PROSES PENELITIAN DALAM EPIDEMIOLOGI REPRODUKSI

Tugas Mata Kuliah EPIDEMIOLOGI KESEHATAN REPRODUKSI

Dosen Pembimbing: FRIDA KASUMAWATI, SKM., M. KES

DisusunOleh:

Kelompok 3

Ardindo Sultan Perdana : 171040500084

Syifa Azwir : 171040500087

PROGRAM STUDI S1 KESEHATAN MASYARAKAT

STIKES KHARISMA PERSADA
TAHUN AKADEMIK 2019/2020

KATA PENGANTAR

1
Assalamu’alaikum Wr. Wb.

Puji serta syukur kita panjatkan kehadiran Allah S.W.T karena berkat
rahmat-Nya kami bisa menyelesaikan tugas makalah yang berjudul PROSES
PENELITIAN DALAM EPIDEMIOLOGI REPRODUKSI. Sholawat serta
salam semoga tetap tercurahkan kepada Nabi Muhammad SAW. Beserta keluarga
dan para sahabatnya yang telah membimbing kita dari jalan kegelapan menuju
jalan yang terang.

Kami berharap makalah ini dapat bermanfaat dan menambah wawasan bagi
kami khususnya, dan segenap pembaca umumnya. Penulis menyadari bahwa
makalah ini masih jauh dari sempurna, oleh karena itu kritik dan saran dari
berbagai pihak sangat kami harapkan untuk menuju kesempurnaan makalah ini.

Tak lupa penulis mengucapkan terima kasih yang sebenar – benarnya

kepada semua pihak yang telah berusah payah membantu hingga terselesaikannya
makalah ini.

Wasalamu’alaikum Wr. Wb

Pamulang, 4 Maret 2020

Penulis

DAFTAR ISI

2
KATA PENGANTAR …………………………………………………….2
DAFTAR ISI ...……… …….…………………………………...……….. 3

BAB I PENDAHULUAN
1.1. Latar Belakang…………………………………………...…........... 4
1.2. Rumusan Masalah.………………………………………...…..........5
1.3. Tujuan…………………..……………………………………...…... 5

BAB II TINJAUAN PUSTAKA

2.1. Definisi Masalah..………………………………………...…........... 6
2.2. Definisi Kasus………………………………………………………6
2.3. Definisi Data………………………………………………………..7
2.4. Metode untuk Mengukur dan Menggambarkan Data………………8
2.5. Uji Statistik untuk Mengevaluasi Variabel Tunggal………………..13
2.6. Ukuran Hasil Morbiditas, Mortalitas dan Natalitas untuk Memahami
Masalah Kesehatan…….………………………………...…............14

BAB III PENUTUP ………………………………………………………... 20

DAFTAR PUSTAKA……….……………………………………………… 21

BAB I

3
 PENDAHULUAN

1.1 Latar Belakang

Kesehatan reproduksi banyak sekali teori-teori serta keilmuan yang harus
dimiliki oleh para pakar atau spesialis kesehatan reproduksi. Wilayah keilmuan
tersebut sangat penting dimiliki demi mengemban tugas untuk bisa menolong para
pasien yang mana demi kesehatan, kesejahteraan dan kelancaran pasien dalam
menjalanakan kodratnya sebagai perempuan.

Kesehatan reproduksi menurut WHO (World Health Organization) adalah

suatu keadaan sejahtera fisik, mental dan sosial yang utuh. Bukan hanya bebas
dari penyakit atau kekacauan dalam segala aspek yang berhubungan dengan
sistem reproduksi, fungsi dan prosesnya. Tapi pada saat sekarang ini banyak
terdapat masalah-masalah kesehatan reproduksi yang mengganggu tercapainya
tujuan kesehatan reproduksi itu sendiri.

