DATA EPIDEMIOLOGI
Johan Harlan
Analisis Data Epidemiologi
Penulis : Johan Harlan
Cetakan Pertama, September 2019
Seluruh dataset yang dipergunakan dalam buku ini dapat diunduh dari
http://harlan_johan@staff.gunadarma.ac.id.
v
DAFTAR ISI
Kata Pengantar v
Daftar Isi vi
Bab 1 Risk dan Rate 1
Incidence Risk 1
Incidence Rate 5
Prevalensi 8
Odds 9
Latihan 1 11
vi
Latihan 4 62
Kepustakaan 125
vii
BAB 1
RISK DAN RATE
Incidence Risk
Incidence risk (cumulative incidence; CI) atau secara singkat diacu
sebagai risk (risiko) saja, adalah jumlah subjek yang terkena suatu penyakit
tertentu X (= kasus baru) dalam suatu periode tertentu ∆t dibagi jumlah
anggota populasi yang pada awal periode pengamatan dalam keadaan sehat
(= N). Populasi yang pada awal pengamatan seluruhnya dalam keadaan sehat
tersebut dinamakan populasi berisiko (population at risk).
I
ˆ
Risk = ˆ = ∆t
CI (1.1)
∆t ∆t N 0
1
Jika periode pengamatan cukup lama, umumnya akan didapatkan
kasus withdrawal (drop-out) di antara populasi berisiko yang diikuti. Jika
ada withdrawal, perhitungan estimasi risk dilakukan dengan metode aktuaria
dengan asumsi seluruh peristiwa withdrawal terjadi pada pertengahan ∆t.
Estimasinya adalah:
ˆ = I ∆t
ˆ
Risk = CI (1.1.a)
∆t ∆t N 0 − ( w 2 )
J
ˆ
Risk ˆ ˆ
∆t = CI ∆t = 1 − ∏ 1 − CI j
j =1
( ) (1.1.b)
CIˆ∆t + Zα
(
CIˆ∆t 1 − CIˆ∆t )
2
N 0
Contoh 1.1
Misalnya hendak diestimasi risk PJK (penyakit jantung koroner) pada
populasi pria lansia 60 tahun ke atas. Perhitungan dilakukan untuk periode 1
2
Januari 2017 s.d. 31 Desember 2017 di kota hipotetis M. Jumlah penduduk
pria lansia 60 tahun ke atas kota M pada 1 Januari 2017 adalah 50,000 orang,
200 orang di antaranya adalah penderita PJK. Selama tahun 2017 didapatkan
80 kasus baru PJK pada pria lansia 60 tahun ke atas.
Dengan asumsi jumlah penduduk pria lansia kota M stasioner dan
tidak ada atrisi, estimasi risk adalah:
I ∆t
ˆ
Risk =
∆t N 0
I ∆t = 80 N 0 = 50,000 ‒ 200 = 49,800
ˆ 80
Risk ∆t = 49,800
= 0.0016064. . . ≈ 0.0016
I ∆t
ˆ
Risk ∆t = N 0 − ( w 2 )
w = 2,000
ˆ 80
Risk ∆t = 49,800 − ( 2, 000 2 )
= 0.0016393. . . ≈ 0.0016
Contoh 1.2
Dimiliki data follow up selama 5 tahun berikut tentang jumlah
kematian pada sekelompok pasien kanker (Kuzma, 1984):
∆t N0 I ∆t w∆t
t0 → t1 356 60 0
t1 → t2 296 47 1
t 2 → t3 248 29 5
t3 → t 4 214 24 45
t 4 → t5 145 11 63
3
Misalnya, pada awal tahun pertama didapatkan 356 pasien kanker.
Selama tahun pertama didapatkan 60 kematian dan tidak ada withdrawal,
sehingga sisa pasien pada awal tahun kedua menjadi (356 ‒ 60) = 296 orang.
Selama tahun kedua didapatkan 47 kematian dan 1 kasus withdrawal,
sehingga sisa pasien pada awal tahun ketiga menjadi (296 ‒ 47 ‒ 1) = 248
orang, dan seterusnya.
∆t N0 I ∆t w∆t ˆ (t )
Risk i Risk(
ˆ t →t
0 i )
t0 → t1 356 60 0 0.1685 0.1685
t1 → t2 296 47 1 0.1591 0.3008
t 2 → t3 248 29 5 0.1181 0.3834
t3 → t 4 214 24 45 0.1253 0.4607
t 4 → t5 145 11 63 0.0969 0.5129
Tampak bahwa:
ˆ ( t ) = 60 = 0.1685
Risk 1 356
ˆ (t ) = 47
Risk 2 = 0.1591
286 − 0.5 (1)
29
ˆ t =
Risk 3( ) 248 − 0.5 ( 5 )
= 0.1181
dst.
Selanjutnya:
Risk (
0 1 )
ˆ t → t = 1 ‒ (1 ‒ 0.1685) = 0.1685
Risk (
0 2 )
ˆ t → t = 1 ‒ (1 ‒ 0.1685)(1 ‒ 0.1591) = 0.3008
4
Incidence Rate
Incidence rate (incidence density; ID) atau secara singkat diacu
sebagai rate saja, adalah kelajuan sesaat perubahan status kesehatan anggota
populasi tertentu (dari sehat menjadi sakit / menderita penyakit tertentu X).
Dalam Epidemiologi diasumsikan, jika diamati cukup lama, seluruh anggota
suatu populasi yang sehat (= N ) akan mengalami perubahan status
kesehatan menjadi penderita penyakit tertentu X, dengan syarat ia tidak
terlebih dahulu meninggal karena penyebab lain (competing risk).
∆N dN
IDt = lim = (1.2)
∆t →0 ∆t dt
IDt : Rate (incidence rate; incidence density) sesaat pada titik waktu t
∆N : Jumlah anggota populasi yang mengalami perubahan status
kesehatan menjadi penderita penyakit X dalam periode pengamatan
sesaat ∆t
∆t : Periode pengamatan sesaat
I ∆t
ˆ
ID = (1.3)
∆t PT
ˆ
ID∆t : Estimasi rate (incidence rate) pada periode waktu ∆t
I ∆t : Jumlah subjek yang mengalami perubahan status kesehatan (=
jumlah kasus insidens) dalam periode ∆t
PT : Person-time
PT = t 1 + t 2 + . . . + t n
5
n
PT = ∑
i =1
ti (1.4.a)
PT = N t 2 .∆t (1.4.b)
Nˆ t 2 = ( N0 + Nt ) 2 (1.5)
ˆ = I
ID n (1.6)
∑
i =1
ti
ˆ = I
ID (1.7)
Nt 2 . ∆t
ataupun pendekatannya:
ˆ = I
ID (1.8)
( N 0 + Nt ) 2 .∆t
Contoh 1.3
Misalkan dimiliki sampel 10 orang wanita penderita Ca Cervix di
sebuah rumah sakit. Hasil akhir yang akan diamati adalah peristiwa kematian
penderita karena Ca Cervix. Penelitian dilakukan selama 7 tahun, tetapi tidak
6
semua penderita mulai diamati sejak awal penelitian, karena sebagian
anggota sampel baru mulai diamati sejak tahun kedua, atau bahkan tahun
ketiga. Diperoleh hasil sebagai berikut:
1 †
2 †
3 ††
4 ?
5 †
6 ?
7
8 †
9 ††
10
= 1 + 3 + 3 + . . . + 5 = 33
7
Contoh 1.4
Lihat kembali data pada Contoh 1.1. Jika diketahui jumlah penduduk
pria lansia 60 tahun ke atas kota M pada 31 Desember 2017 adalah 52,000
orang, maka estimasi incidence rate PJK pada populasi pria lansia 60 tahun
ke atas adalah:
ˆ = I
ID
( N 0 + Nt ) 2 .∆t
80 ‒1 ‒1
= tahun = 0.00157 tahun
( 50, 000 + 52, 000 ) 2 .1
Prevalensi
Prevalensi adalah jumlah anggota suatu populasi tertentu yang
sedang menderita penyakit tertentu X (= kasus prevalen; kasus lama) pada
suatu titik waktu tertentu t dibagi jumlah seluruh anggota populasi tertentu
tersebut (sehat maupun sakit) pada titik waktu yang sama.
ˆ = Ct
Pr (1.9)
t
Nt
ˆ
Prt : Prevalensi penyakit X pada titik waktu t
Ct : Jumlah kasus lama (kasus prevalen) pada titik waktu t
Nt : Jumlah anggota populasi pada titik waktu t
8
ˆ + Z
Pr
t (
ˆ 1 − Pr
Pr ˆ
t ) (1.10)
t α 2
Nt
Contoh 1.5
Lihat kembali data pada Contoh 1.1. Pada 1 Januari 2017 jumlah
penduduk pria lansia 60 tahun ke atas di kota M adalah 50,000 orang, 200
orang di antaranya menderita PJK.
Odds
Odds adalah peluang bersyarat seorang subjek untuk mendapatkan
suatu penyakit tertentu X dibagi peluang bersyarat ia tidak mendapatkan
penyakit tertentu X tersebut.
P( X )
Oˆ X = (1.11)
1− P ( X )
Oˆ X : Odds penyakit X
P (X) : Probabilitas subjek untuk mendapatkan penyakit X
Oˆ X ≈ Risk
ˆ
X (1.11)
9
Untuk penyakit yang banyak ditemukan, nilai odds sangat berbeda
dengan risk, walaupun demikian odds tetap merupakan salah satu ukuran
penyakit yang penting dalam Epidemiologi.
