Descriptive 2013

DISAIN STUDI EPIDEMIOLOGI
DESKRIPTIF
kris/studiepid/ppt 1
DISAIN PENELITIAN EPIDEMIOLOGI
Introduksi
Epidemiologi adalah ilmu yang mempelajari :
•Distribusi
•Frekwensi suatu penyakit/masalah kesehatan di populasi
•Diterminan
Disain penelitian Epidemiologi
Disain penelitian epidemiologi secara garis besar dapat dibagi menjadi

•Penelitian/studi epidemiologi deskriptif
•Penelitian/studi epidemiologi analitik
Disain Dasar pada Studi
Epidemiologi
 Epidemiologi Deskriptif
– Menjelaskan distribusi masalah kesehatan
terutama berdasarkan faktor orang,
tempat dan waktu
 Epidemiologi Analitik
– studi mengenai determinants dari
masalah kesehatan
Siklus Studi Epidemiologi:
1. Studi-Studi Epidemiologi --- data
4. Analisa Hasil 2. Hipotesa Formulasi

Menyarankan studi lanjutan
(deskriptif/anlitik)
3.Studi Analitik
Test Hipotesa
Perkembangan Alamiah pemikiran
Epidemiologi
Kecurigaan atas factor pemapar

(exposure) yang mempengaruhi
terjadinya penyakit. Dapat muncul
dari praktek klinik , penelitian
laboratorium, pengamatan pola
penyakit, studi korelasi, laporan
kasus (epidemiologi deskriptif)
Epidemiologi
Formulasi Hipotesis tertentu
Melakukan penelitian epidemiologi

untuk menguji hubungan antara
pemaparan (eksposure) dan penyakit
(epidemiologi analitik).
Dalam pengujian ini harus diperhatikan

factor peluang (chances), bias dan
confounding
Epidemiologi
Keputusan apakah hubungan yang

didapat merupakan hubungan
sebab akibat atau bukan. Untuk
menentukan hubungan sebab
akibat harus memperhatikan hasil
penelitian lainnya, kekuatan
hubungan, arah waktu (temporal
ambiguity)
Dasar Studi Epidemiologi
Penelitian Epidemiologi ditegakkan atas dasar
(dua) asumsi :
A Kejadian sakit tidak terjadi secara acak
B.Penelusuran sistematik dan cermat kelompok

penduduk yang berbeda dapat mengenal faktor-
faktor penyebab dan pencegahan terjadinya
penyakit.
Untuk mengerti lebih jauh Jenis studi

epidemiologi, sebaiknya ditetapkan dulu definisi8
kris/studiepid/ppt
dari epidemiologi sebagai dasar berfikir.

Termasuk disain studi epidemiologi deskriptif
adalah :
• disain studi laporan kasus (case-report)

• disain studi serial kasus (case-series)
• disain studi korelasi (correlation study)
• disain studi potong lintang (cross-sectional)
: Termasuk disain studi epidemiologi analitik adalah
• disain studi kohort (cohort study)

• disain studi kasus-kontrol (case-control study)
• disain studi intervensi (intervention study)
Studi deskriptif
A. Studi yang menggambarkan karakter umum
sebaran suatu penyakit, misalnya berhubungan
dengan:
(i) Orang (siapa)
(ii) Tempat (di mana)
(iii) Waktu (Bila mana)
B. Memberikan bukti untuk mengembangkan

hipotesis
C .Memberikan informasi untuk pelayanan kesehatan
dan administrator bagi pengalokasian sumber daya
dan perencanaan program pencegahan dan
pendidikan.
Tujuan Studi Deskriptif
 Untuk dapat menggambarkan distribusi penyakit
berdasarkan karakteristik populasi
 Untuk evaluasi trend masalah kesehatan dan
membandingkan antara daerah
 Untuk dapat memperhitungkan besarnya masalah
kesehatan sebagai basis perencanaan dan
evaluasi program
 Untuk identifikasi masalah kesehatan yg nantinya
dilanjutkan dengan penelitian analitik untuk uji
hipotesa
Studi Deskriptif
 Relatif murah dan cepat dibandingkan

dengan studi analitik
 Menjelaskan:
– Siapa yg mendapat sakit dan siapa yg
tidak
– Dimana masalah (rate) penyakit yg tinggi
– Apakah ada pola temporal
Case Report
 Case Report:
– Mempelajari kasus (satu pasien) secara
mendalam yg dilakukan oleh satu atau
beberapa dokter.
Laporan Kasus
 Adalah laporan tentang pengalaman menarik

dari seseorang (kasus) yang berisi detail
laporan atau profil dari patient (kasus)
 Contoh :
Laporan kasus pada tahun 1961 tentang
wanita berusia 40 tahun yang dalam
premenopause menderita emboli paru 5
minggu setelah menggunakan pil kontrasepsi
Penelitian Epidemiologi Deskriptif :
Studi Laporan Kasus (case report study)

• merupakan studi epidemiologi yang bersifat observasional
• unit pengamatan/analisisnya individual
• merupakan laporan kasus-kasus penyakit dengan diagnosis
yang diduga sama
• biasanya merupakan penyakit-penyakit baru, masalah kesehatan baru,
fenomena baru yang belum jelas
• menggambarkan riwayat penyakit, pengalaman klinis dari
masing-masing kasus
• laporan kasus-kasus kemudian dapat dianalisis secara sederhana yakni
dengan melihat
• distribusi/ frekwensi penyakit
• berdasarkan : gejala-gejala klinis “ Orang, Tempat, Waktu”
• tujuan :
• diperoleh informasi tentang distribusi frekwensi penyakit
/masalah kesehatan yang diteliti
• diperoleh informasi tentang kelompok yang berisiko tinggi
terhadap penyakit
• dapat dipakai untuk membangun/memformulasikan hipotesis baru
• kelemahan :
• gambaran distribusi, frekwensi penyakit yang diperoleh
tidak dapat mewakili populasi
• hanya berdasarkan kasus-kasus yang dilaporkan saja
• kelebihan :
• sebagai langkah awal untuk mempelajari suatu penyakit
• sebagai jembatan antara penelitian klinis dan penelitian epidemilogi
• dapat digunakan untuk sebagai dasar penelitian lebih lanjut :
• dengan melihat kelompok yang berisiko tinggi
• dengan membuktikan hipotesis yang dibangun
contoh dari suatu studi laporan kasus
• suatu penyakit yang belum jelas sebut penyakit X,

