BIOSTATISTIKA DAN EPIDEMIOLOGI (MMS-4411)
|
|
- Yanti Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAHAN AJAR BIOSTATISTIKA DAN EPIDEMIOLOGI (MMS-4411) Disusun oleh: Dr. Danardono, MPH. PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS GADJAH MADA 2011
2 Daftar Isi 1 Pendahuluan Tujuan Pembelajaran Biostatistika dan Epidemiologi Profesi Biostatistisi dan Epidemiolog Metode dan Proses Pembelajaran Latihan dan Tugas Desain Penelitian Tujuan Pembelajaran Penelitian dalam Bidang Ilmu Hayati, Kedokteran, dan Epidemiologi Penelitian observasional Penelitian Cross-sectional dan Longitudinal Penelitian Follow-up Penelitian Case-control Penelitian Klinis Model Statistik dan Kausalitas Latihan dan Tugas Statistik dan Ukuran dalam Epidemiologi Tujuan Pembelajaran Prevalensi dan insidensi Model untuk Prevalensi Model untuk Insidensi Faktor Resiko Inferensi untuk RD, RR dan OR Latihan Perancuan dan Interaksi Tujuan Pembelajaran Konsep dan Identifikasi Perancuan ii
3 Daftar Isi iii 4.3 Metode Standarisasi dan Mantel-Haenszel Standarisasi Langsung Standarisasi Tidak Langsung Mantel-Haenszel Interaksi Latihan Model Linear Tergeneralisasi Tujuan Pembelajaran Generalisasi Model Linear Regresi Logistik Model dan Estimasi Parameter Interpretasi Parameter Model Regresi Poisson Model dan Estimasi Parameter Interpretasi Parameter Model Latihan Uji Diagnostik Tujuan Pembelajaran Sensitivitas, Spesifisitas dan Nilai Prediksi Kurva ROC Latihan Analisis Data Longitudinal Tujuan Pembelajaran Deskripsi Data longitudinal Model Regresi Data longitudinal Naive Model Model Linear Umum untuk Data Longitudinal Latihan Analisis Data Survival Tujuan Pembelajaran Fungsi Survival dan Hazard Kaplan-Meier dan Life Table Membandingkan Distribusi Survival Model Regresi Data Survival Latihan
4 Daftar Isi 1 9 Konsultasi Statistika Tujuan Pembelajaran Konsultan Statistik Penggunaan Perangkat Lunak Statistika dan Teknologi Informasi Ringkasan Metode dan Topik Lanjut Latihan
5 1 Pendahuluan 1.1 Tujuan Pembelajaran Setelah selesai melakukan pembelajaran pada bagian ini, mahasiswa diharapkan dapat: 1. Menjelaskan pengertian biostatistika dan epidemiologi dan penekanan matakuliah ini 2. Memberi contoh profesi yang berkaitan dengan biostatistika dan epidemiologi 3. Mengidentifikasi bagian-bagian pada RPKPS yang berkaitan dengan Tujuan umum pembelajaran, metode dan proses pembelajaran, penilaian dan sumber referensi 1.2 Biostatistika dan Epidemiologi Biostatistika adalah statistika yang diterapkan pada ilmu hayati, kedokteran dan epidemiologi. Armitage and Colton (1998) mendefinisikan Biostatistika lebih sempit lagi, yaitu metode statistika dalam kedokteran dan ilmu kesehatan, atau dikenal juga sebagai medical statistics. Sedangkan ilmu statistika dalam bidang biologi, lingkungan dan pertanian sering disebut sebagai biometrika (biometrics). Definisi Epidemiologi menurut (Last, 1995) adalah The study of distribution and determinants of health-related states or events in specified population, and the application of this study to control of health problems. 2
6 1.3. Profesi Biostatistisi dan Epidemiolog 3 MMS-4411 mempunyai penekanan agar lulusan bisa bertindak seperti layaknya konsultan dalam bidang Biostatistika. Untuk itu, materi yang diberikan tidak hanya berupa metode saja namun juga aspek komunikasi, konsultasi dan pengetahuan terkait seperti epidemiologi dan terminologi dalam bidang kesehatan. Matakuliah ini diharapkan akan membuka wawasan lanjut mahasiswa karena banyak pengembangan teori statistika yang berawal dari permasalahan dalam bidang Biostatistika dan Epidemiologi. Selain itu melalui matakuliah ini mahasiswa diharapkan untuk mulai berpikir dan bertindak bukan hanya sebagai statistisi saja, tapi juga sebagai orang yang mempelajari bidang lain dan dengan sudut pandang yang berbeda dari seorang statistisi. Matakuliah ini dapat diambil setelah mahasiswa mengetahui dan memahami dasar serta teknik metode statistik secara umum dan mampu melakukan analisis statistik dengan beberapa metode tertentu. Matakuliah MMS-4411 diharapkan dapat mendukung kompetensi lulusan program studi statistika, khususnya untuk lulusan yang mempunyai minat dan konsentrasi pada bidang Biostatistika. 1.3 Profesi Biostatistisi dan Epidemiolog Profesi biostatistisi dan epidemiolog banyak diperlukan di bidang-bidang seperti tersebut di bawah ini, Lembaga penelitian Akademik atau lembaga pendidikan Lembaga pemerintah bidang kesehatan atau rumah sakit Industri obat dan farmasi Konsultan Di Indonesia profesi seperti tersebut belum sepopuler profesi seperti dokter, apoteker atau dosen, namun di negara maju dan di negara ASEAN seperti Singapura profesi ini sudah cukup dikenal. Lembaga penelitian asing yang melakukan penelitian di bidang penyakit tropis biasanya juga membutuhkan tenaga biostatistisi dan epidemiolog lokal. Perencanaan aspek kesehatan, termasuk di dalamnya asuransi kesehatan dan kematian, yang baik dan terukur akan sangat memerlukan ahli di bidang biostatistik dan epidemiologi. 1.4 Metode dan Proses Pembelajaran Metode dan proses pembelajaran untuk matakuliah ini dapat dilihat pada RPKPS (Rencana Program Kegiatan Pembelajaran Semester) MMS-4411.
7 1.5. Latihan dan Tugas Latihan dan Tugas 1.1. Sebutkan matakuliah apa saja di program studi Statistika UGM yang terkait matakuliah MMS Carilah kuliah (course) sejenis MMS-4411 di internet atau sumber lain yang mudah diakses (misalnya handbook suatu program studi) baik yang berbahasa Indonesia maupun Inggris. Tuliskan alamat situs internet kuliah tersebut tersebut atau dapatkan hardcopy/softcopy dari handbook suatu program studi, kemudian tuliskan materi atau kompetensi yang diajarkan serta metode pembelajarannya Sebutkan metode apa saja yang pernah saudara pelajari sebelum mengambil matakuliah ini. Berilah satu contoh analisis data terkait penelitian di bidang epidemiologi, kesehatan atau ilmu hayati untuk masing-masing metode yang telah saudara pelajari tersebut Lewat jejaring sosial yang mungkin saudara punyai, carilah lulusan atau alumnus program studi Statistika (dari perguruan tinggi manapun di Indonesia) yang mempunyai profesi terkait konsultan biostatistika, epidemiologi atau pekerjaan lain yang memerlukan kompetensi seorang biostatistisi atau epidemiolog.
8 2 Desain Penelitian 2.1 Tujuan Pembelajaran Setelah selesai melakukan pembelajaran pada bagian ini, mahasiswa diharapkan dapat: 1. Menjelaskan tujuan penelitian dalam bidang epidemiologi 2. Menjelaskan tipe-tipe penelitian 3. Mengidentifikasi desain penelitian yang digunakan dalam suatu penelitian 4. Mengusulkan desain penelitian yang tepat untuk suatu permasalahan 5. Menjelaskan peran statistika dalam penelitian di bidang ilmu hayati, kedokteran dan epidemiologi 6. Menjelaskan proses pembangkitan data dikaitkan dengan desain dan model statistik 7. Menyebutkan matakuliah lain yang terkait dengan topik desain penelitian 2.2 Penelitian dalam Bidang Ilmu Hayati, Kedokteran, dan Epidemiologi Menurut Kleinbaum, Kupper and Morgenstern (1982), ada 4 kata kunci tujuan penelitian di bidang epidemiologi, yaitu: describe, explain, predict dan control. Selengkapnya dapat dijelaskan sebagai berikut: 5
9 2.2. Penelitian dalam Bidang Ilmu Hayati, Kedokteran, dan Epidemiologi 6 populasi sampel data A B Gambar 2.1: Skema penelitian secara umum dimulai dari pendefinisian populasi dan unit populasi, tahap A: pengambilan unit sampel dari populasi; tahap B: pengambilan informasi dari sampel. 1. Mendeskripsikan status kesehatan populasi dengan cara melakukan enumerasi kejadian sakit, menghitung frekuensi relatif dan mendapatkan kecenderungan atau trend penyakit; 2. Menjelaskan penyebab penyakit dengan cara menentukan faktor yang menjadi sebab dari suatu penyakit tertentu dan cara transmisinya; 3. Melakukan prediksi kejadian sakit dan distribusi status kesehatan dalam populasi; 4. Melakukan pengendalian penyebaran penyakit dalam populasi dengan pencegahan kejadian sakit, penyembuhan kasus sakit, menambah lama hidup bersama dengan suatu penyakit, atau meningkatkan status kesehatannya Penelitian dalam bidang kedokteran dan epidemiologi secara garis besar sama dengan penelitian lain, seperti misalnya bidang pertanian, biologi dan ilmu rekayasa (teknik). Namun karena penelitian ini banyak melibatkan manusia sebagai subyek, maka banyak teknik atau metode yang dapat diterapkan pada bidang lain yang tidak dapat diterapkan dalam bidang ini karena permasalahan etika. Misalnya, tidak mungkin akan diberikan suatu jenis perlakuan yang membahayakan atau merugikan subyek penelitian. Gambar 2.1 merepresentasikan skema penelitian secara umum. Suatu penelitian dimulai dengan mendefinisikan populasi untuk mana kesimpulan atau hasil
10 2.3. Penelitian observasional 7 dari penelitian akan dikenakan. Pada tahap ini unit populasi dan variabel penelitian harus ditentukan. Unit populasi adalah bagian terkecil dari populasi yang akan digunakan dalam pengambilan sampel. Sedangkan variabel adalah karakteristik atau informasi yang ingin diperoleh dari unit tersebut. Bagian A pada Gambar 2.1 adalah bagian pengambilan sampel atau penyampelan. Tujuan utama penyampelan adalah untuk mendapatkan wakil yang representatif dari populasi, tanpa harus melihat atau meneliti keseluruhan anggota populasi. Pengambilan sampel dapat dilakukan secara non-random ataupun random. Pengambilan sampel non-random biasanya lebih mudah dibandingkan dengan pengambilan sampel random. Namun, pengambilan random menjamin obyektivitas dan sampel yang representatif, dan banyak analisis statistik yang disusun berdasarkan asumsi sampel random. Dikenal beberapa macam metode pengambilan sampel random yang pada hakekatnya bertujuan untuk mengatasi heterogenitas populasi, seperti misalnya: sampel random sederhana, stratifikasi, kluster, sistematik, dan lainnya. Setelah sampel diperoleh dilanjutkan dengan tahap pengambilan informasi dari unit sampel berdasarkan variabel penelitian yang telah ditentukan (bagian B pada Gambar 2.1). Cara pengambilan informasi dapat dilakukan dengan pengukuran, pencacahan, wawancara, dan sebagainya. Jenis penelitian dapat dibedakan dari apakah ada perlakuan, manipulasi, intervensi atau tindakan yang dinenakan pada unit penelitian sebelum dilakukan tahap B atau tidak. Selain itu, elemen utama yang selalu menyertai penelitian adalah waktu. Penelitian juga dapat dibedakan berdasarkan saat pelaksanaan tahap A maupun B. Lebih jelasnya jenisjenis penelitian tersebut akan diterangkan pada bagian-bagian selanjutnya setelah bagian ini. 2.3 Penelitian observasional Dalam penelitian jenis ini tidak dilakukan manipulasi atau perlakuan pada faktorfaktor yang diteliti. Data diperoleh apa adanya dari populasi. Dalam penelitian ini, tidak dilakukan manipulasi, perlakuan ataupun intervensi pada tahap B (Gambar 2.1). 2.4 Penelitian Cross-sectional dan Longitudinal Dalam penelitian ini, sampel atau data hanya dikumpulkan pada satu titik waktu tertentu saja. Jenis penelitian ini dikontraskan dengan penelitian longitudinal, yaitu penelitian yang dilakukan dalam periode tertentu. Dalam prakteknya penelitian longitudinal dicirikan dengan dikumpulkannya beberapa pengukuran atau ob-
