You are on page 1of 35

Parametrik  P a g e - 1

UJI NORMALITAS DATA


Tujuan : untuk menguji apakah data terdistribusi normal atau tidak. Dikatakan data terdistribusi
normal bila sebaran datanya mengikuti pola bell-shaped.

Kegunaan  untuk menentukan jenis analisis yang akan digunakan (parametrik atau non
parametrik)

Prosedur Analisis : Analyze Descriptive Statistics  Explore  Plots

Hasil analisis dan interpretasi

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Skor Konsentrasi Pretest 69 100.0% 0 .0% 69 100.0%

Descriptives

Statistic Std. Error


Skor Konsentrasi Pretest Mean 87.86 3.128
95% Confidence Lower Bound 81.61
Interval for Mean Upper Bound
94.10

5% Trimmed Mean 88.75


Median 90.00
Variance 674.949
Std. Deviation 25.980
Minimum 19
Maximum 143
Range 124
Interquartile Range 33
Skewness -.646 .289
Kurtosis .692 .570

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 2

Uji normalitas data menggunakan test “Kolmogorov Smirnof”

Ho : Data pretest konsentrasi belajar terdistribusi normal


Ha : Data pretest konsentrasi belajar terdistribusi tidak normal

Pengambilan keputusan :
p ≤ (=0,05)  Ho ditolak
p > (=0,05)  Ho diterima
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Skor Konsentrasi Pretest .081 69 .200* .961 69 .030
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Hasil analisis didapatkan nilai probabilitas (sig)=0,200  bandingkan dengan nilai .


Keputusan :
Nilai p (sig)=0,200 >  (0,05)  Ho diterima

Kesimpulan  Data pretest konsentrasi belajar terdistribusi normal

Visualisasi :

Q-Q Plot  sebaran data ada disekeliling garis (nilai-z) Detrended Normal Q-Q plot  sebaran data ada disekeliling
garis (nilai-z)

Normal Q-Q Plot of Skor Konsentrasi Pretest Detrended Normal Q-Q Plot of Skor Konsentrasi Pretest

4
0.2
E x p e c te d N o rm a l

D e v fro m N o rm a l

2 0.0

-0.2
0

-0.4

-2

-0.6

-4
-0.8
0 30 60 90 120 150
0 30 60 90 120 150
Observed Value
Observed Value

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 3

150

Boxplot
120

90

Median
60

30
48

Skor Konsentrasi Pretest

STATISTIK PARAMETRIK
 Berhubungan dengan inferensi statistik (pengambilan keputusan atas masalah tertentu) yang
membahas parameter-parameter populasi, seperti rata-rata, populasi dsb.
 Skala data yang digunakan Interval dan Rasio
 Jenis data yang digunakan Numerik dan Kategori
 Distribusi data (populasi) adalah normal
 Jumlah sampel cukup besar (n>30)

JENIS UJI PARAMETRIK (BIVARIAT)


Jenis Data
No Jenis Nama uji
Var Independen Var Dependen
1 Uji 1 kelompok sampel Uji- Z atau Uji-t (numerik)
2 Uji 2 kelompok sampel Uji-t Independen & Uji-t dependen kategori numerik
3 Uji > 2 kelompok sampel Uji Anova (one way) kategori numerik
4 Uji Korelasi Regresi Linier Product Moment Correlation numerik numerik
Sederhana (Korelasi Pearson)

1. UJI 1 KELOMPOK SAMPEL


Digunakan untuk menguji apakah data/sampel yang diambil sama/berbeda dengan data pada
populasi

Contoh soal :
Penelitian terdahulu menyatakan bahwa ukuran Lila WUS di Kota Cimahi = 23,5 cm, diambil 50
sampel WUS dan diukur Lila nya. Apakah ada perbedaan ukuran Lila antara sampel dengan
penelitian sebelumnya ?

Hipoteis 
Ho : Tidak ada perbedaan ukuran Lila WUS antara sampel dengan populasi

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 4

Ha : Ada perbedaan ukuran Lila WUS antara sampel dengan populasi

Prosedur Analisis : Analyze Compare means  One-Sample T test

Hasil analisis dan interpretasi

One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
lila 50 24.9680 1.34308 .18994

Hasil diatas menunjukkan analisis terhadap 50 sampel dengan ukuran Lila rata-rata 24,96 cm,
Standar deviasi (Sd) 1,34308 dan Standar Error (SE) 0,18994

One-Sample Test

Test Value = 23.5


95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
lila 7.729 49 .000 1.46800 1.0863 1.8497

Hasil analisis didapatkan nilai probabilitas (sig)=0,000  bandingkan dengan nilai  (0,05).
Keputusan :
Nilai p (sig)=0,000 <  (0,05)  Ho ditolak

Kesimpulan  Ada perbedaan ukuran Lila WUS antara sampel dengan populasi
(sampel=24,96, populasi = 23,5) dengan perbedaan rata-rata (mean difference)
sebesar 1,468 cm (CI-95% : 1,0863-1,8497)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 5

2. UJI 2 KELOMPOK SAMPEL

2.1. Uji T-Independen (Independent Samples T-test)


Uji ini digunakan untuk mengetahui apakah ada perbedaan means 2 kelompok sampel
independen (2 kelompok yang berbeda)

Contoh soal :
 Suatu penelitian ingin mengetahui hubungan antara kebiasaan merokok dengan berat
badan bayi lahir. (Kategori : Merokok dan Tidak merokok, Numerik kontinyu : bb bayi lahir)
 Suatu penelitian ingin mengetahui hubungan antara riwayat hipertensi dengan berat
badan bayi lahir. (Kategori : Hipertensi dan hipertensi, Numerik kontinyu : bb bayi lahir)

Penyelesaian analisis ini menggunakan 2 langkah :

1. Lakukan Levene test untuk melihat apakah nilai varians ke 2 kelompok tersebut sama atau
berbeda
2. Lakukan uji t-independen untuk melihat apakah ada perbedaan nilai means diantara 2
kelompok yang berbeda tersebut

Prosedur Analisis : Analyze Compare means  Independent-Samples T test


Var Dependen (numeric-kontinyu)