• 10 orang dengan gejala-gejala yang mirip satu sama lain :
• berdasarkan gejala dan pemeriksaan laboratoris

• Berat badan : 9 orang dengan gejala mengurus, 1 berat badan
tidak turun
• Diare : 6 diare, 4 tidak ada diare
• Demam : 8 demam dengan pnemonia, 4 tidak demam
• Bercak pada kulit : 7 orang mempunyai, 3 tidak ada bercak
• Pemeriksaan laboratoris : semua pasien angka limfosit
menurun drastis
• berdasarkan gambaran demografinya

• sex : 9 pria, 1 wanita
• umur : 8 dewasa muda, 2 tua
• pekerjaan : 6 pemusik, 4 pegawai
• kebiasaan mengkonsumsi “drugs” :
• menggunakan jarum suntik 8 orang, cara lain 2 orang
bukan pengguna
•perilaku berhubungan intim :

• sesama jenis 8 orang, lawan jenis 2 orang
• dari data diatas dapat dilihat bahwa :
• dari gejala dan pemeriksaan laboratoris penyakit X tersebut adalah :

• 90 % berat-badan menurun
• 60 % diare
• 80 % demam dengan pneumonia
• 70 % bercak pada kulit
• 100 % limfosit menurun drastis
• dari gambaran demografisnya
• 90% pria
• 80% dewasa muda
• 60% pemusik
• dari kebiasaan mengkonsumsi narkoba

• 80% pecandu narkoba
• dari perilaku seksual :

• 80 % homoseksual
• diperoleh gambaran distribusi, frekwensi penyakit berdasarkan :

• gejala dan tanda serta pemeriksaan laboratoris
• gambaran demografi
• kebiasaan mengkonsumsi narkoba
• perilaku seksual
• dari analisis sederhana diatas didapat informasi kelompok orang
yang berisiko antara lain :
• pria
• dewasa muda
• pemusik
• pecandu narkoba
• homoseksual
• dari informasi tadi dapat dibangun suatu hipotesis

• pria lebih berisiko untuk mendapat penyakit X dari pada wanita
• usia dewasa muda lebih berisiko untuk mendapat penyakit X
dari pada yang usia tua
• pemusik lebih berisiko untuk mendapat penyakit X dari pada
non pemusik
• pecandu narkoba lebih berisiko untuk mendapat penyakit X dari pada
bukan pecandu
• homoseksual lebih berisiko untuk mendapat penyakit X dari pada
bukan heteroseksual
Untuk mendapatkan informasi yang dapat
menggambarkan distribusi, frekwensi penyakit yang
mewakili populasi diperlukan penelitian epidemiologi
deskriptif lain, dimana sampel penelitian mewakili
populasi yang diteliti  disain studi epidemiologi yang
sesuai dipakai untuk itu adalah disain studi potong
lintang.
Untuk membuktikan hipotesis yang dibangun, dapat

dilakukan penelitian epidemiologi analitik lebih lanjut
antara lain dapat dengan :
• studi kohort
• studi kasus kontrol
• studi intervensi
Case Reports
• Careful and detailed report by one or
more clinicians of the profile of a single
patient
• Document unusual medical occurrences
• Can provide clues in identification of a

new disease or adverse effects of
exposures (i.e. a case report gave the
clue OC use increases the risk of venous
thromboembolism)
Case Reports
Limitations:
• No appropriate comparison group

• Cannot be used to test for presence
of a valid statistical association
• Since based on the experience of
one person:
--- presence of any risk factor
may be purely coincidental
--- not a true epidemiologic
design
Case Series
Case Series:
– tahap lanjut dari case report yg
menggambarkan bbrp pasien dengan
satu penyakit tertentu berdasarkan pada,
misal: umur, jenis kelamin, status
perkawinan, gambaran klinis, dll. Misal:
identifikasi kasus AIDS pada laki2
homosexual.
Laporan seri kasus
 Adalah laporan tentang pengalaman menarik dari
sekelompok orang (group) dengan diagnosis yang sama
yang berisi detail laporan atau profil dari patient (kasus).
Laporan ini juga bias berupa kumpulan laporan kasus
yang terjadi dalam waktu yang singkat.
 Contoh : Laporan kasus pada tahun 1980 tentang 5

pemuda homoseksual yang sebelumnya sehat yang
menderita pneumocystic cariniii di LA (USA)
 Kedua bentuk studi di atas berguna dalam pengenalan

atas penyakit baru dan penyusunan hipotesis
Studi Epidemiologi Serial Kasus
• merupakan studi epidemiologi yang bersifat observasional

