Professional Documents
Culture Documents
Tahapan penelitian
Menyusun
rancangan Melakukan penelitian Memperoleh kumpulan data data: beberapa data sampai ribuan data, tergantung jumlah sampel dan variabel yang diteliti
Ukuran
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 adalah statistik inferensial Menganalisa hubungan antara variabelvariabel yang diteliti Meneliti hubungan antara 2 variabel (analisis bivariat) ataupun lebih dari 2 variabel (analisis multivariate)
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
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,
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,
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
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
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
Distribusi Frekuensi
Meringkas
ordinal) Menunjukan jumlah observasi pada tiap kelas atau kategori Dapat disertai dengan ukuran persentase (frekuensi relative) atau proporsi
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%)
Pedoman penulisan
Data
kategorik:
numerik: mean (standar deviasi) Jika data numerik terdistribusi tidak normal/ terdapat nilai ekstrim, yang dituliskan biasanya adalah :
median (nilai max-min)
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
Deskriptive:
Skewness, Kurtosis, grafik histogram (dan kurve normal), QQ plot dan box plot uji Kolmogorov-Smirnov; Shapiro-
Analitik:
Wilk
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
data diasumsikan terdistribusi normal jika bentuknya menyerupai bel (bel shape)
Q-Q plot
Kelompok
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
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
Statistic
BB Mean 95% Confidence Lower Bound Upper Bound 53.73 44.33 63.13 51.92 51.00 195.818
Error 4.219
Std. Deviation
Minimum Maximum Range Interquartile Range Skewness Kurtosis
13.994
45 95 50 6 3.057 9.770 .661 1.279
Rasio
Rasio
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
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