Dewasa ini kesehatan reproduksi (kespro) mendapat perhatian khusus secara

global sejak diangkatnya isu dalam Konferensi Internasional tentang
Kependudukan dan Pembangunan. Di Indonesia pun kespro mendapat perhatian
khusus dari pemerintah, mengingat banyak masalah-masalah kespro terjadi di
masyarakat. Angka kematian ibu dan bayi yang tinggi, kurangnya pengetahuan
remaja tentang kespro yang akibatnya dapat terjadi kehamilan dan aborsi serta
jumlah kasus HIV yang tidak bisa dihambat.Masalah-masalah kesehatan
reproduksi tersebut seperti komplikasi kehamilan dan persalinan. Untuk
memecahkan masalah tersebut perlu dilakukan identifikasi, analisis, perencanaan
dan evaluasi. Sehingga diperlukan metode epidemiologi dalam kesehatan
reproduksi.

4
1.2 Rumusan Masalah
1. Apa yang dimaksud dengan definisi masalah?
2. Apa yang dimaksud dengan definisi kasus?
3. Apa yang dimaksud dengan data?
4. Apa saja metode untuk mengukur dan menggambarkan data?
5. Bagaimana penggunaan uji statistik untuk mengevaluasi variable tunggal?
6. Apa yang dimaksud dengan ukuran hasil morbiditas, mortalitas dan natalitas
untuk memahami masalah kesehatan?

1.3 Tujuan
1. Untuk memahami apa yang dimaksud dengan definisi masalah.
2. Untuk memahami apa yang dimaksud dengan definisi kasus.
3. Untuk memahami apa yang dimaksud dengan data.
4. Untuk mengetahui apa saja metode untuk mengukur dan menggambarkan
data.
5. Untuk mengetahui bagaimana penggunaan uji statistik untuk mengevaluasi
variable tunggal.
6. Untuk memahami apa yang dimaksud dengan ukuran hasil morbiditas,
mortalitas dan natalitas. untuk memahami masalah kesehatan.

5
 BAB II
PEMBAHASAN

2.1 Definisi Masalah

Masalah diartikan sebagai sesuatu yang harus diselesaikan (dipecahkan);
soal persoalan. Permasalahan: hal menjadikan masalah; hal yang di
permasalahkan. Masalah adalah faktor yang dapat menyebabkan tidak tercapai
tujuan (Kamus Besar Bahasa Indonesia dalam sugiono 1999).

Masalah merupakan suatu kesulitan yang dirasakan, konkrit dan

memerlukan solusi. Suatu kesenjangan antara apa yang seharusnya dengan apa
yang ada dalam kenyataan atau antara apa yang diperlukan dengan apa yang
tersedia atau antara harapan dengan kenyataan dan sebagainya (Suryabrata, 2000).

Persoalan juga dapat diartikan sebagai tafsir sesuatu yang teramati lewat
tanggapan rasa, cerapan dan konsep yang ketiganya merupakan cetusan alam fikir
dan alam rasa (Notohadiprawiro.2006).

Proses penelitian dimulai dengan pernyataan masalah. Masalah kesehatan

reproduksi adalah gangguan pada proses reproduksi normal. Masalah diterapkan
melalui fenomena yang diobservasi atau diukur. Data populasi rujukan memberi
dasar masalah penelitian; data adalah komponen penelitian epodemiologi.
Populasi adalah kelompok yag memiliki beberapa karakteristik minat yang sama.
Faktor social, ekonomi, keluarga (pernikahan dan perceraian), pekerjaan dan
tenaga kerja, serta faktor geografis dapat menggambarkan populasi.

2.2 Definisi Kasus

Definisi kasus adalah kriteria klinis standard untuk menentukan adanya
status atau kejadian terkait kesehatan tertentu. Kumpulan standar klinis akan
memastikan naha kasus didiagnosis secara terus-menerus, tanpa memeperhatikan
dimana atau kapan kasus di indetifikasi dengan siapa yang mediagnosis kasus.
Apapun kriterianya, kumpulan standard kriteria klinis tersebut harus digunakan
terus-menerus dan tanpa bias pada semua kasus dalam investigasi.

