pengantar biostatistika
DESCRIPTION
statistikTRANSCRIPT
Page 1
PENGANTAR BIOSTATISTIKA
Harvina Sawitri, SKM, MKM
Page 2
DEFINISIAsal kata ‘statistik’ (bhs Latin) = ‘status’ = ‘ negara’
Angka-angka tentang situasi ekonomi, politik, sosial, pendidikan, budaya, penduduk.
”fakta dalam angka” Jule-Kendal
Page 3
DEFINISI
• Biostatistika = Aplikasi statistika dalam bidang kehidupan (Kesehatan, kedokteran, pertanian, psikologi, pendidikan, dll)
Page 4
DEFINISI
• Statistika’ (modern) = Metode untuk– pengumpulan,
– pengolahan,
– penyajian, &
– interpretasi data kesimpulan (informasi) untuk pengambilan
keputusan dalam situasi ketidakpastian
Page 5
PERAN BIOSTATISTIK
• Mengetahui pola penyakit pasien yg berkunjung ke RS
• Mengetahui proporsi penderita penyakit “X” di RS • Memprediksi jenis pelayanan yang dibutuhkan • Mengetahui proporsi penduduk yang memiliki
Askes• Menguji apakah obat X lebih efektif dari obat Y
Page 6
Fungsi Statistika Kesehatan
Perencanaan program pelayanan kesehatan
Penyelesaian masalah kesehatan
Analisis berbagai penyakit selama periode waktu tertentu (time series analysis)
Menentukan penyebab timbulnya penyakit baru yang belum diketahui
Menguji manfaat obat bagi penyembuhan penyakit (setelah hasil uji klinik dinyatakan berhasil)
Secara administratif dapat untuk memberi penerangan tentang kesehatan kepada masyarakat
Page 7
Pengelompokan Statistika
1. Statistika Deskriptif
Statistika Deskriptif: statistika yang menggunakan data pada suatu kelompok untuk menjelaskan atau menarik kesimpulan mengenai kelompok itu saja
Cth :
Untuk menggambarkan karakteristik penduduk diperlukan data seperti: umur, jenis kelamin, status perkawinan, dsb
Page 8
2. Statistika Inferensial
Statistika yang menggunakan data dari suatu sampel untuk menarik kesimpulan mengenai populasi dari mana sampel tersebut diambil
Cth : Untuk menganalisa hubungan pertambahan berat badan Ibu hamil dengan berat lahir di daerah Cibinong diambil sampel di RSUD Cibinong
Page 9
Macam - Macam Data1. Data Primer Dikumpulkan secara langsung oleh peneliti
2. Data Sekunder Diperoleh dari orang / tempat lain. Misal : RM RS. Lebih hemat waktu, biaya,
tenaga. Tetapi kadang tidak lengkap / tidak sesuai
Page 10
CONTOH “VARIABEL”
• Untuk mengamati bayi baru lahir
variabel yang akan diamati adalah berat badan, panjang badan (nilai ini bervariasi antara satu bayi dengan bayi lainnya)
Page 11
DATA dan VARIABEL• Data = ‘datum’ = kumpulan fakta hasil pengukuran suatu
variabel/karakteristik• Contoh:
– Variabel: Berat badan Data = 60, 65, 68– Variabel: Jenis kelamin = L, P, P
• Jenis data : – Primer/sekunder– Kuantitatif/kualitatif– Diskrit/kontinu
Page 12
BEBERAPA KONSEP / ISTILAH• Statistika:
- deskriptif
- inferens ( induktif, analitik )
- parametrik
- non parametrik• Populasi:
- tak terbatas….. Terbatas, pop target, pop sampel
- karakteristik populasi…… parameter• Sampel: - random, non random
- karakteristik …………statistik sampel
Page 13
NILAI TENGAH
Page 14
Ukuran Nilai Tengah
- Nilai Rata-rata - Central Values
Page 15
Ukuran Nilai Tengah (Central Values)
1. Mean (Arythmatic mean/rata-rata hitung)– Simbol x ( x bar)– Paling banyak dipakai dlm analisis– Mudah dihitung yaitu jumlah semua nilai observasi dibagi jumlah
observasi– Paling stabil dibanding Median dan modus– Dipengaruhi nilai ekstrim – Mengikutkan semua nilai observasi
• Contoh:
observasi: x1 x2 x3,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,xnn
xx
n
ii
1
Page 16
Ukuran Nilai Tengah (Central Values)2. Median
– Adalah nilai observasi yang paling ditengah– Syaratnya setelah nilai raw data di array– Posisi median (n+1)/2– Nilai median= nilai observasi pd posisi tersebut– Tidak dipengaruhi nilai ekstrim– Paling sesuai untuk data yang skewed (menceng)– Simbol Md atau Me
Page 17
Ukuran Nilai Tengah (Central Values)
3. Modus (Mode):– Adalah nilai yang paling banyak ditemui
dalam suatu agregate (observasi)– Didalam suatu observasi karena mode
adalah yang terbanyak maka dapat saja terjadi, tidak ada modus, hanya satu modus atau lebih dari satu modus.
