DATA DAN VARIABEL PADA

STATISTIK
Bahan kuliah 10 Maret 2021
PPDS BEDAH Batch V
FK UNMUL – RS AWS
 Batasan statistik:
 Metoda untuk mencatat data
 Metode untuk mengkalkulasi data numerik
 Techniques and procedures dealing with the
collection, organization, analysis, interpretation,
and presentation of information that can be stated
numerically (Kuzma)
 Statistik sering diartikan sebagai statistik sampel
 Tiga macam bohong; Bohong kecil, bohong besar
dan statistik.
 Definisi statistik :
“ Statistic is a field of study concerned with (1) the
collection, organization, summerization, and
analysis of data, and (2) the drawing of inferences
about a body of data when only a part of the data
is observed “

( Wayne W. Daniel, Biostatistics: A Foundation for

Analysis in the Health Sciences 7 th Edition )
 Biostatistics: Roles and
Functions ?
 Tool
 Processing set of data to be information, exp:
- Health states : morbidity, mortality etc
- Health and medical problems
- Health services evaluation
 Decision making, exp :
– Diagnosis and treatment
– Health services intervention
– Cause of disease
– Drug trial
– Research conclusions
 Statistics ……categories ?
 Descriptive statistics
deal with the enumeration, and graphical
presentation of data.
 Inferential statistics
concerned with reaching conclusions of
information obtained from a sample to say
something about an entire population.
 Descriptive Statistics

Sample description

Sample
population (statistik)

Parameter
Estimation
Hypotheses
Inferential
statistics
Flow pekerjaan Statistik
 Statistical methods framework ( 1 )

VARIABLE

SCALE SCALE
Intv, Rat Nom , Ord

Sample Sample Non Parametrik

≥ 30 < 30 test

Normal skewed

Parametrik
Test
 Statistical methods framework . ( 2 )

Parametrik test

UNIVARIABEL BIVARIABEL MULTI

VARIABEL

ESTIMASI KOMPARASI HUBUNGAN HUBUNGAN

MULTI
UNPAIRED PAIRED CORRELATION
Z - TEST VARIATE
(PEARSON’S)
REGRESSION
INDP VAR:
t - TEST SUB VAR
t - TEST
INDEPENDEN DEPENDEN
ANOVA
Statistical methods framework . ( 3 )

NON PARAMETRIK

DIFFERENT DIFF RANK DIFF RANK CORRELATION

PROPORSI 2 GROUP 3 GROUP

INDEPEN
CHI-SQUARE INDEPEN RELATED
DENT
TEST DENT GROUP
RELATED
GROUP KRUSKALL SPEARMAN
WALLS TEST TEST
MANN –
WHITNEY WILCOXON FRIEDMAN
TEST SIGN TEST TEST
 Uji Statistik pada analisis Bivariat
Variabel I Variabel II Uji statistik yg digunakan

Kategorik Kategori Chi- Square

Fisher Exact Test

Kategorik Numerik Uji T

Anova

Numerik Numerik Korelasi

Regressi
 Tampilan Statistik deskriptip :
– Analisa central tendency.
misal : Mean, Median dan Modus
– Analisa ukuran dispersi
misal : standart deviasi, range.
– Analisa tabel frekwensi distribusi
misal : Frekwensi absolut, kumulatip, proporsi
(persentase), ratio
– Analisa tabel kontegensi (Match tabel/cross )
Tabel. 1 Distribusi Nilai mata kuliah X semester-5 FK UNMUL Th.2004

Valid Cum Contoh :

Nilai Frequency Percent Percent Percent
56 1 1.9 1.9 1.9 Tampilan statistik deskriptip
60 5 9.2 9.2 11.1
64 3 5.6 5.6 16.7
66 5 9.3 9.3 25.9
68 3 5.6 5.6 31.5
70 8 14.8 14.8 46.3
72 2 3.7 3.7 50.0
73 1 1.9 1.9 51.9
74 1 1.9 1.9 53.7
75 2 3.7 3.7 57.4
76 2 3.7 3.7 61.1
77 1 1.9 1.9 63.0
78 8 14.8 14.8 77.8
79 2 3.7 3.7 81.5
81 2 3.7 3.7 85.2
84 2 3.7 3.7 88.9
86 2 3.7 3.7 92.6
88 4 7.4 7.4 100.0
------- ------- -------
Total 54 100.0 100.0

Mean 73.111 Std err 1.136 Skewness .051

Mode 70.000 Std dev 8.348 Minimum 56.000
Median 72.500 Range 32.000 Maximum 88.000
Contoh : tampilan statistik inferensi

Correlations

ADL DISF

ADL Pearson Correlation 1 -.465(**)