Var Independen (numeric-kategori)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 6

Hasil analisis dan interpretasi

Group Statistics

Std. Error
Apakah ibu merokok N Mean Std. Deviation Mean
BB lahir anak terakhir Tidak 115 3054.957 752.4090 70.1625
Ya 74 2773.243 660.0752 76.7322

Hasil analisis diatas memperlihatkan ada 115 ibu tidak merokok dengan bb bayi rata-rata
3054,957 gram (Sd=752,4090) dan 74 ibu merokok dengan bb bayi rata-rata 2773,243 gram
(Sd=660,0752)

Hipotesis untuk uji varians  Levene test

Ho : Tidak ada perbedaan varians bb bayi antara kelompok merokok dan tidak merokok
Ha : Ada perbedaan varians bb bayi antara kelompok merokok dan tidak merokok

Independent Samples Test

Levene's Test for


Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
BB lahir anak terakhir Equal variances
1.508 .221 2.634 187 .009 281.7133 106.9687 70.6927 492.7338
assumed
Equal variances
2.709 170.001 .007 281.7133 103.9741 76.4668 486.9598
not assumed

Levene test untuk uji varians


Hasil analisis Levene test untuk uji varians didapatkan nilai probabilitas (sig)=0,221  bandingkan
dengan nilai  (0,05).
Keputusan :
Nilai p (sig)=0,221 >  (0,05)  Ho diterima, artinya tidak ada perbedaan varians bb bayi
antara kelompok merokok dan tidak merokok (varians sama=Equal variances assumed)

Independent Samples Test

Levene's Test for


Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
BB lahir anak terakhir Equal variances
1.508 .221 2.634 187 .009 281.7133 106.9687 70.6927 492.7338
assumed
Equal variances
2.709 170.001 .007 281.7133 103.9741 76.4668 486.9598
not assumed

Oleh karena hasilnya menunjukkan varians sama, maka nilai p (sig (2-tailed))=0,009 digunakan
untuk uji hipotesis nilai bb bayi pada kelompok merokok dan tidak merokok,

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 7

Ho : Tidak ada perbedaan bb bayi antara kelompok merokok dan tidak merokok
Ha : Ada perbedaan bb bayi antara kelompok merokok dan tidak merokok

Keputusan :
 Nilai p (sig)=0,009 <  (0,05)  Ho ditolak, artinya ada perbedaan bb bayi antara kelompok
merokok dan tidak merokok dengan perbedaan bb bayi sebesar 281,7133 gram
 Ada hubungan kebiasaan merokok dengan berat badan bayi lahir (p<0,05)

CATATAN :
Bila salah dalam pengambilan keputusan pada uji homogenitas varians (Levene test), dapat
mengakibatkan kesalahan dalam penggunaan nilai sig.(2-tailed). Contoh hasil analisis berikut
memperlihatkan hasil nilai sig.(2-tailed) yang berbeda antara varians sama dan varians berbeda

Independent Samples Test

Levene's Test for


Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
BB lahir anak terakhir Equal variances
1.419 .235 2.019 187 .045 435.5607 215.7094 10.0241 861.0973
assumed
Equal variances
1.612 11.908 .133 435.5607 270.1258 -153.4955 1024.6170
not assumed

Bila menggunakan p=0,045 <  (0,05) Ho ditolak


Bila menggunakan p=0,133 >  (0,05) Ho diterima

2.2. Uji T-Dependen (Dependent Samples T-test / Paired Samples T-test)


Uji ini digunakan untuk mengetahui apakah ada perbedaan means 2 kelompok
berpasangan (before and after test). Uji ini juga digunakan untuk melihat keefektifan suatu
intervensi dengan membandingkan 2 nilai means pada 1 kelompok.

Contoh soal :
 Suatu penelitian ingin mengetahui efektifitas tablet tambah darah, dengan teknik random
sampling didapatkan 30 sampel ibu. Pada awal penelitian diukur kadar Hb masing-masing
sampel, kemudian diberikan tablet tambah darah selama seminggu. Pada akhir penelitian
diukur kembali kadar Hb. Apakah efektif pemberian tablet tambah darah untuk
meningkatkan kadar Hb ibu ?.

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 8

Prosedur Analisis : Analyze Compare means  Paired-Samples T test


Masukkan kedua variable ini secara bersamaan

Hasil analisis dan interpretasi


Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair sebelum 12.2600 30 1.31217 .23957
1 setelah 14.0633 30 .89884 .16411

Hasil analisis diatas memperlihatkan ada 30 ibu dengan kadar Hb rata-rata (sebelum
intervensi) 12,26 (Sd=1,312) dan kadar Hb rata-rata (setelah intervensi) 14,06 (Sd=0,898)

Hipotesis 

Ho : Tidak ada perbedaan kadar Hb sebelum dan setelah pemberian tablet tambah darah
Ha : Ada perbedaan kadar Hb sebelum dan setelah pemberian tablet tambah darah

Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 sebelum - setelah -1.80333 1.17956 .21536 -2.24379 -1.36288 -8.374 29 .000

Hasilnya menunjukkan nilai p (sig (2-tailed))=0,000  bandingkan dengan nilai (0,05)

Keputusan :
 Nilai p (sig)=0,000 <  (0,05)  Ho ditolak, artinya ada perbedaan kadar Hb sebelum dan
setelah intervensi tablet tambah darah dengan peningkatan kadar Hb sebesar 1,803
(sd=1,179)
 Intervensi pemberian tablet tambah darah berdampak positif pada peningkatan kadar Hb
(p<0,05)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 9

3. UJI >2 KELOMPOK SAMPEL (ANOVA)


Uji ini digunakan untuk mengetahui apakah ada perbedaan means >2 kelompok sampel
berbeda

Contoh soal : (SPSS Anylisis Without Anguish p.90)


Sebuah perusahaan suplemen memperkenalkan 6 jenis suplemen untuk peningkatan berat badan.
Untuk itu diambil secara random sampling 154 orang. Masing-masing sampel diberi 1 jenis
suplemen berbeda dan dicatat penambahan berat badannya setelah 1 minggu. Apakah ada
perbedaan peningkatan bb diantara 6 jenis suplemen tersebut ?, jika ada, pada jenis suplemen
mana saja yang berbeda ?.