– Tidak dipengaruhi nilai ekstrim
Page 18
Hubungan Mean, Median , Modus• Untuk pengamatan yang cukup besar
dan satu Modus maka kurva yang dibentuk:
• 1) kurva symetris
X = Md = Mo
Page 19
Hub Mean- Md - Mo
• Kurva Skewed to the left, menceng ke kiri, adanya nilai ektrim kecil
Mo
X
- - - - - - - - -Md
Page 20
Hub Mean – Md - Mo
• Kurva skewed to the right= menceng ke kanan: adanya nilai ekstrim besar
Mo X
- - - - - - - - - -
Md
Page 21
Nilai Posisi• Median….. Posisi tengah• Kuartil …..nilai yang membagi empat
agregate, ,,,,, K1. K2. K3
• Desil….nilai yang membagi agregate menjadi 10 bagian…..D1, D2…………D9
• Persentil…..nilai yang membagi agregate menjadi 100 bagian…. P1 , P2……..P99
Page 22
Ukuran Variasi
1. Range:– Adalah perbedaan antara nilai terbesar
dengan terkecil– R = ( max – min )
2. Interquartile Range– Perbedaan antara K1 dengan K3– IQR = (K3-K1) atau (P75 – P25)
Page 23
Ukuran Variasi
3. Mean Deviation ( Mdev )– Adalah rata-rata perbedaan antara nilai
observasi dengan mean– Rumus
– Contoh– 1 5 6 7 8 9 mean = 6
• Jarang dipakai karena nilai mutlak
x Ix-xI=d
156789
510123
X = 6
Xd = 12/6= 2
n
xxdx
n
ii
1
Page 24
Ukurana Variasi
4. Varians– Rata-rata kuadrat perbedaan antara observasi dengan mean– Rumus:
– (n-1) koreksi Fisher Wilks………..degree of fredom– Contoh
11
2
2
n
xxs
n
ii
Page 25
Variansx ( x-x ) (x-x)2
156789
X=6
-5-10123
∑=0
2510149
∑=40
816
40
1
)( 22
n
xxs
Page 26
Ukuran Variasi
5. Standard deviation (Simpangan baku)– Akar dari varian– Rumus
- Contoh diatas maka S= V8= 2,8 (cm atau kg )Varian dan Standard deviation banyak dipakai dalam
analisis statistik
2
1
n
xxs
Page 27
Ukuran Variasi6. Coefficient of Variation (COV)
– Adalah nilai Standard deviaton dibagi mean x 100% COV= S/ x x 100%
– Membandingkan variasi antara dua atau lebih agregate yang
ukurannya berbeda atau gradasinya berbeda
– Contoh : dari suatu pengukuran didapatkan rata TB= 162 cm dan S= 15 cm. Berat badan rata-rata 58 kg dan S= 8 kg…..manakah yang lebih bervariasi TB atau BB ?
%100*covx
s
Page 28
COV• Jawab:
– COV TB= 15/162 x100%= 9,3 %– COV BB= 8/58 x100% = 13,8 %
• Dari hasil COV terlihat bahwa walaupun S TB 15cm dan S BB 8 kg ternyata COV BB lebih besar dari COV TB , Jadi dapat disimpulkan BB lebih bervariasi.
Page 29
DISTRIBUSI PROBABILITAS
• Kunci aplikasi probabilitas dalam statistik adalah memperkirakan terjadinya peluang/probabilitas yang dihubungkan dengan terjadinya peristiwa tersebut dalam beberapa keadaan.
• Jika kita mengetahui keseluruhan probabilitas dari kemungkinan outcome yang terjadi, seluruh probabilitas kejadian tersebut akan membentuk suatu distribusi probabilitas.
Page 30
Distribusi Teoritis Probabilitas3
0Distr. Teoritis Probabilitas
Diskrit Kontinyu
Binomial Poisson Normal
Page 31
Distribusi Normal3
1
Mean Median
Mode
X
f(X)
• ‘Bell Shape’• Simetris• Medan, Median dan Mode sama
Page 32
• Kurva berbentuk genta atau lonceng dan memiliki satu puncak yang terletak di tengah. Nilai rata-rata hitung sama dengan median dan modus.
• Distribusi probabilitas dan kurva normal berbentuk kurva simetris dengan rata-rata hitungnya.
• Kurva ini menurun di kedua arah yaitu ke kanan untuk nilai positif tak terhingga dan kekiri untuk nilai negatif tak terhingga.
Karakteristik Distribusi Probabilitas Normal
Page 33
• Bentuk dari distribusi ini dipengaruhi oleh 2 parameter yaitu :
• a. Nilai rata-rata
• b. Standar deviasinya
Page 34
Tranformasi z
• Agar dari kurva normal umum dapat ditentukan probbilitas suatu peristiwa maka kurva normal umum ditranformasikan ke kurva normal standar
• Tranformasi dengan memakai nilai Z
x
z
s
xxz
populasi
sampel
Page 35
• Diketahui bahwa nilai mahasiswa blok 8 angkatan 2012/2013 di PSPD berdistribusi normal dengan nilai rata-rata sebesar 75 dan simpangan baku sebesar 10. Hitunglah probabilitas mahasiswa akan mendapatkan nilai sebagai berikut:– Kurang dari 60– Lebih dari 90– Antara 65 sampai 85
35
Distribusi Normal
Page 36
• Diketahui: μ = 75 dan σ=10
• Ditanya: P(x ≤ 60)=?
36
Distribusi Normal
7560 x
0 Z
XZ
60Z
= - 1.50
-1.5
Lihat tabel Z
= 0.0668 (6.68% mahasiswa
dapat nilai kurang dari 60)
Page 37
• Diketahui: μ = 75 dan σ=10
• Ditanya: P(x ≥ 90)=?
37
Distribusi Normal
75 90 x
0 Z
90Z
XZ
= 1.50
1.5
Lihat tabel z
= 0.0668 (6.68% mahasiswa dapat nilai lebih dari 90)
Page 38
• Diketahui: μ = 75 dan σ=10.
• Ditanya: P(65 ≤ x ≤ 85)=?
38
Distribusi Normal
85Z1
= 1.0
P ( -1.0≤ z ≤ 1.0) = 0.3413+0.3413 =0.6826
= 0.6826 (68.26% mahasiswa dapat nilai antara 65 s/d 85)
65Z2
= -1.0
Z
Z
65 75 85
-1 0 1