Bias dalam

Penelitian
Rianto Setiabudy
Bag. Farmakologi FKUI
Untuk Program Pendidikan Profesi Dokter Spesialis Sp-1
Jakarta, 20 Okt. 2010

Whereas one can correct incorrect

analytical techniques with simple

reanalysis of the data, an error in
research design is almost always fatal
to the study one cannot correct for it
subsequent to data collection
(Marks et al, 1998)

Pokok Bahasan

Bias
seleksi subyek
prosedural
penilaian hasil
penentuan besar sampel
penggunaan uji statistik

Perancu

BIAS

Error dan bias (1)

Error (kesalahan): ialah ketidaktepatan

(inaccuracy) pengukuran yang terjadi pada
semua kelompok dalam penelitian
Bias ialah ialah ketidaktepatan pengukuran
yang terjadi pada salah satu kelompok dalam
penelitian
Secara umum bias menimbulkan dampak
yang jauh lebih serius daripada error
Cara mengurangi bias: berikan perlakuan yang
sama untuk semua subyek tanpa
membedakan dari kelompok manapun ia
berasal lakukan penyamaran (blinding) dan
pengacakan

Error dan bias (2)

Contoh:

Error (kesalahan): mau dibandingkan

efektivitas suatu obat baru
dibandingkan dengan plasebo untuk
menurunkan berat badan pada pasien
obese. Untuk semua subyek
digunakan sebuah timbangan tua yang
tidak akurat karena selalu kurang 2 kg
dari yang seharusnya systematic
error yang masih bisa dikoreksi hasilnya

Error dan bias (3)

Contoh:

Bias: mau dibandingkan efektivitas 2

rejimen terapi tuberkulosis pada
penderita di RS Persahabatan dan RS
Pondok Indah. Semua pasien di RS
Persahabatan mendapat rejimen obat
standar (S), sedangkan semua pasien
di RS Pondok Indah mendapat rejimen
obat baru (B) bias dalam desain
yang tidak mungkin dikoreksi hasilnya

Di mana dapat terjadi bias dalam

suatu penelitian?

Dalam uji klinik, bias dapat terjadi pada hampir di

semua bagian penelitian
Tetapi dalam garis besarnya, bias sering terjadi di
bagian:
1.
Alokasi perlakuan
2.
Prosedur
3.
Penilaian hasil
4.
Penentuan besar sampel
5.
Penggunaan uji statistik

Bias seleksi subyek

Bias prevalensi (Neymans bias):

Terjadi pada desain case-control di mana
sering terjadi kematian dini
Seharusnya yang dipakai ialah desain kohort
Contoh:
ingin diketahui hubungan antara hipertensi
dengan terjadinya cardiac events
metode yang benar: ambil sampel 100
orang dengan hipertensi dan 100 orang
tanpa hipertensi lalu diikuti selama 10 tahun
dengan desain kohort lalu dihitung relative
risk nya

Bila menggunakan desain kohort, didapat data

sbb:
Jumlah pasien selama 10 tahun dengan desain
kohort
Hidup, dg
CV event

Mati kr. CV
event

Hidup, tanpa
CV event

Dengan
hipertensi

20

20

60

Tanpa
hipertensi

28

70

Pasien

RR = (20+20)/100 : (28+2)/100 = 1.3

Ini adalah hasil yang benar

Tapi bila digunakan desain case-control didapat data

sbb:
Pasien

Dgn.hipertensi
Tanpa hipertensi

Jumlah pasien selama 10 tahun

dengan desain case-control
Hidup dengan CV
event

Hidup tanpa
CV event

20
28

60
70

OR = (20 x 70)/(28 x 60) = 0.8 seolah-olah hipertensi

adalah faktor protektif untuk terjadinya kejadian CV
events. Bias terjadi di sini kr. pasien yang mati tidak
diperhitungkan. Ini cara yang salah.