Sig. (2-tailed) .003
N 40 40

DISF Pearson Correlation -.465(**) 1

Sig. (2-tailed) .003
N 40 40

** Correlation is significant at the 0.01 level (2-tailed).

 DATA
 KUMPULAN NILAI HASIL SUATU
PENGAMATAN, PENGHITUNGAN ATAU
PENGUKURAN VARIABEL
 CONTOH :
– Pengamatan terhadap conjunctiva 10 orang
mahasiswa semester – 4 , dicatat siapa yang
anemia
– Penghitungan jumlah anak dalam 20 keluarga
– Mengukur kadar Hb dari 15 ibu hamil
HASIL PENGUKURAN BERAT BADAN 20
BALITA DI POSYANDU X

16 16 15 15 7 11 14 15

17 10 16 15 10 15 15 15

15 8 14 12

Kumpulan nilai variabel …..Data

 VARIABEL
 KARAKTERISTIK SUBJEK YANG
MEMILIKI VARIASI NILAI.
 CONTOH VARIABEL :
– JENIS PENYAKIT
– UMUR
– BERAT BADAN
– DENYUT JANTUNG ( CARDIAC RATE )
– JENIS KONTRASEPSI
– INDEKS PRESTASI
 Macam data…kualitatip.(1)
 Data kualitatip dan Data kuantitatip.
 Sifat Data kualitatip :
– tidak menyatakan kuantitas tetapi menyatakan sifat yang dikelompokkan
dalam kategori –data kategori-- , contoh : jenis kelamin, jenis pekerjaan,
status pendidikan.
– individu dalam satu kategori mempunyai nilai yang sama
– Selalu bilangan bulat dan jumlahnya dinyatakan dalam “
Frekuensi “
– Diperoleh dari penghitungan “----data nominal
 Data kualitatip yang dikelompokkan atas 2 kelompok disebut Dikotomi
atau binary. Contoh: Baik atau Buruk , Sembuh atau Sakit, Laki laki
atau Perempuan, Ya atau Tidak
 Tidak selalu data kualitatip berupa data dikotomi, misal : golongan
darah, suku bangsa, warna baju favorit,dll.
 Macam data….kuantitatip.(2)
 Sifat data kuantitatip :
– dihasilkan dari pengukuran , dinyatakan dalam kuantitas
“ numerik “ ,
– bilangan bulat atau desimal.
 Data kuantitatip : data deskrit dan data kontinu.
 Data deskrit diperoleh dari penghitungan , hasilnya
selalu positip, dapat dipisahkan satu dengan lain secara
jelas, bukan bilangan desimal. Contoh : jumlah anak,
jumlah bakteri
 Data kontinu : hasil pengukuran, bilangan bulat atau
desimal tergantung alat ukur yang dipakai, antara dua
interval angka dapat disisipkan angka berapa saja
masih mempunyai makna.
 Data kontinu dapat diubah menjadi data kategori
dengan cara membuat pengelompokan.
Contoh perubahan data kontinyu
menjadi data katagori
 Hasil pengukuran berat badan 10 mahasiswa
sbb :
60,2 55 56 62 61,5
80 63 56,1 40 48
 Apabila dikelompokkan menjadi :
< 50 : under weight
50 – 60 : Normal weight
> 60 : over weight
Hasil pengelompokkan menjadi data kategori
SKALA UKUR VARIABEL

1. SKALA NOMINAL
2. SKALA ORDINAL
3. SKALA INTERVAL
4. SKALA RASIO
 SKALA NOMINAL
 SIFAT :
– KLASIFIKASI ATAU KATEGORI
– MASING MASING MEMILIKI NILAI YANG
SAMA
– DATA KUALITATIP
 CONTOH :
– JENIS KELAMIN
– GOLONGAN DARAH
 SKALA ORDINAL
 SIFAT :
– KLASIFIKASI
– MEMILIKI PERINGKAT ( JENJANG )
– INTERVAL PERBEDAAN MASING MASING
PERINGKAT TAK DAPAT DIUKUR
 CONTOH :
– STATUS PENDIDIKAN
– DERAJAT PENYAKIT
– TINGKAT KESEMBUHAN
 SKALA INTERVAL
 SIFAT :
– KLASIFIKASI
– PERINGKAT
– MEMILIKI INTERVAL DAPAT DIUKUR
– TAK MEMPUNYAI TITIK NOL ABSOLUT
 CONTOH :
– SUHU TUBUH : PENDERITA A : 40 o C
B : 36 o C
INTERVAL : 4 o C
 SKALA RATIO
 SIFAT :
– KLASIFIKASI
– PERINGKAT
– INTERVAL
– TITIK NOL ABSOLUT
– RATIO DAPAT DISIMPULKAN
 CONTOH :
– BERAT BADAN
BB Muhammad ALI : 120 Kg, BB Hanafi : 60 Kg
INTERVAL BEDA : 60 Kg
BB Muhammmad ALI 2 X LEBIH BERAT DARI BB Hanafi
PERINGKAT SKALA UKUR

