BAB II

PEMBAHASAN
A. Interval Kepercayaan (Confidence Interval)
Interval kepercayaan adalah suatu penduga yang diyakini untuk suatu
distribusi probabilitas dalam taraf nyata yang kemudian dinotasikan dengan
(alpha) yang selalu dinyatakan dengan presentase.
Apabila suatu kurva normal dengan

= 5% (ditulis

= 0,05) , maka

sisi dari kurva normal akan terlihat sebagai berikut:

untuk uji satu sisi

untuk uji dua sisi

a. Penduga nilai-nilai estimasi ini sangat tergantung pada total

sampelnya .
1) Apabila n

30 , untuk menghitung interval kepercayaannya kita

menggunakan distribusi normal .

rumus distribusi normal :

S
S
X Z
< < X + Z
2 n
2 n
dimana :
X adalah rata-rata sampel
S

adalah simpangan baku

Untuk menentukan nilai dari

Z
2

terlebih dahalu kita tentukan level

signifikannya. interval kepercayaan ini bisa 90% , 95% , 98% , atau 99%.
Jika

= 10% , maka :

untuk uji satu sisi :

CI = 1 0,1
= 0,9
= 0,9 0,5
= 0,4
Z

= 1,285

untuk uji dua sisi :

CI = 1 0,05
= 0,95
= 0,95 0,5
= 0,45
Z
2

= 1,645

2) untuk sampel kecil (n < 30) digunakan distribusi student (t) . apabila
sampelnya kecil maka pendugaan rata-rata populasi dilakukan dengan
distribusi t dengan derajat bebas n = df = n-1
rumus distribusi student (t) :

S
S
X t
< < X +t
2 n
2 n
dimana :
X

adalah rata-rata sampel

adalah simpangan baku

B. Interval Kepercayaan Untuk Sampel Besar

Ketika sampel berjumlah besar, distribusi poisson ataupun multinomial, akan
menjadi distribusi normal.
1) Menaksir Rasio Ganjil

Misalkan

11 22
12 21

jikasebarang

^ n 11 n22
=
n12 n21

merupakan nilai sampel dari rasio ganjil

untuk tabel 2x2. Sampel rasio ganjil sama dengan 0 atau

nij =0

, dan itu tak ditentukan batas-batasnya jika keduanya

pada baris atau kolom adalah nol. Penaksir dari

n
( 12+ 0.5)(n21+ 0.5)
^ ( n 11 +0.5 ) (n22+ 0.5)
=

^
dan log menunjukkan hasil yang baik.

^ menjadi

~
^ dan

Penaksir

mempunyai distribusi normal asimtotik yang sama di

sekitar . Akibat dari penambahan 0.5 pada baris hilang sebagai

.

Untuk

kecil,

distribusinya

^ tidak lebih kecil dari

(karena

condong

tinggi.

Ketika

=1 ,

^ 0 ). Untuk sampel poisson atau

multinomial atau sampel binomial independen dalam baris atau dalam kolom,
^
suatu penaksir standar error asimtotik dari log( ) adalah
1
1
1
1
^ ( log ^ ) =
+ + +
n11 n12 n21 n22

menggantikan

Misalkan

1 /2

{ nij } dengan { nij +0.5 } .

Z
2

merupakan titik bagian dari ditribusi normal standar yang

memiliki suatu peluang untuk sisi kanan sama dengan

. Oleh sampel

^
normal-besar dari log ( ,
^
log

^ Z ^
2

log
Adalah suatu perkiraan 100(1- ) persen interval kepercayaan untuk log
.

2) Menaksir Selisih dari Proporsi

Proporsi sampel

i+
1i (1 1i )/n

ni + ,
n
P1i= i 1

memiliki ekspektasi

. Karena proporsi sampel

P11

1i

dan

dan variansi

P12

adalah

saling bebas, maka selisihnya memiliki ekspektasi,

E ( P11P12 )= 11 12
dan standar error
n2+
(1 )
n1+ + 12 12
11(1 11)

( p11 p12 )=

Taksirannya diperoleh

^ ( p11 p12 )

, sehingga interval kepercayaan

untuk selisih dua proporsi adalah:

( p11 p12 ) z / 2 ^ ( p11 p12 )

Contoh :
Percobaan

eksperimental

efektivitas

obat

Dexamethasone

dalam

mengurangi resiko kematian setelah percobaan 9 bulan dibandingkan dengan

kelompok placebo.