Bias laju rawat (admission rate bias =

Berksons bias):
Terjadi dalam desain case-control di mana
laju rawat di salah satu kelompok berbeda
jauh dengan kelompok lainnya
Contoh: tuberkulosis dapat memberi kesan
sebagai faktor protektif untuk terjadinya
kanker.
Untuk mengatasinya: pilih kelompok kontrol
dari orang sehat atau dari penderita TBC dari
berbagai tingkat keparahan

Contoh: Ingin diketahui apakah tuberkulosis merupakan

faktor risiko terhadap kejadian kanker pada pasien yang
dirawat inap di suatu RS
Pasien
Tuberkulosis +
Tuberkulosis -

Pasien dirawat
Dengan Ca
Tanpa Ca
3
47

50

6
44

50

OR = (3x44)/(6x47) = 0.47 seolah-olah TBC adalah faktor

protektif untuk terjadinya Ca, tetapi sebenarnya laju rawat pasien
dengan Ca + TBC rendah karena banyak yang sudah mati sebelum
masuk rumah sakit

Bias relawan:
Terjadi bila subyek yang terpilih menolak ikut,
atau sebaliknya yang tidak terpilih mendesak
ingin ikut.
Contoh:
suatu penelitian vaksin baru dilaksanakan di
suatu sekolah dengan memilih secara acak 100
dari 1500 murid yang ada. Dari 100 yang terpilih
acak itu 40 murid menolak, tapi sebaliknya ada 40
murid yang tidak terpilih yang ingin ikut serta.
Kelompok yang menolak ikut atau yang ingin ikut
ini belum tentu mewakili populasi murid sekolah
tsb.

Membership bias:
Terjadi bila ada karakteristik tertentu yang
sudah melekat pada grup tertentu (preexisting
characteristic)
Contoh: suatu penelitian membuktikan bahwa
pasien dengan infeksi paru oleh Pneumocistis
jirovecii lebih banyak yang mati dibandingkan
dengan pasien yang terinfeksi kuman lain.
Bias yang terjadi di sini disebabkan karena
pasien yang terinfeksi oleh P. jirovecii ialah
mereka yang menderita HIV immunocompromised.

Bias prosedur seleksi:

Terjadi bila alokasi perlakuan dilakukan

berdasarkan adanya karakteristik tertentu
pada salah satu kelompok sehingga kedua
kelompok yang dibandingkan menjadi tidak
seimbang.

Contoh:
Dilakukan suatu penelitian eksperimental untuk
membandingkan proporsi survival 5 tahun
penderita insufisiensi koroner yang makan obat
dan yang dibedah pintas koroner. Tidak dilakukan
randomisasi karena untuk memenuhi syarat ikut
pembedahan diperlukan kondisi fisik yang baik
Setelah 5 tahun proporsi pasien yang masih hidup
ternyata lebih besar pada kelompok yang
dibedah
Bias terjadi di sini ialah karena yang dapat
dibedah adalah pasien yang kondisi fisiknya lebih
baik daripada yang makan obat.

Bias prosedural

Bias pengacakan:

Terjadi bila peneliti tidak atau salah

melakukan alokasi acak (random allocation)
pada awal penelitian yang bersifat analitik
Akibatnya data awal subyek pada berbagai
kelompok menjadi tidak seimbang
Dengan demikian analisis statistik tidak
mempunyai arti
Catatan: alokasi perlakuan secara
bergantian (alternate) tidak memenuhi
persyaratan alokasi acak

Bias prosedur:

Terjadi bila salah satu grup mendapat

perhatian/perlakuan yang tidak sama dengan grup
lain kepatuhan pasien dalam grup ini akan
meningkat dan mempengaruhi hasil
Contoh: penelitian terbuka yang membandingkan
efikasi dan keamanan insulin dengan pioglitazon
(suatu antidiabetik oral) pada penderita DM tipe II
Kelompok pasien yang mendapat insulin
cenderung mendapat perhatian lebih baik agar
tidak mengalami hipoglikemia insulin tampak
superior

Bias recall:

Terjadi bila pasien diminta untuk mengingat

suatu kejadian di mana salah satu grup akan
lebih mudah mengingatnya dari grup lain
Contoh: suatu studi case-conctrol yang
bertujuan untuk mengetahui hubungan
antara autisme dengan vaksinasi
Keluarga yang punya anak autis akan lebih
mudah mengingat apakah anaknya pernah
divaksin atau tidak dibandingkan dengan
grup kontrol

