biostatistika

Råñdÿ Rïçhtër
 Catatan Koas | Riset dan Biostatistika

 Probability Sampling (berdasarkan peluang) :

1. Simple Random Sampling
2. Systematic Sampling
3. Stratified Sampling
4. Cluster Sampling
 Non-Probability Sampling (tidak berdasarkan peluang) :
1. Convenience Sampling
2. Voluntary Response Sampling
3. Purposive Sampling
4. Snowball Sampling
1. Simple Random Sampling
 Pengambilan sampel murni secara acak
 Contoh  Dalam 1 kelas terdapat 100 siswa akan diambil 20
siswa, maka siswa tersebut akan dipilih secara acak, baik dengan
diundi atau apapun caranya
2. Systematic Sampling
 Mempunyai suatu sistem untuk mengambil sampelnya
 Contoh  Dalam 1 kelas terdapat 100 siswa akan diambil 20
siswa, maka siswa tersebut akan dipilih berdasarkan nomor
absen ganjil/genap atau absen dengan kelipatan 3
3. Stratified Sampling
 Sistemnya diambil perwakilan sebagai sampelnya
 Contoh  Akan dilakukan penelitian di SD A dibutuhkan 30
sampel, maka diambil 5 orang tiap kelas (kelas 1 – kelas 6)
sebagai perwakilan sampel
4. Cluster Sampling
 Mengambil sampel berupa klaster dari seluruh klaster yang ada
 Contoh  Akan dilakukan penelitian di SD A dibutuhkan 30
sampel, maka diambil 30 siswa kelas 6 saja (ambil penuh sampel
di kelas 6) atau kelas 5 dan 6 saja, tanpa diambil dari kelas lain
atau diwakilkan
1. Convenience Sampling
 Sampel yang dipilih siapa yang kebetulan ada atau yang dapat
diakses peneliti
 Contoh  Penelitian mengenai pendapat konsumen terhadap
produk-produk di supermarket X, maka sampelnya adalah 50
pembeli pertama yang berbelanja di supermarket X pada waktu
tertentu
2. Voluntary Response Sampling
 Sampel yang dipilih yaitu memilih langsung dan menghubungi
mereka atau orang-orang yang menjadi sukarelawan sendiri
 Contoh  Peneliti mengirimkan survey ke semua mahasiswa di
universitas A dan banyak mahasiswa memutuskan untuk
menyelesaikannya
3. Purposive Sampling
 Sampel yang diambil berdasarkan keputusan peneliti semata
untuk tujuan penelitian mereka
 Contoh  Peneliti ingin meneliti efek samping jangka panjang
pada pekerja buruh di pabrik Asbes, maka sampel yang diambil
harus memenuhi kriteria telah bekerja sebagai buruh di pabrik
asbes selama 10 tahun atau lebih (berdasarkan kriteria peneliti)
4. Snowball Sampling
 Sampel yang sulit diakses, maka satu subjek merekrut subjek
yang lain
 Contoh  Penelitian tentang perilaku PSK di Jakarta atau
penelitian jenis-jenis narkoba yang digunakan para pengguna di
Sulawesi Utara
 Bayi yang tinggal di desa

Validitas
eksternal

Bayi yang tinggal di desa Melati

Keterjangkauan

Diidentifikasi bayi di seluruh desa

Melati ada 200 bayi

Sampling bias
Dilakukan perhitungan jumlah
sampel dan dilakukan pengambilan
sampel bayi secara acak
Bias
pengukuran
Pengukuran status gizi pada bayi
yang menjadi subyek penelitian

Response rate
turun Terdapat 90% orang tua yang
mengizinkan bayi mereka untuk
diukur status gizinya
COHORT :
 Penelitian :
- Prospektif (contoh  diberi paparan kemudian di follow up 5 tahun
ke depan untuk menilai apakah ada risiko pada penyakit A,
biasanya data primer)
- Retrospektif (contoh  melihat paparan yang ada 5 tahun lalu
kemudian dinilai apakah ada risiko pada penyakit A, biasanya data
sekunder)
 Dinilai faktor risiko sekarang kemudian apakah ada penyakit atau tidak
di masa yang akan datang
 Uji diagnostik  parameter Relative Risk (RR)

