Modul Biostatistik Inferensial

Sub-CPMK7: Uji Asumsi - Normalitas & Homogenitas

Prasyarat Uji Parametrik

Memvalidasi Kelayakan Data Klinis.

Sebelum membandingkan efikasi dua obat menggunakan Uji-T atau ANOVA, data harus lolos "pemeriksaan kualitas". Uji Normalitas dan Homogenitas adalah gerbang utama penentu apakah data layak dianalisis menggunakan metode parametrik yang kuat, atau harus diturunkan ke metode non-parametrik.

Capaian Pembelajaran (Sub-CPMK7)

Konsep Asumsi

Memahami esensi asumsi sebaran normal dan kesetaraan varians antar grup penelitian.

Paradoks P-Value

Menjelaskan mengapa pada uji asumsi, nilai p > 0.05 justru menjadi hasil yang diharapkan (H₀ diterima).

Alur Analisis

Menentukan rute statistik (Parametrik vs Non-parametrik) dan menggunakan instrumen software yang tepat.

Simulasi & Interpretasi

Menghitung dan memvisualisasikan Skewness serta F-Ratio dari raw data secara empiris.

1. Teori & Diagram Alir Pengambilan Keputusan

Peta jalan statistika medis untuk menavigasi uji perbandingan (Komparatif).

Uji Normalitas

Menguji apakah sampel ditarik dari populasi berdistribusi normal (simetris). Jika data sangat miring (terdapat *outlier* parah), penggunaan nilai Mean tidak lagi valid.

Metode Uji: Shapiro-Wilk (n < 50), Kolmogorov-Smirnov (n ≥ 50), atau evaluasi nilai Skewness/Kurtosis.

Hipotesis (H₀): Data terdistribusi normal.
Harapan: p > 0.05 (H₀ Diterima)

Uji Homogenitas

Menguji kesetaraan varians (lebar sebaran) antara dua grup atau lebih (misal: Grup Obat vs Plasebo). Membandingkan dua grup dengan sebaran yang sangat timpang seperti membandingkan apel dan jeruk.

Metode Uji: Uji Levene atau Uji F (Variance Ratio).

Hipotesis (H₀): Varians antar grup adalah homogen.
Harapan: p > 0.05 (H₀ Diterima)

Paradoks P-Value (Perhatian Khusus)

Mahasiswa kerap mengira penelitiannya gagal karena p-value uji asumsi bernilai > 0.05. Padahal pada uji prasyarat, p > 0.05 berarti H₀ DITERIMA, yang menandakan data normal/homogen dan aman diolah dengan metode parametrik (T-Test/ANOVA). Sebaliknya, p < 0.05 berarti "Ada Masalah" pada distribusi data.

Pohon Keputusan Statistika (Decision Tree)

Siapkan Raw Data (Skala Numerik)
Lakukan Uji Normalitas
(Shapiro-Wilk / K-S)
Ya (p > 0.05)
Lakukan Uji Homogenitas
(Levene's Test)
Ya (p > 0.05)
Uji Parametrik
(T-Test / ANOVA)
Tidak (p < 0.05)
T-Test Welch
(Unequal Variance)
Tidak (p < 0.05)
Uji Non-Parametrik
(Mann-Whitney dkk)
1

Laboratorium Uji Normalitas

Evaluasi parameter matematis Skewness (kemencengan) dan plot grafik untuk menilai normalitas sebaran data uji klinis.

Pilih Skenario Data:
Rerata (Mean) 0.0
Nilai Tengah (Median) 0.0
Koefisien Skewness (Kemencengan)
0.00 Simetris

Formula Sample Skewness (G₁)

G₁ =
n (n-1)(n-2)
∑
(
xi - x̄ s
)3

Skor G₁ ≈ 0 mengindikasikan simetri sempurna (Normal). Toleransi edukasional yang diterima berada di rentang -1.0 hingga +1.0.

Estimasi Kesimpulan Klinis (Threshold p-value)

p > 0.05 Asumsi Normalitas Terpenuhi

Inspeksi Visual: Histogram vs Kurva Normal Ideal

2

Laboratorium Uji Homogenitas

Bandingkan varians penyebaran dua grup eksperimen. Varians yang terpaut jauh (rasio F tinggi) menandakan data heterogen.

Pilih Skenario Komparasi:
Varians Grup A (S₁²) 0.0
Varians Grup B (S₂²) 0.0
Rasio Varians F (F-Value Estimasi)
0.00
Smax² Smin²

Estimasi Keputusan F-Test Dasar

Asumsi Homogenitas Terpenuhi

Rasio F mendekati 1.0 mengindikasikan varians identik. Jika F terlalu besar (umumnya > 3.0 untuk sampel kecil), varians dipandang berbeda signifikan secara statistik.

Indikator Threshold p > 0.05

Inspeksi Visual: Lebar Rentang Penyebaran (Dot Plot)

Grup A
Grup B
0 100

Instrumen & Software Analisis Data

Langkah praktis mengeksekusi uji Normalitas dan Homogenitas pada aplikasi statistik populer.

S

IBM SPSS

Standar industri farmasi terpopuler untuk riset akademis dan klinis.

Path Normalitas: Analyze → Descriptive Statistics → Explore... → Plots → Centang "Normality plots with tests"
J

JASP / Jamovi

Alternatif Open-Source (gratis) berbasis bahasa R dengan antarmuka sangat user-friendly.

Path Uji T (Include Asumsi): T-Tests → Independent Samples T-Test → Centang opsi Normality (Shapiro-Wilk) & Equality of Variances (Levene).

MS Excel

Tool fundamental. Terbatas untuk uji otomatis lengkap, namun handal untuk kalkulasi rumus manual.

Rumus Cepat: Skewness: =SKEW(A1:A30)
Varians: =VAR.S(A1:A30)
F-Test (p-value): =F.TEST(array1, array2)

Tugas Mandiri (Case-Based Learning)

Buatlah skenario riset klinis dan aplikasikan pemahaman Anda untuk menganalisis kelayakan data menggunakan simulator uji asumsi di atas.

Instruksi Tugas:

  1. Ketiklah minimal 15 angka acak (raw data) untuk mewakili Grup Kontrol (Obat Standar) dan 15 angka acak untuk Grup Intervensi (Obat Baru) yang mengukur "Penurunan Kadar Asam Urat (mg/dL)".
  2. Masukkan data tersebut secara bergantian ke dalam Simulator Uji Normalitas. Catat nilai Skewness dan bentuk Histogramnya.
  3. Masukkan kedua set data sekaligus ke Simulator Uji Homogenitas. Catat rasio F dan perhatikan apakah visual Dot Plot terlihat merata atau jomplang.
  4. Berdasarkan hasil parameter (p-value edukasional) di atas, tuliskan di kotak di bawah: Apakah data tersebut memenuhi syarat uji Parametrik (Independent T-Test) atau harus beralih ke Non-Parametrik (Mann-Whitney U Test)?

Evaluasi Akhir (Sub-CPMK7)

Uji penguasaan Anda terkait evaluasi prasyarat kelayakan data biostatistik.