KOMPUTER EPIDEMIOLOGI STATISTIK INFERENSIAL

Korelasi Melihat kuat – lemah nya hubungan antara v.bebas dg v. Terikat Besar hubungan berkisar antara 0 -1. Dibagi menjadi 3 teknik

KORELASI BIVARIAT KORELASI BIVARIAT PEARSON PRODUCT MOMENT (PARAMTERIK) KORELASI DAPAT MENGHASILKAN ANGKA (+)/SEARAH ATAU (-)/TIDAK SEARAH. KORELASI (+)  JIKA VARIABEL BEBAS MENINGKAT MAKA VARIABEL TERIKAT JUGA MENINGKAT DAN SEBALIKNYA.

KASUS SEORANG PENELITI INGIN MENGETAHUI APAKAH ADA HUBUNGAN FREKUENSI MAKAN DENGAN BERAT BADAN DAN SEBERAPA ERAT HUBUNGANNYA.

FREKUENSI MAKAN BERAT BADAN 2 45 3 50 53 4 60 47 5 43 48 65 72

CARA ANALYSE CORRELATE BIVARIAT PINDAHKAN VARIABEL KE KOLOM VARIABEL CORRELATION COEFFICIENT : PILIH PEARSON TEST OF SIGNIFICANT: PILIH TWO TAILED CEK FLAG SIGNIFICANT CORRELATION OPTION: MISSING VALUES, PILIHAN: EXCLUDE CASE PAIRWISE  CONTINUE OK

HASIL

INTEPRETASI KETENTUAN KUAT LEMAH HUB 0 – 0,25 : KORELASI SANGAT LEMAH (DIANGGAP TIDAK ADA) 0,26 – 0,50 : KORELASI CUKUP 0,51 – 0,75 : KORELASI KUAT 0,75 – 1,00 : KORELASI SANGAT KUAT

KESIMPULAN HUBUNGAN ANTARA FREKUENSI MAKAN DAN BERAT BADAN KUAT, SIGNIFIKAN DAN SEARAH. DENGAN KATA LAIN, JIKA SESEORANG FREKUENSI MAKANNYA MENINGKAT MAKA BERAT BADAN NYA JUGA AKAN SEMAKIN MENINGKAT.

NB KALAU KITA INGIN MENGETAHUI BERAPA BESAR SUMBANGAN ATAU PERANAN VARIABEL FREKUNSI MAKAN TERHADAP BERAT BADAN DAPAT DIHITUNG DENGAN RUMUS KOEFISIEN DETERMINAN KD = r² x 100%. Dari kasus diatas: KD = 0,555² x 100% = 30,80% Besarnya sumbangan atau peranan frekuensi makan terhadap berat badan adalah 30,80%.

Korelasi Rank Spearman Untuk variabel yg ordinal/nonparamterik. Cara nya sama tetapi nanti yang dipilih adalah spearman

Korelasi Parsial Bisa menggunakan product moment atau sperman tergantung jenis data. Korelasi parsial  menghitung koefisien korelasi yang menggambarkan hubungan linear antara dua variabel dengan melakukan pengontrolan efek yang muncul karena satu atau dua penambahan variabel lain.

Kasus SEORANG PENELITI INGIN MENGETAHUI APAKAH ADA HUBUNGAN FREKUENSI MAKAN DENGAN BERAT BADAN DAN SEBERAPA ERAT HUBUNGANNYA jika peneliti menggunakan UMUR sebagai pengontrol.

FREKUENSI MAKAN BERAT BADAN umur 2 45 24 3 50 25 53 26 30 4 60 35 47 32 5 27 43 48 65 72

cara Analyse Correlate Partial Pindahkan variabel Frek makan dan BB ke kolom variabel Pindakahn variabel umur ke kolom controlling for Test of significance pilih two tailed Option : statistic pilih zero order correlation, pada missing values pilih exclude case pairwise, continue OK

Hasil

Korelasi Distances Untuk menghitung berbagai jenis pengukuran statistik, baik persamaan maupun perbedaannya, baik pasangan kasus maupun pasangan variabel. Dapat digunakan untuk data berskala nominal/ordinal ataupun interval/rasio

Kasus Peneliti ingin mengukur kesamaan kematian larva antara ekstrak lavender dengan ekstrak kulit jeruk didasarkan pada karakteristik tertentu yaitu stadium larva.

Jeruk Lavander Stadium larva 12 10 1 13 2 14 16 3 17 4 15

RUMUSAN MASALAH BERAPA BESAR KORELASI ANTARA KEMATIAN LARVA PADA EKSTRAK LAVANDER DENGAN STADIUM LARVA? BERAPA BESAR KORELASI ANTARA KEMATIAN LARVA PADA EKSTRAK KULIT JERUK DENGAN STADIUM LARVA ? BAGAIMNA KESAMAAN NILAI KORELASI ANTARA KEDUA EKSTRAK TERSEBUT?