Interpretasi :
Nilai Relative Risk (dengan interval kepercayaan 95 %) =

87
187 0.77

(0.62-0.96). Kelompok yang menggunakan Obat Dexamethasone dapat

mengurangi resiko kematian sebanyak

23 % (estimasi RR = 0.77)

dibandingkan kelompok yang diintervensi dengan placebo setelah percobaan

selama 9 bulan. Di populasi umum, kita yakin sebesar 95 % bahwa obat
Dexamethasone dapat mengurangi kematian antara 4 % (RR= 0.96) dan 38
%(RR= 0.62) dibandingkan intervensi dengan obat placebo.

C. Uji Eksak Fisher

Uji independensi untuk table kategorik 2 X 2 berdasarkan distribusi
pendekatan Chi-Kuadrat hanya cocok untuk ukuran sampel besar. Dengan
demikian uji independensi tidak cocok untuk sampel-sampel kecil. Untuk
kasus sampel kecil Fisher dan Irwin telah mengembangkan suatu prosedur uji

berdasarkan perhitungan probabilitas bersyarat frekuensi sel dengan anggapan

jumlah baris (kolom) tetap.
Dalam H0 bebas, dari sebuah distribusi eksak dikatakan bebas dari
beberapa parameter yang tidak diketahui, dari frekuensi marginal bersyarat.
Ketika diasumsikan Poisson, multinomial, atau independent multinomial
sampling kemudian syarat jumlah tepi terpenuhi. Maka berlaku distribusi
hipergeometri
1+
2+
( n n11 )( n n +1n11 )

( nn )
+1

Persamaan ini menunjukkan distribusi dari 4 sel perhitungan dalam table

dari hanya satu elemen, n11. Diberikan total marginal, yang merupakan nilai
dari n11 yang dioeroleh dari perhitungan 3 sel lainnya. Interval nilai peluang
untuk n11 dalam dstribusi ini adalah m_ n 11 m+ di mana m_ adalah
maksimum (0, n1+ + n+1 n) dan m+ = minimum (n1+ , n+1).

a. Asumsi dan Statistik Uji

Sumber asumsi yang diperlukan untuk menguji pasangan hipotesis
tersebut diatas adalah :
1) Data terdiri dari A buah hasi pengamatan dari populasi pertama, dan B
buah hasil pengamatan dari populasi kedua.
2) Kedua sampel bebas dan diambil secara acak
3) Masing-masing hasil pengamatan dapat digolongkan kedalam salah
satu dari dua jenis atau ciri pengamatan yang saling terpisah
(exclusive). Jika asumsi ini dipenuhi, dan tabel yang dibuat memenuhi
syarat seperti pada tabel yang sebelumnya, statistik uji b yang

digunakan. Defenisi statistik b sesuai tabel sebelumnya adalah sebagai

berikut, b = banyaknya subjek dengan karakteristik yang di perhatikan
(kategori 1) dalam sampel
b. Prosedur Pengambilan Keputusan
Jika kita tetapkan sebagai taraf signifikasi yang digunakan dalam
pengujian, kriteria pengambilan keputusan adalah sebagai berikut.
1) Uji dua sisi
Kesimpulan menolak H0 di ambil apa bila bBk, karena keterbatasan
tabel yang tersedia, nilai yang dapat digunakan untuk uji dua pihak,
hanyalah 0.10, 0.05, 0.02, dan 0,01, karena nilai peluang yang tercantum
pada lampiran adalah 0.05, 0.025, 0.01 dan 0.005.
Almy (1973) menyelidiki hubungan antara daerah tempat tinggal
sejumlah kelompok dengan kelas sosial tertentu di kota-kota besar amerika
dan kesatupaduan pendapat dalam pemilihan umum yang diikuti oleh
penduduk tersebut. Ia juga mempelajari peran kesatuan pendapat diantara
anggota kelompok pada konflik antarkelompok seperti yang sering terjadi
menjelang pemilihan umu. Tabel 1.2 memperlihatkan 14 kota besar yang
dikelompokkan menurut daerah tempat tinggal kelompok dengan kelas
sosial tertentu dan kesatuan pendapat di antara anggota kelompok yang
sama pda suatu jejak pendapat tentang pendidikan.

