Program Studi Kesehatan Masyarakat Program

Sarjana
Universitas Pembangunan Nasional Veteran Jakarta
Semester Ganjil TA 2020-2021
 

BIAS PENELITIAN
DAN CARA
MENGATASINYA
APAKAH YANG
DIMAKSUD
DENGAN BIAS?
 Bias is defined as any tendency which prevents
unprejudiced consideration of a question.
Bias can occur at any phase of research, including
study design or data collection, as well as in the
process of data analysis and publication.
KESALAHAN (ERROR)
Setiap penelitian bertujuan untuk mengungkap apa yang sebenarnya terjadi (fakta),
tetapi peneliti mungkin saja dapat melakukan kesalahan dalam penelitian. Kesalahan
dalam penelitian bersumber pada dua hal:

Random Error

Kesalahan (Error)

Systematic Error
RANDOM ERROR
Random Error (Kesalahan Acak) adalah kesalahan estimasi yang terjadi secara random
(acak), lebih banyak disebabkan karena variasi sampling, besar sampel dan karakteristik
data statistik (varians).

Kesalahan acak umumnya bersumber dari kompetensi dalam melakukan pengukuran,

konsistensi pengukuran, variasi sampling, dan jumlah subjek penelitian.

Kesalahan acak dapat dikurangi dengan memperbanyak jumlah subjek, memperbanyak

pengukuran, dan melakukan pelatihan.
SYSTEMATIC ERROR (BIAS)
Bias adalah kesalahan sistematis yang mengakibatkan distorsi (penyimpangan )
penaksiran parameter sasaran berdasarkan parameter sampel.
Bias dapat mengakibatkan kesimpulan yang dibuat tentang hubungan antara paparan
dan penyakit menjadi salah.

BIAS

BIAS SELEKSI BIAS INFORMASI BIAS PERANCU

SUMB Bias Seleksi Bias Informasi Confounding

ER- Bias yang terjadi

karena kesalahan
Terjadi karena
kesalahan proses
Terjadi akibat
tercampurnya efek

SUMB dalam proses seleksi

atau partisipasi
pengumpulan data.
Contohnya kesalahan
pajanan utama dengan
efek faktor risiko

ER subyek penelitian.
Contohnya kesalahan
pada saat pengukuran
variabel
eksternal lainnya atau
adanya variabel lain

BIAS
dalam pemilihan menggunakan alat sebagai perancu yang
sampel. yang tidak dikalibrasi. tidak diperhitungkan
pada metode maupun
saat analisis.

8
BIAS SELEKSI
Bias seleksi adalah distorsi efek yang timbul akibat proses/ cara tertentu dalam
pemilihan subyek kedalam populasi studi atau akibat hilangnya subyek secara
selektif sebelum analisis data.
Pemilihan subyek idealnya dilakukan sedemikan rupa sehingga sampel dapat
mewakili (representatif) terhadap populasi studi dan populasi studi mewakili
populasi target.
Bias seleksi dapat terjadi pada semua jenis desain studi epidemiologi.
BIAS SELEKSI
Terdapat beberapa jenis bias seleksi