• unit pengamatan/unit analisis adalah individu
• merupakan kumpulan kasus-kasus individual suatu penyakit dengan
diagnosis yang sama
• sama dengan studi laporan kasus tapi dengan kasus yang lebih banyak
• surveilens yang rutin dilakukan untuk suatu penyakit yang belum jelas
diagnosisnya ataupun sudah jelas diagnosisnya :
• merupakan kumpulan laporan kasus-kasus, atau serial kasus
• dapat digunakan untuk menditeksi munculnya penyakit baru
• dapat digunakan juga untuk menditeksi adanya epidemi
• kumpulan laporan kasus kemudian dianalisis secara sederhana yakni
dengan melihat
• distribusi/ frekwensi penyakit
• berdasarkan “ Orang, Tempat, Waktu”
•tujuan :
• diperoleh informasi tentang distribusi frekwensi penyakit
/masalah kesehatan yang diteliti
• diperoleh informasi tentang kelompok yang berisiko tinggi
terhadap penyakit
• dapat dipakai untuk membangun/memformulasikan hipotesis baru
•kelemahan :
• gambaran distribusi, frekwensi penyakit yang diperoleh
tidak dapat mewakili populasi
• hanya berdasarkan kasus-kasus yang dilaporkan saja
• kelebihan :
• sebagai langkah awal untuk mempelajari gambaran epidemiologi
suatu penyakit
• sebagai jembatan antara penelitian klinis dan penelitian epidemilogi
• dapat digunakan sebagai dasar untuk penelitian epidemiologi
lebih lanjut :
• dengan melihat kelompok yang diduga berisiko tinggi
• dengan membuktikan hipotesis yang dibangun
Latihan :
Kota X mempunyai 8 RS. Seorang dokter disalah satu RS melakukan penelitian terhadap kasus
kasus diabetes mellitus (DM), selama 1 tahun penelitiannya terkumpul data sebagai berikut :
No ID Sex Umur Suku Kadar Komplikasi Status

gula Keluar dr
Darah RS
gr/dl
1 Wanita 50 Jawa 300 Ada Meninggal
2 Wanita 45 Jawa 200 Ada Hidup
3 Pria 30 Sumatra 350 Ada Meninggal
5 Pria 40 Jawa 280 Ada Meninggal
7 Pria 40 Betawi 240 Tidak ada Hidup
8 Wanita 45 Betawi 300 Ada Hidup
9 Pria 30 Betawi 400 Ada Meninggal
10 Wanita 60 Betawi 200 Tidak ada Hidup
11 Pria 35 Jawa 150 Tidak ada Hidup
12 Wanita 45 Jawa 180 Tidak ada Hidup
14 Wanita 60 Jawa 200 Tidak ada Hidup
20 Wanita 45 Sumatra 280 Ada Hidup
21 Wanita 60 Sumatra 290 Ada Hidup
23 Wanita 45 Betawi 325 Ada Meningga
24 Pria 35 Betawi 200 Tidakada Hidup
25 Wanita 40 Betawi 240 Ada Hidup
26 Pria 40 Sumatra 210 Tidak ada Hidup
27 Pria 45 Sumatra 170 Tidak ada Hidup
29 Wanita 55 Betawi 340 Ada Meninggal
30 Wanita 60 Betawi 330 Ada Meninggal
33 Wanita 50 Betawi 260 Tidak ada Meninggal
36 Pria 35 Betawi 240 Ada Hidup
37 Pria 35 Betawi 275 Ada Hidup
Tugas :
• deskripsikan distribusikan/frekwensi penyakit DM berdasarkan :

• jenis kelamin
• umur
• ada tidaknya komplikasi
• kadar gula darah
• status pada saat pulang dari RS
• dapatkah gambaran distribusi/frekwensi diatas menggambarkan kondisi di populasi ?

apa alasannya ?
• Dari data diatas dapatkah saudara menentukan kelompok risiko tinggi untuk
penyakit DM ? bagaimana caranya
• dari data diatas dapatkah saudara memformulasikan hipotesis baru
• adakah hubungan antara komplikasi dengan kematian pada penderita DM

• jika ada hubungan antara kejadian komplikasi dengan kematian pada penderita
DM dapatkah hasil tersebut digeneralisasikan di populasi
• dapatkah saudara memformulasikan hipotesis baru dari analisis hubungan
tersebut
Case Series (individual data)
• Description of clinical/epidemiologic
characteristics of a number of
patients with a given disease
• Collection of individual case reports

occurring within a fairly short period
of time
Case Series
Strengths:
• Used as an early means to identify

the beginning or presence of an
epidemic
• Can suggest the emergence of a

new disease (i.e. AIDS)
Case Series
Limitations:
• Lack of an appropriate comparison

group
• Cannot be used to test for presence

of a valid statistical association
• Not a true epidemiologic design

Studi Ekologi
 Tujuan: mengkorelasikan karakteristik

umum suatu populasi dengan suatu
masalah kesehatan dalam kurun waktu
yang sama pada beberapa populasi;
atau pada populasi yang sama dalam
kurun waktu yang berbeda.
 Unit analisa: group
Studi Korelasi
• nama lain studi ekologi

• merupakan studi epidemiologi yang bersifat studi observasional
• unit pengamatan/analisisnya adalah agregat , berikut beberapa contoh
ukuran agregat :
• ukuran agregat yang mengukur nilai rata-rata, median,