Kita sesuaikan data dalam tabel 1.2 dengan simbol yang digunakan
pada tabel 1.1 dengan demikian, A=10, B=4, a=1 dan b= 3. Sysrat pertama
AB terpenuhi, akan tetapi syarat kedua a/Ab/B tidak terpenuhi, karena

a/A=1/10 dan b/B=3/4. Untuk memenuhi syarat kedua ini, kolom dalam
tabel 1.2 harus dipertukarkan dan diperoleh tabel 1.3

Interpretasi masalah sesuai tabel 1.3 apabila kita menganggap

kelompok yang anggotanya tersebar sebagai sampel 1, dan tingginya
kesatuan pendapat di antara anggota kelompok yang sama sebagai
karakteristik yang diamati. Tabel 1.3 jugamenunjukkan bahwa sampel
yang diambil dari pola hunian tersebar berukuran 10 dan sampel yang
diambl dari pola hunian berkumpul berukuran 4. Kita ingin tahu apakah
kita dapat menyimpulkann bahwa proporsi kota-kota dengan kesatuan
pendapat yang tinggi di antara anggota kelompok kelas sosial yang saling
berjauhan (tersebar) sama dengan populasi kota-kota dengan kelompok
sosial yang berdekatan (berkumpul)?
Untuk menjawab pertanyaan tersebut, pasangan hipotesis berikut
dirumuskan.
H0 : proporsi kota-kota dengan kesatuan pendapat tinggi sebagai
karakteristik yang diperhatikan dalam kedua populasi sama.
H1 : proporsi kota-kota dengan kesatuan pendapat tinggi dalam populasi
pertama tidak sama dengan proporsi serupa dalam populasi kedua.
Misalnya kita tetapkan taraf signifikasi =0.10. nilai kritis dilihat
dalam lampiran B dengan A = 10, B=4 dan a=9. Cuplikan tabel ini dapat
dilihat pada tabel 1.4. pada kolom peluang 0.05 (/2), kita peroleh
bilangan bulat sebagai nilai kritis Bk = 1. Karena b=1= Bk berarti kita
menolak H0 pada taraf signifikan 10%. Berdasarkan angka-angka dalam

tabel tersebut, kita tidak dapat menolak H0 dalam signifikasi kurang dari
5%.

Sebenarnya, kita dapat menghitung nilai peluang eksak dengan

menggunakan fungsi kepadatan peluang hipergeometris sebagai berikut.
P=p(9,0)+p(9,1)=
Nilai peluang kumulatif untuk nilai Bk tidak akan lebih besar dari nilai
peluang terdapat padaa baris atas tabel lampiran B. untuk kepentingan
praktis, kita tidak perlu menghitung nilai p tersebut, sepanjang kesimpulan
dapat diambil. Namun demikian, jika perhitungan dilakukan dengan
bantuan komputer, nilai p ini dapat diperoleh secara langsung. Kesimpuln
menolak H0 yang diambil pada taraf signifikasi 10% menunjukkan bahwa
ada hubungan antara pola hunian dan kesatuan pendapat penduduk.
2) Uji satu sisi
Berbeda dengan uji dua pihak, uji satu puhak merujuk nilai kritis B k
pada kolom peluang (bukan /2). Kesimpulan menolak H 0 juga diambil
apabila statistik b kurang atau sama dengan Bk. Dalam sebuah studi
mengenai pengaruh teknik wawancara yang berbeda terhadap tekanan
darah diastolik orang yang diwawancarai, Williams dkk. (1975)
memperoleh hasil pengamatan yang diberikan dalam tabel 1.5.
Dalam salah satu teknik wawancara, orang yang diwawancarai
berperan passif. Wawancara berlangsung dengan kartu yang diisi dan
dijawab oleh orang yang diwawancarai. Teknik wawancara kedua,
pewawancara berinteraksi secara hangat dan bertatap muka dengan orang
yang

diwawancarai.

Pewawancara

mengajukan

pertanyaan

dan

memberikan komentar pada saat yang diwawancarai memberikan jawaban.

Tekanan darah diastolik diukur pada saat selang waktu satu menit selama
wawancara berlangsung.

