Bagaimana Memilih Uji statistik yang sesuai dengan jenis rancangan penelitian

1. ANALISIS STATISTIK
SUSAN FITRIA CANDRADEWI., M.SC., APT

2. SUB CPMK-8 (CAPAIAN PEMBELAJARAN MATA KULIAH
 Mahasiswa mampu memutuskan jenis analisis statistic yang sesuai
berdasarkan jenis penelitian dan jenis datanya

3. INGAT!!!SEBELUM UJI STATISTIC DILAKUKAN
 Skala pengukuran  kategorik ataukah numerik
 Jenis hipotesis  komparatif ataukah korelatif
 Jenis sampel  berpasangan (dependent) atau tidak berpasangan (non
dependent)
 Jumlah kelompok  2 atau lebih dari 2 kelompok
 Syarat dilakukan Uji parametric atau non parametric

4. UJI KOMPARATIF DAN UJI KORELASI
 Apabila peneliti ingin mengetahui mengenai perbandingan atau perbedaan diantara dua
kelompok  uji komparatif
 Apabila peneliti ingin mengetahui hubungan antara variable a dan b maka disebut sebagai 
uji korelasi
 Beberapa pertanyaan/rumusan masalah untuk uji komparatif
apakah terdapat perbedaan rerata kadar gula darah antara kelompok yang mendapatkan
glibenklamid dengan metformin?
Apakah terdapat perbedaan terjadinya kanker paru pada perokok dan bukan perokok?
 Pertanyaan untuk uji korelasi
Bagaimana hubungan antara kepatuhan penggunaan obat dengan kadar gula darah pasien?

5. BERPASANGAN DAN TIDAK BERPASANGAN
Berpasangan
• Sampel penelitian (Individu) yang digunakan sama
• Contoh : anda akan mengukur kadar gula darah
sebelum dan sesudah terapi dengan insulin
• Contoh lain: anda akan melakukan pengukuran
ketercapaian target tekanan darah pasien pada bulan
0 (sebelum terapi) dengan bulan 3 dan bulan ke 6
(setelah pemberian terapi)
Tidak Berpasangan
• Sampel penelitian (Individu) yang digunakan
berbeda
• Contoh : anda akan mengukur kadar gula darah pada
dua kelompok yaitu yang menggunakan
glibenklamid dengan yang menggunakan metformin

6. INGAT KEMBALI JENIS DATA DALAM PENELITIAN
Know your data!!
What kind of data you have??

7. UJI STATISTIK
• Digunakan pada penelitian deskriptif
• Data disajikan dalam bentuk jumlah atau persentase, rerata,
mean, atau minimum maksimum
• jika data terdistribusi normal maka ukuran penyebarannya mean
(rerata) dan SD
• Jika data tidak terdistribusi normal maka ukuran penyebarannya
median dan minimum-maksimum
Univariat
• Jenis hipotesis dalam penelitian anda
• Gunakan pedoman Tabel Uji hipotesis bivariate
Bivariate
• Regresi logistic
• Regresi linar
Multivariate
Ditentukan oleh skala
pengukuran dari variable
terikatnya

8. TABEL UJI HIPOTESIS BIVARIATE
Masalah
skala
pengukura
n
Jenis Hipotesis
Komparatif Korelatif
Tidak Berpasangan berpasangan
Numerik
(interval dan
ratio)
1
kelompok
2 kelompok > 2 2 Kelompok >2
kelompok Pearson
correlation
T test atau
z test
Uji t tidak
berpasangan
One way
ANOVA
Uji-t
berpasangan
Repeated
ANOVA
Kategorik
(ordinal)
Mann Whitney Kruskal
Wallis
Wilcoxon Friedman Spearman
Somers gamma
Kategorik
(ordinal atau
nominal)
Chi Square (X2)
Mc nemars
Chi Square
Cochrane Q
Uji
Parametri
k
Uji Non-
Parametrik

9. SUMMARY TABLE OF STATISTICAL TESTS
Level of
Measure
ment
Sample Characteristics (komparatif) Correlatio
n
1
Sample
2 Sample K Sample (i.e., >2)
Independent Dependent Independent Dependent
Categorical or
Nominal
Χ2 or bi-
nomial
Χ2 Macnarmar’s
Χ2
Χ2 Cochran’s Q
Rank or
Ordinal
Mann Whitney
U
Wilcoxon
Matched Pairs
Signed Ranks
Kruskal Wallis H Friendman’s
ANOVA
Spearman’s
rho
Parametric
(Interval &
Ratio)
z test or
t test
t test between
groups
t test within
groups
1 way ANOVA
between groups
1 way ANOVA
(within or
repeated
measure)
Pearson’s r
Factorial (2 way) ANOVA (Plonskey, 2001)