11 2.5. Penelitian Follow-up 8 servasi untuk satu unit sampel, sedangkan penelitian cross-sectional dicirikan dengan satu pengukuran atau observasi untuk satu unit. 2.5 Penelitian Follow-up Sering juga disebut penelitian prospektif. Dalam penelitian ini subyek diikuti selama jangka waktu tertentu atau sampai suatu kejadian (event), nilai pengukuran atau end-point tertentu diperoleh. Penelitian Follow-up dapat berupa observasional maupun eksperimental. 2.6 Penelitian Case-control Penelitian case-control merupakan salah satu contoh penelitian retrospektif. Penelitian retrospektif yaitu jenis penelitian yang berawal dari suatu event atau end-point. Unit sampel yang memiliki event atau end-point tersebut kemudian diteliti. Penelitian case-control dimulai dari unit yang mendapatkan kasus (penyakit misalnya), kemudian dipilih sekelompok pembanding atau kontrol (yaitu unit yang tidak mendapatkan atau mempunyai kasus). Faktor atau variabel penjelas yang lain juga dikumpulkan untuk masing-masing kasus dan kontrol. 2.7 Penelitian Klinis Penelitian klinis (clinical trial) menurut (Chow, 2000, hal 110) adalah... an experiment performed by a health care organization or professional to evaluate the effect of an intervention or treatment against a control in a clinical environment. It is a prospective study to identify outcome measures that are influenced by the intervention. A clinical trial is designed to maintain health, prevent diseases, or treat diseased subjects. The safety, efficacy, pharmacological, pharmacokinetic, quality-of-life, health economics, or biochemical effects are measured in a clinical trial. Dalam penelitian ini dilakukan manipulasi, pemberian perlakuan (treatment) atau intervensi pada tahap B (Gambar 2.1) Tahapan penelitian klinis (Le, 2003): Fase I: Memfokuskan pada keamanan obat baru, fase ini adalah uji coba pertama obat pada manusia setelah sukses dengan uji coba pada binatang
12 2.8. Model Statistik dan Kausalitas 9 Fase II: Uji coba skala kecil untuk menilai efektivitas obat dan lebih fokus kepada keamanannya Fase III: Uji coba klinis lebih lanjut untuk menilai efektivitasnya sebelum didaftarkan pada pihak yang berwenang Fase IV: Penelitian setelah obat dipasarkan untuk memberikan informasi yang lebih detail tentang efektivitas obat dan keamanannya 2.8 Model Statistik dan Kausalitas Dalam terminologi dan notasi statistika, variabel sering dituliskan dengan huruf X untuk variabel penjelas, variabel independen, faktor; dan Y untuk variabel dependen atau variabel respon. Dalam Epidemiologi dikenal juga istilah variabel paparan (exposure) dan perancu (confounder) yang termasuk dalam kelompok X, dan outcome yang termasuk dalam kelompok Y. Umumnya setiap penelitian bertujuan untuk mencari tahu apakah X menyebabkan Y, atau seberapa besar pengaruh X terhadap Y. Model statistik, seperti misalnya model regresi sederhana E(Y X) = β 0 + β 1 X (2.1) merupakan representasi untuk mencapai tujuan itu. Statistisi memikirkan model seperti (2.1) sebagai suatu pembangkit data (data generating-process). Realisasi dari model itu adalah data yang diperoleh (sering dituliskan sebagai huruf kecil x dan y). Apabila model dan estimasi parameternya dinyatakan cukup tepat untuk menjelaskan data, dapat dilakukan inferensi atau pengambilan kesimpulan dari model tersebut. Termasuk dalam inferensi itu adalah penggunaan model untuk prediksi dan kausalitas. Perlu diperhatikan bahwa sangat mungkin terdapat lebih dari satu model yang cukup tepat untuk menjelaskan suatu set data. Untuk itu harus diingat pendapat yang mengatakan bahwa ada banyak model yang baik tapi pilihlah satu yang berguna. Dikaitkan dengan penelitian di bidang Epidemiologi dan kedokteran, model yang berguna di sini adalah model yang terdiri dari variabel yang nilainya dapat atau mudah dimodifikasi dalam praktek dan model yang sesederhana mungkin. Desain penelitian, atau cara memperoleh data penelitian, sangat mempengaruhi asumsi model statistik yang pada akhirnya mempengaruhi penjelasan dan interpretasi dari hubungan X dengan Y. Ambil contoh model sederhana seperti (2.1). Misalkan untuk mendapatkan x (realisasi dari variabel X) digunakan cara
13 2.9. Latihan dan Tugas 10 observasi tanpa perlakuan pada unit sampel (penelitian observasional) maka model ini kurang kuat untuk menjelaskan kausalitas X terhadap Y. Namun bila x diperoleh dengan kaidah desain eksperimental maka model dapat digunakan untuk menjelaskan hubungan kausal Dalam penelitian epidemiologi dikenal prinsip-prinsip untuk mendapatkan bukti adanya kausalitas yang dikenal sebagai Hill s Criteria for Causality (Armitage and Colton, 1998; Kleinbaum et al., 1982) sebagai berikut: 1. Hubungan (association) yang kuat antara X (variabel independen,faktor resiko atau paparan) dengan Y (variabel dependen, respon atau outcome). 2. Hubungan yang diperoleh harus spesifik dalam arti suatu faktor atau paparan hanya berhubungan dengan satu jenis penyakit saja. 3. Paparan atau faktor (X) harus mendahului respon (Y ), atau sebab harus mendahului akibat. 4. Harus ada penjelasan secara biologis mengapa suatu paparan atau faktor resiko menyebabkan suatu penyakit. 5. Harus dapat ditunjukkan adanya dose-response effect atau biologic gradient yaitu semakin besar tingkat paparan semakin besar kemungkinan terjadinya penyakit 6. Terkait kriteria 5, jika paparan dihilangkan, penyakit juga seharusnya tidak muncul 7. Adanya konsistensi hasil atau kesimpulan yang diperoleh dari beberapa studi. 2.9 Latihan dan Tugas Untuk soal pilihan ganda, pilihlah satu jawaban yang tepat (a, b, c atau d); untuk soal esai tuliskan jawabannya dengan singkat dan jelas! 2.1. Keuntungan desain penelitian case-control terhadap desain penelitian cohort salah satunya adalah: a. dengan desain case-control dapat dihitung OR b. case-control dapat mengatasi masalah etik penelitian terhadap manusia yang mungkin terjadi pada desain cohort c. ukuran sampel untuk case-control relatif lebih kecil dibandingkan cohort d. dapat digunakan untuk menunjukkan hubungan sebab-akibat (cause-effect)
14 2.9. Latihan dan Tugas Keuntungan desain penelitian longitudinal terhadap cross-sectional salah satunya adalah: a. lebih mudah dilaksanakan b. ada variabel kontrol yang dapat digunakan sebagai perbandingan c. ukuran sampel relatif lebih kecil d. dapat digunakan untuk menunjukkan hubungan sebab-akibat (cause-effect) 2.3. Suatu penelitian yang bertujuan untuk membandingkan dua perlakuan A dan B dilakukan dengan cara sebagai berikut: subyek secara random diberi perlakuan A atau B; setelah periode waktu tertentu subyek berganti mendapat perlakuan yang lain, untuk subyek yang pada awalnya mendapat perlakuan A kemudian mendapat B, dan sebaliknya. Desain yang digunakan disebut: a. cross-over trial b. cross-sectional c. cohort d. randomized block 2.4. Desain penelitian yang sesuai dan layak (dapat dilaksanakan) untuk mengetahui faktor resiko suatu penyakit dengan insidensi yang sangat rendah (seperti misalnya kanker) adalah: a. cross-sectional b. cohort c. case-control d. clinical-trial 2.5. Dalam penelitian tentang program atau kebijakan yang berkaitan dengan kesehatan masyarakat, randomisasi pada unit penelitian biasanya sulit untuk dilakukan, meskipun demikian pengaruh faktor (pemberian program atau penerapan kebijakan) tetap dapat diteliti efeknya. Desain penelitian yang tepat untuk permasalahan ini adalah: a. cross-sectional b. cohort c. observational d. quasi-experimental 2.6. Misalkan dari teori dan penelitian sebelumnya dapat diasumsikan bahwa perlakuan A, B dan C akan menghasilkan respon individual seperti pada gambar di bawah ini. respon Y A B C waktu T
15 2.9. Latihan dan Tugas 12 Untuk meneliti fenomena tersebut di atas desain yang paling tepat adalah: a. longitudinal b. cross-sectional c. multiple cross-sectional d. survival 2.7. Pada tahun 1985 dilakukan penelitian di Inggris untuk mengetahui apakah wanita yang minum pil kontrasepsi akan mengalami menopause (tidak mengalami siklus menstruasi lagi) lebih awal atau lebih akhir dibandingkan wanita yang tidak minum pil kontrasepsi. Untuk itu diambil satu kelompok wanita yang lahir pada tahun 1930, dengan alasan pada tahun 1985 mereka sudah cukup tua untuk mendapatkan menopause. Berdasarkan catatan di sebuah klinik umum diperoleh 132 wanita. Sebanyak 101 wanita tidak diambil sebagai subyek karena alasan tidak dapat dihubungi, menolak sebagai subyek, belum menopause dan alasan kesehatan. Diperoleh data sebagai berikut: Umur saat menopause (tahun) n Mean SD minum pil 12 47,2 2,1 tdk. minum 19 47,5 2,1 (a) Apa desain studi ini? Jelaskan! (b) Apakah ada kesalahan fatal dalam studi ini? Jelaskan! 2.8. Sebuah penelitian dilakukan untuk mengetahui keefektivan helm dalam mencegah kerusakan di kepala akibat kecelakaan kendaraan bermotor. Diperoleh data 793 kecelakaan dalam periode 3 bulan sebagai berikut: Menggunakan helm kerusakan di kepala Ya Tidak Total Ya Tidak Total Apa desain studi ini? Jelaskan! 2.9. Jelaskan perbedaan utama antara penelitian prospektif dengan retrospektif dan keuntungan kerugian masing-masing! Jelaskan perbedaan utama antara penelitian observasional dengan dengan eksperimental dan keuntungan kerugian masing-masing! Sebuah lembaga riset kesehatan akan melakukan penelitian tentang program atau aktivitas yang dapat menghentikan kebiasaan merokok. (a) Ajukan satu pertanyaan ilmiah (research question) yang relevan menurut saudara.
