E

(O E)2

(O E)2 / E

40

50

-10

100

60

50

10

100

Total

100

100

200

(O E)2
Rumus : X = ------------E
2

df = (b-1) (k 1)
Type Uji X2
1. Uji Asosiasi 2 Variabel ( Independensi )

107

2. Uji Homogenitas
3. Uji Beda Proporsi (Kasus Kontrol)
4. Uji Goodness of Fit

1) Uji Asosiasi 2 Variabel


Tabel Silang Konsumsi Alkohol Dan Status Perokok Selama Kehamilan
Status
Perokok
Ya
Tidak
Total

Konsumsi Alkohol
Tidak

Ringan

Sedang

Berat

Total

1880

2048

194

76

4198

(30,5 %)

(45,7 %)

(53 %)

(67,3 %)

(37,7 %)

4290

2430

172

37

6929

(69,5 %)

(54,3 %)

(47 %)

(32,7 %)

(62,3 %)

6170

4478

366

113

11127

(55,5 %)

(40,2 %)

(3,3 %)

(1 %)

(100 %)

Dari jajak pendapat mengenai gender diperoleh hasil sebagai berikut :

SEX
Laki-laki
Perempuan
Jumlah

PENDAPAT RESPONDEN
SETUJU
TIDAK
TIDAK TAHU
SETUJU
55
65
15
90
70
5
145
135
20

JUMLAH
135
165
300

Apakah sama pendapat laki-laki dan perempuan mengenai gender ?

Survey yang dilakukan terhadap terhadap sekelompok orang memperoleh hasil


sebagai berikut :

KEBIASAAN MEROKOK
Tidak merokok
Perokok Ringan
Perokok Berat

PJK
YA
40
50
60

TIDAK
160
100
40

JUMLAH
200
150
100

108

Jumlah

150

300

450

Apakah ada hubungan antara merokok dengan terjadinya Penyakit Jantung


Koroner

( PJK ) ?

Untuk mengetahui pengaruh vitamin X terhadap kesembuhan penderita flu


dilakukan penelitian dng hasil sebagai berikut :
OBAT
Vitamin
Plasebo
Jumlah

SEMBUH
Ya
80
60
140

Tidak
120
90
210

JUMLAH
200
150
350

Apakah ada pengaruh Vitamin X thd kesembuhan penderita Flu ?

109

df

TABEL UJI CHI - SQUARE


Taraf Signifikansi
0,50

0,30

0,20

0,10

0,05

0,01

0,005

0,001

0,455

1,074

1,642

2,706

3,481

6,635

7,88

10,827

0,139

2,408

3,219

3,605

5,591

9,210

10,6

13,815

2,366

3,665

4,642

6,251

7,815

11,34

12,8

16,226

3,357

4,878

5,989

7,779

9,488

13,28

14,9

18,467

4,351

6,064

7,289

9,236

11,070

15,09

16,7

20,515

5,348

7,231

8,558

10,65

12,59

16,81

18,5

22,457

6,346

8,383

9,803

12,02

14,02

18,48

20,3

7,344

9,524

11,030

13,36

15,51

20,090

22,0

24,322
26,125

8,343

10,66

12,24

14,68

16,92

21,67

23,6

27,877

10

9,342

11,78

13,44

15,99

18,31

23,21

25,2

29,588

11

10,34

12,9

14,63

17,28

19,68

24,73

26,8

31,264

12

11,340

14,01

15,81

18,55

21,03

26,22

28,3

32,909

13

12,340

15,190

16,99

19,81

22,37

27,69

29,8

34,528

14

13,33

16,22

18,15

21,06

23,69

29,14

31,3

36,123

15

14,34

17,32

19,31

22,31

25

30,58

32,8

37,697

16

15,34

18,42

20,47

23,54

26,3

32,000

34,3

17

16,34

19,51

21,62

24,79

27,59

33,41

35,7

18

17,34

20,6

22,76

26,03

28,87

34,81

37,2

19

18,34

21,69

23,900

27,27

30,14

36,19

38,6

20

19,34

22,78

25,04

28,51

31,410

37,57

40,0

43,315

21

20,34

23,86

26,17

29,62

32,67

38,93

41,4

22

21,34

24,94

27,3

30,81

33,92

40,29

42,8

23

22,34

26,02

28,43

32,01

35,17

41,64

44,2

24

23,34

27,1

29,55

33,19

35,42

42,98

45,6

25

24,34

28,17

30,68

34,38

37,65

44,31

46,9

26

25,34

29,25

31,8

35,56

38,89

45,64

48,3

27

26,34

30,32

32,91

36,74

40,11

46,96

49,6

110

28

27,34

31,39

34,03

37,92

41,34

48,28

51,0

29

28,34

32,46

35,14

39,09

42,56

49,59

52,3

30

29,34

33,530

36,250

40,26

43,78

50,89

53,7

59,703

40

39,3

51,8

55,8

63,7

63,7

73,402

50

49,3

63,2

67,5

76,2

79,5

86,661

60

59,3

74,4

79,1

88,4

92

99,607

111

You might also like