SKALA RATIO

SKALA INTERVAL

SKALA ORDINAL

SKALA NOMINAL
 Sumber data
 Data primer dan data sekunder
 Data primer : Pengumpulan data dilakukan secara
langsung oleh pengumpul data terhadap objek.
Contoh : research
* Sesuai kebutuhan dan dapat
dikendalikan
* Relatip mahal , lama
 Data sekunder : Pengumpulan data yang
diinginkan dikumpulkan berdasarkan data yang
telah dilakukan dilakukan oleh orang lain . Contoh :
Rekam medik
* Relatip murah , mudah, cepat
* Yang diinginkan tak tersedia
 Sumber data kesehatan

 Institusi pelayanan kesehatan : Rumah Sakit,

Puskesmas, Klinik, Dinas kesehatan, Apotik,
Laboratorium dll.
 Sensus penduduk dan Supas
 Survei
 Research
 Litbangkes
 Institusi pendidikan
 Kantor statistik
METODA PENGAMBILAN
SAMPEL
(SAMPLING METHOD)
 Mengapa perlu sampel …..?
1. Populasi sangat besar dan tak terbatas
…..impossible.
2. Kemampuan dan keterbatasan.
3. Merugikan populasi
4. Kebutuhan informasi yang cepat
5. Sample dapat untuk generalisasi populasi
 KONSEP POPULASI…?
 KESELURUHAN KUMPULAN SUBJEK ATAU
OBJEK YANG MENJADI PERHATIAN/
PENGAMATAN DALAM STUDI KITA DAN
MEMILIKI KARAKTERISTIK TERTENTU
Misal : Penderita TBC (Indonesia maupun dunia )
 POPULASI TARGET: Populasi yang diminati
dalam studi (biasanya dibatasi ruang dan waktu )
Misal : penderita TBC di Samarinda tahun 2002
 POPULASI AKSES : Populasi yang dapat
dijangkau dalam studi ( subset populasi target )
Misal : Studi dilakukan pada penderita TBC di RS.
Wahab Sahrani
 Konsep sampel ……?
 Subset populasi ( himpunan bagian dari populasi ) yang telah
diseleksi untuk dijadikan partisipan dalam studi
Misal dari 200 penderita TBC diseleksi 100 penderita TBC sebagai
studi.
 Tehnik atau metoda untuk menyeleksi sampel dari populasi …..tehnik
sampling atau metoda sampling
 Kerangka sampel ( sampling frame ) = Daftar semua unsur sampel
dalam populasi.
 Exclusion Criteria : Karakteristik yang menyebab seseorang tidak
dapat diikutkan sebagai objek dalam survey/ penelitian
 Inclusion Criteria; Karakteristik dari responden yang memenuhi syarat
untuk diikutkan sebagai objek survey atau penelitian
POPULASI
SAMPEL
Bagaimana cara memilih sampel ……..Sampling
methods ?

SAMPLING METHODS

NON RANDOM
RANDOM SAMPLING
SAMPLING

Simple Random Sampling

Accidental Sampling
Systematic Random Sampling
Purposive Sampling
Stratified Random Sampling
Kuota Sampling
Cluster Random Sampling
Snow Ball sampling
Multistage Random Sampling*
SIMPLE RANDOM
POPULASI ( N )
YANG DIMINATI

IDENTITAS SETIAP
ANGGOTA POPULASI SAMPLING FRAME

PILIH SAMPEL ( n ) :
-UNDIAN
-TABEL RANDOM

SAMPEL
(n)
Simple Random Sampling

o Tentukan batasan populasi yang akan diukur

dimensi/variabelnya
o Tetapkan target populasi dan populasi akses
o Susun Sampling Frame ( daftar subjek /anggota
populasi )
o Hitung jumlah populasi ( N )
o Tetapkan jumlah sample yang diperlukan ( n )
o Pilih sampel
 Simple Random Sampling
Kelebihan :
 Anggota populasi memiliki peluang sama sbg sampel.
 Lebih objektip
 Mudah
Kelemahan :
 Kesulitan mendapatkan sampling frame
 Populasi besar----sulit
 Jumlah sample banyak -----perlu waktu lama.
 Kemungkinan untuk terpilihnya sampel sedikit pada
wilayah yang jauh ( lokasi subjek ), sehingga
tidak efektip dan efisien
SISTEMATIK RANDOM
POPULASI ( N )
YANG DIMINATI

IDENTITAS SETIAP
SAMPLING FRAME
ANGGOTA POPULASI

SAMPLING FRACTION SFr = N / n

PILIH SAMPEL ( n ) X1= X; Xn = X + ( n – 1 ) SFr

SAMPEL
(n)
 Sistematik Random
 Tentukan batasan populasi yang ingin diukur
dimensi/variabelnya
 Tetapkan populasi
 Susun sampling frame, hitung jumlah populasi ( N )
 Tetapkan jumlah sampel yang diperlukan ( n )
 Hitung angka intervalnya = k = N/n
 Pilih satu angka 1 s/d k dari tabel random, undian atau komputer
 Setelah menemukan angka pertama ( X1 ) maka X2 = X1+k
X3 = X2 + k ……dst sampai terkumpul n subjek
 Sistematik Random
Kelebihan :
• Seperti Simpel random
• Lebih cepat dari simple random