6
 Definisi kasus dapat dibatasi oleh variable orang (misalnya: wanita yang
berupaya hamil), tempat (misalnya pekerjaan di tempat tertentu) dan waktu
(misalnya :ketika kehamilan terjadi ). Kriteria klinis dapat mencakup konfirmasi
laboratorium. Kriteria klinis juga dapat mencakup kombinasi tanda, gejala dan
temuan lain. Klinisi menggambarkan status atau kejadian terkait kesehatan dengan
memeriksa dan mengenalisis gejala spesifik dan melakukan pemeriksaan pada
pasien.

Definisi kasus harus sederhana, dapat di pahami, dapat diterima, dan cukup
sensitif serta spesifik. Definisi kasus cukup sensitive jika mengidentifikasi sebagai
besar individu dengan kondisi yang dipertimbangkan. Definisi kasus cukup
spesifik jika meniadakan individu yang tidak mengalami status atau kejadian
terkait kesehatan.

2.3 Data
Pengertian data dalam Edhy Sutanta (2004;5) mendefinisikan data adalah
sebagai bahan keterangan tentang kejadian nyata atau fakta-fakta yang di
rumuskan dalam sekelompok lambang tertentu yang tidak acak menunjukan
jumlah, tindakan atau hal-hal. Data dapat berupa catatan-catatan dalam kertas,
buku atau tersimpan sebagai file yang berbasisi data.

Data adalah bagian informasi dan dapat dianggap sebagai observasi atau
pengukuranfenomena yang menjadi perhatian, seperti masalah kesehatan
reproduksi menurut variabel orang, tempat, dan waktu atau lingkungan yang dapat
menyebabkan masalah kesehatan. Data diperoleh melalui observasi, pengukuran,
atau eksperimen variabel, yang berarti variabel adalah karakteristik yang
bervariasi dari satu observasi ke observasi berikutnya dan dapat diukur atau
dikategorikan. Dalam studi penelitian, variabel yang dipilih menggambarkan
fenomena yang menjadi perhatian.

7
2.4 Metode Untuk Mengukur Dan Menggambarkan Data

2.4.1 Mengukur Data

1. Data Nominal
Data Nominal merupakan skala yang paling lemah atau rendah
diantara skala pengukuran yang ada. Skala nominal hanya bisa membedakan
benda atau peristiwa yang satu dengan yang lainnya berdasarkan nama
(predikat). Data pengukuran nominal digunakan untuk mengklasifikasi
obyek, individual atau kelompok dalam bentuk kategori.
Pemberian angka atau simbol pada skala nomial tidak memiliki
maksud kuantitatif hanya menunjukkan ada atau tidak adanya atribut atau
karakteristik pada objek yang diukur. Misalnya, jenis kelamin diberi kode 1
untuk laki-laki dan kode 2 untuk perempuan. Angka ini hanya berfungsi
sebagai label kategori, tanpa memiliki nilai instrinsik dan tidak memiliki arti
apa pun. Kita tidak bisa mengatakan perempuan dua kali dari laki-laki. Kita
bisa saja mengkode laki-laki menjadi 2 dan perempuan dengan kode 1, atau
bilangan apapun asal kodenya berbeda antara laki-laki dan perempuan.
Misalnya lagi untuk agama, kita bisa mengkode 1=Islam, 2=Kristen
3=Hindu, 4=Budha dstnya. Kita bisa menukar angka-angka tersebut, selama
suatu karakteristik memiliki angka yang berbeda dengan karakteristik
lainnya.
Karena tidak memiliki nilai instrinsik, maka angka-angka (kode-kode)
yang kita berikan tersebut tidak memiliki sifat sebagaimana bilangan pada
umumnya. Oleh karenanya, pada variabel dengan skala nominal tidak dapat
diterapkan operasi matematika standar (aritmatik) seperti pengurangan,
penjumlahan, perkalian, dan lainnya. Peralatan statistik yang sesuai dengan
skala nominal adalah peralatan statistik yang berbasiskan (berdasarkan)
jumlah dan proporsi seperti modus, distribusi frekuensi, Chi Square dan
beberapa peralatan statistik non-parametrik lainnya.