CARA ANALYSE CORRELATE COMPUTE DISTANCE PILIH BETWEEN VARIABLE. MEASURE PILIH SIMILARITIES KLIK PILIHAN MEASURE DAN CEK PADA MEASURE UNTUK PILIHAN INTERVAL DAN PILIHAN PEARSON CORRELATION  CONTINUE OK

Hasil Angka korelasi kematian ekstrak jeruk dengan stadium larva sangat tidak kuat Angka korelasi kematian ekstrak lavander dengan stadium larva sangat tidak kuat Jika dibandingkan kematian antara ekstrak jeruk dengan stadium larva dan ekstrak lavander dengan stadium larva, maka keduanya berkorelasi sangat tidak kuat

REGRESI TEKNIK ANALISIS YANG MELIPUTI METODE2 YG DIGUNAKAN UNTUK MEMPREDIKSI NILAI2 DARI SATU ATAU LEBIH VARIABEL TERIKAT YANG DIHASILKAN ADANYA PENGARUH SATU ATAU LEBIH VARIABEL BEBAS. TERDAPAT 3 ANALISIS REGRESI YANG CUKUP PENTING

REGRESI LINIER SEDERHANA UNTUK MENGUKUR BESARNYA PENGARUH VARIABEL BEBAS TERHADAP VARIABEL TERIKAT DAN MEMPREDIKSI VARIABEL TERIKAT DENGAN MENGGUNAKAN VARIABEL BEBAS. SYARAT  V.BEBAS DAN TERIKAT HARUS BERSKALA INTERVAL.

KASUS PENELITI INGIN MENGETAHUI APAKAH ADA PENGARUH JUMLAH LARVA YANG DITEMUKAN DALAM SATU PEMUKIMAN TERHADAP JUMLAH PENDERITA DEMAM BERDARAH DI PEMUKIMAN TERSEBUT, SERTA UNTUK MENGETAHUI APAKAH JUMLAH PENDERITA DBD DAPAT DIPREDIKSI DENGAN MENGGUNAKAN VARIABEL JUMLAH LARVA TERSEBUT.

BULAN JUMLAH RUMAH + LARVA JUMLAH KASUS 1 26 124 2 25 100 3 34 154 4 14 20 5 12 6 13 7 8 9 10 11 18 29

RUMUSAN MASALAH BERAPA RATA2 KASUS DBD SAAT INI? APAKAH ADA HUBUNGAN JUMLAH LARVA YANG DITEMUKAN DENGAN JUMLAH KASUS DBD ? JIKA YA, BAGAIMANA MODEL HUBUNGANNYA ? APA MAKNA HUBUNGANNYA ? APAKAH JUMLAH LARVA MEMPENGARUHI JUMLAH KASUS ? BERAPA BESAR PENGARUH JUMLAH LARVA TERHADAP JUMLAH KASUS ? BERAPA BESAR YANG TIDAK DIPENGARUHI ? JIKA TIDAK DITEMUKAN LARVA SAMA SEKALI, BERAPA BANYAK JUMLAH PENDERITA DBD ? HITUNGLAH JUMLAH KASUS DBD YANG DIPREDIKSI UNTUK BULAN 1,3,5 ? BERAPA JUMLAH KASUS YG DIPREDIKSI YANG PALING RENDAH, TERTINGGI DAN RATA2 NYA UNTUK KESELURUHAN BULAN. APAKAH KECENDERUNGAN KASUS DBD DI MASA YANG AKAN DATANG MENGALAMI KENAIKAN ATAU PENURUNAN.

CARA ANALYSE REGRESION: LINEAR JUMLAH DBD KE DEPENDENT JUMLAH LARVA KE INDEPENDENT VARIABEL BULAN KE KOLOM CASE LABELS METHODE DG PERINTAH ENTER KLIK OPTION: PD PILIHAN STEPPING METHOD CRITERIA MASUKAN ANGKA 0,05 PD KOLOM ENTRY CEK INCLUDE CONSTANT IN EQUATION PADA MISSING VALUES CEK EXCLUDE CASES LISTWISE CONTINUE PILIH STATISTIC: PDA PILIHN REGRESION COEFFICIENT PILIH ESTIMATE, MODEL FIT DAN DESCRIFTIV. PADA PILIHAN RESIDUAL PILIH CASE WISE DIAGNOSTIC DAN CEK ALL CASES  CONTINUE OK

HASIL MENJAWAB BERAPA RATA2 KASUS DBD? RATA2 KASUS RATA2 DBD PERBULAN 35 KASUS.