16 2.9. Latihan dan Tugas 13 DMFT konsumsi gula (kg/orang/tahun) Gambar 2.2: Plot antara banyaknya gigi yang rusak dengan konsumsi gula (b) Apa variabel independen atau paparan (exposure) utama penelitian tersebut? (c) Desain penelitian apa yang sesuai dengan tujuan penelitian di atas? Jelaskan! (d) Bagaimana seharusnya saudara memilih subyek dan mengukur (mengambil informasi) dari mereka sehingga tidak terjadi bias? Gambar 2.2 menunjukkan hasil penelitian epidemiologi hubungan antara banyaknya gigi yang rusak dengan konsumsi gula pada 20 negara. Gigi yang rusak dinyatakan dengan skor DMFT (decayed, missing and filled teeth) yang diperoleh dari mean dari survei di masing-masing negara dengan responden anak usia 12 tahun. konsumsi gula diperoleh dari laporan tahunan pemerintah dibagi estimasi total populasi berdasarkan sensus. (a) Apakah dapat ditunjukkan dari gambar bahwa konsumsi gula mengakibatkan tingginya DMFT? Jelaskan! (b) Apa kelemahan studi seperti di atas dan berikan alternatif desain yang lebih tepat Dalam suatu studi tentang faktor resiko untuk angina (terkait penyakit jantung) subyek diminta menjawab pertanyaan, Apakah anda merokok. Jawa-
17 2.9. Latihan dan Tugas 14 ban diklasifikasikan untuk setiap responden sebagai prokok dan bukan perokok. Kemudian subyek diklasifikasikan apakah pernah mengalami angina atau tidak. Setelah data dianalisis, tidak diperoleh hubungan antara merokok dengan pernah tidaknya mengalami angina. (a) Dari banyak studi yang telah dilakukan sebelumnya dapat ditunjukkan adanya bukti bahwa resiko mendapatkan angina meningkat seiring dengan naiknya konsumsi rokok seseorang. Jelaskan apa saja yang mungkin menyebabkan studi di atas gagal menunjukkan hubungan antara angina dengan merokok? (b) Apa alternatif desain studi yang lebih tepat? Jelaskan! Untuk meneliti suatu permasalahan epidemiologi sering dilakukan lebih dari satu studi yang mana variabel utamanya sama namun populasi dan setting studinya mungkin berbeda. Apakah ada keuntungan yang diperoleh dari banyak studi tersebut untuk menjawab satu permasalahan yang sama dalam epidemiologi? Jelaskan!
18 3 Statistik dan Ukuran dalam Epidemiologi 3.1 Tujuan Pembelajaran Setelah selesai melakukan pembelajaran pada bagian ini, mahasiswa diharapkan dapat: 1. Menggunakan ukuran statistik yang tepat untuk suatu permasalahan dalam epidemiologi 2. Menginterpretasikan hasil hitungan ukuran statistik 3. Menjelaskan model yang mendasari prevalensi dan insidensi 4. Menggunakan likelihood ratio test sebagai alternatif inferensi untuk model prevalensi dan insidensi 5. Menggunakan ukuran faktor yang tepat untuk suatu permasalahan dengan datanya 6. Menginterpretasikan hasil hitungan ukuran faktor 3.2 Prevalensi dan insidensi Definisi sehat menurut WHO adalah: health is a state of complete physical, mental, and social well-being and not merely the absence of disease or infirmity. Definisi ini cukup sulit direalisasikan terutama pada definisi dan ukuran 15
19 3.2. Prevalensi dan insidensi 16 well-being. Definisi yang lebih praktis yang banyak digunakan oleh epidemiolog adalah ada atau tidak ada penyakit 1. Statistik atau ukuran paling dasar yang sering digunakan untuk melihat besarnya permasalahan dalam epidemiologi adalah banyaknya kejadian atau frekuensi kejadian (sakit, meninggal, dsb.). Namun ukuran ini sangat bergantung pada besar populasi dan lama periode pengamatan. Ukuran yang tidak bergantung pada besar populasi dan lama periode pengamatan yang banyak digunakan adalah prevalensi (prevalence) dan insidensi (incidence) Prevalensi adalah banyaknya subyek yang mengalami kejadian tertentu atau menderita penyakit tertentu pada suatu waktu tertentu. Prevalensi dirumuskan sebagai: P = d N, (3.1) dengan P adalah prevalensi; d adalah banyaknya subyek yang mengalami kejadian tertentu atau menderita penyakit tertentu pada suatu waktu tertentu; N adalah banyaknya subyek pada suatu waktu tersebut. Insidensi adalah banyaknya subyek yang mengalami kejadian baru atau mendapatkan penyakit baru dalam suatu interval waktu tertentu. Jenis ukuran insidensi yang sering dipakai adalah insidensi kumulatif IK dan tingkat insidensi (incidence rate)i. IK dirumuskan sebagai: IK = d N 0, (3.2) dengan IK adalah insidensi kumulatif; d adalah banyaknya subyek yang mengalami kejadian tertentu atau menderita penyakit tertentu dalam suatu interval waktu tertentu; N 0 adalah banyaknya subyek yang belum mengalami kejadian tertentu atau menderita penyakit tertentu pada awal interval waktu tersebut. Jenis insidensi yang lain berdasarkan pada pengertian tingkat (rate), yaitu banyaknya perubahan kuantitatif yang terjadi yang terkait dengan waktu. Insidensi (Incidence rate) dirumuskan sebagai: I = d NT, (3.3) dengan I adalah insidensi; d adalah banyaknya subyek yang mengalami kejadian tertentu atau menderita penyakit tertentu dalam suatu interval waktu tertentu; N T 1 Meskipun demikian penelitian dalam bidang Biostatistika dan Epidemiologi saat ini mengarah pada pengukuran hal-hal yang lebih soft daripada hanya sakit dan tidak sakit seperti well-being dan quality of life, dan seterusnya.
20 3.2. Prevalensi dan insidensi 17 naik karena turun karena durasi penyakit yg panjang pasien hidup lama insidensi meningkat in-migrasi kasus out-migrasi penduduk sehat in-migrasi orang yg rentan meningkatnya diagnosis durasi penyakit yg pendek pasien hidup singkat insidensi menurun in-migrasi penduduk sehat out-migrasi kasus out-migrasi orang yg rentan meningkatnya kesembuhan Gambar 3.1: Faktor-faktor yang mempengaruhi estimasi prevalensi (Beaglehole et al., 2000). adalah total waktu subyek yang belum mengalami kejadian tertentu atau menderita penyakit tertentu dalam interval waktu tersebut (sering juga disebut sebagai person-time atau risk-time) Istilah lain yang sering digunakan untuk insidensi adalah person-time incidence rate, instantaneous incidence rate, force of morbidity, incidence-density, hazard). Prevalensi sangat dipengaruhi oleh banyak faktor yang tidak berhubungan langsung dengan penyebab penyakit, misalnya in-migrasi dan out-migrasi dan perbaikan cara diagnosis (lihat Gambar 3.1). Oleh karena itu prevalensi tidak dianjurkan untuk menunjukkan kausalitas. Tapi prevalensi sangat membantu untuk menunjukkan besarnya masalah kesehatan. Prevalensi dan insidensi saling berkaitan, secara umum hubungannya dapat ditunjukkan seperti persamaan (3.4), asalkan prevalensi kecil dan tidak berubah menurut waktu. prevalensi insidensi durasi (3.4) Model untuk Prevalensi Dasar analisis untuk prevalensi adalah Model Bernoulli (Lihat Gambar 3.2) yang mempunyai asumsi sebagai berikut :
21 3.2. Prevalensi dan insidensi 18 π S 1 π G Gambar 3.2: Model Bernoulli. tiap usaha (trial) menghasilkan satu dari dua hasil yang mungkin, dinamakan sukses (S) dan gagal (G); peluang sukses, P(S) = π dan peluang gagal P(G) = 1 π usaha-usaha tersebut independen Fungsi probabilitas Bernoulli adalah P(X = x;π) = π x (1 π) 1 x, (3.5) dengan π adalah probabilitas sukses dan x = 0, 1 (gagal, sukses). Dalam konteks Epidemiologi, definisi sukses misalnya terkena penyakit tertentu atau meninggal. Untuk melakukan inferensi berdasarkan model ini dapat digunakan fungsi likelihood berdasarkan data yang diperoleh. Contoh 3.1 Dari n = 10 orang diketahui outcome sukses (S) dan gagal (G) SSGSGGGSGG (misalnya sukses adalah terkena penyakit tertentu dan gagal adalah tidak terkena penyakit tertentu). Seberapa mungkin data ini berasal dari model binomial dengan (i) π = 0,1; (ii) π = 0,5? Jawab: (i) π = 0,1: L(π data) = ππ(1 π)π(1 π)(1 π)(1 π)π(1 π)(1 π) = 0,1 4 0,9 6 = 5, (ii) π = 0,5 L(π data) = ππ(1 π)π(1 π)(1 π)(1 π)π(1 π)(1 π) = 0,5 4 0,5 6 = 9,
22 3.2. Prevalensi dan insidensi 19 Likelihood L(0.5) L(0.1) π Gambar 3.3: Fungsi likelihood untuk data biner SSGSGGGSGG dengan π = 0,1 dan π = 0,5. Terlihat bahwa likelihood untuk π = 0,5 lebih besar daripada π = 0,1 sehingga dapat disimpulkan bahwa data lebih mungkin berasal dari model Bernoulli dengan π = 0,5 daripada π = 0,1 (Lihat Gambar 3.3). Nilai maksimum likelihood untuk data ini diperoleh pada π = 0,4 (Gambar 3.4). Nilai inilah yang sebenarnya paling didukung oleh data. Cara seperti ini dikenal dalam Statistika sebagai cara untuk mencari estimator dengan Metode Maximum Likelihood. Inferensi untuk prevalensi dapat dilakukan berdasarkan tiga prinsip yaitu interval konfidensi (confidence interval), menurut teori frequentist; supported range untuk parameter berdasarkan likelihood ratio menurut teori likelihood; dan credible interval menurut teori Bayesian (Clayton and Hills, 1993). Metode yang paling sering digunakan dan diterima di komunitas peneliti di bidang epidemiologi adalah interval konfidensi menggunakan pendekatan Teorema Limit Sentral. Dalam perkembangannya kedua metode yang lain mulai berkembang dan mendapatkan perhatian.