Contoh 1.6
Lihat kembali data pada Contoh 1.1 dan 1.5. Pada 1 Januari 2017
jumlah penduduk pria lansia 60 tahun ke atas di kota M adalah 50,000 orang,
200 orang di antaranya menderita PJK.
Dengan asumsi P (X) ≈ 200 50, 000 = 0.004, maka estimasi odds
kejadian PJK pada 1 Januari 2017 adalah:
P( X )
Oˆ X =
1− P ( X )
0.004
= ≈ 4.016‰
1 − 0.004
Tampak bahwa untuk penyakit jarang (rare disease), odds merupakan
aproksimasi yang baik untuk probabilitas.
10
LATIHAN 1
1. Risk adalah:
A. Proporsi anggota populasi yang sakit pada akhir suatu periode.
B. Peluang subjek untuk mendapatkan penyakit selama suatu
periode.
C. Peluang bersyarat subjek untuk mendapatkan penyakit selama
suatu periode, dengan syarat subjek tidak lebih dahulu meninggal
karena penyakit lain.
D. Semuanya salah.
11
5. Incidence rate adalah:
A. Kecepatan rata-rata perubahan status kesehatan suatu populasi.
B. Kecepatan sesaat perubahan status kesehatan suatu populasi.
C. Kelajuan rata-rata perubahan status kesehatan suatu populasi.
D. Kelajuan sesaat perubahan status kesehatan suatu populasi.
6. Person-time adalah:
A. Jumlah subjek diamati pada awal periode pengamatan dikali lama
pengamatan.
B. Jumlah subjek diamati pada pertengahan periode pengamatan
dikali lama pengamatan.
C. Jumlah subjek diamati pada akhir periode pengamatan dikali lama
pengamatan.
D. Semuanya salah.
7. Prevalensi adalah:
A. Jumlah penderita penyakit pada satu titik waktu.
B. Jumlah penderita penyakit pada satu titik waktu dibagi jumlah
anggota populasi pada titik waktu yang sama.
C. Jumlah penderita penyakit pada satu titik waktu dibagi jumlah
anggota populasi sehat pada titik waktu yang sama.
D. Semuanya salah.
12
9. Interval konfidensi 95% prevalensi penyakit X pada 1 Januari 2018
adalah:
A. [0.0135 ; 0.0185] C. [0.0152 ; 0.0222]
B. [0.0141 ; 0.0179] D. [0.0168 ; 0.0206]
13
BAB 2
UKURAN RASIO
Risk Ratio
Risk ratio untuk populasi umumnya didapatkan dari studi
observasional kohort, sedangkan risk ratio untuk kelompok kecil biasanya
diperoleh sebagai hasil studi eksperimental uji klinik (randomized
controlled trial). Untuk studi kohort, lay-out data adalah sebagai berikut:
Penyakit
Pajanan Jumlah
D D
E a b n1
E c d n2
Jumlah m1 m2 n
a
CIˆ1 = (2.1.a)
n1
15
CIˆ1 : Estimasi risk (cumulative incidence) pada kelompok terpajan
a : Jumlah kasus baru di antara kelompok terpajan selama periode
pengamatan
n1 : Jumlah subjek sehat pada awal pengamatan (population-at-risk)
untuk kelompok terpajan
Untuk kelompok tak-terpajan (non-exposed), estimasi risk adalah:
c
CIˆ 2 = (2.1.b)
n2
ˆ
ˆ = CI 1 = a n1
CIR (2.2)
CIˆ 2 c n2
ˆ :
CIR Estimasi risk ratio (cumulative incidence ratio)
( ˆ = 1 − 1 + 1 − 1
ˆ ln CIR
Var ) (2.3)
a n1 c n2
ˆ adalah:
sehingga interval konfidensi 100 (1 − α ) % untuk estimasi ln CIR
ˆ + Z 1 1 1 1
ln CIR α 2 − + − (2.3.a)
a n1 c n2
ˆ (interval
dan interval konfidensi 100(1 – α)% untuk estimasi CIR
konfidensi berbasiskan deret Taylor) adalah:
16
ˆ exp ± Z
CIR
1
−
1
+
1
−
1
(2.4)
α 2
a n1 c n 2
Contoh 2.1
Misalkan dimiliki data fiktif untuk 10,000 akseptor KB dengan
kontrasepsi oral sebagai kelompok terpajan dan 10,000 wanita usia-subur
yang tidak menggunakan kontrasepsi oral sebagai kelompok tak-terpajan.
Pengamatan selama 4 tahun menunjukkan terjadinya 28 kasus thrombo-
embolisme di antara anggota kelompok terpajan, sedangkan pada kelompok
tak-terpajan, hanya didapatkan 15 kasus thrombo-embolisme. Paparan data
adalah sebagai berikut:
Penyakit
Pajanan Jumlah
TE Normal
Pengguna OC 28 9,972 10,000
Non-pengguna
15 9,985 10,000
OC
Jumlah 43 19,957 20,000
OC : Oral contraceptive
TE : Thrombo-embolism
Estimasi risk pada pengguna OC adalah:
a 28
CIˆ1 = = = 0.0028
n1 10, 000
c 15
CIˆ 2 = = = 0.0015
n2 10, 000
ˆ
ˆ = CI 1 = 0.0028 = 1.8666 . . . ≈ 1.867
CIR
CIˆ 2 0.0015
17
ˆ ]= 1 − 1 + 1 − 1
ˆ [ln CIR
Var
a n1 c n2
1 1 1 1
= − + − = 0.102
28 10000 15 10000
ˆ (berbasiskan deret Taylor) adalah:
Interval konfidensi 95% untuk CIR
ˆ exp ± Z
CIR
1
−
1
+
1
−
1
α 2
a n1 c n 2
1 1 1 1
atau: 1.867 * exp [+ 1.96 * − + −
28 10000 15 10000
yaitu: [0.998 ; 3.493]
Contoh 2.2
18
| exp |
| Exposed Unexposed | Total
------------+------------------------+------------
Cases | 7 12 | 19
Noncases | 9 2 | 11
------------+------------------------+------------
Total | 16 14 | 30
| |
Risk | .4375 .8571429 | .6333333
| Point estimate | [95% Conf. Interval]
|-----------------+------------------------
Risk difference | -.4196429 | -.7240828 -.1152029
Risk ratio | .5104167 | .2814332 .9257086
Prev. frac. ex. | .4895833 | .0742914 .7185668
Prev. frac. pop | .2611111 |
+------------------------------------------
chi2(1) = 5.66 Pr>chi2 = 0.0173
Contoh 2.3
Lihat kembali data pada Contoh 2.1:
Penyakit
Pajanan Jumlah
TE Normal
Pengguna OC 28 9,972 10,000
Non-pengguna OC 15 9,985 10,000
Jumlah 43 19,957 20,000
19
| Exposed Unexposed | Total
-----------+------------------------+--------
Cases | 28 15 | 43
Noncases | 9972 9985 | 19957
-----------+------------------------+--------
Total | 10000 10000 | 20000
Risk | .0028 .0015 | .00215
| Point estimate | [95% Conf. Interval]
|-----------------+---------------------
Risk difference | .0013 | .0000163 .0025837
Risk ratio | 1.866667 | .9976398 3.492688
Attr. frac. ex. | .4642857 | -.0023658 .7136876
Attr. frac. pop | .3023256 |
+---------------------------------------
chi2(1) = 3.94 Pr>chi2 = 0.0472
Odds Ratio
Odds ratio biasanya digunakan untuk data studi kasus-kontrol,
tetapi adakalanya karena penggunaan analisis statistik tertentu, dipakai juga
untuk data studi kohort ataupun data uji klinik. Untuk penyakit yang jarang
ditemukan (rare disease), odds ratio merupakan aproksimasi yang baik
untuk risk ratio. Lay-out data untuk studi kasus-kontrol dalam sampel
adalah sebagai berikut:
Penyakit
Pajanan
C C
E a b
E c d
Jumlah m1 m2
20
sedangkan dalam populasi didapatkan:
Penyakit
Pajanan
C C
E A B
E C D
Jumlah M1 M2
A
O1 = (2.5.a)
B
C
O2 = (2.5.b)
D
O1 AB AD
OR = = = (2.6)
O2 C D BC
Oˆ 1 ad
ÔR = = (2.6.a)
ˆ
O2 bc
21
ÔR juga diasumsikan berdistribusi log-normal dengan estimasi
variansi ln-nya adalah:
1 1 1 1
(ˆ
ˆ ln OR
Var =
a
)
+
b
+
c
+
d
(2.7)
ˆ adalah:
sehingga interval konfidensi 100 (1 − α ) % untuk estimasi ln OR
ˆ + Z 1 1 1 1
ln OR α 2 + + + (2.7a)
a b c d
1 1 1 1
ÔR exp ± Zα 2 + + + (2.8)
a b c d
Contoh 2.4
Lihat kembali data pada Contoh 2.1. Thrombo-embolisme
merupakan kasus yang jarang, sehingga untuk data Contoh 2.1, odds ratio
merupakan aproksimasi yang baik untuk risk ratio.
ÔR =
ad
=
( 28 )( 9, 985 ) = 1.86910 . . . ≈ 1.869
bc ( 9,972 )(15)
Tampak bahwa nilai odds ratio di sini hampir sama dengan nilai
risk ratio yang diperoleh pada Contoh 2.1 (berlaku untuk penyakit jarang).