Bias karena pengukuran yang kurang sensitif:

Terjadi bila alat ukur yang digunakan tidak
cukup sensitif untuk mengukur variabel outcome
Contoh: penggunaan X-ray biasa untuk
membandingkan 2 obat pencegah osteoporosis
mungkin tidak bisa menunjukkan adanya
perbedaan yang bermakna.
Bila pengukuran ini menggunakan bone
densitometer (jauh lebih sensitif), hasilnya
mungkin akan berbeda bermakna

Bias deteksi:

Terjadi bila alat ukur yang dipakai sekarang

berbeda dengan yang dipakai pada penelitian
yang dulu
Contoh: seorang peneliti menemukan bahwa
survival pasien kanker yang diobati di RS-nya
punya survival 6 bulan lebih panjang dari pada
penelitian yang sama yang dikerjakan-nya 20
tahun yang lalu di RS yang sama.
Bias terjadi karena sekarang ia menggunakan
CT-scan (sehingga bisa menemukan kanker
lebih dini), sedangkan dulu ia menggunakan
foto X-ray biasa

Bias kepatuhan (compliance bias):

Terjadi bila efek samping yang dialami pasien

pada salah satu kelompok berbeda jauh
dengan dengan pasien di kelompok lainnya
compliance pasien pada grup itu
Contoh: penelitian untuk membandingkan
efikasi kaptopril versus amlodipin untuk
menurunkan tekanan darah berakhir dengan
hasil amlodipin lebih efektif dari kaptopril.
Bias yang bisa terjadi di sini ialah karena
sebagian pasien yang mendapat kaptopril
tidak makan obatnya karena terganggu oleh
batuk

Bias penilaian hasil

Bias penyamaran (blinding):

Terjadi bila peneliti tidak melakukan blinding

pada penelitian yang bersifat analitik,
khususnya untuk variabel yang dinilai secara
subyektif baik oleh peneliti maupun subyek
penelitian
Subyektivitas peneliti maupun pasien dg.
mudah dapat merusak validitas penelitian
Pada akhir penelitian, unblinding
(pembukaan kode penyamaran) hanya boleh
dilakukan setelah dilakukan data clean up
dan pembekuan data

Bias penentuan besar sampel

Dalam statistik inferensial dikenal kesalahan

tipe 1 (false positive error) dan kesalahan
tipe 2 (false negative error)
Jumlah sampel yang terlalu kecil biasanya
menimbulkan kesalahan tipe 2.
D.p.l. besar sampel tidak mempunyai power
yang cukup untuk memperlihatkan
perbedaan yang sesungguhnya ada

Contoh:
Suatu penelitian ingin mengetahui apakah
nifedipin lebih efektif dari HCT untuk
menurunkan tekanan darah.
Dengan menggunakan masing-masing 10
pasien untuk masing-masing perlakuan
didapatkan hasil bahwa:
Baik nifedipin maupun HCT menurunkan
tekanan darah tapi tidak berbeda
bermakna secara statistik

Dalam hal ini terjadi bias karena sample

size terlalu kecil
Andaikata besar sampel dihitung dulu
sebelum penelitian dimulai (misalnya
diperlukan N1 = N2 = 50) hasilnya
mungkin menunjukkan nifedipin lebih
efektif dari dari HCT.

Jumlah sampel yang terlalu besar

mempunyai power yang juga terlalu besar
sehingga dapat memperlihatkan adanya
perbedaan yang bermakna secara statistik
tapi tidak mempunyai kemaknaan klinik

Untuk menghindarkan kedua jenis bias ini

besar sampel harus diestimasi sebelum
penelitian dimulai

Contoh:
Suatu penelitian ingin memastikan apakah
obat penurun kolesterol baru X lebih baik dari
obat standar Y.
Dengan menggunakan masing-masing 1000
pasien untuk obat X dan Y ternyata:

Obat X menurunkan kadar LDL kolesterol 11.5%

dari nilai awal
Obat Y menurunkan kadar LDL kolesterol 11% dari
nilai awal
Perbedaan menghasilkan p<0.045