Penyelesaian analisis ini menggunakan 2 langkah :

1. Lakukan uji F untuk mengetahui apakah ada perbedaan peningkatan berat badan diantara
6 jenis suplemen tersebut ? (paling sedikit ada sepasang suplemen yang berbeda)
2. Jika ada perbedaan, lanjutkan uji menggunakan post hoc test dengan ketentuan :
a. Bila jumlah sampel masing-masing kelompok sama, gunakan uji Tukey atau Duncan
b. Bila jumlah sampel masing-masing kelompok tidak sama, gunakan ujiBonferoni

Prosedur Analisis : Analyze Compare means  One-Way ANOVA


Var Dependen (numeric-kontinyu)

Var Independen (numeric-kategori)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 10

Hasil analisis dan interpretasi


Ho : Tidak ada perbedaan peningkatan bb diantara 6 jenis suplemen
Ha : Ada perbedaan peningkatan bb diantara 6 jenis suplemen
ANOVA

weight gain
Sum of
Squares df Mean Square F Sig.
Between Groups 3194.264 5 638.853 53.203 .000
Within Groups 1777.165 148 12.008
Total 4971.429 153

Hasilnya menunjukkan nilai p (sig (2-tailed))=0,000  bandingkan dengan nilai (0,05)

Keputusan :
 Nilai p (sig)=0,000 <  (0,05)  Ho ditolak, Ada perbedaan peningkatan bb diantara 6 jenis
suplemen (p<0,05)
 Dengan adanya perbedaan peningkatan bb diantara 6 jenis suplemen, maka dianalisis
untuk mengetahui pada pasangan jenis suplemen mana saja yang berbeda dengan
menggunakan Bonferroni (jumlah sampel pada masing-masing jenis suplemen berbeda).

Post Hoc Tests


Multiple Comparisons

Dependent Variable: weight gain


Bonferroni

Mean
Difference 95% Confidence Interval
(I) food supplement (J) food supplement (I-J) Std. Error Sig. Lower Bound Upper Bound
supplement A supplement B -3.440* 1.013 .013 -6.46 -.42
supplement C 3.864* 1.045 .005 .75 6.98
supplement D 3.593* .995 .006 .62 6.56
supplement E 10.867* .973 .000 7.96 13.77
supplement F 5.357* .987 .000 2.41 8.30
supplement B supplement A 3.440* 1.013 .013 .42 6.46
supplement C 7.304* 1.013 .000 4.28 10.33
supplement D 7.033* .962 .000 4.16 9.90
supplement E 14.307* .938 .000 11.51 17.11
supplement F 8.797* .954 .000 5.95 11.64
supplement C supplement A -3.864* 1.045 .005 -6.98 -.75
supplement B -7.304* 1.013 .000 -10.33 -4.28
supplement D -.271 .995 1.000 -3.24 2.70
supplement E 7.003* .973 .000 4.10 9.91
supplement F 1.494 .987 1.000 -1.45 4.44
supplement D supplement A -3.593* .995 .006 -6.56 -.62
supplement B -7.033* .962 .000 -9.90 -4.16
supplement C .271 .995 1.000 -2.70 3.24
supplement E 7.274* .919 .000 4.53 10.02
supplement F 1.765 .935 .915 -1.02 4.55
supplement E supplement A -10.867* .973 .000 -13.77 -7.96
supplement B -14.307* .938 .000 -17.11 -11.51
supplement C -7.003* .973 .000 -9.91 -4.10
supplement D -7.274* .919 .000 -10.02 -4.53
supplement F -5.510* .911 .000 -8.23 -2.79
supplement F supplement A -5.357* .987 .000 -8.30 -2.41
supplement B -8.797* .954 .000 -11.64 -5.95
supplement C -1.494 .987 1.000 -4.44 1.45
supplement D -1.765 .935 .915 -4.55 1.02
supplement E 5.510* .911 .000 2.79 8.23
*. The mean difference is significant at the .05 level.

Kesimpulan :

 Hasil uji lanjut untuk melihat perbedaan peningkatan bb diantara 6 jenis suplemen tersebut memperlihatkan hampir
semua ada perbedaan dengan nilai p (Sig) < 0,05, kecuali pada suplemen C-D (p=1,0), C-F (p=1,0), D-F (p=0,915).
 Perbedaan peningkatan means bb terbesar terlihat pada jenis suplemen jenis B-E sebesar 14,307

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 11

4. UJI KORELASI REGRESSI LINIER SEDERHANA (r-Pearson)


Uji ini digunakan untuk mengetahui apakah ada keeratan hubungan antara 2 data numeric
kontinyu.

Contoh soal : (Principles of Biostatistics, p.363-369)


Sebuah data yang diambil secara random sampling dari 20 negara untuk mengetahui hubungan
cakupan imunisasi (%) dengan angka kematian balita (per 1000 kelahiran hidup).

Tahap penyelesaian :
1. Buat scatter plot
2. Hitung koefisien korelasi (r) Pearson
3. Uji hipotesis nilai – r
4. Jika nilai r bermakna, hitung koefisien regressi  Y = a + b.x
5. Uji hipotesis koefisien regressi
6. Buat persamaan garis regressi

Prosedur Analisis :
1. Buat Scatter Plot : Graphs Scatter/Dot  Simple Scatter  Define

Var Dependen (numeric)


Var Independen (numeric)

250

Dari scatter plot tersebut dapat


M o r ta lity /1 0 0 0 liv e b ir th s

200

diprediksi bahwa semakin


150

meningkat cakupan imunisasi,


maka angka kematian balita 100

semakin menurun (Linier 50

negative)
0

20 40 60 80 100

Percentage Immunized

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 12

2. Hitung koefisien korelasi (r) Pearson


3. Uji hipotesis nilai r
Analyze CorrelateBivariate

Hasil analisis dan interpretasi


Correlations

Percentage Mortality/1000
Immunized live births
Percentage Immunized Pearson Correlation 1 -.829** Nilai - r
Sig. (2-tailed) .000 Uji nilai-r
N 20 20
Mortality/1000 live births Pearson Correlation -.829** 1
Sig. (2-tailed) .000
N 20 20
**. Correlation is significant at the 0.01 level (2-tailed).