1 1 1 1
ˆ [ln ÔR ] =
Var + + +
a b c d
1 1 1 1
= + + + = 0.103
28 9972 15 9985
22
Interval konfidensi 95% untuk ÔR (berbasiskan deret Taylor) adalah:
1 1 1 1
ÔR exp ± Zα 2 + + +
a b c d
1 1 1 1
atau: 1.869 * exp [+ 1.96 + + +
28 9972 15 9985
Contoh 2.5
Dimiliki file data ccxmpl.dta hasil uji kasus-kontrol dalam bentuk
tabel 2×2.
. use "D:\Epidemiologi\ccxmpl.dta"
. list
+-----------------------+
| case exposed pop |
|-----------------------|
1. | 1 1 4 |
2. | 1 0 386 |
3. | 0 1 4 |
4. | 0 0 1250 |
+-----------------------+
23
| Point estimate | [95% Conf. Interval]
|----------------+---------------------
Odds ratio | 3.238342 | .5997233 17.45614 (exact)
Attr. frac. ex. | .6912 | -.6674356 .9427136 (exact)
Attr. frac. pop | .0070892 |
+--------------------------------------
chi2(1) = 3.07 Pr>chi2 = 0.0799
Contoh 2.6
Lihat kembali data pada Contoh 2.1 dan 2.4:
Penyakit
Pajanan Jumlah
TE Normal
Pengguna OC 28 9,972 10,000
Non-pengguna OC 15 9,985 10,000
Jumlah 43 19,957 20,000
24
| Point estimate | [95% Conf. Interval]
|------------------+---------------------
Odds ratio | 1.8691 | .9638846 3.767324 (exact)
Attr. frac. ex. | .4649832 | -.0374686 .7345596 (exact)
Attr. frac. pop | .3027798 |
+----------------------------------------
chi2(1) = 3.94 Pr>chi2 = 0.0472
Rate Ratio
Rate ratio diperoleh pada studi densitas, yaitu studi follow-up
dengan person-time.
Pajanan I PT
E a L1
E b L2
Jumlah m1 L
ˆ = a
ID (2.9.a)
1
L1
ˆ
ID 1 : Estimasi rate (incidence density) pada kelompok terpajan
a : Jumlah kasus insidens dalam periode pengamatan pada kelompok
terpajan
L1 : Person-time untuk kelompok terpajan
25
Estimasi rate pada kelompok tak-terpajan adalah:
ˆ = b
ID (2.9.b)
2
L2
ˆ
ID 2 : Estimasi rate (incidence density) pada kelompok tak-terpajan
b : Jumlah kasus insidens dalam periode pengamatan pada kelompok
tak-terpajan
L2 : Person-time untuk kelompok tak-terpajan
ˆ
ˆ = ID1 = a L1
IDR (2.10)
ˆ
ID b L2
2
ˆ
IDR : Estimasi rate ratio (incidence density ratio)
ˆ
IDR diasumsikan berdistribusi log-normal dengan estimasi variansi
ln-nya adalah:
1 1
Var (ˆ
ˆ ln IDR =
a
)+
b
(2.11)
ˆ
sehingga interval konfidensi 100 (1 − α ) % untuk estimasi ln IDR adalah:
ˆ 1 1
ln IDR + Zα 2 + (2.11.a)
a b
ˆ
dan interval konfidensi 100(1 – α)% untuk estimasi IDR (interval
konfidensi berbasiskan deret Taylor) adalah:
1 1
ˆ
IDR exp ± Zα + (2.12)
b
2
a
Contoh 2.7
Dimiliki data densitas hasil uji klinik berikut. Tiga puluh subjek
diikutsertakan dalam penelitian 15 subjek dalam kelompok perlakuan
26
(treatment), yaitu asupan vitamin C harian, dan 15 subjek lainnya diberikan
plasebo. Pengamatan dilakukan selama 6 bulan.
Penyakit
Perlakuan Common
PT
cold
Vit C 5 79
Plasebo 7 69
Jumlah 148
ˆ = a = 5 ≈ 0.063
ID 1
L1 79
ˆ = b = 7 ≈ 0.101
ID 2
L2 69
Estimasi rasio risiko adalah:
ˆ
ˆ = ID1 = 0.063 ≈ 0.624
IDR
ˆ
ID 0.101
2
ˆ ]= 1 +
ˆ [ln IDR
Var
1
a b
1 1
= + = 0.343
5 7
ˆ
Interval konfidensi 95% untuk IDR (berbasiskan deret Taylor) adalah:
1 1
ˆ
IDR exp ± Zα +
b
2
a
1 1
atau: 0.624*exp [+1.96* +
5 7
yaitu: [0.198 ; 1.966]
27
Contoh 2.8
File data irxmpl.dta berikut memuat data hasil studi kohort dengan
data densitas.
. use "D:\Epidemiologi\Data\irxmpl.dta"
. list
+-------------------------+
| cases exposed time |
|-------------------------|
1. | 41 0 28010 |
2. | 15 1 19017 |
+-------------------------+
28
Contoh 2.9
Lihat kembali data pada Contoh 2.7:
Penyakit
Perlakuan Common
PT
cold
Vit C 5 79
Plasebo 7 69
Jumlah 148
. iri 5 7 79 69
| Exposed Unexposed | Total
---------------+----------------------+---------
Cases | 5 7 | 12
Person-time | 79 69 | 148
---------------+----------------------+---------
| |
Incidence rate | .0632911 .1014493 | .0810811
29
LATIHAN 2
D D
E a b n1
E c d n2
m1 m2 n
2. Fraksi c n2 menyatakan:
A. Proporsi subjek yang sakit pada kelompok terpajan.
B. Proporsi subjek yang sakit pada kelompok tak-terpajan.
C. Proporsi subjek yang tidak sakit pada kelompok tak-terpajan.
D. Proporsi subjek terpajan pada kelompok yang sakit.
30
4. Pilihlah yang benar:
A. Kasus prevalens adalah jumlah kasus baru pada periode tertentu.
B. Kasus insidens adalah jumlah kasus lama pada titik waktu
tertentu.
C. (A) dan (B) benar.
D. (A) dan (B) salah.
31
Untuk soal No. 8 dan 9:
Selain data untuk soal No. 5 s.d. 7 di atas, diperoleh pula hasil survei
tambahan bahwa estimasi proporsi pengguna sabuk pengaman pada populasi
pengemudi yang mengalami kecelakaan lalu lintas adalah 0.2.
12. Estimasi rasio rate penderita stadium III terhadap penderita stadium I
adalah:
A. 0.533 C. 1.522
B. 1.518 D. 2.310
32
BAB 3
BIAS DAN KONFAUNDING
Bias
Bias adalah deviasi sistematik hasil estimasi suatu parameter dengan
nilai parameter sebenarnya (gambar 3.1). Bias dapat menyebabkan estimasi
hubungan antara pajanan dengan respons menjadi lebih besar daripada
sesungguhnya (overestimated association), atau sebaliknya menjadi lebih
kecil daripada hubungan sesungguhnya (underestimated association), atau
bahkan sampai pembalikan hubungan (faktor risiko menjadi preventif, atau
sebaliknya). Tiga tipe bias yang lazim ditemukan adalah bias seleksi, bias
informasi, dan konfaunding.
Bias Seleksi
33
Contoh 3.1
Pada studi hubungan antara radiasi nuklir dengan kejadian leukemia
(Caldwell, 1980), dilakukan pelacakan terhadap mantan petugas percobaan
nuklir di gurun Nevada, Amerika Serikat untuk mendapatkan anggota sampel
penelitian. Dari anggota sampel yang diperoleh, 82% adalah hasil pelacakan
petugas penelitian, sedangkan 18% sisanya terdiri atas mantan petugas
percobaan nuklir yang menghubungi peneliti atas inisiatif mereka sendiri
(self selection).
Di antara 82% anggota sampel hasil pelacakan petugas penelitian,
ditemukan 4 kasus leukemia, tetapi di antara 18% anggota sampel yang
menghubungi peneliti atas inisiatif sendiri juga didapatkan 4 kasus leukemia.
Prevalensi leukemia yang jauh lebih tinggi di antara anggota sampel yang
datang sendiri menghubungi peneliti adalah fenomena self selection bias,
yang merupakan salah satu bentuk bias seleksi.
Bias Informasi
Contoh 3.2
Salah satu bentuk bias informasi ialah recall bias, yang banyak
ditemukan pada studi kasus-kontrol. Pada studi efek teratogenik obat tertentu
pada ibu hamil terhadap kejadian cacat lahir bayi, data riwayat penggunaan
obat selama kehamilan seringkali harus diperoleh melalui anamnesis, yang
sangat tergantung pada daya ingatan ibu.
Seringkali pula ditemukan, bahwa ibu yang melahirkan bayi cacat
lebih mudah mengingat obat-obat yang dikonsumsi selama kehamilan (recall
34
bias), dibandingkan dengan ibu yang melahirkan bayi normal. Recall bias
adalah salah satu bentuk bias informasi.
Bias seleksi dan bias informasi umumnya hanya dapat dikendalikan
pada tahap perancangan, yang tidak akan dibahas secara rinci dalam buku
ini. Bias seleksi diharapkan dapat dikendalikan dengan pengambilan sampel
secara acak (random sampling), sedangkan bias informasi diatasi dengan
menggunakan devais medik ataupun kuesioner penelitian yang teruji valid
dan reliabel.