11. UJI PARAMETRIC DAN NON PARAMETRIC

12. PARAMETRIC ASSUMPTIONS
 Pengamatan harus independen (Misalnya peserta harus menyelesaikan
variabel dependen secara terpisah, bukan dalam kelompok).
 Pengamatan harus diambil dari populasi yang berdistribusi normal
 Populasi ini harus memiliki varians yang sama
 Uji parametrik tentunya merupakan pengujian yang membutuhkan asumsi
parametrik, seperti normalitas. Tes nonparametrik tidak bergantung pada
asumsi parametrik seperti normalitas.
 Syarat uji parametric :
1. Skala pengukuran variable penelitian  numerik
2. Distribusi data  normal
3. Varians data  untuk kelompok berpasangan, syarat varians tidak mutlak,
sedangkan untuk kelompok tidak berpasangan syarat varians harus sama

13. UJI NON PARAMETRIK
Skala pengukuran variable
kategorik (nominal dan
ordinal)
Skala numerik apabilatidak
memenuhi syarat uji parametri
 Alternatif uji t berpassangan
 uji Wilcoxon
 Alternatif uji t tidak
berpasangan  Uji Mann
Whitney
 Alternatif uji repeated
ANOVA  Uji Friedman
 Alternatif Ujia one way
ANOVA  Uji Kruskal Walllus

14. KAPAN MENGGUNAKAN UJI PARAMETRIC DAN NON-
PARAMETRIC??
Uji Normalitas
 Penting untuk mengetahui data terdistribusi normal ataukah tidak karena
akan mempengaruhi uji yang akan dilakukan
 Apabila data terdistribusi secara normal maka digunakan uji parametric ,
sedangkan bila data tidak terdistribusi normal menggunakan uji non
parametric (menggunakan median dan minimum-maksimum sebagai
ukuran pemusatan dan penyebaran)

15. METODE UJI NORMALITAS
Metode Parameter Kriteria distribusi data
dikatakan normal atau tidak
Keterangan
Deskriptif
Koefisian varian Nilai koefisien varians < 30%
Rasio skewness Nilai rasio skewness -2 sd 2
Rasio kurtosis Nilai rasio kurtosis -2 sd 2
Histogram Simetris/tidak miring
Box Plot Simetris/ tidak miring
Normal QQ Plots Data menyebar sekitar garis
Detrended Q-Q
Plots
Data menyebar sekitar garis
pada nilai 0
Analitik
Kolmogorov –
smirnov
P> 0,05 Untuk sampel besar > 50
Shapiro Wilk P> 0,05 Untuk sampel keccil < 50

16. UJI BIOSTATISTIK

17. ODDS RATIO, RR, CI, HAZARD RATIO
Kasus Kontro Total
Faktor resiko + a b a+b
Faktor resiko- c d c+d
a+c b+d
 Contoh Latihan
Kebiasaan merokok
Kejadian kanker
paru
Kanker
paru +
Kanker
paru -
Total
Ya (merokok) 35 10 45
Tidak 9 444 453
44 454
 Odds ratio = (a/c)/(b/d)
 Odds ratio (OR) antara kebiasan
merokok dengan kejadian
kanker paru
= (35/9)/(10/444)
= 172
OR diketahui adalah 172 x, artinya
bahwa orang yang merokok memiliki
resiko terjadi kanker paru sebesar 172 x
lebih tinggi dibandingkan dengan
orang yang tidak merokok

18. CONT
 Odds ratio = 1  artinya tidak ada perbedaan (sama) antara perilaku dengan resiko kejadian
 Odds ratio < 1 tidak ada pengaruh (karena pengaruhnya kurang dari 1maka bisa dianggap tidakmada
pengaruh)
 Odds ratio > 1 maka terdapat pengaruh antara perilaku/faktor resiko dengan suatu kejadian
 CI (confident interval)  jika melewati angka 1 maka terdapat perbedaan diantara kedua kelompok, atau
terdapat hubungan diantara kedua kelompok,
 CI  yang tidak melewati angka satu maka tidak terdapat perbedaan / hubungan diantara 2 kelompok

19.  Relative risk merupakan perbandingan antara resiko terjadinya suatu
penyakit pada seseorang yang terpapar dibandingkan dengan resiko
terjadinya penyakit pada seseorang yang tidak terpapar
Relative Risk

20. Exposure
Disease
Total
Yes No
Yes a b a+b
No c d c+d
Total a+c b+c a+b+c+d

21. Example : Relative Risk
Develop
CHD
No not develop
CHD
Total
Smoker 84 2916 3000
Non Smoker 87 4913 5000
Berapakah Relative Risk pada kasus tersebut??