 Hasil analisis menunjukkan nilai r = -0,829, hal ini menunjukkan adanya keeratan hubungan antara
cakupan imunisasi dengan angka kematian balita (r > 0,75) Keeratannya sangat baik/sempurna
 Tanda negative pada nilai r menunjukkan bahwa pola hubungannya Linier negative, artinya semakin
meningkat cakupan imunisasi disertai semakin menurunnya angka kematian balita.
 Nilai Sig.(2-tailed) menunjukkan uji-t untuk nilai-r. Hasilnya Sig.(2-tailed)=0,000. Artinya ada
hubungan antara 2 variabel tersebut (Cak Imm & AKABA)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 13

4. Jika nilai r bermakna, hitung koefisien regressi  Y = a + b.x


5. Uji hipotesis koefisien regressi

Analyze RegressionLinear

Hasil analisis dan interpretasi

Model Summaryb

Adjusted Std. Error of


Model R R Square R Square the Estimate
1 .829a .687 .670 39.386
a. Predictors: (Constant), Percentage Immunized
b. Dependent Variable: Mortality/1000 live births

R=0,829  Nilai ini menunjukkan adanya keeratan hubungan antara cakupan imunisasi
dengan AKABA (Hubungannya sangat erat/sempurna)
R Square Nilai ini menunjukkan bahwa variable cakupan imunisasi dapat menerangkan
variabilitas sebesar 68,7% pada variable AKABA, sedangkan sisanya (31,3%)
diterangkan oleh variable lain.

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 61392.214 1 61392.214 39.575 .000a
Residual 27922.986 18 1551.277
Total 89315.200 19
a. Predictors: (Constant), Percentage Immunized
b. Dependent Variable: Mortality/1000 live births

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 14

6. Buat persamaan garis regressi

Sig.=0,000  menunjukkan nilai p=0,000 < ().0,05, artinya ada hubungan linier antara cakupan imunisasi
dengan AKABA
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 278.260 35.456 7.848 .000
Percentage Immunized -2.832 .450 -.829 -6.291 .000
a. Dependent Variable: Mortality/1000 live births

 (Constant) = Sig.=0,000  menunjukkan nilai p=0,000 < ().0,05, artinya koefisien regresi nilai- a
(intercept) significant

 Percentage Immunized = Sig.=0,000  menunjukkan nilai p=0,000 < ().0,05, artinya koefisien
regresi Percentage Immunized significant.

Dengan demikian model persamaan regresi yang dapat digunakan adalah :

Y = 278,260 – 2,832.X atau

Mortality = 278,260 – 2,832.( Percentage Immunized),

Artinya angka kematian balita dapat diprediksi dengan angka cakupan imunisasi

 Berapa Angka kematian balita jika cakupan imunisasi 40%


Y = 278,260 – 2,832.X
Y = 278,260 – 2,832. (40) = 165
Angka prediksi (Y=angka kematian) tidak menghasilkan angka yang tepat seperti
165 tersebut, namun perkiraannya tergantung dari nilai Standard Error of the
Estimate (SEE) pada kolom Model Summary yaitu 39,386. Dengan demikian variasi
variable dependen = Z*SEE, (tabel Z-95%=1,96) sehingga variasinya,
 1,96*39.386 = 77,19
Angka kematian balita  165  77,19
Jadi dengan tingkat kepercayaan 95% untuk cakupan imunisasi 40%, angka
kematian balitanya adalah antara 87.8 s/d 242,2

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 15

UJI NON PARAMETRIK


Uji ini digunakan dengan beberapa asumsi yaitu,

1. Distribusi data tidak normal (Skewed to the right/left)


2. Jumlah sampel kecil (≤ 30)
3. Skala ukur yang digunakan Nominal-Ordinal
4. Jenis data yang digunakan Kategori

JENIS UJI NON PARAMETRIK

No PARAMETRIK NON PARAMETRIK SKALA DATA

1 Uji 1 kelompok sampel Uji Kolmogorov Smirnov


2 Uji 2 kelompok sampel :
Uji-t Independen Uji Median Ordinal
Uji Man Whitney Ordinal
Uji-t dependen Mc. Nemar Nominal
Wilcoxon Ordinal
Uji-t dependen > 2 klp Cohran-Q Nominal
Friedman Ordinal
3 Uji > 2 klp samp-Anova Kruskall Wallis Ordinal
4 Uji Korelasi Pearson Korelasi Spearman Ordinal
5 - Chi-Square Nominal/Ordinal

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 16

1. Uji Median
Contoh soal :
Sebuah penelitian ingin mempelajari respons eliminasi obat phenylbutazone pada penderita
penyakit hati (Cirhosis Hepatis). Dua kelompok sampel diteliti; sampel normal (sehat) dan sampel
penderita CH. Apakah ada perbedaan waktu konsentrasi plasma tertinggi antara sampel normal
dan penderita CH ?

Prosedur analisis : Analyze  Non Parametric TestsK-Independent Samples…

Hasil analisis dan interpretasi


Median Test

Frequencies

kat
Normal CH
kon_plas > Median 12 2
<= Median 8 6

Test Statisticsa

kon_plas
N 28
Median 20.8000
Exact Sig. .209
a. Grouping Variable: kat

Test Statistics  Exact Sig  p=0,209 >  (0,05)  Ho diterima


Kesimpulan :
Tidak ada perbedaan waktu konsentrasi plasma tertinggi antara sampel normal dan penderita
Cirhosis Hepatitis.

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 17

2. Uji Man Whitney


Contoh soal :
Sebelas pasien dari RS-X dan sembilan pasien dari RS-Y menjalani prosedur operasi yang sama.
Variabel yang menjadi perhatian penelitian adalah waktu operasi (dalam menit). Apakah dapat
diambil kesimpulan bahwa waktu operasi di RS-Y lebih lama daripada di RS-X (=5%) ?