Konfaunding
Konfaunding adalah distorsi estimasi efek suatu pajanan terhadap
respons karena asosiasi pajanan dengan faktor lain (konfaunder) yang juga
berpengaruh terhadap respons tersebut. Konfaunding terjadi jika
pengestimasian efek pajanan terhadap respons dilakukan tanpa
memperhitungkan keberadaan konfaunder. Karena keberadaan konfaunder
umumnya tak diketahui, konfaunding praktis hanya dapat dikendalikan
dalam tahap perancangan pada studi eksperimental, yaitu dengan
randomisasi perlakuan. Dalam studi observasional, konfaunder umumnya
harus dikendalikan dalam tahap analisis data.
35
didapatkan nilai rasio odds stratum-spesifik yang jelas berbeda antar stratum.
Keberadaan interaksi harus dibuktikan dengan uji statistik dan akan dibahas
lebih lanjut kemudian.
Studi Kasus-Kontrol
ˆ < ÔR
ÔR1 < aOR 2
36
Lay-out data untuk contoh di atas adalah sebagai berikut:
Gabungan
Penyakit
Pajanan Jumlah
C C
E a b
E c d
Jumlah n
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
C C C C
E a1 b1 E a2 b2
E c1 d1 E c2 d2
Jumlah n1 Jumlah n2
dengan:
ˆ = ad
cOR (3.1)
bc
a 1d1
dan: ÔR1 = (3.2.a)
b1c1
a 2 d2
ÔR 2 = (3.2.b)
b 2c2
37
Contoh 3.3
Misalkan dimiliki data hipotetis studi kasus-kontrol pada tabel 2×2
berikut dan stratifikasinya menurut taraf biner konfaunder F.
Gabungan
Penyakit
Pajanan Jumlah
C C
E 550 400
E 450 600
Jumlah 2000
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
C C C C
E 520 180 E 30 220
E 300 100 E 150 500
Jumlah 1100 Jumlah 900
=
( 550 )( 600 ) ≈ 1.83
( 400 )( 450 )
Dengan stratifikasi diperoleh:
a 1d1
ÔR1 =
b1c1
=
( 520 )(100 ) ≈ 0.96
(180 )( 300 )
a 2 d2
ÔR 2 =
b 2c2
=
( 30 )( 500 ) ≈ 0.45
( 220 )(150 )
38
Dengan metode Mantel-Haenszel diperoleh estimator suaian:
2a i di
∑ n
i =1
ˆ
aOR = 2 i
MH
bi ci
∑
i =1 ni
Contoh 3.4
File data downs.dta memuat variabel pajanan exposed, penyakit
case, dan konfaunder age.
. use "D:\Epidemiologi\downs.dta"
. list
+-----------------------------+
| case exposed pop age |
|-----------------------------|
1. | 1 1 3 <35 |
2. | 1 0 9 <35 |
3. | 0 1 104 <35 |
4. | 0 0 1059 <35 |
5. | 1 1 1 35+ |
|-----------------------------|
6. | 1 0 3 35+ |
7. | 0 1 5 35+ |
8. | 0 0 86 35+ |
+-----------------------------+
39
. cc case exposed [fw=pop], by(age)
Maternal age | OR [95% Conf. Interval] M-H Weight
-------------+-------------------------------------------
<35 | 3.394231 .5812415 13.87412 .7965957 (exact)
35+ | 5.733333 .0911619 85.89602 .1578947 (exact)
-------------+-------------------------------------------
Crude | 3.501529 .8080857 11.78958 (exact)
M-H combined | 3.781172 1.18734 12.04142
----------------------------------------------------------
Test of homogeneity (M-H) chi2(1) = 0.14 Pr>chi2 = 0.7105
Test that combined OR = 1:
Mantel-Haenszel chi2(1) = 5.81
Pr>chi2 = 0.0159
ˆ = 3.502
cOR
ÔR1 = 3.394 ÔR 2 = 5.733
ˆ
aORMH = 3.781
Studi Kohort
Untuk studi kohort, lay-out data adalah sebagai berikut:
Gabungan
Penyakit
Pajanan Jumlah
D D
E a b n1
E c d n2
Jumlah n
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
D D D D
E a1 b1 n 11 E a2 b2 n 21
E c1 d1 n 12 E c2 d2 n 22
Jumlah n1 Jumlah n2
40
dengan:
ˆ = a n1
cCIR (3.4)
c n2
dan: ˆ = a 1 n 11
CIR (3.5.a)
1
c1 n 12
ˆ = a 2 n 21
CIR (3.5.b)
2
c2 n 22
Contoh 3.5
Misalkan dimiliki data hipotetis studi kohort pada tabel 2×2 berikut
dan stratifikasinya menurut taraf biner konfaunder F.
Gabungan
Penyakit
Pajanan Jumlah
D D
E 200 800 1000
E 50 950 1000
Jumlah 2000
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
D D D D
E 194 706 900 E 6 94 100
E 21 79 100 E 29 871 900
Jumlah 1000 Jumlah 1000
41
Estimasi rasio risiko kasar adalah:
ˆ = a n1
cCIR
c n2
200 1000
= = 4.0
50 1000
Estimasi rasio risiko spesifik stratum masing-masing adalah:
ˆ = a 1 n 11
CIR 1
c1 n 12
194 900
= ≈ 1.03
21 100
ˆ = a 2 n 21
CIR 2
c2 n 22
6 100
= ≈ 1.86
29 900
Contoh 3.6
File ugdp.dta berikut, memuat data hasil studi kohort dengan
variabel exposed sebagai pajanan, case sebagai penyakit, dan age sebagai
konfaunder.
42
. use "D:\Epidemiologi\Data\ugdp.dta"
. list
+----------------------------+
| age case exposed pop |
|----------------------------|
1. | <55 0 0 115 |
2. | <55 0 1 98 |
3. | <55 1 0 5 |
4. | <55 1 1 8 |
5. | 55+ 0 0 69 |
|----------------------------|
6. | 55+ 0 1 76 |
7. | 55+ 1 0 16 |
8. | 55+ 1 1 22 |
+----------------------------+
ˆ = 1.436
cCIR
ˆ = 1.811
CIR ˆ = 1.193
CIR
1 2
ˆ
aCIRMH = 1.326
43
Studi Densitas
Untuk studi densitas, lay-out data adalah sebagai berikut:
Gabungan
Penyakit
Pajanan
I PT
E a L1
E b L2
Jumlah L
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Pajanan
I PT I PT
E a1 L 11 E a2 L 21
E b1 L 12 E b2 L 22
Jumlah L1 Jumlah L2
dengan:
ˆ a L1
cIDR = (3.7)
b L2
ˆ a 1 L11
dan: IDR 1 = (3.8.a)
b1 L 12
ˆ a 2 L 21
IDR 2 = (3.8.b)
b2 L 22
44
Contoh 3.7
Dimiliki data hipotetis studi densitas pada tabel 2×2 berikut dan
stratifikasinya menurut taraf biner konfaunder F.
Gabungan
Penyakit
Pajanan
I PT
E 30 699
E 36 1,399
Jumlah 2,098
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Pajanan
I PT I PT
E 18 499 E 12 200
E 20 989 E 16 410
Jumlah 1,488 Jumlah 610
ˆ a L1 30 699
cIDR = = ≈ 1,67
b L2 36 1,399
Estimasi rasio rate spesifik-stratum masing-masing adalah:
ˆ a 1 L11
IDR 1 =
b1 L 12
18 499
= ≈ 1,78
20 989
ˆ a 2 L 21
IDR 2 =
b2 L 22
12 200
= ≈ 1.54
16 410
ˆ
Tampak bahwa IDR ˆ ˆ
2 < cIDR < IDR1 , sehingga penyesuaian
estimasi rasio rate dengan F tidak diperlukan. Walaupun demikian, sebagai
latihan akan tetap dihitung estimator rasio rate suaian Mantel-Haenszel,
45
sekaligus untuk memperlihatkan bahwa nilainya tidak berbeda jauh dengan
estimator rasio rate kasar.
2a i Li 2
∑
i =1 Li
ˆ
aIDR = 2
MH
bi L i 1
∑
i =1 Li
Contoh 3.8
File berikut memperlihatkan jumlah kematian deaths (penyakit)
menurut jenis kelamin male (pajanan) dengan konfaunder usia age.
. use "D:\Epidemiologi\rm.dta"
(Rothman and Monson 1973 data)
. list
+------------------------------+
| age male deaths pyears |
|------------------------------|
1. | <65 1 14 1516 |
2. | <65 0 10 1701 |
3. | 65+ 1 76 949 |
4. | 65+ 0 121 2245 |
+------------------------------+
46
. ir deaths male pyears, by(age)
Age category | IRR [95% Conf. Interval] M-H Weight
-------------+-------------------------------------------
<65 | 1.570844 .6489373 3.952809 4.712465 (exact)
65+ | 1.485862 1.100305 1.99584 35.95147 (exact)
-------------+-------------------------------------------
Crude | 1.099794 .831437 1.449306 (exact)
M-H combined | 1.49571 1.141183 1.960377
----------------------------------------------------------
Test of homogeneity (M-H) chi2(1) = 0.02 Pr>chi2 = 0.8992
ˆ
cIDR = 1.100
ˆ
IDR 1 = 1.571
ˆ
IDR 2 = 1.486
ˆ
aIDRMH = 1.496
47
LATIHAN 3
1. Bias adalah:
A. Deviasi acak nilai estimasi parameter terhadap nilai sebenarnya.
B. Deviasi sistematik nilai estimasi parameter terhadap nilai
sebenarnya.