Kelemahan :
•Seperti Simpel random
 Stratified Random
•Apabila pada populasi terdapat distribusi karakteristik dan
kita menginginkan masing masing karakteristik terwakili
sebagai sampel.
Misal : karakteristik ekonomi pada populasi ada 3 strata
yaitu rendah ( 40 % ), menengah ( 30 % ), tinggi ( 30 %
 Tetapkan populasi dan dimensi / variabelnya
 Susun sampling frame sesuai stratanya ( N1, N2,N3 )
 Tentukan jumlah sampel n
 Pilih sampel secara proporsional
n1= proporsi N1 x n , n2= proporsi N2 x n …..dst
n = n1 + n2 + …….nx.
 Stratified Random Sampling

Kelebihan :
- masing strata dapat terwakili sebagai sampel

Kelemahan :
- Sering tidak jelas batas antar strata
- Sampling Frame sulit disusun
 CLUSTER RANDOM
Susun sampling frame Sampel n2
Sampel n3

Susun
Sampling 1 2 3 4
frame
8 7 6 5

Susun sampling frame

Sampel n1

* Wilayah populasi dibagi 8 cluster

 Cluster Random

 Tetapkan populasi , dimensi / variabelnya

 Tetapkan wilayah populasinya
 Bagi wilayah populasi menjadi cluster ( kelompok wilayah )
 Susun sampling frame dari cluster
 Pilih cluster – cluster yang terpilih sebagi sampel
 Susun sampling frame populasi dari masing masing cluster
terpilih
 Tetapkan jumlah sampel n subjek dari masing masing cluster
terpilih sesuai karakteristik populasi
 Cluster random sampling
Kelebihan :
-Efektifitas dan efisiensi
- sangat representatip

Kelemahan :
- Pada wilayah populasi yang besar sulit
membagi cluster
 Multistage Random

Menggabungkan dua atau lebih metoda pemilihan sampel

Umumnya gabungan metoda cluster dan simple random

 Lakukan tahap metoda cluster

 Susun sampling frame subjek pada cluster terpilih
 Pilih subjek dari Cluster terpilih secara simple random
sampai sejumlah n yang ditetapkan
 KOTA AMARTA

STAGE -1 KEC A KEC B KEC C

STAGE -2 KEL-1 KEL-4

STAGE-3 RW-1 RW-4 RW-2 RW-3

Simple random n1 n2 n3
 Non Random sampling
KUOTA SAMPLING :
PEMILIHAN SUBJEK SAMPEL SAMPAI JUMLAH YANG
DISEPAKATI ATAU JUMLAH SAMPEL SAMPAI WAKTU
TERTENTU
MISAL : SAMPAI 80 SAMPEL SAJA atau
MULAI 1 SEPT 2001 s/d 10 SEPT 2001

PURPOSIVE SAMPLING :
PENGAMBILAN SUBJEK SAMPEL DENGAN MAKSUD
atau PERTIMBANGAN KARAKTERISTIK TERTENTU
 ACCIDENTAL SAMPLING :
PENGAMBILAN SAMPEL TANPA PANDUAN TERTENTU
DAN SESUAI DENGAN KEMAUAN PENELITI DENGAN
PERTIMBANGAN KEMUDAHAN MENDAPATKAN
JUMLAH SAMPEL.

SNOW BALL SAMPLING :

PENGAMBILAN SAMPEL MERUPAKAN NETWORK
ATAU JARINGAN DAN BIASANYA INFORMASI SAMPEL
BERIKUTNYA DIPEROLEH DARI SAMPEL SEBELUMNYA
Tujuan sesi :
1. Memahami prinsip dasar penyajian data.
2. Mampu memilih bentuk penyajian data yang
sesuai dengan tujuan menginformasikan data
3. Mampu membuat tabel dan graph
4. Mampu memberikan kritik terhadap bentuk
penyajian data dalam tulisan ilmiah.
Mengapa data perlu disajikan ?
Hasil pengukuran tinggi badan 20
Raw data
mahasiswa Blok 18 FK UNMUL
Tahun 2012.

