VARIABEL DAN

HUBUNGAN ANTAR VARIABEL

Astria Deviyani Zakaria

1606861750

Nurul Qurrota ‘Ayun

1606949060
Pendahuluan

Variabel adalah karakteristik subjek penelitian

yang berubah dari satu subjek ke subjek lain.
Contoh : jenis kelamin, tinggi atau berat badan,
tekanan darah, kadar Hb.
Skala variabel
a. Skala kategorikal : skala nominal dan ordinal
b. Skala numerik : skala interval dan rasio
DIMENSI VARIABEL DALAM PENELITIAN

 Variabel bebas dan variabel tergantung

Variabel bebas adalah variabel yang apabila ia berubah akan
mengakibatkan perubahan pada variabel lain (sinonimnya
variabel independen, predictor, risiko, determinan, atau kausa)
Variabel yang berubah akibat dari variabel bebas ini disebut
variabel tergantung (sinonimnya variabel dependen, efek, hasil,
outcome, respons, atau event)
Contoh
 Pemberian obat A menyebabkan penurunan tekanan darah
 Perbedaan kadar kolesterol pada siswa lelaki dan
perempuan
 Jenis variabel tergantung kepada
konteks penelitian
 Faktor resiko terjadi hipertensi
Faktor genetik, konsumsi garam, merokok, kegemukan, kebiasaan
olahraga → tekanan darah
 Penyebab kematian pada manula
Hipertensi → kematian
 Pada contoh lain
Pada studi hubungan antara diabetes dan stroke, hipertensi menjadi variabel
perancu (confounder) karena berhubungan dgn diabetes dan stroke
*variabel bebas-tergantung tidak selalu merupakan hubungan sebab-akibat.
VARIABEL PERANCU