C. A) dan B) benar.
D. A) dan B) salah.
48
6. Pilihlah yang benar:
A. Konfaunding tidak perlu dikendalikan.
B. Interaksi selalu harus dikendalikan.
C. A) dan B) benar.
D. A) dan B) salah.
F F
C C C C
E 280 120 320 280
E 70 30 230 670
49
11. Estimasi rasio odds kovariabel F terhadap pajanan E pada kelompok
kontrol adalah:
A. 2.88 C. 9.57
B. 4.50 D. 12.45
50
BAB 4
SENSITIVITAS DAN SPESIFISITAS
Jika hasil pemeriksaan negatif dan penyakit benar tidak ada, keadaan
ini dinamakan negatif benar (true negative) dan jika hasilnya negatif tetapi
penyakit ada, keadaan ini dinamakan negatif palsu (false negative). Secara
skematis keempat keadaan ini dapat digambarkan pada tabel 4.1 di bawah
ini.
51
membutuhkan biaya besar, waktu yang lama untuk mendapatkan hasil, tidak
tersedia di kebanyakan laboratorium, dan sebagainya.
a
Se = (4.1)
a+c
d
Sp = (4.2)
b+d
52
Contoh 4.1
Kadar PSA (Prostatic Specific Antigen) dalam serum digunakan
sebagai marka tumor (tumor marker) untuk mengases peluang adanya Ca
prostat pada seorang subjek. Tabel 4.3 memperlihatkan sensitivitas dan
spesifisitas PSA serum sebagai uji diagnostik untuk Ca prostat.
Tabel 4.3
Sensitivitas dan spesifisitas kadar PSA serum dalam pendeteksian
Ca prostat pada pria kulit hitam usia 70-79 tahun
53
Contoh 4.2
Dilakukan pemeriksaan kadar PSA serum pada 4000 orang pria lansia
hipotetis dengan hasil sebagai berikut:
Status kesehatan
Hasil uji Jumlah
Ca prostat Normal
Positif 95 858 953
Negatif 5 3042 3047
Jumlah 100 3900 4000
Diperoleh:
95 3042
Se = = 95% Sp = = 78%
100 3900
100
Prevalensi = = 2.5%
4000
95 + 3042
Akurasi = ≈ 78.4%
4000
Kurva ROC
Kurva ROC (Receiver Operating Characteristic) adalah kurva yang
memplot nilai-nilai sensitivitas terhadap (1 ‒ spesifisitas) dalam rentang
tertentu nilai-nilai cut-off point.
Contoh 4.3
Pada Gambar 4.1 diperlihatkan kurva ROC untuk kadar PSA serum
sebagai uji diagnostik untuk Ca Prostat (data Tabel 4.1).
54
Gambar 4.1 Kurve ROC kadar PSA serum sebagai uji diagnostik
untuk Ca Prostat (Morgan et al, 1996)
Besar utilitas uji diagnostik ditentukan oleh luas area di bawah kurve
ROC. Semakin besar luas area tersebut, semakin baik uji diagnostik. Jika
kurve ROC berupa garis lurus dari (0 ; 0) ke (100 ; 100) yang membentuk
o
sudut 45 dengan sumbu horizontal, uji tidak bermanfaat dan hasilnya
sepenuhnya diperoleh secara kebetulan (by chance).
Nilai Prediktif
Lihat kembali Tabel 4.2. Nilai sensitivitas dan spesifisitas bermanfaat
dalam memutuskan apakah suatu uji diagnostik layak digunakan atau tidak.
55
Dalam praktik, yang lebih ingin diketahui klinisi adalah peluang ada atau
tidak adanya penyakit setelah memperoleh hasil tes positif atau negatif.
a
PV+ = (4.3)
a+b
d
PV‒ = (4.4)
c+d
Contoh 4.4
56
Prev a b c d PV+ PV‒
1% 95 2178 5 7722 4.2% 99.9%
5% 475 2090 25 7410 18.5% 99.7%
10% 950 1980 50 7020 32.4% 99.3%
25% 2375 1650 125 5850 59.0% 97.9%
50% 4750 1100 250 3900 81.2% 94.0%
Rasio Likelihood
Rasio likelihood positif adalah:
a b
LR+ = (4.5.a)
a+c b+d
Se
LR+ = (4.5.b)
1 − Sp
c d
LR‒ = (4.6.a)
c+d c+d
1 − Se
LR‒ = (4.6.b)
Sp
57
Contoh 4.5
Lihat kembali data pada Tabel 4.3. Nilai-nilai LR+ dan LR‒ untuk
kadar PSA serum 4.0 s.d. 8.0 diperlihatkan pada Tabel 4.4 berikut.
Tabel 4.4
Rasio likelihood uji diagnostik Ca prostat untuk
kadar PSA serum 4.0 s.d. 8.0 ng/ml
Kadar PSA
Se Sp LR+ LR‒
(ng/ml)
4.0 99 73 3.67 0.01
5.0 96 76 4.00 0.05
6.0 94 79 4.48 0.08
7.0 90 83 5.29 0.12
8.0 90 88 7.50 0.11
P [ Ca prostat ]
Odds pre-tes =
1 − P [ Ca prostat ]
0.20
= = 0.25
1 − 0.20
58
Odds 1.875
atau: P [Ca prostat] = = ≈ 65%
1 + Odds 1 + 1.875
Contoh 4.6
Analisis sensitivitas, spesifisitas, dan kurve ROC dengan Stata
dilakukan sebagai pemeriksaan lanjutan dengan perintah estat
classification terhadap hasil pemodelan regresi logistik. Karena regresi
logistik baru akan dibahas pada Bab 8, hasil pemodelan tidak akan dibahas di
sini. Yang akan dibahas hanya pemeriksaan lanjutan yang terkait dengan
sensitivitas, spesifisitas, dan kurve ROC.
File data yang digunakan adalah lbw.dta, yang memuat data biner
keberadaan hipertensi ht pada ibu sebagai pajanan dengan kejadian BBLR
(berat badan lahir rendah) low pada persalinan189 orang ibu. Klasifikasi ada
tidaknya BBLR berdasarkan model menjadi hasil uji diagnostik, sedangkan
pemeriksaan standar adalah hasil pengukuran berat badan lahir bayi, BBLR
ada jika berat badan lahir bayi kurang daripada 2500 g.
. use "D:\Epidemiologi\Data\lbw.dta"
(Hosmer & Lemeshow data)
59
Classified + if predicted Pr(D) >= .5
True D defined as low != 0
--------------------------------------------------
Sensitivity Pr( +| D) 23.73%
Specificity Pr( -|~D) 93.85%
Positive predictive value Pr( D| +) 63.64%
Negative predictive value Pr(~D| -) 73.05%
--------------------------------------------------
False + rate for true ~D Pr( +|~D) 6.15%
False - rate for true D Pr( -| D) 76.27%
False + rate for classified + Pr(~D| +) 36.36%
False - rate for classified - Pr( D| -) 26.95%
--------------------------------------------------
Correctly classified 71.96%
--------------------------------------------------
. lsens
60
Grafik ini menunjukkan nilai sensitivitas dan spesifisitas untuk
berbagai titik potong (cutoff point) P [Y = 1]. Hasil pemodelan regresi
logistik adalah probabilitas P [Y = 1], yaitu peluang adanya BBLR. Untuk
nilai default, BBLR dinyatakan ada jika P [Y = 1] > 0.5, tetapi setiap nilai P
[Y = 1] dapat digunakan sebagai cutoff point sebagaimana terlihat pada grafik
di atas.
. lroc
Logistic model for low
61
LATIHAN 4
62
Untuk soal No. 6 s.d. 10:
Dengan asumsi sensitivitas dan spesifisitas konstan, pemeriksaan
reduksi urine di atas digunakan sebagai uji diagnostik pada skrining terhadap
256 orang penduduk desa tersebut. Hasilnya yaitu 45 orang pemeriksaan
reduksi urinenya positif.
7. Jumlah orang yang reduksi utinya negatif dan benar tidak menderita
DM adalah:
A, 3 orang C. 35 orang
B. 10 orang D. 208 orang
63
BAB 5
ANALISIS SEDERHANA DAN
ANALISIS STRATIFIKASI
Analisis Sederhana
Analisis sederhana adalah analisis hubungan antara 1 pajanan dengan
penyakit tanpa memperhitungkan keberadaan konfaunder.
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
D D C C
E a b n1 E a b n1
E c d n2 E c d n2
Jumlah m1 m2 n Jumlah m1 m2 n
65
Jika terdapat sel dengan nilai harapan kurang daripada 5, digunakan
uji eksak Fisher.