8
2. Data Ordinal
Data Ordinal ini lebih tinggi daripada skala nominal, dan sering juga
disebut dengan skala peringkat. Hal ini karena dalam skala ordinal,
lambang-lambang bilangan hasil pengukuran selain menunjukkan
pembedaan juga menunjukkan urutan atau tingkatan obyek yang diukur
menurut karakteristik tertentu.
Misalnya tingkat kepuasan seseorang terhadap produk. Bisa kita beri
angka dengan 5=sangat puas, 4=puas, 3=kurang puas, 2=tidak puas dan
1=sangat tidak puas. Atau misalnya dalam suatu lomba, pemenangnya diberi
peringkat 1,2,3 dstnya.
Dalam data ordinal, tidak seperti skala nominal, ketika kita ingin
mengganti angkaangkanya, harus dilakukan secara berurut dari besar ke
kecil atau dari kecil ke besar. Jadi, tidak boleh kita buat 1=sangat puas,
2=tidak puas, 3=puas dstnya. Yang boleh adalah 1=sangat puas, 2=puas,
3=kurang puas dstnya. Selain itu, yang perlu diperhatikan dari karakteristik
skala ordinal adalah meskipun nilainya sudah memiliki batas yang jelas
tetapi belum memiliki jarak (selisih). Kita tidak tahu berapa jarak kepuasan
dari tidak puas ke kurang puas. Dengan kata lain juga, walaupun sangat
puas kita beri angka 5 dan sangat tidak puas kita beri angka 1, kita tidak bisa
mengatakan bahwa kepuasan yang sangat puas lima kali lebih tinggi
dibandingkan yang sangat tidak puas.
Sebagaimana halnya pada data nominal, pada skala ordinal kita juga
tidak dapat menerapkan operasi matematika standar (aritmatik) seperti
pengurangan, penjumlahan, perkalian, dan lainnya. Peralatan statistik yang
sesuai dengan skala ordinal juga adalah peralatan statistik yang berbasiskan
(berdasarkan) jumlah dan proporsi seperti modus, distribusi frekuensi, Chi
Square dan beberapa peralatan statistik non-parametrik lainnya.

3. Data Interval
Data interval mempunyai karakteristik seperti yang dimiliki oleh data
nominal dan ordinal dengan ditambah karakteristik lain, yaitu berupa

9
adanya interval yang tetap. Dengan demikian, Data interval sudah memiliki
nilai intrinsik, sudah memiliki jarak, tetapi jarak tersebut belum merupakan
kelipatan. Pengertian “jarak belum merupakan kelipatan” ini kadang-kadang
diartikan bahwa skala interval tidak memiliki nilai nol mutlak.
Misalnya pada pengukuran suhu. Kalau ada tiga daerah dengan suhu
daerah A= 10oC, daerah B= 15oC dan daerah C= 20oC. Kita bisa
mengatakan bahwa selisih suhu daerah B, 5oC lebih panas dibandingkan
daerah A, dan selisih suhu daerah C dengan daerah B adalah 5oC. (Ini
menunjukkan pengukuran interval sudah memiliki jarak yang tetap). Tetapi,
kita tidak bisa mengatakan bahwa suhu daerah C dua kali lebih panas
dibandingkan daerah A (artinya tidak bisa jadi kelipatan). Kenapa ? Karena
dengan pengukuran yang lain, misalnya dengan Fahrenheit, di daerah A
suhunya adalah 50oF, di daerah B= 59oF dan daerah C= 68oF. Artinya,
dengan pengukuran Fahrenheit, daerah C tidak dua kali lebih panas
dibandingkan daerah A, dan ini terjadi karena dalam derajat Fahrenheit titik
nolnya pada 32, sedangkan dalam derajat Celcius titik nolnya pada 0.
Contoh lainnya, misalnya dua orang murid, si A mendapat nilai 70
sedangkan si B mendapat nilai 35. Kita tidak bisa mengatakan si A dua kali
lebih pintar dibandingkan si B. (Kenapa ?).
Skala interval ini sudah benar-benar angka dan, kita sudah dapat
menerapkan semua operasi matematika serta peralatan statistik kecuali yang
berdasarkan pada rasio seperti koefisien variasi.
4. Skala Rasio
Skala rasio adalah skala data dengan kualitas paling tinggi. Pada skala
rasio, terdapat semua karakteristik skala nominal,ordinal dan skala interval
ditambah dengan sifat adanya nilai nol yang bersifat mutlak. Nilai nol
mutlak ini artinya adalah nilai dasar yang tidak bisa diubah meskipun
menggunakan skala yang lain. Oleh karenanya, pada skala ratio, pengukuran
sudah mempunyai nilai perbandingan atau rasio. Pengukuran-pengukuran
dalam skala rasio yang sering digunakan adalah pengukuran tinggi dan
berat. Misalnya berat benda A adalah 30 kg, sedangkan benda B adalah 60