155 170 164 150 160

164 158 167 148 170

Non array
155 152 165 170 173

160 148 154 155 162

Tujuan penyajian data
 Meringkas
 Menafsir
 Memberi makna
 Menarik kesimpulan
 Informasi
Proses penyajian data
 RAW DATA
 EDITING DATA
 JENIS DATA
 TUJUAN INFORMASI
 PILIH BENTUK PENYAJIAN BERDASAR
TUJUAN INFORMASI DAN JENIS DATA
 ORGANIZING DATA
 Pemeriksaan data ( editing )
 Pemberian kode ( koding )
 Pembersihan data ( Cleaning )
 Editing
 Memeriksa data yang telah dikumpulkan
 Kelengkapan data
 Kesesuaian isian data
 Koreksi
 Coding
 Pemberian kode pada semua variabel
 Mempermudah pengolahan
 Klasifikasi data
 Contoh :- sakit diberi kode 1
- sembuh diberi kode 2
-. Laki laki diberi kode 1
-. Wanita diberi kode 2
 Cleaning
 Pengecekan : dengan tabulasi , cross chek
 Kesesuaian data : Frekwensi suatu variabel
atau antar variabel
 Manual atau Elektronik
 Missing data
 BENTUK PRESENTASI DATA
1) TABEL
2) GAMBAR ( GRAPH )
3) MERINGKAS DATA NUMERIK
( NUMERIC MEASURE )
4) Textular ( Narasi )
 STRUKTUR DASAR TABEL
Nomor tabel dan judul tabel

Judul jumlah
Judul kolom
Baris
SEL

Badan Tabel

Footnote dan Sumber data

Penyajian data bentuk tabel
 Tabel sinopsis
 Tabel induk ( Master table )
 Tabel Teks ( Textual table )
 Tabel Frekwensi Distribusi
 Tabel Silang ( Match Table )
 Tabel Kontingensi
– Tabel 2 x2 : 2 kolom dan 2 baris
– Tabel 2 x 3 : 2 kolom dan 3 baris
– dst
 TABEL SINOPSIS
 Berisi semua variabel yg akan dikumpulkan
dan ditulis dalam kolom dan baris dg urutan
yang sama
 Mempunyai arti penting dalam perencanaan
suatu penelitian karena dg tabel sinopsis
dapat diketahui jumlah tabel yg dihasilkan
dan variabel yg akan dicari hubungannya
sehingga memudahkan penulisan laporan
 Tabel sinopsis
1 2 3 4 5 6 7

7
 Tabel Induk
 Menampilkan seluruh hasil pengukuran
variabel dalam satu tabel
 Sumber mengembangkan tabel tabel lain
 Tabel induk ( master tabel)
Variabel \ sampel 1 2 3 4 5
Tk. pendidikan 01 04 02 02 01
Jumlah anak 02 01 01 04 02
Status perkawinan 01 01 02 02 01
Jenis pekerjaan 04 01 02 03 03
BB balita 10 08 12 08 06
Status gizi balita 01 03 01 03 02
Jenis immunisasi 04 02 04 02 01
Keteraturan penimbangan 01 01 02 03 02
dst
 Tabel Teks
 Tabel yang menampilkan hasil pengukuran
beberapa variabel
 Dari Tabel Induk
 Tabel frekwensi distribusi
Tabel.1 Karakteristik status pendidikan responden

Status Frek % Frek %

pendidikan (n) Kum Kum
SD 24 60 24 60

SLTP 12 30 36 90

SLTA 2 5 38 95

PT 2 5 40 100

total 40 100
 Tabel Silang
Self Interpersonal Disfungsi
Estem disfungsi Kinerja
Mandiri
ADL
Dependensi
ADL
Total
 Distribusi Frekuensi
Data kuantitatif dan kualitatif yg diperoleh dari
hasil pengamatan di tata dan diringkas
dalam bentuk tabel yg dikenal dengan
Distribusi Frekuansi dan bila dihitung
proporsi atau persentasenya dapat disajikan
dalam bentuk tabel Distribusi Frekuensi
Relatif
Data BB 24 penderita DM di RS

Sebelum diurut : 40 60 45 50 53 70 43 65 67 42 55 52
50 43 60 45 40 52 53 43 70 65 55 60

Setelah diurut : 40 40 42 43 43 43 45 45 50 50 52 52
53 53 55 55 60 60 60 65 65 67 70 70
 Ungrouped Frequency
Distribution
Berat Frekuensi Berat Frekuensi
badan(Kg ) badan

40 2 53 2
42 1 55 2
43 3 60 3
45 2 65 2
50 2 67 1
52 2 70 2
Grouped Frequency Distribution
Berat badan ( Kg ) Frekuensi

40 - 44 6

45 - 49 2

50 - 54 6

55 - 59 2

60 - 64 3

65 - 69 3

70 - 74 2
Distribusi Frekuensi dg batas
kelompok yg telah dilebarkan
Berat badan ( Kg ) Frekuensi
39.5 – 44.5 6
44.5 – 49.5 2
49.5 – 54.5 6
54.5 – 59.5 2
59.5 – 64.5 3
64.5 – 69.5 3
69.5 – 74.5 2
 Distribusi Frekuensi Kumulatif
(Dinyatakan dlm 4 model )
 Kurang dari batas bawah kelompok ( < bts
bwh kelompok )
 Sama atau lebih besar dari batas atas
kelompok ( > batas atas kelompok )
 Kurang atau sama dg batas atas kelompok
( < batas atas kelompok )
 Lebih besar dari batas atas kelompok
( > batas atas kelompok )
 Distibusi Frekuensi Relatif
( Penderita Ca Mammae di RS )

