Konfounding dan

Interaksi

Departemen Biostatistika
FKM UI, 2010
CONFOUNDING
Dari bahasa latin cunfundere (to mix together)

Pengertian:
ƒ Suatu distorsi (gangguan) dalam menaksir pengaruh paparan
terhadap kejadian penyakit/outcome sebagai akibat tercampurnya
pengaruh sebuah atau beberapa variabel luar.

ƒ Suatu kondisi bias dalam mengestimasi efek paparan terhadap

kejadian penyakit/masalah kesehatan, akibat perbandingan yang 
tidak seimbang antara kelompok exposed dan non exposed.

ƒ Suatu situasi ditemukannya hubungan non‐causal antara

exposure/paparan dan outcome yang diteliti akibat adanya
pengaruh variabel ketiga (Moyses S. & F. Javier N., 2000)

Variabel luar (ketiga) = confounder

Confounder
Exposure Disease

Confounder

¾ Berhubungan dengan paparan/faktor resiko yang diteliti (causally or 

non‐causally associated)
¾ Berhubungan dengan penyakit/outcome (causally associated)
¾ Bukan merupakan konsekuensi dari paparan (tidak terletak diantara
E & D / variabel antara)
 Arah Confounding
1.  Positif Æ Overestimate (risk value menjauhi ‘Null value’)
OR/RR
0 0.3 0.5 1 1.3 1.7 2
Null
value
CF controlled CF controlled

CF not controlled CF not controlled

2. Negatif Æ Underestimate (risk value mendekati ‘Null value’)

kurang beresiko or kurang protektif
3.  Cross over Æ asosiasi berubah arah: negatif positif (confounder 
yang kuat pada asosiasi lemah)
Mengontrol Confounding
‰ Pada tahap Design
1. Restriksi (pada experimental & observational study)
membatasi obyek penelitian pada level confounder yang sama
(confounder tidak bervariasi) antara group E – nE dan D – nD
Kelemahan: efek modifikasi tidak dapat dievaluasi, generalizability?

2. Matching (pada experimental & observational study)

Type: a). Full matching, b). partial matching
Method: a). Frequency/marginal matching, b). Individual matching
Problem: Over matching

3. Randomisasi (hanya pada experimental study)

subyek penelitian ditempatkan secara random pada group2 yang 
diperbandingkan (E & nE)

‰ Pada tahap Analisa

1. Stratifikasi
2. Analisa Multivariate
INTERAKSI
Interaksi = Efek modifikasi

Pengertian:
ƒ Keberagaman/heterogenitas/variasi efek dari suatu faktor resiko
terhadap kemunculan penyakit/outcome, pada level yang berbeda
dari faktor resiko lain, pada base population

ƒ Suatu situasi dimana 2 atau lebih faktor resiko saling memodifikasi

(besar dan/atau arah) efek nya terhadap kejadian/outcome yang 
diteliti (Moyses S. & F. Javier N., 2000)

¾ Efek modifikasi menunjukkan seberapa jauh efek faktor resiko

utama terhadap munculnya penyakit/outcome, dimodifikasi oleh
faktor resiko lain (modifier)
Macam Interaksi

ƒ Interaksi Aditif
• Keberadaannya dinilai dengan memakai ukuran asosiasi berupa risk/rate 
difference (AR).
• Bermanfaat untuk kepentingan program kesmas atau intervensi pencegahan
penyakit

ƒ Interaksi multiplikatif
• Keberadaannya diukur dengan memakai ukuran asosiasi berupa risk/rate 
ratio (RR/OR).
• Penting untuk menjelaskan hubungan kausalitas.
 Efek Modifikasi Efek Konfounding
ƒ Tidak berhubungan dg design study ƒ Berhubungan dengan design study
ƒ Menambah/memodifikasi efek E ƒ Mengganggu efek E yang diteliti

ƒ OR1 = OR2 = OR3 = OR4 = ORn ƒ OR1 = OR2

ƒ OR crude OR adjusted
ƒ Bukan bias ƒ Bias sistematik
ƒ Quantitative measure of association ƒ Qualitative measure of association
(not a validity issue) (affect validity)

