BIAS

Kesalahan sistematis yang mengakibatkan

CONFOUNDING distorsi penaksiran parameter sasaran
berdasarkan parameter sampel.
( tidak mewakili. / tidak menggambarkan.)
menggambarkan.)

Kesimpulan yang dibuat tentang

hubungan antara paparan dan
penyakit salah
M.Arie W M.Arie W
FKM Undip Semarang FKM Undip Semarang

Macam Bias

Memperbesar 1. Bias seleksi : Kesalahan sistematis

DISTORSI Memperkecil Pengaruh Paparan dalam pemilihan subyek.
Meniadakan Yang
g sebenarnya
y
contoh :
(bias deteksi, bias admisi berkson, bias
prevalensi--insidensi neyman, bias pekerja
prevalensi
sehat, bias non-
non-responden).

M.Arie W M.Arie W
FKM Undip Semarang FKM Undip Semarang

1
 Contoh : Macam Bias Seleksi
¾ Studi Kohort Retrospektif
Pemilihan subyek menurut status. paparan 1. Bias Deteksi / (Unmusking bias);
dipengaruhi oleh status penyakit. Bias yang disebabkan intensitas
surveilans dalam memilih kasus dan
non--kasus,
non kasus sehingga peneliti cenderung
¾ Studi Kasus Kontrol
lebih mudah mendeteksi kasus terpapar
Pemilihan subyek menurut status penyakit dan non-
non-kasus tak terpapar.
dipengaruhi oleh status paparan.

M.Arie W M.Arie W
FKM Undip Semarang FKM Undip Semarang

2. Bias Admisi Berkson :

Bias yang disebabkan perbedaan
probabilitas masuk RS bagi kasus dan
kontrol, perbedaan ini berhubungan
dengan status paparan.
Perbedaan probabilitas masuk RS disebabkan oleh perbedaan :
Beratnya gejala penyakit
Akses pelayanan medik
‰Popularitas penyakit
‰Popularitas RS
3. Bias Non
Non--Responden
Bias yang disebabkan penolakan
responden untuk berpartisipasi
- bila penurunan partisipasi merata, maka akan mengurangi
ukuran sampel, sehingga cenderung tidak menemukan
pengaruh paparan terhadap penyakit.
Case Kontrol
- bila partisipasi tidak merata, maka akan memperbesar atau
memperkecil hubungan paparan dan penyakit yang
sebenarnya

M.Arie W M.Arie W
FKM Undip Semarang FKM Undip Semarang

2
 4. Bias Insidens-
Insidens-Prevalensi Neyman 5. Bias Pekerja Sehat
Adalah bias yang diakibatkan Bias yang terjadi akibat dari penggunaan para pekerja
penggunaan data prevalensi dan sehat sebagai kelompok kasus atau kelompok
terpapar dan penggunaan populasi umum sebagai
insidens yang tidak tepat. kelompok kontrol atau kelompok tidak terpapar.

“Penggunaan
Penggunaan data prevalensi sebagai pengganti insiden dalam riset
etiologi inilah yang mengakibatkan bias tersebut “. Membandingkan yang tidak sebanding karena status kesehatan
sampel yang berbeda

Jika ingin meneliti pengaruh paparan terhadap kejadian baru

penyakit pakailah data insiden, jangan sampai terlambat dalam
mengamati status penyakitnya.

Kasus baru (insiden) = kejadian penyakit yang baru saja diamati

pada fase klinik.

M.Arie W M.Arie W
FKM Undip Semarang FKM Undip Semarang

2. Bias Informasi : Macam Bias Informasi

Kesalahan sistematis dalam :
mengamati, memilih instrumen, mengukur, 1. Recall bias,
membuat klasifikasi,mencatat informasi, dan 2. Bias pewawancara (Interviewer bias)
membuat interpretasi antisipasi Æ Blinding
tentang paparan maupun penyakit
penyakit, 3. Bias
Bi ffollow-
follow
ll -up,
sehingga mengakibatkan distorsi 4. Efek Hawthorne
penaksiran pengaruh paparan terhadap
penyakit.

M.Arie W M.Arie W
FKM Undip Semarang FKM Undip Semarang

3
 CONFOUNDING Kriteria Faktor Perancu :
Kerancuan
Paparan (E) Penyakit (D)

¾ Kerancuan Adalah : distorsi dalam

menaksir pengaruh paparan terhadap Faktor Perancu (F)

penyakit akibat tercampurnya pengaruh

penyakit,
sebuah atau beberapa variabel luar. 1. Merupakan f.risiko bagi penyakit yang diteliti
2. Mempunyai hubungan dengan paparan
3. Bukan merupakan bentuk antara dalam hubungan paparan dan
penyakit

M.Arie W M.Arie W
FKM Undip Semarang FKM Undip Semarang

Strategi pengendalian :

1. Mencegah sebelum data dikumpulkan

Randomisasi, restriksi
2
2. Memperhitungkan pengaruhnya dalam analisis data
analisis strata, analisis multivariat.
multivariat.

M.Arie W
FKM Undip Semarang