• atau proporsi dari kumpulan nilai-nilai individu di suatu
kelompok misal :
• nilai rate suatu penyakit ; insidens, prevalens
• nilai rata-rata asupan lemak pada suatu kelompok individu
/masyarakat
• nilai cakupan program
• nilai median dari penghasilan sekelompok individu
• ukuran agregat “environment”, merupakan ukuran yang
mewakili karakteristik fisik dari suatu lingkungan hidup
misalnya :
• nilai cakupan rumah sehat pada suatu area
• nilai intensitas polusi pada suatu area
• nilai kepadatan jentik pada suatu area
• populasi studi terdiri dari kumpulan unit pengamatan dari mana

ukuran agregat diukur
• sebagai contoh : unit pengamatan untuk angka kepadatan jentik,

dan insidens DHF diukur berdasarkan area kerja puskesmas,
maka populasi studi terdiri dari kumpulan puskesmas - puskesmas
Ecological Study Example 1
Cigarette Smoking & Lung Cancer Mortality
Each observation represents

aggregate data
Cigarette Smoking & Lung Cancer Mortality
Data may be plotted to

show correlation
% calories from fat & heart disease
• Studies in the 1950s showed
an ecological correlation
between diets high in fats
and cardiovascular mortality
% calories from fat & heart disease
• Ecological studies often have poor control of
confounding variables
• e.g., high fat intake countries also have:
• low rates of physical activity
• high prevalence of obesity
• high prevalence of smoking
• high cholesterol consumption
• yada, yada, yada
• These “lurking variable” may explain at least
part of observed correlation seen in the prior
slide
Correlation between per capita meat
50 consumption and colon cancer
Colon cancer incidence
40
/100 000 women
NZ
30 USA
Can
Den
Swe
20
Nor UK
Net
10 Jam PR Ice
Fin FDP
DDP
Jap Rom Pol Hun
0
Nig Col
0
00
00
00
00
00
00
00
00
.0
.0
0.
0.
0.
0.
0.
5.
0.
0.
20
70
10
11
14
15
18
18
20
28
per capita consumption
kris/studiepid/ppt
-grams 41
Incidence ISPA per 100 000 di Jawa Barat
1993 - 1997
60
55
Incidence
50
45
40
35
30
Tahun
Secular trends
 Perubahan frekuensi penyakit dalam jangka
waktu panjang
Faktor yang harus dipertimbangkan dalam

menilai secular trend:
- Perubahan artefact (semu)
- Perubahan sejati (sebenarnya)
Secular trends
 Perubahan artefact:
– Numerator
 Perubahan teknik diagnosis yg menyebabkan meningkatnya
laporan penyakit
 Perubahan dalam klasifikasi penyakit
– Denominator
 Kesalahan pada saat mengenumerasi populasi (Penghitungan
populasi yg beresiko bertambah akurat)
 Perubahan sejati:
– Perubahan struktur umur populasi
– Perubahan survivorship
– Perubahan incidence penyakit (karena faktor lingkungan,
pekerjaan, dll)
Ecologic Studies
• Measures that represent characteristics of
entire populations are used to describe
disease and to postulate causal
associations.
• Measure of interest is correlation between

exposure rates and disease rates among
different groups.
• Correlation coefficient (denoted as r)

Range of r is from –1.0 to 1.0
R evaluated in relation to difference
from 0.
Ecologic Studies
Strengths:
• Cheap, quick, and simple (generally
make use of secondary data)
Limitations:
• Cannot link exposure-disease
relationship at the individual level
• Uses average exposure levels rather
than actual levels of exposure
• Inability to control for confounding
factors
EXAMPLE: Country A: Country B
Prevalence-Hypertension 30% 20%
Average Salt Consumption Moderate Low
Country A Country B
Person Salt Intake Hyp. Salt Intake Hyp.
1 1 Yes 1 Yes
2 1 Yes 1 Yes
3 1 Yes 1 No
4 3 No 1 No
5 3 No 1 No
6 3 No 2 No
7 3 No 2 No
8 5 No 2 No
9 5 No 2 No
10 5 No 2 No
Avg. 3.0 30% 1.5 20%
Ecologic Studies
The “Ecologic Fallacy”:
• Erroneous conclusions based on

grouped data
• Patterns observed on the aggregate

level are not observed on the
individual level
Ecological Fallacy
 ketidak tepatan kesimpulan terhadap hubungan
pada tingkat individu berdasarkan data ekologik
(bila unit analysis adalah group/kelompok).
 Tidak dapat mengestablish hubungan antara

exposure dan outcome (hanya menyarankan)
– rates of condition and risk factor are aggregates for a

geographical area
– we know the rates relate, but do not know whether
subjects who develop the condition also have the risk
factor
• analisis yang dilakukan dapat bersifat:
• deskriptif : melihat distribusi frekwensi dari variabel yang diteliti
(dalam unit agregat)
• analitik : melihat korelasi/hubungan antara variabel-variabel diteliti

• jika variabel “exposure” dan variabel “outcome” diukur sebagai
data kontinyu
• hubungannya secara statistik diuji dengan uji korelasi
• kekuatan/keeratan hubungan dilihat dengan melihat
nilai koefisien korelasi (“r”)
• jika variabel “exposure” dan variabel “outcome” diukur
sebagai data kategorikal
• hubungannya secara statistik dapat diuji dengan uji  kuadrat,
atau regressi logistik
• kekuatan hubungan dilihat dengan menghitung RR atau OR
• contoh : suatu studi ekologi ingin melihat korelasi antara cakupan
imunisasi campak dengan insidens campak
• unit pengamatan puskesmas
• populasi studi; 10 puskesmas
• cakupan imunisasi campak dianggap sebagai (exposure
/ independent variable)
• insidens campak dianggap sebagai (outcome
/dependent variable)
• contoh 1: jika variabel bebas dan variabel terikat diukur dengan

skala kontinyu
• y = insidens campak
• x = cakupan imunisasi campak
• hubungan secara statitik diuji dengan uji korelasi
• kekuatan hubungan dilihat dari koefisien korelasi
•data :
ID PKM X (%) Y(%) X2 Y2 XY
1 50 60 502 602 50 x 60
2 55 70
3 60 35
4 65 30
5 70 25
6 75 20
7 80 25
8 85 20
9 90 15
10 95 10
N =10 X Y X2 Y2 XY
n xy - ( x )(xy)
r = ------------------------------------------------
 n x2 - (x )2 n y2 - (y )2
persamaan garis linier : y = a + bx
n xy - ( x )(y) y - bx