23 3.2. Prevalensi dan insidensi 20 Likelihood π Gambar 3.4: Maksimum Likelihood untuk data biner SSGSGGGSGG adalah pada π = 0, Model untuk Insidensi Model untuk insidensi kumulatif pada prinsipnya sama seperti prevalensi, yaitu berdasarkan pada model Bernoulli. Di sini akan dibahas model untuk insidensi, khususnya incidence rate (3.3). Pada bagian sebelumnya, prevalensi dapat dipandang sebagai eksperimen Bernoulli, dengan sukses adalah kejadian yang menjadi perhatian, seperti sakit dan lainnya. Model ini dapat dikembangkan untuk insidensi. Dalam insidensi, khususnya incidence rate (3.3), seorang individu diamati dalam suatu periode waktu tertentu. yang dapat dibagi dalam beberapa interval. Misalnya, seseorang yang diamati selama 3 tahun dapat dibagi menjadi 3 satu tahun interval waktu pengamatan. Pada Gambar 3.5 seseorang diamati sampai M (meninggal) yang juga merupakan titik akhir (end-point) pengamatan, selama 3 tahun. Apabila dalam 3 tahun tersebut probabilitas meninggal sama, misalnya π, maka model yang dapat digunakan adalah Bernoulli seperti yang telah dibahas di muka. Namun apabila dalam setiap interval waktu probabilitas meninggal berbeda, misalnya π 1, π 2, π 3 seperti terlihat pada Gambar, maka probabilitas M untuk tiap akhir interval akan berbeda dan merupakan probabilitas bersyarat. Sebagai contoh pada Gambar 3.6 diketahui nilai π 1, π 2, π 3. Probabilitas
24 3.2. Prevalensi dan insidensi 21 π 1 1 π 1 M H π 2 1 π 2 M π 3 M H 1 π 3 H Gambar 3.5: Insidensi sebagai satu urutan beberapa model probabilitas biner, dengan sukses M (mati) dan gagal H (hidup). meninggal pada akhir tahun pertama adalah 0,3. Probabilitas meninggal pada akhir tahun kedua merupakan probabilitas bersyarat, karena untuk meninggal pada akhir tahun kedua individu ini harus hidup pada akhir tahun pertama, sehingga probabilitasnya adalah 0,7 0,2 = 0,14. Demikian pula untuk probabilitas meninggal pada akhir tahun ketiga, 0,7 0,8 0,1= 0,056. Selanjutnya, untuk interval yang semakin sempit, probabilitas kondisional (untuk M) menjadi semakin kecil pula, dan konvergen ke hazard rate (force of mortality) P(t T < t + h T t) λ = lim (3.6) h 0 h Likelihood untuk λ dapat diturunkan dari likelihood binomial dengan menganggap bahwa probabilitas sukses adalah λh dengan h kecil, L(λ) = λ D exp( λy ) (3.7) dengan D adalah banyaknya kejadian, Y adalah total waktu observasi. Log-likelihood untuk λ l(λ) = D log(λ) λy (3.8) Persamaan (3.7) dan (3.8) adalah fungsi likelihood dan log-likelihood untuk distribusi Poisson. Dapat dengan mudah ditunjukkan bahwa penduga untuk λ adalah ˆλ = D Y (3.9)
25 3.2. Prevalensi dan insidensi 22 0,3 0,7 M H 0,2 0,8 M H 0,1 0,9 M H Gambar 3.6: Contoh satu urutan beberapa model probabilitas biner dan penghitungan probabilitas bersyarat). Contoh 3.2 Misalkan ada 7 observasi dengan total waktu observasi 500 orang-tahun (person-years). Log-likelihood untuk λ l(λ) = 7 log(λ) 500λ Nilai maksimum untuk fungsi Log-likelihood ini diperoleh pada λ = 0,014 (Gambar 3.7) log likelihood Gambar 3.7: Log-likelihood untuk λ dan nilai maksimumnya λ
26 3.3. Faktor Resiko 23 Contoh 3.3 Sebuah studi tentang akibat buruk merokok bagi kesehatan dilakukan di Inggris pada tahun Diperoleh data berupa kematian akibat penyakit jantung koroner dikategorikan menurut umur dan status merokok (Tabel 3.1). Tabel 3.1: Kematian akibat jantung koroner menurut umur dan status merokok Kel. perokok bukan perokok Umur kematian person-years kematian person-years Insidensi untuk kematian akibat penyakit jantung koroner dapat dihitung menggunakan rumus (3.9). Insidensi keseluruhan tanpa melihat status merokok dan usia adalah ˆλ = = = 0,004 karena bilangan insidensi biasanya kecil, nilai estimasinya dikalikan bilangan yang agak besar misalnya Jadi insidensi kematian di atas adalah 4 kematian per 1000 orang. Dengan cara yang sama insidensi untuk tiap tingkat faktor resiko dapat dihitung. Misalnya insidensi dalam kelompok perokok adalah ˆλ 1 = = = 4,43 per 1000 orang, dan untuk kelompok bukan perokok ˆλ 0 =101/39220= 2,58 per 1000 orang. Kematian dalam kelompok perokok terlihat lebih tinggi. 3.3 Faktor Resiko Bagian di muka membahas statistik dan ukuran tanpa memandang adanya faktor atau variabel yang mempengaruhi statistik atau ukuran tersebut. Dengan kata lain dalam notasi statistika di muka, sementara hanya dilihat variabel Y saja tanpa melihat adanya X (variabel independen, penjelas, paparan). Dalam bagian ini akan dibahas statistik dan ukuran yang melibatkan pengaruh faktor. Ukuran
27 3.3. Faktor Resiko 24 ini, seperti yang akan dijelaskan lebih lanjut, sangat bergantung pada pada desain penelitian yang digunakan. Beberapa ukuran yang dapat digunakan untuk melihat faktor resiko diantaranya: Selisih resiko (risk difference) Rasio resiko (risk ratio) Odds ratio Misalkan π 1 adalah probabilitas atau resiko untuk subyek yang terpapar dan π 2 untuk subyek yang tidak terpapar. Sebagai contoh, π 1 adalah probabilitas subyek terkena kanker paru jika diketahui subyek merokok, dan π 1 adalah probabilitas subyek terkena kanker paru jika diketahui subyek tidak merokok. Selisih resiko, rasio resiko dan odds ratio akan dijelaskan berdasarkan π 1 dan π 2 di atas. Selisih resiko didefinisikan sebagai RD = π 1 π 2. (3.10) yaitu selisih antara dua probabilitas π 1 dan π 2. Karena π 1 = RD + π 2, selisih resiko mengukur perubahan pada skala aditif. Jika RD > 0, paparan berkaitan dengan kenaikan probabilitas terkena penyakit. Sebaliknya jika RD < 0, paparan berkaitan dengan penurunan probabilitas terkena penyakit; dan jika RD = 0, paparan tidak berkaitan dengan penyakit tersebut. Rasio resiko didefinisikan sebagai rasio antara dua probabilitas, yaitu RR = π 1 /π 2. (3.11) Karena π 1 = RRπ 2, rasio resiko mengukur perubahan pada skala multiplikatif. Jika RR > 1, paparan berkaitan dengan kenaikan probabilitas terkena penyakit. Jika RR < 1, paparan berkaitan dengan penurunan probabilitas terkena penyakit; dan jika RR = 1, paparan tidak berkaitan dengan penyakit tersebut. Odds merupakan representasi alternatif untuk probabilitas. Untuk probabilitas π 1, odds ω didefinisikan sebagai ω = π 1 π. (3.12) Pernyataan odds dalam penggunaan sehari-hari biasanya digunakan untuk mengekspresikan kebolehjadian, misalnya dalam suatu pertandingan olahraga: peluang saya menang melawan dia 60:40, artinya peluang saya menang adalah 0,6. Meskipun probabilitas dan odds merepresentasikan informasi yang sama, nilai rentang ω tidak sama dengan π, yaitu 0 π 1 sedangkan ω > 0. Bila
28 3.4. Inferensi untuk RD, RR dan OR 25 Tabel 3.2: Data dan Model Probabilitas untuk Desain Cohort (a) Data pada tabel 2 2 D E n 11 n 12 N 1 2 n 21 n 22 N 2 (b) Model probabilitas D E π 1 1 π π 2 1 π 2 1 didefinisikan ω 1 = π 1 /(1 π 1 ) dan ω 2 = π 2 /(1 π 2 ), Odds ratio adalah rasio antara dua odds ω 1 dan ω 2 OR = ω 1 ω 2 = π 1(1 π 2 ) π 2 (1 π 1 ). (3.13) Odds ratio mirip dengan rasio resiko RR dalam hal perubahannya yang diukur secara multiplikatif. Interpretasi nilai OR juga ekivalen dengan RR. 3.4 Inferensi untuk RD, RR dan OR Untuk desain cohort, semua ukuran faktor resiko RD, RR dan OR dapat diestimasi dari data dan dapat diinterpretasikan. Data dan model probabilitasnya dapat digambarkan seperti pada Table 3.2. Pada tabel tersebut E adalah variabel paparan (exposure) atau faktor resiko yang diteliti dan D adalah outcome. Nilai E = 1 menunjukkan adanya paparan (exposed) dan E = 2 menunjukkan tidak adanya paparan (non-exposed). Misalkan variabel paparan yang akan diteliti adalah status merokok, E = 1 adalah merokok dan E = 2 tidak merokok. Nilai D = 1 menunjukkan adanya disease atau outcome yang menjadi perhatian, dan D = 2 menunjukkan tidak adanya disease. Misalnya D = 1 adalah terdiagnosis kanker paru, dan D = 2 tidak terdiagnosis kanker paru. Untuk desain cohort π 1 adalah probabilitas mendapatkan disease untuk kelompok yang diketahui sebelumnya sudah mendapatkan paparan, atau dengan notasi probabilitas π 1 = P(E = 1 D = 1). Sedangkan π 2 adalah probabilitas mendapatkan disease untuk kelompok yang diketahui sebelumnya tidak mendapatkan paparan, atau π 2 = P(E = 1 D = 2). Total baris untuk model probabilitas adalah satu karena kelompok paparan diambil dari dua populasi yang berbeda, yaitu kelompok exposed E = 1, dan kelompok non-exposed E = 2. Estimasi titik untuk π 1 dan π 2 adalah ˆπ 1 = n 11 /N 1 (3.14) ˆπ 2 = n 21 /N 2 (3.15)