A B

C D

Cara baca kesimpulan : 𝐴

Objek yang memiliki paparan berupa (X) 𝐴+𝐵
Relative Risk (RR) = 𝐶
memiliki risiko sebesar (RR) lebih besar
untuk menderita penyakit (Y) di kemudian 𝐶+𝐷
hari

RR 1.01 – 1.50  Weak

RR 1.51 – 3.00  Moderate
RR > 3.00  Strong
CASE CONTROL :
 Dinilai penyakit atau tidak ada penyakit sekarang, kemudian dinilai
apakah ada faktior risiko di masa lalu
 Uji diagnostik  parameter Odds Ratio (OR)

A B

C D

Cara baca kesimpulan : 𝐴𝐷

Objek yang memiliki penyakit (Y) memiliki risiko Odds Ratio (OR) =
sebesar (OR) lebih besar dalam paparan (X)
𝐵𝐶
pada riwayatnya dibandingkan orang sehat

OR > 1  Reinforcing factor (bahwa ada pengaruh tinggi paparan A terhadap

penyakit B)
OR = 1  Non significant (bahwa tidak ada pengaruh paparan A terhadap
penyakit B)
OR < 1  Protective factor (variabel tersebut adalah faktor protektif)

CROSS SECTIONAL :
 Dinilai faktor risiko dan adanya penyakit atau tidak
 Dilakukan di saat yang bersamaan (sekarang)
 Tidak menilai faktor risiko yang menyebabkan penyakit
 Menilai faktor risiko berhubungan dengan penyakit
 Uji diagnostik  parameter Relative Risk (RR)
 

Pajanan A

Komplikasi B (+) Komplikasi B (-)

Komplikasi B (+) Komplikasi B (-)

Sampel Penyakit B

Populasi

A B

C D

Cara baca kesimpulan : 𝐴

Objek yang memiliki paparan berupa (X) 𝐴+𝐵
Relative Risk (RR) = 𝐶
memiliki risiko sebesar (RR) lebih besar
untuk menderita penyakit (Y) di kemudian 𝐶+𝐷
hari

RR 1  variabel bebas yang

diteliti bukan faktor risiko
RR > 1  variabel bebas
merupakan faktor risiko
RR < 1  variabel tersebut
adalah faktor protektif
 Output yang diamati

Sampel No Yes

Sampel Kesimpulan

Populasi

Placebo No Yes

Sampling Blinding

 Case report  laporan kasus 1 pasien saat ini

 Case series  laporan kasus beberapa pasien

Case Report Case Report Case Report

Case Series
 Variabel bebas
 Variabel terikat
 Variabel X
 Variabel Y
 Biasa berupa sebab / faktor
 Biasa berupa akibat / hasil /
risiko / paparan
penyakit
 Nilai tetap hingga akhir
 Nilai berubah – ubah
penelitian

1. Nominal 1. Interval
 Level sederajat / bukan  Tidak punya nilai 0
peringkat alamiah/absolut (punya
 Contoh  golongan nilai minus), jarak antar
darah atau jenis kelamin 2 titik pada skala sudah
2. Ordinal diketahui
 Bertingkat / berperingkat  Contoh  suhu
 Contoh  tingkat 2. Rasio
kepuasan, kadar  Punya nilai 0
kolesterol alamiah/absolut (tidak
rendah/normal/tinggi punya nilai minus)
 Contoh  berat badan
atau usia

180/100 mmHg Hipertensi Urgensi Hipertensi

120/80 mmHg Normal Tidak Hipertensi

160/90 mmHg Hipertensi grade II Hipertensi

Rasio Ordinal Nominal

 (+) (-)

(+) A B

(-) C D

𝐴 𝐷
Sensitivitas = Spesifisitas =
𝐴+𝐶 𝐵+𝐷

Dari yang sakit, berapa Dari yang tidak sakit,

hasil yang positif berapa hasil yang negatif

𝐴 𝐷
PPV = NPV =
𝐴+𝐵 𝐶+𝐷

Dari yang positif, berapa Dari yang negatif, berapa

yang sebenarnya sakit yang sebenarnya tidak
sakit
 Jumlah orang dalam populasi yang Jumlah orang dalam populasi yang
menjadi sakit (baru) sakit (baru dan lama)