Variabel Ke3 ORC ORA OR1 OR2 OR3

Menjadi CF dan EM 1.2 3.5 2.5 3.0 4.2

Bukan CF maupun EM 1.2 1.2 1.2 1.2 1.2

Merupakan CF tetapi bukan EM 1.2 3.0 3.0 3.0 3.0

EM kuat, CF menjadi kurang penting 1.2 3.5 0.4 2.8 9.2

Deteksi Konfounding & Interaksi
Analisa Regresi Linier/Logistik Ganda

„ Regresi Linier Ganda

9 Adanya Konfounder akan menyebabkan
a) Perubahan R Square
b) Perubahan (unstandardized) coefisien B (OR) sebesar >
10%

9 Adanya Interaksi antar 2 variabel independent ditunjukan

dengan nilai Sig. < 0.05
 b
Model Summary
Model Summary
Adjusted Std. Error of Durbin-
Adjusted Std. Error of
Model R R Square R Square the Estimate Watson
Model R R Square R Square the Estimate 1 .943a .889 .876 1.3491 1.840
1 .926 a .858 .845 1.5061 a. Predictors: (Constant), lemakKt_prpr, umur, sex, lemakpersen,
a. Predictors: (Constant), sex, umur, lemakkulit, lemakkulit
lemakpersen b. Dependent Variable: imt

R square regresi linier ganda R square regresi linier ganda

dengan konfounder tidak dengan konfounder masuk
masuk pada model pada model

Variabel Masih Lengkap ‘umur’ keluar Perubahan

dari model Coefficien B
Sex 4.7 5.0 6.3 %
Lemak persen 7.1 6.2 11.3%
Lemak kulit -232 -236 1.8%
tchol 2.8 2.5 4%

Umur merupakan konfounder karena menyebabkan OR ‘lemak

persen’ berubah >10%
Uji Interaksi
¾ Dilakukan pada variabel‐variabel yang diduga secara
substansi berinteraksi.
Model Persamaan Regresi linier ganda
Imt = 17.074 – 0.126 umur + 0.08 lemakkulit + 0.204 lemakpersen + 3.074 sex
1). variable ‘lemak kulit’ dan ‘lemak persen’ secara substansi diduga berinteraksi

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 22.651 3.151 7.188 .000
umur -.133 .041 -.176 -3.220 .002 .863 1.158
lemakkulit -.063 .043 -.437 -1.461 .151 .029 34.599
lemakpersen .082 .048 .238 1.713 .094 .134 7.451
sex 2.436 .693 .268 3.513 .001 .444 2.254
lemakKt_prpr .003 .001 1.251 3.440 .001 .020 51.140
a. Dependent Variable: imt
 2). secara substansi umur akan mempengaruhi lemak persen,

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -2.875 11.880 -.242 .810
umur .189 .187 .251 1.011 .317 .050 19.908
lemakkulit .078 .014 .534 5.683 .000 .350 2.861
lemakpersen .729 .305 2.111 2.391 .021 .004 252.645
sex 2.724 .757 .300 3.598 .001 .444 2.253
umur_lemakpr -.008 .005 -1.494 -1.734 .090 .004 240.709
a. Dependent Variable: imt

Sehingga persamaan regresi linier akhir untuk memprediksi nilai ‘imt’

adalah:
Imt = 22.651 – 0.133 umur - 0.063 lemakkulit + 0.082 lemakpersen + 2.436 sex +
0.003 lemakkt_prpr
„ Regresi Logistik Ganda

9 Adanya Konfounder akan menyebabkan perubahan nilai Exp(B)

/OR sebesar > 10%
Exp(B) Crude - Exp(B) Adjusted * 100% Î >10% Æ konfounder
Exp(B) Adjusted
dari
„ variabel independent utama (faktor resiko) dalam pemodelan
faktor resiko, atau
„ variabel independent lain dalam pemodelan prediksi

9 Adanya Interaksi antar 2 variabel independent ditunjukan

dengan nilai Sig. < 0.05
 Variables in the Equation

95,0% C.I.for EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
IMT3 8,265 2 ,016
1 IMT3(1) 1,872 ,858 4,764 1 ,029 6,503 1,211 34,940
IMT3(2) 2,711 ,946 8,206 1 ,004 15,045 2,354 96,155
SEX ,921 ,541 2,899 1 ,089 2,511 ,870 7,245
Constant -2,727 ,882 9,563 1 ,002 ,065
a. Variable(s) entered on step 1: IMT3, SEX.