29 3.4. Inferensi untuk RD, RR dan OR 26 Estimasi titik untuk RD, RR dan OR dapat diperoleh dengan mengganti π 1 dan π 2 pada persamaan (3.10), (3.11) dan (3.13) dengan ˆπ 1 dan ˆπ 2. Selisih resiko RD pada dasarnya adalah selisih dua sampel independen yang berdistribusi Binomial. Proporsi sampel ˆπ i mempunyai harga harapan π i dan variansi π i (1 π i )/N i, dengan i = 1, 2. Sehingga estimasi titik untuk RD adalah yang mempunyai galat standar (standard error) ) σ ( RD = RD = ˆπ 1 ˆπ 2 (3.16) [ π1 (1 π 1 ) N 1 + π 2(1 π 2 ) N 2 ] 1/2 (3.17) Interval konfidensi (1 α)100% untuk RD dapat dihitung dengan menggunakan pendekatan Normal sebagai berikut: ) RD ± Z α/2ˆσ ( RD, (3.18) ) ) dengan ˆσ ( RD adalah σ ( RD namun dengan π i diganti ˆπ i. Estimasi titik untuk RR dapat diturunkan dari (3.11), (3.14) dan (3.15) yaitu RR = ˆπ 1 ˆπ 2 Distribusi untuk RR sangat menceng (skewed), sehingga pendekatan Normal lebih baik jika menggunakan transformasi log dari RR. Galat standar untuk log RR adalah ( σ log RR ) ( 1 π1 = + 1 π ) 1/2 2 (3.19) π 1 N 1 π 2 N 2 Diperoleh interval konfidensi (1 α)100% untuk log RR log RR ( ± Z α/2 σ log RR ) (3.20) Karena interval ini pada skala transformasi log, untuk interpretasinya harus dikembalikan pada skala asal dari RR dengan mengambil eksponensial, baik untuk batas interval bawah maupun atas. Seperti halnya RR, estimasi titik untuk OR dapat diturunkan dari (3.13), (3.14) dan (3.15) yaitu ÔR = ˆπ 1(1 ˆπ 2 ) ˆπ 2 (1 ˆπ 1 ) = n 11n 22 n 12 n 21, (3.21)
30 3.4. Inferensi untuk RD, RR dan OR 27 Untuk menghindari masalah bila ada n ij = 0 dapat digunakan allternatif untuk (3.21), ÔR = (n ,5)(n ,5) (n ,5)(n ,5) (3.22) Distribusi untuk ÔR ini juga sangat menceng seperti RR, sehingga diperlukan transformasi log untuk membentuk interval konfidensi OR. Estimasi galat standar untuk log ÔR adalah ) ( 1 ˆσ (log ÔR = ) 1/2, (3.23) n 11 n 12 n 21 n 22 Sehingga interval konfidensi (1 α)100% untuk log ÔR adalah ) log ÔR ± Z α/2ˆσ (log ÔR (3.24) Interpretasinya harus dikembalikan pada skala asal dari OR dengan mengambil eksponensial baik untuk batas bawah maupun batas atas dari interval konfidensi OR. Contoh 3.4 Diperoleh data tentang hubungan antara penyakit jantung koroner dengan tekanan pekerjaan seperti pada Tabel 3.3. Tabel 3.3: Data studi tentang hubungan penyakit jantung koroner dengan tekanan pekerjaan Tertekan krn. Penyakit jantung koroner Pekerjaan Ya Tidak Total Ya Tidak Estimasi titik resiko terkena penyakit jantung koroner untuk masing-masing kelompok orang yang tertekan karena pekerjaan dan yang tidak tertekan adalah ˆπ 1 = 97/404 = 0,240 dan ˆπ 2 = 200/1609 = 0,124 Estimasi titik untuk RR dan standard error dari log RR dapat dihitung menggunakan ˆπ 1 dan ˆπ 2, yaitu: ( RR = ˆπ 1 /ˆπ 2 σ log RR ) ( 1 π1 = + 1 π ) 1/2 2 = 0,240/0,124 π 1 N 1 π 2 N 2 ( = 1, ,240 = 0,240(404) + 1 0,124 ) 1/2 0,124(1609) = 0,1105
31 3.4. Inferensi untuk RD, RR dan OR 28 { ( Batas bawah interval konfidensi 95% adalah exp log( RR) 1,96 σ log RR )} = { ( 1,555; dan batas atas interval exp log( RR) + 1,96 σ log RR )} = 2,399. Diperoleh estimasi RR dan interval konfidensinya adalah : 1,932 (1,555 2,399 ). ) Estimasi titik untuk OR dan σ (log ÔR : ÔR = ˆπ 1/(1 ˆπ 1 ) ) ( 1 ˆπ 2 /(1 ˆπ 2 ) ˆσ (log ÔR = ) 1/2 n 11 n 12 n 21 n 22 = 0,316/0,142 ( 1 = 2,225 = ) 1/ = {log(ôr) 0,1388 )} Batas bawah interval konfidensi 95% adalah exp (log {log(ôr) 1,96 σ ÔR = )} 1,696; dan batas atas interval exp (log + 1,96 σ ÔR = 2,922. Diperoleh estimasi OR dan interval konfidensinya adalah : 2,225 (1,696 2,922 ). Estimasi titik untuk RD adalah ) [ RD = ˆπ 1 ˆπ 2 π1 (1 π 1 ) σ ( RD = + π ] 2(1 π 2 ) 1/2 = 0,240 0,124 N 1 N 2 = 0,0228 = 0,116 ) Batas bawah interval konfidensi 95% (ˆπ 1 ˆπ 2 ) 1,96 σ ( RD = 0,071; dan batas atas ) intervalnya (ˆπ 1 ˆπ 2 ) + 1,96 σ ( RD = 0,161. Diperoleh estimasi RD dan interval konfidensinya adalah : 0,116 (0,071 0,161 ). Pada desain case-control, Data dan model probabilitasnya dapat digambarkan seperti pada Tabel 3.4. Dalam tabel ini M 1 dan M 2 adalah banyaknya sampel yang diperoleh dari kelompok sampel yang mendapatkan disease (D = 1) dan dari kelompok yang tidak mendapatkan disease (D = 2). Dari masing-masing kelompok diambil informasi secara retrospektif apakah sampel telah terpapar (E = 1 atau tidak E = 2. Model probabilitasnya juga berbeda dengan desain Cohort karena probabilitas kondisionalnya adalah terhadap disease D bukan terhadap paparan E, yaitu probabilitas φ 1 = P(E = 1 D = 1) dan φ 2 = P(E = 1 D = 2). Berdasarkan model ini, tidak mungkin diperoleh estimasi untuk π i, i = 1, 2 seperti pada desain Cohort. Sehingga estimasi untuk RD dan RR tidak dapat diperoleh. Bagaimana dengan OR? Apabila estimasi OR dihitung untuk odds paparan dalam kelompok diseased dibagi odds paparan dalam kelompok non-
32 3.5. Latihan 29 Tabel 3.4: Data dan Model Probabilitas untuk Desain Case-Control. (a) Data pada tabel 2 2 D E n 11 n 12 2 n 21 n 22 M 1 M 2 (b) Model probabilitas D E φ 1 φ φ 1 1 φ diseased maka dapat diperoleh ÕR = ˆφ 1 (1 ˆφ 2 ) ˆφ 2 (1 ˆφ 1 ) = n 11n 22 n 12 n 21, (3.25) dengan ˆφ 1 = n 11 /M 1 dan ˆφ 2 = n 12 /M 2. Ternyata ÕR = ÔR, yang implikasinya adalah OR dapat diestimasi untuk desain Case-Control. Pada desain cross-sectional statistik yang dapat diinterpretasikan dengan valid hanyalah prevalensi, oleh karena itu desain cross-sectional sering disebut studi prevalensi. Meskipun RD, RR dan OR dapat dihitung dari data yang diperoleh dari studi cross-sectional, kesimpulan atau interpretasi yang diperoleh kemungkinan akan tidak valid. 3.5 Latihan 3.1. Hitunglah odds S (Sukses) terhadap G (Gagal), dengan sukses misalnya adalah terkena suatu penyakit dan gagal adalah tidak terkena suatu penyakit), bila probabilitas S diketahui adalah: (a) 0,75 (b) 0,50 (c) 0, Hitunglah probabilitas sukses S bila diketahui odds S terhadap gagal G adalah: (a) 0,3 (b) 3, Diketahui dari 8 orang pasien kanker rahim, 2 pasien meninggal dunia. Bila kita tertarik pada parameter π, yaitu probabilitas pasien meninggal, nilai manakah yang lebih didukung oleh data, π = 0,2 atau π = 0,6? Jelaskan! Carilah estimator untuk parameter π! 3.4. Diketahui data penderita tuberkulosis (tb) di suatu sekolah sebagai berikut:
33 3.5. Latihan 30 Paparan banyaknya siswa banyaknya siswa yang diperiksa yang posisif tb tinggi rendah Hitung risk difference, risk ratio dan odds ratio untuk paparan tinggi beserta interval interval konfidensinya. Interpretasikan hasilnya Merujuk soal no 2.8 (halaman 12), hitung risk difference, risk ratio dan odds ratio untuk paparan tinggi beserta interval interval konfidensinya. Interpretasikan hasilnya Suatu studi dilakukan untuk menguji hipotesis yang menyatakan bahwa ada hubungan antara konsumsi teh dan sindroma pra-menstruasi. Satu grup yang terdiri dari 120 pelajar dan 80 pekerja pabrik menjadi subyek penelitian dan mengisi kuesioner tentang sindroma pra-menstruasi. Prevalensi sindroma pra-menstruasi di antara pelajar adalah 40% dan di antara pekerja pabrik adalah 75%. Berapa subyek dalam studi ini yang mengalami sindroma pra-menstruasi? 3.7. Buktikan persamaan (3.21) pada halaman 26 dan (3.25) pada halaman 29!