APAKAH ADA HUBUNGAN ANTARA JUMLAH LARVA DG JUMLAH KASUS ... DARI HASIL PERHITUNGAN DIDAPATKAN ANGKA CORELASI SEBESAR 0,777. ARTINYA HUBUNGAN KEDUA VARIABEL SANGAT KUAT. KORELASI POSITIP MENUNJUKKAN BAHWA ARAH HUBUNGAN SEARAH YANG BERARTI JIKA JUMLAH LARVA SEMAKIN BANYAK MAKA JUMLAH PENDERITA DBD JUGA AKAN MENINGKAT. DAN SECARA STATISTIK BERHUBUNGAN DENGAN NILAI SIG 0,003.

APAKAH FREKUENSI JUMLAH LARVA MEMPENGARUHI JUMLAH PENDERITA DBD APAKAH FREKUENSI JUMLAH LARVA MEMPENGARUHI JUMLAH PENDERITA DBD? BERAPA BESAR PENGARUH JUMLAH LARVA THP PENINGKATAN KASUS DBD? BERAPA BESAR YG TIDAK DIPENGARUHI OLEH JUMLAH LARVA UNTUK MENGHITUNG BESARNYA PENGARUH FREKUENSI JUMLAH LARVA THD KASUS DBD, DIGUNAKAN R SUARE/KOEFISIEN DETERMINASI (ANGKA KORELASI YG DIKUADRATKAN)  KASUS  R SQUARE 0,603 = 60,3%  BESARNYA PENGARUH VARIABEL JUMLAH LARVA THD KASUS DBD IALAH 60,3%, SEDANG SISANYA 39,7% HARUS DIJELASKAN OLEH FAKTOR2 PENYEBAB LAINNYA YANG BERASAL DARI LUAR MODEL REGRESI INI.

UNTUK MENGUJI APAKAH MODEL REGRESI TSB SUDAH BENAR/LAYAK PERLU DILAKUKAN PENGUJIAN HUBUNGAN LINIERITAS ANTAR VARIABEL JUMLAH LARVA DENGAN JUMLAH KASUS. ANGKA YG DIGUNAKAN ADALAH. ADA HUBUNGAN LINEAR ANTARA VARIABEL JUMLAH LARVA DENGAN JUMLAH KASUS DBD. KARENA TERDAPAT HUBUNGAN LINEAR ANTARA KEDUA VARIABEL, MAKA VARIABEL JUMLAH LARVA MEMANG MEMPENGARUHI JUMLAH KASUS DBD. KESIMPULANNYA MODEL REGRESI DIATAS SUDAH BENAR DAN LAYAK.

JIKA TIDAK ADA LARVA SAMA SEKALI, BERAPA BANYAK JUMLAH KASUS DBD BANYAKNYA JUMLAH KASUS DBD JIKA TIDAK DITEMUKAN LARVA DI DALAM RUMAH SEBESAR -37,060. JIKA DITEMUKAN 1 RUMAH YANG POSITIF LARVA MAKA AKAN TERDAPAT 4,415 KASUS DBD.

PREDIKSI KASUS PADA BULAN 1,3,5 PERSAMAAN REGRESI: Y = a + b x Y : kasus DBD a: angka kasus konstan dari Unstandardized Coefficient b: angka koefesien regresi variabel jumlah larva. X : angka hasil penelitian untuk bulan ke-n Persamaannya untuk bulan 1 Y = - 37, 060 + 4,415 x 26 = - 37,060 + 114,79 = 77,73 Jadi jumlah kasus DBD pada bulan 1 sebanyak 77,73 kasus.

Berapa jumlah kasus DBD yg diprediksi yg paling rendah, tertinggi, dan rata2 keseluruhan bulan Jumlah kasus paling sedikit – 14,99, jumlah kasus tertinggi 113,04 kasus. Dan rata2 kasus yg diprediksi sebanyak 35,42 kasus.

Bagaimana kecenderungan trend dimasa datang Dengan cara membandingkan antara jumlah kasus dengan hasil prediksi.

Bulan Jumlah kasus Prediksi Hasil 1 124 77,73 TURUN 2 100 73,31 3 154 113,04 4 20 24,75 NAIK 5 15,92 6 20,33 7 -14,99 8 -6,16 9 -1,74 10 -10,57 11 42,41 12 90,97

KESIMPULAN HUBUNGAN ANTARA JUMLAH LARVA DENGAN JUMLAH KASUS SANGAT KUAT, SIGNIFIKANT DAN SEARAH. YANG BERARTI SEMAKIN BANYAK JUMLAH RUMAH YANG POSITIF LARVA MAKA AKAN SEMAKIN MENINGKAT PULA JUMLAH PENDERITA DBD. BESAR PENGARUH JUMLAH RUMAH YANG POSITIF LARVA TERHADAP JUMLAH KASUS DBD SEBESAR 60,3%. BESARNYA YANG TIDAK DIPENGARUHI OLEH 39,7%. KECENDERUNGAN JUMLAH KASUS DBD DIMASA YANG AKAN DATANG MENGALAMI KENAIKAN DAN PENURUNAN, SEKALIPIN DEMIKIAN SECARA KESELURUHAN DIMASA YANG AKAN DATANG AKAN MENGALAMI PENURUNAN.