b = -------------------------- a = ---------------------------
n x2 - (x )2 n
b2 [ x2 - ( x )2/n]
r2 = ---------------------------------------- r = r2
y2 - (y)2/n
a = intercept merupakan titik dimana garis memotong sumbu y
jika nilai a negatif, garis memotong sumbu y dibawah sumbu x
jika nilai a positif, garis memotong sumbu y diatas sumbu x
b = slope angka dimana nilai y berubah untuk setiap unit perubahan pada x
jika nilai b negatif menunjukkan arah garis dari bagian atas sudut kiri
kebagian bawah sudut kanan
jika nilai b positif menunjukkan arah garis dari bagian bawah sudut kiri
ke bagian atas sudut kanan
dalam persamaan regressi disebut dengan koefisien regressi,
memprediksi perubahan y untuk setiap unit perubahan pada x
r = koefisien korelasi
• menggambarkan kekuatan hubungan variabel x dan y

• nilai r berkisar dari 0 sampai 1
• makin mendekati 1 ada hubungan linier yang kuat antara x dan y
• makin mendekati 0 hampir tidak ada hubungan antara x dan y
• nilai r dapat positif ataupun negatif

• nilai r yang negatif menunjukkan adanya hubungan yang negatif antara x dan y
• jika x meningkat y menurun
• jika x menurun y meningkat
• nilai r yang positif menunjukkan adanya hubungan yang positif antara x dan y
• jika x meningkat y meningkat
• jika x menurun y juga menurun
sebagai contoh nilai r = - 0.95
• ada hubungan linier yang kuat antara variabel x dan y
• jika x meningkat y menurun atau sebaliknya
y y
• •
• •• •• • •
• •• •• • •
•
• • ••
•••••• • •• •
•
•
x
x
r = positif dan mendekati 1 r = negatif dan mendekati 1
• •
•
• •
•
• •
• • • •
r = positif dan mendekati nol
•
• •
•
Uji statistik : untuk melihat apakah nilai “r” yang didapat merupakan ukuran
yang cukup bermakna secara statistik untuk mengindikasikan bahwa
di populasi kedua variabel x dan y berkorelasi
• hipotesis : H0 : r = 0
HA : r  0
• r = koefisien korelasi di populasi
• uji statistik jika r = 0
n-2
t=r ------------ dengan derajat kebebasan = n-2
1 - r2
• jika dipakai  = 0.05, dan hasil kalkulasi uji statistik
mempunyai nilai p < 0.05 maka H0 ditolak,
• artinya koefisien korelasi di populasi tidak sama dengan 0,

artinya hasil kalkulasi r berdasarkan sampel tadi cukup
bermakna secara statistik atau dengan kata lain korelasi
antara variabel x dan y bermakna secara statistik
• contoh 2 : jika variabel terikat dan variabel bebas diukur
dengan skala kategorikal
• data :
ID PKM X (%) kategori Y (%) kategori

1 50 rendah 60 Tinggi
2 55 rendah 70 Tinggi
3 60 rendah 35 Rendah
6 75 tinggi 60 Tinggi
7 80 tinggi 25 Rendah
X = cakupan imunisasi campak

y = insidens campak
PKM = puskesmas
Tabel distribusi cakupan imunisasi campak dan insidens campak
Insiden tinggi Insiden rendah
Cakupan rendah 25 10 35
Cakupan tinggi 15 35 50
Dari 35 puskesmas yang mempunyai cakupan imunisasi rendah,
25 puskesmas mempunyai insiden campak yang tinggi :
• insidens dari insidens campak tinggi pada pkm cakupan rendah = 25/35
• odds insidens|cakupan rendah = 25/10
Dari 50 puskesmas yang mempunyai cakupan imunisasi tinggi,

15 puskesmas mempunyai insiden campak yang tinggi
• insidens dari insudens campak tinggi pada pkm cakupan tinggi = 15/50
• odds insidens|cakupan tinggi = 15/35
Insidens 25/35 odds 25/10

RR= -------------------- = ------------ = 1.56 OR= ------------ = ------------- = 5.81
Insidens 15/50 odds 15/35
Uji statistik :
• uji homogenitas proprorsi binomial
• uji independensi
• kedua uji statistik diatas sama prosedurnya
k ( O - E )2
2 =  ---------------
i=1 E
2 : Khi kuadrat
O : Observed value / nilai yang diamati
E : Expected value / nilai yang diharapkan
H0 : angka kepadatan jentik dengan insidens DHF, independen
(tak berhubungan)
Ha : angka kepadatan jentik dengan insidens DHF, tak independen
(berhubungan)
 : 0.05 dengan derajat kebebasan = (c-1)((r-1) c= kolom r=baris
jika 2 memberikan nilai P lebih besar dari  maka H0 ditolak
tabel kontingensi “ Observed”
insidens DHF
tinggi rendah total

rendah a b (a+b)
angka kpdt jentik
tinggi c d (c+d)
total (a+c) (b+d) (a+b+c+d)
(a+b) (a+c) (a+b) ( b+d)

a” = ---------------- b” =-----------------
(a+b+c+d) (a+b+c+d)
(c+d) (a+c) (c+d) (b+d)

c” = ---------------- d”= --------------
(a+b+c+d) (a+b+c+d)
jika ada nilai sel “E” kurang dari 5, uji yang dipakai Fisher Exact Test
tabel kontingensi “ Expected”
insidens DHF
tinggi rendah total
rendah a” b”
angka kepadatan jentik
tinggi c” d”
total
Contoh menghitung nilai “expected”
Insidens penyakit
tinggi rendah total
rendah 25(a) 10(b) 35 (a+b)

cakupan imunisasi
tinggi 15(c) 35(d) 50 (c+d)
total 40(a+c) 45(b+d) 85 (a+b+c+d)
total row x total colum

nilai “expected” =------------------------------------
grand total
total row x total colum 35 x 40

nilai “expected” a = ------------------------------------ = ------------------- = 16.47
grand total 85

nilai “expected” b = ------------------------------------ = ------------------- = 18.53
grand total
kris/studiepid/ppt 85 66
nilai “expected” c = ------------------------------------ = ------------------ = 23.53
grand total 85

nilai “expected” d = ------------------------------------ = ------------------= 26.47
grand total 85
k ( O - E )2
2 =  ---------------
i=1 E
(25 - 16.17)2 (10 - 18.53)2 (15 - 23.53)2 (35 - 26.47)2