34 4 Perancuan dan Interaksi 4.1 Tujuan Pembelajaran Setelah selesai melakukan pembelajaran pada bagian ini, mahasiswa diharapkan dapat: 1. Menjelaskan pengertian perancuan (confounder) dan interaksi dan menyebutkan contohnya dalam penelitian epidemiologi 2. Mengidentifikasi adanya perancuan dalam suatu permasalahan atau data penelitian epidemiologi 3. Mengidentifikasi adanya interaksi dalam suatu permasalahan atau data penelitian epidemiologi 4.2 Konsep dan Identifikasi Perancuan Variable perancu adalah variabel yang memenuhi dua kondisi: merupakan faktor resiko mempunyai hubungan dengan variabel paparan tapi bukan merupakan konsekuensi dari variabel paparan Secara konseptual perancuan dapat digambarkan seperti pada Gambar 4.1 dan 4.2. Pada gambar pertama variabel F mempengaruhi baik variabel D maupun E, sedangkan pada gambar kedua F tidak mempengaruhi D dan E sekaligus. Contoh 4.1 Manula yang mengalami kecelakaan, seperti terjatuh, seringkali menjadi tidak dapat bangun dan bergerak dalam waktu lama. Hal ini dapat mengakibatkan bedsores, yaitu luka 31
35 4.2. Konsep dan Identifikasi Perancuan 32 Tabel 4.1: Data Bedsores study Meninggal hidup Total Bedsore tidak Bedsore Total E E E D D D F F F Gambar 4.1: Variabel F adalah perancu antara D (variabel respon) dengan E (variabel paparan). Tanda pengaruh satu arah; pengaruh dua arah E E D D F E F E D D F F Gambar 4.2: Variabel F bukan perancu antara D dengan E (variabel respon) dengan E (variabel paparan). Tanda pengaruh satu arah; pengaruh dua arah
36 4.2. Konsep dan Identifikasi Perancuan 33 Tabel 4.2: Data Bedsores study distratifikasi menurut tingkat keparahan Tingkat keparahan tinggi akibat penyakit lain: Meninggal hidup Total Bedsore tidak Bedsore Total Tingkat keparahan rendah akibat penyakit lain: Meninggal hidup Total Bedsore tidak Bedsore Total pada kulit yang dapat berlanjut ke otot dan tulang dan dapat berakibat fatal. Diperoleh data seperti pada Tabel 4.1. Rasio resiko dari data ini adalah RR = 79/ /8576 = 2,9 Nilai RR tersebut cukup tinggi menunjukkan bahwa bedsore mungkin dapat mengakibatkan kematian. Untuk melihat apakah ada variabel perancu pada data ini diperoleh data seperti pada Tabel 4.2. Data distratifikasi menurut tingkat keparahan penyakit lain. Dari stratifikasi ini diperoleh RR untuk masing-masing tingkat adalah untuk tingkat keparahan tinggi dan RR = 55/106 5/10 = 1,04 RR = 24/ /8566 = 1,02 untuk tingkat keparahan rendah. Dari hasil stratifikasi ini terlihat bahwa bedsore tidak terlalu berpengaruh terhadap kematian karena nilai RR cukup dekat dengan satu. Artinya bahwa tingkat keparahan merupakan variabel perancu dalam hubungan antara bedsore dengan kematian. Contoh 4.2 Contoh ini berkebalikan dengan contoh sebelumnya. Ketika tidak ada confounder, terlihat tidak ada pengaruh faktor resiko (Tabel 4.3). Namun ketika di-stratifikasi menurut confounder, terlihat ada pengaruh faktor resiko terhadap disease.
Rencana Program dan Kegiatan Pembelajaran Semester BIOSTATISTIKA DAN EPIDEMIOLOGI (MMS-4411) oleh: Dr. Danardono, MPH.
Rencana Program dan Kegiatan Pembelajaran Semester BIOSTATISTIKA DAN EPIDEMIOLOGI (MMS-4411) oleh: Dr. Danardono, MPH. PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciModul 13 Ukuran Sampel
Modul 13 Ukuran Sampel Daftar Isi 13.1 Tujuan Pembelajaran..................... 1 13.2 Prinsip Penghitungan Besar Sampel............. 1 13.3 Ukuran Sampel untuk Uji Mean............... 3 13.4 Ukuran Sampel
Lebih terperinci(MMS-4411) BIOSTATISTIKA DAN EPIDEMIOLOGI
BAHAN AJAR (MMS-4411) BIOSTATISTIKA DAN EPIDEMIOLOGI Disusun oleh: Dr. Danardono, MPH. JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS GADJAH MADA 2006 ii Daftar Isi 1 Pendahuluan
Lebih terperinci1. Relatif cepat dan murah untuk mendeteksi adanya kejadian luar biasa.
JENIS DESAIN PENELITIAN 1. Cross-Sectional Survey cross sectional ialah suatu penelitian untuk mempelajari dinamika kolerasi antara faktorfaktor resiko dengan efek, dengan cara pendekatan, observasi atau
Lebih terperinciCross sectional Case control Kohort
Definisi Cross sectional Case control Kohort Rancangan studi epidemiologi yang mempelajari hubungan penyakit dan paparan dengan cara mengamati status penyakit dan paparan secara bersamaan pada individu
Lebih terperinciPENGANTAR BIOSTATISIK SAPTAWATI BARDOSONO
PENGANTAR BIOSTATISIK SAPTAWATI BARDOSONO PERKENALAN Perkuliahan 14 tatap muka @ 1 jam Diskusi kelompok 14 kali @ 1 jam Praktikum statistik 2 kali @ 4 jam Penanggungjawab mata ajaran: Saptawati Bardosono
Lebih terperinciUKURAN DALAM EPIDEMIOLOGI
UKURAN FREKWENSI KEJADIAN PENYAKIT UKURAN DALAM EPIDEMIOLOGI FITRA YELDA Secara garis besar kejadian dapat berupa : Morbiditas /kesakitan Mortalitas / kematian Ada 3 macam parameter matematis yang digunakan
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Analisis Survival
BAB 2 LANDASAN TEORI Pada bab ini akan dipaparkan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan bab selanjutnya dan pembahasan utama dalam penelitian
Lebih terperinciDESAIN STUDI EPIDEMIOLOGI
DESAIN STUDI EPIDEMIOLOGI Suatu penelitian ingin mengetahui beberapa faktor yang mempengaruhi terjadinya penyakit Thypoidpada anak-anak. Beberapa faktor yang diduga sebagai faktor risiko terjadinya penyakit
Lebih terperinciJENIS RISET. Saptawati Bardosono
JENIS RISET Saptawati Bardosono PENDAHULUAN Penelitian adalah proses pendekatan dengan pembuktian ilmiah untuk mendapatkan tambahan dan memperdalam ilmu di bidang tertentu Proses pembuktian dapat terjadi
Lebih terperinci2-RP. Penguasaan Pengetahuan. Kemampuan. kerja. Kemampuan. Manajerial. Sikap dan Tata Nilai 5-PBS 1-CP 2-RP 3-RE
RP-S1-SLK-02 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 7 A. CAPAIAN PEMBELAJARAN (Learning outcome) : CP 5.1 : Menganalisis data di bidang kedokteran/kesehatan, pertanian/perikanan/kelautan
Lebih terperinciKATA PENGANTAR. Penyusun. Kelompok 1
KATA PENGANTAR Puji syukur kami ucapkan atas kehadirat Allah SWT, karena atas limpahan izin dan karunianya sehingga kami dapat menyelesaikan makalah farmakoepidemiologi tentang Studi Cohort. Dalam makalah
Lebih terperinciBAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang
BAB II KAJIAN TEORI BAB II KAJIAN TEORI A. Analisis Survival Analisis survival atau analisis ketahanan hidup adalah metode yang berhubungan dengan jangka waktu, dari awal pengamatan sampai suatu kejadian
Lebih terperinciStudi epidemiologi deskriptif
Studi epidemiologi deskriptif Penelitian Crosectional Adalah rancangan studi epidemiologi yg memepelajari hubungan penyakit dan paparan (faktor penelitian) dengan cara mengamati status paparan dan penyakit
Lebih terperinciBiostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS
Biostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS 1 Probabilitas Perlunya pengetahuan tentang probabilitas dalam Biostatistik Pengertian probabilitas, variabel random dan distribusi
Lebih terperinciPROSIDING Kajian Ilmiah Dosen Sulbar ISBN: FAKTOR-FAKTOR YANG MEMPENGARUHI WAKTU SEMBUH ALERGI DENGAN ANALISIS SURVIVAL
FAKTOR-FAKTOR YANG MEMPENGARUHI WAKTU SEMBUH ALERGI DENGAN ANALISIS SURVIVAL Hikmah FMIPA Universitas Sulawesi Barat hikmah.ugm@gmail.com Abstrak Faktor waktu sembuh penyakit alergi dan perbedaan waktu
Lebih terperinciANALISIS DATA STUDI KOHORT
Etih Sudarnika Laboratorium Epidemiologi Bagian Kesehatan Masyarakat Veteriner Departemen Ilmu Penyakit Hewan dan Kesmavet Fakultas Kedokteran Hewan IPB ANALISIS DATA STUDI KOHORT Bahan Kuliah Mata Ajaran
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini banyak sekali penyakit berbahaya yang muncul dalam dunia kesehatan. Penyakit-penyakit ini bukan lagi diturunkan melalui faktor gen namun gaya hidup (pola
Lebih terperinciSTUDI EPIDEMIOLOGI ANALITIK (OBSERVASIONAL DAN EKSPERIMENTAL) Putri Handayani, M. KKK
STUDI EPIDEMIOLOGI ANALITIK (OBSERVASIONAL DAN EKSPERIMENTAL) Putri Handayani, M. KKK Epidemiologi Studi yg mempelajari distribusi dan determinant status atau kejadian yg berhubungan dengan kesehatan pada