 Variabel perancu (confounding variable) adalah jenis

variabel yang berhubungan dengan variabel bebas dan
variabel tergantung, tetapi bukan merupakan variabel
antara. Keberadaan variabel perancu amat memengaruhi
validitas penelitian.
 Identifikasi variabel perancu amat penting karena apabila
tidak, ia dapat membawa kita pada simpulan yang salah,
misalnya'disimpulkan terdapat hubungan antar-variabel
padahal sebenarnya hubungan tersebut tidak ada, atau
sebaliknya disimpulkan tidak ada hubungan antar-variabel
padahal sebenarnya hubungan tersebut ada.
 Hub. antar Variabel
 Variabel perancu bukanlah variabel
yang diteliti, namun dapat
memengaruhi hasil penelitian
karena berhubungan dengan
variabel bebas dan variabel
tergantung, dan bukan merupakan
variabel antara.
 Variabel lain yang tidak diteliti, yang
hanya berhubungan dengan
variabel bebas saja (A) atau
variabel tergantung saja (D) atau
yang tidak berhubungan dengan
variabel bebas maupun tergantung
(B, C, E) disebut sebagai variabel
luar.
Contoh
 Hub. Kebiasaan minum kopi dgn insidens Penyakit
Jantung Koroner (PJK) pada lelaki dewasa.
 Kebiasaan merokok dapat menjadi variabel
perancu
A. Penelitian mencari hubungan antara variabel
bebas dan variabel tergantung; variabel perancu
berhubungan dengan variabel bebas dan dengan
variabel tergantung.
B. Variabel M yang berhubungan dengan variabel
bebas maupun tergantung namun merupakan
variabel antara, sehingga bukan merupakan perancu;
ia tidak memengaruhi hubungan antara variabel
bebas dan tergantung.
C. Variabel V yg berhubungan dengan variabel
tergantung tetapi tidak dengan variabel bebas, atau
berhubungan dengan vlriabel bebas namun tidak
dengan variabel tergantung bukan merupakan
perancu.
 Kebiasaan minum kopi berhubungan dengan kebiasaan merokok; lelaki perokok
lebih sering minum kopi daripada lelaki bukan perokok
 Kebiasaan merokok diketahui berhubungan dengan PJK
 Jadi kebiasaan merokok memenuhi syarat sebagai perancu, karena ia mempunyai
hubungan dengan kebiasaan minum kopi (variabel bebas) dan berhubungan
dengan insidens PJK (variabel tergantung).
 Bila kebiasaaan merokok ini tidak diidentifikasi, maka mungkin akan ditemukan
hubungan positif antara kebiasaan minum kopi dengan kejadian PJK(, misalnya akan
diperoleh data bahwa subyek yang gemar minum kopi akan lebih banyak yang
menderita PJK dibanding dengan subyek yang tidak gemar minum kopi. Hal ini
mungkin benar, mungkin juga tidak.
 Dapat saja yg sebenarnya terjadi adalah sama sekali tidak terdapat hubungan
antara kebiasaan minum kopi dengan kejadian PJK, namun ada hubungan antara
kebiasaan merokok dengan PJK; perokok banyak yang minum kopi, jadi seolah
kebiasaan minum kopi berhubungan dengan kejadian PJK.
Kasus lain
 Suatu penelitian berupaya mencari hubungan antara
kebiasaan makan permen dengan kejadian karies
dentis. Bila anak pemakan permen lebih rajin
menggosok gigi daripada anak jarang makan permen/
mungkin data yang terkumpul tidak memperlihatkan
hubungan antara kebiasaan makan permen dengan
karies dentis, padahal hubungan tersebut sebenarnya
ada.
 Dalam hal ini rajin menggosok gigi adalah merupakan
variabel perancu yang berhubungan negatif dengan
kejadian karies dentis, yang 'menyembunyikan‘
hubungan antara makan permen dengan karies dentis.
 Hubungan antara kebiasaan makan permen (variabel
bebas) dengan kejadian karies dentis (variabel
tergantung) dapat 'tersembunyi' apablla anak yang
gemar makan permen lebih rajin menggosok gigi
daripada anak yang tidak gemar makan permen.
 Rajin menggosok gigi merupakan perancu karena
berhubungan (positif) dengan kegemaran makan
permen dan juga berhubungan (negatif) dengan
kejadian karies dentis.
 Confounding by Indication
 Terdapat satu jenis faktor perancu yang harus amat diperhatikan bila kita
melakukan analisis retrospektif terhadap hasil terapi.
 Misalnya akan dianalisis faktor risiko terjadinya kematian pada pasien dengue
shock syndrome (DSS). Selama tahun 2001 dirawat 100 pasien DSS; untuk
mengatasi renjatan (syok), pada 60 pasien diberikan larutan Ringer laktat (RL)
saja, sedangkan pada4} pasien diberikan RL dan plasma. Ingin dilihat
pengaruh pemberian plasma terhadap prognosis DSS.
 Dari 40 pasien yang mendapat Rl+plasma, ternyata 20 (50%) pasien meninggal
sedangkan di antara 60 pasien yang hanya memperoleh plasma hanya 6
(10%) yang meninggal. Tabel 2 x 2 disusun untuk menghitung uji x2.
 Uji x'menunjukkan hubungan yang bermakna antara pemberian plasma
dengan prognosis D55, yakni pasien yang diberikan plasma secara bermakna
lebih banyak( yang meninggal daripada pasien yang tidak diberikan plasma.
Simpulan ini tidak sahih oleh karena tidak memperhitungkan bahwa indikasi
pemberian plasma berkaitan dengan derajat penyakit; pasien yang lebih
berat (renjatan berulang atau renjatan lama, renjatan dengan pendarahan
hebat) lebih sering diberi plasma daripada pasien yang penyakitnya lebih
ringan.
Confounding by indication. Skema memperlihatkan
hubungan antara variabel bebas (yakni pemberian
plasma) dengan variabel tergantung (kesembuhan).