Umur ( thn ) Frekuensi Frekuensi Relatif ( % )

41 - 45 2 10

46 - 50 2 10

51 - 55 1 5

56 - 60 5 25

61 - 65 4 20

66 - 70 1 5

71 - 75 5 25

Jumlah 20 100
 Distribusi Frekuensi Kumulatif
( kurang dari batas bwh kelompok )
Berat badan Frek. BB < batas bwh Frek.kumulatif
41 - 45 2 < 41 0
46 - 50 5 < 46 2
51 - 55 13 < 51 7
56 - 60 15 < 56 20
61 - 65 11 < 61 35
66 - 70 8 < 66 46
71 - 75 1 < 71 54
76 - 80 0 < 76 55
 Distribusi Frekuensi Kumulatif
(sama atau lebih besar dari batas bawah kelompok )
Berat badan Frek. BB > batas bwh Frek.kumulatif
41 - 45 2 > 41 55
46 - 50 5 > 46 53
51 - 55 13 > 51 48
56 - 60 15 > 56 35
61 - 65 11 > 61 20
66 - 70 8 > 66 9
71 - 75 1 > 71 1
76 - 80 0 > 76 0
 Distribusi Frekuensi Kumulatif
(Kurang dari atau sama dg batas atas kelompok )
Berat Badan Frek. BB < batas atas Frek. Kumulatif
kelompok
41 - 45 2 < 45 2
46 - 50 5 < 50 7
51 - 55 13 < 55 20
56 - 60 15 < 60 35
61 - 65 11 < 65 46
66 - 70 8 < 70 54
71 - 75 1 < 75 55
 Distribusi Frekuensi Kumulatif
( BB lebih besar dari batas atas kelompok )
Berat Badan Frek. BB > batas atas Frek. Kumulatif
kelompok
41 - 45 2 > 45 53
46 - 50 5 > 50 48
51 - 55 13 > 55 35
56 - 60 15 > 60 20
61 - 65 11 > 65 9
66 - 70 8 > 70 1
71 - 75 1 > 75 0
 Keuntungan dan kerugian tabel
dg pengelompokan
Keuntungan : Tabel menjadi lbh sederhana
shg perhitungan lebih mudah
Kerugian : -. Identitas setiap individu tdk
tampak
-. Tidak dpt diketahui jumlah
individu dg nilai tertentu dlm
satu kelompok
 Bbrp ketentuan dlm
pengelompokan
 Bila antara 1 kelompok dg kelompok berikut berupa angka satuan mk
perbedaannya adalah 1 dan bila berupa angka dg satu desimal mk
perbedaannya 0.5
 Pada penyusunan distribusi frekuensi batas kelompok diambil nilai bulat
terdekat dg nilai terkecil dari hsl pengamatan.
 Bila terdpt nilai yg terletak antar batas atas kelompok dan batas bawah
kelompok berikutnya mk nilai tersebut dibagi dua, yaitu setengah
dimasukkan kedlm kelompok diatasnya setengah dimskkn kelompok
berikutnya
 Sebaiknya distribusi frekuensi mempunyai interval yg sama
 Utk data deskrit sebaiknya digunakan batas kelompok dan utk data
kontinue digunakan Tepi kelompok
 Sebaiknya hindari adanya kelompok terbuka karena akan menyulitkan
perhitungan selanjutnya.
 Ketentuan dalam Jumlah dan
interval kelompok
 Rumus Sturges : m = 1 + 3.3 log n
m = Jumlah kelompok
n = Jumlah pengamatan
 Untuk interval kelompok menggunakan
rumus : i = R/m
R = rentang antara nilai terbesar dan nilai
terkecil
Rumus utk Frekuensi relatif = (f/N) * 100
 Penyajian data bentuk graph
 Bar graph
 Multiple bar graph
 Pictograph
 Histogram
 Pie diagram
 Map diagram
 Line diagram
 Scatter diagram
 Pareto
 Berdasarkan fungsi, grafik dpt
dibagi :

 Perbandingan
 Kecenderungan
 Penerangan
 Manfaat grafik
 Membandingkan bbrp variabel. Kategori
dlm variabel atau satu variabel dlm waktu
dan tempat yg berbeda
 Meramalkan perubahan yg terjadi dg waktu
( Time series )
 Mengetahui adanya hubungan variabel
 Memberi penerangan pd masyarakat
 Kelemahan dari grafik
 Penyajian dg grafik harus menarik karena jg menyangkut
seni, tdk semua org dpt membuat grafik yg menarik
 Grafik memberi keterangan yg tdk rinci
 Grafik hrs dibuat dg benar dan akurat. Grafik yg salah dg
perhitungan yg salah akan mengakibatkan penilaian yg
salah
 Informasi yg disajikan terbatas, data yg disajikan terlalu
banyak dlm satu grafik berpotensi membingungkan yg
baca
 Dg grafik kita kehilangan informasi secara rinci.
 BAR DIAGRAM
90
80
70
60
50 DHF
40
30
20
10
0
JAN APRL JUL NOV