10
 kg. Maka dapat dikatakan bahwa benda B dua kali lebih berat dibandingkan
benda A.

2.4.2 Menggambarkan Data

1. Dalam Bentuk Tabel
a. Tabel Baris Kolom
Tabel yang lebih tepat disebut tabel baris kolom ini adalah tabel-
tabel yang dibuat selain dari tabel kontingensi dan distribusi frekuensi
yaitu tabel yang terdiri dari baris dan kolom yang mempunyai ciri
tidak terdiri dari faktor-faktor yang terdiri dari beberapa kategori dan
bukan merupakan data kuantitatif yang dibuat menjadi beberapa
kelompok.
b. Tabel Kontingensi
Tabel kontingensi merupakan bagian dari tabel baris kolom,
akan tetapi tabel ini mempunyai ciri khusus, yaitu untuk menyajikan
data yang terdiri atas dua faktor atau dua variabel, faktor yang satu
terdiri atas b kategori dan lainnya terdiri atas k kategori, dapat dibuat
daftar kontingensi berukuran b x k dengan b menyatakan baris dan k
menyatakan kolom.
c. Tabel Silang
Data hasil penelitian yang berupa perhitungan frekuensi
pemunculan data juga dapat disajikan ke dalam bentuk tabel silang.
Tabel silang dapat hanya terdiri dari satu variable tetapi dapat juga
terdiri dari dua variable. Tergantung pertanyaan atau keadaan yang
ingin dideskripsikan. Dengan demikian, pemilihan penyajian data ke
dalam tabel silang satu atau dua variable akan tergantung dari data
yang diperoleh.
Tabel silang satu variable digunakan untuk menggambarkan
data dengan menampillkan satu karakteristiknya saja. Misalnya
jumlah keseluruhan. Sementara tabel silang dua variable digunakan

11
 untuk menggambarkan data dengan menampilkan dua
karakteristiknya. Misalnya jumlah keseluruhan dan jumlah per gender.

2. Dalam Bentuk Grafik

a. Grafik Hisogram
Histogram merupakan grafik dari distribusi frekuensi suatu
variable. Tampilan histogram berupa persegi panjang. Sebagai sumbu
horizontal boleh memakai tepi-tepi kelas, batas-batas kelas atau nilai
variabel yang diobservasi, sedang sumbu vertical menunjukkan
frekuensi. Untuk distribusi bergolong atau berkelompok yang menjadi
absis adalah nilai tengah dari masing-masing kelas.
b. Grafik Poligon
Poligon merupakan grafik distribusi dari distribusi frekuensi
bergolong suatu variable. Tampilan polygon berupa garis-garis patah
yang diperoleh dengan cara menghubungkan puncak dari masing-
masing nilai tengah kelas. Jadi absisnya adalah nilai tengah dari
masing-masing kelas.
c. Grafik Kurve
Kurve merupakan perataan dari garis-garis polygon. Gambar
polygon sering tidak rata karena adanya perbedaan frekuensi data skor
dan data skor itu sendiri mencerminkan fluktuasi sampel. Pembuatan
kurve dilakukan dengan meratakan garis gambar polygon yang tidak
rata dan terlihat tidak beraturan.
d. Grafik Garis
Grafik garis dibuat biasanya untuk menunjukkan perkembangan
suatu keadaan. Perkembangan tersebut bias naik bisa turun. Hal ini
akan nampak secara visual melalui garis dalam grafik. Dalam grafik
terdapat garis vertical yang menunjukkan jumlah dan yang mendatar
menunjukkan variable tertentu yang ditunjukkan pada gambar
dibawah, yang perlu diperhatikan dalam membuat grafik adalah