Hubungan tersebut dirancukan oleh indikasi pemberian

plasma (penyakit yang berat), yang selain berhubungan
dengan pemberian plasma juga berhubungan dengan
prognosis. Fenomena ini dapat terjadi pada anilisis
retrospektif hasil pengobatan.
 Cara mengontrol perancu
 Mengidentifikasi setiap variabel perancu
dengan studi literatur komprehensif selain faktor pengalaman dan logika. Di sini berperan
penyusunan kerangka konsep penelitian dengan mengidentifikasi semua variabel baik
yang diteliti maupun yang tidak, menggolongkannya, kemudian membuat diagram
hubungan antar-variabel dalam diagram yang jelas.
 Menyingkirkan perancu
a. Desain penelitian (restriksi, matching, randomisasi)
b. Analisis hasil penelitian (stratifikasi atau metode analisis multivariat)
 Menyingkirkan perancu dalam desain dipandang lebih baik dan lebih kuat daripada
menyingkirkannya dalam analisis. Dalam analisis multivariat tidak jarang dipakai
pelbagai asumsi (misalnya asumsi distribusi normal) yang tidak selalu dapat dipenuhi
oleh data yang dianalisis.
A. Menyingkirkan perancu dalam desain
1. RESTRIKSI
 menyingkirkan variabel perancu dari setiap subyek penelitian. Misalnya, pada
penelitian observasional tentang hubungan antara kebiasaan minum kopi
dengan kejadian PJK, karena kebiasaan merokok merupakan variabel
perancu, maka subyek yang dipilih baik pada kelompok peminum kopi atau
kelompok kontrol) adalah mereka yang bukan perokok. Jadi kebiasaan
merokok merupakan salah satu kriteria eksklusi baik untuk kelompok yang diteliti
maupun kelompok kontrol. Teoritis cara ini sangat efektil karena pengaruh
kebiasaan merokok praktis dapat dinafikan dari hasil penelitian, sehingga bila
didapatkan asosiasi antara kebiasaan minum kopi dengan penyakit jantung
koroner, hubungan ini bebas dari peran kebiasaan merokok.
 Namun cara ini mempunyai kelemahan:
- sulit memperoleh subyek penelitian, karena dalam dunia nyata seringkali
peminum kopi adalah juga perokok
- generalisasi hasil penelitian menjadi terbatas, oleh karena dalam alam nyata
banyak peminum kopi yang juga perokok
2. Matching

 proses menyamakan variabel perancu pada kedua kelompok.

 Pada frequency matching pemilihan subyek dan kontrol dibatasi
oleh faktor yang diduga merupakan perancu yang nyata. Pada
studi tentang pengaruh pil KB terhadap agregasi trombosit,
pemilihan subyek dapat dibatasi kelompok umur, status reproduksi,
dan jumlah anak. Namun cara ini masih terlalu longgar, sehingga
tidak cukup untuk menyingkirkan perancu.
 Individual matching. Misalnya, bila subyek dalam kelompok yang
diteliti (peminum kopi) adalah perokok, maka untuk kontrol dicari
pasangan subyek yang tidak minum kopi tetapi perokok; demikian
pula bila subyek bukan perokok, dicari pasangannya yang bukan
perokok.
 Kelebihan individual matching sama dengan restriksi, oleh karena
variabel perancu pada kedua kelompok telah disamakan
sehingga tidak berperan dalam hasil.
 kelemahannya juga besar, oleh karena bila perancunya banyak,
konsekuensinya harus dilakukan matching terhadap banyak
variabel, sehingga menjadi sulit mencari kontrolnya. Kekurangan
lainnya adalah kemungkinan terjadi over - matching, yakni
matching terhadap variabel yang sebenarnya bukan merupakan
perancu, sehingga di samping sulit mencari subyek dan kontrol,
juga menyebabkan distorsi hasil penelitian. Di lain sisi mungkin saja
terdapat perancu yang cukup kuat namun tidak diketahui; dalam
hal ini maka dengan sendirinya peran perancu tidak terdeteksi.
 Pemilihan variabel untuk matching (matching variables)
bergantung pada jenis penelitian. Pada umumnya sebagai
matching variables ditentukan beberapa variabel yang berperan
penting dalam prognosis (biasanya 2 atau 3 variabel, karena makin
banyak matching variable makin sulit pula memperoleh subyek).
3. Randomisasi
 Dengan randomisasi maka variabel perancu terbagi seimbang di
antara 2 kelompok. Kelebihan lain adalah variabel perancu yang
terbagi rata tersebut meliputi baik variabel perancu yang pada
saat penelitian sudah diketahui maupun yang belum diketahui.
 Contoh
Dalam uji klinis untuk menilai manfaat obat tradisional tertentu dalam
menurunkan kadar kolesterol total dilakukan randomisasi; sebagian
subyek diberikan obat tradisional, sebagian diberikan plasebo.
Dengan randomisasi maka semua karakteristik subyek terbagi rata
pada kelompok yang diteliti dan kelompok kontrol. Jika kebiasaan
makan mentimun di kemudian hari temyata mempunyai hubungan
dengan kebiasaan minum obat tradisional dan juga dengan kadar
koiesterol (perancu), maka hal tersebut tidak akan memengaruhi hasil
penelitian oleh karena dengan randomisasi ia sudah terbagi
seimbang pada kedua kelompok.
 Demikian pula bila setelah randomisasi terjadi pajanan
terhadap variabel lain, asalkan pajanan tersebut mungkin
terjadi pada kedua kelompok by. chance (atas dasar
peluang), maka tidak akan banyak berpengaruh. Misalnya
pada uji klinis untuk terapi sepsis pada neonatus, setelah
randomisasi mungkin terjadi penyulit diare, atau meningitis.
Bila komplikasi itu dapat terjadi pada kedua kelompok, maka
ia tidak berpengaruh terhadap hasil. Agar randomisasi dapat
membagi seimbang semua variabel pada kelompok,
diperlukan syarat:
 1 Prosedur randomisasi dilakukan dengan benar
 2 Jumlah subyek cukup besar, misal lebih dari 100 per
kelompok
B. Menyingkirkan faktor perancu dalam analisis

