-
Pengantar BiostatistikPendahuluan ( pengertian tahap statistika,
skala, data)
An;isis data ( Analisis Univariabel, Statistik deskriptif)
Penyajian data ( textular , tabular , grafikal)*
-
BIOSTATISTIKAPENDAHULUANPengertian biostatistika/statistik
kesehatanSejarah perkembangan statistikPeran dan fungsi statistik
dalam ilmu kesehatan/kesmasBeberapa konsep dalam statistik
PENGERTIAN BIOSTATISTIKA/STATISTIK KESEHATANKata
statistikLatin,..status.negara
Kenapa mempelajari statistik
*
-
Pengertian- pengertianDisiplin ilmumengelola data numerik yang
diperoleh dari individu Data kuantitatifbanyak sebabTeknik
pengumpulan data.interpretasiKeterangan berbentuk angka (fact in
number )Konsep dan metoda yang digunakan mulai mengumpul data.
Interpretasi data pada bidang kegiatan tertentu dapat diambil
kesimpulan ..dimana ada ketidak pastian dan adanya variasi
Biostatistik / Statistik kesehatan.*
-
SEJARAH PERKEMBANGAN STATISTIKAbad ke 17. Gambling1749 Marsque
De Laplace ,,,,,,,,,,,,,,,,,,,,,,,,, teori peluang1777 - 1853 Karl
Friedrich Normal curve of error1822 - 1911 Francis Galton Korelasi
- Regresi1857 - 1936 Karl Pearson .. Jurnal Biomertika1900 .. Chi
Square (x2)Abad ke 20 William S Gosset . Distribusi t Sir Ronald
Fissher Distribusi F
Komputer*
-
PERAN DAN FUNGSI BIOSTATISTIKSebagai ilmuBerkembang
pesatPengumpulan dataInformasi ( berbicara
)Penelitian.merancangHasilIlmu-ilmu lainBerkembang
Statistik (Tools )Contoh:Ilmu sosial: perilaku, status sosial
masyarakatIlmu kes: dersjat kes, kesakitan, kematianEkonomi:
pertumbuhan ekonomi,perkiraan jumlah penduduk miskin*
-
BEBERAPA KONSEP / ISTILAHStatistika: - deskriptif- inferens (
induktif, analitik )- parametrik- non parametrik
Populasi: - tak terbatas.. Terbatas, pop target, pop sampel-
karakteristik populasi parameterSampel: - random, non random -
karakteristik statistik sampel ( statistic )*
-
Stat deskriptif/ Stat InferensPopulasiSampelS. DeskS DeskS
InferensParameterStatistic*
-
Variabel - data - skala pengukuranVariabel, sifat, karakteristik
yang nilainya bervariasi antar objek pengamatanData datumnilai
pengukuran berbentuk angka dari suatu karakteristik
JENIS DATADiskrit. hasil menghitung bil bulat.
Contoh..Kontinuhasil mengukur..rangkaian
nilai..contoh..KuantitatifKualitatifSumber intern/
eksternprimer/sekunder( keuntungan dan kerugian)*
-
SKALA PENGUKURAN NOMINAL ORDINAl INTERVAL RATIO
Persamaan pengamatan ++ + +klasifikasi pengamatandapat
dilakukanRangking/ urutan -+ + +Persamaan jarak,satuanpengukuran
ada -- + +Perbandingan -- - +*
-
ORGANISASI DATA Tahap- tahap statistikPengumpulan data (data
collecting)Pengolahan data ( data processing )Penyajian data ( data
presentatioan )Analisis dan interpretasi (analysis &
interpretation)
Tujuan statistik , meringkas data menjadi informasi
*
-
Pengumpulan dataPrinsip, tujuan, cara
Data primer: data yang diperoleh dari proses pengumpulan yang
dilakukan sendiri langsung dari sumber datanya yaitu subjek yang
diteliti,
Data sekunder: data yang diperoleh dari institusi yang telah
mengumpulkan datanya ,jadi tidak langsung ke subjek penelitiannya,
*
-
Pengumpulan data MasyarakatSensus..SampelNon Studi
(rutin)..Studi ( penelitian)Deskripsi karakteristikIdentifikasi
MasalahVariabel terbatasVar sesuai masalahAspek non hubunganHub dpt
dicariCara Observasional, EksperimentalWaktu..amat penting (studi)
mahal, informasi harus up to date
*
-
Pengolahan dataRaw data.EditingCodingEntryCleanning*
-
Pengolahan dataInputProsesOut put
Raw dataManualInformasiEDPTabelGrafikS. Num
*
-
Penyajian DataNarasi / TekstularTabel / TabularGrafik / Grafikal
/ Gambar*
-
Analisis DataAnalisis Univariabel (univariate)
Analisis Bivariate
Analisis Multi variate*
-
Simpulam numerik/Analisis UnivariabelData Numerik, berasal dari
pengukuran memakai skala interval dan ratioData KategorikBerasal
dari pengukuran memakai skala nominal dan ordinal.
