ANALISA UNIVARIAT

Rahmi Setiyani, MN FKIK Unsoed

Tahapan penelitian
Menyusun

rancangan Melakukan penelitian Memperoleh kumpulan data data: beberapa data sampai ribuan data, tergantung jumlah sampel dan variabel yang diteliti

Ukuran

Contoh Kumpulan Data

Mengapa perlu analisa?

Apakah

kumpulan data/ informasi tersebut dapat dimengerti? caranya agar kumpulan data tersebut menunjukan informasi yang bermakna?

Bagaimana

 Data/

informasi harus diorganisasi dan diringkas agar bisa menghasilkan informasi yang bermakna diorganisasi dengan menggunakan metode statistik deskriptive

Data

Statistik deskriptive
Disebut

juga sebagai analisa univariat (satu variabel) data dari masing-masing variable yang diteliti dan kemudian menjelaskan atau mendeskripsikannya dalam bentuk ukuran-ukuran statistik, tabel, dan juga grafik

Mengorganisasi

Statistik deskriptive v.s inferensial

Lawan

statistik deskriptive adalah statistik inferensial Menganalisa hubungan antara variabelvariabel yang diteliti Meneliti hubungan antara 2 variabel (analisis bivariat) ataupun lebih dari 2 variabel (analisis multivariate)

Bentuk Analisa Deskriptive

Ditentukan

kategorik Numerik diskrit dan kontinu Kategorik ordinal dan nominal

oleh jenis data: numerik v.s

Data Numerik
Jenis

data ini dianalisa menggunakan ukuran pemusatan, ukuran penyebaran, dan distribusi data Ukuran pemusatan data: mean, median, modus Ukuran penyebaran: range, jarak interkuartile, standar deviasi

Data Kategorik
Analisa

menggunakan ukuran distribusi frekuensi (dengan presentase atau proporsi) pemusatan dan ukuran variasi tidak lazim digunakan (meskipun program analisa SPSS bisa melakukannya)

Ukuran

Mean
Ukuran

pemusatan yang paling sering digunakan Meringkas data numerik (diskrit atapun kontinu) Kelemahan: sangat sensitive terhadap nilai yang tidak biasa (outlier ataupun nilai ekstrim) Nilai ekstrim menyebabkan nilai mean tidak mencerminkan karakteristik dari kelompok data yang dianalisa

Contoh
Berat

badan sampel penelitian 51, 48, 52, 49, 45, 47, 51, 53, 54, 95, 46 Mean: 53,7 Kesimpulan: rata-rata berat badan sampel adalah 53,7kg Ada nilai observasi yang jauh berbeda: 95 Jika nilai ekstrim dibuang maka mean: 49,6

Median (Nilai Tengah)

Nilai

persentil ke-50, jika data diurutkan dari kecil ke besar Jumlah observasi ganjil, median= nilai pada observasi ke (n+1)/2 Jumlah observasi genap, median= nilai rata-rata dari observasi ke n/2 dan (n/2)+1 Kelebihan dibanding mean: tidak terlalu dipengaruhi oleh keberadaan nilai ekstrim

Contoh
Data:

46 Diurutkan menjadi: 45, 46, 47, 48, 49, 51, 51, 52, 53, 54, 95 Median: 51 Kesimpulan: separuh sampel memiliki berat badan di bawah 51kg dan separuh lainnya diatas 51kg

51, 48, 52, 49, 45, 47, 51, 53, 54, 95,

Modus

Nilai observasi yang memiliki frekuensi terbanyak atau yang paling sering muncul Relative lebih jarang digunakan dibanding mean dan median Data: 51, 48, 52, 49, 45, 47, 51, 53, 54, 95, 46 Modus: 51kg Kesimpulan: Berat badan 51kg paling sering muncul diantara berat badan sampel yang lain.

Range

Cara paling sederhana untuk mengukur penyebaran (variasi data) Menghitung perbedaan anatara nilai maximum dan nilai minimum Kelemahan: hanya didasarkan pada 2 nilai observasi, tidak memberikan gambaran bagaimana nilai observasi yang lain tersebar diantarnya Range juga sangat dipengaruhi oleh nilai ekstrim

Contoh
Data:

46 Diurutkan menjadi: 45, 46, 47, 48, 49, 51, 51, 52, 53, 54, 95 Range: 95-45 = 50 Kesimpulan: rentang berat badan sampel adalah 50, mulai dari 45kg s.d 95kg

51, 48, 52, 49, 45, 47, 51, 53, 54, 95,

Jarak interkuartile (interquartile range)

Kuartile:

pembagian distribusi data menjadi 4 group yang sama ukurannya, dibatasi oleh kuartil 1 (Q1), kuartile II (Q2), dan kuartile III (Q3), setelah data diurutkan dari nilai yang paling kecil ke nilai yang terbesar Q1: observasi ke (n+1)/4 Q2: median Q3: observasi ke 3(n+1)/4