12
 ketepatan membuat skala pada garis vertical yang akan mencerminkan
keadaan jumlah hasil observasi.

3. Diagram Lingkaran
Cara lain untuk menyajikan data hasil penelitian adalah dengan
diagram lingkaran. Diagram lingkaran digunakan untuk membandingkan
data dari berbagai kelompok.

2.5 Uji Statistik Untuk Mengevaluasi Variabel Tunggal

Uji binomial adalah uji probbilitas tepat yang digunakan ketika ada saty
variabel nominal dengan hanya dua nilai. Penggunaan uji binomial yang paling
umum adalah pada kasus keika hipotesis nolnya yaitu dua kategori sama-sama
mungkin terjadi. Untuk lebih dari dua kategori variabel, uji multinomial harus
digunakan. Uji multinomial adalah uji hipotesis nol bahwa parameter distribusi
multinomial sama dengan nilai yang ditentukan. Uji runtun (runs test) adalah uji
nonparametrik yang memeriksa hipotesis keacakan untuk dua urutan data yang
diberi nilai. Uji ini menguji hipotesis bahwa elemen urutan bebas satu sama lain.
Uji kesesuaian χ² digunakan untuk menguji bahwa kumpulan data berasal
dari distribusi berhipotesis. Yaitu, seberapa dekat nilai yang diobservasi dengan
nilai yang akan diperkirakan pada model yang disesuaikan?
Status atau kejadian terkait kesehatan yang jarang terjadi sering kali
ditunjukkan dengan menggunakan distribusi Poisson. Regresi Poisson cocok
untuk menunjukkan perhitungan atau rate hasil kesehatan yang jarang. Misalnya,
jika kita tertarik dalam memperkirakan rate defek lahir berdasarkan tempat dan
waktu. Kemudian tempat waktu, tau tempat berdasarkan variabel waktu dapat
dimasukan dalam model regresi Poisson dan rate diuji untuk mengetahui
homogenitas menurut tempat, waktu, atau tempat berdasarkan waktu.
Uji Kolmogorov-Smirnov adalah uji kesesuaian yang mengkaji apakah
distribusi didistribusikan secara normal. Sampel distandardisasi dan dibandingkan
dengan distribusi normal standar, yang setara dengan penetapan mean dan varians
dari distribusi referensi sama dengan perkiraan sampel. Uji Lilliefors adalah

13
adaptasi uji Kolmogorov-Smirnov, yang menguji hipotesis nol yang datanya
berasal dari populasi yang didistribusikan secara normal, ketika hipotesis nol tidak
menentukan yang mana distribusi normal (yaitu, nilai varians yang diperkirakan
tidak ditentukan). Uji Shapiro-Wilk mengkaji hipotesis nol yang sampelnya
berasal dari populasi yang didistribusikan secara normal.

2.6 Ukuran Hasil Morbiditas, Mortalitas, dan Natalitas untuk Memahami

Masalah Kesehatan
Beberapa ukuran kesehatan reproduksi yang umum terdapat pada Tabel 2.1.
Ukuran ini terutama berrsifat deskriptif (yaitu, proporsi dan rate) dan bermanfaat
untuk mengidentifikasi dan merumuskan masalah penelitian. Rasio risiko, rasio
rate, dan rasio ganjil (odds ratio) biasanya bersifat analiik, yang memungkinkan
kita untuk mengukur kekuatan asosiasi antara variabel pajanan dan hasil.
Ukuran morbiditas, mortalitas, dan natalitas yang sering kali digunakan
disajikan berdasarkan pembilang, penebut, dan dasar rate pada Tabel 2.2, 2.3,
dan 2.4.