Volunteer Bias Healthy Worker Effect Berkson’s Bias

Neyman Fallacy Detection Bias Diagnostic Bias

Inclusion/Exclusion Withdrawal Bias

Reporting Bias
Bias

Temporal
Selective Survival
Ambiguity
BIAS SELEKSI
1. Volunteer Bias
Bias ini dapat terjadi jika kelompok subyek yang terpapar atau mendapat perlakuan
diambil dari sekelompok orang yang memang secara sadar memilih untuk
terpapar atau mendapat perlakuan sebelum mereka terpilih kedalam studi.
Bias ini juga dapat terjadi sebagai akibat tingkat partisipasi yang berbeda antara
kelompok studi (pada studi kros-seksional atau kasus kontrol) setelah mereka
terpilih.
Bentuk bias semacam ini yang muncul jika kelompok subyek yang berpartisipasi
berbeda secara sistematik dengan yang menolak/tidak berpartisipasi disebut juga
non-response atau non-participation bias.
BIAS SELEKSI
2. Healthy-worker effect
Fenomena Healthy-worker effect sering ditemukan dalam riset-riset epidemiologi
kesehatan kerja (occupational epidemiology).
Bias ini terjadi karena membandingkan kelompok pekerja yang terpajan (exposed)
dengan pajanan (exposure) akibat pekerjaan tertentu dengan kelompok yang tidak
terpajan dari populasi umum atau populasi yang tidak berkerja atau populasi yang
pekerjaannya berbeda.
Kelompok masyarakat pekerja condong lebih sehat dibandingkan kelompok yang
tidak bekerja karena orang yang yang memiliki masalah kesehatan cenderung
tidak diterima atau keluar dari angkatan kerja.
Misal: Membandingkan populasi pekerja mebel di North Carolina dengan penduduk
lainnya mungkin bias karena kelompok pekerja mebel mungkin lebih sehat.
BIAS SELEKSI
3. Berkson’s Bias
Bias ini dapat terjadi ketika para pasien dengan lebih dari 1 penyakit atau perilaku
berisiko tinggi lebih besar peluangnya untuk dirawat inap di fasilitas kesehatan
(misalnya rumah sakit) dibandingkan pasien-pasien dengan hanya 1 penyakit.
Akibat perbedaan hospitalization rate tersebut, besar/ kuatnya hubungan antara E
dan D di rumah sakit berbeda dengan besar/ kuatnya hubungan E-D di masyarakat
yang menjadi populasi asal/ bases kasus2 rumah sakit tsb.
BIAS SELEKSI
4. Neyman Fallacy
Neyman fallacy sering terjadi pada studi kasus kontrol yang menggunakan kasus
prevalen jika pajanan berhubungan dengan prognosis penyakit.
Proporsi pajanan pada kelompok kasus prevalen dapat lebih tinggi
dibandingkan proporsi pajanan pada kelompok kasus insiden jika tingkat kesintasan
(survival rate) pada kelompok terpajan (kelompok yang memiliki faktor risiko) lebih
tinggi dibandingkan pada kelompok tidak terpajan.
BIAS SELEKSI
5. Detection bias
Seringkali terjadi sebagian orang yang terpajan dengan pajanan (exposure) tertentu,
atau memiliki gejala klinis yang ada hubungannya dengan pajanan tersebut,
mendapat perhatian/ pelayanan medis yang lebih intensif, sehingga memberikan lebih
besar peluang untuk terdeteksinya penyakit (sementara apabila tidak ada riwayat pajanan,
maka besar kemungkinan penyakitnya tidak terdiagnosa).
Apabila kemudian pada situasi seperti ini dilakukan studi kasus kontrol misalnya maka
secara artifisial kasus akan memiliki proporsi pajanan yang lebih tinggi
dibandingkan dengan kontrol, (akibat perbedaan peluang terdeteksinya penyakit pada
kedua kelompok tersebut).
Kondisi pencarian/ deteksi penyakit yang tidak proporsional inilah yang dapat
menjadinya sumber terjadinya detection bias.
BIAS SELEKSI
6. Diagnostic bias
Bias diagnostik dapat terjadi jika klinisi (dokter misalnya) dalam mendiagnosis
penyakit pada kelompok terpajan dan pada kelompok tidak terpajan menggunakan
kriteria diagnostik yang berbeda untuk kedua kelompok tersebut.
Bias ini juga bisa terjadi pada studi kasus kontrol pada situasi ketika informasi
tentang pajanan pada pasien mempengaruhi kesimpulan diagnostik klinisi,
sementara pada saat itu belum tersedia/ tidak dilakukan tes diagnostik yang definitif
untuk penyakit tersebut.
BIAS SELEKSI
7. Withdrawal Bias atau Non-response Bias
Bias yang pada studi longitudinal ini dapat terjadi karena subyek-subyek yang
terpilih menghilang secara tidak proporsional selama periode follow-up.
Ada banyak sebab dari kehilangan subyek dalam studi follow-up, misalnya karena
subyek menderita masalah kesehatan tertentu, meninggal, mengundurkan diri dari
penelitian, pindah rumah, dll.
BIAS SELEKSI
8. Selective survival
Pada studi prevalen, bias ini dapat terjadi akibat hilangnya subyek potensial secara
tidak proporsional sebelum seleksi (misalnya karena kematian, migrasi, sembuh
dari penyakit, dll) sedemikian hingga subyek yang secara potensial layak (eligible)
untuk berpartisipasi dalam studi, menjadi tidak layak atau tidak adapat
berpartisipasi.
BIAS SELEKSI
9. Reporting bias
Dalam kaitan yang erat dengan bias diagnostic, reporting bias dapat terjadi akibat
kecenderungan yang tidak proporsional ketika melaporkan kasus sebuah
penyakit ke unit atau instansi yang berwenang menerima laporan kasus.
Jika dalam sistem pencatatan dan pelaporan sebuah fasilitas kesehatan,
pengetahuan tentang pajanan (yang diduga memiliki kaitan dengan penyakit
tertentu) mempengaruhi keputusan dilaporkan atau tidaknya kasus penyakit tersebut,
maka jika nantinya dilakukan studi kasus kontrol, akan terbuka peluang terjadinya
bias ini.
 