Regresi Linear Berganda Mengestimasi besarnya koefisien2 yg dihasilkan dari persamaan yg bersifat linier yang melibatkan dua variabel bebas untuk digunakan sbg alat prediksi besarnya nilai variabel terikat. Caranya sama dg uji regresi sederhana

Uji T Digunakan untuk membandingkan nilai rata2 satu populasi/lebih dengan menggunakan sampel yg kecil dan berskala interval/rasio.

Uji T satu sampel Digunakan untuk menguji apakah rata2 dari satu variabel berbeda dari satu nilai konstan tertentu dalam sampel yg kecil. Contoh: kita ingin mengetahui apakah rata2 nilai IQ suatu kelompok mahasiswa berbeda dari 100. Asumsi dasar data haru distribusi normal. Data numerik.

Kasus Dosen ingin mengetahui apakah nilai MK Parasitologi mahasiswi “sebut saja namanya Bunga” berbeda dengan nilai mahasiswa lainnya.

No ID Mahasiswa Nilai BUNGA 96 2 78 3 90 4 87 5 89 6 65 7 76 8 58 9 10 11 95 12 69 13 88 14 94 15 79

RUMUSAN MASALAH BERAPA PERBDEAAN RATA2 NILAI MK PARASITOLOGI APAKAH ADA PERBEDAAN NILAI MK “BUNGA” DENGAN MAHASISWA LAINNYA?

CARA ANALYSE COMPARE MEANS ONE SAMPLE T TEST PINDAHKAN VARIABEL NILAI KE KOLOM VARIABLE(S) ISIKAN KOLOM TEST VALUE DENGAN ANGKA “100” PILIH OPTION  CI ISI 95%; PADA MISSING VALUES CEK EXCLUDE ANALYSIS BY ANALYSIS  CONTINUE OK

HASIL RATA – RATA NILAI MAHASISWA NILAI RATA2 DARI 15 MAHASISWA 82,67. HIPOTESIS HO=NILAI MK BUNGA SAMA DENGAN RATA2 NILAI MAHASISWA LAINNYA; HA=NILAI ML BUNGA BERBEDA DENGAN RATA2 NILAI MAHASISWA LAINNYA . HA DITERIMA

UJI T UNTUK SAMPEL BERPASANGAN DIGUNAKAN UNTUK MEMBANDINGKAN RATA2 DUA VARIABEL DALAM SATU KELOMPOK. DATA HARUS NUMERIK YANG DIMAKSUD SAMPEL BERPASANGAN  PENELITI MENGGUNAKAN SUBJEK SAMPEL PENELITIAN YANG SAMA, TETAPI PENGUJIAN DILAKUKAN THD SAMPEL TERSEBUT DUA KALI DALAM WAKTU YG BERBEDA. PENGUJIAN DILAKUKAN DENGAN MEMBERIKAN “TREATMENT”  PRE & POST.

KASUS PENELITI INGIN MENGETAHUI APAKAH MEDIA PROMOSI KESEHATAN MELALUI VIDEO DAPAT MENINGKATKAN PENGETAHUAN MASYARAKAT TTG FREE SEX.

ID SEBELUM SESUD5DAH 1 64 87 2 34 76 3 45 66 4 65 75 5 85 6 7 56 73 8 9 10 77 11 79 12 13 14 33 83 15 81

RUMUSAN MASALAH BERAPA PERBEDAAN RATA2 PENGETAHUAN MASYARAKAT MENGENAI FREE SEX SEBELUM MENGGUNAKAN VIDEO DG SESUDAH. APAKAH TDP PERBEDAAN RATA2 PENILAIAN ANTARA SEBELUM DAN SESUDAH MENGGUNAKAN MEDIA VIDEO.

CARA ANALYSE  COMPARE MEANS  PAIRED SAMPLE T TEST BLOK KEDUA VARIABEL DI SEBELAH KIRI, SAMPAI TANDA PANAH KE KANAN AKTIF, KEMUDIAN PINDAHKAN KEDUA VARIABEL TSB KEKANAN SECARA BERSAMAAN. PILIH OPTION  CI ISI 95% OK

HASIL UNTUK MENGETAHUI PERBEDAAN NILAI PENGETAHUAN