Gambar.4. Frekwensi DHF di Kab. Durian th. 2003

MULTIPEL BAR DIAGRAM
90
80
70
60
50
DHF
40
TYPHOID
30
DIARE
20
10
0
JAN- APR- JUL- OKT-
MRT JUN SEP DES

Gambar-1. Frekwensi DHF,TYPHOID,DIARE

di Puskesmas Abrakadabra th.2004
 HISTOGRAM
8

Std. Dev = 5.88

Mean = 43.0
0 N = 28.00
32.5 35.0 37.5 40.0 42.5 45.0 47.5 50.0 52.5

UMUR
Gambar-2 . Distribusi Umur penderita Ca Cervix
DI RS. PohonKelapa , th. 2002
 PIE DIAGRAM

6% 13%
P.A.M
SUMUR
25% SUNGAI
56% MATA AIR

Gambar-2. Proporsi penggunaan sumber air bersi

kecamatan Astina , th 2004
 LINE DIAGRAM
100
90
80
70
60 ISPA
50 TBC
40 GE
30
20
10
0
JAN FEB MART APRL

GAMBAR-2. INSIDEN ISPA,TBC, GE KUARTAL I

DI KAB. SAMAR SAMAR
 SCATTER DIAGRAM
10

4
PARITAS

0
30 40 50 60

UMUR

GAMBAR-3. KORELAS UMUR DAN PARITAS

 Kurva = Grafik garis lengkung
Merupakan grafik yg dihasilkan secara teoritis,
merupakan hasil penghalusan, misal suatu
Histogram dg kelas interval yg sangat kecil
hingga membentuk suatu kurva
Dapat dibagi berdasarkan; Simetrisitas,
Tinggi puncak, banyaknya puncak, dan
berdasarkan bentuk.
 Kurva berdasarkan simetrisitas
 Kurva Simetris
 Kurva Asimetris

Berdasarkan Tinggi puncak,

 Kurva normal ( mesokurtik )

 Kurva Leptokurtik
 Kurva Platikurtik
 Kurva berdasarkan jumlah
puncak
 Kurva unimodal
 Kurva Bimodal
 Kurva Multimodal

Kurva berdasarkan bentuk,

 Kurva bentuk J
 Kurva bentuk L
Meringkas Data Numerik
 Meringkas Data Numerik
 Ukuran Nilai Nilai tengah ( Central
Tendency )
 Ukuran Sebaran Nilai terhadap Nilai Nilai
tengah ( Dispersi )
 Shape ( bentuk ) data
 Lokasi data
 Ukuran nilai nilai tengah
 Nilai tengah adalah suatu nilai yang dapat
mewakili sekelompok nilai hasil pengamatan dan
mempunyai kecenderungan untuk berada di
tengah tengah suatu distribusi nilai.
 Dalam praktik, sering kita tidak puas dengan
hanya nilai tengahnya , tetapi juga ingin
mengetahui apakah hasil yang kita peroleh lebih
besar, sama atau lebih kecil dengan kelompok
lain. Bagaimana caranya ?
 Misal :
Bila anda akan membandingkan nilai
tekanan darah sistolis mahasiswa Blok 18
FK UNMUL dengan mahasiswa Blok 12
Apa yang anda lakukan ?
 Nilai Nilai tengah
 Mean , median, modus
 Mean : jumlah seluruh nilai pengamatan di
bagi dengan banyaknya pengamatan.
 Median : hanya menyatakan posisi tengah
dari sederetan nilai pengamatan yang
membagi dua sama banyak.
 Modus : nilai yang paling banyak tampil
dalam seluruh nilai pengamatan. ( puncak
kurva )
 Central tendency
ARITHMATIC MEAN ( MEAN, RATA-RATA )
Ungroup data :
Data pengukuran Tinggi Badan 10 orang Mahasiswa PSIK 2002

160 156 162 165 158 145 150 160 160 167
 xi
X = ( 160 + 156 + 162 ……..+ 167 ) / 10 = 158.3
X=
n
 Group data :
Berat badan 32 balita umur 4 bulan :
5 4 4 4 6 5 5 7 5 5 5 5 5 5 5 5
5 5 5 5 5 5 5 5 3 3 5 6 6 5 5 5

Class Interval = ( 7 – 3 ) / 3 = 1.33

Kelas interval x f %
X = 1/n  ( fx )
3 - 4 3.5 5 15.62
5 - 6 5.5 26 81.25 x = mid class
7 - 8 7.5 1 3.13
32 100.0