 Perancu dalam keadaan tertentu tidak dapat disingkirkan.

 Bila perancu lebih dari 3 variabel atau lebih maka hasil penelitian akan
sulit digeneralisasi dalam praktik sehari-hari
 Sama halnya dengan prosedur matching, dengan satu atau dua
variabel matching masih mampu laksana, namun bila lebih maka sulit
untuk mencari subyek
 Dalam keadaan tersebut, tersedia teknik statistika yang dapat
menyingkirkan berbagai faktor perancu :
1. Stratifikasi
2. Analisis multivariat
Teknik statistika dalam menyingkirkan perancu
Stratifikasi
• Digunakan untuk meniadakan 1
perancu
• Teknik yang lazim yaitu Mantel-
Haenszel, untuk studi cross
sectional, case control, kohort
atau uji klinis
Analisis Multivariat
• Teknik statistika untuk set data
variabel multipel atau variabel
bebas lebih dari sati
• Teknik yang sering dipakai yaitu
teknik analisis regresi multipel
dan model regresi logistik
• Dapat diketahui asosiasi antar-
variabel dengan menyingkirkan
variabel lain (variabel lain
dibuat sama atau tetap)
termasuk variabel perancu
Contoh Stratifikasi pada studi case-control

 Mula-mula semua subyek digabungkan,

dan dihitung rasio odds (RO)-nya
 Lakukan stratifikasi berdasarkan perancu
(kebiasaan merokok), tiap strata dihitung
RO-nya
 Lanjutkan analisis Mantel-Haenszel,
sehingga diperoleh nilai RO kebiasaan
minum kopi terhadap terjadinya penyakit
koroner yang bebas dari faktor perancu
(kebiasaan merokok)
 Contoh Stratifikasi pada studi cohort

 Variabel perancu : jenis kelamin

 Anak perempuan lebih sedikit yang gemar
mandi di kali, namun lebih sering menderita
bakteriuria dibandingkan anak lelaki
 Diamati pada 630 anak lelaki dan
perempuam, subyek yaitu yang tidak
mengalami bakteriuria selama 1 tahun
penuh
 Resiko relatif (RR) tanpa mempertimbangkan
kelamin = 1,85; RR berdasarkan jenis kelami
hampir sama; RR setelah dibebaskan
perancu (Mantel-Haenszel) = 0,95
Contoh Regresi Multipel

 Variabel tergantung dan variabel bebas berskala numerik

 Ingin diteliti faktor-faktor yang mempengaruhi berat lahir bayi
 Faktor : usia ibu, paritas, lama pendidikan ibu, berat ibu sebeum hamil

• Dari persamaan dapat dilihat pengaruh

perubahan nilai satu variabel prediktor
• Misal x1 terhadap perubahan nilai Y bila
nilai variabel lain dalam persamaan
tidak berubah
• Peran masing-masin variabel secara
mandiri (independen) dalam terjadinya
outcome atau efek dapat diketahui,
sehingga faktor perancu dapat
disingkirkan
Contoh regresi logistik