Apakah ‘SEX’ adalah Konfounder terhadap IMT31 dan IMT32 ? 

Lihat perubahan nilai Exp(B) :
• ‘SEX’ masuk dalam pemodelan, nilai Exp(B)  Æ 6,503 dan 15,045
• ‘SEX’ tidak masuk dalam pemodelan, nilai Exp(B)Æ 4,388 dan 9,149
• Besar perubahan:
Dari hasil perhitungan ratio = 32,52% (> 10%) 
maka ‘sex’ merupakan variable konfounder.
Confounding

„ Confounding = bias estimasi efek pajanan

terhadap penyakit akibat perbandingan tidak
seimbang antara kelompok terpajan dengan
kelompok tidak terpajan
„ Terjadi akibat adanya perbedaan risiko
terjadinya penyakit pada kelompok terpajan
dengan kelompok tidak terpajan
„ Risiko terjadinya penyakit berbeda meskipun
pajanan dihilangkan pada kelompok terpajan
Syarat Confounding

E D

„ C merupakan faktor risiko D

„ C memiliki asosiasi dengan E
Contoh Confounding

Ibu Anemia BBLR

St.Gizi Ibu
Contoh confounding

Hubungan anemia dg BBLR Ibu Anemia BBLR

Kelompok gizi kurang dan gizi baik

BBLR+ BBLR- Jumlah
Anemia + 24 36 60
Anemia - 36 24 60
Jumlah 60 60 120

OR = (24*24)/(36*36)=0,44
Simpulan: Anemia faktor pencegah terjadinya BBLR ??
 Contoh confounding

Hubungan anemia dg BBLR (Dipisah menurut status Gizi)

Kelompok gizi baik

BBLR+ BBLR- Jumlah
Anemia + 18 34 52
Simpulan:
Anemia - 2 6 8
Anemia adalah Jumlah 20 40 60
faktor risiko
terjadinya BBLR OR = (18*6)/(34*2) = 1,58
(baik pd gizi baik Kelompok gizi kurang
maupun pd gizi BBLR+ BBLR- Jumlah
kurang) Anemia + 6 2 8
Anemia - 34 18 52
Jumlah 40 20 60

OR = (6*18)/(2*34) = 1,58
 Contoh confounding
BBLR

St.Gizi ibu
Hubungan status gizi dengan BBLR
BBLR+ BBLR- Jumlah
Gizi kurang 40 20 60
Gizi baik 20 40 60
Jumlah 60 60 120

OR = (40*40)/(20*20) = 4,00

Status gizi kurang merupakan faktor

risiko BBLR
Contoh confounding
Ibu Anemia

St.Gizi Ibu
Distibusi status gizi menurut anemia
Gizi kurang Gizi baik Jumlah
Anemia + 8 52 60
Anemia - 52 8 60
Jumlah 60 60 120
Distribusi status gizi tidak seimbang
pada ibu anemia dan ibu non anemia
Contoh confounding

„ Pada contoh, status gizi merupakan confounder

karena
‰ Status gizi kurang merupakan faktor risiko BBLR ?
‰ Distribusi status gizi tidak seimbang pada ibu anemia dan
ibu non anemia
‰ Hasil analisis menunjukkan status gizi merupakan faktor
risiko BBLR ?
Pengontrolan Confounding

„ Pada Desain
‰ Restriksi
‰ Matching
„ Pada Pengumpulan Data
‰ Confounding harus diukur
„ Pada Analisis
‰ Analisis multivariat