22. PAIRED-SAMPLES T TEST
Paired-Samples t Test
 Also known as the t test for dependent means
 Also known as the Dependent t-test

23. DEFINITIONS FOR PAIRED-SAMPLES T TEST
Definitions of Test
 Sample mean is what researcher will find
 The value (score) by using statistical analysis (mean)
 Paired sample = paired scores
 Paired = matched (they go together)

24. INTERPRETING SPSS OUTPUT FOR T TEST
Interpreting Output
Ch. 12 Holcomb Paired-Samples t Test Output – Unformatted
Paired Samples Statistics
11.5556 9 2.29734 .76578
9.6667 9 2.23607 .74536
Pretest
Posttest
Pair
1
Mean N Std. Deviation
Std. Error
Mean
Paired Samples Correlations
9 .527 .145
Pretest & Posttest
Pair 1
N Correlation Sig.
Paired Samples Test
1.88889 2.20479 .73493 .19414 3.58364 2.570 8 .033
Pretest - Posttest
Pair 1
Mean Std. Deviation
Std. Error
Mean Low er Upper
95% Confidence
Interval of the
Difference
Paired Differences
t df Sig. (2-tailed)

25. TEST FOR SIGNIFICANCE
 If your statistic is higher than the critical value from the table:
 Your finding is significant.
 You reject the null hypothesis.
 The probability is small that the difference or relationship happened by chance, and p
is less than the critical alpha level (p < alpha ).
 If your statistic is lower than the critical value from the table:
 Your finding is not significant.
 You fail to reject the null hypothesis.
 The probability is high that the difference or relationship happened by chance, and p
is greater than the critical alpha level (p > alpha ).

26. The columns labeled "Levene's Test for Equality of Variances" tell us whether an
assumption of the t-test has been met. The t-test assumes that the variability of each
group is approximately equal. If that assumption isn't met, then a special form of the t-
test should be used. Look at the column labeled "Sig." under the heading "Levene's Test
for Equality of Variances". In this example, the significance (p value) of Levene's test
is .203. If this value is less than or equal to your α level for the test (usually .05), then
you can reject the null hypothesis that the variability of the two groups is equal,
implying that the variances are unequal. then you should use the bottom row of the output
(the row labeled "Equal variances not assumed.") If the p value is greater than your α level,
then you should use the middle row of the output (the row labeled "Equal variances
assumed.") In this example, .203 is larger than α, so we will assume that the variances are
equal and we will use the middle row of the output.

27. The column labeled "Sig. (2-tailed)" gives the two-tailed p value
associated with the test. In this example, the p value is .151. the
decision rule is given by: If p ≤ α , then reject H0. In this example,
.151 is not less than or equal to .05, so we fail to reject H0. That
implies that we failed to observe a difference in the number of older
siblings between the two sections of this class.
If we were writing this for publication in an APA journal, we would write
it as:
A t test failed to reveal a statistically reliable difference between the mean number
of older siblings that the 10 AM section has (M = 0.86, s = 1.027) and that the 11
AM section has (M = 1.44, s = 1.318), t(44) = 1.461, p = .151, α = .05.

28. NONPARAMETRIC CORRELATIONS
 The following are three types of commonly used nonparametric correlation coefficients (Spearman R,
Kendall Tau, and Gamma coefficients). Note that the chi-square statistic computed for two-way
frequency tables, also provides a careful measure of a relation between the two (tabulated) variables,
and unlike the correlation measures listed below, it can be used for variables that are measured on a
simple nominal scale.

29. READING REGRESSION OUTPUT
Model Summary
.629a .395 .345 3.360
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Predictors: (Constant), words spoken per minute, IQ
score, confidence in speaking time 1
a.
ANOVAb
265.441 3 88.480 7.837 .000a
406.459 36 11.291
671.900 39
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), words spoken per minute, IQ score, confidence in speaking
time 1
a.
Dependent Variable: attitude to school
b.
Coefficients
a
3.379 3.073 1.100 .279
.097 .024 .532 4.055 .000
-.958 .448 -.355 -2.138 .039
.112 .086 .213 1.295 .204
(Constant)
IQ score
confidence in speaking
time 1
words spoken per minute
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig.
Dependent Variable: attitude to school
a.

30. Risk Factor Hazard Ratio (HR) (95% CI for HR)
Age 1.083 (1.034, 1.133)
Sex (Male) 1.191 (0.638, 2.224)
Race (White) 0.357 (0.117, 1.085)
BMI 1.048 (0.986, 1.114)
Smoke (Yes) 2.836 (1.204, 6.683)
Hypertension (Yes) 4.611 (1.711, 12.426)
Additional baseline variables that were included as covariates in the
multivariable adjusted models were age, race, sex, BMI, smoking, hypertension,
and genetic profile. The patient’s race was categorized as either “White” or
“Other” due to the small sample sizes of subsets of the other races.