 Variabel bebas berskala numerik dan kategorikal, variabel tergantung berskala

nominal (biasanya dikotom atau lebih dari 2 nilai)
 Misal pada uji klinik dengan jumlah subyek 100 pasien, alokasi random ternyata
memberikan hasil 2 kelompok yang amat tidak seimbangdalam beberapa
prognostik penting
 Analisis yang direncanakan semula yaitu uji x2 untuk 2 kelompok independen
menjadi tidak sahih, karena sebelum perlakuan kedua kelompok tidak
sebanding, maka diperlukan teknik analisis lain
 Bila efek yang dinilai adalah nominal (misalnya sembuh atau tidak) dan variabel
bebasnya berskala kategorikal (jenis kelamin, status gizi) dan numerik (umur,
berat badan, tekanan darah) maka analisis regresi logistik yang paling cocok
Contoh regresi logistik cont’d

 Pada akhir analisis, dari program komputer akan diperoleh persamaan regresi
logistik berikut :
 Analisis Multivariat
Kelebihan
• Dapat melihat peran masing-
masing variabel bebas, termasuk
variabel perancu, terhadap
kejadian efek
• Teknik yang kuat dalam
menyingkirkan berbagai variabel
perancu sekaligus
Kekurangan
• Interpretasi sering sulit dipahami,
tampa tidak natural
• Sulit digeneralisasi dalam keadaan
nyata
• Hasil sangat dipengaruhi oleh
pemilihan variabel yang
dimasukkan ke dalam persamaan
• Membutuhkan jumlah subyek yang
besar, terutama apabila jumlah
variabel independennya banyak
• Seringkali terlalu banyak asumsi
 PENGUBAH EFEK (EFFECT MODIFIER)

 Disebut juga : interaksi

 Modifikasi efek terjadi bila derajat hubungan
antar variabel ditentukan oleh variabel
ketiga (diebut effect modifier)
 Misal efek indometasin untuk menutup duktus
arteriosus persisten (DAP) sangat baik pada
bayi prematur, namun tidak baik pada bayi
cukup bulan
 Maka asosiasi antara indometasi dengan
DAP dimodifikasi oleh masa gestasi → effect
modifier
 Effect modifier tidak perlu dihilangkan namun
perlu dielaborasi atau diperjelas maknanya
 Analisis Hubungan Antara Variabel

 Bila menemukan hubungan antara dua variabel atau lebih dalam suatu
penelitian, terdapat beberapa kemungkinan yang harus dipikirkan :
1. Hubungan tersebut semata-mata akibat faktor peluang akibat
pemilihan subyek penelitian ataupun akibat pengukuran (variabilitas
subyek, pemeriksa atau pemeriksaan)
2. Hubungan tersebut disebabkan oleh bias (bias inklusi, bias
pengukuran, bias perancu)
3. Hubungan sebab-akibat

 perancu sebenarnya termasuk bias, namun karena perannya yang khas

maka dianggap sebagai sesuatu yang terpisah
 Peluang

 Faktor peluang selalu dapat terjadi, sehingga harus diperhatikan

dan dianalisis
 Bila sampel representatif terhadap populasinya, besar peluang
dapat dihitung dengan berbagai teknik statistika → nilai p
 Bila kedua kelompok tidak berbeda <5% (p < 0,05) dianggap
diterima
 Besar peluang dapat dihitung juga dengan interval kepercayaan
 Bias
 Bias inklusi terjadi apabila subyek tidak representatif untuk populasi yang diwakili
 Misal : pemilihan pasien yang berobat ke RS rujukan pada umumnya tidak mewakili
keadaan dalam masyarakat
 Cara pemilihan sampel sangat menentukan apakah sampel tersebut dianggap
mewakili, sedapat mungkin sampel dipilih berdasarkan peluang (probability sampling)