Contoh 5.1
Penyakit
Pajanan Jumlah
D D
E 205 102 307
E 97 196 293
Jumlah 302 298 600
66
Contoh 5.2
(Sampel kecil)
Penyakit
Pajanan Jumlah
D D
E 5 6 11
E 1 8 9
Jumlah 6 14 20
A B C D Probabilitas
5 6 1 8 6!14!11!9! / 20!5!6!1!8! = 0.1073
6 5 0 9 6!14!11!9! / 20!6!5!0!9! = 0.0119
0.1192
67
1± Z χMH
ˆ α 2
OR (5.3)
Contoh 5.3
Lihat kembali data pada Contoh 5.1. Dari Contoh 5.1 tersebut
diperoleh:
ˆ = 2.02
CIR
2
χ MH = 67.87 χMH = 8.24
ˆ = 1− 1 +1− 1
ˆ ln CIR
Var
a n1 c n2
1 1 1 1
= − + −
205 307 97 293
ˆ + 1.96 . SE ln CIR
ln CIR ˆ
68
yaitu [1.836 ; 2.198]
Contoh 5.4
Pada sebuah studi kasus-kontrol hubungan antara konsumsi alkohol
oleh ibu hamil dengan kejadian berat badan lahir rendah, diperoleh data
sebagai berikut:
Konsumsi Kelahiran
Jumlah
alkohol BBLR BBLN
Ya 74 48 122
Tidak 26 52 78
Jumlah 100 100 200
ÔR =
ad
=
( 74 )( 52 ) ≈ 3.083
bc ( 48)( 26 )
69
antara konsumsi alkohol pada ibu hamil dengan kejadian berat badan lahir
rendah (p < 0.05).
Studi Densitas
ˆ a L1
Pada studi densitas (lihat tabel di bawah), dengan IDR = ,
c L2
ˆ
hipotesis nol adalah H 0 : IDR = 1.
Penyakit
Pajanan
I PT
E a L1
E b L2
Jumlah m1 L
70
Estimasi interval rasio rate berbasiskan uji (test-based confidence
interval) adalah:
1± Z χMHD
ˆ α 2
IDR (5.5)
Contoh 5.5
Penyakit
Pajanan
I PT
E 94 2500
E 146 3900
Jumlah 240 6400
ˆ a L1
IDR =
b L2
94 2500
= ≈ 1.004
146 3900
71
2
( 240 )( 2500 )
94 −
6400 ≈ 0.001
=
( 240 )( 2500 )( 3900 )
64002
yang berdistribusi khi-kuadrat dengan derajat bebas 1, sehingga dengan α =
ˆ
0.05 hipotesis nol H 0 : IDR = 1 tidak ditolak atau tidak ditemukan
perbedaan incidence rate antara kelompok terpajan dengan kelompok kontrol
(p > 0.05).
Analisis Stratifikasi
72
F terhadap hubungan antara pajanan E dengan penyakit C, hipotesis nol
ˆ = 1.
adalah H : aOR
0
Studi kohort:
Gabungan
Penyakit
Pajanan Jumlah
D D
E a b n1
E c d n2
Jumlah m1 m2 n
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
D D D D
E a1 b1 n 11 E a2 b2 n 21
E c1 d1 n 12 E c2 d2 n 22
Jumlah m 11 m 12 n1 Jumlah m 21 m 22 n2
Studi kasus-kontrol:
Gabungan
Penyakit
Pajanan Jumlah
C C
E a b n1
E c d n2
Jumlah m1 m2 n
73
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
C C C C
E a1 b1 n 11 E a2 b2 n 21
E c1 d1 n 12 E c2 d2 n 22
Jumlah m 11 m 12 n1 Jumlah m 21 m 22 n2
Contoh 5.6
Lihat kembali data pada Contoh 5.1. Jika didapatkan variabel F yang
berskala biner sebagai konfaunder, maka dilakukan stratifikasi sebagai
berikut:
Gabungan
Penyakit
Pajanan Jumlah
D D
E 205 102 307
E 97 196 293
Jumlah 302 298 600
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
D D D D
E 195 32 227 E 10 70 80
E 80 24 104 E 17 172 189
Jumlah 275 56 331 Jumlah 27 242 269
74
Untuk menguji pengaruh konfaunder F terhadap hubungan antara
ˆ = 1, statistik
pajanan E dengan penyakit D dengan hipotesis nol H : a CIR 0
penguji Mantel-Haenszel (terkoreksi) adalah sebagai berikut:
2
k ai di − bi ci
∑
2 i =1 ni
χ MHS = k
n 1i n2i m 1i m2i
∑
i =1 ( n i − 1) n i
2
2
(195 )( 24 ) − ( 32 )( 80 ) (10 )(172 ) − ( 70 )(17 )
+
331 269
=
( 227 )(104 )( 275 )( 56 ) + ( 80 )(189 )( 27 )( 242 )
(
( 330 ) 3312 ) (
( 268 ) 2692 )
≈ 4.63
yang berdistribusi khi-kuadrat dengan derajat bebas 1, sehingga dengan α =
0.05 hipotesis nol H : a CIR ˆ = 1 ditolak atau ditemukan pengaruh
0
konfaunder F yang bermakna terhadap hubungan antara pajanan E dengan
penyakit D (p < 0.05).
Studi Densitas
Pada studi densitas, untuk menguji pengaruh konfaunder F terhadap
ˆ
rasio rate penyakit, hipotesis nol adalah H 0 : aIDR = 1. Lay-out data
gabungan dan stratifikasinya adalah sebagai berikut:
Gabungan
Penyakit
Pajanan
I PT
E a L1
E b L2
Jumlah m1 L
75
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Pajanan
I PT I PT
E a1 L 11 E a2 L 21
E b1 L 12 E b2 L 22
Jumlah m 11 L1 Jumlah m 21 L2
Contoh 5.7
Lihat kembali data pada Contoh 5.4. Misalnya terdapat variabel F
yang diperkirakan berfungsi sebagai konfounder, maka dilakukan stratifikasi
sebagai berikut:
Gabungan
Penyakit
Pajanan
I PT
E 94 2500
E 146 3900
Jumlah 240 6400
76
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Pajanan
I PT I PT
E 21 1600 E 77 900
E 14 1700 E 128 2200
Jumlah 35 3300 Jumlah 205 3100
ˆ
Disimpulkan bahwa hipotesis nol H 0 : a IDR = 1 ditolak pada α =
0.05 atau ditemukan pengaruh konfaunder F yang bermakna terhadap
hubungan antara pajanan E dengan penyakit D (p < 0.05).
77
2a i n 2i
∑
i =1 ni
ˆ
aCIR = 2 ; (5.8)
MHS
c i n 1i
∑
i =1 ni
2 a i di
∑
i =1n
ˆ
aOR = 2 i ; (5.9)
MHS
bi ci
∑
i =1 ni
2
a i Li 2
∑
i =1 Li
dan: ˆ
aIDR = 2 ; (5.10)
MHD
bi L i 1
∑
i =1 Li
Contoh 5.8
Lihat kembali data pada Contoh 5.6.
Gabungan
Penyakit
Pajanan Jumlah
D D
E 205 102 307
E 97 196 293
Jumlah 302 298 600
78
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Jumlah Pajanan Jumlah
D D D D
E 195 32 227 E 10 70 80
E 80 24 104 E 17 172 189
Jumlah 275 56 331 Jumlah 27 242 269
Contoh 5.9
Lihat kembali data pada Contoh 5.7.
Gabungan
Penyakit
Pajanan
I PT
E 94 2500
E 146 3900
Jumlah 240 6400
79
Stratum 1 Stratum 2
Penyakit Penyakit
Pajanan Pajanan
I PT I PT
E 21 1600 E 77 900
E 14 1700 E 128 2200
Jumlah 35 3300 Jumlah 205 3100
( 21)(1700 ) + ( 77 )( 2200 )
= 3300 3100 ≈ 1.490
( )(
14 1600 ) + ( )( 900 )
128
3300 3100
Interval konfidensi 95% untuk estimasi rasio rate dengan metode
berbasiskan-uji adalah:
1± Z χMHD
1± 1.96 9.079
ˆ α 2
aIDRMHD = 1.490
80
LATIHAN 5
Dimiliki paparan umum hasil studi kohort dalam bentuk tabel 2×2
berikut:
D D
E a b n1
E c d n2
m1 m2 n
1. Dari studi dengan paparan data seperti tabel 2×2 di atas, dengan uji khi-
kuadrat diperoleh nilai p = 0.0001. Kesimpulannya yaitu:
A. Ada asosiasi antara pajanan E dengan penyakit D.
B. Ada asosiasi positif antara pajanan E dengan penyakit D.
C. Ada hubungan kausal antara pajanan E dengan penyakit D.
D. Pajanan E merupakan faktor risiko bagi penyakit D.
D D
E 17 9
E 33 51
82
9. Dengan metode pendekatan berbasiskan deret Taylor, interval
konfidensi 95% rasio odds adalah:
A. [0.863 ; 2.600] C. [1.229 ; 6.934]
B. [0.827 ; 3.646] D. [1.165 ; 7.318]
83
14. Pada uji hipotesis H 0 : OR = 1 dengan jawaban soal No. 13 sebagai
statistik penguji, kesimpulannya adalah:
A. H 0 tidak ditolak pada tingkat signifikansi α = 0.01.
B. H 0 ditolak pada tingkat signifikansi α = 0.05.
C. A) dan B) benar.
D. A) dan B) salah.
84
BAB 6
STUDI MATCHING
85
Analisis Data Matching
ˆ f
ORmatch = g (6.1)
86
2
2
χuji =
(f − g)
(6.2)
f +g
1 1
ÔR exp ± Zα 2 + (6.3)
f g
1± Zα 2 χuji
ˆ
OR
(6.4)
Contoh 6.1
87
Estimasi rasio odds adalah:
ˆ f
ORmatch = g
17
= ≈ 1.417
12
1 1
ÔR exp ± Zα 2 +
f g
1 1
atau: 1.417 exp ±1.96 +
17 12
yaitu [0.175 ; 2.966]
1±1.96 0.862
atau: 1.417
88
Contoh 6.2
. list
+----------------------+
| case control pop |
|----------------------|
1. | 1 1 8 |
2. | 1 0 8 |
3. | 0 1 3 |
4. | 0 0 8 |
+----------------------+
| Controls |
Cases | Exposed Unexposed | Total
--------------+------------------------+---------
Exposed | 8 8 | 16
Unexposed | 3 8 | 11
--------------+------------------------+---------
Total | 11 16 | 27
89
Dengan uji McNemar diperoleh statistik penguji χ 2 = 2.27 dengan
derajat bebas 1 (p = 0.1317), sehingga hipotesis H 0 : ORmatch = 1 tidak
ditolak. Karena ada sel dengan nilai harapan kurang daripada 5, uji hipotesis
sebaiknya dilakukan uji eksak yang menghasilkan nilai p = 0.2266 dengan
kesimpulan sama, yaitu hipotesis H 0 : ORmatch = 1 tidak ditolak.