2 = --------------- + ------------------ + --------------- + -------------------- = 15.75
16.7 18.53 23.53 26.47
Didapat nilai 2  yang mana dibawaH0 akan mengikuti distribusi

khi kuadrat
untuk tingkat = 0.05

kita akan menolak H0 jika nilai nilai 2 > nilai 2d.f..1-
kita akan menerima H0 jika nilai nilai 2 < nilai 2d.f..1-
nilai 2d.f..1- = 3.84
{ d.f = derajat kebebasan = (r-1)(c-1) = (2-1)(2-1) =1 dan 1-= 1- 0.05 = 0.95)
kita menolak H0 karena nilai nilai 2 = 15.75 > 3.84 dimana nilai p < 0.05
artinya ada hubungan secara statistik antara variabel
cakupan imunisasi campak dengan insiden campak
• kelebihan dari studi korelasi :

• jika data telah tersedia relatif murah
• dapat untuk melihat distribusi frekwensi kejadian penyakit
/masalah kesehatan dalam satuan agregat di populasi
• dapat melihat hubungan antara variabel yang diteliti
dalam satuan agregat
• dapat untuk membangun /memformulasikan hipotesis baru
• kelemahan studi korelasi :
• tidak dapat melihat hubungan ditingkat individu.
• ada ecologic fallacy, yakni bias dalam menginterpretasikan,
hubungan tingkat agregat
disamakan dengan hubungan tingkat individu,
misal ada hubungan antara angka cakupan imunisasi campak

dengan angka insidens campak (hubungan dalam tingkat agregat)
 belum berarti dalam tingkat idividu ada hubungan
antara imunisasi dengan kejadian penyakit campak pada seseorang
• sehingga untuk membuktikan adanya hubungan ditingkat individu,

dari studi korelasi hanya dapat memformulasikan hipotesis baru
• pembuktian hipotesis tadi dengan disain studi epidemiologi analitik
Studi Cross-sectional
 Tujuan:
– mempelajari angka kejadian suatu
penyakit/masalah kesehatan
– mempelajari hubungan antara suatu faktor
risiko dengan angka kejadian suatu
penyakit
 Unit analisa: individual
 Faktor risiko/exposure dan status
penyakit/masalah kesehatan dukur
pada saat yang sama
Defined Population
Gather data on exposure and disease
Exposed, Not Exposed,

Exposed, Not Exposed,
Do not have Do not have
Have disease Have disease
disease disease
Persiapan air minum dan
prevalensi diare pada anak
balita di Kalimantan Selatan
60
50
40
Mencampur
30
Diare
20
10
0
Sei Lulur Murung Keraton Banjar Baru Malintang
Disain Studi Potong-Lintang (cross-sectional study)
• nama lain : studi prevalensi, survey

• bersifat observasional
• unit pengamatan dan unit analaisisnya adalah individu
• populasi studi merupakan populasi umum
• sampel diambil secara random (acak)
• setiap orang di populasi mempunyai kesempatan
yang sama untuk menjadi anggota sampel
• sampel representatif /mewakili populasi
• pengukuran variabel independet (exposure) dan variabel dependent

(outcome) dilakukan secara simultan, sehinga :
• tidak dapat terlihat sekuens mana yang terjadi lebih dulu,
variabel independent atau variabel dependent, atau sebaliknya
• konsekwensinya tidak dapat melihat hubungan sebab-akibat
(exposure harus mendahului outcome )
• analisis yang dilakukan dapat bersifat:
• deskriptif :
• distribusi frekwensi kejadian penyakit/ masalah kesehatan
berdasarkan “orang - tempat - waktu”
• distribusi frekwensi variabel “exposure” dan “outcome”
(angka prevalens)
• analitik : melihat korelasi/hubungan antara variabel-variabel

diteliti
• jika variabel “exposure” dan variabel “outcome” diukur
sebagai data kontinyu
• hubungannya secara statistik diuji dengan uji korelasi
• kekuatan/keeratan hubungan dilihat dengan melihat
nilai koefisien korelasi (“r”) ataupun dengan koefisien
regressi
• jika variabel “exposure” dan variabel “outcome” diukur sebagai
data kategorikal
• hubungannya secara statistik dapat diuji dengan
uji  kuadrat, atau regressi logistik
• kekuatan hubungan dilihat dengan menghitung RR
atau OR
• jika variabel “exposure” diukur sebagai data kontinyu dan

variabel “outcome” diukur sebagai data kategorikal
• hubungannya secara statistik dapat diuji dengan
regressi logistik kekuatan hubungan dilihat dengan
menghitung exponensial koefisien regressi
• setiap ada penambahan atau pengurangan satu satuan
unit “exposure” terjadi peningkatan atau pengurangan
odds “outcome” sebesar eksponensial koefisien regressi
• jika variabel “exposure” diukur sebagai data kategorikal
dan variabel “outcome” diukur sebagai data kontinyu
• hubungannya secara statistik dapat diuji dengan uji t
(jika hanya2 kelompok “exposure”) dan tes Anova
(bila lebih dari 2 kelompok)
• kekuatan hubungan dilihat dengan membandingkan
masing-masing nilai mean pada masing-masing kelompok
Contoh :
• dalam suatu penelitian dengan disain potong lintang :

