Materi :

Analisis Statistika

Hadyana Sukandar
 Materi :

Analisis Statistika

Hadyana Sukandar
Materi :
1. Dasar memilih analisis statistika
2. Analisis data
3. Variabel penelitian
4. Klasifikasi variabel
5. Skala pengukuran
6. Memahami analisis data (univariabel, bivariabel, multivariabel,
multivariat)
7. Analisis korelasi
8. Strategi analisis data
9. Menyajikan hasil penelitian
10. Praktikum analisis data (data entry, aplikasi statistik : deskriptif,
analitik dsb).
1. DASAR MEMILIH ANALISIS STATISTIKA :

• TUJUAN PENELITIAN
• DESAIN PENELITIAN
• JENIS DATA / SKALA PENGUKURAN
• DISTRIBUSI DATA
• DATA BERPASANGAN ATAU INDEPENDEN
• JUMLAH KELOMPOK/SAMPEL YANG
AKAN DIBANDINGKAN
• UKURAN / BESAR SAMPEL
2. Analisis data

Analisis data deskriptif

Analisis data inferensial (analitik) :
 Statistika non parametrik
 Statistika parametrik

3. Variabel penelitian

Variabel : karakteristik daripada orang, objek,

atau gejala yang dapat mengambil nilai yang
berbeda
Macam variabel :

• Variabel independen (input, treatment,

Stimulus, cause)
• Variabel dependen (output, outcome,
respons, effect)
• Variabel confounding

4. Klasifikasi variabel :

1) Variabel kualitatif (variabel kategori)

2) Variabel kuantitatif (variabel numerik)
 Kontinu (hasil mengukur)
 Diskrit (hasil menghitung)
5. Skala pengukuran :

• Nominal
• Ordinal
• Interval
• Rasio
Sumber data : Primer, Sekunder, Tersier
Statistik yang cocok :

• Nominal : modus, persentase

• Ordinal : modus, median
• Interval/rasio : semua ukuran statistik
bisa dihitung
Klasifikasikan data/variabel di bawah ini :

1. Penilaian ujian : A, B, C, D, E
: Nilai skor 70, 76, dst
2. Pendapatan keluarga/bulan
3. Tingkat pendidikan
4. Status gizi
5. Jenis pekerjaan
6. IQ
7. Produksi padi/Ha
8. APGAR skor
9. PH
Dependent and independent variable
 The variable that is used to describe or measure
the problem under study is called the Dependent
Variable.
 The variables that are used to describe or
measure the factors that are assumed to caused
or at least to influence the problem are called the
Independent Variable.
A variable that is associated with the problem
and with possible cause of the problem is a
potential Confounding variable.

A confounding variable may either strengthen

or weaken the apparent relationship between
the problem and possible cause.
 Cause
Effect/outcome
(Independent variable) (Dependent variables)

Other factors
(confounding variables)
 EXAMPLE :

 Independent variable : Mother’s education

 Dependent variable : Malnutrition

 Confounding variable : Family income

 Example of a framework for defining variables
Conceptual definition Operational definition Scale of measurement
of variable I.e. indicator
1. Age Age at last birthday Continuous, in month
2. Hemoglobin level hemoglobin Continuous
concentration in (grams/100ml)
capillary blood,
measured by
hemoglobinometer

3. Nutritional status Weight in relation to Ordinal, e.g. well

age compared to a nourished : > = 80% of
standard growth curve standard : moderately
malnourished : 60 -80%
of standard; severely
malnourished : 60% of
standard

4. Immunization Percentage of children continuous, e.g.%, or

coverage immunized in a ordinal : high: >80%
particular age group Medium : 60 - 80%
Low : < 60%
PROBLEM :
A health researcher believes the in a certain region anemia,
malaria and malnutrition are serious problems among
adult males and in particular, among farmers. He wishes
to study the prevalence of these diseases among adult
males of various ages, occupations and educational
backgrounds to determine how serious a problem these
diseases are for this population.