*
-
Data kategorikContoh: hasil pengukuran golongan darah sekelompok
orang didapatkanGol darah O35 orang( 35% ) Gol darah A25 orang( 25%
)Gol darah B.29 orang( 29 % )Gol darah AB..11 orang ( 11 % )
Jadi ditemui paling banyak gol darah O yaitu 35%........dst
*
-
Data NumerikKarena data ini berasal dari skala yang rangkingnya
tinggi maka banyak informasi yang didapatkan dari meng analisais
nya yi:Nilai tengah ( Central Tendency ) t/d mean (arythmatic mean
), Median, ModusNilai Posisi t/d Median, Kuartil, Desil,
PresentilNilai Varias/ deviasi t/d Range, inter kuatil range, Mean
deviasi, Varian, Standar deviasi
*
-
Mean (Arythmatic mean)Simbol x ( x bar)Paling banyak dipakai dlm
analisisMudah dihitung yi jumlah semua nilai observasi dibagi
jumlah observasi
Contoh:observasi: x1 x2
x3,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,xnNilai Tengah
(Mean)*
-
Nilai Tengah ( Median )Median:Adalah nilai observasi yang paling
ditengahSyaratnya setelah nilai raw data di arrayPosisi median
(n+1) /2Nilai median adalah nilai observasi pada posisi
tersebutSimbol Md atau MeContoh :*
-
Nilai Tengah ( Modus = Mode )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.Contoh: *
-
Hubungan Mean, Median , ModusUntuk pengamatan yang cukup besar
dan satu Modus maka kurva yang dibentuk:1) kurva symetrisX = Md =
Mo*
-
Hub Mean- Md - MoKurva Skewed to the left, menceng ke
kiri,adanya nilai ektrim kecilMoX- - - - - - - - -Md*
-
Hub Mean Md - MoKurva skewed to the right= menceng ke kanan:
adanya nilai ekstrim besar
MoX- - - - - - - - - - Md*
-
Nilai PosisiMedian.. Posisi tengahKuartil ..nilai yang membagi
empat agregate, ,,,,, K1. K2. K3Desil.nilai yang membagi agregate
menjadi 10 bagian..D1, D2D9Presentil..nilai yang membagi agregate
menjadi 100 bagian. P1 , P2..P99*
-
Nilai posisiMd,Kuartil, Desil, PersentilMdK2D5P 50K1K3P 25P
75*
-
Nilai variasiRange:Adalah perbedaan antara nilai terbesar dengan
terkecilR= ( max min ) /2(max min )Inter Kuartil RangePerbedaan
antara K1 dengan K3IKR= IQR = (K3-K1)/2.(K3-K1)*
-
Nilai VariasiMean Deviation ( Mdev )Adalah rata-rata perbedaan
antara nilai observasi dengan meanRumus
Contoh1 5 6 7 8 9 mean = 6
Jarang dipakai kerena nilai mutlakX = 6Xd = 12/6= 2*
xIx-xI=d156789510123
-
Nilai variasiVarianRata-rata kuadrat perbedaan antara observasi
dengan meanRumus:
(n-1) koreksi Fisher Wilks..degree of fredomContoh*
-
VarianKalau satuannya cm..cm2 kgkg2*
x( x-x )(x-x)2156789
X=6-5-10123
=02510149
=40
-
Nilai variasiStandar deviasiAkar dari varianRumus
Contohdiatas maka S= V8= 2,8 (cm a kg )
Varian dan Standar deviasi banyak dipakai dalam analisis
statistik *
-
COV (Coeffisien Of Variation)Adalah nilai Standar deviasi dibagi
mean x 100% COV= S/Xx 100%Membandingkan variasi antara dua atau
lebih agregate yang ukurannya berbeda atau gradasinya berbedaContoh
: 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 ?*
-