• ingin melihat hubungan antara skore intensitas psikosis
dengan kadar amphetamin darah.
• D = skore intensitas psikosis (data kontinyu)
• E = kadar amphetamin darah (data kontinyu)
• pengukuran D dan E dilakukan secara simultan
• populasi pengguna amphetamin yang datang ke klinik
ketergantungan obat
• sampel 10 orang yang diambil secara random dari populasi
• analisis deskriptif : menghitung mean, median, mode dari

variabel D dan E
• analisis analitik :
• buat diagram scatter untuk melihat hubungan secara kasar
• analisis korelasi linear dan analisis regrresi
• alpha ditentukan 0,05
• untuk melihat hubungan E dan D lihat koefisien korelasi “r”
• untuk melihat bagaimana E memprediksian D lihat
koeffisien regressi b
Data
Pasien Skore intesitas psikosis Kadar amphetamin darah

(Y) mg/ml ( X )
1 10 150
2 30 300
3 20 250
4 15 150
5 45 450
6 35 400
7 50 425
8 15 200
9 40 350
10 55 475
persamaan garis linier : y = a + bx
n xy - ( x )(y) y - bx

b = -------------------------- a = ---------------------------
n x2 - (x )2 n
b2 [ x2 - ( x )2/n]
r2 = ---------------------------------------- r = r2
y2 - (y)2/n
silahkan hitung koefisien korelasi “r” dan koefisen regressi “b”
Uji statsitik: t statistik
n-2
t=r ------------ dengan derajat kebebasan = n-2
1 - r2
Apakah ada hubungan secara statistik antara kadar amphetamin darah

dengan skore intensitas psikosis
Buatlah persamaan garis y = a + bx
Seseorang pecandu dengan kadar amphetamin 360 mg/ml darah

berapa kira-kira skore intesitas psikosisnya
Contoh 2
• dalam suatu penelitian dengan disain potong lintang
• ingin melihat hubungan antara merokok dan bronchitis kronis.
• D = bronchitis kronis (data kategorikal)
• E = merokok (data kategorikal)
• pengukuran D dan E dilakukan secara simultan
• populasi merupakan pegawai di pabrik A
• sampel 1000 orang yang diambil secara random dari populasi
• analisis deskriptif : menghitung distribusi frekwensi D dan E
• analisis analitik :
• analisis khi kuadrat dengan tabel kontingensi
• alpha ditentukan 0,05
• untuk melihat hubungan E dan D hitung OR atau PR
Tabel kontingensi 2x2 untuk data diatas
“Outcome”
D+ D- total
E+ 200 200 400

“exposure”
E- 100 500 600
total 300 700 1000
Populasi • sampel dipilih secara random (acak)
• sampel representatif untuk populasi
sampel
• distribusi frekwensi variabel “exposure”

sampel • distribusi frekwensi variabel “outcome”
Distribusi frekwensi berdasarkan variabel “exposure” pada sampel

• terpapar dengan “exposure”  E +
• tidak terpapar dengan “exposure”  E -
misal sampel terdiri dari 1000 orang
terpapar dengan “exposure”  E + = 400 orang = 40%
tidak terpapar dengan “exposure”  E - = 600 orang = 60%
E+ 40% prevalensi terpapar dengan “exposure” = 40%

E- 60% prevalensi tidak terpapar dengan exposure = 60%
Distribusi frekwensi berdasarkan variabel “outcome” pada sampel
•“outcome” positif  D (disease) +
•“outcome”negatif  D (disease) -
misal sampel terdiri dari 1000 orang
•“outcome” positif  D (disease) + = 300 orang = 30 %
•“outcome”negatif  D (disease) - = 700 orang = 70%
D+ 30%
D- 70%
Prevalensi “disease” = 30%

prevalensi “not disease” = 70%
Mendistribusikan variabel “disease” pada variabel “exposure”
200 D+ 100 D+
dari 400(E+) dari 600 (E-)
200 D - 500 D -
E+ 200 D+ 200 D -
E- 100 D+ 500 D -
dari 400 orang (E+)  prevalens D+ pada kelompok E+ = 200/400
dari 600 orang (E-)  prevalens D - pada kelompok E - = 100/600
prevalens D+ pada kelompok E+ = 200/400

Prevalens Ratio = ------------------------------------------------------------------ = 3
prevalens D + pada kelompok E- = 100/600
Odds D+E + (kelompok orang terpapar) = 200/200
Odds D+E - (kelompok tidaterpapar) = 100/500
Odds D+E + (kelompok orang terpapar) 200/200

OR = ---------------------------------------------------- = ------------ = 5
Odds D+E - (kelompok tidaterpapar) = 100/500
Tabel kontingensi 2x2 untuk data diatas
“Outcome”
D+ D- total
E+ 200 200 400

“exposure”
E- 100 500 600
total 300 700 1000
Mendistribusikan variabel “exposure” pada variabel “disease”
200 E+ 200 E+
dari 300 (D+) dari 700 (D-)
100 E - 500 E -
Prevalens E+D + (kelompok orang sakit) = 200/300

Prevalens E+D - (kelompok tidak sakit) = 200/700
Prevalens E+D + (kelompok orang sakit) 200/300

Prevalens Ratio = ---------------------------------------------------= ------------ = 2 1/3
Prevalens E+D - (kelompok tidak sakit) 200/700
Odds E+D + (kelompok orang sakit) = 200/100
Odds E+D - (kelompok tidak sakit) = 200/500
Odds E+D + (kelompok orang sakit) = 200/100

OR = ------------------------------------------------------------------ = 5
Odds E+D - (kelompok tidak sakit) = 200/500
Terlihat bahwa kalkulasi nilai OR tetap = 5.