BIAS SELEKSI
10. Inclusion/exclusion bias
Pada desain kasus kontrol, inklusi atau eksklusi secara sistematik pada subyek
penelitian yang memiliki penyakit lain (dari yang diteliti) yang diketahui
berhubungan dengan pajanan dapat mengarah kepada bias jenis ini.
Bias ini akan sangat bermasalah khususnya jika peneliti tidak dapat mengidentifikasi
populasi asal (base population) dari kelompok kasus.
Misal: Pada penelitian merokok dengan kanker paru di RS, memilih pasien
emphysema sebagai kontrol akan menghasilkan efek yang underestimate (inclusion
bias), sebab merokok juga mengakibatkan emphysema. Sebaliknya menyingkirkan
kasus emphysema hanya dari kelompok kontrol sementara dari kelompok kasus
tidak, maka akan membuat overestimate (exclusion bias).
BIAS SELEKSI
11. Kemenduaan temporal (temporal ambiguity)
Untuk dapat mengambil kesimpulan bahwa sebuah pajanan (exposure) adalah
merupakan faktor risiko dari suatu penyakit tertentu, maka peneliti harus memastikan
bahwa terjadinya pajanan mendahului munculnya penyakit.
Namun didalam menarik kesimpulan kausal dari suatu hasil penelitian (survei
misalnya) sering terjadi bahwa hubungan pajanan-penyakit yang ditemukan sebenarnya
lebih merupakan pengaruh dari penyakit tersebut terhadap faktor yang semula diduga
sebagai pajanan (bukan seperti yang dihipotesakan, yaitu pajanan mengakibatkan
penyakit).
Kemenduaan (ambiguity) atau ketidakjelasan mana faktor yang menyebabkan dan
mana faktor yang merupakan akibat inilah yang merupakan sumber bias jenis ini.
MENGATASI BIAS SELEKSI
Langkah utama adalah berupa upaya mengantisipasi dan mencegah kemungkinan terjadinya bias
ini dengan beberapa pendekatan misalnya:
1. Sedapat mungkin menggunakan data insiden
2. Pada studi kasus kontrol, pilihlah kontrol dari populasi asal yang aktual (actual base
population) darimana kasus studi tersebut muncul
3. Pada studi kasus kontrol yang tidak berbasis pada populasi, dapat dipertimbangkan untuk
menggunakan lebih dari 1 jenis populasi kontrol
4. Terapkan kriteria kelayakan yang sama untuk memilih semua subyek studi.
5. Usahakan agar semua subyek potensial menjalani prosedur diagnostik yang sama dan
mendapat peluang deteksi dan pelaporan kasus yang sama.
6. Minimalkan non-respons atau non-partisipasi dan loss to follow-up.
7. Kumpulkan sebanyak mungkin informasi tentang riwayat pajanan, termasuk waktu dan
alasan perubahan status pajanan.
8. Upayakan agar penyakit didiagnosis tanpa pengaruh dari pengetahuan tentang status
pajanan (secara blind)
BIAS INFORMASI
Bias informasi adalah bias yang terjadi karena perbedaan sistematik dalam mutu
dan cara pengumpulan data (misalnya karena menggunakan kriteria atau metode
pengukuran yang tidak sahih) tentang pajanan atau penyakit/ masalah kesehatan dari
kelompok-kelompok studi.
Bias informasi merupakan kesalahan sistematis dalam mengamati,
memilih
instrumen, mengukur, membuat klasifikasi,mencatat informasi,
dan membuat interpretasi tentang paparan maupun penyakit, sehingga
mengakibatkan distorsi penaksiran pengaruh paparan terhadap penyakit.
BIAS INFORMASI
Bias informasi dapat bersumber dari hal-hal berikut:

1. Kesalahan pengukuran

2. Kecenderungan kesalahan pengukuran pertama

3. Penggunaan kelompok (agregat) sebagai unit analisis pada penelitian dirancang untuk
mengambil kesimpulan kausal tentang fenomena pada tingkat biologis individual.
 BIAS INFORMASI
1. Kesalahan pengukuran, khususnya ketika terjadi misklasifikasi penyakit dan/atau misklasifikasi pajanan.
Bias yg terkait dengan kesalahan pengukuran yg dapat berujung pada misklasifikasi penyakit atau pajanan
adalah:
 Recall bias (bias mengingat kembali) dari subyek penelitian yg terjadi karena misalnya kemampuan
pasien mengingat informasi pajanan berbeda pada kelompok kasus dan kontrol. Bias ini paling terjadi.
 Interviewer bias (bias pewawancara) terjadi karena subyektifitas atau sugesti pewawancara dalam proses
pengumpulan data. Sering juga terjadi karena pewawancara ingin mengklarifikasi pertanyaan.
 Clever Hans effect yg terjadi karena subyek merubah respons agar sesuai dengan apa yg (dianggap oleh
subyek) menyenangkan peneliti/ pewawancara.
 Hawthorne effect yaitu perubahan status pajanan karena pengaruh studi. Bias ini mirip dg Clever Hans
effect
 Outcome ascertainment bias yang terjadi ketika outcome studi diperoleh melalui respons dari subyek yang
bersifat subyektif (misal keluhan migrain). Jika terkait dengan pengetahuan tentang pajanan, juga disebut
observer bias
BIAS INFORMASI
2. Kecenderungan kesalahan pengukuran pertama (pada variable berskala kontinyu)
yang menghasilkan nilai ekstrim, untuk bergeser ke nilai tengah pada pengukuran
berikutnya. Kecenderungan ini dapat menimbulkan bias yang disebut regresi kenilai
tengah (regression to the mean).

 
BIAS INFORMASI
3. Penggunaan kelompok (agregat) sebagai unit analisis pada penelitian-
penelitian yang dirancang untuk mengambil kesimpulan kausal tentang fenomena
(timbulnya penyakit/masalah kesehatan) pada tingkat biologis individual.

Situasi ini dapat mengundang potensi bias ekologi (ecologic bias/ ecological
fallacy) atau bias agregasi (aggregation bias). Bias jenis ini sering terjadi pada
rancangan studi korelasi/ ekologi.
MENGATASI BIAS INFORMASI
Untuk menanggulangi bias informasi, langkah utamanya adalah juga berupaya
mengantisipasi dan mencegah kemungkinan terjadinya bias ini dengan beberapa pendekatan
misalnya:
1. Berusaha menjamin obyektifitas dari peneliti dan subyek penelitian selama proses
pengumpulan data. Untuk menjamin obyektifitas, maka beberapa pendekatan dapat
dipakai, seperti penggunaan kriteria atau definisi penyakit dan pajanan yang ketat
dan dibenarkan (justified), menggunakan pendekatan blinding, ketika
mengumpulkan informasi tentang pajanan dan/atau penyakit, menggunakan placebo
dalam desain experimental, pendekatan restriksi dalam seleksi subyek
2. Berusaha menjamin dan memelihara tingkat kesahihan (measurement validity) dan
kehandalan (reliability) dari instrumen/ tes studi
BIAS PERANCU
Perancu (Confounding) adalah variabel yang dapat mendistorsi hubungan antar
variabel.
Bias Perancu mengakibatkan distorsi dalam menaksir pengaruh paparan
terhadap
penyakit akibat tercampurnya pengaruh sebuah atau beberapa variabel luar.
Syarat Variabel Perancu:
1. Berhubungan dengan variabel bebas
2. Berhubungan dengan variabel terikat
3. Bukan variabel antara
MENGATASI BIAS PERANCU
Pada tahap perencanaan penelitian, bias perancu dapat diatasi dengan melakukan
restriksi, matching, atau random alokasi.
Pada tahap analisis dapat dilakukan analisis stratifikasi dan analisis multivariat
untuk mengatasi bias perancu.
TERIMA KASIH