COVJawab: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.*
-
Penyajian DataPenyajian data dapat berupa:1) Narasi ( tekstular)
adalah penyajian dalam bentuk tulisan . Biasanya narasi ini dipakai
dalam menyajikan informasi yang didapat dari penyajian tabel maupun
gambar*
-
Penyajian data ( Tabel)Tabel adalah penyajian data dalam bentuk
kolom dan baris Bagian-bagian tabelBody tabelBox headStubbJumlah (
total baris maupun total kolom
*
-
Dummy tabel*
Box headTotstubb
BodytotTot kolomGrandtot
-
Tabel:Bagian tabel ini dilengkapi:Judul (menjawab what, where,
when)Nomer tabelKeterangan ( Foot Note= catatan kaki)Sumber, kalau
tabel itu tabel kutipanKegunaan masing-masingAgar mudah dirujuk
Keterangan , agar didapat keterangan yang lengkapSumber, agar
jangan dianggap plagiat dan memudahkan untuk merujuk kembali
*
-
Jenis tabelTabel induk (master tabelTabel textTabel ditribusi
frekuensiTabel distribusi relatifTabel distribusi kumulatifTabel
silangContoh:
*
-
Tabel:1 Distribusi berat badan 160 orang Mhs FKM UI Th 2010*
BBFrekF Relatif(%)F kum less then(%)Fkum more
then(%)41-4546-5051-5556-6061-6566-7071-754163456321352,51021,335208,13.12,512,533,868,888,896,910010097,587,566,231,211,13,1Total160100
-
Tabel:2 Jumlah donor menurut gol darah bulan Juli 2010 di PMI
Jak-pusSumber: PMI Jak-Pus*
Gol DarahJumlahOABAB
Total15610210488
450
-
Tabel:3 Distribusi 150 pasien RSCM menurut pendidikan dan
pengetahuan terhadap HIV/AIDs Th 2010Sumber: Evaluasi RSCM
2010*
PengetPendidikanBaikSedangKurangTinggi
Menengah
Rendah20
15
2010
25
255
10
20
-
Penyajian data dengan GrafikSeperti tabel, gambarpun perlu
dilengkapi denganJudul (menjawab What, Where, When)NomerKeterangan
(key)Sumber (kalau gambar tersebut kutipan)
*
-
GambarBerbeda dengan tabel, gambar sudah ditentukan
peruntukannya sesuai jenis dataData numerik:Histogram, Frek
poligon, Ogive, Stem & leaf, Box plot, Scatter diagramData
kategorik:Bar , Single bar, multiple, subdividedPareto chartPieLine
diagramPictogramMapgram*
-
Gambar:1 Distr BB Mhs FKM th
2010(histogram40506070809010203040jmlKg*
-
Gambar:2 (Frek Poligone) Distr BB Mhs FKM th 2010*
-
OgiveLess thenMore thenMdPosisi MdNilai MdXY*
-
Stem & leaf4044555677899 115000022445677889
1460011122333444666778899 2170001122233355 1280022334 6900045
4BatangDaunFrek*
-
Box & plotBox PlotKuartil2= MedianBatas atasK3K1Batas
bawah*
-
Scatter DiagramScatter
++++++++++TBBB*
-
Bar diagram/single barJumlah akseptor baru di Psk X triwulan I,
II & III th 2010Trwl ITrwl IITrwl III1020304050453552*
-
Multiple barJumlah Akseptor Baru di tiga Wilayah Jakarta th
2010Key*
-
Sub divided bar*
-
Pareto ChartJumlah Kematian dan 3penyebab di RS X th 2004*
-
Pie Diagram*
-
Line diagramJumlah HIV AIDs dan H5N1 di Jakarta th
2006-201020062007200820092010jmlHIV AIDsH5N1*
-
Pictogram jumlah PJK thn 2008 2010Tahun 2008:Tahun 2009:Tahun
2010:Keterangan:
= 10 kasus*
-
Map gramDHFH5N1*