Bias penggunaan uji statistik

Bias data fishing (data dredging):

Terjadi bila bila peneliti melakukan analisis
statistik dan menarik kesimpulan terhadap data
yang bukan merupakan tujuan penelitian dan
membuatnya menjadi suatu kesimpulan (data
dredging)
Perbedaan ini bisa benar, tapi bisa juga hanya
terjadi secara kebetulan (artefak)
Contoh: seorang peneliti ingin mengetahui
apakah obat A lebih efektif dari obat B untuk
menurunkan kadar kolesterol LDL. Dari
analisis data menemukan bahwa efikasi obat A
tidak berbeda bermakna dari obat B.

Tetapi terlihat bahwa pasien yang mendapat

obat A kadar asam uratnya turun > banyak
dibandingkan dengan yang mendapat obat B
dan setelah dilakukan uji statistik ternyata
perbedaannya bermakna maka ditarik
kesimpulan bahwa obat A menurunkan kadar
asam urat secara bermakna dibandingkan
dengan obat B.
Catatan:

Temuan ini tidak boleh dijadikan kesimpulan, tapi

hanya sekedar indikasi bahwa fenomena itu mungkin
benar dan ini harus diuji dengan penelitian lain
Kesalahan ini sering dilakukan

Bias akibat uji statistik berulang kali:

Uji statistik yang dilakukan berulang kali

menyebabkan kemungkinan terjadinya
kesalahan tipe 1 tidak lagi pada angka 5%.
Contoh: Seorang peneliti ingin
membandingkan efikasi 3 macam obat
penurun kadar gula darah. Ia membagi
subyeknya dalam 3 kelompok yang masingmasing mendapat obat A, B, dan C. Untuk
mengetahui perbedaan antar uji t sebanyak 3
kali yaitu A vs B, B vs C, dan C vs A.

Analisis cara ini bisa menimbulkan bias

karena tingkat kesalahan tipe 1 bukan lagi
5% tapi naik menjadi 14%. Bila uji ini diulang
5 x maka kesalahan tipe 1 naik menjadi 22%.
Dst.
Cara yang benar ialah menggunakan uji
Anova. Bila ternyata ada perbedaan
bermakna, baru dilanjutkan mencari
perbedaan antar kelompok dengan uji
multiple comparison ( uji Tukey, Scheff,
Bonferoni, dll.)
Bila harus melakukan uji statistik berulang
kali dalam analisis interim turunkan nilai p

Bias migrasi:

Terjadi bila pasien yang drop out dini dari

penelitian tidak diikutsertakan dalam analisis
data dan dicarikan gantinya
Terjadi pada penelitian eksperimental (UK)
Bias yang terjadi ialah obat yang toksik atau
rendah efikasinya akan terlihat seolah-olah
bagus
Untuk ini harus digunakan analisis intent-totreat (ITT) di samping analisis per protokol
(PP)

Bias waktu pengikutsertaan (entry time):

Terjadi bila pada penelitian yang parameter
pengukurannya ialah waktu, di mana titik waktu
awal kedua kelompok tidak dimulai dari saat
yang sama
Contoh: dalam suatu survival analysis ingin
diketahui apakah operasi pintas koroner atau
terapi obat yang lebih unggul untuk
memperpanjang hidup pasien dengan
insufisiensi koroner.

Untuk pasien yang mendapat obat, peneliti

menetapkan survival time dihitung saat
pasien mulai saat makan obat (yaitu segera
setelah randomisasi) sampai saat kematian

Untuk pasien yang menjalani operasi,

survival time dihitung mulai saat pasien
dioperasi sampai saat kematian

Didapatkan hasil bahwa kelompok yang

dioperasi punya survival time yang lebih
pendek dari kelompok yang makan obat

Di sini terjadi bias karena operasi tidak

segera dapat dilakukan setelah randomisasi
seperti halnya pasien yang mendapat obat

Seharusnya untuk semua pasien disamakan

titik waktu mulainya perhitungan waktu yaitu
pada saat randomisasi

Bias entry time

Makan obat

Mati

GRUP 1

Randomisasi
Operasi

Mati

GRUP 2

Terima kasih