Lebih terperinci6/5/2010. Analytic. Descriptive Case report Case series Survey. Observational Cross sectional Case-control Cohort studies
Disampaikan oleh: Retna Siwi Padmawati KMPK-2009 Tujuan Memberi pengantar tentang disain metode penelitian Memahami perbedaan penelitian deskriptif dan analytic Mengidentifikasi hirarki disain penelitian,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Singkatnya, statistika adalah
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciPENGANTAR EPIDEMIOLOGI KLINIK
PENGANTAR EPIDEMIOLOGI KLINIK Oleh : Dr. Edison, MPH Bagian Ilmu Kesehatan Masysarakat dan Ilmu Kedokteran Komunitas Fakultas Kedokteran Universitas Andalas EPIDEMIOLOGI : Ilmu yang mempelajari frekuensi
Lebih terperinciPengukuran Kejadian Penyakit
Pengukuran Kejadian Penyakit Deskripsi sesi: Pengukuran adalah bagian terpenting dari suatu penelitian epidemiologi. Aspek pengukuran meliputi alat ukur, cara pengukuran dan hasil pengukuran. Secara umum
Lebih terperinciPENELITIAN OBSERVASIONAL. DR. Titiek Sumarawati,MKes
PENELITIAN OBSERVASIONAL DR. Titiek Sumarawati,MKes Rancangan penelitian kesehatan berdasar klasifikasi penelitian Rancangan Penelitian Jenis Contoh Observasional (noneksperimen) Eksperimen Deskriptif
Lebih terperinciEksperimen. Prof. Bhisma Murti
Eksperimen Prof. Bhisma Murti Institute of Health Economic and Policy Studies (IHEPS). Bagian Ilmu Kesehatan Masyarakat, Fakultas Kedokteran, Universitas Sebelas Maret Eksperimen Efek intervensi diteliti
Lebih terperinciStudi Eksperimental membandingkan data dari sekelompok manusia/obyek yang dengan
STUDI EKSPRIMENTAL/STUDI INTERVENSI Studi Eksperimental membandingkan data dari sekelompok manusia/obyek yang dengan sengaja diberikan tindakan/intervensi tertentu dengan kelompok lain yang sama tetapi
Lebih terperinciStatistika (MMS-1403)
Statistika (MMS-1403) Dr. Danardono, MPH danardono@ugm.ac.id Program Studi Statistika Jurusan Matematika FMIPA UGM MMS-1403 p.1/93 Distribusi Sampling Statistik Populasi: himpunan keseluruhan obyek yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis survival adalah analisis data yang memanfaatkan informasi kronologis dari suatu kejadian atau peristiwa (event). Respon yang diperhatikan adalah waktu sampai
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Regresi logistik digunakan untuk memprediksi variabel respon yang biner dengan satu set variabel penjelas (prediktor). Estimasi parameter dapat menjadi tidak
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Desain Penelitian 1. Rancangan Penelitian Desain penelitian ini adalah deskriptif dengan rancangan cross sectional, yaitu setiap variabel diobservasi hanya satu kali saja dan
Lebih terperinci06/03/2018 TUJUAN. Diakhir kuliah mahasiswa memiliki pengetahuan tentang konsep dasar epidemiologi deskriptif. Pertemuan 4 - Epidemiologi
TUJUAN Diakhir kuliah mahasiswa memiliki pengetahuan tentang konsep dasar epidemiologi deskriptif Pertemuan 4 - Epidemiologi Adalah studi yang menggambarkan karakteristik & sebaran masalah kesehatan/ penyakit;
Lebih terperinciUKURAN FREKUENSI PENYAKIT. Bentuk Dasar ukuran frekuensi Penyakit Jenis Ukuran frekuensi Penyakit
UKURAN FREKUENSI PENYAKIT Bentuk Dasar ukuran frekuensi Penyakit Jenis Ukuran frekuensi Penyakit Seberapa besar masalah flu burung di Indonesia? Tidak terlalu banyak Mulai banyak? Tentu Tidak Paling sederhana
Lebih terperinciRANCANGAN EKOLOGIS MP-KONSENTRASI MAGISTER KESEHATAN IBU-ANAK
RANCANGAN EKOLOGIS MP-KONSENTRASI MAGISTER KESEHATAN IBU-ANAK TIPOLOGI RANCANGAN EPIDEMIOLOGI 1. RANCANGAN DASAR (basic-design) * Kriteria unit pengamatan : Individu, ada informasi ttg faktor resiko &
Lebih terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciRancangan Penelitian Kuantitatif
Rancangan Penelitian Kuantitatif Disampaikan oleh: Yayi Suryo Prabandari FK UGM - 2008 1 Rancangan? Struktur konseptual Dasar atau cetak biru yang diperlukan untuk mengumpulkan, mengukur dan menganalisis
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan di dunia ini, hampir di setiap aspek banyak ditemui halhal berkaitan dengan data dan terkadang banyak permasalahan yang berkaitan dengan data, baik
Lebih terperinciBIAS DALAM STUDI EPIDEMIOLOGI. Oleh: Hartini Sri Utami
BIAS DALAM STUDI EPIDEMIOLOGI Oleh: Hartini Sri Utami Definisi Bias adalah kesalahan sistematis dalam memilih subjek penelitian atau mengumpulkan data yang menyebabkan taksiran yang salah (incorrect estimates)
Lebih terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN 4.1. Desain Penelitian Berdasarkan kerangka konsep dan hipotesis yang telah diuraikan diatas, maka penelitian ini dilakukan dengan menggunakan desain potong lintang (Crosssectional).
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Di negara-negara berkembang termasuk di Indonesia terdapat banyak kasus yang berkaitan dengan kesehatan, salah satunya adalah munculnya penyakit, baik menular
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data tahan hidup atau data survival adalah lama waktu sampai suatu peristiwa terjadi. Istilah data survival sendiri banyak digunakan dalam bidang ilmu kesehatan, epidemiologi,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 \ BAB I PENDAHULUAN 1.1 Latar Belakang Informasi-informasi faktual yang diperoleh berdasarkan hasil observasi maupun penelitian sangatlah beragam. Informasi yang dirangkum sedemikian rupa disebut dengan
Lebih terperinciTINJAUAN PUSTAKA. ruang sampel dan dilambangkan dengan huruf S. Ruang sampel beranggotakan
II. TINJAUAN PUSTAKA 2.1 Percobaan dan Ruang Sampel Menurut Walpole (1995), istilah percobaan digunakan untuk sembarang proses yang dapat membangkitkan data. Himpunan semua hasil suatu percobaan disebut
Lebih terperinciAnalisis Data Kategorikal
Analisis Data Kategorikal Topik: Data & skala pengukuran Uji hipotesis untuk data kontinu Uji hipotesis untuk data kategorikal Desain penelitian kesehatan Ukuran asosiasi Regresi Logistik Target: Mahasiswa
Lebih terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
Lebih terperinciStudi Epidemiologi Analitik. DISUSUN OLEH KELOMPOK 1 Adelia Adi setya Rizky Maisar Putra Romayana Simanungkalit Rozika Amalia Siti Susanti Yusfika
Studi Epidemiologi Analitik DISUSUN OLEH KELOMPOK 1 Adelia Adi setya Rizky Maisar Putra Romayana Simanungkalit Rozika Amalia Siti Susanti Yusfika STUDI EPIDEMIOLOGI ANALITIK 1.1 PENGERTIAN STUDI EPIDEMIOLOGI
Lebih terperinci3 kegiatan / prosedur yang terkait :
VALIDITAS, RELIABILITAS, PRESISI DAN EFISIENSI Riset Epidemiologi penelitian populasi yang bersifat empiris 3 kegiatan / prosedur yang terkait : 1. Pengukuran variabel 2. Penaksiran (estimasi) parameter
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Radang paru paru adalah sebuah penyakit pada paru paru dimana pulmonary alveolus yang bertanggung jawab menyerap oksigen dari atmosfer meradang dan terisi cairan. Berdasarkan
Lebih terperinciBAB II TINJAUAN PUSTAKA. diperhatikan adalah jangka waktu dari awal pengamatan sampai suatu event
BAB II TINJAUAN PUSTAKA A. Analisis Survival Analisis survival merupakan suatu analisis data dimana variabel yang diperhatikan adalah jangka waktu dari awal pengamatan sampai suatu event terjadi dengan
Lebih terperinciKonfounding dan Interaksi. Departemen Biostatistika FKM UI, 2010
Konfounding dan Interaksi Departemen Biostatistika FKM UI, 2010 CONFOUNDING Dari bahasa latin cunfundere (to mix together) Pengertian: Suatu distorsi (gangguan) dalam menaksir pengaruh paparan terhadap
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini merupakan penelitian observasional analitik dengan
BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian ini merupakan penelitian observasional analitik dengan pendekatan studi kasus-kontrol (case control) yaitu suatu penelitian untuk menelaah
Lebih terperinciPada sebuah penelitian potong lintang berbasis populasi peneliti ingin mengetahui faktor risiko yang berhubungan dengan hipertensi.