• bila variabel “disease” didistribusikan pada variabel “exposure”
• atau bila variabel “exposure” dididtribusikan pada variabel “disease”
Cross-Sectional Studies
• Snapshot of the health status of
populations at a certain point in time
• For each subject, exposure and

disease outcome are assessed
simultaneously (hence also called a
“prevalence study/survey”)
• Compare prevalence of disease in

persons with and without the
exposure of interest
Disease No Disease
Exposed a b
Not
Exposed c d
a / (a + b)
Prevalence Ratio (PR) = ------------
c / (c + d)
CHD No CHD
Cholesterol
High 100 400
Normal/
Low 50 450
100 / (100 + 400) 0.2

Prevalence Ratio = --------------------- = ---- = 2.0
50 / (50 + 450) 0.1
100 / (100 + 400) 0.2
Prevalence Ratio = --------------------- = ---- = 2.0
50 / (50 + 450) 0.1
Interpretation: In this study population, the

prevalence of CHD is 2 times higher among
those with high cholesterol, compared to the
prevalence in those with normal or low
cholesterol.
Strengths:
• Provides prevalence estimates of
exposure and disease for a well-defined
population
• Easier to perform than studies that

require follow-up (hence relatively
inexpensive)
• Can evaluate multiple risk (and

protective) factors and health outcomes
at the same point in time
Strengths:
• May identify groups of persons at
high or low risk of disease
• Can be used to generate hypotheses

about associations between
predictive factors and disease
outcomes
Limitations:
• Prevalent rather than incident (new)
cases are used – the exposure could be
associated with survival after disease
occurrence, rather than development
of the disease
• Temporal sequence between exposure

and disease cannot be established
* i.e. Which came first, chicken or the egg?
Kelebihan Studi Potong Lintang :
• dapat untuk melihat distribusi frekwensi penyakit di populsi

• dapat untuk melihat hubungan variabel “exposure” dan
variabel “outcome”
• hasil analisisnya dapat dipakai untuk membangun hipotesis baru
Kelemahan Studi Potong Lintang
• tidak dapat untuk melihat hubungan sebab akibat, karena

variabel “exposure” dan variabel “outcome” diukur secara simultan

Descriptive 2013

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Descriptive 2013

Diunggah oleh

Hak Cipta:

Format Tersedia

DISAIN STUDI EPIDEMIOLOGI

Disain penelitian Epidemiologi

Disain penelitian epidemiologi secara garis besar dapat dibagi menjadi

1. Studi-Studi Epidemiologi --- data

4. Analisa Hasil 2. Hipotesa Formulasi

Kecurigaan atas factor pemapar

Formulasi Hipotesis tertentu

Melakukan penelitian epidemiologi

Dalam pengujian ini harus diperhatikan

Keputusan apakah hubungan yang

A Kejadian sakit tidak terjadi secara acak

B.Penelusuran sistematik dan cermat kelompok

Untuk mengerti lebih jauh Jenis studi

dari epidemiologi sebagai dasar berfikir.

• disain studi laporan kasus (case-report)

: Termasuk disain studi epidemiologi analitik adalah

• disain studi kohort (cohort study)

B. Memberikan bukti untuk mengembangkan

 Relatif murah dan cepat dibandingkan

 Adalah laporan tentang pengalaman menarik

Studi Laporan Kasus (case report study)

• suatu penyakit yang belum jelas sebut penyakit X,

• berdasarkan gejala dan pemeriksaan laboratoris

• berdasarkan gambaran demografinya

•perilaku berhubungan intim :

• dari data diatas dapat dilihat bahwa :

• dari gejala dan pemeriksaan laboratoris penyakit X tersebut adalah :

• dari kebiasaan mengkonsumsi narkoba

• dari perilaku seksual :

• diperoleh gambaran distribusi, frekwensi penyakit berdasarkan :

• dari informasi tadi dapat dibangun suatu hipotesis

Untuk membuktikan hipotesis yang dibangun, dapat

• Document unusual medical occurrences

• Can provide clues in identification of a

• No appropriate comparison group

 Contoh : Laporan kasus pada tahun 1980 tentang 5

 Kedua bentuk studi di atas berguna dalam pengenalan

• merupakan studi epidemiologi yang bersifat observasional

No ID Sex Umur Suku Kadar Komplikasi Status

• deskripsikan distribusikan/frekwensi penyakit DM berdasarkan :

• dapatkah gambaran distribusi/frekwensi diatas menggambarkan kondisi di populasi ?

• dari data diatas dapatkah saudara memformulasikan hipotesis baru

• adakah hubungan antara komplikasi dengan kematian pada penderita DM

• Collection of individual case reports

• Used as an early means to identify

• Can suggest the emergence of a

• Lack of an appropriate comparison

• Cannot be used to test for presence

• Not a true epidemiologic design

 Tujuan: mengkorelasikan karakteristik

• nama lain studi ekologi

• ukuran agregat yang mengukur nilai rata-rata, median,

• populasi studi terdiri dari kumpulan unit pengamatan dari mana

• sebagai contoh : unit pengamatan untuk angka kepadatan jentik,

Each observation represents

Data may be plotted to

Faktor yang harus dipertimbangkan dalam

• Measure of interest is correlation between

• Correlation coefficient (denoted as r)

The “Ecologic Fallacy”:

• Erroneous conclusions based on

• Patterns observed on the aggregate

 Tidak dapat mengestablish hubungan antara

– rates of condition and risk factor are aggregates for a