Berdasarkan data tesebut, kita akan mengetahui apakah wawancara

dengan tatap muka memberikan perubahan yang lebih besar terhadap
tekanan darah diastolik? Untuk menjawab pertanyaan ini. Kita perhatikan
tabel 1.5 dan kita dapatkan A=6, B=6, a=6 dan b=1. Kedua persyaratan
AB dan a/A b/B terpenuhi, karena a/A=1 dan b/B= 1/6. Kita akan
mengambil kesimpulan dengan tingkat keyakinan 99%, yang berarti taraf
signifikasi =0.001 yang digunakan. Cuplikan tabel lampiran B diberikan
pada tabel 1.6

Kita mendapatkan nilai kritis Bk = 1 pada kolom peluang 0,01. Karena

statistik b=1 yang sama dengan nilai kritis, kita menolak hipotesis yang
menyatakan bahwa perubahan tekanan darah diastolik sama saja bagi
orang yang diwawancarai melalui cara kartu dengan cara tatap muka. Ini
berarti tekanan darah diastolik mengalami perubahan yang cukup besar
pada wawancara tatap muka (keseluruhan 6 dari 6 mengalami perubahan
tekanan darah yang cukup besar), sedangkan wawancara melalui kartu
tidak memberoikan perubahan yang besar (hanya 1 dari 6 yang mengalami
perubahan tekanan darah yang cukup besar).

c. Contoh Kasus Untuk Uji Eksak :

Misalkan, suatu studi telah dilakukan untuk membandingkan
efektivitas obat dalam menyembuhkan suatu penyakit darah yang langka.
Sebanyak 15 orang pasie yang menderita penyakit itu (yang kira kira
sama parahnya) kita gunakan sebagai subjek studi ini. Dari 15 orang ini, 7
orang kita pilih secara acak dan kita beri obat A, sedangkan 8 orang
lainnya kita beri obat B. Hasil pengobatan ini rang lainnya kita beri obat B.
Hasil pengobatan ini ditunjukkan dalam table di bawah ini.

TABEL 1 HASIL PENGOBATAN DENGAN OBAT A DAN OBAT B

Hasil pengobatan
Macam obat
A
B
Jumlah

Sembuh

Tidak Sembuh

Jumlah

4
1
5

3
7
10

7
8
15

Berdasarkan data ini kita ingin melakukan uji hipotesis bahwa kedua
macam obat itu sama efektifnya dalam menyembuhkan penyakit itu
dengan alternatif satu sisi bahwa obat A lebih efektif.
Jika sekiranya tidak ada perbedaan antara kedua macam obat itu, maka
sampel gabungan dengan 5 orang sembuh dan 10 orang tidak sembuh
dapat dipandang sebagai suatu sampel random dari satu populasi. Dengan
memandang hasil gabungan ini sendiri sebagai suatu populasi kecil, uji
Fisher-Irwin mengajukan pertanyaan, Dapatkah kedua baris table
kemungkinan itu dipandang sebagai sampel-sampel yang homogeny dari
populasi kecil ini? Dalam melakukan inferensi, kita berpegang pada alas
an bahwa fakta yang kuat mendukung kurangnya homogenitas dalam

subsample-subsampel itu menunjukkan bahwa kedua obat itu tidak serupa

(efektivitasnya).
Model subsample-subsampel yang homogeny menganggap bahwa
kedua baris table merupakan hasil pembagian secara acak 5 orang sembuh
dan 10 orang tidak sembuh menjadi dua kelompok dengan masing-masing
7 orang dan 8 orang. Banyak cara 7 orang dapat dipilih dari 15 orang

adalah

(157) ,

yng masing-masing memiliki kemungkinan sama akan

terjadinya, karena pemilihannya secara acak. Banyak cara dalam memilih

4 dari 5 orang yang sembuh dan memilih 3 dari 10 orang yang tidak

sembuh adalah

(54 103 )

. Sekali pemilihan baris pertama selesai, berarti

baris kedua tertentu. Oleh karena itu, probabilitas bersyarat frekuensi sel
observasi, jika hasil gabungan diketahui 5 sembuh dan 10 tidak sembuh
adalah :

(54) ( 103)= 5 120 =0,093

6435
15
(7)
Dengan jumlah baris tertentu (tetap), kita mulai mencari susunan
frekuensi sel yang lebih ekstrim, dalam arti susunan-susunan frekuensi itu
mendukung hipotesis alternative lebih kuat daripada susunan frekuensi
observasi. Dukungan lebih kuat untuk menyimpulkan obat A lebih efektif
memerlukan frekuensi yang lebih tinggi dalam sel sudut atas kiri table
itu. Satu-satunya susunan yang mungkin adalah seperti yang tertuang
dalam Tabel di bawah; dan probabilitas bersyaratny dihitung dengan cara
seperti yang telah kita lakukan di atas.