 Jarak

interkuartile: selisih nilai Q3 dan Q1 Dapat memberikan gambaran penyebaran data yang lebih baik dibandingkan dengan range, terutama jika distribusinya sangat menyebar atau terdapat nilai ekstrim

Contoh
Data:

46 Diurutkan menjadi: 45, 46, 47, 48, 49, 51, 51, 52, 53, 54, 95 Q1: observasi ke (n+1)/4 = observasi ke-3 = 47 Q3: observasi ke 3(n+1)/4 = observasi ke-9 = 53 Jarak interkuartil: 53-47 = 6

51, 48, 52, 49, 45, 47, 51, 53, 54, 95,

Standar deviasi (SD)

Besarnya penyimpangan atau deviasi dari nilai-nilai pengamatan terhadap nilai meannya Diturunkan dari varian (akar varian) SD lebih sering digunakan daripada varian karena SD mempunyai satuan yang sama dengan satuan pengamatan Semakin kecil SD nilai pengamatan terkumpul mendekati meannya Semakin besar SD nilai pengamatan tersebar menjauhi meannya

 Kelemahan:

ekstrim Contoh data: 51, 48, 52, 49, 45, 47, 51, 53, 54, 95, 46 SD = 14.02 Terlihat bahwa SD menjadi besar karena adanya nilai ekstrim

mudah dipengaruhi oleh nilai

 Jika

nilai ekstrim dibuang: Data: 51, 48, 52, 49, 45, 47, 51, 53, 54, 46 SD yang baru: 4,55 SD deviasi setelah nilai ekstrim dibuang jauh lebih kecil daripada sebelumnya

Hasil analisa dengan SPSS

Data: 51, 48, 52, 49, 45, 47, 51, 53, 54, 95, 46
Statistics BB N Mean Median Mode Std. Deviation Variance Range Minimum Maximum Percentiles 25 50 75 Valid Missing 11 0 53.73 51.00 51 13.994 195.818 50 45 95 47.00 51.00 53.00

Hasil analisa dengan SPSS

Jika nilai ekstrim 95 dibuang
Statistics BB N Mean Median Mode Std. Deviation Variance Range Minimum Maximum Percentiles 25 50 75 Valid Missing 10 0 49.60 50.00 51 3.062 9.378 9 45 54 46.75 50.00 52.25

Distribusi Frekuensi
Meringkas

ordinal) Menunjukan jumlah observasi pada tiap kelas atau kategori Dapat disertai dengan ukuran persentase (frekuensi relative) atau proporsi

data kategorik (nominal atau

Contoh
Data:

Jenis kelamin 10 sampel, 0= perempuan; 1= laki-laki 1, 0, 0, 1, 0, 1, 0, 0 ,0, 1 Laki-laki = 4 (40%) Perempuan = 6 (60%)

Hasil analisa dengan SPSS

Gender Valid Percent 60.0 40.0 100.0 Cumulative Percent 60.0 100.0

Frequency Percent Valid male female Total 6 4 10 60.0 40.0 100.0

Pedoman penulisan
Data

kategorik:

distribusi frekuensi (presentase/frekuensi relative)

Data

numerik: mean (standar deviasi) Jika data numerik terdistribusi tidak normal/ terdapat nilai ekstrim, yang dituliskan biasanya adalah :
median (nilai max-min)

Contoh presentasi hasil analisa univariat

Table IV. Clinical features of severe maternal morbidity from sepsis
n Percentage (%) 21.8 21.8 10.3 46.2 38.5 16.7 23.1 21.8 2.6 2.6 33.3 17.9 43.6 Moment of infection < 26 weeks of gestation Antepartum Intrapartum Postpartum Intervala < 24 hours 2448 hours 48 hours Unknown Surgical intervention Appendectomy D&C Cesarean sectionb Retained placentac None 17 17 8 36 30 13 18 17 2 2 26 14 34

(Source: Kramer et al., 2008)

Table 1 Demographic features in cases of lung cancer and controls

Mean ageab, years Education (%) 7 years 6 years Nil Employment (%) Yes No Marital status (%) Married Widowed Single/divorced Histological type (%) Adenocarcinoma Squamous cell Large call Small cell Unspecified

Cases (n = 279) 65.4 (10.6)

56 (20.4) 112 (40.7) 107 (38.9) 221 (80.1) 55 (19.9) 176 (63.8) 83 (30.0 17 (6.2) 172 (62.4) 24 (8.6) 10 (3.6) 9 (3.2) 62 (22.2)

Controls (n = 322) 64.8 (10.6)

86 (26.7) 143 (44.4) 93 (28.9) 285 (88.5) 37 (11.5) 206 (64.0) 104 (32.3) 12 (3.7)

(Source: Chiu, Wang, Qiu & Yu, 2010)

(Source: Huiart, Ernst & Suissa, 2005)

(Source: Ades et al., 2010)

Analisa univariat

Tidak hanya untuk mendeskripsikan masingmasing variabel Dapat untuk melihat distribusi data (terdistribusi normal atau tidak/ uji normalitas), terutama untuk data yang bersifat numerik Uji normalitas untuk data numerik penting untuk menentukan jenis analisis bivariat/multivariat yang akan digunakan Distribusi data: skewness, kurtosis, histogram (dan kurve normal), Q-Q plot, box plot