Tabel 2.1
Rasio, Proporsi, dan Rate untuk Mengukur Morbiditas, Mortalitas, dan
Natalitas

Rasio Proporsi Rate

Morbiditas Rasio risiko (risiko Prevalensi titik Rate insidens
(insidens) relatif) Proporsi Rate orang-waktu
Rasio rate beratribut
Rasio ganjil
Mortalitas Rasio mortalitas material Mortalitas Angka mortalitas maternal
(kematian) proporsional Angka mortalitas bayi
Angka mortalitas neonatal
Angka mortalitas
pascaneonatal

14
 Angka mortalitas perinatal
Rate kematian janin
Rate aborsi
Natalitas Berat lahir Rate kelahiran
(kelahiran) rendah Rate fertilitas

Tabel 2.2
Ukuran morbiditas

Ukuran Pembilang (x) Penyebut (y) Dinyatakan Per Jumlah

yang Berisiko (Dasar
Rate)
Rate insidens Jumlah kasus baru Populasi yang Bervariasi
penyakit tertentu diperkirakan pada
yang dilaporkan pertengahan
selama interval interval
waktu tertentu
Rate serangan Jumlah kasus baru Populasi pada Bervariasi
penyakit tertentu awal periode
yang dilaporkan epidemic
selama periode
epidemic
Rate serangan Jumlah kasus baru Ukuran populasi Bervariasi
sekunder penyakit tertentu kontak yang
di antara kontak berisiko
kasus yang
diketahui
Prevalensi titik Jumlah kasus saat Populasi yang Bervariasi
ini, baru dan lama, diperkirakan pada
dari penyakit titik waktu yang
tertentu pada titik sama
waktu tertentu

15
Prevalensi periode Jumlah kasus saat Populasi yang Bervariasi
ini, baru dan lama, diperkirakan
yang diidentifikasi padapertengahan
selama interval interval
waktu tertentu

Tabel 2.3
Ukuran Mortalitas
Ukuran Pembilang (x) Penyebut (y) Dinyatakan per
Jumlah yang Berisiko
(Dasar Rate)
Rate kematian kasar Jumlah total Populasi 1000 atau 100.000
kematian yang pertengahan
dilaporkan interval yang
selama interval dipekirakan
waktu tertentu
Rate kematian Jumlah kematian Populasi 100.000
penyebab-spesifik akibat penyebab pertengahan
spesifik selama interval yang
interval waktu diperkirakan
tertentu
Mortalitas proporsional Jumlah kematian Jumlah total 100 atau 1000
akibat penyebab kematian dari
spesifik selama semua penyebab
interval waktu selama interval
tertentu yang sama
Rasio kematian dengan Jumlah kematian Jumlah kasus 100
kasus akibat penyakit baru dari peyakit
spesifik selama tersebut yang
interval waktu dilaporkan
tertentu selama interval
waktu yang sama

16
Angka mortalitas Jumlah kematian Jumlah kelahiran 1000
neonatal pada usia kurang hidup selama
dari 28 hari interval waktu
selama interval yang sama
waktu tertentu
Angka mortalotas Jumlah kematian Jumlah kelahiran 1000
pascaneonatal dari usia 28 hari, hidup selama
namun tidak interval waktu
termasuk, usia 1 yang sama
tahun, selama
interval waktu
tertentu
Angka mortalitas bayi Jumlah kematian Jumlah kelahiran 1000
pada usia kurang hidup yang
dari 1 tahun dilaporkan
selama interval selama interval
waktu tertentu waktu yang sama
Angka mortalitas Jumlah kematian Jumlah kelahiran 100.000
maternal akibat penyebab hidup selama
terkait kehamilan interval waktu
selama interval yang sama
waktu tertentu
Rasio mortalitas Jumlah kematian 100.000 kelairan
maternal wanita selama hidup
atau
segerasetelah
kehamilan
Angka mortalitas janin Jumlah kematian Jumlah kelahiran 1000
janin setelah hidup ditambah
minimal usia kematian janin
gestasi 20
minggu
Rate aborsi Jumlah aborsi Jumlah wanita 1000