Contoh 6.3
Lihat kembali data pada Contoh 6.1:
| Controls |
Cases | Exposed Unexposed | Total
--------------+-----------------------+---------
Exposed | 18 17 | 35
Unexposed | 12 9 | 21
--------------+-----------------------+---------
Total | 30 26 | 56
McNemar's chi2(1) = 0.86 Prob > chi2 = 0.3532
Exact McNemar significance probability = 0.4583
90
Proportion with factor
Cases .625
Controls .5357143 [95% Conf. Interval]
--------- --------------------
difference .0892857 -.1155924 .2941638
ratio 1.166667 .8423368 1.615875
rel. diff. .1923077 -.1725275 .5571429
Triplet-Matching
Lay-out data untuk studi kasus-kontrol dengan triplet-matching (1
kasus dipadankan dengan 2 kontrol adalah sebagai berikut:
Kasus Kontrol ( C )
Jumlah
(C ) E2 E1 E0
triplet
E f2 f1 f0 a
E g2 g1 g0 b
Jumlah
c2 c1 c0 n
triplet
91
f2 : Jumlah triplet dengan kasus dan 2 kontrol terpajan
ˆ 2 f 0 + f1
ORmatch = 2 g + g (6.5)
2 1
92
Untuk estimasi interval dengan metode berbasiskan uji hipotesis,
interval konfidensi (100 – α)% untuk rasio odds adalah:
1± Zα 2 χuji
ˆ
OR
(6.7)
Contoh 6.4
Kasus Kontrol ( C )
Jumlah
(C ) E2 E1 E0
triplet
E 2 7 16 25
E 5 12 12 29
Jumlah
7 19 28 54
triplet
ˆ 2 f 0 + f1
ORmatch =
2 g 2 + g1
2 (16 ) + 7
= ≈ 1.773
2 ( 5 ) + 12
93
Statistik penguji untuk uji hipotesis H 0 : ORmatch = 1 adalah:
2
2 ( f 0 − g 2 ) + ( f1 − g1 )
2
χuji =
2 ( f 0 + g 2 ) + 2 ( f1 + g1 )
2
2 (16 − 5 ) + (7 − 12)
= ≈ 3.6125
2 (16 + 5 ) + 2 ( 7 + 12 )
yang berdistribusi khi-kuadrat dengan derajat bebas satu. Daerah kritis untuk
distribusi khi-kuadrat dengan derajat bebas 1 dan α = 0.05 adalah 3.84,
sehingga hipotesis H 0 : ORmatch = 1 tidak ditolak pada α = 0.05, berarti
tidak ditemukan hubungan yang bermakna secara statistik antara pajanan E
dengan penyakit C (p > 0.05).
1±1.96 3.6125
atau: 1.773
94
LATIHAN 6
Kasus Kontrol ( C )
(C )
E E
E 18 17
E 12 9
95
5. Berdasarkan hasil perhitungan soal No. 4, kesimpulannya adalah:
A. H 0 ditolak pada tingkat signifikansi α = 0.05.
B. H 0 tidak ditolak pada tingkat signifikansi α = 0.10.
C. A) dan B) benar.
D. A) dan B) salah.
Kasus Kontrol ( C )
(C ) E2 E1 E0
E 3 6 8
E 1 4 38
96
10. Jumlah subjek kontrol yang terpajan adalah:
A. 4 C. 18
B. 14 D. 43
97
BAB 7
MEDIASI, INTERAKSI, DAN
MODERASI
Mediasi
Mediasi adalah keadaan jika efek kausal variabel independen X
terhadap variabel dependen Y “dijelaskan” mediator Me, dengan mediator
Me disebabkan oleh variabel independen X dan mediator Me menyebabkan
variabel dependen Y (gambar 7.1). Mediasi dapat berupa mediasi parsial
(partial mediation) dan mediasi penuh (complete mediation). Pada mediasi
parsial masih terdapat efek langsung variabel independen X terhadap variabel
dependen Y, sedangkan pada mediasi penuh efek variabel independen X
terhadap variabel dependen Y sepenuhnya terjadi melalui mediator Me.
99
Gambar 7.2 Efek Mediasi
Kiri: Model 1; kanan: Model 2
α *β
Z uji = (7.1)
α 2σ β2 + β 2σ α2
Contoh 7.1:
Dimiliki data 200 orang siswa dengan nilai-nilai ujian science, read,
dan math.
100
Dalam contoh ini science adalah variabel dependen, math adalah
variabel independen, dan read adalah variabel moderator.
--------------------------------------------------------------
science | Coef. Std. Err. t P>|t| [95% Conf. Interval]
--------+-----------------------------------------------------
math | .66658 .0582822 11.44 0.000 .5516466 .7815135
_cons | 16.75789 3.116229 5.38 0.000 10.61264 22.90315
--------------------------------------------------------------
101
. regress read math
------------------------------------------------------------
read | Coef. Std. Err. t P>|t| [95% Conf. Interval]
------+-----------------------------------------------------
math | .724807 .0582745 12.44 0.000 .6098887 .8397253
_cons | 14.07254 3.115819 4.52 0.000 7.928087 20.21699
------------------------------------------------------------
------------------------------------------------------------
science | Coef. Std. Err. t P>|t| [95% Conf. Interval]
--------+---------------------------------------------------
read | .6085207 .0532864 11.42 0.000 .503439 .7136024
_cons | 20.06696 2.836003 7.08 0.000 14.47432 25.65961
------------------------------------------------------------
102
------------------------------------------------------------
science | Coef. Std. Err. t P>|t| [95% Conf. Interval]
--------+---------------------------------------------------
read | .3654205 .0663299 5.51 0.000 .2346128 .4962283
math | .4017207 .0725922 5.53 0.000 .2585632 .5448782
_cons | 11.6155 3.054262 3.80 0.000 5.592255 17.63875
------------------------------------------------------------
Diperoleh hasil:
Tampak bahwa:
1. Ada hubungan bermakna antara math → science (variabel
independen → variabel dependen; p = 0.000).
2. Ada hubungan bermakna antara math → read (variabel independen
→.moderator; p = 0.000).
3. Ada hubungan bermakna antara read → science (moderator →
variabel dependen; p = 0.000).
4. Nilai t = 11.44 (p = 0.000) pada relasi math → science tanpa
moderator menjadi t = 5.53 (p = 0.000) pada relasi dengan moderator.
α̂ = 0.725 βˆ = 0.365
0.725 *0.365
Z uji = = 5.037
( )( ) ( )(
0.7252 .0662 + 0.3652 0.0582 )
103
Dengan kesimpulan yang sama, bahwa mediator bermakna secara statistik.
Contoh 7.2:
Uji Sobel-Goodman dapat dilakukan pada Stata sebagai berikut:
--------------------------------------------------------------
science | Coef. Std. Err. t P>|t| [95% Conf. Interval]
--------+-----------------------------------------------------
math | .66658 .0582822 11.44 0.000 .5516466 .7815135
_cons | 16.75789 3.116229 5.38 0.000 10.61264 22.90315
--------------------------------------------------------------
104
------------------------------------------------------------
read | Coef. Std. Err. t P>|t| [95% Conf. Interval]
------+-----------------------------------------------------
math | .724807 .0582745 12.44 0.000 .6098887 .8397253
_cons | 14.07254 3.115819 4.52 0.000 7.928087 20.21699
------------------------------------------------------------
------------------------------------------------------------
science | Coef. Std. Err. t P>|t| [95% Conf. Interval]
--------+---------------------------------------------------
read | .3654205 .0663299 5.51 0.000 .2346128 .4962283
math | .4017207 .0725922 5.53 0.000 .2585632 .5448782
_cons | 11.6155 3.054262 3.80 0.000 5.592255 17.63875
------------------------------------------------------------
105
Ratio of indirect to direct effect: .65931219
Ratio of total to direct effect: 1.6593122
106
- Pengujian dengan uji statistik dan pembahasan substantif
- Moderator ditambahkan jika terbukti memodifikasi hubungan X-Y
Contoh 7.3:
Misalkan dimiliki data hipotetis dalam bentuk dataset berikut.
. desc
107
. list in 1/10
+------------------------------+
| inc educ male aliena~n |
|------------------------------|
1. | 65 17 0 9 |
2. | 75 14 0 3 |
3. | 50 16 0 4 |
4. | 125 12 0 6 |
5. | 10 8 0 2 |
|------------------------------|
6. | 75 14 0 3 |
7. | 50 16 0 4 |
8. | 50 16 0 4 |
9. | 65 17 0 9 |
10. | 75 14 0 3 |
+------------------------------+
-------------------------------------------------------------
inc | Coef. Std. Err. t P>|t| [95% Conf. Interval]
------+------------------------------------------------------
educ | 8.045694 1.008586 7.98 0.000 6.048243 10.04315
male | 19.04991 6.719787 2.83 0.005 5.741726 32.3581
_cons | -42.54411 14.2919 -2.98 0.004 -70.84847 -14.23975
-------------------------------------------------------------
108
yang “dijelaskan” oleh prediktor hanya 38.87%). Selanjutnya dicoba
memasukkan suku interaksi antara educ dengan male.