 Bias pengukuran merujuk pada kesalahan sistematik akibat proses pengukuran

 Harus menghindarkan sumber bias pengukuran : bias pemeriksa, bias subyek, bias alat
ukur serta cara pengukurannya, kriteria penetapan outcome atau efek
 Hubungan Sebab-Akibat
 Bila faktor peluang, bias dan perancu dianggap bukan masalah, maka dapat
disimpulkan bahwa hubungan variabel bebas – tergantung adalah hubungan
sebab – akibat.
 Sebab : tidak selalu satu-satunya faktor yang dapat menimbulkan efek
1. Sufficient cause : penyebab sudah pasti
2. Necessary cause : bukan penyebab pasti
 Dalam diagnosis hubungan penyebab,pengembangan dari postulat Koch oleh
Sir Bradford Hill perlu diperhatikan dan ditelaah hal berikut:
1. Hubungan waktu (temporal relationship)
2. Kuatnya asosiasi
3. Hubungan yang bergantung dosis (dose dependent)
4. Konsistensi
5. Koherensi
6. Biological plausability
7. Kesamaan dengan hasil penelitian lain
1. Hubungan waktu (temporal relationship)

 Bila telah diyakini bahwa sebab (variabel independen) mendahului akibat (variabel
dependen)
 Variabel bebas (resiko, penyebab, prediktor) harus mendahului variabel tergantung
(efek, penyakit, event, outcome)
 Dapat dipenuhi oleh desain uji klinis, kohort dan studi kasus kontrol, dengan urutan
kekuatan yang menurun
 Pada studi cross sectional, hubungan waktu tidak tergambar dalam desain, namun
dapat disimpulkan dengan teori atau logika
 Bila variabel tergantung merupakan variabel atribut yang konstan (misal jenis kelamin)
maka tidak menjadi masalah
2. Kuatnya asosiasi
 Bila terdapat bukti adanya hubungan yang kuat antara dua variabel
 Bila menggunakan statistik, nilai p kecil (atau interval kepercayaan sempit) lebih kuat
dari nilai p yang besar (atau interval kepercayaan yang lebar)
 Bila yang dihitung adalah rasio, misalnya resiko relatif, rasio odds, atau rasio prevalens,
maka nilai rasio yang menjauhi angka 1 menunjukkan hubungan yang lebih kuat
 Misal RR 11,2 lebih kuat dari RR 1,8 atau RO 0,2 lebih kuat dari RO 0,85

3. Hubungan yang bergantung dosis (dose dependent)

 Bila besarnya asosiasi berubah dengan berubahnya dosis atau faktor resiko
 Misal RO peminum kopi sedang terhadap teradinya penyakit jantung koroner 1,8,
sedangkan peminum kopi berat RO 3,0
 Tapi dengan konsep necessary cause maka bukan berarti yang tidak minum kopi sama
sekali tidak terbebad dari PJK, karena terdapat faktor lain
2. Konsistensi
 Bila hasil konsisten antara satu penelitian dengan penelitian lain, atau pada subyek di
satu penelitian
 Misal efek parasetamol dapat menurunkan demam pada manula, orang dewasa, anak-
anak maupun bayi

3. Koherensi
 Bila sesuai dengan gambaran umum distribusi faktor resiko serta efek pafa populasi
tertentu
 Misal konsumsi garam dengan hipertensi pada suatu penelitian akan disokong bila pada
populasi tertentu dengan konsumsi garam yang tinggi ditemukan prevalens hipertensi
yang lebih tinggi dibanding prevalens pada populasi umum, walaupun tidak tergambar
di penelitian, namun harus diperoleh dari studi pustaka
6. Biological plausability
 Bila hubungan antara variabel bebas dan tergantung dapat diterangkan dengan teori
yang ada
 Misal hubungan antara AIDS pada bayi dengan pekerjaan orang tua, maka harus
ditemukan teori yang dapat menerangkan hubungan tersebut

7. Kesamaan dengan hasil penelitian lain

 Bila hasil penelitian menyokong hal-hal yang ditemukan dalam penelitian lain, terutama
bila desain yang digunakan tidak sama
 Misal asosiasi antara minum kopi dengan PJK ditemukan pada studi cross-sectional, studi
kasus kontrol dan studi kohort
 Hal ini yang harus dikupas dalam pembahasan tiap laporan penelitin, yaitu apakah hasil
yang ditemukan sekarang menyokong atau menolak hasil penelitian yang pernah
dilaporkan sebelumnya, dengan ulasan yang memadai
Terimakasih