Prosedur analisis : Analyze  Non Parametric Tests2-Independent Samples…

Hasil analisis dan interpretasi


Ho : Waktu operasi di RS-X ≥ RS-Y
Ha : Waktu operasi di RS-X < RS-Y
Mann-Whitney Test

Ranks

rs N Mean Rank Sum of Ranks


waktu RS-X 11 7.50 82.50
RS-Y 9 14.17 127.50
Total 20

Test Statisticsb

waktu
Mann-Whitney U 16.500
Wilcoxon W 82.500
Z -2.509
Asymp. Sig. (2-tailed) .012
Exact Sig. [2*(1-tailed a
.010
Sig.)]
a. Not corrected for ties.
b. Grouping Variable: rs

Test Statistics  Exact Sig  p=0,010 <  (0,05)  Ho ditolak


Kesimpulan :
Waktu operasi di RS-A lebih singkat daripada di RS-B (p<0,05)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 18

3. Mc. Nemar
Contoh soal :
Suatu penelitian untuk melihat hubungan antara kebiasaan minum kopi dan infark miokard
dengan desain penelitian kasus kontrol. Lakukan uji kemaknaan pada =0,01.

Prosedur analisis : Analyze  Non Parametric Tests2-Related Samples…

Hasil analisis dan interpretasi


Ho : Tidak ada perbedaan status kebiasaan minum kopi antara penderita dan bukan penderita
Infark Miocard
Ha : Ada perbedaan status kebiasaan minum kopi antara penderita dan bukan penderita
Infark Miocard

McNemar Test

Crosstabs

Test Statisticsb
Kasus & Kontrol Kasus &
Kontrol
Kontrol N 100
Kasus 0 1 Exact Sig. (2-tailed) .424a
0 35 15 a. Binomial distribution used.
1 10 40 b. McNemar Test

Test Statistics  Exact Sig. (2-tailed)  p=0,424 >  (0,01)  Ho diterima


Kesimpulan :
Tidak ada perbedaan status kebiasaan minum kopi antara penderita dan bukan penderita Infark
Miocard (p>0,01)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 19

4. Wilcoxon
Contoh soal :
Sampel terdiri dari 10 pasien mendapat catopril dengan dosis 6,25 mg. Pasien diukur TD sistolik
sebelum dan 70 menit setelah pemberian obat. Penelitian ini ingin mengetahui apakah
pengobatan tersebut efektif untuk menurunkan TD pasien (=0,05) ?

Prosedur analisis : Analyze  Non Parametric Tests2-Related Samples…

Hasil analisis dan interpretasi


Ho : Tidak ada perbedaan TD sistolik antara sebelum dan setelah pemberian catopril
Ha : Ada perbedaan TD sistolik antara sebelum dan setelah pemberian catopril

Wilcoxon Signed Ranks Test

Ranks

N Mean Rank Sum of Ranks


Test Statisticsb
TD sesudah - Negative Ranks 7a 5.71 40.00
TD sebelum Positive Ranks 2b 2.50 5.00 TD sesudah -
Ties 1c TD sebelum
Total 10 Z -2.077a
a. TD sesudah < TD sebelum Asymp. Sig. (2-tailed) .038
b. TD sesudah > TD sebelum a. Based on positive ranks.
c. TD sesudah = TD sebelum b. Wilcoxon Signed Ranks Test

Test Statistics  Asymp Sig. (2-tailed)  p=0,038 <  (0,05)  Ho ditolak


Kesimpulan :
Ada perbedaan TD sistolik antara sebelum dan setelah pemberian catopril, sehingga dapat
dikatakan pula bahwa pengobatan dengan catopril efektif untuk menurunkan TD pasien (p<0,05)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 20

5. Cohran-Q
Contoh soal :
Empat kelompok masing-masing terdiri dari 6 orang mengikuti program diet, setiap kelompok
mendapatkan 1 macam diet yang berbeda dengan kelompok lain. Pada akhir penelitian ditimbang
bb nya dan dicatat, bila tidak ada peningkatan bb diberi nilai 1 dan bila ada peningkatan diberi
nilai 0. Apakah ada perbedaan efektifitas antara keempat macam diet tersebut (=0,05) ?

Prosedur analisis : Analyze  Non Parametric TestsK-Related Samples…

Hasil analisis dan interpretasi


Ho : Tidak ada perbedaan efektifitas peningkatan bb diantara keempat macam diet
Ha : Ada perbedaan efektifitas peningkatan bb diantara keempat macam diet

Cochran Test
Frequencies Test Statistics

Value N 6
0 1 Cochran's Q 9.316a
diet_a 0 6 df 3
diet_b 1 5 Asymp. Sig. .025
diet_c 5 1 a. 1 is treated as a success.
diet_d 3 3

Test Statistics  Asymp Sig. (2-tailed)  p=0,025 <  (0,05)  Ho ditolak


Kesimpulan :
Ada perbedaan efektifitas peningkatan bb diantara keempat macam diet (p<0,05)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 21

6. Friedman
Contoh soal :
Data 10 orang mahasiswa dicuplik secara random untuk evaluasi pengajaran dengan tujuan
perbaikan sistem ujian. Evaluasi berminat mengetahui apakah terdapat perbedaan tingkat
kesulitan ujian pada matakuliah Metodologi Penelitian, Statistik, Komputer dan Bahasa Inggris
(=5%) ?
Prosedur analisis : Analyze  Non Parametric TestsK-Related Samples…

Hasil analisis dan interpretasi


Ho : Tidak ada perbedaan tingkat kesulitan pada keempat mata kuliah
Ha : Ada perbedaan tingkat kesulitan pada keempat mata kuliah

Friedman Test
Ranks Test Statisticsa

Mean Rank N 10
Metodologi Penelitian 1.30 Chi-Square 15.568
Statistik 3.25 df 3
Komputer 3.15 Asymp. Sig. .001
Bhs Inggris 2.30 a. Friedman Test

Test Statistics  Asymp Sig. (2-tailed)  p=0,001 <  (0,05)  Ho ditolak


Kesimpulan :
Ada perbedaan tingkat kesulitan pada keempat mata kuliah (p<0,05)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 22