TABEL 2 SUSUNAN YANG LEBIH EKSTRIM DARI TABEL 1

Obat A
Obat B

Sembuh
5
0

Probabilitas bersyarat =

Tidak Sembuh
2
8

Jumlah
7
8

(55)(102) =0,007
( 157)

Andaikan kita pilih tingkat signifikan

=0,15 . Untuk menentukan

apakah frekuensi sel observasi bertentangan dengan model pembagian

menjadi subsample secara random, kita hitung probabilitas frekuensi
observasi dan frekuensi yang lebih ekstrim, yakni 0,093 + 0,007 = 0,10.
Karena harga ini lebih kecil dari tingkat signifikan yang kita pilih maka
hipotetis pembagian secara random ditolak. Sehingga dapat disimpulkan
bahwa (dengan

=0,15 ) kedua obat itu berbeda efektifitasnya, yakni

obat A lebih efektif daripada obat B.

Jika tingkat signifikan yang kita gunakan

0,05

, H0 tidak ditolak.

Ini kelihatan aneh jika mengingat selisih antara proporsi sampel yang
sembuh 4/7 = 0,57untuk obat A dan 1/8 = 0,125 untuk obat B cukup besar.
Hal ini menjelaskan untuk sampel kecil, seperti 7 dan 8, selisih antara
proporsi sampel yang besar dapat terjadi karena kebetulan saja, meskipun
proposi populasinya sama.
Untuk uji H0 bahwa tidak ada perbedaan antara efek dua tritmen
versus alternative dua sisi,prosedur yang kita jalankan pada dasarnya
sama. Tetapi, susunan-susunan yang lebih ekstrim harus diidentifikasi
dalam dua sisinya. Untuk melihat hal ini, susunan umum dengan
menggunakan jumlah baris dalam Tabel 1 kita sajikan dalam tabel 3 di
bawah ini.

TABEL 3. SUSUNAN LEBIH EKSTRIM DENGAN JUMLAH

BARIS SAMA DEGAN TABEL 1
Sembuh
Tidak Sembuh
Jumlah
Obat A
X
7 x
7
Obat B
5-x
3+x
8
Jumlah
5
10
15

Selisih proporsi sampel dalam table ini adalah

( 7x 5x8 )
Dalam tabel 1 adalah

( 47 18 )

. Maka susunan yang lebih ekstrim

dua sisi dapat diidentifikasi sebagai harga-harga x yang memenuhi

|7x 5x8 |>|47 18|

atau |3 x7|>5

Kriterium ini dipenuhi oleh tabel 2 dan tabel 4

TABEL 4 SUSUNAN LEBIH EKSTRIM DARI TABEL 1
Sembuh
Tidak Sembuh
Jumlah
Obat A
0
7
7
Obat B
5
3
8
Jumlah
5
10
15

Probabilitas yang lebih ekstrim =

(50)(107) =0,019
( 157)

Sehingga probabilitas signifikansi untuk alternatif dua-sisi adalah 0,093 +

0,007 + 0,019 = 0,119

BAB III
PENUTUP
A. KESIMPULAN
Interval kepercayaan adalah suatu penduga yang diyakini untuk suatu
distribusi probabilitas dalam taraf nyata yang kemudian dinotasikan dengan

(alpha) yang selalu dinyatakan dengan presentase. Untuk kurva normal dengan
= 0.05, ada 2 macam pengujian pada sisi kurva yaitu uji satu sisi dan uji dua
sisi.
Ketika sampel berjumlah besar, distribusi poison ataupun multinomial, akan
menjadi distribusi normal sehingga ada beberapa cara melakukan penaksiran di
antaranya adalah menaksir rasio ganjil dan menaksir selisih dari proporsi.
Uji eksak untuk sampel kecil tidak lain adalah uji eksak Fisher atau biasa
disebut uji F. Uji Fisher adalah uji eksak yang diturunkan oleh seorang bernama
Fisher, karenanya disebut uji eksak Fisher. Uji ini bertujuan untuk menguji
signifikansi hipotesis komparatif dua sampel independen atau untuk menguji
apakah ada perbedaan dua perlakuan yang mungkin dari dua populasi. Uji eksak
Fisher digunakan ketika persyaratan analisis chi-square untuk tabel silang 2 X 2

tidak terpenuhi. Data disusun dalam tabel silang (kontingensi) 2 x 2. Ukuran

sampel n 40. Kriteria Uji : Tolak H0 jika p (satu arah) atau p /2 (dua
arah), H0 diterima dalam hal lainnya.