X = ( 3.5 x 5 ) + ( 5.5 x 26 ) + ( 7.5 x 1 ) ] / 32 = 168/32 =5.25

 •Mean tak dapat digunakan pada data berskala
katagorikal ( nominal ) dan ordinal atau diskrit
*Sangat cocok untuk data berskala ratio, kontinyu
Contoh :
7 orang mahasiswa WIGAMA : 5 orang laki – laki dan 2 orang wanita

Laki-laki diberi skore : 1 , wanita : 2

X = ( 5x1 ) + (2 x 2 ) / 7 = 11/7 = 1.7 …… tak punya arti

 Median
160 156 162 165 158 145 150 160 160 167

Setelah diurut :
145 150 156 158 160 160 160 162 165 167
Md = Nilai urutan ke ( n + 1 ) / 2 Urutan ke (10 + 1 )/2 = 5.5
antara ke 5 dan ke 6

( 160 + 160 ) / 2 = 160

•Median lebih sesuai untuk data skala ordinal
• Dapat untuk data descret maupun kontinyu
 Mode ( Modus )

145 150 156 158 160 160 160 162 165 167

Mo = 160
* Modus dapat digunakan untuk semua tipe data
 Hubungan mean,median,modus
1. Pada kurva simetris mean,median dan modus terletak
pada satu titik.
2. Pada distribusi miring kanan, modus bergeser
kekiri,sedang mean di kanan Mo ( > Mo), sedang Median
terletak antara Mean dan Modus.
3. Bila distribusi miring kiri, modus bergeser kekanan
sedang mean di kiri Mo( < Mo ), sedang Median terletak
antara Mean dan Modus
4. Untuk data dengan kemencengan moderat berlaku
rumus :

Modus = Mean – 3(Mean-Median )

 Sifat (Shape ) Curve Distribusi
Unimodal
Simetris

X = Md = Mo

Bimodal

Mo X X Mo
Skewed to right Skewed to left
Frekwensi distribusi yang mempunyai Mean = Md = Mo
Curve distribusinya Simetris.

Dua frekwensi distribusi yang mempunyai nilai Mean , Md dan Mo

Yang sama apakah curve distribusinya …… sama ?

n1 = 50 n2 = 50

Mean =Md=Mo Mean = Md = Mo

60 60

Sample A Sample B
* Tergantung ukuran dispersinya.
 Pemilihan nilai tengah
 Modus dapat digunakan pada data berskala
ukur nominal, ordinal, interval maupun rasio.
 Median paling baik digunakan pada
distribusi yang tidak simetris
 Mean lebih cocok untuk data berskala
interval dan rasio
 Median cocok untuk data berskala apa ?
 Ukuran dispersi
 Ukuran keragaman nilai pengamatan
 Penyimpangan nilai pengamatan terhadap
nilai rata-ratanya
 Apa kepentingannya ?
– Menilai ketepatan nilai tengah dalam mewakili
distribusinya. Bila ukuran dispersinya besar,
maka nilai tengah kurang mewakili distribusinya
 Macam ukuran dispersi
1. Range
2. Standar deviasi
3. Varian
4. Deviasi rata rata ( mean deviation )
5. Kuartil
6. Koefisien variasi = S/ ẋ * 100%
 Measures of Dispersion
Range : The difference between its largest ( maximum )
and smallest ( minimum ) values.

145 150 156 158 160 160 160 162 165 167

Range = 167 – 145 = 22

Interquartile Range

Posisi Q1= ( n+1 ) / 4

Posisi Q3 = [3(n+1)] / 4
Posisi Q2 = Md= 2(n+1)/4
atau (n+1)/2

25 % 25 %

25 % 25 %
Q1 Q2 Q3

Interquartile Range = Q3 – Q1 Dispersi Median.

Varian ( s 2 ) dan Standar Deviasi ( sd , s )
* Variabilitas terhadap Mean.

24 25 29 29 30 31
A B C D E F X = 28

A B C,D
E F Rata – rata Kuadrat
penyebaran setiap nilai
pengamatan terhadap
Mean nya = Varian
24 25 X 29 30 31
28
 s2 =  ( x – x )2 / n-1 sd =  varian

24 25 29 29 30 31 X = 28

(24-28)2+(25-28)2+…..(31-28)2
s2 = = 8 sd = 8 = 2.83
( 6-1 )

Bila tanpa mengetahui Mean :

s2 = n  xi 2 – (x1)2 / n(n-1)
 Standard Error of the Mean

n1 x1
POPULASI
X
x2
n2

x3
n3

dst xi

Variabilitas dari Mean disebut Standar Error ( SE )

SE = s /  n
 Tugas di rumah ( PR )
Buatlah dalam bentuk matriks menurut jenis data dan skala ukur, variabel dibawah ini :

• Golongan darah
• Jumlah penderita TBC di kecamatan Samarinda Ulu
• Umur
• Tinggi Badan
• Hb
• Suhu Badan
• Berat badan
• Jenis kelamin
• Status gizi masyarakat
• Agama
• Inteligence Quotion ( IQ )
Terima kasih atas perhatian anda