7. Kruskal Wallis
Contoh soal :
Sebuah hipotesis menyatakan bahwa berat badan bayi berhubungan dengan status kebiasaan
merokok ibu pada trimester pertama. Untuk menguji hipotesis ini dicatat data bb bayi dan status
kebiasaan merokok ibu dengan 4 kelompok dalam periode 1 bulan terakhir. Ujilah apakah ada
perbedaan bb bayi diantara 4 kelompok tersebut (=5%) ?
Prosedur analisis : Analyze  Non Parametric TestsK-Independent Samples…

Hasil analisis dan interpretasi


Ho : Berat badan bayi lahir sama dengan semakin beratnya status kebiasaan merokok ibu
Ha : Berat badan bayi lahir rendah dengan semakin beratnya status kebiasaan merokok ibu

Kruskal-Wallis Test

Ranks Test Statisticsa,b

Status Kebiasaan N Mean Rank BB Bayi


BB Bayi merokok
Tidak Merokok 7 20.21 Chi-Square 10.081
Mantan Perokok 5 17.70 df 3
Merokok < 1 bks sehari 7 11.50 Asymp. Sig. .018
Merokok >= 1 bks sehari 8 8.44 a. Kruskal Wallis Test
Total 27 b. Grouping Variable: Status Kebiasaan merokok

Test Statistics  Asymp Sig.  p=0,018 <  (0,025)  Ho ditolak


Kesimpulan :
Ada perbedaan bb bayi pada keempat status kebiasaan merokok (p<0,025)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 23

8. Spearman (rs)
Contoh soal :
Data Tekanan Darah (TD) meningkat dengan bertambahnya umur. Namun bagaimana hubungan
antara umur dan denyut jantung. Pada penelitian ini memperlihatkan hasil survey asosiasi antara
umur dengan denyut jantung dari sampel terdiri atas 15 subyek. Hitung nilai rs dan lakukan uji
kemaknaan pada =0,01
Prosedur analisis : Analyze  Correlate Bivariate

Hasil analisis dan interpretasi


Ho : Tidak ada keeratan hubungan antara umur dengan denyut jantung (Independen)
Ha : Ada keeratan hubungan antara umur dengan denyut jantung/Peningkatan umur diikuti
penurunan frekuensi denyut jantung (korelasi negatif)

Nonparametric Correlations

Correlations

umur deny_jtg
Spearman's rho umur Correlation Coefficient 1.000 -.945**
Sig. (1-tailed) . .000
N 15 15
deny_jtg Correlation Coefficient -.945** 1.000
Sig. (1-tailed) .000 .
N 15 15
**. Correlation is significant at the 0.01 level (1-tailed).

 Correlation Coefficient  -0,945, menunjukkan nilai keeratan hubungan rs (Spearman’s rho)


umur dengan denyut jantung. Nilai 0,945 > 0,75 Keeratannya sangat baik sekali.
 Nilai negatif artinya Korelasi negatif  Semakin umur meningkat diikuti penurunan
frekuensi denyut jantung
 Sig.(1-tailed)  p = 0,000 <  (0,01)  Uji nilai rs Significant

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 24

Kesimpulan :
Ada keeratan hubungan (rs = -0,945) antara umur dengan denyut jantung, dengan kata lain
terjadinya peningkatan umur diikuti penurunan frekuensi denyut jantung (korelasi negatif)
(p<0,01)

Hasil visualisasi menggunakan Scatter Plot

110

100

90
d e n y _ jt g

80

70

60

50

0 10 20 30 40 50 60 70

umur

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 25

UJI CHI-SQUARE
Tujuan :

1. Menguji perbedaan proporsi (persentase) antara beberapa kelompok data.


2. Lebih spesifik lagi dalam penelitian kesehatan adalah untuk menguji apakah ada perbedaan
proporsi keluaran (outcome +/ penyakit +) antara faktor terpajan (+) dan tidak terpajan (-).

Prinsip Dasar :
Membandingkan frekuensi yang terjadi (observasi) dengan frekuensi harapan (Ekspektasi). Bila nilai
frekuensi observasi dengan nilai frekuensi harapan tidak ada perbedaan, maka dapat dikatakan tidak ada
perbedaan yang bermakna (significant). Demikian sebaliknya dikatakan ada perbedaan bila nilai frekuensi
observasi dengan nilai frekuensi harapan berbeda.

Data yang digunakan :


1. Skala Nominal atau Ordinal
2. Jenis data  Kategori dan Kategori

Syarat penggunaan :

1. Tidak boleh ada sel yang mempunyai nilai harapan (Expected value) Nol (0)
2. Tidak boleh ada sel yang mempunyai nilai harapan (Expected value) kurang dari 5 lebih dari 20%
jumlah keseluruhan sel

Analisis menggunakan SPSS, ketentuannya :

1. Penggunaan kode harus konsisten, gunakan kode rendah untuk terpajan (+) dan outcome (+) dan
kode tinggi untuk terpajan (-) dan outcome (-). Jika salah pengkodean akan mengakibatkan
kesalahan dalam perhitungan nilai POR, OR dan RR
2. Pada baris (row) gunakan untuk variable Independent, pada kolom (Column) gunakan untuk
variable Dependent
3. Output Chi-Square test, gunakan :
a. Fisher’s Exact Test  bila ada nilai harapan < 5 (expected count less than 5)
b. Continuity Correction  bila tidak ada nilai harapan < 5 pada tabel 2 x 2
c. Pearson Chi-Square  bila tabel lebih dari 2 x 2

TABEL :
Penyakit
Pajanan Jumlah
Ada (0) Tidak (1)
Ada (0) a b a+b
Tidak (1) c d c+d
Jumlah a+c b+d a+b+c+d