Melihat distribusi data

Cara

deskriptive atau analitik

Deskriptive:

Skewness, Kurtosis, grafik histogram (dan kurve normal), QQ plot dan box plot uji Kolmogorov-Smirnov; Shapiro-

Analitik:

Wilk

Skewness dan kurtosis

Rasio

skewness dan kurtosis terhadap standar errornya digunakan untuk menguji normalitas data data diasumsikan terdistribusi normal jika rasionya terhadap SE : 2

Kelompok

 Rasio

skewness dan kurtosis terhadap standar errornya digunakan untuk menguji normalitas data data diasumsikan terdistribusi normal jika rasionya: 2

Kelompok

Histogram dan kurve normal

Kelompok

data diasumsikan terdistribusi normal jika bentuknya menyerupai bel (bel shape)

Q-Q plot
Kelompok

data diasumsikan terdistribusi normal jika data tersebar di sekitar garis

Detrended normal Q-Q

Data

diasumsikan terdistribusi normal jika data tersebar di sekitar garis (angka nol)

Box plot
Kelompok

data diasumsikan terdistribusi normal jika Nilai median ada di tengah-tengah kotak Nilai whisker terbagi secara simetris ke atas dan ke bawah Tidak ada nilai ekstrim atau outlier

Uji Kolmogorov-Smirnov; Shapiro-Wilk

Uji

Kolmogorov-Smirnov: jika sampel besar >50 Shapiro-Wilk: jika sampe kecil; <50 Jika nilai p< 0.05, maka distribusi tidak normal Jika nilai p>0.05, maka distribusi normal

Contoh uji normalitas

Data: 51, 48, 52, 49, 45, 47, 51, 53, 54, 95, 46
Descriptives Std.

Statistic
BB Mean 95% Confidence Lower Bound Upper Bound 53.73 44.33 63.13 51.92 51.00 195.818

Error 4.219

Interval for Mean

5% Trimmed Mean Median Variance

Std. Deviation
Minimum Maximum Range Interquartile Range Skewness Kurtosis

13.994
45 95 50 6 3.057 9.770 .661 1.279

 Rasio

skewness: SE = 3,057: 0.661 = 4,62 (kemungkinan tidak normal karena > 2)

Rasio

kurtosis: SE = 9,770: 1,279 = 7,64 (kemungkinan tidak normal karena > 2)

Histogram & kurve normal

Kemungkinan tidak normal, karena kurva skew to the right

Q-Q Plot

Kemungkinan tidak normal karena data tidak tersebar di sekitar garis

Detrended Q-Q Plot

Kemungkinan tidak normal karena ada data yang letaknya jauh dari garis

Box plot

Kemungkinan distribusi tidak normal karena: whisker tidak simetris, median cenderung ke atas, ada nilai ekstrim

Kolmogorov-Smirnov
Tests of Normality
Kolmogorov-Smirnova Statistic BB .401 df 11 Sig. .000 Statistic .547 Shapiro-Wilk df 11 Sig. .000

a. Lilliefors Significance Correction

Nilai p<0.05, maka disimpulkan bahwa distribusi berat badan tidak normal

Latihan mandiri
Silahkan

lakukan uji normalitas, dengan menggunakan data yang sama, tetapi data nilai ekstrim 95 dibuang hasilnya

Bandingkan

SEKIAN

Sumber

Ades, A. M., Dominguez, T. E., Nicolson, S. C., Gaynor, J. W., Spray, T. L., Wernovsky, G., et al. (2010). Morbidity and mortality after surgery for congenital disease in the infant born with low weight. Cardiology in the Young, 20, 8-17. Chiu, Y. L., Wang, X. R., Qiu, H. & Yu, I. T. S. (2010). Risk factors for lung cancer: A case-control study in Hong Kong women. Cancer Causes Control, 21, 777785. Dahlan, M. S. (2008). Statistik untuk Kedokteran dan Kesehatan. Jakarta: Salemba Medika. Hastono, S. P., 2007. Analisis Data Kesehatan. Jakarta: Fakultas Kesehatan Masyarakat Universitas Indonesia. Huiart, L., Ernst, P. & Suissa, S. (2005). Cardiovascular morbidity and mortality in COPD. Chest, 128(4), 2640-2645. Kirkwood, B. R. & Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd edition Massachusetts: Blackwell Science. Kramer, H. M. C., Schutte, J. M., Zwart, J. J., Schuitemaker, N. W. E., Steegers, E. A. P., & Van Roosmalen, J. (2009). Maternal mortality and severe morbidity from sepsis in the Netherland. Acta Obstetricia et Gynecologica, 88, 647-653. Pagano, M. & Gauvreau, K. (1993). Principles of Biostatistics. California: Duxbury Press. Sugiyono (2008). Metode Penelitian Kuantitatif, Kualitatif dan R & D. Bandung: Alfabeta