Pada sebuah penelitian potong lintang berbasis populasi peneliti ingin mengetahui faktor risiko yang berhubungan dengan hipertensi. Ternyata didapatkan hubungan dengan obesitas, merokok, dan aktifitas
Lebih terperinciTUTORIAL EPIDEMIOLOGI : 1. FREKUENSI MASALAH KESEHATAN DAN PENGUKURAN
TUTORIAL EPIDEMIOLOGI : 1. FREKUENSI MASALAH KESEHATAN DAN PENGUKURAN Tutorial Epidemiologi : 1 Frekuensi Masalah Kesehatan dan Pengukuran Tujuan Pembelajaran Definisi istilah rate, ratio, proportion Membedakan
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Penyakit jantung koroner (PJK) adalah istilah untuk penyakit yang muncul ketika dinding arteri koronaria menyempit oleh pembentukan material lemak secara gradual yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi digunakan untuk mengetahui bentuk hubungan antara variabel respon dengan satu atau lebih variabel prediktor. Umumnya analisis regresi yang digunakan
Lebih terperinciBAB III LANDASAN TEORI. analisis kesintasan bertujuan menaksir probabilitas kelangsungan hidup, kekambuhan,
17 BAB III LANDASAN TEORI 3.1 Data Analisis Survival (Survival Analysis) Analisis survival (survival analysis) atau analisis kelangsungan hidup atau analisis kesintasan bertujuan menaksir probabilitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis data survival merupakan salah satu bidang dalam statistika yang digunakan untuk menganalisis data yang mengukur waktu terjadinya suatu kejadian ( event).
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperincistatistika untuk penelitian
statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciTutorial Epidemiologi : 1. Frekuensi Masalah Kesehatan dan Pengukuran
Tutorial Epidemiologi : 1 Frekuensi Masalah Kesehatan dan Pengukuran Tujuan Pembelajaran Definisi istilah rate, ratio, proportion Membedakan : incidence rate vs prevalence Point prevalence vs period prevalence
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
Lebih terperinciBAB I PENDAHULUAN. Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang
BAB I PENDAHULUAN 1.1 Latar Belakang Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang dimaksud di sini adalah peristiwa kegagalan yang dapat berupa tidak berfungsinya benda tersebut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Jenis dan Sumber Data Data yang digunakan dalam tesis ini merupakan data sekunder gabungan yang berasal dari data Survei Sosial Ekonomi Nasional tahun 2007 (Susenas 2007) dan
Lebih terperinciALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL
ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis data survival yaitu kumpulan dari beberapa metode untuk menganalisis data yang terjadi dari titik asal sampai terjadinya event. Pada analisis survival terdapat
Lebih terperinciBAB 3 METODE PENELITIAN
1 BAB 3 METODE PENELITIAN 3.1 Sumber Data Sumber data yang digunakan adalah data hasil survei demografi dan kesehatan Indonesia (SDKI) tahun 2007. SDKI merupakan survei yang dilaksanakan oleh badan pusat
Lebih terperinciTipe desain penelitian Desain penelitian survey analitik Desain penelitian eksperimental Penelitian kualitatif. Desain Penelitian - 2
Tipe desain penelitian Desain penelitian survey analitik Desain penelitian eksperimental Penelitian kualitatif Desain Penelitian - 2 Suatu rencana, dan strategi penelitian untuk menjawab permasalahan yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penelitian-penelitian di bidang kesehatan sering dijumpai salah satu jenis data yang disebut dengan data antar kejadian atau data survival. Data survival
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Distribusi probabilitas binomial adalah distribusi probabilitas diskrit yang paling sering digunakan untuk merepresentasikan kejadian dalam kehidupan sehari-hari.
Lebih terperinciBAB I PENDAHULUAN. Cure rate models merupakan model survival yang memuat cured fraction dan
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Cure rate models merupakan model survival yang memuat cured fraction dan uncured fraction. Model ini dikembangkan untuk estimasi proporsi pasien yang sembuh
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih terperinciPEMBAHASAN UTS 2015/2016 STATISTIKA 1
PEMBAHASAN UTS 2015/2016 STATISTIKA 1 1. pernyataan berikut ini menjelaskan definisi dan cakupan statistika deskriptif, KECUALI : a. statistika deskriptif mendeskripsikan data yang telah dikumpulkan (Organizing)
Lebih terperinciXpidemiologi Klinik adalah Penerapan prinsip prinsip dan metode
UJI DIAGNOSTIK DALAM EPIDEMIOLOGI KLINIK Xpidemiologi Klinik adalah Penerapan prinsip prinsip dan metode metode epidemiologi ke dalam praktek kedokteran klinik. Epidemiologi klinik merupakan salah satu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian dengan pendekatan case control
27 BAB III METODE PENELITIAN A. Jenis Penelitian Penelitian ini merupakan penelitian dengan pendekatan case control yang dilakukan dengan menggunakan desain studi observasional analitik. B. Lokasi dan
Lebih terperinciDESAIN PENELITIAN. Eksperimental. Obsevasional
DESAIN PENELITIAN DESAIN PENELITIAN Eksperimental Obsevasional MACAM : 1. Pra eksperimental 2. eksperimental semu/ Quasi eksperimental 3 eksperimental sungguhan (True eksperimental) Deskriptif : Macam
Lebih terperinciBAB 3 METODE PENELITIAN. Dalam penelitian ini, wilayah yang diamati adalah wilayah Jakarta. Data yang
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Dalam penelitian ini, wilayah yang diamati adalah wilayah Jakarta. Data yang digunakan adalah pasien yang tercatat di RSUP Persahabatan, di Jakarta
Lebih terperinciBAB I PENDAHULUAN. sebagai salah satu penyakit mematikan di dunia. Sampai saat ini, kanker
BAB I PENDAHULUAN A. Latar Belakang Kanker merupakan penyakit tidak menular yang dikategorikan sebagai salah satu penyakit mematikan di dunia. Sampai saat ini, kanker masih menjadi ancaman kesehatan bagi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Mortalitas atau kematian merupakan salah satu di antara tiga komponen proses demografi yang dapat mempengaruhi struktur penduduk selain fertilitas dan migrasi.
Lebih terperinciObservasional study. Nani Kartinah, S.Farm, M.Sc, Apt. Department of Pharmacy Faculty of Mathematics and Science Lambung Mangkurat University
Observasional study Nani Kartinah, S.Farm, M.Sc, Apt Department of Pharmacy Faculty of Mathematics and Science Lambung Mangkurat University Cross-sectional Rancangan penelitian ini merupakan penelitian
Lebih terperinciOdds ratio = a/b = ad/bc c/d
Latihan Soal Epidemiologi : Tutorial 2 (Kelompok A) Measures of Association and Measures of Public Health Impact Rumus : a. Risk Ratio : b. Rate Ratio c. Odd Ratio Odds ratio = a/b = ad/bc c/d d. Attributable
Lebih terperinciPEMODELAN KUALITAS PROSES
TOPIK 6 PEMODELAN KUALITAS PROSES LD/SEM II-03/04 1 1. KERANGKA DASAR Sampling Penerimaan Proses Produksi Pengendalian Proses MATERIAL PRODUK PRODUK BAIK SUPPLIER Manufacturing Manufacturing KONSUMEN PRODUK
Lebih terperinciPeranan Statistika. Disusun oleh Putriaji Hendikawati, S.Si., M.Pd., M.Sc. Dr. Scolastika Mariani, M.Si.
Peranan Statistika Disusun oleh Putriaji Hendikawati, S.Si., M.Pd., M.Sc. Dr. Scolastika Mariani, M.Si. 1. Pengertian Statistika Statistika banyak dimanfaatkan dalam berbagai aspek dan bidang kehidupan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Estimasi fungsi survival atau biasa disebut regresi fungsi survival merupakan bagian penting dari analisis survival. Estimasi ini biasa digunakan dalam
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Missing data atau data hilang adalah informasi yang tidak tersedia dalam sebuah subyek atau kasus. Fenomena missing data banyak dijumpai dalam survei. Banyak
Lebih terperinciANALISIS SURVIVAL UNTUK MENGETAHUI LAJU KESEMBUHAN PENYAKIT TB PARU di JAKARTA BERBASIS DESKTOP APPLICATION
ANALISIS SURVIVAL UNTUK MENGETAHUI LAJU KESEMBUHAN PENYAKIT TB PARU di JAKARTA BERBASIS DESKTOP APPLICATION Indra Maulana., Rokhana D.B., Franky H.M. Universitas Bina Nusantara Jl. Kebon Jeruk No. 27,
Lebih terperinciMetode kuantitatif: Desain 5 O K TO BER 2016
Metode kuantitatif: Desain PANJI FO RTUNA H ADI SO EMARTO M ETO DE, AP LI K ASI DAN M ANAJEM EN P ENELI TIAN K ESM AS S2 I K M FK UP 5 O K TO BER 2016 Desain penelitian kuantitatif Empat kelompok desain
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Cabang ilmu statistika dewasa ini semakin mengalami perkembangan yang pesat diikuti dengan arus berbagai permasalahan dunia yang kompleks bermunculan.
Lebih terperinciBAB 4 METODOLOGI PENELITIAN
BAB 4 METODOLOGI PENELITIAN 4.1 Desain Penelitian Penelitian ini merupakan penelitian yang menganalisis data sekunder dari hasil Survei Demografi Kesehatan Indonesia ( SDKI) tahun 2007, dengan menggunakan
Lebih terperinciBAB III METODOLOGI RISET
BAB III METODOLOGI RISET 3.1 Studi Pendahuluan Penelitian ini akan diawali dengan melakukan studi awal melalui kajian teoritis terutama dengan membandingkan penelitian terkait sebelumnya guna mendapatkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Statistika adalah salah satu cabang ilmu matematika yang memperhitungkan probabilitas dari suatu data sampel dengan tujuan mendapatkan kesimpulan mendekati
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Kerangka Konsep VARIABEL BEBAS Konsumsi Minuman Beralkohol Frekuensi konsumsi minuman beralkohol Banyaknya konsumsi minuman beralkohol VARIABEL TERIKAT Kejadian Obesitas Abdominal
Lebih terperinciMetodologi Penelitian Soal Ujian Akhir Semester 2014/ 2015 (100 soal)
Metodologi Penelitian Soal Ujian Akhir Semester 2014/ 2015 (100 soal) Pilih satu jawaban yang paling benar untuk soal-soal nomer 1-44. 1. Desain eksperimen cara mengalokasikan subjek penelitian tidak dengan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 21 Beberapa Pengertian Definisi 1 [Ruang Contoh] Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan (Grimmet dan Stirzaker,1992)
Lebih terperinciBAB III METODE PENELITIAN. aktif regular jurusan akuntansi S1.
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilakukan mulai dari 6 Februari 2017 hingga 10 Febriari 2017 di Universitas Mercu Buana dan Universitas Indonesia. Data yang digunakan
Lebih terperinciPenyusunan Proposal - 2
Sistematika penulisan proposal Ethical clearance dan informed consent Plagiarism dan hak paten Critical thinking Literature review atau referensi yang dibutuhkan dalam penelitian kebidanan Proposal penelitian
Lebih terperinci