QUESTIONS :
What are the dependent and independent
variable in the study ?
Which of these are categorical and which are
numerical variables ?
 DATA ANALYSIS
 Univariable (only one dependent variable)
 Bivariable
 Multivariable (more than one independent
variable)
 Multivariate (more than one dependent variable)
Ukuran statistik kesehatan :
1. Rate (angka) misal rate kematian
2. Rasio : perbandingan dua angka (X/Y)
3. Proporsi : X/(X+Y)

Ukuran statistik :
a. Ukuran sentral tendensi :
- rata-rata
- median
- modus
- rata-rata yang ditimbang
- rata-rata logaritma
b. Ukuran variabilitas/dispersi :
- range
- standard deviasi
- varians
- koefisien variasi
Ukuran Frekuensi :
1. Rasio
2. Proporsi
3. Rate
Berdasarkan riwayat alamiah penyakit, kejadian penyakit
dapat dibedakan menjadi 2 jenis :
(1) Insidensi
(2) Prevalensi

Insidensi sering dikatakan kasus baru.

Prevalensi adalah kejadian penyakit pada satu saat atau
satu periode waktu, baik yang baru saja memasuki fase
klinik maupun yang telah beberapa waktu lamanya
berkembang sepanjang fase klinik (kasus baru+kasus
lama).
Dalam riset etiologi, untuk mengetahui faktor-
faktor penyebab penyakit sehingga manifes secara
klinik, jenis data yang digunakan adalah insidensi.

Dalam riset prognosis, untuk mempelajari faktor-

faktor yang mempengaruhi akibat lanjut penyakit,
jenis data yang digunakan adalah prevalensi.
Insidensi :
Insidensi kumulatif (CI)
Insidensi rate (laju insidensi) atau
Insidensi density (ID)
Rumus :

 orang yg terkena penyakit dlm suatu jangka waktu

CI = --------------------------------------------------------------------------------------
 semua orang dlm risiko untuk terkena penyakit dlm jangka
waktu itu
Contoh :
- Attack rate (risk) keracunan setelah makan tempe
bongkrek

- Angka kematian kasus (case fatality rate) untuk

tuberkulosis

- Probabilitas kelangsungan hidup dlm setahun

setelah didiagnosis kanker paru

- Risiko dlm 5 tahun untuk terkena penyakit

jantung koroner pada pria Indonesia umur 50 th.
Cara menghitung CI :
Metode kumulatif sederhana
Metode aktuarial (life table)

Laju insidensi :

 kasus baru penyakit

ID = --------------------------------------------------------------------------------
 orang dalam risiko x lamanya masing-masing dlm risiko
Contoh :
Kecepatan insidensi HIV pada anggota klub “sextacy” di
Jakarta. Pengamatan antara 1 Jan 1995 – akhir tahun 1996.

A. 20 orang mulai menjadi anggota 1 Jan 95 dan berhenti

pada 1 Jan 97 tanpa pernah menderita positip HIV
B. 10 orang mulai menjadi anggota 1 Jan 95 dan menjadi
positip HIV pada 31 Jan 96
C. 5 orang mulai menjadi anggota 31 Juli 95 dan berhenti
pada 1 Juli 96 karena positip HIV
D. 5 orang mulai menjadi anggota 1 Jan 95 dan berhenti
pada 1 Juli 96 karena meninggal.
Pembilang :  kasus = 15
Penyebut : Kel A = 20 x 24
Kel B = 10 x 13
Kel C = 5 x 11
Kel D = 5 x 18

ID = 15 kasus/ 755 orang bulan

= 0,020 per orang bulan pengamatan
= 2 positip HIV per 100 orang bulan
Artinya : kecepatan insidensi adalah 2 orang positip
HIV dari 100 orang yang terpapar selama sebulan.
Prevalensi :
Prevalensi titik
Prevalensi periode
Prevalensi =  kasus penyakit
titik  Populasi total

Prevalensi =  kasus saat ini +  kasus baru

periode Rata-rata populasi

Rata-rata populasi bisa diganti oleh populasi pada

t0 .
 OVERVIEW OF STUDY TYPES
1. Non intervention studies :
 Exploratory studies
 Descriptive studies and

 Comparative (analytical) studies

 cross - sectional comparative studies
 case - control studies

 cohort studies

2. Intervention studies
 Experimental studies and
 Quasi experimental studies
 Example (table 2 x 2) :
Disease
+ -

- A B A+ B

Exposure (risk II
factor)
C D
+ C+ D

Total A+ C B+D
n

III I

Note : 1. Cross - sectional sampling

2. Prospective sampling
3. Retrospective
 Diagram of an experimental study

Study population
(sampling)

Sample population
(randomization)

Study group (experimental) Control (comparison

group)

First data collection First data collection (same time

(before intervention) as in study group)

Intervention/ No Intervention/
manipulation manipulation

Last data collection (after Last data collection (same

intervention) time as in study group)
Compare