-------------------------------------------------------------
inc | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------+-----------------------------------------------------
educ | 3.602369 1.388076 2.60 0.011 .8531092 6.351628
male | -91.88539 26.27242 -3.50 0.001 -143.9212 -39.84954
|
male# |
c.educ|
1 | 8.196446 1.885263 4.35 0.000 4.462445 11.93045
|
_cons | 16.84834 19.07279 0.88 0.379 -20.92773 54.6244
-------------------------------------------------------------
109
LATIHAN 7
110
-------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
------+------------------------------------------------------
med | .2307162 .0131437 17.55 0.000 .2049238 .2565087
x | .1085939 .0271072 4.01 0.000 .0554002 .1617876
_cons | .4578553 .0189529 24.16 0.000 .4206632 .4950475
-------------------------------------------------------------
111
7. Kesimpulan dari ketiga tabel di atas yaitu:
A. Ada efek mediasi yang bermakna secara statistik.
B. Tidak ada efek mediasi yang bermakna secara statistik.
C. Belum dapat disimpulkan adanya efek mediasi yang bermakna
secara statistik.
D. Semuanya salah.
10. Aturan hierarki untuk interaksi menyatakan, bahwa jika suku interaksi
X*Z bermakna secara statistik, maka:
A. Suku X dan Z selalu harus dipertahankan dalam model.
B. Suku X dan Z dipertahankan dalam model hanya jika keduanya
bermakna secara statistik.
C. Suku X dan Z harus dikeluarkan dari model.
D. Semuanya salah.
112
BAB 8
ANALISIS REGRESI LOGISTIK
logit Y = β 0 + β 1 X (8.1)
Logit Yi adalah:
P (Y = 1)
= ln
1 − P ( Y = 1)
P (Yi = 1)
logit ( Y ) = ln (8.1.b)
P (Yi = 0 )
113
Jika X biner, maka X = {0, 1}, sehingga didapatkan:
= β 0 + β 1 . (1)
= β 0 + β1
= β 0 + β 1 . (0)
= β0
Odds (Y X = 1)
OR =
Odds (Y X = 0 )
exp ( β 0 + β 1 )
=
exp ( β 0 )
OR = exp ( β 1 ) (8.2)
atau: β 1 = ln OR (8.2.a)
Contoh 8.1
File lbw.dta memuat data tentang 189 kejadian berat badan lahir
rendah berikut data tentang ibu yang melahirkan. Contoh 8.1 ini memuat
analisis tentang hubungan hipertensi ibu pada ht dengan kejadian berat
badan lahir rendah lbw.
114
. tab low ht
| has history of
birthweigh | hypertension
t<2500g | 0 1 | Total
-----------+----------------------+----------
0 | 125 5 | 130
1 | 52 7 | 59
-----------+----------------------+----------
Total | 177 12 | 189
. logit low ht
115
------------------------------------------------------------
low | Coef. Std. Err. z P>|z| [95% Conf. Interval]
------+-----------------------------------------------------
ht | 1.213542 .6083485 1.99 0.046 .0212008 2.405883
_cons | -.87707 .1650175 -5.32 0.000 -1.200498 -.5536417
------------------------------------------------------------
dengan: b1 = ‒0.877
Contoh 8.2
Lihat kembali data pada Contoh 8.1. Dengan Stata, estimasi OR dapat
diperoleh secara langsung sebagai berikut:
. logistic low ht
---------------------------------------------------------------
low | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
------+--------------------------------------------------------
ht | 3.365384 2.047326 1.99 0.046 1.021427 11.08822
_cons | .416 .0686473 -5.32 0.000 .3010442 .5748526
---------------------------------------------------------------
116
Note: _cons estimates baseline odds.
Di sini berlaku:
β i = ln ORi (8.4.a)
Untuk tiap pasangan { X i ; Y}, ORi adalah rasio odds suaian yang
telah disesuaikan dengan (adjusted with) keberadaan X i lain, yaitu seluruh
kovariat dan konfaunder yang ada dalam model.
117
Contoh 8.3
+---------------------------------+
| low ht smoke ptl ui |
|---------------------------------|
1. | 0 0 nonsmoker 0 1 |
2. | 0 0 nonsmoker 0 0 |
3. | 0 0 smoker 0 0 |
4. | 0 0 smoker 0 1 |
5. | 0 0 smoker 0 1 |
|---------------------------------|
6. | 0 0 nonsmoker 0 0 |
7. | 0 0 nonsmoker 0 0 |
8. | 0 0 nonsmoker 0 0 |
9. | 0 0 smoker 0 0 |
10. | 0 0 smoker 0 0 |
+---------------------------------+
118
--------------------------------------------------------------
low | Coef. Std. Err. z P>|z| [95% Conf. Interval]
------+-------------------------------------------------------
ht | 1.416685 .6221121 2.28 0.023 .1973683 2.636003
smoke | .582175 .3365041 1.73 0.084 -.0773609 1.241711
ptl | .6069344 .3356105 1.81 0.071 -.0508502 1.264719
ui | .8838349 .4428932 2.00 0.046 .0157802 1.75189
_cons | -1.417498 .2463856 -5.75 0.000 -1.900405 -.9345911
--------------------------------------------------------------
Contoh 8.4
Lihat kembali data pada Contoh 8.3.
119
---------------------------------------------------------------
low | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
------+--------------------------------------------------------
ht | 4.123431 2.565236 2.28 0.023 1.218193 13.9573
smoke | 1.789927 .6023179 1.73 0.084 .9255558 3.461531
ptl | 1.834798 .6157775 1.81 0.071 .9504211 3.542097
ui | 2.420163 1.071874 2.00 0.046 1.015905 5.765486
_cons | .2423196 .059704 -5.75 0.000 .1495081 .3927464
---------------------------------------------------------------
Note: _cons estimates baseline odds.
Diperoleh:
- Rasio odds suaian low-ht:
OR1 = 4.123
120
LATIHAN 8
Dimiliki paparan hasil studi kohort dalam bentuk tabel 2×2 berikut:
D D
E a b n1
E c d n2
m1 m2 n
121
daripada itu), serta lama pendidikannya (educ) dalam tahun. Pada regresi
logistik sederhana incbinary terhadap educ diperoleh hasil berikut:
---------------------------------------------------------------
incbinary | Coef. Std. Err. z P>|z| [95% Conf. Interval]
----------+----------------------------------------------------
educ | .1702216 .0266265 6.39 0.000 .1180347 .2224086
_cons | -2.245047 .3645915 -6.16 0.000 -2.959633 -1.53046
---------------------------------------------------------------
122
Logistic regression Number of obs = 500
LR chi2(4) = 208.21
Prob > chi2 = 0.0000
Log likelihood = -242.4705 Pseudo R2 = 0.3004
---------------------------------------------------------------
incbinary | Coef. Std. Err. z P>|z| [95% Conf. Interval]
----------+----------------------------------------------------
educ | .2453949 .0404171 6.07 0.000 .1661789 .3246109
jobexp | .2329718 .0262065 8.89 0.000 .1816079 .2843356
black | -1.905818 .400966 -4.75 0.000 -2.691697 -1.119939
_cons | -6.159688 .7790823 -7.91 0.000 -7.686661 -4.632714
---------------------------------------------------------------
123
DAFTAR PUSTAKA
125
Lampiran
C C
E a b a+b
E c d c+d
a+c b+d n
1
Epidemilogi Kebidanan, Harlan J, Penerbit Gunadarma, 2008
127
Gambar II.1 Rancangan studi cross
cross-sectional
N : populasi target
C : kasus prevalen
C : non-kasus atau survivor
E : subjek terpajan
E : subjek tak-terpajan
128
Tabel II.2 Paparan umum hasil studi kohort
D D
E a b a+b
E c d c+d
a+c b+d n
Non-kasus
kasus diikuti untuk pendeteksian penyakit
atau kematian ( D )
129
Tabel II.3.. Paparan umum hasil studi kasus
kasus-kontrol
Kasus Non-kasus
E a b a+b
E c d c+d
a+c b+d n
Na : populasi kasus
Nb : populasi kontrol
130
Tabel II.4 Hasil studi kohort hubungan kegiatan fisik dengan kejadian
penyakit influenza
42
CIˆ1 = ≈ 0.44
96
72
CIˆ2 = ≈ 0.73
98
131
Tabel II.5 Hasil studi kasus-kontrol hubungan kadar kolesterol serum
dengan kejadian penyakit jantung koroner
ÔR =
( 53)(166 ) ≈ 1.76
(147 )( 34 )
Bronkhitis kronis
Kebiasaan merokok Jumlah
Ada Tidak ada
Ya 40 80 120
Tidak 60 320 380
Jumlah 100 400 500
132
Ukuran yang dapat dihitung dari rancangan studi cross-sectional ini
antara lain adalah prevalensi penyakit bronkitis kronis:
100
ˆ =
Prev = 0.20
500
ÔR =
( 40 )( 320 ) ≈ 2.67
( 60 )(80 )
133
Dari penulis yang sama: