statistik untuk tenaga kesehatan
DESCRIPTION
Salah satu materi ini Pelatihan Jabatan Fungsional Perawat TerampilTRANSCRIPT
BIOSTATISTIK UNTUK BIOSTATISTIK UNTUK TENAGA KESEHATANTENAGA KESEHATAN
Oleh:Vissia Didin Ardiyani, SKM, MKM
Review Statistik Deskriptif
Analisis statistik:1. Statistik deskriptif (bagaimana karakteristik data yang Anda
miliki)
2. Statistik analitik (untuk mengambil kesimpulan thd hipotesis Anda menentukan uji hipotesis yang sesuai.
Catatan Utama berkaitan dengan Statistik Deskriptif
• Variabel kategorikalBerkaitan dengan gambaran karakteristik satu set data dengan skala pengukuran kategorikal:
Frekuensi/jumlah kategori (n)
Persentase kategori (%)
Umumnya disajikan dalam bentuk tabel atau grafik.
Contoh deskripsi variabel dalam bentuk tabel:
n %
Jenis kelaminLaki-laki
Perempuan
22
28
44
56
Tingkat pendidikanRendah
Sedang
Tinggi
10
25
15
20
50
50
Total 50 100
Grafik Sebaran Responden berdasarkan Tingkat Pendidikan (n=50)
05
10
1520
2530
354045
50
Rendah Sedang Tinggi
04/18/23
PENGOLAHAN DATA SECARA SEDERHANA
Menghitung proporsi, rate dan ratio
Transformasi menjadi ukuran
Relatif
AngkaAbsolut
-Proporsi-Rate-Ratio
- terukur- standard- dapat diper- bandingkan
04/18/23
PENGOLAHAN DATA SECARA SEDERHANA
Menghitung proporsi, rate dan ratio
Y
Rumus =X
x K
X = Kasus
Y = Pop.Risiko
K = Konstanta
04/18/23
Proporsi : adl ukuran perbandingan antara satu kondisi /kejadian kondisi dg keseluruhan kejadian ( proporsi peny , umur, sex, pekerjaan )
Ukuran Epid Numerator (X) Denominator (Y) Konstanta (K)
Proporsi BTA+ rawat inap di RS Ulin
Pdrt BTA + Pdrt rwt inap %
Proporsi Balita Pnemonia di Puskesmas
Balita Pnemonia
Pdrt Berobat %
Proporsi pria pdrt HIV + Pria HIV + Kasus HIV+ %
Proporsi PNS pdrt TB yg diobati
PNS pdrt TB, diobati
Semua Pdrt TB diobati
%
04/18/23
Rate : adl ukuran perubahan kejadian (kesakitan) pd. masyarakat selama kurun waktu tertentu dan dalam satuan konstanta ttt ( IR, PR, AR, CFR dll )
Ukuran Epid Numerator (X) Denominator (Y) Konstanta (K)
Insidens Rate Kasus Baru Pddk Risiko % , ‰ dsb
Prevalens Rate Semua Kasus (Baru +Lama)
Pddk Risiko % , ‰ dsb
Attack Rate Kasus Baru Pddk Risiko % , ‰
Case Fatality Rate Kematian Semua Kasus %
Crude Death Rate Kematian penduduk % , ‰ dsb
04/18/23
Ratio : adl ukuran perbandingan antara satu kejadian/ kondisi dengan kejadian lainya ( sex ratio )
Ukuran Epid Numerator (X) Denominator (Y) Konstanta (K)
Sex Ratio Pddk Pria Pddk Wanita 100
Ratio Puskesmas dg pddk Puskesmas Pddk 10.000
Ratio dokter dg pddk dokter Pddk 10.000
Ratio dokter dg Puskesmas dokter Puskesmas 10
04/18/23
Selama bulan April 2001 pada beberapa Puskesmas di Kabupaten ICDC dilaporkan adanya beberapa pening-katan kasus diare yang disertai beberapa kematian dengan perincian sbb :
- Puskesmas “A” dg kasus = 600 , meninggal 100
- Puskesmas “B” dg kasus = 450 , meninggal 90
- Puskesmas “C” dg kasus = 750 , meninggal 125
Contoh pentingnya transformasi data
Pertanyaanya :
“ Puskesmas mana yg memiliki masalah Diare terbesar“
04/18/23
Selama bulan April 2001 pada beberapa Puskesmas di Kabupaten ICDC dilaporkan adanya beberapa pening-katan kasus diare yang disertai beberapa kematian dengan perincian sbb : - Puskesmas “A” dg kasus = 600 , meninggal 100 - Puskesmas “B” dg kasus = 450 , meninggal 90 - Puskesmas “C” dg kasus = 700 , meninggal 110
Contoh pentingnya transformasi data
Jumlah penduduk berisiko sbb : - Puskesmas “A” = 30.000 org - Puskesmas “B” = 25.000 org - Puskesmas “C” = 36.000 org
Pertanyaannya :
“ Puskesmas mana yg memiliki masalah Diare terbesar“
04/18/23
Incidence Rate dan CFR Diare
No Kota
PopRisk Kasus
IR o/oo Mati
CFR o/o
1 Puskesmas “A” 30.000 600 20 100 16,6
2 Puskesmas “B” 25.000 450 18 90 20
3 Puskesmas “C” 35.000 700 20 110 15,7
Pertanyaanya :
“ Puskesmas mana yg memiliki masalah Diare terbesar“
-Dari angka kesakitan (IR) Puskesmas “A” & “C” tertinggi dg 20 o/oo-Dari angka kematian (CFR) Puskesmas “B” tertinggi dg 20 %
04/18/23Dari hasil tabulasi laporan Program Malaria di Kec Satui diperoleh data sbb:
Kel umur Jml pddkKasus baru Total kasus
Mening galL P L P
0-9 3400 10 7 15 19 4
10-19 4200 9 9 16 20 1
20-29 2800 4 5 12 11 2
30-39 2600 8 3 17 9 2
40-71 7000 46 25 65 45 6
Total 20000 77 49 125 104 15Catatan : L = laki-laki, P = PerempuanPertanyaanya : Tolong dihitung 1. Insidens Rate, 2. Prevalens Rate, 3. Ratio kasus baru menurut sex , 4. Distribusi proporsi Perempuan pd semua kasus , 5. CFR usia 0-9 th dan 6. Angka kematian malaria .
04/18/23
Kel umurJml
pddk
Kasus baru Total kasusMening
galL P L P
0-9 3400 10 7 17 15 19 34 4
10-19 4200 9 9 18 16 20 36 1
20-29 2800 4 5 9 12 11 23 2
30-39 2600 8 3 11 17 9 26 2
40-71 7000 46 25 71 65 45 110 6
Total 20000 77 49 126 125 104 229 15
JAWABAN
Insidens rate =
126
20.000 x 1.000 = 6,3 /1.000 pddk
Prevalens rate =229
20.000 x 1.000 = 11,45 /1.000 pddk
04/18/23
Kel umurJml
pddk
Kasus baru Total kasusMening
galL P L P
0-9 3400 10 7 17 15 19 34 4
10-19 4200 9 9 18 16 20 36 1
20-29 2800 4 5 9 12 11 23 2
30-39 2600 8 3 11 17 9 26 2
40-71 7000 46 25 71 65 45 110 6
Total 20000 77 49 126 125 104 229 15
JAWABAN
Ratio pdrt baru L = dg P
77
49
x 100 = 157 per 100 P
Proporsi pdrt P pada = semua kasus
104
229 x 100 = 45,41 %
04/18/23
Kel umurJml
pddk
Kasus baru Total kasusMening
galL P L P
0-9 3400 10 7 17 15 19 34 4
10-19 4200 9 9 18 16 20 36 1
20-29 2800 4 5 9 12 11 23 2
30-39 2600 8 3 11 17 9 26 2
40-71 7000 46 25 71 65 45 110 6
Total 20000 77 49 126 125 104 229 15
JAWABAN
Case Fatality Rate (0-9) =
4
34 x 100 = 11,76 %
Angka kematian Malaria = Cause Specific Death Rate)
15
20.000 x 1.000 = 0,75 per 1.000 pddk
Analisis Persentase
Jenis Obat Efektifitas Obat Jumlah
Baik Sedang Gagal
A 18 5 2 25
B 12 7 6 25
Jumlah 30 12 8 50
Jenis Obat Efektifitas Obat Jumlah
Baik Sedang Gagal
A 72% 20% 8% 100%
B 48% 28% 24% 100%
Total
Tabel ATabel A
Tabel BTabel B
Analisa Tabel
Efektifitas obat yang baik pada A lebih besar (72%) daripada B (48%). Dan pada efektifitas obat yang gagal B lebih besar (24 %) daripada A (8%).