17
 yang dilakukan yang berusia 15-
selama interval 44 tahun selama
waktu tertentu interval waktu
yang sama

Tabel 2.4
Ukuran Natalitas
Ukuran Pembilang (x) Penyebut (y) Dinyatakan Per
Jumlah yang Berisiko
(Dasar Rate)
Rate kelahiran Jumlah kelahiran Populasi total 1000
kasar hidup yang yang diperkirakan
dilaporkan selama pada pertengahan
interval waktu interval
tertentu
Rate fertilitas Jumlah kelahiran Jumlah wanita 1000
kasar hidup yang berusia 15-44
dilaporkan selama tahun yang
interval waktu diperkirakan pada
tertentu pertengahan
interval
Rate kasar Jumlah kelahiran Populasi total 1000
peningkatan alami hidup dikurangi yang diperkirakan
jumlah kematian pada pertengahan
selama interval interval
waktu tertentu
Rasio berat lahir Jumlah kelahiran Jumlah kelahiran 100
rendah hidup kurang dari hidup yang
2500 gram selama dilaporkan selama
interval waktu interval waktu
tertentu yang sama

18
 BAB III

PENUTUP
3.1 Kesimpulan
1. Masalah diartikan sebagai sesuatu yang harus diselesaikan (dipecahkan);
soal persoalan. Permasalahan: hal menjadikan masalah; hal yang di
permasalahkan.
2. Definisi kasus adalah kriteria klinis standard untuk menentukan adanya
status atau kejadian terkait kesehatan tertentu. Kumpulan standar klinis akan
memastikan naha kasus didiagnosis secara terus-menerus, tanpa

19
 memeperhatikan dimana atau kapan kasus di indetifikasi dengan siapa yang
mediagnosis kasus.
3. Data adalah bagian informasi dan dapat dianggap sebagai observasi atau
pengukuranfenomena yang menjadi perhatian, seperti masalah kesehatan
reproduksi menurut variabel orang, tempat, dan waktu atau lingkungan yang
dapat menyebabkan masalah kesehatan.
4. Metode untuk mengukur data: data nominal, data ordinal, data interval, dan
skala rasio.
Metode untuk menggambarkan data: tabel baris kolom, tabel kontingensi,
grafik hisogram, grafik polygon, grafik kurve, grafik garis, dan diagram
lingkaran.
5. Uji binomial adalah uji probbilitas tepat yang digunakan ketika ada saty
variabel nominal dengan hanya dua nilai. Penggunaan uji binomial yang
paling umum adalah pada kasus keika hipotesis nolnya yaitu dua kategori
sama-sama mungkin terjadi. Untuk lebih dari dua kategori variabel, uji
multinomial harus digunakan.
6. Ukuran ini terutama berrsifat deskriptif (yaitu, proporsi dan rate) dan
bermanfaat untuk mengidentifikasi dan merumuskan masalah penelitian.
Rasio risiko, rasio rate, dan rasio ganjil (odds ratio) biasanya bersifat
analiik, yang memungkinkan kita untuk mengukur kekuatan asosiasi
antara variabel pajanan dan hasil.

DAFTAR PUSTAKA

https://www.academia.edu/20812668/Epidemiologi_Kesehatan_Reproduksi
http://Ippm.kaputama.ac.id/naskah/JURNAL7.pdf
http://repository.unja.ac.id/112/1/skala_junaidi2015.pdf
https://www.academia.edu/12454981/Contoh_Penyajian_Data
Merrill, Ray. 2002. Epidemiologi Reproduktif. Jakarta: Penerbit buku kedokteran.

20
21