Error sistematik dalam desain

Terjadi apabila hasil yang teramati
penelitian, pengambilan data, atau
antara pajanan dari penyakit berbeda
analisis penelitian yang
dengan kenyataan karena adanya
mengakibatkan estimasi yang salah
pengaruh dari variabel ketiga
dari efek pajanan pada risiko penyakit
Kesimpulan yang dipengaruhi
Kesimpulan yang dipengaruhi bias
confounding dapat diperbaiki apabila
tidak dapat diperbaiki
confoundingnya diketahui
 Mencari yang paling
Membandingkan dua berpengaruh, menguji
Mengukur kekuatan
variabel, mencari impact dari satu atau
asosiasi antara dua
hubungan ada / tidak lebih variabel prediktor
variabel kuantitatif
ada perbedaan terhadap variabel hasil
secara lebih akurat
Terdiri dari : Terdiri dari : Terdiri dari :
 Kategorik –  Numerik +  Variabel bebas
numerik numerik  kategorik 
 Kategorik – Pearson Logistik
kategorik  Kategorik +  Variabel bebas
numerik  numerik 
Spearman Linear

Contoh Kasus

Apakah terdapat perbedaan antara kadar kolesterol (mg/dl)

antara penduduk di kota dengan di desa?

Jenis Uji Komparasi

Variabel Variabel bebas  desa / kota

Penelitian Variabel tergantung  kolesterol

Variabel bebas  desa / kota

nominal, 2 kelompok
Skala
Pengukuran Variabel tergantung  kolesterol
numerik

Jenis Desa VS Kota

Variabel Tidak Berpasangan

Berpasangan  sampel dari subjek yang sama namun mengalami

2 pengukuran berbeda / setelah proses pencocokan
Tidak Berpasangan  sampel dari subjek yang tidak sama
 2 kelompok :
Wilcoxon
Paired T-test

Berpasangan
>2 kelompok :
Repeated Friedman
ANOVA
Komparasi
Kategorik-
Numerik
2 kelompok :
Unpaired T- Mann-Whitney
test
Tidak
Berpasangan
>2 kelompok :
Oneway Kruskal Walis
ANOVA

Dalam menentukan distribusi

data, bisa menggunakan uji Jika distribusi tidak normal
normalitas (>0,05) : (normalitas < 0,05)
<50  Shapiro Wilk
>50  Kolmogorov-Smirnov

2 x 2  McNemar
>2 x 2  Cochran
Berpasangan 2 x >2  Wilcoxon
/ Marginal
Homogenity

Komparasi
Kategorik-
Kategorik

2 x 2  Fisher
Tidak 2x3
Chi Square Kolmogorov-
Berpasangan
Smirnov
 Korelasi
Numerik- Pearson Data kontinu + data
Numerik terdistribusi normal

Korelasi
Numerik-
Kategorik
Data kontinu + data tidak
Spearman
terdistribusi normal
Korelasi
Kategorik-
Kategorik

Menghitung hubungan
antara satu variabel
Digunakan pada saat
prediktor kontinu dan Mengukur hubungan
lebih dari satu jeni
satu variabel keluaran diantara variabel
prediktor atau untuk
kontinu dengan kategorik
memprediksi keluaran
penggambaran garis
lurus (fungsi linear)
Variabel tergantung  Variabel tergantung  Variabel tergantung 
numerik 1 variabel nominal numerik >1 variabel
Contoh  prediksi nilai Contoh  mengetahui Contoh  prediksi nilai
CRP dengan nilai kemungkinan terjadinya kreatinin klirens dari
hemoglobin pada pasien appendisitis dari data data berat badan, usia
appendisitis leukositosis, nyeri khas dan kreatinin serum
dan lain-lain dengan
skor Alvarado

Uji homogenitas (p > 0,05) Levene

 Lebih kuat
 Terdistribusi normal
 Varian homogen
 Data kontinu (interval / rasio)
 Tidak perlu mengikuti suatu
distribusi tertentu
 Terdistibusi tidak normal
 Digunakan apabila salah satu
parameter uji parametrik tidak
terpenuhi

Independent One Way Paired T-test Pearson

T-test ANOVA

Mann Kruskal Wilcoxon Spearman

Whitney Walis

Uji Parametrik

Uji Non Parametrik