Jenis Obat Efektifitas Obat
Baik Sedang Gagal
A 60% 41,67% 25%
B 40% 58,3% 75%
Jumlah 100% 100% 100%
Tabel CTabel C
Pada obat A lebih banyak yang mempunyai efektifitas baik (60%) daripada yang gagal (25%). Dan pada obat B lebih banyak efektifitas obat yang gagal (75%) daripada yang baik (40%).
Tahun Metoda Kontrasepsi Jumlah
Pil IUD Lain-lain
1969/70 30 40 40 110
1972/73 300 200 50 550
1977/78 1620 400 250 2270
Jumlah 1950 640 340 2930
Tahun Metoda Kontrasepsi (%) Jumlah(%)Pil IUD Lain-lain
1969/70 27,28 36,36 36,36 100
1972/73 54,50 36,40 9,10 100
1977/78 71,37 17,62 11,01 100
Tabel ITabel I
Tabel IITabel II
Tahun Metoda Kontrasepsi (%)
Pil IUD Lain-lain
1969/70 1,54 6,25 11,76
1972/73 15,38 31,25 14,71
1977/78 83,08 62,50 73,53
Jumlah 100 100 100
Tabel IIITabel III
• Variabel NumerikBerkaitan dengan gambaran karakteristik satu set data dengan skala pengukuran numerik.
Ada dua parameter:
1. Ukuran pemusatan: mean, md, mo
2. Ukuran penyebaran: sd, varians, koefisien
varians, dan range
Disajikan dalam bentuk tabel dan grafik (histogram & plots).
Contoh penyajian variabel numerik dalam bentuk tabel
Variabel Mean Md SD Min Max
Usia 46,69 47 12,56 15 69
Berat Badan 50,4 50 8,33 45 64
Lihatlah contoh ini:
Nama MuridNama Murid Nilai MatematikaNilai Matematika
AmatAniBandarBariDina
77777
Rata-rata nilai matematika kelas A: 7. Cukup pintar bukan????
Bandingkan dengan nilai statistiknya
Nama Nama MuridMurid
Nilai Nilai MatematikaMatematika
Nilai Nilai StatistikStatistik
AmatAniBandarBariDina
77777
56789
MODEMODE
• Tidak sering digunakan pada analisis statistik karena distribusi yang mempunyai banyak gelombang naik turun.
• Quik & dirty measure of central tendency.
• Modus dapat digunakan untuk menggambarkan karakteristik pada data dengan skala nominal.
MEDIANMEDIAN
32 32 35 36 37 38
38
39 39 39 40 42 45
• Simbol: Md
• Nilai yang menyatakan posisi tengah dari deretan angka pengamatan shg membagi dua sama banyak.
• Langkah I:Susun data dari yang terkecil hingga terbesar.
MedianMedian
32 35 36 36 37 38
38 39
39 39 40 40 42 45
Median: berada di antara dua nilai tengah yaitu 38,5
(38+39)
2
MedianMedian
• Lebih stabil tidak dipengaruhi oleh nilai ekstreem.
• Tidak mempertimbangkan nilai-nilai sebagian besar pengamatan.
• dapat digunakan untuk mengetahui karakteristik data dengan skala ordinal.
Median
2 3 3 4 5 6 7 8 9
2 3 3 4 5 6 7 8 99
Nilai akhir berubah namun tidak mempengaruhi nilai mediannya
MeanMean
85 109 120 135 158 177 181 195
85 + 109 + 120 + 135 + 158 + 177 + 181 + 195x =
8
= 145
Jika nilai 195 diubah menjadi 275, maka mean akan meningkat dari 145 menjadi 155.
KIWI BIRD PROBLEMKIWI BIRD PROBLEM
Kiwi adalah hewan langka di New Zealand. Mereka terlahir tidak tinggi dan tiap harinya tubuhnya bertambah 1 inchi. Komunitas kiwi jumlahnya sedikit. Seorang peneliti menemukan 4 ekor kiwi. Rata-rata tingginya 4, mediannya 3, & mode 2. Berapa tinggi masing-masing kiwi tsb?
Contoh: nilai TPA mahasiswa yang baru lulus dari dua sekolah
perawat
Freku
ensi
300 400 500 600 700
Freku
ensi
300 400 500 600 700
Sekolah A Sekolah B
Mengapa Variasi?Mengapa Variasi?
Dengan menghitung variasi, kita dapat menilai ketepatan nilai tengah dalam mewakili distribusinya.
Bila suatu distribusi mempunyai variasi yang kecil maka nilai tengah mempunyai ketepatan yang tinggi. Oleh karena itu, pengukuran nilai tengah tanpa menghitung dispersi informasi yang kita peroleh kurang sempurna.
Mengapa Terjadi Variasi?Mengapa Terjadi Variasi?
• Peristiwa alamiah• Misal:
Beberapa orang petugas kesehatan melakukan penimbangan seorang anak balita diperoleh hasil yang berbeda-beda. Disebut variasi eksterna.
Beberapa orang analis menghitung jumlah leukosit berkali-kali pada waktu yang berbeda akan menghasilkan nilai yang berbeda. Disebut variasi interna.
Ukuran VariasiUkuran Variasi
• Rentang (range)• Standar deviasi (standard deviation)
• Varians (variance)• Koefisien varians
Rentang (Rentang (RangeRange))
Selisih antara nilai terbesar dengan nilai terkecil dari data yang telah tersusun secara berurutan.
Keuntungan:• Diperoleh gambaran dengan cepat gambaran kasar ttg
besarnya variasi.
Rentang (Rentang (RangeRange))
Kelemahan:• Hanya melibatkan nilai terbesar
dan nilai terkecil tanpa melibatkan nilai-nilai lain dalam distribusi
• Dipengaruhi oleh nilai ekstreem• Tidak dapat ditentukan pada
distribusi dengan kelas interval yang terbuka.
Contoh: Distribusi BB dengan range yang sama tetapi dengan mean yang berbeda.
Kelompok 1Kelompok 1 Kelompok 2Kelompok 2
40
43
49
60
60
64
65
65
66
70
40
40
40
40
43
45
50
52
55
70
582 474
Range: 30
Rata-rata: 58.2
30
47.4
Contoh:
Kelompok 1 Kelompok 2
40
45
50
55
60
10
25
55
70
90
Jumlah 250 250
Rata-rata
Range
50
20
50
80
Distribusi nilai ujian statistik 2 kelompok mhs @ 5 orang dengan range yang berbeda ttp rata-rata sama.
Deviasi StandarDeviasi Standar
(x - )2
2 =
n -1
(x - )2
=
n - 1
= deviasi standar
= rata-rata
x= hasil pengamatan
n = banyaknya
pengamatan
Cara penghitunganCara penghitungan
1. Jumlahkan hasil pengamatan (X)2. Bagilah X dengan banyaknya pengamatan (X/n=)3. Kurangkan hasil tiap pengamatan dengan rata-rata4. Pangkatkan hasil no. 35. Jumlahkan semua hasil no.46. Bagilah hasil no. 4 dengan banyaknya pengamatan7. Hasil no. 6 ditarik akarnya
ContohContoh
Glukosa Glukosa darahdarah
x - x - μμ (x - (x - μμ))22
70
72
76
77
78
79
80
81
85
86
-8.4
-6.4
-2.4
-1.4
- 0.4
0.6
1.6
2.6
6.6
7.6
70.56
40.96
5.76
1.96
0.16
0.36
2.56
6.76
43.56
57.76
Jumlah 784 230.40
Koefisien Varians (COV)
Koefisien variasi adalah ukuran keragaman untuk melihat perbedaan besar keragaman antara dua ukuran yang mempunyai skala atau satuan yang berbeda.
S
KV = x 100
Koefisien varians dinyatakan dalam bentuk proporsi atau persentase.
Contoh:
Dari 5 spesimen darah yang sama, dilakukan pemeriksaan kadar Hb oleh dua laboratorium dg cara elektrofotometer. Diperoleh hasil dalam gram/dl sbb:
KV (cov) lab 1: 0,7 /12,2= 0,06 = 6%
KV (cov) lab 2: 0,21/12,24 = 0,02 = 2%
Kesimpulan: lab 1 lebih bervariasi daripada lab 2.
Saran: Perbaikan cara pemeriksaan agar diperoleh variabilitas yg sekecil-kecilnya
Lab 1 11,5 12,0 11,8 13,1 12,6
Lab 2 12,4 12,1 12,0 12,5 12,2
04/18/23
Pengolahan data komplek (hubungan)
yaitu pengolahan data yg dimaksudkan untuk melihat hubungan antara variabel dependen dg (dua atau lebih) variabel independen pd satu set data individual
Melihat perbedaan antar kel yg sesuai
- Chi-square test - Student’s t-test - Paired t-test - McNemar’s t-test
Melihat asosiasi antar dua variabel
- Risiko Relatif - Odds Ratio - Regresi dan Koefesien Korelasi