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 26

1. CROSS SECTIONAL

Perhitungan ukuran asosiasi

Keluaran (Outcome)
Pajanan Jumlah
Ada Tidak
Ada a b a+b
Tidak c d c+d
Jumlah a+c b+d a+b+c+d

a / a+b )
PO = c/( c / d )
R
Interpretasi seperti ini hanya dapat dilakukan jika subyek penelitian dipilih pada akhir masa
berisiko terjadinya keluaran dari populasi asal yang tetap (fixed based population) dan status
keluaran tidak berpengaruh pada probabilitas terpilihnya sebyek sebagai sampel penelitian pada
kelompok terpajan dan tidak terpajan. Oleh karena itu dalam perhitungan dengan software
statistics perhitungannya menggunakan rumus,
(a/c) ad
PO = (b/d) = bc
R
Contoh soal :

Suatu penelitian ingin mengetahui hubungan kualitas sumber air minum dengan kejadian diare. Dari 3.080

responden yang diteliti ternyata 1.756 responden menggunakan sumber air minum kualitas buruk dengan

kejadian diare sebanyak 271 responden. Sedangkan kejadian diare pada pengguna sumber air minum

kualitas baik sebanyak 101 responden. Ujilah, apakah ada hubungan antara kualitas sumber air minum

dengan kejadian diare (=5%). Berapa nilai POR ?

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 27

Prosedur Analisis :

Analyze Descriptive Statistics Crosstabs ……..

Chi Square

Nilai POR
Nilai observasi

Nilai harapan

Persen baris
(Cross Sectional)

Hasil analisis dan interpretasi

Crosstabs (Cross Sectional)

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Sumber Air Minum * Diare 3080 100.0% 0 .0% 3080 100.0%

Data yang dianalisis sebanyak 3.080 responden

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 28

Tabel silang hubungan sumber air minum dengan kejadian diare

Sumber Air Minum * Diare Crosstabulation

Diare
Ya Tidak Total
Sumber Air Buruk Count 271 1485 1756 Nilai observasi
Minum Expected Count 212.1 1543.9 1756.0
% within Sumber
15.4% 84.6% 100.0% Nilai harapan
Air Minum
Baik Count 101 1223 1324
Expected Count 159.9 1164.1 1324.0
% within Sumber
Persen baris
7.6% 92.4% 100.0% (Cross Sectional)
Air Minum
Total Count 372 2708 3080
Expected Count 372.0 2708.0 3080.0
% within Sumber
12.1% 87.9% 100.0%
Air Minum

Dari tabel diatas terlihat pada kejadian diare, pengguna sumber air minum buruk sebanyak 271 (15,4%)(Exp=212,1)
dan pada pengguna sumber air minum baik sebanyak 101 (7,6%)(Exp=159,9)  Apakah perbedaan ini secara statistik
significant ?

Ho = Tidak ada perbedaan proporsi kejadian diare antara pengguna sumber air minum buruk dan baik
Ha = Ada perbedaan proporsi kejadian diare antara pengguna sumber air minum buruk dan baik

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.


Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 43.296b 1 .000
Continuity Correctiona 42.565 1 .000 p-value
Likelihood Ratio 45.243 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear
43.282 1 .000
Association
N of Valid Cases 3080
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is 159.
91.
Tidak ada nilai harapan < 5

Pada tabel Chi-Square test menunjukkan tidak ada nilai harapan < 5, sehingga yang digunakan adalah nilai Continuity
Correction  p=0,000  bandingkan dengan nilai =0,05.

Kesimpulan :

Nilai p=0,000 < 0,05 ()  Ho ditolak

 Ada perbedaan proporsi kejadian diare antara pengguna sumber air minum buruk dan baik
 Ada hubungan antara penggunaan sumber air minum dengan kejadian diare (p<0,05)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 29

Nilai POR

Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for Sumber Nilai POR
2.210 1.737 2.811
Air Minum (Buruk / Baik)
For cohort Diare = Ya 2.023 1.628 2.514
For cohort Diare = Tidak .916 .893 .939
N of Valid Cases 3080

Nilai POR = 2,21  artinya orang yang menggunakan sumber air minum buruk memiliki resiko untuk menderita diare
2,2 kali dibandingkan dengan orang yang menggunakan sumber air minum baik dengan CI-95% antara 1,737 – 2,811

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 30

2. CASE CONTROL
Perhitungan ukuran asosiasi

Keluaran (Outcome)
Pajanan Jumlah
Kasus Kontrol
Ada a b a+b
Tidak c d c+d
Jumlah a+c b+d a+b+c+d

(a/c) ad
RiskO = (b/d) = bc
R
Contoh soal :

Suatu penelitian tentang penggunaan asetil salisilat (aspirin) sebagai factor risiko terjadinya Syndroma
Reye pada anak. 100 anak disertakan dalam penelitian, terdiri dari 50 kasus dan 50 kontrol. Ternyata ada 32
anak pengguna aspirin yang berasal dari kasus dan ada 17 anak pengguna aspirin yang berasal dari control.
Dengan menggunakan =5%, apakah penggunaan asetil salisilat (aspirin) sebagai factor risiko terjadinya
Syndroma Reye pada anak. Berapa nilai POR ?

Prosedur Analisis :

Analyze Descriptive Statistics Crosstabs ……..

Chi Square

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 31

Nilai ROR
Nilai observasi

Nilai harapan

Persen kolom
(Case Control)

Hasil analisis dan interpretasi

Crosstabs (Case Control)

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Penggunaan Aspirin
100 100.0% 0 .0% 100 100.0%
* Syndroma Reye

Penggunaan Aspirin * Syndroma Reye Crosstabulation

Syndroma Reye
Ya Tidak Total
Penggunaan Ya Count 32 17 49
Aspirin Expected Count 24.5 24.5 49.0
% within Syndroma Reye 64.0% 34.0% 49.0%
Tidak Count 18 33 51
Expected Count 25.5 25.5 51.0
% within Syndroma Reye 36.0% 66.0% 51.0%
Total Count 50 50 100
Expected Count 50.0 50.0 100.0
% within Syndroma Reye 100.0% 100.0% 100.0%

Dari tabel diatas terlihat bahwa pada pengguna aspirin, ada 32 (64%) kasus Syndroma Reye dan 17
(34%) bukan kasus Syndroma Reye  Apakah perbedaan ini secara statistik significant ?

Ho = Tidak ada perbedaan proporsi antara kasus dan kontrol pada pengguna asetil salisilat (aspirin)
Ha = Ada perbedaan proporsi antara kasus dan kontrol pada pengguna asetil salisilat (aspirin)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 32

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.


Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 9.004b 1 .003
Continuity Correctiona 7.843 1 .005
Likelihood Ratio 9.144 1 .002
Fisher's Exact Test .005 .002
Linear-by-Linear
8.914 1 .003
Association
N of Valid Cases 100
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is 24.
50.

Pada tabel Chi-Square test menunjukkan tidak ada nilai harapan < 5, sehingga yang digunakan adalah nilai Continuity
Correction  p=0,005  bandingkan dengan nilai =0,05.

Kesimpulan :

Nilai p=0,005 < 0,05 ()  Ho ditolak

 Ada perbedaan proporsi antara kasus dan kontrol pada pengguna asetil salisilat (aspirin)
 Ada hubungan antara penggunaan asetil salisilat dengan kejadian syndrome reye (p<0,05)

Nilai OR

Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for
Penggunaan Aspirin 3.451 1.517 7.852
(Ya / Tidak)
For cohort Syndroma
1.850 1.211 2.827
Reye = Ya
For cohort Syndroma
.536 .347 .828
Reye = Tidak
N of Valid Cases 100

Nilai OR = 3,45  artinya terjadinya syndrome reye pada pengguna asetil salisilat (aspirin) 3,45 kali dibandingkan
dengan terjadinya syndrome reye pada bukan pengguna asetil salisilat dengan CI-95% antara 1,517 – 7,852

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 33

3. COHORT
Perhitungan ukuran asosiasi

Penyakit
Pajanan Jumlah
Ada Tidak
Ada a b a+b
Tidak c d c+d
Jumlah a+c b+d a+b+c+d

a/a+b
RR =
c/c+d
Contoh soal :

Suatu penelitian tentang hubungan anemi pada kehamilan dengan terjadinya BBLR pada bayi. Penelitian
melibatkan 300 responden ibu hamil yang terdiri dari 100 ibu anemi dan 200 tidak anemi. Setelah
penelitian ini berakhir ternyata ada 30 ibu anemi melahirkan BBLR dan 20 ibu tidak anemi melahirkan BBLR.
Ujilah apakah ada hubungan anemi pada kehamilan dengan kejadian BBLR (=5%). Berapa nilai RR ?

Prosedur Analisis :

Analyze Descriptive Statistics Crosstabs ……..

Chi Square

Nilai RR
Nilai observasi

Nilai harapan

Persen baris
(Cohort)

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 34

Hasil analisis dan interpretasi

Crosstabs (Cohort)

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Kejadian Anemi * BBLR 300 100.0% 0 .0% 300 100.0%

Kejadian Anemi * BBLR Crosstabulation

BBLR
Ya Tidak Total
Kejadian Ya Count 30 70 100
Anemi Expected Count 16.7 83.3 100.0
% within Kejadian Anemi 30.0% 70.0% 100.0%
Tidak Count 20 180 200
Expected Count 33.3 166.7 200.0
% within Kejadian Anemi 10.0% 90.0% 100.0%
Total Count 50 250 300
Expected Count 50.0 250.0 300.0
% within Kejadian Anemi 16.7% 83.3% 100.0%

Dari tabel diatas terlihat bahwa kejadian BBLR pada ibu dengan anemi sebanyak 30 (30%)
(Exp=16,7) dan pada ibu dengan tidak anemi sebanyak 20 (10%)(Exp=33,3%) . Apakah perbedaan ini
secara statistik significant ?

Ho = Tidak ada perbedaan proporsi kejadian BBLR antara ibu anemi dengan tidak anemi
Ha = Ada perbedaan proporsi kejadian BBLR antara ibu anemi dengan tidak anemi

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.


Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 19.200b 1 .000
a
Continuity Correction 17.787 1 .000
Likelihood Ratio 18.131 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear
19.136 1 .000
Association
N of Valid Cases 300
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is 16.
67.

Pada tabel Chi-Square test menunjukkan tidak ada nilai harapan < 5, sehingga yang digunakan adalah nilai Continuity
Correction  p=0,000  bandingkan dengan nilai =0,05.

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007
Parametrik  P a g e - 35

Kesimpulan :

Nilai p=0,000 < 0,05 ()  Ho ditolak

 Ada perbedaan proporsi kejadian BBLR antara ibu anemi dengan tidak anemi
 Ada hubungan antara anemi pada kehamilan dengan kejadian BBLR (p<0,05)

Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for Kejadian
3.857 2.055 7.239
Anemi (Ya / Tidak)
For cohort BBLR = Ya 3.000 1.797 5.008
For cohort BBLR = Tidak .778 .679 .891
N of Valid Cases 300

Nilai RR = 3,00  artinya yang menderita anemi pada waktu hamil memiliki resiko untuk melahirkan bayi BBLR 3
kali lebih besar dari ibu yang tidak menderita anemi dengan CI-95% antara 1,797 – 5,008.

Kepustakaan dan Sumber Data :


1. SPSS-Analysis Without Anguish, Sheridan J.Coakes, Lyndall G.Steed, Nutritional Library of Australia, 2003
2. Draft Buku Analisis Data Kategori, Iwan Ariawan, FKM-UI, 2001
3. Analisis Data, Sutanto PH, FKM-UI, 2001
4. Modul (MA.2600) Biostatistik dan Statistik Kesehatan, Luknis Sabri, Sutanto.P.H, FKM-UI 1999
5. Statistik Lanjut dengan SPSS, Iwan Ariawan dkk, FKM-UI 1998
6. Penerapan Metode Statistik Non Parametrik dalam Ilmu-Ilmu Kesehatan, Bhisma Murti, 1996
7. Principles of Biostatistics, Miarcello Pagano, Kimberlee Gauvreau, 1992

 Ichwanuddin, disampaikan pada Pelatihan Metode dan Analisis Data Penelitian-STIKES Jend Ahmad Yani-Cimahi, 5-6 Juni 2007

You might also like